بخشی از مقاله
چکیده :
الگوریتم ترکیب بر پایهی تشخیص تمرکز، یک جایگزین ضروری در برنامههای ترکیب تصویر چند مرکزی است. در این نوع الگوریتم-های ترکیب، اندازه تشخیص فوکوس عاملی کلیدی میباشد. با این حال، تقریبا همهی این الگوریتمها در مناطق هموار در نزدیکی لبهها و بافتها، پیشبینیهای غلطی عرضه میکنند. زیرا این مناطق تحت تاثیر لبهها و بافتها قرار دارند و شدتها در صورتی که تاری وجود داشته باشد کاملا متفاوت میشوند.
در این مقاله، یک الگوریتم ترکیب جدید بر پایهی تشخیص تمرکز - فوکوس - ارائه میکنیم. در ابتدا، منبع تصویر به سه بخش تقسیم میشود: لبهها، بافتها و نواحی هموار. پیکسلهایی که در مناطق هموار قرار دارند، خود بر حسب فاصلهشان از گوشهها یا بافتها، در دو کاتالوگ دستهبندی میشوند. سپس یک قانون جدید تشخیص تمرکز - فوکوس - را فرمولبندی میکنیم که در آن با پیکسلهای نواحی هموار، متناسب با طبقه بندیشان رفتار میشود. در نهایت، تصویر ترکیب شده با کمک نقشه ترکیبی به دست میآید. خاصیت این الگوریتم، بهبود دقت تشخیص تمرکز و حذف اثرات بلوکی در تصاویر ترکیب شده می باشد.
-1 مقدمه
پردازش و آنالیز تصاویر میتواند به عنوان یک ساختار کاربردی و تکنیکی جهت تسخیرکردن، تصحیح کردن، زیاد کردن و تغییر شکل دادن تصاویری که مشاهده میشود تعریف کرد. هدف از این عملیات زیاد کردن کیفیت نسبی اطلاعاتی است که بعداً استخراج خواهد شد.[1] تغییر شکل در حقیقت عملیاتی است که بر روی تصاویر ورودی انجام میگیرد تا خروجی به یک عدد که اطلاعاتی از تصویر است بدهد. تکنیک-های متفاوت تولید تصاویر در دسترس میباشد با وجود این تکنیکهای پردازش اطلاعات به عملیات گسترده ای اتلاق میشود که می تواند بر روی اشکال و فرمتهای مختلف تصاویر عمل کند.
هدف نهایی یک سیستم خودکار ناحیه بندی تصویر، تقلید از سیستم بینایی انسان در افراز معنی دار تصویر است اما انسان می تواندمدل اشیاء مختلف را تصور کند و به کمک این تصور مناظر پیش روی خود را بصورت سلسله مراتبی ناحیه بندی کند. بعنوان مثال انسان می تواند در یک تصویر از جمعیت مجموعه ای از مردم، اشخاص مختلف، یا عناصری از اشخاص از قبیل چهره، لبها و غیره را مشخص کند. تقلید از چنین سیستم پیچیده ای مشکل است. به همین دلیل روشهای متداول ناحیه بندی تصویر بیشترروی جنبههای بینایی اولیه تصاویر مانند - لبه-ها، رنگ، بافت، حرکت برای ویدیو - یا ترکیبهای مختلف این جنبهها تکیه دارند. با توجه به مطالب گفته شده، ناحیه بندی تصویر عبارتست از افراز مجموعه پیکسلهای تصویر به نواحی مجزایی که نسبت به مجموعه ای از ویژگیها - شدت روشنایی، بافت و رنگ - یکسان هستند یا اینکه همبستگی زیادی دارند
-2 بیان مسئله
ناحیه بندی تصویر کاربرد گسترده ای در بینایی ماشین، سنجش از دور، شناسایی هدف و تحلیل تصاویر پزشکی دارد تصاویر متمرکز بر اجسام مختلف را میتوانیم با هم ترکیب کنیم. منظور از تحقیق مورد نظر، بدست آوردن ویژگیهای تصاویری است که دارای ترکیب هستند. این نوع تصاویر به علت فوکوس موجود، معمولا در بخشی که دارای ترکیب هستند، میزان شناسایی را کاهش میدهند.
