NGHIÊN cứu lập TRÌNH TIẾN hóa áp DỤNG CHO bài TOÁN KHÔI PHỤC ẢNH

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA KỸ THUẬT PHẦN MỀM KHĨA LUẬN TỐT NGHIỆP NGHIÊN CỨU LẬP TRÌNH TIẾN HĨA ÁP DỤNG CHO BÀI TỐN KHƠI PHỤC ẢNH STUDYING EVOLUTIONARY PROGRAMMING APPLIED TO IMAGE RECOVERY PROBLEMS Giảng viên hƣớng dẫn: TS NGÔ THANH HÙNG Sinh viên thực hiện: TRẦN ĐÌNH PHÚ Lớp : CNPM01 Khóa : 01 Thành Phố Hồ Chí Minh, tháng 04 năm 2011 ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƢỜNG ĐẠI HỌC CƠNG NGHỆ THƠNG TIN KHOA KỸ THUẬT PHẦN MỀM KHĨA LUẬN TỐT NGHIỆP NGHIÊN CỨU LẬP TRÌNH TIẾN HĨA ÁP DỤNG CHO BÀI TỐN KHƠI PHỤC ẢNH STUDYING EVOLUTIONARY PROGRAMMING APPLIED TO IMAGE RECOVERY PROBLEMS Giảng viên hƣớng dẫn: TS NGÔ THANH HÙNG Sinh viên thực hiện: TRẦN ĐÌNH PHÚ Lớp : CNPM01 Khóa : 01 Thành Phố Hồ Chí Minh, tháng 04 năm 2011 ABSTRACT As we know Natural Evolutionary is the best completely process, most reasonable and the optimal nature Natural evolution demonstrates the optimization in place, the next generation is always better, more developed, more fully than previous generations Natural evolution is maintained by two basic processes: reproduction and natural selection Like the natural evolution, the evolutionary programming (proposed by D.B Fogel) has used the search algorithms and optimization based on the principle of natural evolution: the individual does more developed, more adapted to the environment will survive, the others cannot adapt to the environment will be eliminated Evolutionary programming imitate four basic processes in nature: crossover, mutation, reproduction and natural selection to create the best individual have a higher adaptability of our parents Evolutionary programming is applied extensively in the field of artificial intelligence, machine learning, data exploiting, image processing,… And recently it has been combined with fuzzy logic and fuzzy set to applications in the field clustering and restore images and have achieved satisfactory results The topic "Studying evolutionary programming applied to image recovery problems" is the subject of initial research on the evolutionary programming combined with Dunn's fuzzy c-means approach to application to image processing specifically the clustering and restore images at once problem and the subject has gotten the certain results in the clustering and restore corrupted photographs LỜI MỞ ĐẦU Lập trình tiến hóa (Evolutionary Programming - EP) ba nhánh Thuật tốn tiến hóa (Evolutionary Algorithm - EA) Ba nhánh EA gồm: Lập trình tiến hóa (Evolutionary Programming - EP) - đề xuất D.B Fogel Thuật toán di truyền (Genetic Algorithms - GA) - đề xuất D.E Goldberg, sau L Davis Z Michalevicz phát triển Chiến lược tiến hóa (Evolutionary Strategies - ES) - đề xuất T Baeck, F.H Hofmeister H.P Schwefel Cũng hai nhánh lại Thuật tốn tiến hóa (EA), Lập trình tiến hóa (EP) sử dụng thuật tốn tìm kiếm tối ưu hóa dựa nguyên lý tiến hóa tự nhiên: cá thể phát triển hơn, thích nghi với