شکل ۶-۶: تصویر بخشبندی شده تصویر محک #۲۳۸۰۱۱ …………………………………………………………….. ۴۸
شکل ۶-۷: تصویر بخشبندی شده تصویر محک #۱۶۷۰۶۲ …………………………………………………………….. ۴۸
شکل ۶-۸: تصویر بخشبندی شده تصویر محک #۴۲۰۴۹ ………………………………………………………………. ۴۹
شکل ۶-۹: نتایج بخشبندی تصویر #۲۳۸۰۱۱ با روشهای مختلف ……………………………………………….. ۵۱
شکل ۶-۱۰: نتایج بخشبندی تصویر #۱۶۷۰۶۲ با روشهای مختلف …………………………………………….. ۵۳
شکل ۶-۱۱: نتایج بخشبندی تصویر #۴۲۰۴۹ با روشهای مختلف ……………………………………………….. ۵۴
شکل ۶-۱۲: نمودار پایداری الگوریتم NLICA ……………………………………………………………………………….. 55
شکل ۶-۱۳: نمودار همگرایی الگوریتم NLICA …………………………………………………………………………….. 56
شکل ۶-۱۴: نمودار چندک-چندک برای تصاویر دارای انحراف معیار …………………………………………… ۶۰
( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
فهرست جداول
عنوان شماره صفحه
جدول ۶-۱: تعداد خوشههای تصاویر محک طبیعی ………………………………………………………………………… ۴۳
جدول ۶-۲: پارامترهای الگوریتم NLICA برای بخشبندی تصاویر ………………………………………………. ۴۴
جدول ۶-۳: نتایج اعمال الگوریتم NLICA بر روی تصاویر محک مصنوعی ………………………………….. ۴۴
جدول ۶-۴: مقایسه نتایج بخشبندی تصویر محک شماره ۱ با روشهای مختلف ………………………… ۴۶
جدول ۶-۵: مقایسه نتایج بخشبندی تصویر محک شماره ۲ با روشهای مختلف ………………………… ۴۶
جدول ۶-۶: مقایسه نتایج بخشبندی تصویر محک شماره ۳ با روشهای مختلف ………………………… ۴۷
جدول ۶-۷: نتایج بخشبندی تصاویر محک طبیعی با بهره گرفتن از الگوریتم NLICA …………………….. 48
جدول ۶-۸: نتایج بخشبندی تصاویر محک نویزدار با بهره گرفتن از الگوریتم NLICA …………………….. 49
جدول ۶-۹: مقایسه نتایج بخشبندی تصاویر محک با بهره گرفتن از الگوریتمهای مختلف ………………. ۵۰
جدول ۶-۱۰: خلاصه اطلاعات جوابهای به دست آمده در اجراهای مختلف ………………………………. ۵۷
جدول ۶-۱۱: نتایج آزمون ویلکاکسون رتبهای ………………………………………………………………………………. ۶۱
جدول ۶-۱۲: مقایسه روشهای مختلف بخشبندی تصویر …………………………………………………………… ۶۳
فصل ۱
مقدمه
پردازش تصاویر[۱] امروزه بیشتر به موضوع پردازش تصویر دیجیتال گفته میشود که شاخهای از دانش رایانه است که با پردازش سیگنال دیجیتال که نماینده تصاویر برداشته شده با دوربین دیجیتال یا پویش شده توسط پویشگر هستند، سر و کار دارد. پردازش تصاویر دارای دو شاخه بهبود تصاویر[۲] و بینایی ماشین[۳] است. بهبود تصاویر روشهایی چون استفاده از صافی محوکننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آنها در محیط مقصد (مانند چاپگر یا نمایشگر رایانه) است، در حالی که بینایی ماشین به روشهایی میپردازد که به کمک آنها میتوان معنی و محتوای تصاویر را درک کرد تا از آنها در کارهایی چون رباتیک استفاده شود. بخشبندی تصویر یکی از مهمترین مراحل اساسی در پردازش تصاویر دیجیتالی است. ناحیهبندی تصویر عبارت است از تفکیک پیکسلهای تصویر به نواحی مجزایی که بر حسب ویژگیهایی مانند شدت روشنایی، بافت و یا رنگ، یکسان هستند و یا تا حد ممکن همبستگی دارند. ناحیهبندی تصاویر در بسیاری از کارهای پردازشی بر روی تصاویر، چون تصاویر درمانی، بینایی ماشین، فشردهسازی تصویر، شیءشناسی، نیازی ضروری و مهم برای شروع پردازش بر روی شیء یا بافت موردنظر میباشد.
