بخشی از مقاله
چکیده
یک عملیات پرکاربرد در پردازش تصویرلبه یابی است.پایه واساس بسیاری از پردازش های دیگر همچون جداسازی وتشخیص اشیا در تصویر، لبه یابی است. هدف از این تحقیق طراحی روشی برای تشخیص لبه های تصویر در سطوح مختلف است . این روش توانسته لبه های موجود در تصویر را در سطوح مختلف وبا پیچیدگی های عوارضی مختلف اعم از ساده وپیچیده را به شکل پیوسته وبدون نویز استخراج کند.
انتخاب حدود آستانه تاثیر بسزایی در نتیجه لبه یابی دارد.با استفاده از الگوریتم آموزش ویادگیری بر پایه بهینه سازی - - tlbo به انتخاب حدود آستانه منتخب جهت بخش بندی تصویر مورد استفاده می پردازیم که برای لبه یابی این تصویر بخش بندی شده از تبدیلات برشی چند جهته که با عملگرcanny ادغام شده است استفاده می شود. روش پیشنهادی با سایر روش های قدیمی مانند سوبل، پرویت،لوگ ، canny و آنتروپی شانون مقایسه شده که نشان می دهد لبه یابی پیشنهادی بهتر عمل کرده و از نویز ومخدوش بودن کمتری نسبت به روش های پیشین برخوردار است.
مقدمه
تشخیص لبه به شناسایی تغییرات ناگهانی در مقادیر درجات خاکستری تصویر مربوط می باشد - . - Gudmundsson et al,1998 لبه را می توان به عنوان مرز میان دو منطقه از هم جدا شده توسط دو خواص نسبتا متمایز سطح خاکستری تعریف نمود،همچنین یکی از ویژگی های مفید وموثر در بازشناسی اشیا استفاده از اطلاعات شکل و لبه های آن ها است یک آشکارساز لبه کار آمد حجم زیادی از داده ها را کاهش می دهد اما هنوز هم بسیاری از ویژگی های مهم تصویر را نگه می دارد - . - El-Zaart,2010
بسیاری ازروش های کلاسیک برای تشخیص لبه بر پایه مشتق پیکسل های تصویر اصلی عمل می کنند، اپراتورهای تشخیص لبه کلاسیک مانند رابرتز ، سوبل، پرویت و اپراتور لاپلاسین یک تابع گاوسی - LOG - ، با محاسبه مشتقات جزئی در یک همسایگی به شناسایی لبه های تصویری می پردازند اما لبه ها را نمی توانند خیلی خوب تشخیص دهند . - Biswas and Sil, 2012 - , - He and Zhang,2007 - طبق تحقیقات - Kiani and Sahebi, 2015 - مشخص گردید که تعیین حدود آستانه مناسب تاثیر بسازایی در نتیجه لبه یابی دارد که در این تحقیق از حد آستانه های متغیر برای تشخیص لبه با جزییات متفاوت استفاده شده است.
در همین راستا مشاهده گردید که در تصاویر با جزییات کم برای محاسبه لبه یابی مناسب نیاز به تعیین تعداد حدود آستانه بالا می باشد که با این کار تصویر لبه یابی شده را بشدت نویزی ومخدوش می کند، برای رفع این مشکل از تبدیلات برشی چند جهته ولبه یاب کنی به جای آنتروپی شانون برای استخراج مرز بین مناطق و تعیین لبه بهینه استفاده کردیم واین نقص برطرف گردید. برای تعیین حدود آستانه ها از روش الگوریتم آموزش و یادگیری بر پایه بهینه سازی - - TLBO استفاده شده جهت اجرای ساده و همچنین نیاز به پارامتر های کمترکه در عین حال همان کیفیت پاسخ بهینه روش های قبل را نتیجه می دهد - . - R.V. Rao et al,2011
روش تحقیق
هر حد آستانه پیکسل های تصویر را به دو دسته طبقه بندی می کند. پس از ورود تصویر ابتدا تصویر را به تکه های تصویری تقسیم کرده مطابق تحقیقات - Kiani and Sahebi, 2015 - در نهایت حدود آستانه منتخب از میان همه ی حدود آستانه به دست آمده استخراج می گردند. ماتریس حدود آستانه دارای p*k مقدار خواهد بود، این به معنی حجم وسیعی از اطلاعات می باشد که اگر به شکل مناسبی مورد استفاده قرار گیرند می توانند منجر به کشف لبه مطلوب و دقیقی از کلیه ی نقاط تصویر شوند.
بدین منظور می توان از روش های بهینه سازی برای این کار بهره گرفت ، یکی از این روش ها استفاده از الگوریتم آموزش ویادگیری بر پایه بهینه سازی - - tlbo می باشد. این روشی مناسب جهت بهینه سازی روند خوشه بندی می باشد. مراکز هر خوشه به عنوان یکی از نتایج خروجی خوشه بندی با استفاده از الگوریتم آموزش بر پایه بهینه سازی، همان حدود آستانه منتخب جهت بخش بندی تصویر می باشد. یک تصویر بخش بندی شده از تصویر ورودی به دست خواهد آمد. به عبارتی یک تصویر کد گذاری شده با استفاده از حدود آستانه منتخب ایجاد می شود، برای لبه یابی این تصویر از تبدیلات برشی چند جهته استفاده شده است. - . - Pengfei Xu et al ,2012 مراحل لبه یابی تبدیلات برشی چند جهته به شرح زیراست :
الف- تصویر بخش بندی شده را در جهت افقی و عمودی گسترش می دهیم.از انعکاس متقارن افقی و عمودی استفاده می کنیم.ب- تبدیلات برشی چند جهته ،در این مرحله تصاویر گسترش یافته از مرحله قبل را به وسیله تبدیلات برشی و با توجه به مقدارndir به دست می آوریم.در اینجا مقدار ndir را برابر با صفر در نظر می گیریم،در نتیجه سه تصویر در جهت افقی و سه تصویر در جهت عمودی داریم که این دو بخش با فرمول های - 1 - و - - 2و - - 3 پیاده سازی می شود.ج- لبه های تصویر گسترش یافته در مرحله قبل را با استفاده از عملگر Canny به دست می آوریم .
