عنوان مقاله

+

مقاله الگوریتم های تشخیص لبه در تصاویر

فهرست/چکیده

+

فهرست مطالب

چکیده     ۵
۱- مقدمه    ۶
۲- الگوریتم مبتنی بر[۶] MST    ۸
۳- روش ارائه شده    ۹
Automatic Fast Entropy Thresholding Algorithm4-    ۱۲
-۵ نتایج الگوریتم پیشنهادی    ۱۴
-۶ نتیجه گیری    ۱۹
تشخیص لبه در تصاویر دیجیتال با استفاده از تکنیک فازی    ۲۰
تشخیص لبه و بخش بندی تصاویر    ۲۳
الگوریتم های آشکارسازی لبه    ۲۶
پردازش تصویر فازی    ۳۱
مجموعه و توابع عضویت فازی    ۳۲
تعاریف قوانین مرجع    ۳۳
آزمایش ها    ۳۴
معرفی یک سیستم هوشمند دقیق برای تشخیص توده ها در تصاویر ماموگرافی    ۳۹
مقدمه    ۴۱
ساختار کلی روش پیشنهادی    ۴۴
عملگرهای منطقی مختصاتی    ۴۶
فیلترهای پیشنهادی    ۴۸
۱- حذف نویز از تصاویر ماموگرافی    ۴۸
۲- افزایش کیفیت و شناسایی توده    ۵۲
۳- شناسایی و آشکارسازی لبه    ۵۵
نتایج مدل پیشنهادی    ۵۶
نتیجه گیری    ۵۸
روش Marr-Hilderth    ۶۱
کاربرد های تشخیص لبه    ۶۵
رگه ها و شیار ها    ۶۵
نقاط تکین    ۶۶
دسته بندی تصاویر  اثر انگشت    ۶۶
خصیصه های مورد استفاده  در شناسایی    ۶۷

////////////////////////////////////////////////////////////////////////////////////////////////////////

چکیده :

لبه یابی تصاویر یکی از مهمترین عملیات در پردازش تصویر به شمارمی رود. به علت کاربردهای وسیع تصاویر رنگی، لبه یابی انجام (Synthetic) و ترکیبی (Vector) این تصاویر از اهمیت ویژه ای برخوردار است. بطور کلی لبه یابی تصاویر رنگی به دو روش برداری میشود؛ کیفیت تشخیص لبه و زمان اجرا، این الگوریتم ها را از یکدیگر متمایز میسازد. زمان اجرای الگوریتم های لبه یابی درکاربردهای واقعی بسیار حائز اهمیت است؛ بدین معنی که استفاده از الگوریتمی که لبه های تصویر را با کیفیت مطلوب تشخیص داده اما زمان اجرای بالایی دارد در بسیاری از کاربردها)حساس به زمان(، عملا غیر ممکن است.

در ادامه این مقاله، بخش ۲ به معرفی الگوریتم مبتنی برMST  میپردازد. بخش ۳ روش پیشنهادی این مقاله را ارائه مینماید. در بخش ۴ الگوریتم Automatis Fast EntropyThresholdingکه روشی برای بدست آوردن مقدار آستانه بهینه میباشد بررسی شده و بخش ۵ نیز نتایج بدست آمده از الگوریتم پیشنهادی را نمایش داده و به مقایسه الگوریتم پیشنهادی با الگوریتم MST پرداخته است و در پایان، بخش ۶ نتیجه گیری را بیان می کند.

واژه های کلیدی: تشخیص لبه، تصاویر، الگوریتمی مبتنی بر درخت پوشای مینیمال  ، معرفی الگوریتم مبتنی برMST  

 

۱- مقدمه

لبه یابی یکی از مهمترین عملیات در پردازش تصویر به شمار میرود. در مقایسه با تصاویر منوکروم، اطلاعات موجود در تصاویر رنگی زیادتر بوده و کاربردهای آن نیز وسیع تر میباشد؛ بنابراین در سالهای اخیر تحقیقات بسیاری بر روی., لبه یابی تصاویر رنگی انجام شده است{۲،۱} .

لبه یابی در تصاویر رنگی به دو روش ترکیبی و برداری انجام میشود. در روش ترکیبی از تکنیک های لبه یابی تصاویرمنوکروم، برروی هر سه کانال تصویر رنگی به صورت مستقل استفاده شده و سپس نتایج با استفاده از عملیات منطقی خاص با یکدیگر ترکیب میشوند[ ۳]. در روش برداری هرپیکسل، به صورت برداری در فضای رنگ مشخص، در نظرگرفته شده و عملیات لبه یابی با استفاده از بردارها انجام میشود. روش ترکیبی به نسبت روش برداری ساده تر وسریع تر بوده اما در بعضی از موارد شدت لبه را به درستی نشان نمیدهد. در این مقاله از روش برداری استفاده شده،زیرا این روش، مشکل روش ترکیبی را حل کرده و کارایی آن نیز فوق العاده است. تحقیقات اخیر نیز بیشتر بر روی., این روش انجام شده است{۵،۴}.

یکی از روش های مبتنی بر بردار که اخیرا توسط کنگ وهمکارانش [ ۶]ارائه شده، الگوریتمی مبتنی بر درخت پوشای مینیمال  (Minimal Spanning Tree) است. این الگوریتم در عین ارائه نتایج خوب از زمان اجرای طولانی رنج می برد. در این مقاله الگوریتمی مبتنی بر روش کنگ  ارائه شده که ضمن ارائه نتایجی در حد الگوریتمMST از  زمان اجرای کوتاهتری برخوردار است.

