1
2
تقدیم به :
تمامی رهپویان راه
علم و معرفت
3
چکیده
عنوان:
قطعه بندی تصویر
از آنجا که یکی از مباحث مهم پردازش تصویر قطعه بندی است
هدف از ارایه این سمینار مباحث قطعه بندی تصویر است وآشنایی
با عملکرد الگوریتم ها و روشهای قطعه بندی تصویر به منظور
کیفیت و وضوح تصویر
4
فهرست مطالب
مقدمه…………………………………………….
قطعه بندی تصویر………………………………………………..
روشهای قطعه بندی…………………………………………….
بررسی روشهای مبتنی بر آستانه گیری………………………….
بررسی روش otsu………………………………………………
مقایسه الگوریتم ها………………………………………………
نتیجه گیری……………………………………………………….
5
فهرست شکل ها
6
مقدمه
یکی از مراحل ابتدایی در پردازش یک تصویر,قطعه بندی تصویر میباشد
که یکی از سخت ترین ومهمترین مراحل پردازش تصویر است.
قطعه بندی در پردازش تصویرامروزه در اکثر شاخه های علمی و صنعتی
مورد توجه بوده ودر بسیاری از این شاخه ها شناسایی اجزای اصلی سازنده
تصویر دارای اهمیت زیادی است.به عنوان مثال تشخیص و رهگیری خودکار
اهداف متحرک در کاربردهای نظامی و تفکیک محصولات مختلف در کاربردهای صنعتی را میتوان بعنوان برخی از کاربردهای قطعه بندی تصویر
نام برد .
7
قطعه بندی تصویر چیست
تعریف قطعه بندی تصویر:فرآیندی است که تصویر را به قسمت های اصلی سازنده اش تقسیم میکند.بدین معنی که اشیاء مختلف موجود در تصویر,با توجه به کاربرد مورد نظر,از هم جدا میشوند تا پردازش تصویر در مراحل بعدی راحتتر انجام گیرد.
اساسی ترین ویژگی در قطعه بندی یک تصویر: درتصاویر تک رنگ:میزان روشنایی تصویر
در تصاویر رنگی :موًلفه های رنگی تصویر
همچنین لبه های تصویرو بافت های تصویرویژگی های
سودمندی برای قطعه بندی میباشد
8
دسته بندی روشهای قطعه بندی
به طور کلی تعریف واحدی برای قطعه بندی وجود ندارد
از این رو نمی توان یک روش استاندارد قطعه بندی را بوجود آورد
بلکه روشهای مختلفی ارایه شده اند که درجه کارایی مختلفی برای قطعه
بندی تصاویر مختلف دارند.
دسته بندی روشهای قطعه بندی
روش مبتنی بر شدت (روش آستانه)
روش مبتنی بر عدم انسجام
روش مبتنی بر تشخیص لبه
روش مبتنی بر ناحیه
روش مبتنی بر خوشه بندی
روش مبتنی بر گراف
روش مبتنی بر ییکسون
روشهای ترکیبی
9
قطعه بندی مبتنی بر روشنایی
تشخیص روشنایی تصویر اصلی
10
قطعه بندی مبتنی بر روشنایی
یکی از اصلی ترین و پر کاربرد ترین روشهای قطعه بندی مبتنی بر روشنایی تصویر
روش آستانه گیری می باشد.
آستانه گیری دو سطحی:
در این روش تصویر به کمک یک نقطعه آستانه به دو ناحیه سیاه و سفید تقسیم
می شود.
آستانه گیری چند سطحی:
در این روش تصویر به کمک چند نقطعه آستانه به چند ناحیه با سطوح روشنایی مختلف
(چند ناحیه تیره و روشن) تقسیم می شود.
11
قطعه بندی با آستانه گیری دو سطحی
12
قطعه بندی با آستانه گیری چند سطحی
13
قطعه بندی با آستانه گیری دو سطحی
در بسیاری از تصاویریک شی با سطح روشنایی یکنواخت بر روی یک پس زمینه با سطح روشنایی متفاوتی قرار گرفته است برای مثال تصویر یک متن روی کاغذ یا تصویر هواپیماهای قرار
گرفته در یک باند فرودگاه نمونه هایی از این نوع می باشد.
برای چنین تصاویری روشنایی،ویژگی تفکیک کننده ی مناسبی
می باشد که میتواند برای قطعه بندی شی از پس زمینه اش به
کار گرفته شود.
14
قطعه بندی با آستانه گیری دو سطحی
برای قطعه بندی یک شی روشن بر روی پس زمینه تیره یا بر
عکس ،یک شی تیره بر روی پس زمینه روشن قرار گرفته است.
