بخشی از مقاله
چکیده
آشکارسازی لبه یکی از مفاهیم مهم در پردازش تصاویر محسوب می شود که از طریق نشان گذاری نقاطی از تصویر که در آنها شدت روشنایی به تندی تغییر میکند، ممکن میگرددمعمولاً. این تغییرات تند در خصوصیات تصویر، نمایانگر رویدادهای مهم و تغییرات در خصوصیات محیط می باشد، لذا این مطالعه به منظور تشخیص و بهبود لبه های تصویر به کمک منطق فازی انجام می شود.
یکی از معایب مهم روش های مختلف تشخیص لبه، وجود نقاط و خطوط اضافی میباشد که تشخیص لبه را با مشکل روبرو میسازد. در روش پیشنهادی به وسیله تعدیل فازی تصاویر، نقاط و خطوط اضافی در تشخیص لبه حذف، لبههای ضعیف تقویت و لبههای مهم استخراج می گردد. برای شناسایی نقاط و خطوط اضافی و لبههای ضعیف در تشخیص لبه، قواعدی در پایگاه قواعد فازی تعریف شده است. در آخر، مقایسه لبههای استخراجی با روش تعدیل فازی و سایر روش ها، نشان داد که تشخیص لبه توسط روش تعدیل فازی - پیشنهادی این مقاله - نسبت به سایر روش ها، در تشخیص لبه، موثرتر میباشد.
-1 مقدمه
لبه، مشخصه ای همانند ناپیوستگی در شدت روشنایی پیکسلهای درون یک تصویر است. لبههای یک تصویر همیشه جزء ویژگی های مهم تصویر و منعکس کنندهی فرکانسهای بالا هستند. تشخیص لبههای یک تصویر، در سطح پایین، به عنوان شاخصی برای پردازش و استخراج برخی از ویژگیهای مرزی و در سطوح بالا، جهت تشخیص و پیدا کردن اشیاء، به کار میروند
در سال های گذشته، روش های زیادی برایتشخیص لبه با هدفِ تجزیه و تحلیل تصویر پیشنهاد شده و بسیاری از محققان، از اهداف بهینه سازی تصاویر حمایت کردهاند. روش های سنتی مانند سوبل1، پریویت2 و روبرتز3، تشخیص لبه را به درستی انجام نمیدهند و به نویز نیز بسیار حساس هستند.
کنی یک روش پیشنهادی برای مقابله با نویز و به حداقل رساندن احتمال تشخیص لبههای کاذب است. در این روش، تصویر از طریق فیلتر گاوسی، نویز را حذف و لبهها را در جهت شیب محلی همراه آستانه آن، تعدیل میکند
آشکار ساز لبه کنی دارای مشکلاتِ عمده و پیچیدگیهای محاسباتی است که نتایج رضایت بخشی را در کنتراست نواحی مختلف ارائه نمی دهد. تحقیقات دیگری در این زمینه جهت بهبود تشخیص لبه انجام یافته که از آن جمله میتوان به الگوریتمهای شبکههای عصبی، کولونی مورچگان5 و منطق فازی اشاره کرد
با توجه به اثرات مثبت کاربرد روش فازی در بهبود آشکار سازی لبه و کاهش نویز، پژوهشگران بر آن شدند که با استفاده از منطق فازی، روشی جهت بهبود آشکار سازی لبه به کار گیرند که نقاط و خطوط اضافی در تشخیص لبه را حذف، لبه های ضعیف راتقویت و لبه های مهم را استخراج ونهایتاً کیفیت آشکار سازی لبه تصاویر را بهبود بخشند. در این مقاله، از رویکرد مبتنی بر منطق فازی برای تشخیص لبه در تصاویر دیجیتال استفاده گردیده است.
-2 کارهای انجام شده
منطق فازی یک روش قدرتمند برای تصمیم گیری ایجاد میکند [14]، [6]، .[2] مفهوم منطق فازی در سال 1965 توسط لطفیزاده ارائه شده است. تحقیقات بسیاری در زمینه به کار گیری مناطق مختلف تصاویر دیجیتال انجام شده از قبیلِ ارزیابی کیفیت تصویر، تشخیص لبه، تقسیم بندی تصویر، و غیره.
تکنیکهای بسیاری برای تشخیص لبه مبتنی بر منطق فازی در گذشته توسط محققان ارائه شده است [4]، [ 7] .[5] در [15] یک روش تشخیص لبه مبتنی بر پارتیشن احتمالی از تصویر ارائه شده که در آن از پارتیشنهای فازی سه تایی و اصل حداکثر آنتروپی6 برای پیدا کردن مقدار پارامترها استفاده شده و از این طریق، بهترین لبهی فشرده تصویر نمایان می شود. روش پیشنهادی فوق، شرط لازم برای تابع آنتروپی را رسیدن به ماکزیمم مشتق قرار داده و بر اساس این شرط، یک الگوریتم موثر برای سه سطح آستانه به دست آمده است.
