بخشی از مقاله
چکیده
قطعه بندی یا سگمنت کردن یکی از وظایف مهم ماشین بینایی و پردازش تصویر برای تشخیص و شناخت الگو محسوب می شود. بطوریکه با گروه بندی پیکسل های یک تصویر، کمک شایانی به فهم آن می کند. یکی از روش های قطعه بندی تصویر، کاهش سطوح روشنایی تصویر است. در این مقاله، یک الگوریتم جدید جهت سگمنت کردن تصاویر با استفاده از کلاس بندی سطوح روشنایی ارائه شده است.
ابتدا الگوریتم جستجوی هارمونیکی بصورت اختصار توضیح داده می شود. سپس الگوریتم پیشنهادی بر مبنای الگوریتم جستجوی هارمونیکی برای کاهش سطوح روشنایی یک تصویر در شش مرحله تشریح می شود. مراحل کار به این صورت است که ابتدا جمعیت اولیه بصورت تصادفی ایجاد می شود. سپس هر عضو جمعیت بر اساس تابع هدف آستانه گیری Otsu، سنجیده شده و نمونه های ناکارامد جای خود را به نمونه های کاراتر می دهند. پس از تکرار مشخص، نواحی آستانه گیری بر اساس جمعیت حاضر مشخص می شود. در این مقاله دو تصویر از تالاب انزلی بعنوان نمونه انتخاب و الگوریتم پیشنهادی بر روی آنها اجرا شده است. نتایج بصورت تصویری و آماری در قالب PSNR و انحراف معیار ارائه شده است.
-1 مقدمه
قطعه بندی1 یک فرایند کلیدی در پردازش تصویر محسوب می شود. هدف از قطعه بندی، تفکیک یک تصویر به چند گروه است، بطوریکه هر کدام از اجزای این گروه ها خواص مشترکی داشته باشند. قطعه بندی کمک شایانی به فهم یک تصویر می کند. امروزه کاربردهای فراوانی از این زمینه در بینایی ماشین، کنترل ترافیک، پزشکی و ... به چشم می خورد.
Shi و همکارانش یک روش قطعه بندی تصاویر براساس مالتی فراکتال ها ارائه کرده اند Yang .[1] و همکارانش الگوریتمی برای سگمنت کردن تصاویر با استفاده از ساختار دوشاخه ای بانک فیلتری2، معرفی کرده اند .[2] آنها از زنجیره مارکوف3 پنهان در روش خود بهره برده اند و بر این باورند که روش پیشنهادی رزلوشن بالاتر و افزونگی کمتری نسبت به پردازش یک سطحی تصویر دارد.
یک روش جدید برای جداسازی اشیاء از تصویر با استفاده از تکنیک مورفولوژی4 چند سطحی گزارش شده است .[3] روش ارائه شده مبتنی بر جداسازی اشیاء بر اساس لبه های آنها می باشد و برای مدل کردن سیستم های دینامیکی مناسب است. Khan و همکارانش با بکارگیری از الگوریتم ژنتیک، الگوریتمی را برای قطعه بندی تصاویر رنگی مطرح کرده اند .[4] روش پیشنهادی آنها از معرفی یک تابع هدف جدید و الگوریتم ژنتیک با طول محدود تشکیل یافته است. همچنین حذف نویز با استفاده از مکانیسم ad-hoc در الگوریتم پیشنهادی گنجانده شده است.
در پژوهش دیگری همزمان بحث ارتقاء تصویر و قطعه بندی آن مطرح شده است .[5] در این تحقیق مباحثی چون آستانه گیری، حذف نویز و برش های مقطعی تصویر مورد بررسی قرار گرفته است. Peng و همکارش به قطعه بندی تصویر از دید آماری نگاه کرده اند .[6] آنها در الگوریتم خود از مدل Cramer-Rao و منطق فازی بهره گرفته اند و نتایج بدست آمده را برای تصاویر ساختگی و طبیعی نشان داده اند. Cia از بازیابی تصاویر کمک گرفته است و یک روش قطعه بندی چند فازی را معرفی کرده است .[7] الگوریتم پیشنهادی مقاوم دربرابر ازدست رفتن اطلاعات پیکسل، نویز و تارشدگی می باشد.
یک تحقیق برمبنای مدل کنتور فعال5 برای قطعه بندی انجام شده است .[8] در مدل ارائه شده از ضریب ناهمسانی برای جدا سازی پیکسل های تصویر استفاده شده است. یکی از مزایای این روش، پیاده سازی آن بر روی تصاویر رنگی طبیعی می باشد. Fernandez و همکارانش از منطق فازی کمک گرفته اند و الگوریتمی جهت قطعه بندی پیشنهاد داده اند که در برابر نویز مقاوم است .[9] الگوریتم آنها مبتنی بر آستانه گیری6 و خوشه بندی7 است.
یک روش قطعه بندی سه بعدی بر اساس به هم پیوستگی پیکسل ها برای تصاویر میکروسکوپی مطرح شده است Xie . [10] و همکارانش روشی را برای قطعه بندی تصاویر نویزی پیشنهاد داده اند .[11] روش آنها از میانگین گیری مدل کنتور فعال و آستانه گیری تشکیل شده است. از کاربردهای قطعه بندی در زمینه پزشکی می توان به مراجع [12-13] اشاره کرد.
-2 الگوریتم جستجوی هارمونیکی
در الگوریتم جستجوی هارمونیکی یا HSA8 هر جواب یک هارمونی n بعدی محسوب می شود. فرض کنیم f - x - تابعی n بعدی باشد که قصد مینیموم کردن آن را داریم و بطوریکه هر نمونه در محدوده مشخصی باشد. یعنی الگوریتم جستجوی هارمونیکی به اینصورت است که در ابتدا جمعیتی تصادفی از بردارهای هارمونیکی ایجاد می شود و در یک حافظه هارمونیکی یا HM9 ذخیره می شود. HM با طول HMS بصورت بردار زیر تعریف می شود.
