جستجوی مقالات مرتبط با کلیدواژه « Isomap » در نشریات گروه « فنی و مهندسی »
-
روش های کاهش بعد غیرخطی، در ده ها خیر بار دیگر مورد توجه محافل علمی قرار گرفته اند.با تمرکز محققان علم کامپیوتر بر این مسئله، در چند سال اخیر مجموعه ای از ابزارها به وجود آمده اند که کاربردهای آنها در داده کاوی، پردازش تصویر، طبقه بندی، تحلیل ونمایاندن دادگان رو به افزایش است.در این میان یادگیری منیفلد ابزاری قدرتمند برای کاهش بعد غیرخطی دادگان است. پارامترهای ذاتی سیستم که عامل اصلی تمایز دادگان از یکدیگرند با استفاده از این ابزار شناسایی شده و کل مجموعه بر روی منیفلدی که بیان کننده ارتباط واقعی پارامترهاست، قرار می گیرد. بدین ترتیب ارتباط بین دادگان در فضایی با بعد کمتر بیان می شود. یکی از کاربردهای موفق این روش ها در تحلیل تصاویر است. با این دیدگاه فرض می شود هر تصویر داده ای در بعد بالا بوده که هر پیکسل یک بعد از فضا را اشغال می کند. درصورتی که این مجموعه تصاویر از شیئی خاص اخذ شده باشند که براساس پارامترهای کمی با یکدیگر تفاوت دارند؛ می توان با استفاده از ابزارهای مناسب یادگیری منیفلد، این مجموعه تصاویر را در فضایی با بعد کمتر به گونه ای نگاشت کرد که ارتباط ذاتی پارامترها حفظ شود.در این تحقیق چگونگی به کارگیری این ابزار برای تحلیل مجموعه تصاویر اکوکاردیوگرافی مورد بررسی قرار می گیرد. از آنجا که تصاویر اکوکاردیوگرافی اخذ شده از یک بیمار براساس پارامترهای کمی از جمله حرکت تناوبی قلب و نویز متفاوت هستند، با استفاده از الگوریتم مناسب یادگیری منیفلد، مجموعه تصاویر در فضای دوبعدی فرونشانده می شوند و ارتباط بین فریم های متوالی در فضای جدید تعیین می شود. در این تحقیق با استفاده از دو الگوریتم LLEو ISOMAP، پس از نگاشت چند دوره تناوب تصاویر در فضای دوبعدی، تصاویر مشابه در کنار یکدیگر قرار گرفته و رابطه بین تصاویر بر اساس خاصیت تناوبی ضربان قلب نمایان می شود. نتایج حاکی از ضعف الگوریتم ISOMAPو قدرت الگوریتم LLEدر حفظ ارتباط واقعی تصاویر اکوکاردیوگرافی در فضای دوبعدی است. در نهایت، کاهش نویز تصاویر به صورت میانگین گیری تصاویر مشابه بر روی منیفلد حاصل از الگوریتم LLEبه عنوان یک کاربرد مفید معرفی می شود.
کلید واژگان: یادگیری منیفلد, تصاویر اکوکاردیوگرافی, الگوریتم LLE, الگوریتم ISOMAP, کاهش نویز}Dimensionality reduction is an important task in machine learning, to simplify data mining, image processing, classification and visualization of high-dimensional data by mitigating undesired properties of high-dimensional spaces. Manifold learning is a relatively new approach to nonlinear dimensionality reduction. Algorithms for manifold learning are based on the intuition that the dimensionality of many data sets may be artificially high and each data point can be described as a function of only a few underlying parameters. Using this tool, intrinsic parameters of the system database, which are main distinction factors of data sets, are recognized and all of them lie on a manifold that shows the real relationship of parameters. One of the successful applications of these methods is in image analysis field. By this approach, each image is a data in high dimensional space that the pixels are its dimensions. Because echocardiography images obtained from a patient are different in quantitative parameters such as heartbeat periodic motion and noise, image sets are reduced to two-dimensional space by a proper manifold learning. In this article, after mapping echocardiography images in two-dimensional space, by using LLE and Isomap algorithms, similar images placed side by side and the relationships between the images according to the cyclic property of heartbeat became evident. The Results showed the weakness of Isomap algorithm and power of LLE algorithm in preserving the relation between consecutive frames. De-noising is an important application which extracted from this research.
Keywords: Manifold learning, Echocardiography images, LLE, Isomap, De-noising}
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.