کافیست مقدار آستانه ی مورد نظر را میانه سطح روشنایی تصویر
قرار دهیم.
البته هنگامی که تصویر مورد نظر دارای نویز باشد و یا هنگامی
که شی و پس زمینه دارای مقادیر سطح روشنایی یکسانی باشند
نمیتوان تصویر را با بکار گیری آستانه سطح میانی روشنایی
کاملا قطعه بندی نمود.
نی 15
قطعه بندی با آستانه گیری دو سطحی
16
مقادیر آستانه روشنایی چند سطحی
در آستانه گیری چند سطحی در اولین مرحله ،تصویر به منظور جداسازی نواحی
روشن تر از نواحی تاریک تر بوسیله موقعیت یابی مینیمم ما بین مدهای روشنایی
هیستو گرام آستانه گیری می شود.سپس هیستوگرام هر بخش قطعه بندی شده ،تشکیل
می گردد.اگر این هیستو گرام ها یک مدلی نباشند آنگاه بخش ها دوباره به همین منوال
آستانه گیری می شوند.این روند تا هنگامی ادامه می یابد که هیستوگرام هر بخش یک
مدل گردد.
17
ی
18
مقادیر آستانه روشنایی چند سطحی
در مثال زیر قطعه بندی تصویر فلفل توسط آستانه گیری
روشنایی چند سطحی نمایش داده شده.
19
مقادیر آستانه ی روشنایی چند سطحی
20
مقادیر آستانه ی روشنایی چند سطحی
21
تکنیک های محاسبه مقدارآستانه
تکنیک های مختلفی برای بدست آوردن مقدار آستانه معرفی شده اند
که چند نمونه از آنها به شرح زیر است:
یکی از این روشها عبارت است از قراردادن مقدار آستانه برابر با مقدار
تطبیق یافته از شمارش جمعی مقادیر روشنایی با توزیع احتمال روشنایی
معلوم
برای مثال ممکن است از قبل بدانیم که کاراکترهای سیاه 25% از نواحی
یک صفحه تایپی را اشغال می نماید.بنابراین،مقدار سطح آستانه باید طوری
انتخاب گردد که یک چهارم پیکسل ها با کمترین مقدار روشنایی سیاه تشخیص
داده شوند.
22
تکنیک های محاسبه مقدار آستانه
دیدگاه دیگر برای انتخاب مقدار آستانه این است که مقدار آستانه را برابر با
نقطعه مینیمم هیستوگرام ما بین دو پیک قرار دهیم.
23
تکنیک های محاسبه مقدارآستانه
یکی از اساسی ترین روشهای تعیین مقدار آستانه روش اکتشافی می باشد
که شامل مراحل زیر است:
یک مقدارابتدایی را برای T انتخاب کن.
تصویر را با این T قطعه بندی کن تا دو ناحیه G1, G2ایجاد شود که ،G1 شامل همه پیکسل ها با مقادیر روشنایی کمتر از T میباشند.
میانگین سطوح روشنایی m1,m2 را دو ناحیه G2,G1 محاسبه کن
مقدار آستانه جدید را برابر (m1+m2) T=12 قرار بده
مراحل 2 تا 4 را تا زمانی که اختلاف T در تکرارهای متوالی کمتر از پارامتر از پیش تعیین شده T0 باشد تکرار کن.
24
تکنیک های محاسبه مقدار آستانه
یکی دیگر از روشهای تشخیص مقدار آستانه استفاده از روش هیستوگرام
تطبیقی است.
اگر پس زمینه تصویرغیر یکنواخت باشد اغلب مقدار آستانه برابر با مقدارمیانگین سطح
روشنایی می باشد.این کار را میتوان به وسیله بخش بندی تصویر به بلوک های کوچک
و تعیین بهترین سطح آستانه برای هر بلوک ،به وسیله روشهای قبلا شرح داده شده تعیین
نمود.سپس میتوان سطوح آستانه برای هر پیکسل را به وسیله ی درونیابی ما بین مراکز
بلوک ها تعیین نمود.
25
مقادیر آستانه روشنایی چند سطحی
در آستانه گیری چند سطحی در اولین مرحله،تصویر به منظور جداسازی نواحی روشنتر از نواحی تاریکتر بوسیله
موقعیت یابی مینیمم ما بین مدهای روشنایی هیستو گرام آستانه گیری میشود،سپس هیستو گرام هر بخش قطعه بندی شده تشکیل میگردد.اگر این هیستوگرام ها یک مدلی نباشند
آنگاه بخش ها دو باره به همین منوال آستانه گیری میشوند.
