زمان جاری: 07-24-2014, 06:51 PM
خوش آمدید مهمان گرامی! (ورودعضویت)

ارسال پاسخ 
 
رتبه موضوع:
  • 0 رای - 0 میانگین
  • 1
  • 2
  • 3
  • 4
  • 5
بررسی و مقایسه توابع آشکارساز لبه (Cannyو...)
07-22-2012, 07:42 PM
ارسال: #1
بررسی و مقایسه توابع آشکارساز لبه (Cannyو...)
سلام،پروژه من در مورد تشخیص پلاک خودرو می باشد من خیلی متلب بلد نیستم فایلای شما رو خوندم ممنونم اما باز مشکل دارم باید پروژم تو متلب اجرا بشه تصاویر 100 ماشین رو حداقل بگیره بعد پلاک این ماشینها رو تشخیص بده الگوریتم های لبه یابی sobel,canny,...می باشد که باید من تشخیص بدم کدوم الگوریتم بهتر کار میکنه و من بتونم بهبودش بدم البته اگه تونستم
حالا از شما می خوام اگه مطالب مفیدی تو این زمینه دارید کمکم کنید، 3 هفته بیشتر وقت ندارم
با تشکر از شما
یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در پاسخ
07-22-2012, 11:01 PM
ارسال: #2
RE: بهبود کجی پلاک خودرو
سلام
باید یه تاپیک جدید ایجاد می کردید!!!!!!
با این وجود مطالبی در رابطه با درخواست شما به انجمن اضافه کردم

[تصویر: emza.png]
You are not allowed to view links. Register or Login to view.
مشاهده سایت کاربر یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در پاسخ
07-23-2012, 06:53 PM (آخرین تغییر در این ارسال: 07-23-2012 06:54 PM توسط shima201.)
ارسال: #3
RE: بهبود کجی پلاک خودرو
سلام
ببخشید، من زیاد وارد نبودم
تمام این فایلهایی که برام گذاشتین و داشتم،ممنونم از شما
من مطلب در مورد الگوریتم هایی مانند کنی و سوبل ومورفولوژی و... لازم دارم و تغییراتی که می توان بر روی این الگوریتمهای اعمال کرد تا آنها بهبود یابند.بررسی الگوریتم های مختلف کشف آنومالی و نویز ها و بیان معایب و مزایای هر کدام و ارایه مناسبترین الگوریتم
(بررسی الگوریتم های مختلف کشف لبه بیان معایب و مزایای هر کدام و اریه مناسبترین الگوریتم (تمرکز اصلی کارمن اینجا می باشد و الگوریتمهایی مانند کنی و سوبل ومورفولوژی در اولویت هستند)
باز هم از لطفتون ممنونم
یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در پاسخ
07-24-2012, 05:22 AM
ارسال: #4
RE: بهبود کجی پلاک خودرو
سلام
کلا اینا چند نمره دارند؟ چشمک

حالت بهینه الگوریتم Canny و ﻣﻘﺎﻳﺴﻪ آن ﺑﺎ ﺳﺎﻳﺮ اﻟﮕﻮرﻳﺘﻢ[/i] ﻫﺎي اﺷﻜﺎر ﺳﺎز ﻟﺒﻪ
[b]نويسند‌گان:
[ You are not allowed to view links. Register or Login to view. ] - دانشجوي كارشناسي ارشد سنجش از دور دانشگاه صنعتي خواجه نصير طوسي[/i]
[ You are not allowed to view links. Register or Login to view. ] - دانشجوي كارشناسي ارشد سنجش از دور دانشگاه صنعتي خواجه نصير طوسي

خلاصه
الگوريتم هاي زيادي به منظور آشكار سازي لبه هاEdge Detection در مبحث پردازش تصوير (Image Processing) ارائه شده اند . اساس بسياري از اين الگوريتم ها و روش ها مشتق گيري از تصوي ر مي باشد . روش هاي جديدي همچون روش مورفولوژيكال morphological Edge Detector نيز وجود دارند كه از عملگرهاي صريح رياضي و غير مشتق گيري استفاده مي كنند . الگوريتم Canny در سال 1983 مطرح شد و با اقبال شديد صاحب نظران و استفاده كنندگان روبه رو شد هم اكنون الگوريتمCanny به عنوان يك آشكار ساز در صنعت به صورت گسترده مورد استفاده قرار مي گيرد . اين الگوريتم نيز از آن دسته روش هايي كه از مشتق گيري روي عكس استفاده مي كنند ، تقسيم بندي مي شود . نتيجه بهينه ازالكوريتم Canny زماني حاصل مي شود كه پارامتر هاي آن Thereshold (low , high)،size mask به صورت بهينه انتخاب شوند . در اين تحقيق نتيجه اعمال الگوريتم بهينه شده Canny را با نتيجه حاصل شده از الگوريتم Canny موجود در Tool Box نرم افزار MATLAB و چند الگوريتم ديگر High Boost , LOG , Morphological ارائه شدو نتايج حاصل نشان از آن دادند كه الگوريتم ارئه شده كارايي بالايي دارد .
