پاورپوینت پردازش تصاویر باینری

بخشی از پاورپوینت

اسلاید 1 :

فصل ششم: پردازش تصاویر باینری

اسلاید 2 :

سرخط مطالب فصل
اهمیت تصاویر باینری
حذف نويز
فیلترینگ
تبدیل فاصله
عملیات مورفولوژیک

اسلاید 3 :

حذف نویز درتصاویر باینری
نواحي کوچک اطلاعات مفيدي ندارد
از فيلتر اندازه براي حذف اين نواحي مي توان استفاده کرد
نواحي که تعداد پيکسلهاي آن کمتر از حد آستانه T باشد, مقادير آن به 0 (مقدار زمينه) تغيير کند.
تعيين مقدار مناسب براي T عموما مشکل است
مقدار کوچک T موجب باقي ماندن نويز مي شود
مقدار بزرگ T اطلاعات مفيد را نيز از بين مي برد

اسلاید 4 :

حذف نویز درتصاویر باینری

اسلاید 5 :

عملیات فیلترینگ
انبساط (Expansion) : پيکسلهای زمينه که در مجاورت ناحيه هستند
از 0 به 1 تغيير کنند
ناحيه منبسط می شود
حفره ها پر می شوند و لذا ناحيه هموار می شود
انقباض (Shrinking) : پيکسلهاي ناحيه كه در مجاورت زمينه هستند از 1 به 0 تغيير کنند
ناحيه منقبض می شود
نويزها حذف شده و باريک سازی انجام مي شود
ترکيب انبساط و انقباض مي تواند هموارسازی بهتري ارائه کند

اسلاید 6 :

عملیات فیلترینگ
تصوير نويزي
انبساط و سپس انقباض:
حفره ها پر شده اما نويزها حذف نشده اند
انقباض و سپس انبساط:
نويزها حذف شده اما حفره ها پر نشده اند

اسلاید 7 :

تبدیل فاصله Distance Transform
محاسبه فاصله هر نقطه از ناحيه تا زمينه
الگوريتم 1:
در تکرار n ام مقدار Fn(i,j) را محاسبه کنيد
به عنوان مقدار اوليه: F0(i,j)=f(i,j)
Fn(i,j)=F0(i,j)+min[Fn-1(m,n)]
(m,n) پيکسلهاي چهار همسايه (i,j) است
اين مراحل را آنقدر تکرار کنيد تا Distance ديگر تغيير نکند

اسلاید 8 :

تبدیل فاصله Distance Transform- مثال
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 2 2 2 2 1 1 2 2 2 2 1
1 1 1 1 1 1 1 2 2 2 2 1 1 2 3 3 2 1
1 1 1 1 1 1 1 2 2 2 2 1 1 2 2 2 2 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

DT يک تصوير پس از دو بار تکرار الگوريتم
در تکرار اول، تمام پيکسلهايي که در مجاورت زمينه نيست مقدار آن 2 ميشود
در تکرارهاي بعدي تنها پيکسلهايي که فاصله آن بيشتر است تغيير ميکنند

اسلاید 9 :

تبدیل فاصله Distance Transform
الگوريتم 2: الگوریتم در دو مرحلهی سطر به سطر روبه جلو
(Forward) و از گوشه بالا سمت چپ، و سطر به سطر رو به عقب (Backward) و از گوشه پایین سمت راست انجام میشود
مرحله رو به جلو: هر پیکسل غیر صفر را با مینیمم یک باضافه مقدار فاصله همسایه بالا و یک باضافه مقدار فاصله همسایه چپ جایگزین کنید
مرحله رو به عقب: هر پیکسل را با مقدار مینیمم خود پیکسل، یک باضافه مقدار فاصله همسایه پایین و یک باضافه مقدار فاصله همسایه راست جایگزین کنید
Original
Top to Bottom Raster Sweep
Final
Bottom to Top Raster Sweep

اسلاید 10 :

فیلترینگ مورفولوژی
مورفولوژي از کلمه يوناني Morph که به معني شکل است گرفته شده و
به معني شکلشناسي و يا ريختشناسي است.
در پردازش تصوير, مورفولوژي تصاوير به معناي ساختار اشيا موجود در تصاوير است.
توسعه مورفولوژي از اواخر دهه 1960 با کار Matheron[1967] آغاز گرديد
در اين مبحث يک سيستم جبري از اپراتورها و ترکيبات آنها روي شکلها عمل ميکند تا اشکال را به اجزای جدا و با معني تجزيه کرده و از اجزای اضافي جدا نمايد, يا اجزا و اشکال را شناسايي و بصورت بهينه از فرم دارای اعوجاج و نويز بازسازي کند.
شايد بتوان گفت که آنچه که کانولوشن در سيستمهای خطي انجام ميدهد, مورفولوژي رياضي بر روي شکلها انجام ميدهد.

اسلاید 11 :

فیلترینگ مورفولوژی
عمليات مورفولوژيکي را مي توان بصورت موازي و سخت افزاري
پيادهسازي نمود تا سرعت پردازش افزايش يابد
عمليات مورفولوژيک را مي توان براي هم تصاوير باينری و هم خاکستري بيان کرد که در اينجا اين عمليات براي تصاوير باينري بيان مي شود.
اصول اوليه
مورفولوژي از نظريه مجموعهها استفاده ميکند
در اين روش هر تصوير بصورت مجموعههايي از نقاط در فضاي اقليدسی n بعدي مدل ميشود.
براي توصيف يک شکل مسطح طبيعي است که از مجموعههايي از نقاط در فضاي اقليدسی 2 بعدي استفاده شود
براي اين کار مختصات نقاط متعلق به يک شیء (که بر روي زمينه مخالف قرار دارد) برای توصيف شيء بکار مي رود

اسلاید 12 :

فیلترینگ مورفولوژی
دو تصویر را در نظر بگیرید
عملیات روی مجموعهها
مجموعه جهانی: U

اسلاید 13 :

فیلترینگ مورفولوژی
عملیات روی مجموعهها

اسلاید 14 :

فیلترینگ مورفولوژی
عملیات روی مجموعهها (ادامه)
انتقال مجموعه A (Translation) به اندازه بردار h که به Ah نشان داده میشود :
انعکاس مجموعه A (Reflection) :
براي هر تصوير يک مبدأ مختصات که با علامت x ، یا ● مشخص ميشود در نظر گرفته ميشود.

اسلاید 15 :

فیلترینگ مورفولوژی
عملیات روی مجموعهها

اسلاید 16 :

فیلترینگ مورفولوژی
عملیات روی تصاویر باینری

اسلاید 17 :

فیلترینگ مورفولوژی
يک تبديل مورفولوژيکي با رابطه يک مجموعه A با يک مجموعه نقاط
کوچکتر ديگر B که يک عنصر سازنده (Structuring Element) ناميده ميشود مشخص ميگردد.

اسلاید 18 :

فیلترینگ مورفولوژی
نمونهای از عملیات موفولوژیک

اسلاید 19 :

فیلترینگ مورفولوژی
عملیات پایه موفولوژیک
گسترش (Dilation)
فرسايش (Erosion)
گسترش Dilation
اين تبديل با D(.) نشان داده مي شود

اسلاید 20 :

فیلترینگ مورفولوژی
گسترش (ادامه)
تصوير اصلی
گسترش يافته تصوير اصلی با SE