بخشی از مقاله
چکیده :
قطعه بندی مؤثر تصویر یک مرحلهی مهم در کاربردهای بینایی ماشین، سنجشازدور و اصولاً کاربردهایی است که در آنها تشخیص اشیاء تصویری مدنظر میباشد. قطعه بندیکاملاً اتوماتیک تصاویر هوایی/ماهوارهای روندیکاملاً دشوار بوده و گاها برحسب نوع عارضه و شرایط طبیعی موجود، شناسایی محدوده صحیح همه عوارض و قطعات تصویری در دسترس نخواهد بود؛ بعلاوه در کاربردهای مختلف سنجشازدوری شناسایی کامل محدودهی عوارض و کلاسهای مختلف، اغلب مورد انتظار و برای هدف موردنظر ضروری خواهد بود.
در این موارد اگر از روشهای قطعه بندی به صورت عام استفاده شود چون اطلاعات کلی تصویر و ویژگیهای عام تصویری برای قطعه بندی در نظر گفته میشود برای برخی از تارگتهای خاص - عوارض هدف - محدودهها به درستی استخراج نمیشود.
از طرفی در بسیاری از کاربردها اطلاعات قبلی از تصویر موجود است که میتواند در روند کار مورد استفاده قرار گیرد، در موارد اینچنینی راهکارهای تعاملی راهحلهای خوبی هستند. در این پژوهش قطعهبندی تصاویر هوایی رقومی بر اساس تعاملی که بین اطلاعات قبلی و اطلاعات تصویری موجود وجود دارد صورت میپذیرد. ابتدا با استفاده از قطعه بندی سطح پایین تصویری قطعات هموژن اولیه تولید خواهد شد، سپس با استفاده از روش حداکثر تشابه بر اساس مکانیزمی اتوماتیک عملیات قطعه بندی با استفاده از اطلاعات محلی اخذ شده به کمک دانههای اولیه، بر روی قطعات اولیهی تولید شده صورت میپذیرد.
در نهایت به منظور ارزیابی روش، نخست روش پیشنهادی در حالتهای مختلف فضای ویژگی و قطعات ورودی اولیه مورد آزمایش قرار گرفته و همچنین در ادامه با الگوریتمهای استاندارد مانند مینیم انتقال، گراف نرمال، سطوحهمتراز و رشد ناحیه مورد قیاس قرار گرفت، و مشاهده شد که این روش با کیفیت مناسبتری نسبت به سایرین و خطاهای کلی نادیده گرفتن 1.97 و مشارکت 2.76 قادر به شناسایی قطعات مورد نظر تصویری بوده است.
-1 مقدمه
قطعه بندی تصویر روند تقسیم تصاویر دیجیتال به واحد فضایی منسجم و یا مناطق می باشد. این مناطق نشان دهنده اشیاء یا کلاسهای متمایز از عوارض در تصاویر است. این فرآیند یکی از مهم ترین پردازش سطحپایین بر رو ی تصاویر هوایی /ماهوارهای است که در آن ها شناسایی محدوده ی عوارض و کلاسهای مختلف موردنظر خواهد بود؛ در این موارد اگر از قطعه بندی تصویر به صورت کلی استفاده شود چون اطلاعت عام تصویری برای قطعه بندی در نظر گفته می شود برای برخی از عوارض هدف محدوده ها به درستی استخراج نمی شود.
از طرفی در بسیاری از کاربردها، اطلاعات قبلی از تصویر موجود است که می تواند در روند کار مورد استفاده قرار گیرد و صرف اینکه در روشهای مختلف بخواهیم روند کاملاً مستقل را طی کنیم، بی اعتنایی و عدم استفاده از اطلاعات موجود را توجیه پذیر نمی سازد، برای نمونه در بسیاری از کاربردها وجود داده های gis، نقشه های قبلی یا نقاط اولیه1 قبلی میتواند راهنمایی خوب جهت قطعهبندی صحیح تارگتهای هدف باشد. در موارد اینچنینی طرحهای تعاملی راهحلهای خوبی هستند.