كلمات كليدي: اشكارسازي لبه Edge Detection ، الگوريتم كني Algorithm Canny، حداستانهThereshold


فایل‌های ضمیمه
.pdf  حالت بهینه الگوریتم Canny و ﻣﻘﺎﻳﺴﻪ آن ﺑﺎ ﺳﺎﻳﺮ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي اﺷﻜﺎر ﺳﺎز ﻟﺒﻪ.pdf (اندازه: 570.31 KB / دانلودها: 653)

[تصویر: emza.png]
You are not allowed to view links. Register or Login to view.
مشاهده سایت کاربر یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در پاسخ
 تشکر شده توسط : zhashemi
07-24-2012, 05:47 AM
ارسال: #5
تشخيص لبه در تصاوير ديجيتال با استفاده از تكنيك فازي
تكنيك فازي، يك عملگر معرفي شده به منظور شبيه سازي سطوح رياضي رفتار جبراني در پردازش تصميم گيري يا ارزيابي ذهني است. اين مقاله چنين عملگري را براي كاربردهاي بينايي كامپيوتري معرفي مي كند.
در اين مقاله يك روش جديد بر پايه استراتژي استدلال منطق فازي براي تشخيص لبه در تصاوير ديجيتال بدون تعيين مقدار آستانه ، پيشنهاد مي شود. روش پيشنهاد شده با بخش‌بندي كردن تصوير به نواحي، با استفاده از ماتريس باينري 3*‌3 شروع مي شود. پيكسل‌هاي لبه به محدوده اي از مقادير متمايز از يكديگر نگاشته مي شود. قابليت اطمينان نتايج روش پيشنهاد شده براي تصاوير گرفته شده متفاوت با عملگر سوبل (Sobel) خطي مورد مقايسه قرار مي گيرد. اين روش باعث تاثير پايدار در همواري و صاف بودن خطوط براي خط‌هاي مستقيم و گرد شدن براي خط هاي منحني مي شود. در اين حالت گوشه هاي تصوير تيزتر و به راحتي تعريف مي شوند.
[b][تصویر: 1_karimi%201.jpg]
در طول چند دهه گذشته حجم علاقه، تحقيق و ارائه سيستم هاي بينايي كامپيوتري بيش از حد افــزايــش يــافـتــه اســت. امــروزه در بـسـيـاري از جنبه‌هاي زندگي مانند سيستم هاي نظارت در پـارك مـاشـيـن هـا، خـيـابـان هـا و مـراكـز خـريـد، سيستم هاي كنترل كيفيت و مرتب سازي در اكثر تــولـيــدات غــذايــي از ايــن تـكـنــولـوژي استفـاده مي‌شود. بنابراين معرفي سيستم هاي محاسبه و بازرسي بصري به طور خودكار خصوصا براي اشياء مكانيكي دو بعدي بسيار ضروري است. در قـسـمـت اول به دليل افزايش قابل توجه در تـصاوير ديجيتال كه روزانه توليد مي شود ( به طور مثال تصاوير راديوگرافي از ماهواره) نياز به پردازش اتوماتيك چنين تصاويري افزايش قابل تـوجـه يـافـتـه اسـت. بنابراين، اخيرا كاربردهاي زيـادي هـمـچـون تـشـخيص تصاوير پزشكي به كمك كامپيوتر، بخش بندي و طبقه بندي كردن تصاوير سنجش از راه دور به طبقات زمين ( به طور مثال تشخيص مزارع گندم و تخمين رشد محصول)، شناخت كاركتر نوري، كنترل حلقه بسته، بازيابي بر پايه مفهوم براي كاربردهاي چند رسانه اي ، دست‌كاري تصوير براي صنعت فيلم، شناسايي جزئيات ثبت‌نام از شماره پلاك خودرو و عمل كردن به صورت شخص ميزبان در كارهاي بازرسي صنعتي (مانند تشخيص پارچه هاي معيوب، نورد فولاد، شيشه هاي بشقاب) از اين روش استفاده مي شود.
