منبع پایان نامه ارشد با موضوع تصویر استفاده و اطلاعات اولیه


Widget not in any sidebars

ردیف بالا : فریم جدید. ردیف پایین از چپ : یک بلوک از فریم قبلی، 9 بلوک از فریم موجود که باید با بلوک موجود مقایسه شوند.
شکل شماره 3-3 یک مرحله از الگوریتم جستجوی سه مرحله ای روی یک فریم
شکل شماره 3-3 یک مرحله از الگوریتم جستجوی سه مرحله ای روی یک فریم
به دست آوردن ناحیه متحرک تصویر
پس از طی مراحل بالا برای تمام بلوک های موجود در یک فریم، میدان بردار جابجایی حاصل می شود. این میدان شامل ماتریسی به ابعاد تعداد بلوک های موجود در هر فریم است که درایه های این ماتریس نشان دهنده میزان جابجایی هر کدام از بلوک ها می باشد. همچنین در این پایان نامه این فرض شده است که اهداف متحرک موجود در تصویر، سطح کوچکی از تصویر را در بر می گیرند. بنابراین با دسته بندی بردارهای جابجایی می توان این گونه نتیجه گرفت که دسته ای که بیش ترین بردار جابجایی را در خود جای داده است به احتمال زیاد شامل جابجایی هایی است که ناشی از حرکت دوربین بوده است. به عبارت دیگر با دانستن این حقیقت که تعداد زیادی از بلوک ها متعلق به پس زمینه می باشد، بزرگترین دسته هم مربوط به بلوک های پس زمینه است. با توجه به ثابت بودن این بلوک ها، جابجایی منتسب شده به آن ها ناشی از جابجایی دوربین می باشد. بدون در نظر گرفتن راستای سایر بردارهای جابجایی، تمام بلوک هایی که جابجایی آنها در راستای غیر از حرکت دوربین باشد می توانند مربوط به اجسام متحرک تصویر باشند.
به این ترتیب پس از پایان این مرحله نواحی از تصویر مشخص می شود که می توانند به عنوان کاندیدایی برای نواحی متحرک تصویر تلقی شوند. همچنین باید به این نکته توجه کرد که اهداف لزوما توسط بلوک های مربعی قابل نمایش نیستند. در نتیجه ممکن است تعدادی از پیکسل های ناحیه هدف به غلط به عنوان پس زمینه تلقی شده باشد. به علاوه، تعدادی از پیکسل های پس زمینه نیز در قسمت هایی وجود دارند که به عنوان نواحی متحرک در نظر گرفته شده است. برای بهبود کیفیت تصاویر و یا به عبارت بهتر افزودن پیکسل های هدف از دست رفته به ناحیه هدف و همچنین زدودن پیکسل های مربوط به پس زمینه از ناحیه هدف، نیاز به استفاده از قطعه بندی تصویر می باشد.
قطعه بندی تصویر به وسیله الگوریتم K-Means
همان گونه که در قسمت قبل توضیح داده شد، اهداف لزوما در غالب بلوک های مربعی قرار نمی گیرند. بنابراین مرزهای نواحی متحرک تصویر نیاز به اصلاح شدن دارند. برای انجام این کار استفاده از الگوریتم خوشه بندی تصاویر توصیه می شود.
قطعه بندی تصاویر یکی از ابتدایی ترین اقداماتی است که در بسیاری از شاخه های علم پردازش تصویر، برای آماده سازی فریم ها به منظور کاربرد های مختلف، صورت می گیرد. قطعه بندی تصاویر با استفاده از روش های بسیار متنوعی می تواند انجام شود. هدف نهایی در تمام این روش ها آن است که تصویر ورودی به تعدادی ناحیه غیرهمپوشان تقسیم شود، به طوری که تمام نقاط موجود در هر ناحیه، خصوصیات مشابه خاصی داشته باشند. به عنوان مثال همگی دارای شدت رنگ یکسان باشند. به این ترتیب تصویر قطعه بندی شده تنها شامل چند رنگ خاص می باشد. البته لازم به ذکر است که روش های قطعه بندی تصاویر معمولا زمانی دارای بهترین بازده هستند که به تصویری با نواحی رنگی همگن اعمال شوند. به عبارت دیگر استفاده از این روش ها در قطعه بندی تصاویری که شامل ساختار رنگی غیر همگن هستند توصیه نمی شود. در این پایان نامه از الگوریتم K-Means برای قطعه بندی تصاویر استفاده شده است.