د- در این مرحله تصاویر برشی مرحله قبل را که لبه های آنها پیدا شده و به صورت تصاویر برشی می باشند،دوباره به حالت اولیه باز می گردانیم. این تصاویر با هم از لحاظ لبه متفاوتند.در واقع این مرحله برعکس مرحله - ب - است. ه - ادغام اطلاعات لبه ای تصویر.دراین مرحله اطلاعات لبه ای سه تصویردرجهت افقی وسه تصویردرجهت عمودی را باهم ادغام می کنیم وباتوجه به فرمولهای وزن دهی که برای هرتصویردرنظرمی گیریم به یک تصویر واحد درجهت افقی و یک تصویر واحد در جهت عمودی می رسیم که پیاده سازی بخش - ه - با فرمول های 4تا 7 انجام می شود.
و- دو تصویر بدست آمده در هر جهتو - H2 + 1 - را به صورت متقارن جمع می کنیم تا دو تصویر - - H2 + 1 بدست آید. س- با توجه به میانگین وزنی و با شمارش تعداد پیکسل های دو تصویر و - - H2 + 1 در مرحله قبل،آنها را با هم ترکیب می کنیم که پیاده سازی بخش - و - و بخش - س - با فرمول های 8تا 10 انجام می شود. برای اشراف کامل بر روش پیشنهادی ما فلوچارت کلی الگوریتم مورد استفاده را در شکل - 1 - آورده ایم.
یافته ها
در تحقیقات - - Kiani and Sahebi, 2015 از حد آستانه های متغیر برای تشخیص لبه با جزییات متفاوت در تصاویر هوایی استفاده شده است در همین راستا مشاهده گردید که در تصاویر با جزییات کم برای محاسبه لبه یابی مناسب نیاز به تعیین تعداد حدود آستانه بالا می باشد که با این کار تصویر لبه یابی شده را بشدت نویزی ومخدوش می کند ، ما برای رفع این مشکل از تبدیلات برشی چند جهته ولبه یاب کنی واین نقص را برطرف نمودیم. همچنین از الگوریتمی ساده تر به نام آموزش ویادگیری بر پایه بهینه سازی - TLBO - استفاده نمودیم و مشاهد کردیم که روند اجرای رسیدن به لبه یابی سریع تر بود .
به عبارتی سرعت برنامه بالاتر رفت که این خود در کارهای پردازشی مزیت محسوب می شود.برای مشاهده نتایج روش پیشنهادی الگوریتم را بر روی انواع تصویر با عوارض کم وزیاد تست کردیم ولبه های حاصل را بدست آوردیم. در نمونه آزمایشی اول از تصویر لنا استفاده شده است شکل - - 4 در این تصویر برای بدست آوردن بیشترین لبه مجبور به انتخاب تعداد آستانه بالا می باشیم که به روش - Kiani and Sahebi, 2015 - تصویر همانطور که مشاهده می نماید بسیار مخدوش می باشد. شکل - -4د ، و - اما با اعمال روش پیشنهادی به تصویر، لبه یابی مناسبی انجام شده است .
نتایج روش پیشنهادی و روش های دیگر در شکل - - 4 آمده است.همچنین در نمونه آزمایشی دوم به تاثیر تعداد آستانه و افزایش بخش بندی بر روی تصاویر پرداخته ایم و در کنار آن نتایج را به روش های مرسوم مقایسه کردیم در این مورد لبه یابی پیشنهادی از لبه یاب های معروفcanny و log هم بهتر عمل کرده ، با افزایش تعداد آستانه حروف بیشتری از متن تصویر نمایان شده است. این نشان از قدرت تشخیص لبه روش پیشنهادی و قابلیت انعطاف با انواع تصاویر می باشد. نتایج نمونه آزمایشی دوم در شکل - - 3 آمده است.
مقایسه روش های مرسوم با روش پیشنهادی با تصویر هوایی هم مورد آزمایش قرار گرفت که نتایج آن در شکل - - 5 قابل مشاهده است. عوارض زمین در بخش زمین فوتبال وسایر مناطق بصورت واضح قابل تشخیص می باشد همچنین نسبت به روش - Kiani and Sahebi, 2015 - از نویز و مخدوش بودن کمتری برخوردار است. نمودار تابع هزینه هر سه تصویر مورد آزمایش در شکل - - 2 رسم شده است. شکل - -2الف - نمودار تابع هزینه تصویر لنا ، شکل - -2ب - نمودار تابع هزینه متن نوشته و شکل - -2ج - نمودار تابع هزینه تصویر هوایی است.
