مقاله استفاده از مشخصه های آماری برای قطعه بندی تصویر

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله استفاده از مشخصه های آماری برای قطعه بندی تصویر دارای ۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله استفاده از مشخصه های آماری برای قطعه بندی تصویر  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله استفاده از مشخصه های آماری برای قطعه بندی تصویر،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله استفاده از مشخصه های آماری برای قطعه بندی تصویر :

چکیده: دراین مقاله روش جدیدی برای قطعه بندی تصاویر با استفاده

از کلاسیفایر Fuzzy C-mean بر اساس مشخصات آماری داده ها ارائـه شده است. دراین روش ابتدا تصویر به بلوکهای مربعی تقسیم می شـود.

سپس پردازش بر روی این بلوکها انجام می گیـرد. در ایـن پـردازش بـا توجه به مقـدار میـانگین پیکـسلها در بلوکهـا و ضـریب تغییـرات آنهـا، بلوکهای مجاور در هم ادغام و یا یک بلوک به بلوکهای کوچکتر تقسیم میشود. در این روش اندازه اولیه بلوکهـا باتوجـه بـه ویژگیهـای تـصویر انتخاب میشود، بگونه ای که برای تـصاویری کـه دارای شـدت تغییـرات کمی باشند از بلوکهایی با انـدازه بزرگتـر، و بـرای تـصاویری کـه دارای شدت تغییرات زیادی می باشند از بلوکهایی با اندازه کـوچکتر اسـتفاده می شود. نتایج نشان میدهنـد کـه روش پیـشنهاد شـده در ایـن مقالـه عملکرد مناسب تری در مقایسه بـا روش پایـه در قطعـه بنـدی تـصاویر دارد.

واژه های کلیدی: پردازش تـصاویر دیجیتـال، قطعـه بنـدی تـصاویر،

خوشه بندی ، .Fuzzy C-mean

-۱ مقدمه

اولین مرحله درتحلیـل تـصاویر قطعـه بنـدی مـی باشـد. قطعـه بنـدی فرآیندی است که تصویر را به قسمتهای اصلی سازنده اش تقـسیم مـی

کند. بدین معنی که اشیاء مختلف موجود در تصویر، با توجه بـه کـاربرد مورد نظر، از هم جدا میشوند تا تحلیل تصویر در مراحل بعـدی راحتتـر انجام میگیرد. بعنوان مثال، در کاربردهای رهگیری وسیله نقلیـه از هـوا، قبل از هر چیز شناسایی جاده و سـپس تـسخیص وسـیله نقلیـه مـورد علاقه است. براین اساس در چنین کاربردی ابتدا جـاده از تـصویر جـدا میشود. سپس جاده به اجزاییتقریباً به بزرگی هدف مورد علاقه تقسیم میشود تا بتوان وسیله نقلیه مورد نظر را در تصویر پیدا نمود (شکل .(۱

به طور کلی قطعه بندی یکی از مشکل ترین مباحث در پردازش تصویر است که در موفقیت عمل تحلیل تصویر بسیار موثر است. این تکنیک در موضوعات مختلف مبحث بینایی ماشین نظیر رهگیری خودکار هدف و جدا سازی اشیاء مورد نظر در تصویر کاربرد دارد. [۱,۲,۳]

برای قطعه بندی تصویر روشهای مختلفی وجود دارد که می توان آنها را به دو دسته روشهای مبتنی بر هیستوگرام (Histogram-based) [4,5]و روشهای مبتنی بر خوشه بندی [۶,۷] (Clustering-Based)
تقسیم کرد. در روشهای مبتنی بر هیستوگرام ، تقسیم بندی تصاویر بر اساس توزیع پیکسلها صورت می گیرد. قدم اصلی در این روشها یافتن سطح آستانه ای مناسب برای اعمال به تصویر میباشد.

شکل (۱ نمونه ای از استفاده از قطعه بندی تصویر برای تشخیص اتومبیل در تصاویر هوایی.