mơi trường tồn tại, cá thể khơng thích ứng với mơi trường bị đào thải Lập trình tiến hóa (EP) mơ bốn q trình tự nhiên là: lai tạo, đột biến, sinh sản chọn lọc tự nhiên để tạo cá thể tốt có độ thích nghi cao bố mẹ chúng Lập trình tiến hóa (EP) ứng dụng nhiều lĩnh vực trí tuệ nhân tạo, máy học, khai thác liệu, xử lý ảnh, Và gần người ta kết hợp EP với Logic mờ Tập mờ để ứng dụng vào lĩnh vực phân nhóm phục hồi ảnh đạt kết khả quan Mục tiêu luận văn bước nghiên cứu ứng dụng lập trình tiến hóa mờ vào việc xử lý ảnh Cụ thể ứng dụng phân nhóm phục hồi ảnh lúc Bài toán phát biểu sau: có n ảnh c đối tượng bị hỏng cách ngẫu nhiên, tìm cách phục hồi lại n ảnh phân ảnh thành c nhóm riêng biệt Để đạt mục tiêu trên, luận văn bước trình bày vấn đề nghiên cứu sau: - Lý thuyết Lập trình tiến hóa (EP), Logic mờ Phân nhóm tiến hóa - Lý thuyết biểu diễn xử lý ảnh số - Nghiên cứu thuật toán phục hồi ảnh dựa thuật tốn Phân nhóm tiến hóa mờ - Cài đặt khảo sát thực nghiệm hiệu thuật toán phục hồi ảnh dựa thuật toán phân nhóm tiến hóa mờ Do tính chất tương tự Lập trình tiến hóa (EP) Thuật tốn di truyền (GA) nên luận văn xin trình bày song song hai vấn đề lúc để thấy điểm giống khác chúng Còn Chiến lược tiến hóa (ES) xin khơng đề cập đến thời gian tìm hiểu có hạn Luận văn trình bày chương: Chƣơng 1: Trình bày tổng quan Thuật tốn di truyền (GA) Lập trình tiến hóa (EP) Chƣơng 2: Trình bày tổng quan khái niệm Lý thuyết Tập mờ Logic mờ Chƣơng 3: Trình bày ứng dụng Lập trình tiến hóa mờ vào việc phân nhóm phục hồi ảnh số Chƣơng 4: Gồm số kết thử nghiệm việc phân nhóm phục hồi ảnh hỏng Chƣơng 5: Kết luận, tổng kết đánh giá kết nghiên cứu hướng phát triển đề tài LỜI CẢM ƠN Xin chân thành cảm ơn Ban Chủ Nhiệm quý Thầy Cô khoa Kỹ Thuật Phần Mềm trường Đại Học Công Nghệ Thông Tin Đồng thời xin gửi lời cảm ơn đến Thầy hướng dẫn đề tài TS Ngô Thanh Hùng nhiệt tình giảng dạy, cung cấp tài liệu, hướng dẫn, góp ý tạo điều kiện thuận lợi mặt để hoàn thành luận văn tốt nghiệp Thành Phố Hồ Chí Minh, tháng 04 năm 2011 Trần Đình Phú NHẬN XÉT (Của giảng viên hƣớng dẫn) NHẬN XÉT (Của giảng viên phản biện) MỤC LỤC Trang Trang phụ bìa Abstract Lời mở đầu Lời cảm ơn Nhận xét giảng viên hướng dẫn Nhận xét giảng viên phản biện Mục lục Danh mục bảng biểu, sơ đồ, hình Định nghĩa số thuật ngữ có liên quan Chƣơng – TỔNG QUAN VỀ GA VÀ EP 1.1 TỔNG QUAN 1.2 TỔNG QUAN VỀ GA .1 1.3 TỔNG QUAN VỀ EP .3 1.4 CÁC THÀNH PHẦN CƠ BẢN CỦA GA VÀ EP 1.4.1 Dạng nhị phân 1.4.1.1 Mã hóa giải mã 1.4.1.2 Khởi tạo quần thể ban đầu 1.4.1.3 Phép chọn lọc 1.4.1.4 Phép lai tạo 10 1.4.1.5 Phép đột biến .12 1.4.1.6 Các hệ 13 1.4.1.7 Sự hội tụ 16 1.4.2 Dạng liên tục 17 1.4.2.1 Mã hóa tham số hàm fitness 17 1.4.2.2 Khởi tạo quần thể ban đầu 18 1.4.2.3 Phép chọn lọc 18 1.4.2.4 Phép lai tạo 20 1.4.2.5 Phép đột biến .21 1.4.2.6 Sự hội tụ 22 Chƣơng – LÝ THUYẾT TẬP MỜ VÀ LOGIC MỜ 2.1 GIỚI THIỆU 25 2.2 KHÁI NIỆM TẬP MỜ 26 2.3 CÁC PHÉP TOÁN CƠ BẢN VỀ TẬP MỜ 27 2.3.1 Phép bù 27 2.3.2 Phép giao 28 2.3.3 Phép hợp 29 2.4 LOGIC