به همين دليل استفاده از اين روش به منظور تحليل تصوير بيش از ديگر روش هاي ممكن پردازش داده، مورد استقبال قرار گرفته است.
[تصویر: 1_karimi%202.jpg]
درك تصاوير بر پايه تحليل، كمك زيادي در ارائه الگوريتمي مانند تحليل هندسي و تاييد نتايج غير رسمي مي كند. نقش بينايي كامپيوتر مي تواند به صورت يك سيستم براي تحليل تصاوير خودكار در نظر گرفته شود. تصاوير مي تواند از روش هاي مختلفي خارج از تصاوير رنگي و سياه و سفيد نرمال، همچون مادون قرمز، اشعه ايكس، همچنين به عنوان توليد جديدي از مجموعه داده ماهواره با طيف قوي حاصل شود. از تكنيك هاي محاسباتي گوناگون زيادي در درون سيستم هاي بينايي كامپيوتر همچون روش هاي بهينه سازي استاندارد، الگوريتم هاي ژنتيك و ... استفاده مي شود.
تشخيص لبه و بخش بندي تصاوير
[تصویر: 1_karimi%203.jpg]
يكي از ويژگي هاي مفيد و موثر در بازشناسي اشيا، استفاده از اطلاعات شكل و لبه‌هاي آن ها است. بنابراين، استفاده از لبه ها در بسياري از كاربردهاي بينايي ماشين و بازشناسي، امري متداول است. با توجه به آنچه گفته شد، مي توان نتيجه گرفت كه ضـرورت طـراحـي آشكـارسـاز هـاي مناسب از اهميت ويژه اي برخوردار است.
مـعـمـــولا مــرحـلــه اول در تـحـلـيــل تـصــويــر، بخش‌بندي است. با عمل بخش بندي، تصوير به قسمت‌هاي تشكيل دهنده‌اش تقسيم مي‌شود. ميزان بخش بندي، به موضوع مورد نظر بستگي دارد. يعني وقتي اشياي كاربرد مورد نظر از هم جدا شدند، بايد بخش بندي متوقف شود .
مـفـهـــوم بـخـــش بـنـــدي تـصـــويـــر بـــر اســـاس ناپيوستگي يا شباهت مقادير سطوح خاكستري را مــي‌تــوان بــراي هـر دو نـوع تـصـويـر ثـابـت و متحرك به كار برد. از الگوريتم‌هاي بخش بندي تصاوير تك رنگ، براي آشكارسازي خطوط و لبه‌هاي تصاوير استفاده مي شود.
در يك تصوير، مرز ميان يك شيء و زمينه يا مــرز مـيــان اشـيــاء هــم‌پــوشــان را، لـبــه تـعــريــف مـي‌كننـد.در حـالـت ايده‌آل اگر فرض شود كه مقدار شدت روشنايي هر تصوير يكنواخت و با مقادير شدت روشنايي اشياء مجاورش متفاوت باشد، آنگاه هرگونه تغيير قابل ملاحظه در مقدار شدت روشنايي را مي‌توان لبه در نظر گرفت.
بــا ايــن تـعــريــف، اگــر لـبــه‌هـاي يـك تصـويـر مـشـخـص شـونـد مـكـان تـمـام اشـياء موجود در تصوير مشخص شده و خواص اساسي آن ها از قـبـيــل سـطــح، مـحـيــط و غـيــره بـه راحـتـي قـابـل اندازه‌گيري خواهند بود.
استفاده از فيلترهاي خطي تغييرناپذير با زمان منجـر به بهبود تشخيص لبه و كاهش كارهاي محاسباتي در رسيدن به نتايج مطلوب مي شود.