در روشهای مبتنی بر خوشه بندی برای گـروه بنـدی کـردن داده هـا از شباهتها و روابط موجود بین آنها استفاده می شود. در ایـن روشـها داده ها به نحوی گروه بندی می شوند تا آنهاییکه در داخل یک بخـش قـرار می گیرند دارای بیشترین شباهت به هم باشند. بطور کلی تصاویری کـه

دارای جزییات بیشتری هستند به کمک روش مبتنی بـر خوشـه بنـدی عمل جدا سازی اشیائ (قطعه بندی) در آنها بهتر انجام گیرد.

در این مقاله با استفاده از کلاسیفایر Fuzzy C-mean که یکی از روشهای خوشه بندی داده های می باشد[۸] تصویر را به بلوکهایی

تقسیم می کنیم. سپس با استفاده از دو ویژگی میانگین و ضریب تغییرات سطوح خاکستری پیکسلها، تصویر را قطعه بندی می نماییم.

نتایج حاصل از این روش بر روی تصاویر مختلف نشان می دهد که روش پیشنهادی در مقایسه با سایر روش پایه مبتنی بر خوشه بندی دارای عملکرد مناسب تری است.

-۲ قطعه بندی تصویر

۱- ۲ خوشه بندی داده ها

دسته بندی داده ها (خوشه بندی) یکی از با اهمیت ترین موضوعات در مبحث شناسایی الگو می باشد. الگوریتمهای زیادی جهت خوشه بندی معرفی شده است. الگوریتمهای موجود را می توان به دو گروه سلسله مراتبی و تقسیمی دسته بندی نمود. روشهای سلسله مراتبی بیشتر براساس تئوری گراف استوار است. در این روش هر داده را بطور مستقل به عنوان یک کلاستر در نظر می گیریم. سپس با تعریف یک معیار شباهت (بعنوان مثال فاصله اقلیدسی)، دو یا چندکلاستر در هم ادغام شده و تشکیل یک کلاستر بزرگتر را می دهند. این روند ادامه می یابد تا شرط پایانی الگوریتم که معمولا تعداد کلاسترها است، تحقق پذیرد

.[۹,۱۰]

در روشهای تقسیمی، داده ها براساس معیار تشابه، به تعدادی کلاستر

(خوشه) تقسیم می شوند. تکنیکهای بکار رفته در این روشها بر این فرض استوار هستند که هر داده تنها به یک کلاستر تعلق دارد. معروفترین الگوریتم ها در این گروه، الگوریتم [۱۱] K-mean و Fuzzy [12] c-meanمی باشند که داده ها را به K خوشه مستقل تقسیم می

کنند.

درالگوریتم k-mean جهت قطعه بندی تصاویر، براساس تعداد کلاسهای موجود، پیکسلهای یک کلاس با توجه به معیار شباهت تنها به یک کلاس تعلق خواهند داشت. بدین معنی که احتمال عضویت یک پیکسل به یک کلاس قطعی بوده و نمیتواند به کلاس دیگری غیر از کلاسی که به آن تعلق دارد وابسته باشد. اما در الگوریتم Fuzzy هر پیکسل دارای وابستگی قطعی به یک کلاس نمی باشد و معیار عضویت فازی برای آن تعریف میشود. این معیار احتمال عضویت یک پیکسل به یک کلاس خاص را مشخص میکند.

۲-۲ استفاده از الگوریتم فازی برای قطعه بندی

جهت قطعه بندی یک تصویر الگوریتم فازی را می توان بصورت زیر پیاده سازی نمود: [۱۳,۱۴]

مرحله (۱ انتخاب اولیه تعداد کلاستر (K) و بطور تصادفی در نظر گرفتن مراکزی برای این کلاسترها ، .V1 … Vk

مرحله (۲ در نظر گرفتن p=1 ،که p اندیس تکرار می باشد.