MỜ 31 2.4.1 Định nghĩa mệnh đề mờ 31 2.4.2 Các phép toán logic mờ .31 Chƣơng – PHÂN NHÓM VÀ PHỤC HỒI ẢNH SỐ 3.1 GIỚI THIỆU ẢNH SỐ 33 3.1.1 Biểu diễn ảnh số .34 3.1.2 Biểu diễn màu sắc 34 3.1.3 Không gian màu sắc .35 3.1.4 Các định dạng ảnh 37 3.1.5 Phương pháp xử lí ảnh số .38 3.2 PHÂN NHÓM VÀ PHỤC HỒI ẢNH SỐ .39 3.2.1 Giới thiệu 39 3.2.2 Thuật toán phân nhóm tiến hóa mờ 40 3.2.3 Áp dụng thuật tốn phân nhóm tiến hóa mờ vào việc phục hồi ảnh 41 3.2.3.1 Phát biểu toán 41 45 Kết thử nghiệm cho Hình 3.8 cho thấy hội tụ giá trị fitness Hình 3.9 cho thấy hai tâm cuối O1 O2 hai nhóm, hai ảnh phục hồi Và Bảng 3.1 cho thấy giá trị cuối µij hội tụ Cũng từ bảng quan sát thấy tất ảnh Hình 3.7 nhận dạng hoàn toàn 3.2.3.4 Kết luận Phương pháp Lập trình tiến hóa mờ tỏ có hiệu việc phân nhóm phục hồi ảnh hỏng Thực nghiệm cho thấy ảnh bị hỏng nhiều, có số phần trăm pixel bị hỏng cao nhận dạng xác phục hồi thành cơng ảnh gốc 3.3 CÀI ĐẶT CHƢƠNG TRÌNH 3.3.1 Giới thiệu chƣơng trình Chương trình có tên “Restore Image Using EP” viết ngôn ngữ C# NET framework 3.5 phát triển công cụ Visual Studio 2008 SP1 Chương trình có chức sau: - Input: 20 ảnh hỏng 128 x 128 pixels đối tượng, đối tượng gồm 10 ảnh hỏng - Output: ảnh phục hồi - Ghi nhận lại thông số như: giá trị max, min, trung bình fitness, giá trị µij hệ cháu - Sau người dùng chọn liệu đầu vào (Input), chương trình chạy tự động để xuất ảnh phục hồi (Output) Hoặc chương trình chạy bước bước để người dùng tiện theo dõi 3.3.2 Cấu trúc chƣơng trình Chƣơng trình gồm số lớp nhƣ: - ClassRdGdBd.cs, ClassBitmapd.cs: hai lớp mơ lại lớp System.Drawing.Bitmap chúng có khả lưu trữ điểm ảnh có giá trị double GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 46 - ClassObjects.cs: lưu trữ thuộc tính đối tượng quần thể fitness, µij, tâm O - MainForm.cs: lớp điều khiển hoạt động chương trình từ giao diện, kiện (event), phương thức (method), khởi tạo đối tượng, liệu đầu vào, ra, … Một số hàm lớp MainForm.cs: - ToRdGdBd(X, Xtemp): chuyển đổi không gian màu vector X từ không gian màu RGB sang không gian màu RdBdGd lưu vào vector Xtemp - GeneratePopulation(): khởi tạo quần thể ban đầu gồm cá thể (µij) phát sinh ngẫu nhiên đoạn [0, 1] - ComputeO(U): tính giá trị tâm O quần thể U Hàm cài đặt công thức: Oi k = ( - k ij k Xj) / ij ComputeFitness(U): tính giá trị fitness (f) cá thể quần thể U Hàm cài đặt công thức: k fk = - ij ||Oik – Xj||2 Compute_u_new(): phát sinh cháu (µijm+k) cho hệ Hàm cài đặt cơng thức: µijm+k = µijk S= - , k hj ComputeO(Unew): tính giá trị tâm O quần thể Unew Hàm tương tự hàm ComputeO(U) - ComputeFitness(Unew): tính giá trị fitness cá thể quần thể Unew Hàm tương tự hàm ComputeFitness(U) - ArrangeFitness(): Sắp xếp lại giá trị fitness U Unew Đồng thời chọn lựa cá thể có giá trị fitness tốt để thay cho U - ToGRB(): chuyển không gian màu từ RdGdBd sang RGB GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 47 - OutputOcenter(): xuất ảnh phục hồi Sơ đồ hoạt động chƣơng trình: Input X ToRdGdBd