بخشی از مقاله
چکیده:
قطعهبندی تصویر یا جداسازی ناحیه مورد نظر از پس زمینه از اهمیت ویژهای در الگوریتمهای خودکار شناسایی و کلاسهبندی اشیاء برخوردار است. تا کنون شیوههای آستانه گذاری و قطعهبندی خودکار تصویر بر مبنای استفاده از تابع اتسو و یا یک آستانه موردی ثابت تعیین می شده است. برای استفاده از شیوههای آستانه یابی، تضاد بین ناحیه مورد نظر - در این تحقیق، گیاه - از پس زمینه ابتدا توسط فاکتورهای رنگی افزایش مییابد. مقاله حاضر به معرفی معادلهای جدید برای نمایش مقادیر و یافتن آستانه بهینه بهمنظور جداسازی موثر نواحی گیاه، سایه و خاک در شرایط طبیعی مزرعه میپردازد.
روش آستانه یابی پیشنهادی بهصورت فضایی، از فاکتورهای رنگی l*a*b* استفاده کرده و با یافتن فاصله اقلیدسی رنگی فضایی بین رنگهای پیکسلهای نواحی مختلف در تصویر و یک رنگ مرجع معادله پوسته جداکننده نواحی را مدل میکند. الگوریتم روی دویست تصویر مورد ارزیابی قرار گرفت و نتایج نشان داد که روش پیشنهادی دارای میانگین خطای مربعی در حدود 0/04 و خطای نوع اولی برابر با 3/19 و همچنین خطای مجموعی برابر با 8/44 میباشد که در برابر شیوه آستانه یابی معمول اتسو که بر روی فاکتورهای رنگی سبزینگی مازاد، سبزینگی مازاد پیشرفته و سبزینگی مازاد تغییریافته اعمال شد نتایج بسیار بهتری میدهد.
مقدمه:
قطعهبندی تصویر یا جداسازی ناحیه مورد نظر از پس زمینه از اهمیت ویژهای در الگوریتمهای خودکار شناسایی و کلاسهبندی اشیا برخوردار است. در این پژوهش، شیوهای مبتنی بر فواصل سه بعدی رنگی برای جداسازی خودکار نواحی مختلف تصویر ارائه میشود. شیوه تعریفشده این پژوهش را روی مجموعهای از تصاویر آزمایش کرده و با عملکرد شیوه آستانه یابی اتسو مقایسه میکنیم. اشیایی که شناسایی آنها از تصویر مدنظر است گیاهان سبز و علفهای هرز هستند و پس زمینه، هر چه غیر از گیاه از جمله، خاک و سایه است. تاکنون روشهای متفاوتی برای افزایش تضاد بین گیاه و پس زمینه معرفی و استفادهشده است.
قبل از قطعهبندی توسط این شیوه ها، تضاد بین ناحیه مورد نظر - در این تحقیق، گیاه - از پس زمینه ابتدا توسط فاکتورهای رنگی افزایش مییابد. این فاکتورهای رنگی در فضاهای رنگی متفاوت تعریف و ایجاد شده است. برای مثال در فضای رنگی RGB مطالعات گستردهای انجام گرفته است و فاکتورهای رنگی متفاوتی برای افزایش تضاد نواحی گیاهی و غیر گیاهی تصویری توسعه یافته است. بوسو و همکاران نیز از رابطه 2G-R-B و ترکیب کردن شاخص سبزینگی تشدید شده با تبدیل موجک که در استخراج بافت گیاه کاربرد دارد توانستند علف هرز را از گیاه اصلی تشخیص دهند. این محققین از ترکیب این دو شاخص برای شناسایی ردیف کشت در ذرت استفاده کردند . - Bossu et al. 2009 -
تانگ و همکاران در تحقیقی که برای شناسایی علف هرز با استفاده از روش سبزی مازاد تغییریافته - تغییریافته - دادند آستانه ثابت 25 را استفاده نمودند . - Tang et al. 2003 - این شاخص رنگی MExG بهصورت زیر تعریف میشود. یکی از مشکلات موجود در دستگاههای شناسایی علف هرز، شناسایی گیاه در شرایطی است که تغییرات نور به سبب وجود سایه و یا تغییرات نور در زمانهای مختلف در مزرعه موجود میباشد. محققینی مانند تیان و اسلاتر دریافتند که نور مستقیم خورشید باعث ایجاد شدت روشنایی متفاوت در تصاویر میشود که از شدت کم در سایهها تا مقدار بیشتری در سطح برگهایی که تحت نور مستقیم هستند متفاوت است . - Tian and Slaughter, 1998 -
همین تغییرات شدت در مقادیر پارامترهای R، Gو Bی شی مورد نظر - بهعنوان مثال، گیاه - که از تصویر استخراج میشود تأثیر میگذارد و بنابراین فاکتورهای رنگی بکار برده شده را وابسته به میزان روشنایی و غیر موثر میکند و در روش شناسایی گیاهان بر اساس رنگ و مقادیر آستانه اختلال ایجاد مینماید. یکی از عواملی که باعث استفاده از روشها و فضاهای گوناگون برای شناسایی گیاه میباشد کم کردن همین تأثیر شدت روشنایی بر شناسایی گیاه در تصویر است تا منجر به شناسایی پیکسل های بیشتری از گیاه شود.
