مقاله مروری بر روشهای قطعه بندی تصویر مبتنی بر سیستم های چند عاملی

بخشی از مقاله

مروری بر روشهای قطعه بندی تصویر مبتنی بر سیستم های چند عاملی
خلاصه
با ظهور سیستمهای کامپیوتری، روشهای پردازش تصویر در طیف گستردهای از کاربردها به طور فزایندهای مورد توجه قرار گرفته است. قطعهبندی تصویر†، یکی از موضوعات کالسیک در زمینه پردازش تصویر ‡ است. تکنیک های تقسیم بندی تصاویر یک کار ارزشمند در بسیاری از حوزه ها مثل تعیین خاصیت یک بافت، تشخیص پزشکی، برنامه ریزی درمان و غیره است. تقسیم بندی تصاویر هنوز یک مسئله قابل بحث با توجه به برخی مسائل است. امروزه با توجه به افزایش و اهمیت کاربرد قطعهبندی تصویر مخصوصا در تصاویر پزشکی، روشهای متعددی برای قطعه بندی ارائه شدهاند که یکی از رویکردهای اخیر، استفاده از عاملها و سیستمهای چندعاملی برای تقسیمبندی میباشد.
در این مقاله، با مرور انواع روشهای قطعهبندی تصویر، طرحهایی که تاکنون برای هر یک از انواع مدلهای تقسیمبندی تصویر ارائه شدهاند، بررسی و عملکرد آنها با یکدیگر مقایسه میشوند. هدف از این مقاله، مرور روشهای موجود، کشف ضعف آنها و ارائه راهکارهایی است که میتواند برای کار در آینده استفاده شود.
کلمات کلیدی: پردازش تصویر، قطعهبندی تصویر، سیستمهای چندعاملی

.1 مقدمه
تحلیل تصویر، معموالً به پردازش تصویر از طریق کامپیوتر با هدف یافتن اینکه چه اشیایی در تصویر وجود دارد، گفته میشود. قطعهبندی تصویر یکی از حیاتیترین وظایف در تحلیل خودکار تصویر است که شامل تقسیم تصویر به اجزای اصلی آن و استخراج اشیای موردنظر میباشد. قطعهبندی تصویر یکی از روشهای پرکاربرد برای طبقهبندی صحیح پیکسلهای یک تصویر در کاربردهای متمایل به تصمیم است. قطعهبندی تصویر تکنیکی است که یک تصویر را به نواحی یکنواخت و بدون همپوشانی مبتنی بر بعضی معیارهای شباهت، تقسیم میکند-1- انواع الگوریتمهای قطعهبندی تصویر در دههای اخیر توسعه داده شده و چندین مقاله مروری در این زمینه ارائه شده است-5-2- از آنجایی که روشهای ارائه شده به طور کلی برای تمام تصاویر، عملی نیستند و الگوریتمهای مختلف پیشنهاد داده شده، برای یک کاربرد خاص مناسب نمیباشند، ارزیابی عملکرد الگوریتمهای قطعهبندی ضروری است و بنابراین به عنوان یک موضوع مهم در زمینه تحقیق قطعهبندی تصویر مطرح میباشد-4-
در این تحقیق، هدف ما بررسی انواع روشها و الگوریتمهای پیشنهادی برای قطعهبندی تصاویر با استفاده از عاملها میباشد. با معرفی هر یک از روشها و بررسی آنها، نقاط ضعف موجود در این زمینه آشکار میشود و میتواند به عنوان کارهای آتی مورد توجه محققان قرار گیرد.
در بخش بعدی به طور جزئیتر بر روی انواع روشهای قطعهبندی تمرکز کرده و انواع روشها و الگوریتمهای موجود را بررسی خواهیم کرد. در بخش3 مقایسه و بررسی مزایا و معایب هر یک از الگوریتمهای معرفی شده انجام میگیرد. بخش4 و پایانی مقاله نیز به جمعبندی و پیشنهادهایی برای کارهای آتی می پردازد.