روشهای دیگری نیز برای آشکارسازی لبه مبتنی بر منطق فازی به کار رفتهاند که از آن جمله، به کاربرد قوانین اگر-آنگاه در منطق فازی می توان اشاره کرد
در بسیاری از روشها، نقاط مجاور پیکسلها، در برخی کلاسها، به عنوان مبنای استنباط تابعفازیِ در نظر گرفته شدهاند و سپس توابع عضویت مناسب برای هر کلاس تعیین گردیده و مورد استفاده قرار گرفتهاند
در [9] نقاط مجاور، به صورت مجموعههای 3*3 در اطرف نقطه مورد نظر در نظر گرفته میشوند. این روش با تابع عضویت از پیش تعریف شده7 به تشخیص لبه میپردازد. انقطاع لبهها در مجموعههای 3*3مختلفِ رنگی استخراج و با استفاده از 5 قانون فازی و توابع عضویت، تشخیص لبه صورت می گیرد. در این قوانین، انقطاع از نقطه مجاور در اطراف نقطه، مورد بررسی قرار گرفته است. اگر تفاوت شبیه به یکی از قواعد از پیش تعریف شده باشد، پیکسل به عنوان لبه در نظر گرفته میشود.
کار مشابه دیگری توسط منصوری و همکاران در [12] پیشنهاد شده که نقاط مجاور از هر پیکسل در 6 مجموعه مختلف گروه بندی شدهاند. سپس با استفاده از شکل تابع عضویت زنگوله ای8، برای هر گروه، ارزش گذاری از صفر تا یک، انجام شده است. بر اساس مقادیر عضویت و قوانین فازی، تصمیم گیری در مورد موجود بودن یا موجود نبودن لبه و مشخص کردن جهت پیکسلهای لبه، صورت گرفته است.
-3 روش کار
روش کار در این مقاله به این صورت است که در مرحله اول، ابتدا از تصویر مشتقهای عمودی، افقی و مایل گرفته می شود و تصاویر به دست آمده را به عنوان ورودی الگوریتم در نظر گرفته می شوند. در مراحل بعد، تعدیلات لازم برای تقویت لبه های مورد نظر و حذف نقاط و خطوط اضافی، اعمال می شود. شرط های این تعدیل ها، قسمت اصلی در این پژوهش هستند که باعث می شوند نتایج مناسبی در مقایسه با سایر روش ها به دست آید. این تعدیل شامل تقویت لبه های ضعیف و حذف نقاط و خطوط اضافی - که با روابط اگر-آنگاه فازی تعریف می شوند - می باشد. در نهایت نتایج الگوریتم بررسی شده و با سایر روشها مقایسه میگردد.
ابتدا از تصویر، مشتقهای عمودی، افقی و مایل گرفته و سپس تصاویر به دست آمده را به عنوان ورودی الگوریتم در نظر میگیریم. در واقع با این کار، مرحلهی فازیسازی را انجام دادهایم.
تعداد زیادی از عملگرهای آشکارسازی لبه بر پایه مشتق اول شدت روشنایی کار می کنند، یعنی با گرادیان شدت روشنایی دادههای اصلی سروکار داریم. با این اطلاعات میتوانیم تصویری را برای قلههای گرادیان روشنایی جستجو کنیم.
اگر I - x - نماینده شدت روشنایی پیکسل x، و , - x - نماینده مشتق اول - گرادیان شدت روشنایی - در پیکسل x باشد، بنابراین داریم:
برای پردازش تصویر با عملکرد بهتر، مشتق اول را می توان - در یک بعد - با ضرب ماسک های شکل 1 در تصویر مورد نظر به دست آورد.
شکل .1 ماسک مشتق اول برای لبههای - aافقی - b عمودی - d,c مایل
برای ترکیب و به دست آوردن یک تصویر ورودی فازی، چهار تصویر به دست آمده از مشتق گیری را توسط اپراتور ماکزیموم با هم ترکیب میکنیم. یعنی برای هر پیکسل، در چهار تصویر یک درجه عضویت لبه بودن داریم. حال حداکثر مقادیر عضویت فازی که برای هر پیکسل رخ داده است را به عنوان درجه لبه بودن آن در نظر میگیریم. درجه لبه بودن ورودی را توسط تابع شکل 2 تعریف میکنیم.
شکل .2 تابع عضویت فازی برای فازی سازی تصویر
شکل .3 تابع عضویت فازی برای غیر فازی سازی