در این پژوهش قطعه بندی تصویر بر اساس تعاملی که بین اطلاعات قبلی و اطلاعات تصویری موجود وجود دارد صورت می پذیرد، در این روش فقط نیاز به اطلاعات تقریبی اولیه از محل عارضه هدف می باشد که نقاط اولیه نامیده می شود. سپس با استفاده از روش حداکثر تشابه و بر اساس مکانیزمی خاص عملیات قطعهبندی با استفاده از اطلاعات محلی اخذ شده به کمک دانه های اولیه صورت می پذیرد.
برای این منظور ابتدا ریزعارضههای مختلف تصویری استخراج شده و سپس عملیات ادغام مناطق بر اساس اینکه قطعه هدف با مناطق مجاور آن دارای شباهت بالایی نسبت به سایر مناطق مجاور بوده صورت خواهد پذیرفت. روش ارائه شده بهطور خودکار ادغام مناطق را پی میگیرد، و پس از آن به طور مؤثر با برچسب زدن تمام مناطق غیر منتخب به عنوان پس زمینه روند را به اتمام می رساند. روند ادغام منطقه تطبیقی متناسب با محتوای تصویر است و نیازی به تنظیم آستانه شباهت در آن وجود ندارد. نتایج اجرا بر روی تصاویر تست سنجشاز دوری نشان می دهد که طرح پیشنهادی در استخراج عوارض هدف تصاویر هوایی/ماهوارهای دارای عملکرد مناسبی بوده است.
-2قطعه بندی تصویر
قطعه بندی تصویر روند پارتیشن بندی یک تصویر به بخش های متعدد - مجموعه ای از پیکسل - است، به عبارتی قطعه بندی به منظور جداسازی اشیاء موردنظر از پس زمینهی تصویر میباشد. قطعه بندی تصویرمعمولاً به پیدا کردن اشیاء و مرزهای - خطوط، منحنی ها و ... - آن ها در تصاویر منجر می شود. روش قطعه بندی سطح تصویر پایین، مانند حوضه آبریز - آبپخشان - 2، مینیمم انتقال3، سوپر پیکسلها4و ... معمولاً تصویر را به بسیاری از مناطق کوچک - ریزعارضه - تقسیم خواهد نمود .[4- 1] اگرچه ممکن است این کار تصویر را به بخشهای زیادی قطعهبندی کرده باشد، اما این روش قطعه بندی سطح پایین مبنای خوبی برای عملیات سطح بالای بعدی، ازجمله تلفیق مناطق فراهم خواهد کرد.
هر یک از پیکسلها در یک قطعه در برخی از پارامترهای مشخصه یا محاسبه شده، مانند رنگ، شدت و یا بافت مشابه هستند و مناطق مجاور با توجه به ویژگی های قبلی به طور قابل توجهی متفاوت خواهند بود. به طورکلی رنگ، بافت و سایر ویژگی های عوارض در یک تصویر سنجش ازدوری در مقایسه با تصویر مرسوم پردازش تصویری و تصاویر صنعتی یا پزشکی اخذ شده در شرایط خاص و کنترل شده بسیار پیچیده می باشد، به طوری که قطعه بندی تمام اتوماتیک عارضه-های هدف بسیار دشوار خواهد بود
از این رو روش های قطعهبندی نیمه اتوماتیک و در ارتباط با برخی از اطلاعات قبلی موجود پیشنهاد شده است، به عنوان مثال، در مدل منحنی فعال، یک انتخاب مناسب از منحنی های اولیه توسط کاربر می تواند به همگرایی خوب در مسیر شئ واقعی منجر شود، به طور مشابه، در الگوریتم های گراف، اطلاعات به دست آمده از قبل توسط کاربران در عملکرد قطعهبندی مهم است
نقاط اولیه نشانگر برخی از ویژگی های کلیدی شئ می باشد. مشابه روش گراف که در آن نقاط 5 محل های شروع می باشند، روش ادغام منطقه از مناطق منتسب به نقاط اولیه شروع خواهد شد به تدریج به صورت برچسب منطقه شئ در خواهد آمد. در [6] روش ارائه شده ترکیبی از گراف بر اساس قطعهبندی اولیه حوضه آبریز را اراده میدهد، در واقع یک روش ادغام منطقه است که توسط یک الگوریتم حداکثر جریان کنترل می شود
همچنین در تلاش دیگری لی و همکاران نیز قطعه بندی حوضه آبریز را با روش گراف برای حصول نتایج بهینه ترکیب نمودند که در آن مناطق تقسیم شده توسط حوضه آبریز، به جای پیکسل، به عنوان گره های گراف در نظر گرفته شدند .[15] اگر چه ایده این پژوهش از نظر معرفی نشانگر در قطعه بندی های تعاملی در طرح حوضه آبریز و طرح های گراف مورد استفاده قرار گرفت [17 ,16 ,14 ,9 ,6]، این مقاله برای اولین بار از آن به منظور استخراج مرز نواحی از طریق هدایت تلفیق مناطق در تصاویر هوایی/ماهوارهای استفاده میکند.