برای مثال، جعفری و همکاران برای کاهش اثر میزان تابش و نور محیط در تشخیص رنگ گیاه در تصویر از میزان روشنایی L که از معادله = - + + - /3 بهدست میآید استفاده نمودند. آنها با بهدست آوردن حد آستانهای برای L تعیین نمودند که چنانچه میزان L در تصویری بیشتر از این حد آستانه باشد تصویر در منطقهای است که نور مستقیم به برگها برخورد میکند در غیر این صورت تصویر گرفتهشده در سایه میباشد . - Jafari et al. 2006 - علاوه بر روشهای ذکرشده در فضای RGB، محققینی مانند گلزاریان و همکاران با استفاده از فضای HSV و انتخاب محدودهای از مؤلفه رنگینگی 164 -54 - درجه - توانستند گیاه را از پس زمینه که پوشش گیاهی به نسبت 20 تا 100 درصد خاک پوشانده شده بود جداسازی نمایند . - Golzarian et al. 2012 -
همچنین در پژوهشی که پیشتر انجام شده بود، همین محققین نشان دادند که چنانچه مؤلفه رنگ با درجه اشباع 0/2 هماهنگ شود قادر به جداسازی موثرتر گیاه از پسزمینههای مختلف از جمله خاک و کاه و کلش با درصد نویزی بسیار پایین میباشد . - Golzarian et al. 2007 - تا کنون شیوههای آستانه گذاری و قطعهبندی خودکار تصویر بر مبنای استفاده از یک آستانه موردی ثابت یا یک مقدار آستانه بهینه براساس بیشینه کردن واریانس داخل کلاسی برای تقسیم هیستوگرام به دو کلاس میباشند . - Mizushima and Lu, 2013 -
در شیوهای که از آستانه ثابت برای بخشبندی استفاده میشود وابستگی زیادی به مجموعه داده داشته و بنابراین مقدار آستانه پیشنهادی جامعیت کلی ندارد و عملکرد عملیات بخشبندی با این مقدار آستانه ثابت از یک مجموعه داده تصویری به مجموعه دیگری با روشنایی متفاوت، یکسان نخواهد بود و در بسیاری از مواقع، بخشبندی با مقدار آستانه ثابت روی تصاویری غیر از تصاویری که از آنها مقدار ثابت بهدست آمده است، تصاویر باینری خارج از انتظار ایجاد خواهد کرد. اشکال عمده شیوه دوم - تعیین آستانه بهینه توسط اتسو - قطعهبندی تصویر به دو کلاس حتی در مواردی است که تمام پیکسل های تصویر مربوط به یک رنگ - یک کلاس - میباشد. محدودیتهای گفتهشده در استفاده از شیوه آستانه یابی اتسو در تصاویر شکل 1نشان داده شده است.
شکل -1 الف تصویر اصلی یک گیاه در پس زمینه خاک و سایه را نشان میدهد. شکلهای -1ب تا -1ج تصاویر باینری بهدست آمده توسط اجرای شیوه آستانه گذاری اتسو روی تصویری که تضاد بین نواحی گیاهی و غیر گیاهی با استفاده از فاکتورهای رنگی گفتهشده افزایش پیدا کرده است را نشان میدهد. شکل 1 ب نشاندهنده تصویر باینری نتیجه شده از اعمال عملیات آستانه یابی اتسو روی نسخه شاخص سبزینگی تشدید شده تصویر که توسط ووبک و همکارانش پیشنهاد شد را نشان میدهد.
همانگونه که در این شکل دیده میشود، این روش برخی از پیکسلهای گیاه را حذف مینماید - شکل -1ب - . تصویر شکل -1ج تصویر باینری شده بعد از افزایش تضاد بین گیاه و پس زمینه با کمک روش سبزینگی مازاد تغییریافته را نشان میدهد. همانطور که از این تصویر باینری مشخص است، با این روش، اکثر قسمتهایی از گیاه را که در سایه قرارگرفتهاند نیز حذف میشود. شکل -1د تصویر باینری بهدست آمده بعد از افزایش کنتراست در اثر استفاده از روش شاخص سبزینگی پیشرفته با آستانه ثابت مطرح شده توسط تانگ و همکاران است که هرچند اکثر پیکسل های گیاه در تصویر باینری بهدرستی شناسایی شده است اما بسیاری از پیکسل های خاک را نیز بهعنوان گیاه شناسایی نموده است که این پیکسلها بهصورت نواحی نویز پراکنده در تصویر باینری نهایی دیده میشوند. شناسایی اشتباه پیکسلهای خاک بهعنوان پیکسلهای گیاه رااصطلاحاً، »خطای نوع دوم شناسایی« می نامند که در شکل -1د، تصویر باینری بهدست آمده میزان بالایی از این نوع خطا را نشان میدهد.
