بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
بررسی روشهاي قطعه بندي تصویر و مقایسه آنها
چکیده:
قطعه بندی تصویر در زمینه ھایی از قبیل بینایی کامپیوتر و پردازش تصویرانجام شده است و ھنوز به خاطر کاربرد گسترده و وسیع اش دارای زمینه ھای تحقیقی مناسبی می باشد. صحت این بررسی در زمینه ھایی مانند پزشکی, سنجش از راه دور و بازیابی تصویر بسیار حیاتی می باشد که به ذخیره, نگهداری و محافظت زندگی انسان کمک می کند. این مقاله بررسی مشکلات مواجه شده و موضوعات آشکار در زمینه بررسی قطعه بندی تصویر و کاربرد روشها در زمینه ھای مختلف را فراھم می کند. ھمچنین در این بررسی ما پیشنهاد کردیم که چه چیزی باید در روشی برای محققین انجام دھند تا اجرای روشهایشان را بررسی کنند و آنها را در میان روشهای یگر قطعه بندی مقایسه کنند. ما روشهایی را تحت سه گروه زیر در نظر گرفته ایم: براساس آستانه , براساس حاشیه, براساس ناحیه
کلمات کلیدي: براساس آستانه, براساس ناحیه,
قطعه بندی تصویر, براساس ناحیه
مقدمه:
ھدف اصلی قطعه بندی تصویر, حوزه تقسیم مستقل از یک تصویر به مجموعه نواحی گسسته می باشد که از نظر دیداری متفاوت,ھمگون و با توجه به بعضی ویژگی ھا یا ویژگی ھای محاسبه شده از قبیل سطح خاکستری , بافت یا رنگ با معنی ھستند تا بررسی آسان تصویر را قادر سازد.[7][14]
تعریف کلاسیک برای قطعه بندی تصویر بصورت زیر می باشد. بگذارید حوزه تصویر Ω باشد و Pi بخش ھای Ω باشد.ناپیوستگی و شباھت/ھمگونی دو ویژگی اصلی پیکسلها در رابطه با ناحیه به کار محلی شان در تعداد زیادی از روشهای قطعه بندی می باشند. روشهای قطعه بندی که براساس ویژگی ناپیوستگی پیکسلها می باشد به عنوان مرز یا حاشیه بر پایه روش ھا در نظر گرفته شدند و آن براساس شباھت یا ھمگونی می باشد که روشهایی بر پایه ناحیه ھستند.ما عمدا روش آستانه سازی را از اساس ناحیه لازم کاربرد ھیستوگرام و سادگی اش در کاربرد جدا کرده ایم.[7] روشها بر پایه پیوندی از ادغام حاشیه و
اطلاعات روشها براساس ناحیه مشتق می شوند .[15] باید توجه کرد که بسیاری از بررسیهای قطعه بندی انجام شده اند اما تعداد کمی وجود دارند که نشان دھند چطور محققین می توانند روش یک محقق را در برابر دیگری به روی تصاویر حوزه مستقل ارزیابی کنند یا اجرای قطعه بندی شان را ارزیابی کنند.[16][10][17] تعداد بررسی ھا در زمینه کاربرد قطعه بندی تصویر در زمینه ھایی از قیبل پزشکی , سنجش از راه دور و بازیابی تصویر ھدایت شده
اند.[7][9][6]
این مقاله بصورت زیر سازماندھی می شود:
١. روشهای آستانه سازی ٢. روشهایی بر پایه لبه ٣. روشهایی بر پایه ناحیه
۴. روشهایی برپایه ناحیه در برابر لبه ۵. ارزیابی اجرا ۶. خلاصه
تصویر ١ طبقه بندی روشهای قطعه بندی تصویر را نشان می دھد که ما در این مقاله در نظر گرفته ایم. روشهای توضیح داده شده و بکار رفته برای قطعه بندی تصویر در تصاویر ٢و٣ تنها برای توضیح دادن روشهای قطعه بندی بکار می رود. قطعه بندی تصویر اگر بخاطر این موارد نباشد آسان خواھد بود:
١. نویز تصویر ٢. مرزھای شی ضعیف٣. ناحیه شی ناھمگن ۴. کنتراست ضعیف
۵. بسیاری موارد دیگر که تصویر را تحت تاثیر قرار می دھد.