-3مبانی و تئوری تحقیق
در این روش ابتدا یک قطعه بندی اولیه به منظور بخش بندی تصویر به مناطق همگن صورت می گیرد تا عملیات ادغام نواحی به جای پیکسل های تصویری بر روی این نواحی صورت پذیرد. این کار دو مزیت عمده دارد، نخست اینکه حجم عملیات ادغام به میزان زیادی کاهش می یابد و علاوه بر آن به علت استفاده از نواحی همگن از نویزی شدن قطعهبندی نهایی جلوگیری به عمل خواهد آمد.
این کار توسط هر یک از روش های قطعه بندی سطح پایین موجود می تواند صورت پذیرد که تعدادی از آن ها در بخش قبل معرفی شدند. برای نمونه روش حوضه آبریز قطعات اولیه همگن و نگهدارندهی مرز تولید مینماید اما قطعات آن دارای ابعاد کوچکی است که موجب طولانی شدن روند ادغام و بروز اشتباه در روند تلفیق خواهد شد؛ و یا روش سوپر پیکسل که میتواند ابعاد بزرگ تری را اختیار نماید اما در حفظ مرز نواحی دچار مشکل است و لبهها در این روش به خوبی حفظ نمیشود. در مقالات مختلف روش مینیمم انتقال به دلیل استخراج بهینه قطعات اولیه و حفظ لبههای عوارض به عنوان روشی کارآمد معرفی شده است.
پس از قطعه بندی اولیه، مناطق کوچک بسیاری در دسترس است. برای هدایت فرایند ادغام باید نسبت به تعریف برخی توصیفگرها و ایجاد یکسری قوانین برای ادغام مبادرت ورزید. قطعات را می توان توسط توصیفگرهایی مانند رنگ، لبه، بافت، شکل و ویژگی های هندسی مورد بررسی قرار داد، در این میان هیستوگرام رنگ به شکل مؤثری برای نشان دادن ویژگی های آماری رنگ شئ مورد استفاده قرار می گیرد و به شکل گسترده ای در شناخت الگو، برچسب گذاری کلاس های مختلف تصویری، ردیابی شیء و غیره مورد استفاده قرار می گیرد
برای عملیات ادغام مناطق استفاده از هیستوگرام رنگ نسبت به ویژگی های توصیفی دیگر عملکرد مناسبتری دارد، دلیل این امر آن است که در ابتدا مناطق کوچک حاصل از هر شئ اغلب تفاوت زیادی در اندازه، بافت و شکل داشته، درحالی که رنگ مناطق مختلف از همان جسم شباهت بالایی دارند. بنابراین، استفاده از هیستوگرام رنگ برای ارائه ویژگی های هر منطقه منطقی خواهد بود.
هدف این است که چگونه ادغام مناطق را بر اساس نمودار هیستوگرام رنگ انجام دهیم. ازآنجایی که هر عارضه ای از مناطق هموژن تشکیل شده که در مرحله قبل توسط روش های قطعه بندی سطح پایین استخراج شده است، حال بایستی یک معیار شباهتی بین مناطق تعریف کنیم
