بخشی از مقاله
چکیده – در این مقاله کالیبراسیون رنگ تصاویر دیجیتال به منظور اصلاح رنگ تصاویر اخذ شده از بافت زخم انجام می شود. براي این منظور ابتدا محفظه اي طراحی و ساخته می شود که به کمک آن میتوان تصاویري در شرایط کنترل شده بدست آورد. در این تحقیق از چارت مک بث با 24 المان رنگی به عنوان مرجع براي اصلاح رنگ استفاده می شود. براي طراحی نرم افزار سامانه از شبکه عصبی، رگرسیون غیر خطی و همینطور الگوریتم ژنتیک استفاده می شود. دیده می شود که با استفاده از نگاشت بدست آمده می توان مقادیر هر یک از کانالهاي رنگ را به مقادیر واقعی نزدیک کرد.
-1 مقدمه
رنگ زخم از پارامترهاي تاثیر گذار در ارزیابی زخم است که از دو جهت حائذ اهمیت می باشد: اول اینکه رنگ روشی براي مشخص کردن فاز ترمیم زخم است و دیگر اینکه می توان بافت زخم را بر اساس رنگ آن به گروههاي متفاوت طبقه بندي کرد که در تصمیم گیري براي استراتژي درمان و همچنین نوع پوشش زخم بسیار مفید است .[1] تصاویر اخذ شده از بافت تحت تاثیر نور منبع، زاویه دوربین و همینطور شرایط محیطی، رنگهاي متفاوتی را به نمایش می گذارند. اصلاح رنگ در صورتی که ابزار تصویر برداري تغییر کند یا هدف، مقایسه نتیجه اخذ شده با استفاده از یک ابزار با ابزار دیگر باشد، ضروري خواهد بود. بنابراین گام اول ارزیابی غیر شهودي و تعمیم پذیر زخمها شامل یک مرحله اصلاح رنگ است تا امکان مقایسه تصاویر اخذ شده در شرایط متفاوت وجود داشته باشد.
هدف نهایی این است که بتوان تصاویري از نمونه ها با هر دوربین دلخواه تهیه کرد و در عین حال با کالیبراسیون امکان مقایسه این تصاویر را فراهم آورد. در این تحقیق یک سیستم کالیبراسیون رنگ پیشنهاد می گردد. سخت افزار این سیستم به همراه الگوریتمهاي پردازشی استفاده شده در ادامه معرفی می گردد. محفظه با توجه به ابعاد زخم هایی که در آینده مطالعه خواهند گردید، در نظر گرفته شده است. با توجه به قطر دوربین دیجیتال مورد استفاده، استوانه اي در بالاي محفظه تعبیه شده است. دور این محفظه LED 16 نصب شده که روشنایی کنترل شده را براي تصویر برداري فراهم می آورد.
روي LED ها به منظور ایجاد منبع نور یکنواخت - غیر نقطه اي - پوشانده شده است. با استفاده از تصاویر بدست آمده از المانهاي این چارت و همچنین مقادیر واقعی در دسترس، نرم افزاري تهیه گردید که می توان از آن براي اصلاح رنگ تصاویر اخذ شده استفاده کرد. نتایج بدست آمده از تمامی روشها به صورت عددي و همچنین شهودي مقایسه گردید. لازم به ذکر است در نهایت براي تصویر برداري با کالیبراسیون نیازي به استفاده از این محفظه نخواهد بود لیکن در این گام براي افزایش دقت از محفظه اي که توضیحات آن ارائه شد استفاده گردید. در ادامه به توضیح بیشتر هر یک از روشها و همینطور ارائه نتایج می پردازیم.
-2 مواد و روشها
-1-2 سخت افزار سیستم کالیبراسیون
در این تحقیق پیش پردازشهاي لازم جهت اصلاح رنگ با استفاده از یک چارت مک بث1 انجام می پذیرد. 24 رنگ حاضر در این چارث با الهام از رنگهاي طبیعت انتخاب شده اند. مقدار عددي سه کانال R/G/B براي المانهاي این چارت در جداولی موجود می باشد. با استفاده از محفظه اي که به منظور استفاده در این تحقیق طراحی و ساخته شده است، تصاویري از المانهاي این چارت تهیه گردید - شکل . - 1 مقدار در نظر گرفته شده براي هر المان چارت در نرم افزار سیستم، میانگین سطوح خاکستري هر کانال در تصویر گرفته شده می باشد.
-2-2 شبکه عصبی
شبکه هاي عصبی عموماً براي مدل کردن سیستمهاي پیچیده و یا به اصطلاح سیستمهایی از نوع جعبه سیاه2 مورد استفاده قرار می گیرند. در این تحقیق از شبکه عصبی پرسپترون با یادگیري پس انتشار3 استفاده شده است. ورودي و همینطور خروجی شبکه شامل سه نورون براي مقادیر سه کانال قرمز، سبز و آبی می باشد. شبکه داراي دو لایه میانی می باشد. از آنجایی که شبکه عصبی با استفاده از 24 المان چارت مک بث آموزش داده شده است، قابل انتظار است که نتایج بدست آمده براي مقادیر المانهاي چارت بسیار خوب باشد.
-4-2 الگوریتم ژنتیک
روش الگوریتم ژنتیک ، یک روش کلی است و می توان آن را به بازه گسترده اي از مسائل اعمال نمود . از طرفی این الگوریتم ها ، بسیار ساده هستند و نوشتن کد کامپیوتري آن ها نیز به سادگی انجام می شود. به علاوه در الگوریتم هاي بر خلاف روشهاي سنتی لازم نیست محدودیت ها، شرایط ریاضی خاصی مانند پیوستگی و مشتق پذیري داشته باشند.[4] لازم به ذکر است که الگوریتم ژنتیک در این مرحله سعی می کند اختلاف تابع مطرح شده براي رگرسیون خطی و همینطور مقادیر مرجع را به عنوان تابع برازندگی بهینه نماید - معادله . - - 2 - هدف این الگوریتم پیدا کردن ضرایبی است که به عنوان مجهول در معادله - 2 - نشان داده شده اند.شکل زیر مقادیر تابع برازندگی را براي نسلهاي مختلف به نمایش می گذارد.
-3 نتایج
نحوه عملکرد شبکه عصبی در شکل 3 بیشتر به چشم می خورد. در این تصویر مقادیر سطوح خاکستري مرجع در هر کانال به صورت مجزا پس از نرمالیزه کردن به صورت صعودي مرتب شده است. دیده می شود که در صورت اعمال کردن داده هاي آموزش به عنوان داده هاي آزمایش، مقادیر خروجی شبکه عصبی دقیقاً مطابق مقادیر مرجع بدست آورده می شود. مشکلی که در استفاده از شبکه هاي عصبی وجود دارد دشواري کنترل عملکرد آن در جامعیت دادن به آموزش اعمال شده است. در این قسمت براي ارزیابی عملکرد شبکه عصبی، داده آزمایش با استفاده از چارت مک بث تولید شده است. براي این منظور، المانهاي چارت در نرم افزار تولید شده به صورت تصادفی انتخاب می شوند و سپس ترکیب خطی مقادیر دو المان انتخاب شده جایگزین المان دیگري از چارت می گردد.
