بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
مقایسه بین نه روش تشخیص لبه در تصاویر
هدف این مقاله مقایسه بین نه روش تشخیص لبه در تصاویر است، نه روشی که در مقایسه استفاده کردیم روش های Canny، Sobel، Roberts، LoG، Zerocross ، Prewitt ، Morpho و آتوماتای سلولی و یک روش جدید لبه های متصل به عنوان مرزهای منطقه پایدار است. این روش جدید را کاملا توضیح خواهیم داد، روش مقایسه بین روش ها با استفاده از نسبت عملکرد و همچنین نسبت اوج سیگنال به نویز با توجه به یک بستر حقیقی از خروجی واقعی خواهد بود. نتایج بدست آمده نشان می دهد که کارآمدترین روش آتوماتای سلولی است.
واژگان کلیدی: لبه یابی، مقایسه بین روش ها، کارآمد.
هدف اصلی از لبه یابی کاهش مقدار داده است در حالی که اطلاعات مهم در مورد محتوای تصویر را حفظ کنیم . در اکثر روش های تشخیص لبه مثل کنی پسپردازش ضروری است، زیرا اغلب کشف چهارچوب نیازمند فهرستی از لبه با برچسب مرتبط در تصاویر است، که توسط تحلیل - T) T-junctions اتصالات )، توسط ساختن شاخههای لبه چندگانه یا حتی با تشکیل گروههای contour پیچیده به دست آمده است .[ 1 ]
در کل، لبه یابی در مورد مشکلات بینایی کامپیوتری بسیار مهم است. روش ها را میتوان تقسیم کرد به روشهای که به سادگی تفاوتهای شدت محلی راتجزیه و تحلیل می کنندو روشهای مبتنی بر یادگیری، که تمرکز بر روی یادگیری ظاهر لبه ها ست. برای وظایف خاص یا در راه عمومی تری برای تصاویر طبیعی استفاده می شوند . روشهای مبتنی بر یادگیری لبه یابی نتایج را با استفاده از آموزش تصاویر بهبود می دهند. با این حال, این روش ها یک اشکال اصلی دارند و آن زمان محاسبات بالا است . بنابراین، تشخیص لبه محلی هنوز هم به دلیل سادگی محاسباتی از بهره بالا برخوردار است.
-2 کار مربوطه
روش تشخیص لبه کنی در بیشتر موارد [2] به دلیل سادگی، اثر بخشی بالا و بهره وری آن استفاده می شود. لبه یاب کنی، ابتدا تصویر را نرم می کند تا اثر نویز را حذف کند. سپس گرادیان تصویر را می گیرد تا نواحی با تغییرات بالا (مشتقات مکانی بالا) را پیدا کند سپس الگوریتم در طول این نواحی حرکت می دهد تا از هر پیکسلی که گرادیانش ماکزیمم نباشد جلوگیری کند (یافتن ماکزیمم محلی) در مرحله بعد از مفاهیم Hysteresis استفاده می شود.Hysteresis از دو حد آستانه بالا و پائین استفاده می کند. واگر اندازه و مقدار شدت در پیکسل از حد آستانه ی اول (حد پائین ) کوچکتر باشد، مقدارش صفر قرار داده می شود. اگر مقدارش بین دو حد آستانه بود، مقدارش صفر می شود مگر آنکه یک مسیر ازاین پیکسل به پیکسل دیگر با گرادیان بالاتر از حد آستانه ی دوم(حد بالا ) وجود داشته باشد . به عبارت دیگر یک اتصالی بین این پیکسل با پیکسل های لبه وجود داشته باشد و اگر مقدار پیکسل از حد آستانه بالا بیشتر باشد ، آن پیکسل را به عنوان لبه انتخاب می کنیم. مشکل اصلی کنی این است که به انتخاب دستی آستانه حساسیت دارد.
نظر به اینکه عموم روش ها پیشتر و قبلا توضیح داده شده اند، شاید تنها روش جدید با نام لبه یابی در درخت جز نیاز به توضیح داشته باشد.
.
2 لبه یابی در درخت جز
روش لبه یابی جدید ما و روش های برچسب زنی در سه مرحله متوالی انجام می شود :
- اول، الگوریتم های لبه یابی را اعمال می کنیم در برخی از مراحل قبل از پردازش اولیه که خلاصه شده در بخش 1-3 خروجی اولین مرحله مقدار شیب نرمال یک تصویر است.
- دومین مرحله برای ساخت ساختار داده های سلسله مراتبی به نام درخت جز که یک نمایش منحصر به فرد از مقدار شیب تصویر به دست آمده است. تعریف درخت جز و محاسبه کارآمد آن در بخش 2-3 معرفی شده است.