.2 قطعهبندی تصویر
تکنیکهای تقسیمبندی تصاویر کار بسیار ارزشمندی در بسیاری از حوزهها مثل تعیین نوع بافت، تشخیص پزشکی، پاتولوژی، مطالعه ساختار تشریحی برنامهریزی درمان ، اصالح بخشی از حجم عملکردی دادههای تصویر برداری و عملهای جراحی که کامپیوتر در آنها دخیل میباشد، است. تقسیمبندی، تصویر را به چندین قسمتهای جداگانه تبدیل می کند در حالیکه کل قسمتهای جدا شده می توانند تصویر کامل را بازسازی کنند. تقسیم بندی تصویر هنوز یک مسئله قابل بحث است در حالیکه تحقیقات بسیاری روی آن در دهه اخیر انجام شده است6- ولی در حالت کلی تعریف مشخصی برای قطعهبندی وجود ندارد. از اینرو نمیتوان یک روش استاندارد واحدی از قطعه بندی را به وجود آورد، بلکه مجموعهای از روشها ارائه شدهاند که درجهی کارایی مختلفی برای قطعهبندی هر تصویر دارند. از اینرو تعیین درجهی کارایی هر روش ضروری به نظر میرسد. متاسفانه از لحاظ کمی هم هیچ معیار سنجش کارایی قطعهبندی تصویر وجود ندارد. اساسیترین ویژگی در قطعهبندی یک تصویر تک رنگ، میزان درخشندگی تصویر و در قطعهبندی یک تصویر رنگی، مولفههای رنگیاش میباشند. همچنین لبههای تصویر و بافت ویژگیهای سودمندی برای قطعهبندی میباشند.
برای چندین سال، روشهای تقسیمبندی تصویر، سیستمهای یکپارچهای را برای انجام وظایف پیچیده بهکار می-بردند، بنابراین رویکردهای جدیدی برای مقابله با تقسیمبندی تصویر موردنیاز است. یکی از این روشها، سیستمهای چند عاملی میباشد-6- یک عامل به عنوان یک موجودیت خودکار شناخته میشود که در یک محیط قرار گرفته و قادر به انجام اعمال در آن محیط است و با عاملهای دیگر هم میتواند ارتباط برقرار کند-8 ,7- عامل می تواند از ویژگیهای خود برای ایجاد قطعات در طول زمان استفاده کند. به علت طبیعت خودکار عامل، برای قطعهبندی تصاویری با پیچیدگی باال مناسب است-6- ساختار درونی یک عامل در شکل 1 نمایش داده شده است.


یک سیستم چند عاملی مسائل موجود را از طریق ارتباط بین عاملهای مختلف حل میکند بدون اینکه کنترل خارجی وجود داشته باشد-8 ,7- استفاده از سیستمهای چند عاملی در سیستمهای تحلیل تصاویر مزایایی از جمله انعطافپذیری، موازیسازی دارد-7- در روشهای قطعهبندی تصویر، تصویر اصلی به چند زیر تصویر تقسیم شده و هر یک از عاملها در این زیر تصویرها کار کرده و عملیاتی انجام میدهند و در نهایت نتیجه را به عامل کنترل کننده ارسال می-کنند و یا با یکدیگر ارتباط برقرار کرده و نتایج را به اشتراک میگذارند-9 ,7 , 6- عاملها میتوانند به صورت توزیعشده هم بر روی تصاویر کار کنند و برای تقسیمبندی دادههای بزرگ بهکار روند-9 ,7- روشهای قطعهبندی تصویر را میتوان به دو دسته اصلی روشهای قطعهبندی مبتنی بر الیه* و قطعهبندی مبتنی بر بلوک† تقسیم کرد)3-به شکل 2 نگاه کنید(

روشهای مبتنی بر الیه، برای تشخیص هدف و تقسیم بندی تصویر، به منظور تعریف شکل، توضیح ظاهر و عمق، میباشد-3- این نوع از قطعهبندی تصویر در این مقاله مورد بحث نیست.
روشهای مبتنی بر بلوک بر اساس ویژگی های مختلف موجود در تصویر است. این ویژگی ممکن است اطالعات رنگ مورد استفاده برای ایجاد نمودار هیستوگرام و یا اطالعاتی در مورد پیکسل که لبهها را نشان می دهد و یا مرز و اطالعات بافت باشد. روش تقسیم بندی تصویر مبتنی بر بلوک بر اساس طبقه بندی بر مبنای دو خاصیت عدم پیوستگی‡ و شباهت§ در سه گروه زیر دستهبندی میشود
 روش های مبتنی بر منطقه یا ناحیه:** بر اساس ناپیوستگی.
 لبه و یا روش های مبتنی بر مرز:†† بر اساس تشابه.
 تکنیکهای ترکیبی-11-

و دو دسته دیگر از رویکردهای قطعهبندی تصویر مبتنی بر بلوک، روش مبتنی بر پیکسل و مبتنی بر مدل است-3-
همانطور که در بخش قبل اشاره شد، براساس روشهای مختلف قطعهبندی تصویر، انواع رویکردهای متفاوت براساس عاملها برای تقسیمبندی تصاویر وجود دارد. در این تحقیق، هدف ما این است که روشهای قطعهبندی مبتنی بر بلوک با بهرهگیری از سیستمهای چند عاملی را بررسی کرده و با هم مقایسه نماییم.

