بخشی از مقاله
چکیده
امروزه با توجه به کاربردهای فراوان بخشبندی تصاویر دیجیتالی روشهای متعددی برای این منظور ارائه شده است. این مقاله روش نوینی برای بهبود عملکرد بخشبندی تصاویر ارائه می دهد. روشهای بخشبندی سطح بالا به مراحل بخشبندی سطح پایین وابسته هستند. در بسیاری از روشهای بخشبندیهای سطح پایین وجود بخشهای اضافی - ریزبخشها - ما را دچار مشکل میکنند. این ریزبخشها اغلب شامل اطلاعات ناخواستهای هستند که کار ما را در مراحل سطح بالاتر بخشبندی پیچیده میکنند اما متاسفانه کار مناسبی در این زمینهی یعنی حذف این ریزبخشها انجام نگرفته است. در این مقاله روش شناسایی این ریز بخشها بر اساس ویژگی مساحت آنها می باشد. از سوی دیگر روشی بر اساس برچسبگذاری نواحی و ریاضیات موفولوژیک جهت حذف این ریزبخشها ارائه میدهیم. یکی از موارد چالشبرانگیز در این حوزه، آسیب وارد نشدن به نواحی مهم و با معنای تصویر - در اینجا مرز اشیا - در عین حذف دادههای بیاهمیت میباشد. در ادامه روش ارائه شده خود را با مقالات روز دنیا در حوزهی بخشبندی تصاویر مقایسه خواهیم کرد. برای این مقایسه از پایگاه داده دانشگاه برکلی در زمینهی بخشبندی تصاویر استفاده میکنیم. بر این اساس مزایای و معایب احتمالی این روش را در بخش نتیجهگیری برای خواننده این مقاله شرح میدهیم.
واژگان کلیدی: بخشبندی، پردازش تصاویر، مورفولوژیک، برچسبگذاری، ریزبخش.
مقدمه
یکی از ضروریترین فرایندها در پردازش تصاویر، بخشبندی آنها می باشد. چنانچه از اسم این فرایند مشخص است، بخشبندی تصاویر تبدیل تصاویر دیجیتال به بخشهای کوچکتری می باشد. هدف از بخشبندی تصاویر استفاده و پردازش این بخشها در آسانسازی مراحل بعدی پردازش می باشد. زمانی میتوانیم از یک بخشبندی موفق سخن به میان آورد که شروط زیر در آن رعایت شده باشد:
•زیربخشها باید دارای نواحی همگن باشند.
•این زیربخشها باید نظم خاصی داشته باشند.
•هر بخش یک جز متصل باشد.
•مرزهای اشیا در تصویر حفظ گردند.
• تنها اطلاعات مورد در پردازش بعدی نیاز در تصویر حفظ گردد.
از آنجایی که بخشبندی تصاویر معمولا خود هدف پردازش تصاویر نیست اما جز مهم و پرکاربرد روندهای پردازش تصویری می باشد. از این رو بخشبندی تصاویر کاربردهای زیادی در زمینههای تشخیص اشیا[1]، ردیابی اشیا[4]-[2]، بازسازی تصاویر سه-بعدی[5]،[6]،تشخیص شی متحرک در توالی ویدیویی[9]-[7] و سیستمهای کاهش حجم تصویری و ویدیویی[10]،[11] دارد.یکی از چالشها در مسیر بخشبندی تصاویر تولید بخشهای ناخواسته و اضافی در این فرآیند می باشد. بخشهایی که نه تنها دارای اطلاعات مفیدی نیستند، بار عملیاتی بالایی را در مراحل بعدی به ما تحمیل می کنند. بخشبندی بیش از اندازهی تصاویر می تواند علل گوناگونی از قبیل نویز ، کیفیت پایین تصاویر و داشته باشد. متاسفانه در روشهای سنتی مقابله با این نقیصه کاهش کیفیت مرزهای تصویر بسیار مشهود است. دراینجا تصمیم بر این است تا با ارایه روشی به صورت پس پردازش با حذف این بخشهای اضافی به بخشبندی موفقتری دست یابیم.