تصویر ١
روش آستانه اي
قطعه بندی آستانه ای روش سریع و ساده ای برای توصیف نواحی تصویر بر اساس بازتاب ثابت و یا جذب نور سطوح آن است.
قطعه بندی تصویر براساس مقدار آستانه قصد دارد تا یک تصویر ورودی به مقادیر دو یا چند پیکسل را از طریق مقایسه مقادیر پیکسل با مقدار آستانه از پیش تعیین شده T بطور جداگانه تقسیم کند.بگذارید I(i,j) یک تصویر باشد .
که P(i,j) به مقدار پیکسل در موقعیت (i,j) اشاره می کند.
مقدار آستانه بطور محلی یا جهانی اجرا می شود. مقدار آستانه جهانی تصویر به دو بخش بصورت نشان داده شده در بالا تقسیم می شود.در حالیکه مقدار آستانه محلی, تصویر به تصاویر فرعی تقسیم می شود و آستانه برای ھر تصویر فرعی از ویژگی محلی پیکسلها مشتق می شود.
مقدار از پیش تعیین شده T مقداری است که این روش را مشکل می کند.تعیین مقدار T نکته جالبی در بررسی قطعه بندی تصویر بوده است.[4][5][8] در اینجا الگوریتمهای زیادی ایجاد شده اند تا مقدار آستانه T را برای تقسیم یک تصویر بوجود آورند.[5] این روشها که مقدار تراکم را بکار می برند, اطلاعات فضای مورفولوژیکی تصویر را بکار نمی برند و آنها معمولا برای تقسیم اشیا با کنتراست پایین یا تصاویر شلوغ با زمینه ھای مختلف شکست می خورند.[12] شکست برای یافتن مناسب ترین الگوریتم تا مقدار آستانه T(s) را تعیین کنیم نتیجه یک یا ھمه ی موارد زیر خواھد بود.
١- ناحیه برش داده شده ممکن است کوچکتر یا بزرگتر از اندازه واقعی باشد
٢- لبه ھای ناحیه قطعه بندی شده ممکن نیست متصل باشد
٣- تصویر بالا یا زیر برش(ناشی از لبه ھای ساختگی یا لبه ھای افتاده)
روش هایی بر پایه لبه
قطعه بندی بر پایه لبه محل پیکسل ھا در تویر می باشد که مطابق با مرزھای اشیا مشاھده شده در تصویر می باشئ. سپس فرض می شود که چون حدود یک ناحیه یا شی می باشد سپس این تصویر خاتمه می یابد و آن تعداد اشیا جالب برابر با تعداد مرزھا در تصویر می باشد. به خاطر دقت در برش , اطراف مرزھای شناسایی شده باید تقریبا برابر با آن شی در تصویر ورودی باشد. در تلاش برای اجرای روشهای بالا نیازی وجود نداشت تا یک لبه در تصویر مشخص شود. ویژگی لبه یا خط به عنوان یک تغییر ناگهانی یا یک ناپیوستگی در تعداد رقم پیکسل ھا در طول مسیر خاص در تصویر آشکار می شود. این جلوه یک گرادیان بالا/حداکثر اولین ترتیب مشتق یا عبور صفر در دومین مشتقات می باشد. این امر فرضیه دیگری را به دنبال آورد که ھر شی جالب در تصویر حد و مرزی دارد که می تواند از طریق کاربرد گرادیان یا دومین مشتق شناسایی شود.سوبل و پرویت و واترشد
تنها تعداد کمی کاربرد الگوھا براساس گرادیان / اولین مشتق عنوان می کنند تا حد و مرزھای یک تصویر را شناسایی کنند. الگوی Laplacion براساس دومین مشتق می باشد.در کل این روشها می تواند با نقش g(x) تعریف شود که به عنوان دوره توقف عمل می کند وقتی که مرز شی/ناحیه امتداد یافته است. نقش g(x) می تواند
بصورت
تعریف شود:
که G*U چین خوردگی تصویر u می باشد, که