Xtemp (1) GeneratePopulation U: Xtemp, µij (2) ComputeO(U) U: O, Xtemp, µij (3) ComputeFitness(U) U: O, Xtemp, µij (4) Compute_u_new Unew: Xtemp, µij_new (5) ComputeO(Unew) Unew: Onew, Xtemp, µij_new (6) ComputeFitness(Unew) Unew: Onew, Xtemp, µij_new (7) ArrangeFitness U = Ubest Hội tụ? Obest ToRGB Output Sơ đồ 3.3: Sơ đồ hoạt động chương trình GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 48 Sơ đồ hoạt động chương trình gồm có bước sau: (1): Khởi tạo ngẫu nhiên quần thể cha mẹ ban đầu (3): Đánh giá độ thích nghi cá thể (4): Phát sinh quần thể cháu (6): Đánh giá độ thích nghi cá thể quần thể cháu (7): Chọn cá thể tốt quần thể cha mẹ cháu Sau thay quần thể cha mẹ cá thể (2), (5): Đây bước phân nhóm cá thể Theo sơ đồ ta thấy bước hoạt động chương trình tương tự bước sơ đồ tổng quát EP (Xem Sơ đồ 1.2: Sơ đồ tổng quát EP – Trang 4) 3.3.3 Kết cài đặt chƣơng trình Chương trình sau cài đặt xong có số thơng tin sau: - Số dòng code cài đặt: 800 dòng - Dung dượng file thực thi: 360 KB - Dung lượng nhớ: vừa khởi động 84 MB, sau load ảnh Input 95 MB, hoạt động 100 - 102 MB, sau chạy xong 100 MB - Thời gian chạy: tùy thuộc vào vi xử lý lượng ảnh đầu vào Thử nghiệm vi xử lý Intel P4 2.8 GHz lượng ảnh đầu vào 20 ảnh 128 x 128 pixels thời gian chạy từ lúc load ảnh Input đến lúc xuất ảnh Output khoảng phút Một số lưu ý thực thi chương trình: - Chương trình phục hồi ảnh gốc, với ảnh gốc phải có 10 bị hỏng, có kích thước 128 x 128 pixels - Trong lúc thực thi, chương trình bị “treo giao diện” có tác nhân chiếm giữ hết CPU CPU không đủ để đáp ứng cho chương trình người dùng di chuyển cửa sổ làm việc chương trình Mặc dù GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 49 bị “treo giao diện” chương trình chạy ngầm bên tượng treo hết chương trình chạy xong - Chương trình chạy trực tiếp file thực thi mà không cần cài đặt, yêu cầu máy phải có sẵn NET framework GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 50 CHƢƠNG THỬ NGHIỆM PHÂN NHÓM VÀ PHỤC HỒI ẢNH 4.1 THỬ NGHIỆM 4.1 Đầu tiên ta có ảnh gốc sau: Hình 4.1: ảnh gốc Với ảnh gốc ta làm hỏng sau: phát sinh ngẫu nhiên 80% điểm trắng tổng số điểm ảnh ảnh gốc – Hình 4.2 Hình 4.2: 20 ảnh bị hỏng khoảng 80% GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 51 Kết sau áp dụng thuật toán Phân nhóm tiến hóa mờ: 1.000000 0.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 1.000000 0.000000 1.000000 1.000000 µ1j 1.000000 0.000000 0.000000 1.000000 µ2j 0.000000 1.000000 1.000000 0.000000 0.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 1.000000 1.000000 0.000000 0.000000 1.000000 0.000000 1.000000 1.000000 0.000000 Bảng 4.1: Các ảnh nhận dạng hoàn toàn 105000 99956 100000 95000 89220 90000 85000 78771 80000 74429 74418 74418 74418 75000 70000 65000 Hình 4.3: Sự hội tụ giá trị trung bình fitness qua hệ Hình 4.4: Ảnh phục hồi GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 52 Nhận xét: Ảnh sau phục hồi mờ so với ảnh gốc rõ nhiều so với ảnh hỏng Bảng 4.1 cho thấy ảnh nhận dạng