این روند تا زمانی ادامه میابدوکه هیستوگرام هر بخش یک
مدلی گردد.
26
محاسبه مقدار آستانه با روش OTSU
آخرین و مهمترین روشی که قصد معرفی آن را داریم،روش OTSUاست.که بطور اتوماتیک نقطه ایی بهینه
برای آستانه مشخص میکند.این روش در آستانه گیری دو سطحی و چند سطحی کاربرد دارد
27
محاسبه مقدار آستانه با روش OSTUشکلها
واریانس درون –کلاسی (intra-class variance)
معیاری است که برای سنجش شباهت بین پیکسل های یک ناحیه مورد استفاده قرار میگیرد.هر چه این مقدار کمتر باشد به این معنی است که شباهت بیشتری بین پیکسل های درون آن ناحیه وجود دارد.
واریانس بین –کلاسی(inter-class varince)
معیاری است برای سنجش شباهت بین پیکسل های دو ناحیه مورد استفاده قرار میگیرد.هر چه این مقدار بیشتر باشدبه این معنی است که شباهت کمتری بین پیکسل های دو ناحیه وجود دارد.و به این معناست که دو ناحیه مجزا از هم داریم
که بخوبی از هم تفکیک شده اند.
28
محاسبه مقدار آستانه با روش OTSU
واریانس درون -کلاسی به فرم زیر تعریف میشود
29
محاسبه مقدار آستانه با روش OTSU
واریانس بین –کلاسی به فرم زیر تعریف میشود:
30
31
محاسبه مقدار آستانه با روش OTSU
در واقع در روش otsu مقدار واریانس بین-کلاسی برای تک تک سطوح آستانه (سطوح روشنایی) تصویر محاسبه میشود و آن نقطه ایی که واریانس بین کلاسیش مقدار ماکزیمم را داشته باشدبعنوان آستانه بهینه اتنخاب میشود
از آنجایی که این فرایند بسیار زمانبر و بار محاسباتی زیادی دارد در پیاده سازی از تکنیک های باز گشتی استفاده شده است
این روش هم برای آستانه گیری دو سطحی و هم آستانه گیری چند سطحی قابل استفاده است و در متلب دارای توابع خاص میباشد.
32
قطعه بندی مبتنی بر تشخیص لبه
اگر تغیرات کافی در سطح روشنایی تصویردر امتداد مرزها باشد میتوان تصویر را با تشخیص مرزها قطعه بندی نمود.تشخیص مرز را میتوان به وسیله تکنیک های تشخیص لبه،انجام داد.
نمونه هایی از تشخیص لبه
ROBERT
SOBEL
PREWITT
33
قطعه بندی مبتنی برتشخیص لبه
تشخیص لبه ها تصویر اصلی
34
قطعه بندی مبتنی بر تشخیص ناحیه
در این نوع قطعه بندی تصویربه چندین ناحیه تقسیم میشود
به گونه ایی که تمام پیکسل های همسایه در یک ناحیه دارای یکسری خصوصیت مشترک را با پیکسل های
نواحی دیگر نداشته باشند.
نمونه هایی از روشهای قطعه بندی ناحیه:
رشد ناحیه
تقسیم و ادغام
واترشید
35
قطعه بندی مبتنی بر تشخیص ناحیه
ناحیه پایین
ناحیه پایین ناحیه بالا تصویر اصلی
36
37
روش مبتنی بر خوشه بندی:
خوشه بندی فرآیند سازماندهی گروه ها بر اساس ویژگی های انهاست.خوشه ها از یک سری پیکسل تشکیل شده اند
که شبیه هم هستند.خوشه بندی بر اساس شکل ،رنگ،بافت
و.. انجام میشود
الگوریتم های خوشه بندی:
سلسله مراتبی
پارتیشن
مهمترین الگوریتم هایی که در این جا بکار می رود الگوریتم
K-means , C-means است که الگوریتم های فازی هستند
38
روشهای ترکیبی
ترکیبی از روشهای آستانه و خوشه بندی است،در حوزه ابریز استفاده میشود
الگوریتم حوزه آبریز از مفاهیم تشخیص لبه استفاده میکند
این الگوریتم کیفیت خوبی از چندین روش به ارث میبرد و عملکرد بهتری نسبت به والدین خود دارد
به عملیات مورفولولوژیکی برای پارتیشن تصاویر در حوزه آبریز استفاده میشود
ودر تقسیم بندی تصاویر پزشکی
39
روش مبتنی بر گراف
در این روش عناصر تصویر را بصورت ریاضی مرتب میکند
اگر G=(V,E) باشد که در آن V={v1,v2……vn} باشد که مجمعه ایی از راسهای مربوط به عناصر تصویر است.
