تشخیص لبه [ ویرایش ]

تشخیص لبه در پردازش تصویر به خودی خود یک زمینه کاملاً توسعه یافته است. مرزها و لبه های منطقه از نزدیک با هم مرتبط هستند ، زیرا در مرزهای منطقه غالباً شدت شدیدی وجود دارد. بنابراین تکنیک های تشخیص لبه به عنوان پایه تکنیک تقسیم بندی دیگر استفاده شده است.

لبه های شناسایی شده توسط تشخیص لبه اغلب قطع می شوند. برای تقسیم بندی یک شی از تصویر ، به مرزهای منطقه بسته نیاز دارد. لبه های مورد نظر مرزهای بین اشیا یا تاکسون های فضایی است. [20] [21]

تاکسون های فضایی [22] گرانول های اطلاعاتی هستند ، [23] متشکل از یک ناحیه پیکسل واضح ، مستقر در سطوح انتزاع در یک ساختار منظره تو در تو سلسله مراتبی. آنها شبیه نام روانشناختی Gestalt از شکل زمین هستند ، اما گسترش می یابند تا شامل پیش زمینه ، گروه های اشیا، ، اشیا and و قطعات برجسته شی باشد. روش های تشخیص لبه را می توان در منطقه فضایی تاکسون اعمال کرد ، به همان روشی که در یک شبح نیز اعمال می شود. این روش به ویژه هنگامی مفید است که لبه قطع شده بخشی از یک خط وهمی باشد [24] [25]

روش های تقسیم بندی را می توان در لبه های بدست آمده از ردیاب های لبه نیز به کار برد. لیندبرگ و لی [26] یک روش یکپارچه ایجاد کردند که لبه ها را برای تشخیص اشیا straight مبتنی بر قطعات به بخشهای لبه مستقیم و منحنی تقسیم می کند ، بر اساس معیار حداقل طول توصیف (M DL ) که با استفاده از یک روش تقسیم و ادغام مانند بهینه شده است با نقاط شکست نامزدی که از نشانه های اتصال مکمل به دست می آید برای به دست آوردن نقاط محتمل تر در نظر گرفتن پارتیشن ها به بخش های مختلف.

روش خوشه بندی دوگانه [ ویرایش ]

این روش ترکیبی از سه مشخصه تصویر است: تقسیم تصویر بر اساس تجزیه و تحلیل هیستوگرام با فشردگی زیاد خوشه ها (اشیا) و شیب زیاد مرزهای آنها بررسی می شود. برای این منظور باید دو فضا معرفی شود: یک فضا هیستوگرام یک بعدی روشنایی H =  H ( B ) است. فضای دوم ، فضای 3 بعدی دو بعدی تصویر اصلی خود B =  B ( x ،  y ) است. فضای اول اجازه می دهد تا اندازه گیری شود که روشنایی تصویر به طور فشرده با محاسبه حداقل کیلومتر خوشه ای توزیع می شود. روشنایی آستانه T مربوط به kmin تصویر باینری (سیاه و سفید) را تعریف می کند - bitmapب =  φ ( x را ،  Y )، که در آن φ ( x را ،  Y ) = 0، اگر B ( X ،  Y ) <  T و φ ( x را ،  Y ) = 1، اگر B ( X ،  Y ) ≥  T . bitmap b یک جسم در فضای دوگانه است. در آن بیت مپ ، معیاری باید منعکس کند که پیکسلهای سیاه (یا سفید) توزیع شده جمع و جور است. بنابراین ، هدف یافتن اشیایی با مرزهای خوب است. برای همه T اندازه گیری M DC است=  G / ( k  ×  L ) باید محاسبه شود (جایی که k اختلاف روشنایی بین جسم و پس زمینه باشد ، L طول تمام مرزها است و G میانگین گرادیان روی مرزها است). حداکثر MDC تقسیم بندی را تعریف می کند. [27]

روشهای رشد منطقه [ ویرایش ]

روشهای رشد منطقه عمدتاً بر این فرض استوار هستند که پیکسلهای همسایه در یک منطقه مقادیر مشابهی دارند. روش معمول مقایسه یک پیکسل با همسایگان است. اگر یک معیار تشابه راضی باشد ، می توان پیکسل را به همان خوشه یک یا چند همسایه تعلق داد. انتخاب معیار شباهت قابل توجه است و نتایج در همه موارد تحت تأثیر سر و صدا است.

روش ادغام منطقه آماری [28] (SRM) با ساخت نمودار پیکسل ها با استفاده از اتصال 4 متصل با لبه های وزن شده با مقدار مطلق اختلاف شدت شروع می شود. در ابتدا هر پیکسل یک منطقه پیکسل واحد را تشکیل می دهد. سپس SRM آن لبه ها را در یک اولویت مرتب می کند و تصمیم می گیرد که مناطق فعلی متعلق به پیکسل های لبه را با استفاده از یک محمول آماری ادغام کند یا خیر.

