بخشی از مقاله
چکیده
شناسایی لبه تصویر اساس بینایی رایانهاي است که در سالهاي اخیر به سرعت پیشرفت کرده است. با در نظر گرفتن اهمیت شناسایی لبه و تکامل ANN - شبکه عصبی مصنوعی - یک مقاله پژوهشی پیرامون الگوریتمهاي شناسایی لبه تصویر بر اساس ANN ارائه دادهایم. در ابتدا، روشهاي کلاسیک شناسایی لبه را بررسی کرده و برخی از روشهاي جدید ارائه شده در این سالها را مطرح میکنیم. دوم این که، اصولANN را به طور مختصر بیان کردهایم. بنابراین یک روش شناسایی لبه قدیمی بر اساس ANN ارائه داده و برخی از معایب این روش را به طور خلاصه بیان کردهایم. در انتها، یک روش شناسایی لبه جدید بر اساس ANN و رایانش موازي مطرح کردهایم. روش جدید نسبت به روش قدیمی از لحاظ کارایی و دقت در تشخیص برتري دارد.
.1 مقدمه
تشخیص لبه تصویر در حوزههاي مختلف مانند الگوشناسی و بینایی رایانهاینقش مهمی دارد. علاوه بر این مسأله اي است که داراي راه حل مطلوب نیست. راه حل این مسأله در توسعه استخراج خصیصه، درك تصویر و تشخیص هدف نقش مثبتی دارد الگوریتم هاي قدیمی تشخیص لبه تصویر اصولاً مبتنی بر گرادیان هستند، مانند الگوریتم رابرتز، الگوریتمPrewitt ، الگوریتمSobel و الگوریتم. - Laplass of Gauss - LOG این الگوریتم ها میتوانند لبه را به طور تقریبی شناسایی کنند، با این حال تواناییشان در شناسایی قوي نیست.
کانی در سال 1986 سه معیار براي تشخیص لبه تصویر پیشنهاد داد: - i - نسبت زیاد سیگنال به نویز؛ - ii - عملکرد موقعیت یابی بهتر؛ - iii - منحصر به فرد بودن واکنش. با توجه به این معیارها، الگوریتم معروفی به نام الگوریتم کانی به دست آمد. نتایج شناسایی الگوریتم کانی تاحدودي بهتر از الگوریتم قدیمی است. الگوریتم هاي ذکر شده در بالا را الگوریتم هاي کلاسیک مینامیم. این الگوریتمها ساده و راحت هستند، با این حال فقط در لبههاي محدود اعمال میشوند. مشکل این الگوریتمها خود تطبیق پذیري ضعیف و حساسیت به نویز است. الگوریتمهاي کلاسیک یکسان در تصاویر مختلف همیشه نتایج متفاوتی ارائه میدهند. مدل بهینه براي وضعیتهاي مختلف متفاوت است.
با افزایش شرایط دقت الگوریتمها در حوزههاي پردازش تصویر، از برخی الگوریتمهاي هوشمند مانند شبکه عصبی مصنوعی، الگوریتم ژنتیک، بهینه سازي کلونی و بهینه سازي ازدحام ذرات استفاده شده است. به خصوص در دهه 1990، موفقیت بزرگی در کاربرد شبکه عصبی مصنوعی در حوزههاي تشخیص لبه به دست آمده است. شبکه عصبی براي زمینههایی مناسب است که نمیتوان با الگوریتمهاي کلاسیک مدل سازي کرد.
با توجه به نمونهها طریقه ساخت مدل را به تنهایی یاد گرفتهایم. به عبارت دیگر، رابطه متناظر بین تغییر فیزیکی لبه تصویر و روشنایی فضایی محلی در تصویر را میتوان توسط مجموعه نمونه آموزش شبکه حل کرد. شبکه عصبی در تشخیص لبه تصویر از مزیتهاي هاي ذکر شده در بالا برخوردار است، با این حال دشواري در انتخاب اندازه پنجره تصویر، تعداد نرون ها و تعداد لایههاي شبکه باعث محدود شدن روند توسعه شبکه در شناسایی لبه میشود. هرگاه تصویر یا تعداد نرون ها بزرگ باشند، آن گاه تعداد محاسبات نیز بیشترمیشود. در این جا الگوریتم شناسایی لبه را به منظور افزایش دقت و کارایی بر اساس شبکه عصبی توسعه دادهایم. الگوریتم جدید از مزیت محاسبه موازي و پنجره دینامیک بهره مند شده است.
ساختار مقاله به شکل روبرو است. در بخش 2 برخی از الگوریتمهاي کلاسیک تشخیص لبه و جنبههاي اصلی مقالات اخیر به طور خلاصه مطرح شدهاند. اطلاعات اولیه پیرامون شبکه عصبی مصنوعی در بخش 3 توضیح داده شده است. در بخش 4 الگوریتم قدیمی تشخیص لبه بر اساس شبکه عصبی مصنوعی و پیشرفت آن بیان شده است. در بخش 5 آزمایشهایمقایسهاي بین الگوریتم قدیمی و روش پیشرفته ارائه شده است. در بخش 6 تحلیل و نتیجه گیري آورده شده است.
.2برخی از الگوریتمهاي تشخیص لبه
.2.1 الگوریتمهاي مبتنی بر گرادیان
تغییر رنگ خاکستري پیکسلها در قسمتهاي کاملاً لبه دار باعث به وجود آمدن شکل پلکانی یا ضربانی میشود. با توجه به مشتق مرتبه اول و مشتق ثانویه شکلها متوجه میشویم که نقاط لبه در موقعیت بیشینه و کمینه مشتقها ظاهر میشوند. علاوه بر این لبهها در موقعیت صفر مشتقها رخ میدهند. با توجه به نظریه بالا محققان یک الگوریتم گرادیان مبتنی بر مشتق اول به شکل زیر ارائه دادهاند: که در آن نشان دهنده رنگ خاکستري پیکسل است. با انتخاب مقدار آستانه مناسب T، لبه تصویر را میتوان تشخیص داد.