Eمجموعه ایست از لبه ها که برخی از جفت های همسایه را بهم متصل میکند
هر لبه دارای وزن است
این روش به پنج کلاس تقسیم میشود:
-روش درخت درختی
برش گراف مبتنی بر توابع هزینه
روش برش برش بروی نمودار
مدل تصادفی مارکوف
روشهای دیگر که کلاسها به هیچ کدام از آنها تعلق ندارد
40
روش مبتنی بر پیکسون
این روش بازسازی تصویر غیر خطی است.در این روش سطوح بجای پیکسل وجود دارد
برای دریافت پیکسون میتوان از الگوریتم ترکیبی استفاده کرد و روش آستانه سازی موجک و از الگوریتم با ابزارهای CFM
روشهای مبتنی بر پیکسون:
روش سنتی
روش طبقه بندی مدل MRF
روش pixon based
آستانه wavelet pixon based
41
روش مبتنی بر عدم انسجام
این روش بر اساس اصل شدت استوار است
در بین پیکسل ها تغییرات وجود دارد،اگر تصویر شامل دو یا چند مرز شی باشد،برای تقسیم بندی میتوان استفاده کرد
قطعه تصویر مرزهای اشیاء منجر به تشکیل لبه میشود
تغییرات ناگهانی قابل توجه در سطح شدت در پیکسل های همسایه بوجود میاد،که برخی مواقع لبه نامیده میشود و این عدم انسجام است.
42
مقایسه روشها والگوریتم ها
روش مبتی بر آستانه:
محاسن:
محاسباتی ارزان،
سریع و ساده برای پیاده
کردن در برنامه های در حال اجرا
معایب:
اطلاعات فضایی تصویر را از بین میبرد،
بسیار حساس به نویز
،انتخاب مقدار آستانه بسیار مهم است و اغلب نتایج بدست آمده تقسیم بندی میشود
ممکن است منجر به لبه های گم شده شود.
روش مبتنی بر ناحیه
محاسن
:نتایج برتر نسبت به تقسیم بندی های دیگر،انعطاف پذیری و فراهم کردن تکنیک اتوماتیک
آنجا که از نقطه داخلی به منطقه بیرونی میرود احتمال دارد مرزروشن برای اشیا باشد.
:اگر بذر مناسب انتخاب شود نتیجه از هر روشی دقیق تر است
43
مقایسه روشها و الگوریتم ها
معایب:
فرمول قانون توقف برای تقسیم بندی یک وظیفه خسته کنندست
SRG تاثیرات قابل توجهی در مناطق کوچک دارد
اگر کاربر دانه پر سر و صدا مشخص کند،نتایج تقسیم بندی اشتباه میشود
فرآیند انتخاب دانه مستلزم مداخلات دستیست و دارای خطاست
الگوریتم مبتنی بر لبه canny:
محاسن:
اپراتور مرتبه دو نتیجه قابل اعتماد میدهد
مفید در محاسبه تعداد اشیاء مختلف
44
مقایسه روشها و الگوریتم ها
معایب:
هیچ اپراتوری به تنهایی برای تمام انواع تصاویر مناسب نیست
لبه های چند بار بدست آمده مستمر نیستند
الگوریتم خوشه بندی:
محاسن :
برای تقسیم بندی یکی از روشهای پرکاریرد هست ،الگوریتم خوشه بندی سلسله مراتبی از همه دقیق تر است اما اگر یکبار تقسیم و ادغام شد آنرا نمیتوان لغو کرد
معایب k-means
تعیین تعداد خوشه های دلخواه از قبل
حساس به نویز
45
محاسن پیکسون:
استحکام محاسباتی
عملکرد سریع
محاسن روش گراف:
ممکن است فاقد اختیار اپراتورهای ترکیبی باشد
46
نتیجه گیری
یکی از مراحل مقدماتی در پردازش یک تصویر،قطعه بندی تصویر
می باشد که یکی از سخت ترین و مهمترین مراحل پردازش تصویر
است لذا ضروری است که روش مناسبی بر اساس نوع تصویر و
هدف از قطعه بندی آن انتخاب شود تا مرحله قطعه بندی به شکل
مطلوبی انجام شود.
به این ترتیب سایر مراحل پردازش تصویر که بعد از مرحله قطعه
بندی صورت می گیرند راحتتر و دقیق تر پیش خواهد رفت.
47