[تصویر: 1_karimi%204.jpg]
در فيلترهاي مرتبه اول، يك لبه به عنوان تغيير نـاگهـانـي در سطوح خاكستري بين دو پيكسل همسـايـه مـي شـود. در ايـن روش هـدف تعييـن نـقـاطـي در تـصوير است كه مشتق اول سطوح خاكستري به عنوان تابعي از مكان با دامنه زياد اسـت. بـا بـه كـار بـردن آسـتـانـه اي براي تصوير خروجي جديد، لبه ها در جهت دلخواه آشكار مي شوند. در روش هاي ديگر خروجي فيلتر آشكارساز لبه، ورودي تكنيك تقريب چند جمله اي به منظور استخراج ويژگي است.
الگوريتم هاي آشكارسازي لبه
الگـوريتـم هاي مختلفي براي آشكارسازي لبه ها ابداع و پيشنهاد شده است. در روش‌هـاي كلاسيك آشكارسازي لبه، بيشينه هاي محلي گراديان تصوير، به عنوان نماينده مناسب براي لبه در نظر گرفته مي شوند. آشكارساز روبرت،سوبل وپرويت به اين دسته تعلق دارند. محاسبه گراديان سوبل در حوزه مكان صورت مي گيرد. از ديگر الگوريتم هاي كارامد در اين حوزه ،‌آشكارساز لبه كني است كه به خاطر داشتن قابليت دنبال كردن لبه ها و نيز توانايي حذف نويز تصوير به كمك فيلتر گوسي كاربرد زيادي دارد.
همچنين الگوريتم هايي براي آشكارسازي لبه ها در حوزه فركانس ارائه شده است. الگوريتم مر-‌هيلدرت در حوزه تبديل لاپلاس، نقاط عبور از صفر مشتق دوم تصوير را به عنوان لبه در نظر مي گيرد. اين لبه ياب به دليل استفاده از فيلتر گوسي، حساسيت كمي نسبت به نويز ضربه دارد. الگوريتم هايي نيز براي آشكارسازي لبه هاي تصوير از تبديل موجك استفاده مي كنند و در تمام موارد بالا، پس از اعمال الگوريتم لبه ياب،‌ عمل آستـانـه زنـي انجـام شـده، سپـس تصـويـر دوسطحـي لبـه هـا براي تك پيكسلي شدن، نازك‌سازي مي شود. از ديگر روش ها، مي توان به الگوريتم هاي خط تقسيم آب و اپراتورهاي مورفولوژيك اشاره كردكه به طور مستقيم تصوير تك پيكسلي و پيوسته اي از لبه ها ايجاد مي كنند.
در اغلب روش هايي كه تا كنون براي لبه يابي بر مبناي منطق فازي ارائه شده، از روش قاعده پايه فازي استفاده شده است. در اين روش ها، نقاط همسايه هر نقطه به صورت دسته هايي در نظر گرفته شده و با استفاده از توابع عضويت مناسبي كه براي هر دسته تعريف مي شود، سيستم استنتاج فازي پياده سازي مي‌شود. به عنوان مثال، با در نظر گرفتن نقاط همسايگي به صورت مجموعه هاي3 *‌3 در اطراف نقطه مركزي و تعريف توابع عضويت از پيش تعيين شده براي آشكارسازي ناپيوستگي در رنگ دسته هاي مختلف، سعي بر آشكار سازي لبه هاي تصوير شده است. روش ذكر شده از 5 قاعده و توابع عضويت ثابت براي تعيين نقاط لبه استفاده مي كند كه در اين قواعد ناپيوستگي رنگ نقاط اطراف نقطه مركزي مورد بررسي قرار مي گيرد.
[تصویر: 1_karimi%205.jpg]
چنانچه در دسته هاي از پيش تعيين شده اين تفاوت ديده شود، نقطه مركزي به عنوان لبه در نظر گرفته مي شود.
در كار ديگري، روشي مشابه روش قبل براي لبه يابي فازي ارائه شده است. در اين روش، نقاط مجاور هر پيكسل، در قالب 6 مجموعه در نظر گرفته مي شوند. سپس با استفاده از توابع عضويت مناسب (كه در اين روش از توابع بل شكل استفاده شده)، مقداري بين صفر تا يك براي هر دسته تعيين مي شود.