.2.1 قطعهبندی تصویر مبتنی بر ناحیه با بهرهگیری از سیستمهای چندعاملی
رویکرد رشد منطقه یا ناحیه، روشی است که با استفاده از همگن بودن ویژگیهایی که مناطق دارند، قطعهبندی انجام میدهدمزیت. این روش این است که به آسانی ساختار کلی تصویر را منعکس کرده و در برابر نویز نسبتاً مقاوم است. با این حال، تشخیص ترک نشان داده شده در شکل 3 با این روش، دشوار است-11-

.2.1.1 قطعهبندی براساس رشد ناحیه*
روش تقسیم بندی تصاویر پزشکی دارای محدودیت هایی است به علت اینکه تصاویر پزشکی دارای تصاویر بسیار مشابهای با زمینه خاکستری و بافتهایی در میان اشیاء مورد نظر دارد. بنابراین، خطا در تقسیمبندی ممکن است روی دهد. با در نظر گرفتن موانع فوق برای تقسیمبندی تصویر پزشکی، بنمرین-12- الگوریتمی بر اساس سیستم چندعاملی ارائه داده است. سیستم چندعاملی در این مقاله در بستر نرمافزاری JADE اجرا میشود که از استانداردهای فیپا† تبعیت میکند.
سیستم موجود در این تحقیق که برای قطعهبندی تصاویر پزشکی ارائه شده، از یک عامل سراسری‡ و چندین عامل ناحیه که بر روی تصویر توزیع شدهاند، تشکیل شده است. عامل سراسری، تصویر اولیه و اصلی را به چندین ناحیهی ابتدایی تقسیم کرده و عاملهای ناحیه را هم بر روی آن ناحیهها ضمیمه میکند و از طرفی کار کنترل کلی سیستم را بر عهده دارد-12- بهعبارتی تمام عاملهای ناحیه، اطالعات خود را در اختیار عامل سراسری گذاشته و عامل سراسری تصمیم نهایی را میگیرد. عاملهای ناحیه رفتارهای زیر را دارند؛ کشف همسایگان، انتخاب بهترین همسایه، جستجوی همسایهای که قرار است با آن ادغام§ شود و وظیفه رشد. عاملها با یکدیگر از طریق پروتکلهای ارتباطی خاص که امکان مذاکره و همکاری بهتر را میدهند، ارتباط برقرار میکنند. سیستم چند عاملی دو مرحله تقسیمبندی تصویر دارد که هر کدام معیار-های ادغام خود را دارند و عاملها در یک محیط JADE که مطابق قوانین فیپا است، عمل میکنند-12- سیستم چند عاملی ارائه شده این مقاله در شکل 4 نشان داده شده است.

در این تحقیق، هر عامل ناحیه، به وضوح محدوده اشیاء را مشخص میکند. در واقع، یک تقسیم بندی درست به سادگی با توجه به مذاکرات )تعامالت( انجام شده بین عاملهای منطقه برای انتخاب بهترین همسایگان مورد ادغام و در نهایت شناسایی ادغامهای الزم، انجام میشود.
.2.1.2 قطعهبندی براساس خوشهبندی*
روشهای قطعهبندی براساس خوشهبندی، تصویر را به گروهها یا خوشه†هایی تقسیم میکند و وقتی که فاصله نقطهای با مرکز خوشه کم باشد، آن نقطه جزو همان خوشه خواهد بود-3-
در بنچرا و همکاران-9-، یک الگوریتم کالسبندی توزیعشده c-means و اجرای آن بر روی یک بستر نرمافزاری مشارکتی‡ و هوشمند مبتنی بر عاملهای سیار مطرح شده است. این روش، این امکان را میدهد تا الگوریتم c-means را به صورت توزیعشده به کار برده و برنامه آن را بر روی عاملهای سیار به منظور اجرای توزیع شده برنامه روی یک شبکه گرید§ هوشمند کپسوله کرد؛ بهطوریکه دادهها جدا شده و دستورات برنامه بین عاملهای سیار برای انجام قطعهبندی دادههای بزرگ به اشتراک گذاشته میشود. الگوریتم c-means در -13- توضیح داده شده است.
در این تحقیق، دو نوع عامل سیار وجود دارد: 1 - عامل میزبان سیار2 - عامل کالسبندی سیار . در مرحله اول، عامل میزبان سیار، یک مجموعه از عاملهای کالسبندی که تعداد آنها وابسته به اندازه تصویر میباشد، ایجاد میکند. سپس در مرحله دوم، عامل میزبان سیار تصویر ورودی را به تصاویر ابتدایی تقسیم کرده و هر یک از آنها را به عاملهای کالسبندی برای اجرای دستهبندی در مرحله 3، ارسال میکند و در مرحله نهایی 4، عاملهای کالسبندی نتایج حاصل خود را به عامل میزبان سیار میفرستند که این عامل نتایج نهایی را به منظور نمایش تصاویر قطعهبندی شده محاسبه میکند. مراحل انجام کالسبندی از طریق عاملها در شکل 5 نمایش داده شده است.