Titre :	Combining Cellular Automata and Ant Colony Optimization for Image Processing
Type de document :	texte imprimé
Auteurs :	Yahia Messaoui, Auteur ; Salah Eddine Guerra ; Safia Djemame, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2024
Importance :	1 vol (63 f .)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Cellular Automata(CA) Ant Colony Optimization (ACO) Image processing Edge detection Neighborhood
Index. décimale :	004 - Informatique
Résumé :	Cellular Automata, a mathematical model consisting of a network of cells that evolve over time according to state-dependent rules of neighboring cells, are used to simulate complex systems and have found applications in image processing for tasks such as texture recognition and noise reduction. On the other hand, Ant Colony Optimization, inspired by the foraging behavior of ants, is an effective algorithm for solving optimization problems and is particularly suitable for image segmentation and edge detection.
Note de contenu :	Sommaire Table of contents vi List of figures viii List of tables ix Abbreviations 1 General Introduction 2 1 Cellular Automata and its Applications in Image Processing 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 Fundamentals of Cellular Automata . . . . . . . . . . . . . . . . . . . . 4 1.2.1 Definition of Cellular Automata . . . . . . . . . . . . . . . . . . 4 1.2.2 Basic Components of CA (Cells, State, Neighborhood, Transition Rules) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.3 Concept of Cellular Automata . . . . . . . . . . . . . . . . . . . 6 1.2.4 Rule Description of 1D CA: . . . . . . . . . . . . . . . . . . . . 7 1.2.5 Rule Description of 2D CA: . . . . . . . . . . . . . . . . . . . . 7 1.2.6 Types of Cellular Automata: . . . . . . . . . . . . . . . . . . . . 8 1.3 Cellular Automata in Image Processing: . . . . . . . . . . . . . . . . . 9 1.3.1 Advantages of Using CA in Image Processing: . . . . . . . . . . 12 1.3.2 Related Works . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.3.3 combining CA and PSO for Edge Detection: . . . . . . . . . . . 13 1.3.4 Training Cellular Automata for Image Edge Detection: . . . . . 13 1.3.5 Salt and Pepper Noise Reduction using Cellular Automata: . . . 14 1.3.6 An Effective Image Noise Filtering Algorithm Using Cellular Automata: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.3.7 Detection of Tumor Cells in Brain using Cellular Automata with Image Segmentation and Edge Detection: . . . . . . . . . . . . . 15 1.4 Challenges and Future Directions . . . . . . . . . . . . . . . . . . . . . 16 1.4.1 Limitations of Current CA Models in Image Processing: . . . . . 16 1.4.2 Future Research Opportunities . . . . . . . . . . . . . . . . . . 17 1.4.3 Potential Impact of Emerging Technologies . . . . . . . . . . . . 17 1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2 Optimization with Metaheuristics 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Definition of Metaheuristic . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3 Classification of metaheuristics . . . . . . . . . . . . . . . . . . . . . . 20 2.4 Analysis of metaheuristics . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4.1 Exploitation and exploration . . . . . . . . . . . . . . . . . . . . 22 2.4.2 General methods and specific methods . . . . . . . . . . . . . . 22 2.5 Types of metaheuristics . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.6 Optimal Path ACO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.6.1 Ant Colony Opimization Algorithm . . . . . . . . . . . . . . . . 27 2.6.2 The principe of Ant colony optimization . . . . . . . . . . . . . 28 2.6.3 Applications of Ant colony optimization . . . . . . . . . . . . . 30 2.7 Applications Ant Colony optimization in image processing . . . . . . . 31 2.7.1 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.7.2 Image Compression . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.7.3 Edge Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.7.4 Edge Linking . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.8 Advantages and Disadvantages of (ACO) . . . . . . . . . . . . . . . . . 33 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3 Implementation and Results 34 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2 Experiment environment . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.3 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4 The Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.4.1 Root Mean Square Error (RMSE) . . . . . . . . . . . . . . . . . 37 3.4.2 Peak Signal-to-Noise Ratio (PSNR) . . . . . . . . . . . . . . . . 38 3.4.3 The Structural Similarity Index (SSIM) . . . . . . . . . . . . . . 40 3.5 Cellular automata Implementation . . . . . . . . . . . . . . . . . . . . 41 3.5.1 Conceptual Understanding . . . . . . . . . . . . . . . . . . . . . 42 3.6 ACO implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 3.6.1 ACO Initialization . . . . . . . . . . . . . . . . . . . . . . . . . 43 3.6.2 ACO Run Method: . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.6.3 Populating the Final Image Based on Pheromones . . . . . . . . 45 3.7 RESULTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.7.1 Visual comparison . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.7.2 Comparison of Benchmark Metrics . . . . . . . . . . . . . . . . 47 3.7.3 Explication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 General Conclusion 58 Bibliography 60
Côte titre :	MAI/0922

Combining Cellular Automata and Ant Colony Optimization for Image Processing [texte imprimé] / Yahia Messaoui, Auteur ; Salah Eddine Guerra ; Safia Djemame, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (63 f .) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Cellular Automata(CA) Ant Colony Optimization (ACO) Image processing Edge detection Neighborhood
Index. décimale :	004 - Informatique
Résumé :	Cellular Automata, a mathematical model consisting of a network of cells that evolve over time according to state-dependent rules of neighboring cells, are used to simulate complex systems and have found applications in image processing for tasks such as texture recognition and noise reduction. On the other hand, Ant Colony Optimization, inspired by the foraging behavior of ants, is an effective algorithm for solving optimization problems and is particularly suitable for image segmentation and edge detection.