[تصویر: 1_karimi%206.jpg]
سپس بر اساس درجه عضويت هر دسته و استفاده ازقوانين فازي از سيستم قاعده پايه فازي براي تصميم گيري در مورد وجود لبه و جهت آن استفاده شده است.
نـقــاط ويــژگــي، نقـش بسيـار مهـم در تحليـل تصاوير بازي مي كنند كه به عنوان ويژگي خاص تعريف مي شود. نقاط ويژگي در تصوير شامل پـــيـــكـــســـــل هـــــاي لـــبـــــه مـــشـــخـــــص، تــــوســــط آشكارسازهاي لبه كلاسيك كاملاً شناخته شده مـانـنـد PreWitt، Sobel، Marr و Cany مـشخص مي‌شود. اخيرا محققان علاقه زيادي در تعيين نـقاط ويژگي گوشه تصوير توسط عملگرهاي Plessey و Moravec نشان داده اند. عملگرهاي كـلاسـيـك، يـك پـيـكـسـل را بـه صورت كلاس خـاصـي از نـقـطـه ويـژگـي با انجام يك سري از عـمـلـگـرهـا بـه درون پنجره متمركز شده درون پيكسل تحت بررسي تشخيص مي دهند.
عملگرهاي كلاسيك به خوبي در مكان هايي از تصوير تحت مطالعه كه داراي كنتراست بالا اســـت كـــار مـــي كـنـنــد. در واقــع عـمـلـگــرهــاي كلاسيك درون نواحي از تصوير كه مي تواند به سادگي به تصوير باينري توسط آستانه گذاري سـاده مـطـابق شكل1 تبديل شود، به خوبي كار مي‌كند. آشكارساز لبه كلاسيك نتايج ضعيفي در بر چسب گذاري پيكسل هاي لبه مي دهد. به‌طور خلاصه، نقاط ويژگي به وسيله ارتباط با مقادير پيكسل هاي درون تعدادي پنجره محلي مشخص مي شوند.
تحقيقات اخير استفاده از ويژگي نرو فازي را به منظور ارائه آشكارسازهاي لبه بعد از آموزش مجموعه نسبتاً كوچك از لبه ها، در تصاوير ساده قابل طبقه بندي به وسيله آشكارساز لبه كلاسيك نگران كننده كرده است.

[تصویر: 1_karimi%207.jpg]
پيشگام استفاده از اين روش، Bezdek و همكارانش بودند كه يك شبكه عصبي را به منظور استخراج خروجي فازي مشابه به صورت عملگر Sobel نرماليزه شده آموزش دادند. اگر چه روش پيشنهاد شده در اين مقاله نشان مي دهد كه آموزش شبكه عصبي طبقه بندي كننده براي مقادير كريسپ ، يك متغير خيلي موثر براي روش Bezdek است. مزيت آشكار ساز لبه نرو فازي نسبت به آشكار ساز لبه سنتي بر پايه فرم نرو فازي بسيار مشهود است.
سيستم توصيف شده در مقاله اي تحت عنوان آشكارساز لبه فازي سريع، كليه نقاط براي سيستم مرجع فازي توسط اعمال فيلتر بالاگذر ، فيلترآشكار ساز لبه مرتبه اول )Sobel( و فيلتر پايين گذر (ميانگين) تصوير اصلي را به دست مي آورد. سپس ساختار كلي به صورت تابعي از فيلتر وضوح كنتراست بيان مي شود. در نهايت قوانين فازي انتخاب شده و توابع عضويت فازي بر طبق نوع فيلتر اجرا شده مشخص مي شوند.
در اين مقاله، يك روش فازي جديد بر پايه استراتژي استدلال منطق فازي براي آشكـارسـازي لبـه در تصـاويـر ديجيتـال بـدون تعييـن مقـدار آستانه يا نياز به الگوريتم آموزش، پيشنهاد مي شود. روش پيشنهادي با بخش بندي كردن تصوير به درون نواحي با استفاده از ماتريس باينري 3*‌3 آغاز مي شود. سيستم مرجع فازي مستقيم، به محدوده‌اي از مقادير متمايز از يكديگر براي تشخيص لبه در ماتريس شناور نگاشته مي شود.