بر اساس دانستههای ما تبدیل آبپخشان [12]،[13] به دلیل عملکرد مناسب و الگوریتم پیچیدگی خطی برای بخشبندی تصاویر مناسب می باشد.[14] ایراد عمدهی این الگوریتم ساخت بخشبندی بیش از اندازهی تصویر میباشد.[15] ضعف در عملگرهای گرادیان یکی از دلایل این نوع عملکرد تبدیل آبپخشان میباشد. از این رو روش ارایه شده را متناسب با بخشبندیهای آبپخشان پایه تعریف میکنیم.متاسفانه در این زمینه پیش از کار این جانب اثر دیگری مشاهده نکرده ام، به همین جهت من نام این روش را روش حذف ریز بخشها میگذارم و هریک از این بخشهای اضافی را ریزبخش نام میگزارم. در این مقاله ما با کمکگیری از ریاضیات مورفولوژیکی و برچسب گذاری نواحی طی یک رشته عملیات این ریز بخشها را ابتدا شناسایی و سپس از تصاویر حذف میکنیم. تا به هدف خود که یک بخشبندی سالم است، دست پیدا کنیم.در ادامه تعدادی از کارهای مرتبط را برای شما شرح میدهیم:
برچسب گذاری
فرآیند برجسب گذاری سطوح یک تصویر به ما کمک میکند که بتوانیم عملیات مورد نظر خود را بر روی سطوح مطلوب انجام دهیم. روشهای فراوانی برای اینکار تاکنون ابداع شدهاند. اساس کار برچسبگذاری در [16] توضیح داده می شود. این روش برای برچسبگذاری تصاویر باینری مناسب می باشد که مقادیر 1 را شی و مقادیر 0 را پس زمینه در نظر میگیرد و همچنین بر اساس همسایگی اعلامی کاربر برچسبگذاری را انجام میدهد. برای مثال میتوان شکل - - 1 را مشاهده کرد که در آن نواحی با ارزش یک برچسبگذاری شده اند. نواحی مختلف اعداد متفاوتی دارند.
مراحل الگوریتم را به صورت زیر می توان نوشت:
-1شروع از اولین پیکسل در تصویر و برچسب سطح متصل فعلی را 1 تعیین کنید. - به 2 بروید -
-2اگر این پیکسل یک پیکسل پیش زمینه است و قبلا برچسبگذاری نشده است، برچسب فعلی را تعیین کنید و آن را به عنوان اولین عنصر در صف اضافه کنید، سپس به - 3 - بروید. اگر یک پیکسل پس زمینه باشد یا آن را قبلا برچسب گذاری کرده اید، پس برای پیکسل بعدی در تصویر به مرجله - 2 - بروید.
-3عنصر را از صف پر کنید و به همسایگیاش - بر اساس نوع اتصال - نگاه کنید. اگر یک همسایه یک پیکسل پیش زمینه است و قبلا برچسبگذاری نشده است، به آن برچسب فعلی را به اختصاص دهید و آن را به صف اضافه کنید. تکرار - 3 - تا زمانی که عناصر بیشتری در صف وجود نداشته باشند.
-4برای پیکسل بعدی در تصویر به - 2 - بروید و برچسب فعلی را 1 واحد افزایش دهید.
اسکلتبندی مورفولوژیک
پردازش تصویر مورفولوژیکی مجموعه ای از عملیات غیر خطی مربوط به شکل یا ویژگی های مورفولوژی یک تصویر است. عملیات مورفولوژیکی تنها به ترتیب نسبی مقادیر پیکسل، نه به مقادیر عددی آنها بستگی دارد و به همین دلیل به مخصوص برای پردازش تصاویر باینری مناسب است. عملیات مورفولوژیکی را نیز می تواند برای تصاویر سطح خاکستری اعمال کرد.تکنیک های مورفولوژیکی یک تصویر را با یک شکل کوچک یا یک الگو که آن را عنصر ساختاری مینامیم، بررسی می کند. عنصر ساختاری در همه مکان های ممکن در تصویر قرار گرفته و با محدودهی متناظر پیکسل مقایسه می شود.در این قسمت الگوریتم اسکلت بندی به کمک مورفولوژی برای شما شرح داده میشود:
-1تصویر باینری کنید.K=0
-2مرحله ی زیر را انجام دهید تا تغییری در تصویر حاصل نشود.K=K+1برای هرxk-1[m, n] = min{xk-1[i, j]} + 1xk-1[m, n] = k، عملیات را اجرا کن، کهi و4 j همسایگی نزدیک mوn می باشند.
-3پیکسل های استکلتبندی در زیر داده شده است.
