%41تخفیف

دانلود پروژه: ارايه‌ي يك روش بخش‌بندي مبتني بر الگوريتم‌هاي هوشمند به‌منظور تشخيص اشياء در تصاوير بيروني

تعداد 133صفحه در فایل word

دکتري رشته‌ي مهندسي کامپيوتر گرايش معماري سيستم‌هاي کامپيوتري

 

ارايه‌ي يك روش بخش‌بندي مبتني بر الگوريتم‌هاي هوشمند به‌منظور تشخيص اشياء در تصاوير بيروني

چکيده

پردازش خودکار تصاوير بيروني، کاربردهاي متعددي ازجمله هدايت روبات‌هاي خودکار، ياري رساندن به افراد نابينا و کم‌بينا براي تردد کم‌خطر، کنترل ترافيک و طراحي کامپيوترهاي پوشيدني دارد. ويژگي‌هاي خاص اين نوع تصاوير مانند اثرات نوري و تنوع رنگ و بافت، انجام تحليل‌هاي سطح پايين و به‌ويژه بخش‌بندي اين تصاوير را با چالش‌هاي جدي مواجه ساخته است. از آن‌جا که بخش‌بندي يکي از مراحل مهم هر سامانه‌ي بينايي ماشين به‌شمار مي‌رود، بهبود کيفيت آن در ارتقاء عملکرد سامانه نقش مهمي را ايفا مي‌کند. در اين پژوهش با بررسي ويژگي‌هاي تصاوير بيروني، روش‌هاي خوشه‌بندي رنگي تصاوير به‌گونه‌اي سفارشي مي‌شوند که براي بخش‌بندي تصاوير بيروني مؤثر باشد. براي اين کار، از روشي چندمرحله‌اي در بستر تصاوير چنددقتي با نام اختصاري GCE استفاده مي‌شود که در هر مرحله، با تشخيص خوشه‌هاي مهم رنگي که مربوط به اشياء بزرگ تصوير هستند، آن‌ها را به تدريج حذف مي‌کند تا مجال حضور خوشه‌هاي کوچک‌تر را در تصاوير با وضوح بيش‌تر فراهم کند. براي تشخيص خوشه‌هاي مهم، روش‌هاي آماري و نيز تحليل هيستوگرام‌هاي رنگي خوشه‌ها به‌کار برده شده است. به‌علاوه از توابع ريخت‌شناسي براي حذف ناحيه‌هاي کوچک و از گراف‌هاي وزن‌دار براي تخمين تعداد رنگ‌هاي مهم تصوير و نيز ترکيب ناحيه‌هاي مجاور مشابه استفاده شده است. اين روش علاوه بر حل مشکلات فرابخش‌بندي و فروبخش‌بندي در خوشه‌بندي رنگي تصاوير، مقاومت خوبي در مقابل نويز از خود نشان مي‌دهد. براي تکميل فرآيند بخش‌بندي، هر بخش رنگي از ديد بافتي نيز تحليل مي‌شود تا ناحيه‌هايي که مربوط به اشياء مجاور هم‌رنگ با بافت‌هاي متفاوت هستند، تفکيک شوند. براي اين کار، يک ويژگي جديد بافتي به نام SGR معرفي شده است که با ترکيب انرژي‌هاي تصاوير جزيي حاصل از بانک فيلترهاي گابور، نمايي عددي از قوّت بافتي در جهت/دقت‌هاي مختلف را ارايه کند. اين ويژگي جديد، ضمن کاهش بار محاسباتي خوشه‌بندي‌هاي چندبعدي لازم براي بخش‌بندي بافتي، دقت قابل‌قبولي نيز از خود نشان مي‌دهد. براي ارزيابي کيفيت الگوريتم پيشنهادي از سه پايگاه داده‌ي UIDS، SID و BSDS که از تصاوير بيروني بخش‌بندي‌شده تشکيل شده‌اند و نيز معيارهاي آماري PRI، NPR و GCE استفاده شده است. با مقايسه‌ي کيفيت عملکرد روش پيشنهادي روي پايگاه‌هاي داده‌ي مزبور با الگوريتم‌هاي مشهور بخش‌بندي به کمک معيارهاي کمّي و کيفي، کارايي قابل‌قبول اين الگوريتم به‌ويژه در مورد تصاوير بيروني نشان داده مي‌شود.