بخشبندی تصویر به روشهای مختلفی انجام میپذیرد که به طور کلی میتوان آن را به دو دسته کلاسیک و شکلشناسی، تقسیم کرد. در روشهای کلاسیک و سنتی از تغییرات شدت روشنایی به منظور استخراج لبهها و ویژگیهای محلی اشیاء مورد نظر، استفاده میگردد. نوع دیگری از الگوریتمهای کلاسیک، روشهای مبتنی بر الگوریتمهای آماری میباشد که در آنها تقسیم بندی بر اساس توزیع پیکسلها و یافتن آستانه مناسب صورت میپذیرد. از آنجا که تصاویر اغلب دارای نویز، درهمریختگی[۴]، انسداد، تأثیرپذیری از نورتابانی و موارد اینچنین میباشند، این روشها برای بسیاری از کاربردها غیرقابل استفاده میباشند.
روشهای جدیدتری که امروزه مورد استفاده قرار میگیرند، با بهره گرفتن از کلاسبندی (خوشهبندی)، به ناحیهبندی و تقسیم بندی تصویر میپردازند. این الگوریتمها مانند الگوریتمهای خوشهبندی
Fuzzy C-means و K-means، الگوریتمهای شبکه عصبی چون آموزش رقابتی ساده[۵]، درخت آموزشی ساده بیز و غیره میباشند. این روشها هرچند از دقت تشخیص خوبی برخوردار هستند، اما بسیار به مقداردهی اولیه (در K-means مقداردهی اولیه مراکز خوشه ها و در شبکه های عصبی نرخ آموزشی) وابسته میباشند و
میبایست بارها و بارها الگوریتم بر روی تصویر اعمال گردد تا جواب بهینه به دست آید. با این حال همگرایی در این روشها همواره تضمین شده نبوده و در بعضی موارد در بهینه محلی به دام میافتند. یافتن مراکز بهینه خوشههای تصویر جزء مسائل غیرچندجملهای سخت محسوب میگردد. از طرفی دیگر در اکثر روشها، خوشهبندی پیکسلها بر اساس ویژگیهایی مانند رنگ یا شدت روشنایی انجام میگیرد و از هیچگونه اطلاعات مکانی یا همسایگی پیکسلها استفاده نمی شود که این خود باعث میگردد این روشها در
بخشبندی تصاویر نویزدار از کارایی لازم برخوردار نباشد. همچنین بر اساس این اصل که پیکسلهای همسایه در تصویر با هم همبسته میباشند و با توجه به این که بیشتر الگوریتمهای خوشهبندی پیکسلها بدون در نظرگرفتن تشابه بین پیکسلهای همسایه اقدام به بخشبندی پیکسلهای تصویر می کنند، تصویر به اصطلاح دچار بیش بخشبندی[۶] می شود (به تعداد ناحیههای زیادی تقسیم میگردد.)
بخشبندی تصویر با بهره گرفتن از خوشهبندی و بهره گیری از اطلاعات همسایگی پیکسلها در سالهای اخیر مورد توجه پژوهشگران قرار گرفته است. احمد و همکارانش اطلاعات شدت روشنایی محلی را به وسیله اصلاح تابع هدف الگوریتم [۷]FCM برای بخشبندی تصویر معرفی نمودند به طوری که برچسبگذاری
پیکسلها تحت تأثیر همسایگی محلی آنها انجام گرفت [۱]. چن و ژانگ دو نسخه جدید از الگوریتم FCM را معرفی کردند که جمله همسایگی پیش از اعمال خوشهبندی فازی، محاسبه میشد [۲]. زیلاگی و همکارانش FCM بهبود یافته را به منظور تسریع بخشبندی تصویر معرفی کردند که یک تصویر مجموع وزندار خطی با بهره گرفتن از تصویر اصلی محاسبه شده و سپس الگوریتم خوشهبندی FCM بر روی هیستوگرام[۸] تصویر ایجاد شده جدید اعمال گردید[۳]. الگوریتم FGFCM[9] به وسیله کای و همکارانش پیشنهاد شد [۴]. عملکرد این روش بر اساس ایجاد تصویر جدید با بهره گرفتن از معیار شباهتی که اطلاعات مکانی و اطلاعات محلی شدت روشنایی را ترکیب میکرد، استوار بود. هالدر و همکارانش رویکردی تکاملی برای بخشبندی بدونمربی تصویر ارائه دادند که هدف آن خوشهبندی پیکسلها بر اساس اطلاعات شدت روشنایی و روابط همسایگی پیکسلها، با بهره گرفتن از الگوریتم ژنتیک بود [۵]. ایده استفاده از اطلاعات غیرمحلی پیکسلها که مبتنی بر فیلتر میانگین غیرمحلی بود، جهت خوشهبندی پیکسلهای تصویر نویزدار توسط ژائو و همکارانش مطرح
گردید [۶].