xác 4.2 THỬ NGHIỆM 4.2 Ta có ảnh gốc đối tượng gần giống sau: Hình 4.5: ảnh gốc đối tượng gần giống Với ảnh gốc ta làm hỏng đường gạch ngang, dọc, chéo màu trắng Số đường gạch chiếm khoảng 40% tổng số pixel ảnh gốc – Hình 4.6 Hình 4.6: 20 ảnh bị hỏng đường gạch khoảng 40% đối tượng gần giống GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 53 Kết quả: 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 1.000000 0.000000 1.000000 1.000000 0.000000 1.000000 µ1j 1.000000 0.000000 1.000000 1.000000 µ2j 0.000000 1.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 1.000000 0.000000 0.000000 1.000000 1.000000 0.000000 1.000000 1.000000 0.000000 1.000000 1.000000 0.000000 Bảng 4.2: Các ảnh nhận dạng hoàn toàn 90000 83962 85000 80000 72458 75000 70000 65000 60747 59989 59989 59989 59989 60000 55000 50000 Hình 4.7: Sự hội tụ giá trị trung bình fitness qua hệ Hình 4.8: Ảnh phục hồi GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 54 4.3 THỬ NGHIỆM 4.3 Ta có ảnh gốc đối tượng có tơng màu giống nhau: Hình 4.9: ảnh gốc có tơng màu giống Với ảnh gốc ta làm hỏng sau: ảnh làm hỏng chấm trắng phát sinh ngẫu nhiên khoảng 40% tổng số pixel ảnh, ảnh lại làm hỏng đường gạch màu trắng khoảng 40% – Hình 4.10 Hình 4.10: 20 ảnh bị hỏng đường gạch điểm chấm khoảng 40% đối tượng có màu giống GVHD: TS NGÔ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 55 Kết quả: 1.000000 1.000000 0.000000 1.000000 0.000000 1.000000 1.000000 1.000000 0.000000 0.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 µ1j 1.000000 0.000000 0.000000 0.000000 µ2j 0.000000 1.000000 1.000000 1.000000 0.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 1.000000 0.000000 1.000000 1.000000 1.000000 Bảng 4.3: Các ảnh nhận dạng hoàn toàn 55000 50295 50000 44761 45000 40000 36572 35176 35176 35176 35176 35000 30000 Hình 4.11: Sự hội tụ giá trị trung bình fitness qua hệ Hình 4.12: Ảnh phục hồi GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 56 4.4 THỬ NGHIỆM 4.4 Ta có ảnh gốc sau: Hình 4.13: ảnh gốc Với ảnh gốc ta làm hỏng điểm màu ngẫu nhiên phát sinh ngẫu nhiên khoảng 40% tổng số điểm ảnh ảnh – Hình 4.14 Hình 4.14: 20 ảnh bị hỏng màu sắc ngẫu nhiên khoảng 40% GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 57 Kết sau: 0.000000 1.000000 1.000000 0.000000 1.000000 0.000000 1.000000 0.000000 1.000000 0.000000 0.000000 1.000000 0.000000 1.000000 0.000000 1.000000 µ1j 1.000000 1.000000 0.000000 1.000000 µ2j 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 1.000000 0.000000 1.000000 1.000000 0.000000 0.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 1.000000 1.000000 Bảng 4.4: Các ảnh nhận dạng hoàn toàn 70000 67174 65000 60000 56891 55000 50000 46356 46031 46031 46031 46031 45000 40000 Hình 4.15: Sự hội tụ giá trị trung bình fitness qua hệ Hình 4.16: Ảnh phục hồi GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 58 CHƢƠNG KẾT LUẬN 5.1 KẾT LUẬN Đề tài “Nghiên cứu lập trình tiến hóa áp dụng cho tốn khôi phục ảnh” đề tài bước đầu nghiên