وبلاگ

پیکسل­های تصویر)، x داده (پیکسل) متعلق به خوشه k ام، m_k مرکز خوشه k ام و C_k خوشه k ام می­باشد.
در تابع هدف الگوریتم NLICA، فاصله اقلیدسی پیکسل­ها و مراکز خوشه­ای که به آن تعلق دارند، کمینه و فاصله اقلیدسی بین نزدیکترین مراکز خوشه، در فضای ویژگی میانگین وزن­دار غیرمحلی بیشینه می­گردد.
۵-۴ پس­پردازش^[۴۵] ساده
بعد از انجام خوشه­بندی پیکسل­های تصویر، به دلیل وجود نویز شدید در تصویر اولیه ممکن است
پیکسل­هایی به اشتباه دسته­بندی شده باشند. به منظور به ­روزرسانی برچسب^[۴۶](شماره خوشه) چنین
پیکسل­هایی در تصویر بخش­بندی ­شده، از یک پس­پردازش ساده با الهام از این اصل که پیکسل­های مجاور در تصویر مشابه و همبسته^[۴۷] هستند، استفاده می­گردد. به منظور استخراج لبه­های تصویر ورودی از روش سوبل استفاده شده که با به کار بستن آن، لبه­های افقی و عمودی تصویر آشکارسازی می­ شود. پس از به دست ­آوردن بزرگی گرادیان برای تک­تک پیکسل­های تصویر، با بهره گرفتن از یک حدآستانه، پیکسل­هایی که اندازه گرادیان برای آن بزرگتر از حدآستانه باشد، به عنوان پیکسل متعلق به لبه انتخاب شده و مقدار متناظرشان در تصویر نگاشت لبه^[۴۸] برابر با یک و مقادیر سایر پیکسل­ها در این تصویر، صفر قرار داده می­شوند. مقدار حدآستانه با بهره گرفتن از رابطه زیر محاسبه می­گردد:

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

(۵-۹) کمترین مقدار گرادیان تصویر + (کمترین مقدار گرادیان تصویر - بیشترین مقدار گرادیان تصویر) * ۰٫۱۵ = حدآستانه
تصویر نگاشت لبه تصویری است که در آن پیکسل­های متعلق به لبه­ها مقادیرشان یک بوده و سایر پیکسل­ها مقدار صفر دارند. سپس لبه­های موجود در تصویر نگاشت لبه با بهره گرفتن از عملگر فرسایش^[۴۹]،
نازک­سازی می­گردد. برای تصویر پردازش ­شده در مرحله پیش­پردازش، انحراف ­معیار مقادیر پیکسل­ها محاسبه شده و اگر انحراف ­معیار بزرگتر از ۰٫۱ باشد، عملگر فرسایش بر روی تصویر نگاشت لبه به منظور حذف لبه­های ضعیف و ناشی از نویز، اعمال می­گردد. در تصاویری که وضوح پایینی داشته و مقدار انحراف معیار پیکسل­ها در آن مقدار کوچکی است، عملگر نازک­سازی لبه جهت حفظ جزئیات، اعمال نمی­گردد. در مرحله پس­پردازش تصویر برچسب پیکسل­های متعلق به لبه­های تشخیص داده ­شده تغییر نمی­کنند و پیکسل­های دیگر با بیشترین برچسب تکرارشده در همسایگی متغیرشان، برچسب می­خورند. به عبارت دیگر هر پیکسل به ناحیه­ای که اکثر پیکسل­های پیرامونش به آن تعلق دارند، می­پیوندد. نحوه تغییر ناحیه تعلق هر پیکسل در ادامه شرح داده می­ شود. برای هر پیکسل ابتدا پنجره بزرگی (با شعاع ۴۰=R) پیرامون آن مشخص شده و لبه­ بودن یا نبودن هر یک از پیکسل­های واقع در داخل این پنجره بزرگ، بررسی می­ شود و در صورتی که حداقل یکی از این پیکسل­ها جزء پیکسل­های لبه باشد، شعاع پنجره به اندازه یک واحد کاهش می­یابد و سپس دوباره تعلق پیکسل­های واقع در داخل پنجره جدید، در پیکسل­های جزء لبه­های تصویر بررسی می­گردد. فرایند کاهش شعاع پنجره همسایگی حول پیکسل تحت پردازش تا زمانی که همه
پیکسل­های داخل آن جزء پیکسل­های لبه نباشند یا میزان شعاع پنجره به یک واحد برسد، ادامه می­یابد. پس از مشخص شدن شعاع همسایگی، پیکسل مرکزی (در حال پردازش) به ناحیه­ای که اکثر پیکسل­های داخل پنجره همسایگی مشخص ­شده به آن تعلق دارند، تغییر عضویت می­دهد. در شکل ۵-۱۰ پیکسل مرکزی بعد از انجام خوشه­بندی در کلاس شماره ۳ قرار گرفته و پس از محاسبه شماره کلاسی (برچسبی) که بیشترین تکرار را در همسایگی تعیین ­شده پیکسل مرکزی دارد، پیکسل موردنظر عضو کلاس شماره ۱ شده است.
۱ ۳ ۲ ۱ ۱
۱ ۱ ۲ ۱ ۲
۱ ۲ ۳ ۱ ۱
۱ ۱ ۳ ۱ ۱
۱ ۲ ۱ ۱ ۳
۱ ۲ ۱ ۳ ۱
۱ ۳ ۲ ۱ ۱
۱ ۱ ۲ ۱ ۲
۱ ۲ ۱ ۱ ۱
۱ ۱ ۳ ۱ ۱
۱ ۲ ۱ ۱ ۳
شکل ۵-۱۰: نمونه ­ای از اعمال پس­پردازش پیشنهادی بر روی قسمتی از تصویر بخش­بندی ­شده
برای هر پیکسل در صورتی که آن پیکسل جزء پیکسل­های لبه نباشد
همسایگی بزرگی به شعاع ۴۰ پیکسل پیرامون آن در تصویر خوشه­بندی شده در نظر بگیرید
تا زمانی که حداقل یکی از پیکسل­های واقع در همسایگی جزء پیکسل­های لبه باشد
شعاع همسایگی را به اندازه یک واحد کاهش بدهید
تعلق پیکسل­های واقع در همسایگی جدید را در پیکسل­های جزء لبه بررسی کنید
برچسب پیکسل مرکزی همسایگی را برابر با بیشترین برچسب تکرار شده پیکسل­های داخل همسایگی مشخص شده قرار دهید
شکل ۵-۱۱: شبه کد مرحله پس­پردازش
۵-۵ خلاصه فصل
در این فصل راه­کار پیشنهادی برای بخش­بندی تصاویر به تفصیل شرح داده شده و مراحل مختلف آن بررسی گردید. در ابتدای فصل مراحل الگوریتم پیشنهادی، موسوم به NLICA به صورت نمودار کارنما نشان داده شده است. روش پیشنهادی به طور کلی از سه بخش تشکیل یافته که در قسمت اول این فصل، مرحله نخست آن، یعنی جمع­آوری اطلاعات غیرمحلی پیکسل­ها بیان گردید. همان­طور که گفته شد جهت محاسبه مقدار ویژگی غیرمحلی برای هر پیکسل، از میانگین وزن­دار پیکسل­های داخل پنجره بزرگی پیرامون آن پیکسل استفاده می­ شود که نحوه انتساب وزن­ها به پیکسل­ها و حساسیت مقادیر وزن­ها به پارامتر واریانس تابع گوسی محاسبه وزن بررسی شده و جهت تعیین مقدار این پارامتر، روش تحلیل مؤلفه­ های اصلی تکه­های تصویر^[۵۰] ارائه گردید. در بخش دوم فصل، با نحوه ترکیب الگوریتم رقابت استعماری و الگوریتم k-means که به صورت استفاده از تابع هدف الگوریتم k-means در تابع هزینه الگوریتم رقابت استعماری پیشنهادی است، آشنا شدیم و در ادامه در بخش سوم نحوه کدگذاری کشورها جهت خوشه­بندی پیکسل­های تصویر که هر کشور شامل مراکز خوشه­های پیکسل­ها است، بیان شده و در همین بخش نحوه کار عملگرهای جذب مستعمرات به سمت استعمارگرها و انقلاب مستعمرات که با اندکی تغییر در خوشه­بندی پیکسل­های تصویر به کار رفته­اند، توضیح داده شد. علاوه بر عملگرهای فوق، دو عملگر جدید حرکت استعمارگرها و تولید جواب­های کاندید پیرامون قوی­ترین استعمارگر که به منظور افزایش قدرت همگرایی الگوریتم رقابت استعماری پیشنهاد گردیده، در این فصل معرفی شدند. بعد از انجام بخش­بندی با روش NLICA بر روی تصاویری که واریانس نویز در آنها زیاد است، ممکن است نتایج مطلوبی حاصل نشود؛ به منظور افزایش کیفیت بخش­بندی تصاویر در بخش چهارم فصل، پردازشی ساده بر روی تصویر بخش­بندی شده معرفی شد که با اعمال این پس­پردازش دقت بخش­بندی تصاویر نویزدار افزایش می­یابد. در فصل بعد نتایج حاصل از اعمال پس­پردازش بر روی تصاویر آلوده به نویز با واریانس بالا و نتایج پیش از اعمال این مرحله به طور مفصلی بررسی و ارزیابی خواهند شد.
فصل ۶
ارزیابی و نتایج عملی
در این فصل بخش­بندی تصویر با بهره گرفتن از الگوریتم شرح داده­ شده در فصل قبل را بر روی تصاویر مختلف انجام داده و نتایج آن را ارزیابی و با روش­های دیگر مقایسه خواهیم کرد. در ادامه برخی از تصاویر محک را معرفی و در مورد ویژگی­های آنها بحث می­گردد. تصاویر محک خود شامل دو نوع تصاویر مصنوعی و تصاویر طبیعی می­باشد که ما آزمایشات خود را بر روی تصاویری از هر دو نوع انجام داده و نتایج آن را گزارش
می­نماییم. مطالب این فصل در دو بخش تحت پوشش قرار داده می­ شود که در هر بخش، نتایج بخش­بندی تصاویر مربوط به آن بخش با روش­های دیگر مقایسه و تحلیل و بررسی می­شوند. در انتها عملکرد الگوریتم پیشنهادی را با آزمون­های مختلفی سنجیده و نتایج تحت نمودارهای مختلفی ارائه و بررسی خواهند شد.
۶-۱ معرفی تصاویر محک^[۵۱]
الگوریتم NLICA نسخه­ای بهبود یافته و تغییر یافته از الگوریتم رقابت استعماری برای بخش­بندی تصویر به شمار می­رود. برای ارزیابی این الگوریتم تصاویر مختلفی به عنوان تصویر محک انتخاب شده که شامل دو دسته تصاویر مصنوعی (ساختگی) و تصاویر طبیعی است. الگوریتم NLICA در محیط MATLAB
پیاده­سازی شده و برنامه برروی کامپیوتر P8400 با سرعت پردازنده ۲٫۲۶ GHz اجرا می­ شود.
در شکل صفحه بعد سه نمونه از تصاویر محک مصنوعی نشان داده شده است. تصویر اول از دو ناحیه^[۵۲] تشکیل یافته و شدت روشنایی نواحی به ترتیب ۶۰ و ۱۰۰ می­باشد. همچنین به تصویر مزبور، نویز گوسین ۵ درصد افزوده شده است. این تصویر در سراسر فصل با نام تصویر شماره یک نامگذاری گردیده است. تصویر دوم یا شماره دو از سه ناحیه تشکیل یافته و شدت روشنایی نواحی ۰ و ۱۲۸ و ۲۵۵ می­باشد و این تصویر نیز با نویز گوسین ۱۰ درصد تخریب شده است. در تصویر سوم یا تصویر شماره سه، چهار ناحیه با
شدت روشنایی­های ۰، ۱۰۰، ۱۴۵ و ۲۰۰ وجود دارد و تصویر با نویز گوسین ۱۰ درصد تخریب شده است. الگوریتم پیشنهادی بر روی هر یک از تصاویر اعمال شده و نتایج آن تحلیل و بررسی خواهد شد. ابعاد همه تصاویر ساختگی (مصنوعی) ۲۵۶×۲۵۶ می­باشد؛ یعنی هر کدام شامل ۶۵۵۳۶ پیکسل است.