واژگان کليدي:  تصاوير بيروني، بخش‌بندي، خوشه‌بندي رنگي، تحليل بافت، فيلترهاي گابور

فهرست مطالب

عنوان                                                                                               صفحه

فصل اول) مقدمه

1-1-    بیان مسأله‌ي پژوهش…. 1

1-2-    انگيزه‌هاي پژوهش…. 2

1-3-    هدف، ارزش و اهميت پژوهش…. 5

1-4-    کاربرد نتایج پژوهش…. 5

1-5-    روش انجام و نوآوري‌هاي پژوهش…. 6

1-6-    ساختار پایان‌نامه. 6

فصل دوم) مروري بر پژوهش‌هاي مرتبط

2-1-    مقدمه. 8

2-2-    تحليل تصاوير به‌هدف تشخيص اشياء. 8

2-3-    انواع روش‌هاي بخش‌بندي تصاوير. 12

2-4-    مروری بر روش‌های بخش‌بندی رنگی.. 17

2-4-1-         الگوريتم Mean-shift. 17

2-4-2-         بخش‌بندي مبتني بر تقسيم‌بندي گراف…. 19

2-4-3-         الگوريتم Felz-Hutt. 21

2-5-    بخش‌بندی تصاویر بیرونی.. 22

2-6-    جمع‌بندي فصل.. 23

فصل سوم) خوشه‌بندي رنگي

3-1-    مقدمه. 25

3-2-    مروري بر روش‌هاي خوشه‌بندي رنگي.. 26

3-2-1-         روش تقسيم يکنواخت مکعب RGB.. 28

3-2-2-         روش تقسيم تطبيقي مکعب RGB.. 29

3-3-    مشکلات روش‌هاي خوشه‌بندي رنگي در تصاوير بيروني.. 30

3-4-    بهبود الگوريتم‌هاي خوشه‌بندي رنگ‌ها به كمك هرم تصاوير چنددقتي.. 32

3-4-1-         الگوريتم بهبوديافته. 33

3-4-2-         تعيين پيکسل‌هاي يتيم در الگوريتم خوشه‌بندي با حذف تدريجي.. 41

3-4-3-         بخش‌بندي ابتدايي به کمک الگوريتم خوشه‌بندي با حذف تدريجي.. 49

3-5-    ارزيابي کيفيت الگوريتم بخش‌بندي… 57

3-5-1-         پايگاه‌هاي داده. 57

3-5-2-         معيارهاي ارزيابي کيفيت بخش‌بندي… 61

3-5-3-         ارزيابي کيفيت خوشه‌بندي رنگي و تحليل نتايج… 66

3-5-4-         تحليل نتايج… 67

3-6-    جمع‌بندي فصل.. 71

فصل چهارم) بهبود بخش‌بندي به کمک تحليل بافتي نواحي رنگي

4-1-    مقدمه. 74

4-2-    تحليل بافت تصاوير. 75

4-2-1-         روش‌هاي آماري… 76

4-2-2-         روش‌هاي مبتني بر پردازش سيگنال.. 78

4-3-    بانک فيلترهاي گابور. 82

4-3-1-         پنجره‌هاي فرکانسي تبديل دوبعدي گابور. 84

4-4-    بخش‌بندي تصاوير به کمک يک ويژگي جديد بافتي.. 92

4-4-1-         ويژگي جديد بافتي: پاسخ گابور دوخته شده. 93

4-4-2-         بخش‌بندي بافتي به کمک خوشه‌بندي ويژگي‌هاي SGR.. 96

4-5-    بهبود بخش‌بندي تصاوير خوشه‌بندي شده به کمک تحليل بافت…. 98

4-6-    ارزيابي نهايي الگوريتم بخش‌بندي… 99

4-6-1-         تحليل مقاومت الگوريتم در برابر نويز. 102

4-7-    جمع‌بندي فصل.. 104

فصل پنجم) جمع‌بندي و راهکارهاي آينده

5-1-    مقدمه. 106

5-2-    خلاصه پايان‌نامه. 106

5-3-    محدوديت‌ها و ملاحظات… 108

5-4-    راهکارهاي آينده. 109

منابع و مآخذ

فهرست شکل‌ها

عنوان                                                                                                                            صفحه

شکل ‏1‑1- بخش‌بندي و نمايش تصاوير بيروني در پروژه دانشگاه بريستول.. 3

شکل ‏1‑2- مراحل تحقيق انجام شده در دانشگاه بريستول 4

شکل ‏2‑1- ايجاد چند مدل شيء در تصاوير بيروني 9

شکل ‏2‑2- سامانه‌ي تشخيص اشياء به کمک روش تحليل از بالا به پايين 10

شکل ‏2‑3- يک سامانه‌ي بينايي ماشين.. 13

شکل ‏2‑4- اجراي الگوريتم رشد ناحيه روي همسايگي‌هاي چهارگانه براي يافتن يک ناحيه. 15