تصاویری که دارای یک نما و فوکوسهای متفاوت میباشند از نظر کیفیت در سطح پایینی هستند. به نظر میرسد میتوان با ترکیب چند تصویر اینچنینی به نتایج مناسبی دست پیدا کرد. نکتههای که بایستی در این زمینه به آن اشاره کرد این است که، تصاویر مورد نظر ما در این مقاله تصاویر سیاه و سفید بوده ولی نتایج را با کمک تصاویر رنگی نیز بررسی خواهیم کرد . فاصله کانونی به فاصلهی بین مرکز اپتیکال لنز و نقطه کانون که در حالت فوکوس، روی مرکز حسگر یا فیلم قرار میگیرد گفته میشود.[4] واحد اندازهگیری فاصله کانونی میلیمتر است. لنز دوربین بخشی از صحنه عکاسی را بر روی فیلم یا حسگر منعکس میکند.
میدان دید - FOV - نیز با زاویه دید لنز نسبت به صحنه تعیین میشود و به هر دو صورت افقی و عمودی قابل اندازهگیری است. حسگرهای بزرگتر، میدان دید بزرگتری دارند و میتوانند صحنهی بیشتری را در خود ثبت کنند. در عکاسی با فیلم های 35 میلیمتری، لنزهایی که فاصلهی کانونی آنها 50 میلیمتر است لنز »نرمال« نامیده میشوند. این لنزها بدون هر گونه بزرگنمایی یا کوچکنمایی کار می کنند و تصاویر آنها آن قدر با کیفیت است که انگار با چشم غیر مصلح به آنها نگاه میکنید - با همان زاویه دید 46 درجه - . لنزهای زاویه واید - با فاصله کانونی کوتاه - میتوانند محدوده بیشتری را ثبت کنند چرا که زاویه آنها بازتر است، حال آنکه لنزهای تله این طور نیستند - فاصلهی کانونی آنها طولانی است - و زاویه دید محدود و تنگی دارند
لبه و بافت نیز دو بخش بسیار مهم در ترکیب هستند. لبه و بافت مشخص کننده تصویر هستند. زیرا یک تصویر با پستی و بلندیهایی که دارد در چشم انسان دیده میشود. برای پیدا کردن مکان فوکوس و همچنین ترکیب دو تصویر علاوه بر محل سطح صاف، بایستی بتوان لبه و بافت موجود در دو تصویر را نیز یافت که در ترکیب بسیار کمک خواهد کرد.
هدف از ادغام ویژگیهای لبه و بافت بدست آوردن یک سطح توپوگرافیکی است به گونهای که ارتفاع این سطح توپوگرافیکی در مرز نواحی موجود در تصویر زیاد و در سایر نقاط تصویر کم باشد. بنابراین در ابتدا لازم است مرزهای نواحی موجود در تصویر مشخص شوند. بطور معمول در مرز اشیاء موجود در تصویر مقدار گرادیان شدت روشنایی زیاد است مقدار محتوای بافت برای نواحیی از تصویر که شامل بافت هستند زیاد و برای نواحی از تصویر که عاری از بافت هستند کم است. بنابراین مرزهای نواحی یا در جاهایی قرار دارند که تغییر قابل ملاحظه در محتوای بافت رخ داده باشد و یا در جاهایی که مقدار محتوای بافت کم بوده ولی تغییر در مقدار شدت روشنایی قابل ملاحظه باشد. از این رو، پژوهش حاضر به دنبال ارائه روشی پیشنهادی برای ترکیب تصاویر چند کانونی با استفاده از ناحیه بندی تصویر میباشد.
-3 پیشینه تحقیق
بر روی تشخیص Signal Processing جیالو ژیانگ و همکارانشان در سال 2014 در مجله فوکوس با توجه به ترکیب تصاویر کار کرده اند.[6] این نوع روش میتواند با توجه به نحوه نوشتن در مقاله مورد استفاده قرار گیرد. در مقاله ایشان پیدا کردن محل فوکوس باعث شده تا بهتر بتوان عملیات ترکیب را انجام داد. ایشان ترکیب با کمک تبدیل موجک انجام میدهند که در این گزارش نیز به معرفی انواع آن خواهیم پرداخت.
فیهر و جنیس روشهای تک مقیاس برای ترکیب تصویر با چند زاویه را ارائه کردهاند [7]، که جوابی مناسبتر از روشهای چند مقیاس/چند وضوحی را ارائه میکند چون کد روشهای اول میتواند با مشکل تغییر واریانس مقابله کنند و همچنین برای پیاده سازی ساده بوده و فضای کمی را میگیرند
فن آوری بیومتریک یک روش خودکار برای تشخیص افراد بر اساس - بیومتریک تک پارامتری یک یا ترکیبی از ویژگیهای فیزیولوژیکی و یا رفتاری - بیومتریک چندپارامتری است.[8] اخیرا بیومتریک چندپارامتری با عملکرد بالای خود در سیستم تشخیص بیومتریک فواید قابل توجهی را ازآن خود کرده است. تا به امروز، سه سطح از تکنیکهای ترکیب یعنی ترکیب در سطح ویژگی، ترکیب در سطح تصمیم گیری و ترکیب در سطح تطبیق امتیاز فراهم شده است. در این مقاله بیومتریک چند پارامتری را برای تصاویر چهره و اثر کف دست با استفاده از تکنیکهای ترکیب در سطح ویژگی معرفی میکنیم.
پردازش تصویر گابور - - PCA بر اساس ویژگیهای تفکیکی استخراجی استفاده شده است، در حالی که تحلیل مولفههای اصلی به منظور کاهش ابعاد در هر روش استفاده میشود. ویژگیهای خروجی - LDA - و تحلیل تفکیک خطی به صورت سریالی ترکیب و با فاصله اقلیدسی طبقه بندی شده است. نتایج تجربی بر اساس پایگاه دادهLDA اثر کف دست ثابت میکند که این روش نرخ شناسایی بیومتریک ترکیبی تولید U- چهره و پلی ORL های شده نسبت به بیومتریک تک پارامتری توانایی فزاینده ایی دارد.
در این مقاله یک روش همجوشی در سطح ارائه شده است. به منظور تکمیل استخراج ویژگی LDA ویژگیهای چهره و اثرکف دست استخراج شده با های تفکیکی از شروط، تصویر گابور بر اساس تبدیل است که در مراحل اولیه پردازش استفاده شده است. نتایج به دست آمده به عنوان یک مقایسه بین نرخ تشخیص تولید شده با بیومتریک تک پارامتری و بیومتریک چندپارامتری ارائه شده است
-4 روش پیشنهادی
سیستم پیشنهادی مورد نظر، یک سیستم مبتنی بر موجک میباشد که با کمک یک رویه آنتروپی، ویژگی بهتر را برای ترکیب دو تصویر انتخاب میکنند و سپس با کمک قوانین ترکیب، دو ویژگی از هر تصویر با یکدیگر ترکیب شده و به کمک سیستم تبدیل موجک، تصویر ترکیب شده بدست میآید.
سیستم پیشنهادی مورد نظر توسط دیاگرام زیر ارائه شده است که شامل تبدیل موجک و استفاده از آنتروپی میباشد.
شکل :1 الگوریتم ترکیب با کمک ویولت
الگوریتم مورد نظر شامل 4 مرحله میباشد که عبارتند از:
1. خواندن تصویر
2. اعمال تبدیل DWT به هر تصویر
3. محاسبه آنتروپی بر مبنای جدول ویژگی بدست آمده از تبدیل DWT
4. اعمال قوانین ترکیب
5. تبدیل جدول ویژگی به تصویر ترکیب شده
مطابق روال گفته شده میتوان هریک از موارد موجود را به تفصیل مورد بحث قرار داد:
مرحله اول و دوم : در این مرحله تصاویر خوانده میشود و هر تصویر به صورت یک جدول در سیستم ذخیره خواهد شد. جهت ذخیره از یک سیستم مشخص برای این کار استفاده میشود.
مرحله سوم: جدول ویژگی بدست آمده را توسط آنتروپی تصویر مورد محاسبه قرار میدهیم و بهترین آنتروپی مورد نیاز را محاسبه میکنیم. آنترپی یک تصویر، مقادیری که باعث صافی و نا مشخص خواهند شد را ارزش گذاری کمتری میکند که این امر باعث تیزتر شدن نقاط فوکوس در تصاویر میشود، در نتیجه میتوان بهتر ترکیب را انجام داد.
مرحله چهارم: در این مرحله مقادیر تیزتر جهت ترکیب انتخاب میشوند. همانگونه که در بخشهای قبل نیز بیان شد، نقاطی که صاف هستند نمیتوانند مقادیر مناسبی برای ترکیب باشند. هر تصویر که دارای دو فوکوس در دو بخش میباشد، حتما دارای یک بخش صاف خواهد بود که در تصویر دوم جزو نقاط تیز خواهد بود. پس به کمک تشخیص این نقاط تیز بهتر میتوان ترکیب را انجام داد.
مرحله :5 با تبدیل DWT اعمال شده به تصویر نتایج به صورت عددهایی خواهد بود که میتوان با کمک الگوریتم IDWT جدول ویژگی بدست آمده را به تصویر تبدیل کرد. در این مرحله عملیات ترکیب کامل خواهد شد. در اینجا c فرکانس وردی توسط تصویر خواهد بود که توسط DWT محاسبه شده است.
-5 نتایج:
جهت مقایسه الگوریتمهای معرفی شده در این مقاله تصاویر مختلفی معرفی شده است. 3 تصویر اولیه موجود تصاویر کتاب، ببر و پپسی هستند.