در ادامه این مقاله، بخش ۲ به معرفی الگوریتم مبتنی برMST  میپردازد. بخش ۳ روش پیشنهادی این مقاله را ارائه مینماید. در بخش ۴ الگوریتم Automatis Fast EntropyThresholdingکه روشی برای بدست آوردن مقدار آستانه بهینه میباشد بررسی شده و بخش ۵ نیز نتایج بدست آمده از الگوریتم پیشنهادی را نمایش داده و به مقایسه الگوریتم پیشنهادی با الگوریتم MST پرداخته است و در پایان، بخش ۶ نتیجه گیری را بیان می کند.

۲- الگوریتم مبتنی بر[۶] MST

در [ ۶] روشی برای لبه یابی تصاویر رنگی پیشنهاد شده که با استفاده از درخت پوشای مینیمال و در فضای رنگYUVعمل لبه یابی را انجام می دهد. علت استفاده از فضای رنگ YUVیکنواخت بودن این فضای رنگ میباشد. روش لبه یابی در این الگوریتم به این صورت است که برای لبه یابی تصویر رنگی، تصویر را از فضای رنگ RGB به فضای رنگ YUV- n×n تبدیل کرده و پنجره ای به ابعاد    n*n روی آن می لغزاند . هر پیکسل به عنوان یک نود از گراف و همچنین برداری در فضای YUVدر نظر گرفته میشود. لبه های بین  نودها با استفاده از فاصله اقلیدسی محاسبه شده و سپس درخت پوشای مینیمال با استفاده از الگوریتم کراسکال بدست می آید. پس از ایجاد درخت پوشای مینیمال، لبه ماکزیمم آن را پیدا کرده و در صورتی که اندازه این  لبه مخالف صفر باشد، آن را از درخت پوشای مینیمالحذف میکند. در این صورت دو کلاستر مجزا تولید شده که آنها را  و نامیده و سپس مرکزهای دو کلاستر را  بدست آورده و فاصله مرکزها را از یکدیگر محاسبه مینماید.این فاصله، شدت لبه نقطه مرکز پنجره را مشخص میکند.

۳- روش ارائه شده

الگوریتم ارائه شده در [ ۶] از لحاظ کیفیت لبه های بدست آمده، الگوریتمی کاراست اما نقطه ضعف اساسی آن زمان اجرای بالای الگوریتم میباشد. در کاربردهای عملی که نیاز به لبه یابی تصاویر رنگی با سرعت بالا میباشد، زمان اجرای بالای این الگوریتم، استفاده از آن را غیر ممکن میسازد.علت بالا بودن زمان اجرای الگوریتم، استفاده از درخت پوشای مینیمال و کلاستربندی نودهاست. هدف از ایجاددرخت پوشای مینیمال و کلاستربندی نودها، محاسبه فاصله مراکز کلاسترهاست؛ زیرا این فاصله، شدت لبه را درنقطه مرکز پنجره مشخص میکند.

ما در این مقاله روشی را ارائه نموده ایم که شدت لبه را بگونه ای محاسبه میکند که زمان اجرای الگوریتم به میزان بسیار زیادی کاهش مییابد. در این مقاله تمرکز بر روی بالابردن سرعت اجرای الگوریتم میباشد.

روش کار به صورت زیر میباشد:

تبدیل تصویر از فضای رنگRGB به فضای رنگی YUV

لغزاندن پنجره ای به ابعادn*n بر روی تصویر که با این کار پیکسل زیر پنجره قرار میگیرد.

در نظر گرفتن هر پیکسل به عنوان یک نود ازگراف و همچنین برداری در فضای YUV

محاسبه فاصله اقلیدسی بین نودها

تا این مرحله همانند الگوریتم [ ۶] عمل نمودیم. در[ ۶] دراین مرحله با استفاده از الگوریتم کراسکال درخت پوشای مینیمال تشکیل داده و سپس با حذف لبه از درخت پوشای مینیمال دو کلاستر ایجاد میشد. سپس با بدست آوردن مراکز کلاسترها و محاسبه فاصله مراکز از یکدیگر شدت لبه نقطه وسط پنجره بدست می آمد. حال در این مقاله برای کاهش زمان اجرای الگوریتم روش جدیدی برای بدست آوردن شدت لبه ارائه مینماییم. این تکنیک در ادامهمراحل قبل، به صورت زیر میباشد:

بزرگترین فاصله )لبه ماکزیمم( بین نودها را پیدا میکنیم.

نودهای دو سر ان لبه را و می نامیم.   نود   را عنصر پایه کلاستر ۱ و نود  را عنصر  پایه کلاستر ۲ در نظر میگیریم.

فاصله بقیه نودها را از این دو نود بدست می آوریم.

عضویت هر نود را بصورت زیر تعیین میکنیم؛

فاصله هر نود با نودهای  و    (عناصر پایه کلاسترها) محاسبه شده، در صورتی که فاصله نود عضو کلاستر۱ شده و در غیر این صورت عضو کلاستر ۲ می شود. .

با بدست آمدن عناصر کلاسترها و با استفاده از میانگین گیری، مراکز دو کلاستر را بدست می-آوریم.

فاصله مراکز کلاسترها را با استفاده از رابطه اقلیدسی بدست آورده که این فاصله شدت لبه نقطه مرکز پنجره را مشخص میکند.

با این روش زمان اجرای الگوریتم به میزان بسیار زیادی کاهش یافته است.

======