الگوریتم K-Means یکی از معروف ترین روش های خوشه بندی داده است که در این جا از آن برای قطعه بندی تصویر استفاده کرده ایم. این الگوریتم شامل یک فرآیند ساده است که طی آن داده های ورودی به K دسته تقسیم می شوند. داده های ورودی بر اساس فاصله آن ها به هر دسته اختصاص داده خواهند شد. الگوریتم تا زمانی ادامه می یابد که هر داده به طور صحیح دسته بندی شده باشد. یکی از مهمترین کاربرد های این روش در قطعه بندی تصاویر است. هدف نهایی در این کاربرد آن است که داده های ورودی که وابسته به رنگ و مکان پیکسل های مختلف تصویر است در K کلاس دسته بندی شوند. به این ترتیب در نهایت تصویری شامل K رنگ متفاوت در اختیار خواهیم داشت. لازم به ذکر است که این روش از نظر محاسباتی کارایی مناسبی دارد. همچنین بازده این روش وابستگی شدیدی به انتخاب اولیه دسته ها دارد. در کاربرد های گذشته این روش، انتخاب اولیه مرکز دسته ها به صورت تصادفی انجام می شد. به این معنی که در ابتدا K داده به صورت تصادفی به عنوان مرکز دسته ها در نظر گرفته می شوند. سپس سایر داده ها بر اساس فاصله از این مرکز دسته ها دسته بندی می شوند. این نحوه انتخاب اولیه ممکن است گاهی منجر به بروز دسته های با اعضای کم شود. از این رو در این پایان نامه انتخاب اولیه دسته ها بر اساس نمودار فراوانی رنگی آن ها انتخاب شده است. به این ترتیب که با توجه به فراوانی رنگی تصویر و محدوده توزیع رنگ ها، مرکز دسته های اولیه با فاصله برابر از میان این محدوده انتخاب شدند. این انتخاب باعث این خواهد شد که همواره دسته ها تعدادی عضو را در خود جای دهند. همچنین رنگ هایی که مقدار بسیار کمی را در فراوانی رنگی دارند هیچ گاه به عنوان مرکز دسته انتخاب نمی شوند.
فرآیند کلی روش K-Means برای قطعه بندی تصاویر در حالت کلی شامل 4 مرحله می باشد. پس از طی این چهار مرحله تصویر ورودی تبدیل به تصویری با K رنگ می شود. با توجه به این که یک حلقه تکرار در الگوریتم وجود دارد، انتخاب اولیه مناسب برای مرکز دسته ها می تواند تاثیر چشم گیری روی کاهش حجم محاسبات و در نتیجه افزایش سرعت این روش داشته باشد ]19، 20[.
چهار مرحله مذکور به ترتیب مطابق زیر می باشند.
مرکز دسته های اولیه با توجه به اطلاعات اولیه به دست آمده از فراوانی رنگی پیکسل های تصویر محاسبه می شود.
داده ها با توجه به فاصله آن ها از مرکز دسته ها ، دسته بندی می شوند. هر داده به دسته ای اختصاص می یابد که کمترین فاصله را با مرکز دسته آن داشته باشد.
پس از دسته بندی شدن تمام داده ها، مجددا مرکز دسته های با استفاده از داده های هر دسته محاسبه می گردد.
مراحل 2 و 3 آن قدر تکرار می شوند تا دیگر هیچ داده ای بین دسته های مختلف جابجا نشود.
لازم به ذکر است که هدف نهایی این الگوریتم آن است که مجموع فاصله داده ها از مرکز دسته ها کمینه مقدار خود باشد. در این جا منظور از فاصله، فاصله اقلیدسی می باشد. به طور خلاصه می توان نشان داد که هدف نهایی این روش کمینه کردن مقدار عبارت زیر است :
(3-5)
مطابق رابطه بالا، متغیر نشان دهنده داده های کلاس شماره i است. همچنین n تعداد کل داده ها و k هم تعداد کل دسته ها می باشد. به علاوه منظور از نیز مرکز دسته شماره i است.
نمودار جریان الگوریتم پیشنهادی اول
Yes
No
Segmented Image
Flag=1