[تصویر: 1_karimi%208.jpg]
پردازش تصوير فازي
پردازش تصوير فازي، مجموعه اي از تمامي روش هاي مبتني بر درك، پردازش ، بخش بندي و نمايش مجدد تصاوير و ويژگي هايي به عنوان مجموعه فازي را شامل مي‌شود. نمايش مجدد و پردازش، وابسته به تكنيك فازي انتخاب شده است. پردازش تصوير فازي داراي سه مرحله اصلي است: فازي كردن تصوير، اصلاح مقادير عضويت فازي و دي فازي كردن تصوير. ‌ساختار كلي پردازش تصوير فازي در شكل2 نشان داده شده است.
مراحل فازي كردن و دي فازي كردن به دليل انجام نشدن پردازش سخت افزار فازي است. بنابراين كد كردن داده تصوير (فازي كردن) و ديكد كردن نتايج (دي فازي كردن) مراحلي است كه امكان پردازش كردن تصوير را با تكنيك هاي فازي فراهم مي سازد. قدرت اصلي در پردازش تصوير فازي در مرحله وسط يعني اصلاح مقادير عضويت فازي است.
سپس داده هاي تصوير از صفحه سطوح خاكستري به صفحه عضويت فازي ( فازي كردن) تبديل مي شوند. تكنيك هاي فازي مناسب مقادير عضويت فازي را اصلاح مي‌كنند. اين مي تواند به معني خوشه بندي فازي، روش مبتني بر قانون فازي، روش تركيب فازي و نظاير آن باشد.
مجموعه و توابع عضويت فازي
[تصویر: 1_karimi%209.jpg]
سيستـم با توجه به اين‌كه هر دو تصوير ورودي و خروجي به دست آمده بعد از دي‌فازي كردن به صورت 8 بيتي كوانتيزه شده هستند اجرا مي شود. در اين روش سطوح خاكستري هميشه بين 0 و 255 است.
مجموعه هاي فازي به منظور نمايش شدت تغييرات ساخته شده و اين مجموعه ها براي بيان متغيرهاي زباني " سياه " ، لبه و "سفيد" ايجاد مي شوند. توابع عضويت فازي براي مجمـوعـه هـاي فـازي ورودي و خـروجـي بـه صـورت مثلثي مطابق شكل 3 انتخاب شده‌اند.
از عملگرهاي"و" و "يا" كه به ترتيب به عنوان توابع مينيمم و ماكزيمم هستند به عنوان توابع انتخاب شده به منظور اجراي سيستم استفاده مي شود. براي دي فازي كردن، روش ممداني (Mamdani) انتخاب شده است كه به معني آن است كه مجموعه هاي فازي به دست آمده با اعمال هر قانون مرجع براي داده ورودي، از طريق توابع جمع مرتبط هستند. سه تابع عضويت خروجي به طور جداگانه به صورت مقادير سياه، سفيد و لبه از تصوير طراحي شده اند.
تعاريف قوانين مرجع
قوانين مرجع وابسته به وزن هشت پيكسل سطوح خاكستري همسايه است، اگر درجه وزن هاي همسايه سياه يا سفيد باشد.

[تصویر: 1_karimi%2010.jpg]
اين قوانين، توانايي استخراج تمامي لبه ها را در تصوير پردازش شده به طور مستقيم دارا هستند. اين مقاله تمام پيكسل هاي تصوير پردازش شده را با مطالعه موقعيت هر همسايه از هر پيكسل نشان مي دهد. شرايط هر پيكسل با استفاده ماسك 3*‌3 شناور كه مي تواند همه خاكستري ها را اسكن كند تصميم گيري مي شود. در اين شرايط، برخي از قوانين مطلوب توضيح داده مي شود. ابتدا چهار قانون مرتبط با مقادير سطوح خاكستري خط هاي افقي و عمودي اطراف پيكسل مركزي يا چك شده از ماسك بررسي مي شود. اگر خاكستري ها در يك خط سياه و مابقي سفيد باشند پيكسل چك شده، لبه است (شكل - a‌4.) چهار قانون دوم مرتبط با همسايگي هشت و همچنين وابسته به مقادير وزن هاي سطح خاكستري است، اگر وزن‌هاي چهار پيكسل متوالي درجه سياه و وزن هاي همسايگي چهار باقيمانده درجه سفيد باشند، سپس پيكسل مركزي لبه را نشان مي دهد (شكل - b‌4.) قانون هاي معرفي شده و گروه هاي ديگر قوانين مشخص كننده لبه، پيكسل هاي سياه و سفيد هستند. تصاوير نتايج شامل گوشه ها و نواحي سياه و سفيد است.
