بخشی از مقاله
چکیده
یکی از موضوعات مهم مورد بحث در پردازش تصویر، لبه یابی تصاویر است. پردازش تصویر دیجیتال به طور فزاینده نقش مهمی در تصویربرداری مبتنی بر سیستم نظارت شعله بازی میکند. گام مهم در پردازش تصویر شعله تشخیص لبه شعله میباشد. روش های زیادی برای لبه یابی در تصاویر ارائه شده است، این روش ها اکثراً بر اساس مشتق گیری از تصاویر عمل می کنند. ولی این روش ها مشکلاتی از جمله حساسیت به نویز و حجم زیاد محاسبات را دارند. تعیین لبه شعله مقدمهای برای پردازش تصویر شعله و اندازه گیری پارامترهای شعله میباشد. چند روش تشخیص لبه شناخته شده برای تشخیص لبه شعله آزمایش شده است که نتایج ناامید کننده میباشد. با توجه به نتایج کارهای اخیر در تجزیه و تحلیل
ویژگی های تصاویر شعله، روش جدیدی برای تشخیص لبه شعله توسعه داده شده است، که می تواند لبه شعله را به صورت کارآمد شناسایی کند. در این روش از فیلتر فازی برای حذف نویز استفاده شده است که با توجه به قوانین فازی، از ماسک 2 × 2 که شامل شانزده قوانین فازی میباشد، استفاده میشود که با استفاده از تغییر مقادیر عضویت، تصویر را در سه مجموعه فازی، سیاه، سفید و یا لبه فیلتر میکند و به عنوان ورودی به الگوریتم پیشنهادی میدهد.
کلمات کلیدی : آشکارسازی لبه، پردازش تصویر، تصویر شعله، قواعد بکارگیری فازی.
-1مقدمه
تشخیص لبه یکی از مراحل مهم در پردازش تصویر شعله است. دلایل متعددی وجود دارد که چرا شناسایی لبه شعله ضروری میباشد. نخست، لبه شعله تعیین منطقه یک شعله است. دوم، استفاده از لبه شعله می تواند میزان پردازش داده ها و فیلتر کردن ناخواسته اطلاعات، مانند نویز در پس زمینه تصویر را کاهش دهد. به عبارت دیگر، تشخیص لبه می تواند در حفظ خواص ساختاری شعله و در عین حال کوتاه شدن زمان پردازش کمک کند.
اکثر روشهای رایج آشکارسازی لبه، روشهای ابتکاری هستند که مبنای ریاضی استواری ندارند. کنی[4]یک رهیافت محاسباتی برای آشکارسازی لبه ایدهآل، بیان کرد، که شامل "آشکارسازی خوب، مکان یابی مناسب و پاسخ منفرد برای یک لبه" بود. در روش کنی برای آشکارسازی لبه پله ایده آل ابتدا تصویر ورودی با یک فیلتر گاوسی با انحراف معیار مشخص هموار شده و تصویر حاصل با مشتق فیلتر گاوسی در دو جهت افقی و عمودی کانوالو می شود. سپس با توجه به اطلاعات اندازه و زاویه به دست آمده و استفاده از الگوریتم حذف نقاط غیر ماکزیمم و آستانه گیری دو سطحی(هیسترزیس) لبه ها آشکار می شود. علی رغم این که امروزه روش کنی یکی از پرکاربردترین روش های آشکارسازی لبه است، نیاز آن به تنظیم یا تعیین پارامترهای ورودی (به ویژه عرضی میدان دریافت) از جمله مشکلات این روش است. چنانچه مقدار انحراف معیار مربوط به تابع گوسی (عرضی میدان دریافت) بزرگتر انتخاب شود، لبه های مربوط به ساختارهای ریز از بین میرود؛ در مقابل چنانچه عرضی میدان دریافت کوچکتر انتخاب شود، اثر بیشتری از نویز به خروجی منتقل خواهد شد. در سالهای گذشته، مسأله آشکارسازی لبه همواره مورد توجه محققان بوده و با وجود کارهای زیاد انجام شده در این زمینه، تا کنون راه حل مناسب و جامعی برای آشکارسازی دقیق لبه های تصویر بدون توجه به مقیاس یا شکل لبه ارائه نشده است .[3] همچنین، در سالهای اخیر انواع روش های هوشمند آشکارسازی لبه نیز بررسی شده اند. استفاده از اتوماتای سلولی فازی (5]، آشکارسازی فازی رقابتی[6]، استفاده از سیستمهای فازی نوع دوم [7]، استفاده از سیستم فازی - عصبی [8]، تبدیل موجک چند مقیاسی [9]، مشتقات بولین [10] و الگوریتم جستجوی مورچگان [11] از جمله روشهای مبتنی بر هوش مصنوعی برای آشکارسازی لبه است. علیرغم اینکه روشهای هوشمند آشکارسازی لبه کارایی قابل قبولی برای آشکارسازی لبه از خود نشان داده اند٬ عیب این روش ها این است که نقشه لبه به دست آمده در بیشتر موارد ضخیم است٬ نقاط لبه به دقت مکان یابی نمی شوند و به علاوه هزینه محاسباتی زیادی نیاز دارند که استفاده از آنها را در کاربردهای صنعتی با محدودیت مواجه میسازد. به طور کلی٬ اینکه چند نوع لبه مختلف را می توان آشکار کرد و چگونه باید یک لبه خاصی را تشخیص داد٬ همچنان موضوعات چالش برانگیزی هستند [12]
-2 الگوریتم جدید لبه یابی برای پردازش تصاویر آتش و شعله
به طور کلی ناحیه شعله شدت روشنایی بیشتری نسبت به پس زمینه اطرافش دارد و مرز بین ناحیه شعله و پس زمینه آن اغلب ممتد و به هم پیوسته است. به علاوه اینکه در بسیاری از موارد تنها یک شعله اصلی در تصویر وجود دارد؛ در غیر این صورت می توان تصویر را طوری قطعه بندی کرد که هر قطعه ان تنها شامل یک شعله اصلی باشد. بر این اساس یک تاگوریتم محاسبه کننده ارائه می شود. استراتژی پایه این است که لبه های زبر و خشن و زائد در تصویر شعله یافت شده و سپس لبه های اصلی شناسایی شوند و لبه های نامربوط حذف گردند. این الگوریتم می تواند به گام های منطقی زیر تقسیم شود:
گام :1 تنظیم سطوح خاکستری تصویر شعله
اولین گام تنظیم سطح خاکستری تصویر شعله بر اساس توزیع آماری آن است. تصویر grayscale گسسته x را در نظر بگیرید و فرض کنید ni تعداد رخداد سطح خاکستری i در تصویر باشد، انگاه احتمال رخداد یک پیکسل با سطح خاکستری i در تصویر برابر است با:
که در این عبارت L تعداد کل سطوح خاکستری تصویر و n تعداد کل پیکسل های تصویر است، و Px(i) هیستوگرام پیکسل هایی با سطح خاکستری i است که به بازه [0,1] نرمالیزه شده اند. همچنین تابع توزیع تجمعی (CDF) مربوط به Px را می توان به صورت زیر تعریف کرد:
که همچنین بیانگر هیستوگرام نرمال شده تجمعی تصویر است. سپس، بایستی تابع تبدیل به شکل y=T(x) برای تولید یک تصویر جدید {y} ایجاد شود، به طوری که CDF ان بین بازه مقادیر با نرخ ثابت k خطی سازی شود. یعنی:
برای نگاشت مقادیر و بازگشت به بازه اصلی انها ، تبدیل زیر بر روی نتیجه اعمال می شود:
