بخشی از مقاله
خلاصه
یکی از روشهای کاربردی برای مقایسهی دو تصویر استفاده از همبستگی نرمالیزه شده می باشد. در این مقاله سعی داریم با ارائه روشی جدید بر مبنای همبستگی نرمالیزه شده به تشخیص اشیاء در تصویر بپردازیم. در این روش برای اینکه یک الگوی خاص را در تصویر مرجع تشخیص دهیم ابتدا تصویر مرجع را با استفاده از تقسیمبندی رنگی بر اساس خوشهبندی به روش K-maens، بخش بندی کرده و اشیاء مختلف موجود در تصویر را استخراج میکنیم سپس با استفاده از همبستگی نرمالیزه شده شباهت بین تصویر باینری الگو و تصاویر باینری اشیاء استخراج شده از تصویر مرجع را بررسی میکنیم. اگر چرخشیافتهی الگوی مورد نظر در داخل تصویر مرجع وجود داشته باشد، با استفاده از این روش تشخیص دادهخواهدشد که از مزیت های این روش به شمار میرود.
1. مقدمه
امروزه تشخیص اشیاء در تصاویر یکی از زمینههای تحقیقاتی مهم و گسترده در علوم کامپیوتر به خصوص بینایی ماشین و تشخیص الگو به شمار میرود. در روشهای سنتی تشخیص اشیاء از ویژگیهای دیداری به عنوان منبع اصلی اطلاعات در تشخیص اشیاء موجود در تصاویر دنیای واقعی استفاده میشود. ویژگیهای دیداری نظیر رنگ، شکل، بافت و لبههای تصویر تا حدودی قادر به غلبه بر تغییرات ظاهری موجود در یک کلاس خاص از اشیاء میباشند. یکی دیگر از ویژگیهای مورد استفاد برای تشخیص اشیاء ویژگیهای مفهمومی میباشد.
مقالات مختلفی در زمینهی مطالعه بر روی روشهای مختلف تشخیص اشیاء وجود دارد. به عنوان مثال در مقالهی - Antúnez et al., 2013 - ، از یک روش جدید مبتنی بر بخش بندی اشیاء بر اساس اطلاعات ساختاری آنها برای تشخیص شیء در یک تصویر دو بعدی استفاده شده است. این مقاله یک الگوریتم تشخیص شیء را ارائه میدهد که با استفاده از یک هرم ترکیبی برای نمایش منظره و یک نقشه ترکیبی برای نمایش اشیاء مورد جستوجو این کار را انجام میدهد.
مقالهی دیگری - Tiay et al ., 2014 - ، با استفاده از ویژگیهای لبه و رنگ، عمل تشخیص را انجام میدهد. و یا مقالهی - Yu et al., 2015 - ، یک روش برای تشخیص شیء کوچک در تصاویر مادون قرمز با پسزمینه پیچیدهی دریا با استفاده از مدل برجسته بیزین زمینه محور برای مقابله با دو موضوع ابهام تشخیص و واریانس مقیاس در تشخیص شیء کوچک پیشنهاد دادهاست.
در تحقیق دیگری - Singha et al., 2015 - ، یک روش جدید تشخیص لبه برای تصاویر ماهوارهای با کنتراست کم پیشنهاد شدهاست. در مقالهی - Cheng and Han , 2016 - ، یک بررسی از پیشرفتهای اخیر در زمینه تشخیص شیء در تصاویر سنجش از راه دور ارائه کردهاست. این مقاله، آنها را به چهار دسته اصلی تقسیم کرده است:
روشهای مبتنی بر تطبیق کردن قالب، روشهای مبتنی بر دانش، روشهای تشخیص شیء مبتنی بر تجزیه و تحلیل تصویر براساس جسم و روشهای مبتنی بر یادگیری ماشین. در مقالهی - Juang et al., 2016 - ، روش جدیدی مبتنی بر دوربین استریو با استفاده از هیستوگرامهای رنگی فازی برای محاسبهی عمق شیء و تشخیص آن در تصویر ارائه شدهاست . ما در ادامه این مقاله، در بخش دوم همبستگی نرمالیزه شده - NCC1 - و دربخش سوم بخش بندی تصویر را بررسی کردهایم، در ادامه در بخش چهارم آزمایشهای انجام شده و نتایج بدست آمده ارائه می شوند و بخش پنجم به نتیجه گیری اختصاص یافته است.
2. همبستگی نرمالیزه شده : - NCC -
یکی از روشهای بدستآوردن مقدار شباهت بین دو تصویر، محاسبهی همبستگی نرمالیزه شده، بین دو تصویر میباشد. همبستگی نرمالیزه شده یک روش خوب ومورد علاقه برای پیدا کردن الگو دو بعدی در تصویر میباشد. برای یافتن یک شیء داخل یک تصویر مرجع، ابتدا یک تصویر الگو از شیء مورد نظر را انتخاب و پیکسل به پیکسل در داخل تصویر مرجع حرکت کرده و همبستگی نرمالیزه شده را محاسبه میکنیم. در هر قسمت از تصویر اصلی که مقدار همبستگی نرمالیزه شده ماکزیمم شود، بیشترین شباهت بین تصویر الگو وتصویر مرجع وجود دارد
همبستگی نرمالیزه شده بین دو تصویر با استفاده از فرمول - 1 - محاسبه میشود:
در فرمول بالا IC تصویر الگو و IR تصویر مرجع و N ابعاد تصویر الگو میباشند. u و v نیز مختصات محلی از تصویر مرجع است که با تصویر الگو مقایسه شده و همبستگی نرمالیزه برای آنها محاسبه میشود. همانطور که مشاهده میگردد ابعاد تصویر الگو و آن قسمت از تصویر مرجع که همبستگی نرمالیزه شده برای آنها محاسبه میشود باید برابر باشد. مقدار همبستگی نرمالیزه شده بین -1 و1 بوده و هر چه مقدار آن به یک نزدیکتر باشد دو تصویر شباهت بیشتری دارند.
3. بخش بندی تصویر:
قطعه بندی یک تصویر بر تفکیک و جداسازی تصویر به نواحی مختلف، به طوریکه پیکسلهای هر ناحیه دارای یک ویژگی خاص - که میتواند متعلق به یک شیء باشد - مشترک می باشند، دلالت دارد. اساسیترین ویژگی در قطعهبندی یک تصویر تکرنگ، میزان درخشندگی تصویر و در قطعهبندی یک تصویر رنگی مؤلفههای رنگیاش میباشند.همچنین لبههای تصویر و بافت ویژگیهای سودمندی برای قطعهبندی میباشند. انواع روشهای مختلف تقسیمبندی تصویر عبارتند از:
-1 روشهای آستانه گزاری
-2 روشهای تقسیمبندی بر اساس رنگ
-3 روشهای تبدیلی
-4 روشهای تقسیمبندی بر اساس بافت
ما در این مقاله از روش تقسیمبندی رنگی تصویر بر اساس خوشهبندی به روش K-means استفاده کردهایم. علت استفاده از تقسیمبندی رنگی تصویر در این مقاله، مجزا کردن اشیاء با رنگهای متفاوت و جلوگیری از تشخیص آنها به عنوان یک شیء و استخراج آنها از تصویر مرجع میباشد.
4. آزمایشهای عملی و نتایج بهدست آمده:
در بخش اول، ابتدا تصویر مرجع و الگو را فراخوانی میکنیم، سپس عملیات پیشپردازش را برای حذف نویز وآماده سازی بر روی تصویر الگو اعمال میکنیم. در پیشپرداش تصویر الگو مراحل زیر دنبال میشود :
-1 حذف پس زمینهی تصویر الگو
-2 باینری کردن تصویر الگوی بدست آمده
-3 حذف نویز و بهبود شکل تصویر الگو با استفاده از دستورات مورفولوژی و پر کردن حفرههای موجود در شیء
-4 استخراج شیء
-5 الگو از تصویر الگو و حذف اضافات تصویر
در بخش دوم تصویر مرجع را با استفاده از روش بخشبندی رنگی بر اساس خوشهبندی به روش K-means تقسیمبندی میکنیم، بنابراین زیر تصویرهایی باینری از تصویر اصلی بدست میآیند که هر کدام از این زیر تصویرها شامل اشیاء با رنگ یکسان میباشند. در تصاویر باینری بدستآمده با استفاده از دستورات متلب نویزهای موجود را حذف کرده و قسمتهای جدا افتاده از هم را که مربوط به یک شیء میشوند با استفاده از عملیات مورفولوژی به هم متصل میکنیم، سرانجام حفرههای ایجاد شده در داخل اشیاء را پر میکنیم.
در بخش سوم، اشیاء موجود در هر زیر تصویر باینری را از داخل آن استخراج کرده، سپس همبستگی نرمالیزه شده بین هر شیء استخراج شده از تصویر اصلی با تصویر الگو و تک تک چرخش یافتههای آن از 1 درجه تا 359 درجه را محاسبه میکنیم، بنابراین 360 عدد داریم، سپس بیشترین مقدار بین این 360 عدد را ذخیره مینماییم. لازم به ذکر است در مقایسهی اشیاء استخراج شده با تصویر الگو و چرخشیافتههای آن برای اینکه تاثیرات منفی تغییر اندازه را از بین ببریم ابتدا تصویر هر شیء بدست آمده را هم اندازهی تصویر الگو و چرخش یافته های آن کرده سپس همبستگی نرمالیزه شده را محاسبه میکنیم.
چرخش یافتههای تصویر الگو با چرخاندن تصویر باینری الگو از 1 درجه تا 360 درجه به صورت یک درجه یک درجه بدست می-آیند. اعداد بدستآمده نشان دهندهی شباهت اشیاء موجود در تصویر مرجع به تصویر الگو هستند که شبیهترین شیء به تصویر الگو بیشترین مقدار را دارا می باشد. باید توجه داشت ازآنجا که همبستگی نرمالیزه شده برای اندازهگیری شباهت بین اشیاء موجود در تصویر اصلی و تصویر الگو محاسبه میشود بنابراین مقادیر بدستآمده بین 0 تا 1 تغییر میکنند و نزدیکترین مقدار به 1 نشان دهندهی بیشترین شباهت میباشد.
در ادامه دو تصویر الگو و دو تصویر مرجع انتخاب شدهاند و روش ارائه شده در بالا بر روی آنها پیادهسازی شدهاست. مقدار شباهت هر شیء از تصویر مرجع به تصویر الگو با عددی که نشان دهندهی همبستگی بین آنها میباشد بر رو تصویر مرجع نمایش داده شده است. برای اینکه مقدار شباهت ملموستر باشد، مقادیر همبستگی نرمالیزه شده را در عدد 1000 ضرب کرده سپس بر روی تصویر اصلی نمایش دادهایم.
اولین تصاویر الگو و مرجع مورد آزمایش به ترتیب در شکل - 1 - و شکل - 2 - نمایش داده شدهاند.