- در نهایت، برای تشخیص پایدارترین لبه، درخت جز با مقایسه شکل از مناطق در سطوح مختلف با استفاده از یک روش تطبیق شکل جزیی ساده تحلیل می شود. در چنین راهی ما قادر به اندازهگیری پایداری مرزها از هر منطقه و بازگرداندن پایدارترین آنها به طور خودکار در یک برچسب خواهیم بود.
2 2
به عنوان قدم اول ما مقدار شیب تصویر را بدست می آوریم که به عنوان ورودی برای تجزیه و تحلیل درخت جـز مشـخص شده در بخش 2-3 مورد استفاده قرار می گیرد. لطفا توجه داشته باشید که ما میتوانیم از هر نقشه شیب برای روش های لبه یابی پایدار استفاده کنیم، پاسخهای گرادیان توسط آشکار ساز برکلی بـه دسـت مـی آیـد. امـا بـه دلیـل سـادگی و پیچیـدگی محاسباتی بسیار پایینتر ما به مشتقات گاوسی ساده رو می آوریم.
2 2
برای تشخیص و برچسب گذاری لبه های پایدار در یک تصویر با اشاره به ساختار دادههای منحصر به فرد برای مقدار شیب به دست آمده تصویر درخت جز ایجاد می کنیم. درخت جز در اصل در آمار برای طبقه بندی و خوشه بندی معرفی شده است. برای این حوزه از تحلیل تصویر به عنوان " بازنمایی از یک سطح خاکستری تصویرکه حاوی اطلاعاتی در مورد هر مولفه تصویر وارتباط میان اجزا متوالی سطوح خاکستری در تصویر وجود دارد." استفاده می شود.
درخت مولفه میتواند ساخته شود برای هر راس- وزن نمودار که توسط یک سه گانه(G = (V,E, I تعریف می شود. V یک مجموعه متناهی از رئوس است. مجموعه ای از پیکسل ها از تصویرمان با V نشان داده می شود که یک زیر مجموعه از می باشد. بنابراین یک راس در مورد ما با دو مختصات آن تعریف می شود .
E مجموعه یالهاست که توسط روابط همسایگی اش در گراف تعریف می شود ، جایی کهΓ نگاشتی از به زیر مجموعه ای از V ها ( رئوس ) است، به طوری که برای هر پیکسل ،، می باشد. اگر یک پیکسل یاشد ،ما می گوییم که y همسایه x است .در تنظیمات تصویر روابط همسایگی توسط همسایگی استاندارد چهارگانه تعریف شده است مانند:
(1)
I یک نگاشت از V به D است، که D مجموعه متناهی است که اجازه دسترسی به نقاط را می دهد. به عنوان مثال a مجموعه متناهی از اعداد صحیح است. در این مورد D = {0,1,…,255} و نگاشت I توسط اندازه شیب نرمال شده تعریف شده ، که تا بالاتر از محدوده اعداد صحیح بدون علامت 8 بیتی درج شده است. مقادیر اندازه I معکوس شده اند بنابراین یک مقدار کوچکی وجود دارد که مقادیر گرادیان بالا را نشان می دهد. یک برشی از مسیر راس گراف وزن دار در سطح t تعریف شده به
عنوان .در هر مسیر عبوری ممکن یک گراف بدون وزن استاندارد است که توسط یک چندتایی
تعریف شده است، جایی که E یک رابطه دوطرفه با V می شود انعکاس ندارد و
متقارن است. E برای یک بخش از مقطع پیکسل های متصل همسایه (x,y) است فقط اگر
و باشد.
به طور خلاصه درخت جز یک نمایش منحصر به فرد برای ساختارهای اندازه شیب رمزگذاری شده در تصاویر می باشد مثلا در شکل .1 همان طورکه مشاهده می شود مناطق با برش هایی از درخت جز به منظور وصل کردن نواحی گسسته در تصویر توسط مقدار شیب های زیاد در امتداد مرزهایشان به مفهوم تقسیم بندی منطقه برمی گردد. هر گره از درخت شامل داده مربوط به مرز بیرونی منطقه ، سطح درخت و روابط سلسله مراتبی به سایر گره های درخت جز می شود . شکل برخی از نواحی در طی چندین سطح از درخت یکسان می ماند که معیاری است که ما از آن برای شناسایی لبه های پایدار در بخش بعد استفاده می کنیم ، علاوه برآن از آنجایی که ما فقط می خواهیم لبه های پایدار را شناسایی کنیم که توسط یک ناحیه همسایگی بزرگ محافظت می شوند.
شکل (1) نمایش تصویر درخت جز است، ردیف اول سمت چپ تصویر ورودی و اندازه گرادیان(شیب) به دست آمده را نشان می دهد. نقشه پاسخ(مقادیر تیره برابر مقادیر گرادیان بالا). ردیف دوم نتایج برچسب را پس از آستانه گذاری اندازه تصویر در دوسطح مختلف نشان می دهد .
2
آزمایشی که انجام دادیم بر روی شش تصویر نمایش داده شده در شکل 2 بود.