شکل ۶-۱: تصاویر محک مصنوعی
در بخش دوم از این فصل نتایج حاصل از اعمال الگوریتم NLICA بر روی تصاویر طبیعی انتخاب ­شده، بررسی می­گردند. تصاویر محک طبیعی انتخاب ­شده در این پژوهش، در شکل­های (۶-۲) تا (۶-۴) نشان داده شده است. این تصاویر از پایگاه داده تصاویر برکلی^[۵۳] انتخاب شده و در این پژوهش هر کدام با شماره­شان در پایگاه­ داده برکلی، نامگذاری شده ­اند و ابعاد همه تصاویر ۴۸۱×۳۲۱ می­باشد. همچنین تصاویر بخش­بندی­ شده مرجع (به صورت دستی بخش­بندی ­شده) هر کدام از تصاویر، در مقابل آنها نشان داده شده است.

شکل ۶-۲: تصویر محک #۲۳۸۰۱۱ (سمت راست) و تصویر بخش­بندی ­شده مرجع (سمت چپ)

شکل ۶-۳: تصویر محک #۱۶۷۰۶۲(سمت راست) و تصویر بخش­بندی ­شده مرجع (سمت چپ)
(سمت راست) و تصویر بخش­بندی ­شده مرجع (سمت چپ)#۴۲۰۲۹شکل ۶-۴: تصویر محک
از آنجایی که در الگوریتم NLICA تعداد خوشه ­ها توسط کاربر مشخص می­گردد، در آزمایشات انجام ­شده بر روی تصاویر محک، تعداد خوشه ­ها برابر با تعداد خوشه­های مشخص ­شده برای سایر روش­های تحت مقایسه در نظر گرفته شده است. تعداد خوشه ­ها برای تصاویر مختلف در جدول ۶-۱ آمده است.