Note de contenu :	Sommaire Table of contents vi List of figures viii List of tables ix Abbreviations 1 General Introduction 2 1 Cellular Automata and its Applications in Image Processing 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 Fundamentals of Cellular Automata . . . . . . . . . . . . . . . . . . . . 4 1.2.1 Definition of Cellular Automata . . . . . . . . . . . . . . . . . . 4 1.2.2 Basic Components of CA (Cells, State, Neighborhood, Transition Rules) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.3 Concept of Cellular Automata . . . . . . . . . . . . . . . . . . . 6 1.2.4 Rule Description of 1D CA: . . . . . . . . . . . . . . . . . . . . 7 1.2.5 Rule Description of 2D CA: . . . . . . . . . . . . . . . . . . . . 7 1.2.6 Types of Cellular Automata: . . . . . . . . . . . . . . . . . . . . 8 1.3 Cellular Automata in Image Processing: . . . . . . . . . . . . . . . . . 9 1.3.1 Advantages of Using CA in Image Processing: . . . . . . . . . . 12 1.3.2 Related Works . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.3.3 combining CA and PSO for Edge Detection: . . . . . . . . . . . 13 1.3.4 Training Cellular Automata for Image Edge Detection: . . . . . 13 1.3.5 Salt and Pepper Noise Reduction using Cellular Automata: . . . 14 1.3.6 An Effective Image Noise Filtering Algorithm Using Cellular Automata: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.3.7 Detection of Tumor Cells in Brain using Cellular Automata with Image Segmentation and Edge Detection: . . . . . . . . . . . . . 15 1.4 Challenges and Future Directions . . . . . . . . . . . . . . . . . . . . . 16 1.4.1 Limitations of Current CA Models in Image Processing: . . . . . 16 1.4.2 Future Research Opportunities . . . . . . . . . . . . . . . . . . 17 1.4.3 Potential Impact of Emerging Technologies . . . . . . . . . . . . 17 1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2 Optimization with Metaheuristics 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Definition of Metaheuristic . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3 Classification of metaheuristics . . . . . . . . . . . . . . . . . . . . . . 20 2.4 Analysis of metaheuristics . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4.1 Exploitation and exploration . . . . . . . . . . . . . . . . . . . . 22 2.4.2 General methods and specific methods . . . . . . . . . . . . . . 22 2.5 Types of metaheuristics . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.6 Optimal Path ACO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.6.1 Ant Colony Opimization Algorithm . . . . . . . . . . . . . . . . 27 2.6.2 The principe of Ant colony optimization . . . . . . . . . . . . . 28 2.6.3 Applications of Ant colony optimization . . . . . . . . . . . . . 30 2.7 Applications Ant Colony optimization in image processing . . . . . . . 31 2.7.1 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.7.2 Image Compression . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.7.3 Edge Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.7.4 Edge Linking . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.8 Advantages and Disadvantages of (ACO) . . . . . . . . . . . . . . . . . 33 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3 Implementation and Results 34 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2 Experiment environment . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.3 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4 The Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.4.1 Root Mean Square Error (RMSE) . . . . . . . . . . . . . . . . . 37 3.4.2 Peak Signal-to-Noise Ratio (PSNR) . . . . . . . . . . . . . . . . 38 3.4.3 The Structural Similarity Index (SSIM) . . . . . . . . . . . . . . 40 3.5 Cellular automata Implementation . . . . . . . . . . . . . . . . . . . . 41 3.5.1 Conceptual Understanding . . . . . . . . . . . . . . . . . . . . . 42 3.6 ACO implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 3.6.1 ACO Initialization . . . . . . . . . . . . . . . . . . . . . . . . . 43 3.6.2 ACO Run Method: . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.6.3 Populating the Final Image Based on Pheromones . . . . . . . . 45 3.7 RESULTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.7.1 Visual comparison . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.7.2 Comparison of Benchmark Metrics . . . . . . . . . . . . . . . . 47 3.7.3 Explication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 General Conclusion 58 Bibliography 60
Côte titre :	MAI/0922