cứu ứng dụng lập trình tiến hóa mờ vào việc xử lý ảnh mà cụ thể ứng dụng phân nhóm phục hồi ảnh lúc Trong trình thực đề tài thu số kết sau: - Tìm hiểu Thuật tốn di truyền, Lập trình tiến hóa, Logic mờ tập mờ - Tìm hiểu cách biểu diễn ảnh số, biểu diễn màu sắc phương pháp xử lý ảnh số - Cài đặt thành cơng thuật tốn Phân nhóm tiến hóa mờ áp dụng việc phân nhóm phục hồi ảnh - Khảo sát thực nghiệm hiệu chương trình phục hồi ảnh ứng dụng thuật tốn Phân nhóm tiến hóa mờ Qua nhiều lần khảo sát thực nghiệm tính hiệu chương trình phục hồi ảnh, có vài nhận xét sau: - Về ưu điểm: chương trình có khả phục hồi nhiều loại ảnh hỏng khác (như ảnh bị đốm trắng, đốm màu, đường sọc trắng, sọc màu) mức độ hư hỏng khác Thực nghiệm cho thấy ảnh bị hỏng nhiều (có số phần trăm pixel bị hỏng cao từ 40% -> 80%) nhận dạng xác phục hồi thành cơng ảnh gốc - Về nhược điểm: chương trình phục hồi 20 ảnh hỏng đối tượng, đối tượng gồm 10 ảnh hỏng Và ảnh hỏng phải có kích thước 128 x 128 pixels 5.2 HƢỚNG PHÁT TRIỂN CỦA ĐỀ TÀI Nghiên cứu cài đặt chương trình phục hồi ảnh hỏng có kích thước lớn (hoặc khơng phụ thuộc vào kích thước) nhiều đối tượng Đồng thời khảo sát thêm nhiều loại hư hỏng phức tạp GVHD: TS NGÔ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ 59 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Lập trình tiến hóa, Nguyễn Đình Thúc, Nhà xuất giáo dục [2] Nhập mơn xử lí ảnh số, Tập thể tác giả, Nhà xuất khoa học kỹ thuật, Hà Nội, 1999 Tiếng Anh [3] Color Image Denoising Using Evolutionary Computation, Rastislav Lukac, Konstantinos N Plataniotis, Anastasios N Venetsanopoulos, Multimedia Laboratory, The Edward S Rogers Sr Department of Electrical and Computer Engineering, University of Toronto, Toronto, ON, Canada, 2005 [4] Fundamentals of Image Processing, Hany Farid, http://www.cs.dartmouth.edu/~farid [5] Fuzzy Evolutionary Programming For Image Processing, T V Le, Faculty of Information Sciences & Engineering, University of Canberra, PO Box 1, Belconnen, ACT 2616, Australia [6] Genetic and Evolutionary Computation for Image Processing and Analysis, Stefano Cagnoni, Evelyne Lutton, and Gustavo Olague, Hindawi Publishing Corporation, 2007 [7] Image Processing, Analysis, and Machine Vision, International Student Edition, Milan Sonka, Vaclav Hlavac, Roger Boyle, Thomson Learning, part of the Thomson Corporation, 2008 GVHD: TS NGƠ THANH HÙNG SVTH: TRẦN ĐÌNH PHÚ ... luận văn bước trình bày vấn đề nghiên cứu sau: - Lý thuyết Lập trình tiến hóa (EP), Logic mờ Phân nhóm tiến hóa - Lý thuyết biểu diễn xử lý ảnh số - Nghiên cứu thuật toán phục hồi ảnh dựa thuật... truyền (GA) Lập trình tiến hóa (EP) Chƣơng 2: Trình bày tổng quan khái niệm Lý thuyết Tập mờ Logic mờ Chƣơng 3: Trình bày ứng dụng Lập trình tiến hóa mờ vào việc phân nhóm phục hồi ảnh số Chƣơng... HỌC CÔNG NGHỆ THÔNG TIN KHOA KỸ THUẬT PHẦN MỀM KHĨA LUẬN TỐT NGHIỆP NGHIÊN CỨU LẬP TRÌNH TIẾN HĨA ÁP DỤNG CHO BÀI TỐN KHƠI PHỤC ẢNH STUDYING EVOLUTIONARY PROGRAMMING APPLIED TO IMAGE RECOVERY PROBLEMS