یکی منطقه در حال رشد روش از روش رو به رشد منطقه آخرینها است. این روش مجموعه ای از دانه ها را به همراه تصویر به عنوان ورودی می گیرد. دانه ها هر یک از اشیا را که باید تقسیم شوند ، علامت گذاری می کنند. مناطق با مقایسه تمام پیکسل های مجاور تخصیص نیافته به مناطق به صورت تکراری رشد می کنند. تفاوت بین مقدار شدت پیکسل و میانگین منطقه ،\ دلتا ، به عنوان معیار تشابه استفاده می شود . پیکسل با کمترین اختلاف از این طریق اندازه گیری شده به منطقه مربوطه اختصاص داده می شود. این فرآیند تا زمانی که همه پیکسل ها به یک منطقه اختصاص داده شوند ادامه می یابد. از آنجا که رشد منطقه بذر به عنوان ورودی اضافی به بذر احتیاج دارد ، نتایج تقسیم بندی به انتخاب بذر بستگی دارد و نویز موجود در تصویر باعث می شود که بذرها در جای کم قرار بگیرند.

یکی دیگر از روش های منطقه رشد ، روش رشد منطقه بدون بذر است. این یک الگوریتم اصلاح شده است که به بذرهای صریح نیاز ندارد. با یک منطقه واحد شروع می شودA_ {1}- پیکسلی که در اینجا انتخاب شده است به طور قابل توجهی بر تقسیم بندی نهایی تأثیر نمی گذارد. در هر تکرار پیکسل های همسایه را به همان روشی که منطقه بذر رشد می کند در نظر می گیرد. با رشد منطقه بذر از نظر تفاوت در حداقل ، تفاوت دارد\ دلتا  کمتر از یک آستانه از پیش تعریف شده است تی سپس به منطقه مربوطه اضافه می شود A_ {j}. در غیر این صورت ، پیکسل متفاوت از تمام مناطق فعلی در نظر گرفته می شودA_ {i} و یک منطقه جدیدA_ {n + 1} با این پیکسل ایجاد می شود.

یک نوع از این روش ، پیشنهاد شده توسط Haralick و Shapiro (1985) ، [1] براساس شدت پیکسل است . از میانگین و پراکندگی منطقه و شدت پیکسل کاندیدا برای محاسبه آماری آزمون استفاده می شود. اگر آمار آزمون به اندازه کافی کوچک باشد ، پیکسل به منطقه اضافه می شود و میانگین و پراکندگی منطقه محاسبه می شود. در غیر این صورت ، پیکسل رد می شود ، و برای تشکیل یک منطقه جدید استفاده می شود.

یک روش خاص منطقه رشد نامیده می شود \ لامبدا تقسیم بندی متصل ( اتصال به لامبدا را نیز ببینید ). براساس شدت پیکسل و مسیرهای پیوند محله است. درجه اتصال (اتصال) براساس مسیری که توسط پیکسل تشکیل می شود محاسبه می شود. برای مقدار مشخصی از\ لامبدا ، دو پیکسل نامیده می شود\ لامبدا اگر مسیری وجود داشته باشد که آن دو پیکسل را به هم پیوند دهد و اتصال این مسیر حداقل باشد ، به هم متصل می شوند \ لامبدا . \ لامبدا اتصال به هم رابطه هم ارزی است. [29]

تقسیم بندی تقسیم و ادغام براساس پارتیشن چهارتایی تصویر است. گاهی اوقات تقسیم بندی چهار درختی نامیده می شود.

این روش از ریشه درخت شروع می شود که نمایانگر کل تصویر است. اگر غیر یکنواخت (غیر همگن) یافت شود ، سپس به چهار مربع کودک تقسیم می شود (روند تقسیم) و غیره. در مقابل ، اگر چهار مربع کودک همگن باشد ، آنها به عنوان چندین م connectedلفه متصل شده (فرآیند ادغام) ادغام می شوند. گره در درخت یک گره تقسیم شده است. این فرآیند بصورت بازگشتی ادامه می یابد تا زمانی که دیگر امکان تقسیم یا ادغام وجود نداشته باشد. [30] [31] هنگامی که یک ساختار داده خاص در اجرای الگوریتم روش دخیل باشد ، پیچیدگی زمانی آن می تواند بهO (n \ log n)، یک الگوریتم بهینه از روش. [32]

منبع

https://en.wikipedia.org/wiki/Image_segmentation