شکل ‏2‑5- استفاده از ساختار درخت چهارگانه براي بخش‌بندي مبتني بر تقسيم و ادغام ناحيه. 15

شکل ‏2‑6- مراحل يافتن يک خوشه به کمک الگوريتم Mean-Shift. 18

شکل ‏2‑7- تقسيم‌بندي نامناسب بين گره‌هاي گراف…. 20

شکل ‏2‑8- جايگاه پژوهش حاضر. 24

شکل ‏3‑1- مکعب رنگي فضاي RGB.. 28

شکل ‏3‑2- چندي‌سازي يكنواخت و تعيين جعبه‌هاي هم‌رنگ….. 28

شکل ‏3‑3- چندي‌سازي بر مبناي پراش كمينه و تعيين جعبه‌هاي هم‌رنگ….. 29

شکل ‏3‑4- اثر خوشه‌بندي رنگي عادي روي يک تصوير بيروني.. 31

شکل ‏3‑5- كارايي الگوريتم‌هاي خوشه‌بندي در تشخيص محل‌هاي واقعي تجمع نقاط… 31

شکل ‏3‑6- هرم تصاوير چنددقتي براي يك تصوير بيروني.. 33

شکل ‏3‑7- نسخه‌هاي محو شده يک تصوير بيروني.. 34

شکل ‏3‑8- اثر خوشه‌بندي‌هاي مختلف روي يک تصوير بيروني.. 35

شکل ‏3‑9- اثر خوشه‌بندي‌هاي مختلف روي يک تصوير بيروني ديگر. 37

شکل ‏3‑10– تغيير شکل لبه‌ها هنگام ملايم‌سازي تصاوير. 37

شکل ‏3‑11- فيلتر کواهارا 38

شکل ‏3‑12- مقايسه‌ي اثر فيلترهاي ملايم‌کننده. 38

شکل ‏3‑13- اثر مقداردهي نامناسب بردارهاي نماينده در يک خوشه‌بندي رقابتي.. 39

شکل ‏3‑14- نمودار تعداد پيكسل‌ها بر حسب فاصله اقليدسي تا نماينده دسته در يك خوشه نوعي.. 41

شکل ‏3‑15- مقايسه‌ي حد آستانه شباهت دو خوشه تقريباً مشابه. 43

شکل ‏3‑16- يک توزيع نرمال نوعي.. 43

شکل ‏3‑17- اثر مقدار p روي حد آستانه و تعداد پيکسل‌هاي يتيم.. 44

شکل ‏3‑18- پيکسل‌هاي يتيم با دو درصد p متفاوت… 45

شکل ‏3‑19- اثر پراش پيکسل‌هاي خوشه بر درصد p. 46

شکل ‏3‑20– هيستوگرام ته‌رنگ (Hue) در سه خوشه رنگي مربوط به شکل ‏3‑8. 47

شکل ‏3‑21- نمودار تغييرات ته‌رنگ (Hue). 48

شکل ‏3‑22– رنگ‌هاي يتيم در سه خوشه متفاوت… 50

شکل ‏3‑23- رابطه‌ي بين خوشه و ناحيه در يک تصوير بيروني.. 51

شکل ‏3‑24- حذف ناحيه‌هاي کوچک به کمک توابع ريخت‌شناسي.. 52

شکل ‏3‑25- تصفيه يک تصوير نمونه به کمک روش پيشنهادي… 53

شکل ‏3‑26- تصفيه يک تصوير بيروني.. 55

شکل ‏3‑27- تصاوير مرجع ايجاد شده به كمك ناظر انساني و نرم‌افزار فوتوشاپ در پايگاه داده‌ي UIDS. 58

شکل ‏3‑28- نتايج خوشه‌بندي يک تصوير از پايگاه داده‌ي UIDS. 59

شکل ‏3‑29- نتايج خوشه‌بندي تصويري ديگر از پايگاه داده‌ي UIDS. 60

شکل ‏3‑30- نتايج خوشه‌بندي تصاويري از پايگاه داده‌ي SID.. 61

شکل ‏3‑31- نتايج خوشه‌بندي تصاويري از پايگاه داده‌ي BSDS. 62

شکل ‏3‑32- مقايسه‌ي تغييرات چند معيار بخش‌بندي… 65

شکل ‏3‑33- مقايسه‌ي نمودار هيستوگرام فاصله‌هاي پيكسل‌هاي يك دسته تا مركز دسته در … 68