از طرف ديگر توسط بازسازي فازي، خاكستري هاي ورودي بين شدت 0 تا 255 مرتبط شده و بر طبق قوانين مطلوب سطوح خاكستري به توابع عضويت نشان داده شده در شكل5، تبديل مي شوند. خروجي سيستم مرجع فازي بر طبق دي فازي كردن بر حسب مقادير 0 تا 255 بيان مي شود و سپس سياه، سفيد و لبه آشكار مي شود.
از تجربه تصوير آزمايش شده در اين مقاله، اين نكته آشكار مي شود كه محدوده سياه از 0 تا مقدار 80 و از مقادير 80 تا 255 به معني رنگ سفيد است.
آزمايش ها
سيستـم پيشنهـاد شـده در ايـن مقاله با تصاوير مختلف مورد آزمايش قرار گرفت، عملكرد و كارايي سيستم با عملگر سوبل و سيستم مرجع فازي مقايسه شد.
مرتبه مناسب در ارتباط با هر قانون فازي، با به دست آوردن نتايج خوب هنگامي كه لبه هاي تصوير نشان داده شده در شكل6 استخراج شدند حاصل شد و اين تصاوير به عنوان مدل مقايسه اي براي عملگر سوبل كلاسيك و روش سيستم مرجع فازي مورد استفاده قرار گرفت. تصوير اصلي در شكل 6- الف نشان داده شده است. آشكارساز لبه‌بر پايه عملگر سوبل با استفاده از جعبه ابزار پردازش تصوير MATLAB در شكل6- ب بيان شده است. پيكسل هاي سفيد در تصوير بيانگر لبه هستند.
همچنين در سمت چپ تصوير لبه، مقداري نويز قابل مشاهده وجود دارد و برخي لبه‌ها نيز خراب شده اند. با به كار بردن سيستم مرجع فازي جديد به منظور آشكارسازي لبه هاي تصوير، مشخص شد ورژن اصلاح شده از نگاشت لبه داراي نويز و خرابي كمتري به صورت نشان داده شده در شكل6-ج است. براي تقسيم بندي كار، با توجه اينكه تنها هدف حفظ لبه به جاي جزئيات در همسايگي است لبه نازك بهتر است. مقادير نگاشت لبه در فواصل بين 0 تا 1 به منظور نمايش مجدد مقادير عضويت لبه ها نرماليزه شدند.
تصـويـر گـرفتـه شـده اصلـي در شكـل6-الـف نشان داده شده است. همانطور كه در شكل6-ب مشاهده مي كنيد عملگر سوبل با آستانه تخمين زده شده خودكار از تصوير باينري اجازه آشكار شدن لبه در نواحي با كنتراست پايين را نمي دهد و بـاعـث ايـجـاد لـبـه هـاي دوبل در سمت چپ تصوير شده است.
سـيـسـتـم مـرجـع فـازي، بـه نـوبـه خـود اجـازه آشكارسازي لبه در نواحي با كنتراست پايين به صورت نشان داده شده در شكل 6-ج را مي دهد. اين مزيت به دليل رفتار متفاوت قوانين فازي در نواحي با سطوح كنتراست مختلف است.
در شكل 7- الف يك تصوير تركيبي از اجسام انـدازه گيـري در تصـويـر سياه رنگ به صورت مـنـفـصــل نشـان داده شـده اسـت. وقتـي عملگـر سـوبـل بـه اين تصوير اعمال مي شود، لبه هاي گـسـسـتــه اي در سـمــت چـپ ظـاهـر مـي شـود. انتخـاب قـوانين فازي خاص باعث اجتناب از نتايج دوبل شدن لبه ها و به دست آوردن يك تصوير با لبه هاي منفرد شده و هنگامي كه سيستم مرجع فازي به تصوير اعمال مي شود تصويري به صورت شكل7-ج ظاهر مي شود كه تاثيري پايدار در خطوط هموار و مستقيم دارد.