مرحله ( ۳ محاسبه تابع وابستگی فازی ( ( ( k (xi در هر مرحله:

Archvie of SID

۲ ۱
)m 1 )
(۱) ik1,2,1,2,;;NK 2 (x i ,V k p ) d kp(xi)
۲
( ۱ K(
m 1
( p (x i ,V k 2 d
k 1
مرحله( ۴ محاسبه مرکز فازی جدید : ( Vk,k=1,2..K )
Nkp (xi )m xi
(۲) i1 Vkp1
N
kp (xi )m
i1
مرحله ( ۵ اگر pp1 توقف درغیر اینصورت p=p+1 و ادامه
از مرحله . ۳

در الگوریتم فوق x بیانگر محتوی هر پیکسل و N تعداد پیکسلهای

تصویر، ( k (xi تابع وابستگی فازی ، m ضریب فازی سازی است که
یک عدد ثابت می باشد، و d(x,y) فاصله اقلیدسی می باشدکه به
صورت زیر تعریف می شود:[۱۵]
(xy)T(xy) x y d (x , y )

(۳) ۱ ۲ N
۲
(x i y i )
i 1
لازم به ذکر است که انتخاب یک مقدار بزرگ برای m سبب وابستگی فازی بیشتر یک پیکسل به کلاستر مربوطه می شود. البته انتخاب مقادیر بزرگ m زمان محاسبات را افزایش میدهد.
-۳ روش پیشنهادی

در این روش قبل از هر چیز تصویر موجود به بلوکهایی کوچک تفکیک میشود. این بلوکها، با توجه به تصویر، می تواند۲×۲ ، ۳×۳ و یا بالاتر باشند. شکل- ۲ نمونه ای از این تقسیم بندی را نشان میدهد. سپس بلوکها با توجه به تعداد کلاسها که از قبل مشخص می باشد کلاسه-

بندی میشوند. بدین صورت که با استفاده از مشخصات آماری هر بلوک تصمیم گرفته میشود که هریک مربوط به چه کلاسی میباشد.

شکل-. ۲ بلوک بندی اولیه یک تصویر جهت تحلیل آماری

مقادیر پیکسلها برای قطعه بندی تصویر.

error || Unew Uold ||

در این روش مجموعه بلوکهای تصویر X را با
X {x1, x2 ,;, xn} بیان میکنیم. هر یک از xi ها ماتریس
مربعی از پیکسلها می باشند. دو ویژگی از این بلوکها جهت بررسی میزان وابستگی آنها به هر کلاس استخراج می کنیم. بررسی های ما نشان میدهد با انتخاب ضریب تغییرات و میانگین سطوح خاکستری
پیکسلهای موجود در هر بلوک میتوان عمل قطعه بندی را بخوبی انجام

داد. در این روش ضریب تغییرات از روی میانگین و انحراف معیار (جذر واریانس) بصورت زیر بدست می آید.
(۴) i Vi
mi

استفاده از دو ویژگی فوق باعث می شود که داده های موجود در یک کلاس بیشترین شباهت را با یکدیگر داشته و همچنین باعث کاهش محاسبات می شود.

برای اینکه با کلاسیفایر فازی این کار را انجام دهیم از ماتریسی بـه نـام ماتریس عضویت بلوکها به کلاسها استفاده می شود که بـه صـورت زیـر تعریف میشود.
;. u1n u 12 u11
; u1n u 11 u21
(۵) ; u1n u 11 u31
. ; .. U
; . . .
; . . .
; . . .
; u m 2 u m 1 u
mn
در این ماتریس uij میزان تعلق بلوک j ام را به کلاس i ام بیان می
کند. به عبارت دیگر uij بیانگر احتمال تعلق بلوک j ام به کلاس i ام
میباشد. لذا بدیهی است که باید :
(۶) muik 1
i 1

رابطه ۶ بیانگر آن است که مجموع احتمال تعلق بلوک k ام به کلاس m برابر یک است که امری بدهی است.

در این روش میزان پراکندگی فازی کلاسها به عنوان تابع هدف در نظر گرفته میشود که باید کمینه شود. این تابع هدف به صورت زیر تعریف میشود(در اینجا ماتریس n×l می باشد)
n l
(۷) J m (U ,V ) u ijm || x k V j ||2
k 1 j 1

Vj) مرکز کلاس j ام است)

روش پیشنهادی را میتوان بصورت الگوریتم زیر بیان کرد: -۱ بلوکهای اولیه را ایجاد می کنیم .