شکل ‏3‑34- نتيجه‌ي بخش‌بندي نامناسب به کمک پيش‌الگوهاي حاصل از خوشه‌بندي… 70

شکل ‏3‑35- خطا در خوشه‌بندي به‌دليل نزديکي رنگ اشياء متفاوت… 71

شکل ‏3‑36- نمودار بلوکي روش پيشنهادي براي خوشه‌بندي رنگي.. 72

شکل ‏4‑1- نمونه‌اي از ترکيب بخش‌هاي هم‌رنگ مجاور. 74

شکل ‏4‑2- مثالي از محاسبه‌ي LBP.. 77

شکل ‏4‑3- رابطه‌ي قله‌هاي طيف فوريه با بافت‌هاي تصوير. 79

شکل ‏4‑4- اثر حالت عناصر تشکيل‌دهنده بافت روي طيف فوريه. 80

شکل ‏4‑5- نمونه‌هايي از فيلترهاي حلقه/گوه. 81

شکل ‏4‑6- نمونه‌اي از بانک فيلترهاي حلقه/گوه. 82

شکل ‏4‑7- تحليل گابور يک تصوير با چهار پنجره گاوسي.. 84

شکل ‏4‑8- يک پنجره‌بندي نمونه در فضاي فرکانسي با استفاده از مختصات قطبي.. 85

شکل ‏4‑9- تبديل فوريه تصوير Camera Man‌ و تصاوير جزيي حاصل از اعمال فيلترهاي گابور. 91

شکل ‏4‑10- نحوه‌ي ساخت بردار امضاي فرکانسي يکي از پيکسل‌ها 92

شکل ‏4‑11- نمايي از پاسخ گابور دوخته شده. 93

شکل ‏4‑12- نمونه‌هايي از آستانه‌گذاري انرژي‌هاي گابور و ايجاد بردار انرژي دودويي.. 94

شکل ‏4‑13- نمايش رنگي وزن‌هاي توان‌هاي صحيح دو در نقشه گابور شانزده قطعه‌اي… 95

شکل ‏4‑14- بخش‌بندي بافتي به کمک خوشه‌بندي SGR.. 98

شکل ‏4‑15- اثر تحليل بافت در تکميل بخش‌بندي تصاوير بيروني.. 100

شکل ‏4‑16- اثر اضافه کردن نويز سفيد روي کارايي الگوريتم‌هاي بخش‌بندي… 103

شکل ‏4‑17- تأثير نويز با شدت‌هاي مختلف روي کيفيت عملکرد الگوريتم‌هاي بخش‌بندي… 104

شکل ‏4‑18- نمودار بلوکي روش پيشنهادي براي بخش‌بندي… 105

شکل ‏5‑1- نماي کلي الگوريتم پيشنهادي… 108

شکل ‏5‑2- نمونه‌هايي از تصاوير مرجع بخش‌بندي‌شده غيرمنطقي توسط ناظران انساني پايگاه داده‌ي برکلي.. 110

فهرست جدول‌ها

عنوان                                                                                                                            صفحه

جدول ‏3‑1- مقايسه‌ي کارايي الگوريتم‌هاي خوشه‌بندي رنگي روي پايگاه داده‌ي UIDS. 67

جدول ‏3‑2- مقايسه‌ي کارايي الگوريتم‌هاي خوشه‌بندي رنگي روي پايگاه داده‌ي SID.. 67

جدول ‏3‑3- مقايسه‌ي کارايي الگوريتم‌هاي خوشه‌بندي رنگي روي پايگاه داده‌ي BSDS300. 67

جدول ‏4‑1- مقايسه‌ي کارايي الگوريتم پيشنهادي با الگوريتم‌هاي معروف از منظر معيار PRI 101

جدول ‏4‑2- مقايسه‌ي کارايي الگوريتم پيشنهادي با الگوريتم‌هاي معروف از منظر معيار NPR.. 101

جدول ‏4‑3- مقايسه‌ي کارايي الگوريتم پيشنهادي با الگوريتم‌هاي معروف از منظر معيار GCE. 101

قبلا حساب کاربری ایجاد کرده اید؟
گذرواژه خود را فراموش کرده اید؟
Loading...
enemad-logo