در این پایان نامه الگوریتم خوشهبندی K-means که یکی از رایجترین روشهای خوشهبندی است، با الگوریتم رقابت استعماری بهبود یافته ترکیب می شود. از تابع هدف الگوریتم K-means در الگوریتم رقابت استعماری بهبود یافته به منظور پیداکردن مراکز بهینه خوشههای داده های پیکسلهای تصویر استفاده
می شود و یک مرحله پیشپردازش به منظور بهره گیری از اطلاعات محلی و غیرمحلی پیکسلها قبل از اجرای الگوریتم رقابت استعماری، بر روی تصویر ورودی اعمال میگردد. ایده استفاده از اطلاعات غیرمحلی از فیلتر میانگین غیرمحلی که برای کاهش اثر نویز گوسی[۱۰] پیشنهاد شده بود [۱۰]، گرفته شده است. برای مشاهده کردن نتایج، الگوریتم پیشنهادی را بر روی تصاویر مصنوعی تخریب شده با نویز گوسین و همچنین بر روی تصاویر طبیعی اعمال کردیم.
ادامه مطالب پایان نامه بدین شرح سازماندهی می شود، در فصل دوم شرح مسئله بیان می شود که
بخشبندی تصویر معرفی شده و ورودی و خروجی مسئله و هدف از انجام بخشبندی بر روی تصاویر بررسی میگردد. در فصل سوم مفاهیم پایهای مطرح می شود و الگوریتم خوشهبندی K-means و رقابت استعماری بهبود یافته شرح داده شده و سپس با برخی مفاهیم پردازش تصویر و بینایی ماشین آشنا میشویم. در فصل چهارم بر اساس بررسیهای انجام شده به مروری بر کارهای گذشته در زمینه بخشبندی تصویر و بخشبندی تصاویر نویزدار خواهیم پرداخت. در فصل پنجم جزئیات روش پیشنهادی شامل بهبود الگوریتم رقابت استعماری و ترکیب آن با الگوریتم K-means، استفاده از اطلاعات غیرمحلی پیکسلها و بهبود ارائه شده جهت استفاده آن در بخشبندی تصویر بررسی می شود. در فصل ششم نتایج حاصل از بخشبندی تصاویر مختلف با الگوریتم پیشنهادی و مقایسه آن با روشهای دیگر، مورد تحلیل و بررسی قرار میگیرد و در نهایت در فصل هفتم، نتیجه گیری و بررسی مزایا و معایب روش پیشنهادی و راهکارهای آتی را خواهیم داشت.
فصل ۲
شرح مسئله
بخشبندی در زمینه پردازش تصویر به معنی تقسیم یک تصویر دیجیتال به بخشهای مختلف
(بخشهای شامل مجموعه ای از پیکسلها ) بوده و هدف این عملیات سادهسازی تصویر و نمایش تصویر اولیه به صورتی خاص برای تحلیل و اجرای عملیاتهای دیگر پردازش تصویر و بینایی ماشین به صورت سادهتر میباشد. میتوان گفت در عملیات بخشبندی پیکسلهای مورد نظر که دارای شرایط خاصی میباشند، به صورت مرز اشیاء یا محیط اشیاء یا دیگر موارد به گروه های جدا تقسیم بندی میشوند. این شرایط را میتوان رنگ، شکل یا نوع ساختار و سطح یک شیء درون تصویر در نظر گرفت.
۲-۱ بیان مسئله
بخشبندی تصویر، تقسیم آن به K ناحیه ۱ R، ۲ R، … و Rkاست به طوری که شرایط زیر برقرار باشد [۳۱]:
-
- هر پیکسل تصویر باید جزء یک ناحیه باشد.
-
- هر پیکسل فقط و فقط به یک ناحیه تعلق داشته باشد.
-
- دو ناحیه نمی توانند با هم ترکیب شوند به طوری که معیار شباهت در ناحیه حاصل برقرار باشد.