مشکلاتی وجو دارند که موضوعات جالبی برای محققین بوده اند و این مشکلات بر روی کاربرد گرادیان متمرکز شده اند تا مرزھا را شناسایی کنند.[3] مثلا, این روشها مشکلاتی را با تصویر دارند که عبارتند از :
١. لبه کم
٢. خیلی شلوغ
٣. مرزی که خیلی ھموار می باشد
۴. مرز بافت مشکلات دیگر این روشها از ناتوانی برای تنظیم نقش گرادیان سرچشمه می گیرد بنابراین نتایج نامطلوب زیر را بوجود می آورد:
١- ناحیه برش داده شده ممکنه کوچکتر یا بزرگتر از اندازه واقعی باشد
٢- لبه ھای ناحیه برش زده ممکن نیست متصل شوند
٣- تصویر بالا یا زیر تقسیم
b a
تصویر٢ روش مبتنی بر لبه(سوبل)
تصویر ٢ تعدادی مشکلات را نشان می دھد که در کاربرد روشها در لبه مواجه شدیم. لبه از دست رفته تصویر ٢ می تواند در تصویر 2b نشان دھد و این مشکلاتی را در پردازش تصویر پس از برش مثلا در اصلاح یا ثبت به وجود آورد.
روشهایی براساس ناحیه
قطعه بندی بر پایه ناحیه, تقسیم یک تصویر به نواحی مشابه/ھمگن پیکسلهای متصل از طریق کاربرد معیار
ھمگونی /شباھت در میان مجموعه پیکسلهای داوطلب می باشد.ھر یک از پیکسل ھا در ناحیه با توجه به بعضی ویژگی ھا یا ویژگی ھای محاسبه شده از قبیل رنگ, تراکم یا بافت مشابه می باشد. فرض در این روشها این است که تقسیمات مطابق با اشیا یا بخش ھای با معنی تصویر تشکیل می شوند. رایج ترین روشهای به کار رفته شامل یر می باشد:[15]
١- آستانه سازی ٢- افزایش ناحیه ٣- طبقه بندی ۴- خوشه بندی
افزایش ناحیه اغلب درروش قطعه بندی قدیم به کار رفته می باشد. این افزایش ناحیه براساس الگوی برش فرض زیر را درباره ویژگی ھای پیکسل تصویر سهیم می باشد. ١- مقادیر تراکم در ھر ناحیه/شی به توزیع Gaussian ھماھنگ می باشد. ٢- میانگین مقدار تراکم برای ھر ناحیه/ شی مختلف می باشد.[18]
نقش توزیع احتمالی Gaussian برای ناحیه i بصورت زیر نمایان می شود:
که =میانگین , =واریانس. با این نوع قطعه بندی, مشکلات ناپیوستگی لبه ھا و ھیچ برشی از اشیا بدون لبه را حذف نکرده اند.مرز یک شی می تواند با استفاده از پیکسل ھای لبه/ مرز مطمئن ناحیه مشخص شود که این مرز بسته می شود و قطعه بندی اشیا بدون لبه ھا می تواند اکنون انجام گیرد. یک روش براساس ناحیه به وسیله vese , chan معرفی شد که طرح فعال بدون لبه می تواند طرح ھای با لبه یا بدون لبه را شناسایی کند.این روشها قادر به شناسایی و محافظت مرزھا بدون نیاز به ھموار کردنتصویر ورودی می باشد, حتی وقتی خیلی شلوغ باشد.تصاویر با مرزھایهموار دیگر ھیچگونه مشکلی را ایجاد نمی کند.[3]اھمیت زیادی نشان داده است تا این روش ھا کامل گردد و نتایج امید بخش بوجود آورده اند. مثلا جوندانگ لیو بحث کرد که میانگین جانی بکار رفته بوسیله vese , chan در طرح شان برای تصاویر پزشکی خیلی خوب نبود.این بحث بر روی طرحvese,chan متمرکز شدکه منحنی شکل گرفته c در Ω و نقش انرژی (c1,c2,c) F را مشخص کنند. طرح vese ,chan نقش انرژی تعیین شده بصورت زیر را به حداقل می رسانند.