به منظور نشان دادن كارايي عملكرد آشكار ساز لبه از تصوير دندانه دندانه با سطوح خاكستري مختلف به صورت نشان داده شده در شكل 8 استفاده شده است. تصوير حاصل از روش فازي بيان شده بسيار هموارتر و نسبت به عملگر سوبل معمولي داراي نويز كمتري در نواحي صاف بوده و داراي لبه هاي تيزتر است.
نتيجه گيري
به دليل وجود عدم قطعيت در بسياري جنبه هاي پردازش تصوير، پردازش فازي بسيار مطلوب است. اين عدم قطعيت ها شامل:
‌نويزهاي جمع شونده و غير جمع شونده در سطح پايين پردازش تصوير، عدم دقت در فرضيات اصولي الگوريتم و ابهامات تفسيري در طول پردازش تصوير سطوح بالا.
به منظور پردازش مشترك آشكار ساز لبه، به طور معمول لبه ها به صورت مرزها و برآمدگي هاي شدت مدل مي شوند. با اين حال، در عمل اين فرض تنها به طور تقريبي منجر به برخي تعاريف از اين الگوريتم ها مي شود. پردازش تصوير فازي ابزاري براي فرمول بندي كردن لبه و تركيبي از اطلاعات غير دقيق از منابع مختلف است.
قوانين فازي طراحي شده يك راه حل جذاب به منظور بهبود كيفيت لبه ها تا حد امكـان هستنـد. يكـي از اشكـالات گـذشته اين الگوريتم‌ اين بودكه نياز به محاسبات گسترده و بسيار زيادي داشت. با توجه به نتايج بيان شده مي توان نتيجه گيري كرد كه:
1-سيستم مرجع فازي بيان شده، علاوه بر اجتناب از دوبل شدن لبه هاي تصوير، قابليت اطمينان بيشتري به منظور تغييرات روشنايي و كنتراست ارائه مي دهد.
2-همچنين سيستم تاثير پايدار براي خط هاي هموار و مستقيم و حالتي مدور شكل خوبي براي خط هاي منحني دارد وگوشه هاي تصوير تيزتر و مي توانند به راحتي تعريف شوند
منابع:
[1] I.M. Elewa, H.H Soliman and A.A. Alshennawy. "Computer vision Methodology for measurement and Inspection: Metrology in Production area ". Mansoura Eng. First conf. Faculty of Eng. Mansoura Univ., March 28-30,1995,Pp. 473-444.
[2] A. A. Alshennawy, "Measurement and Inspection of Three Dimensional Objects Using Computer Vision System", Pd.D thesis, Mansoura University, Egypt, 2003.
[3] H. D. Hofmann, "Application of Intelligent Measurements with Metrical Image Processing for Quality Control", presented at the 5th International Conference, PEDAC' 92, Alexandria, EGYPT, December 1992.
[4] R.T. Chin., C.A. Harlow, "Automated Visual Inspection: A survey ", IEEE Trans. Pattern Anal. Machine Intell., Vol. PAMI-4, pp. 557-573, November 1982.
[5] P. Rummel, "GSS - A Fast, Model-Based Gray-Scale Sensor System for Workpiece Recognition", Proceed. of 8th International Conf. on Pattern Recognition, pp. 18-21, Paris, France, Oct. 27-31, 1986.
[6] B. G. Batchelor, D. A. Hill and D. C. Hodgson (Eds.), "Automated Visual Inspection", IFS Publications Ltd., UK, 1985.
[7] A. M. Darwish and A. K. Jain, "A Rule Based Approach for Visual Pattern Inspection ", IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 10, No. 1, pp. 56-68, January 1988.
[8] 85.9.73.37/mdlib//data/_CSICC2008/papers/Regular/B5/695.pdf
[9] G. Maitre, H. Hugli, F. Tieche and J. P. Amann, "Range Image Segmentation Based on Function Approximation", published at ISPRS90, Zurich, Sept. 1990.
[10] Md. Shoiab Bhuiyan, Yuiji Iwahori, and Akira Iwata., Optimal edge detection under difficult imaging conditions. Technical report, Educational Center for Information Processing and Dept. of Electrical and Computer Engineering, Nagoya Institute of Technology, Showa, Nagoya, 466-8555, JAPAN.
[11] Srinivasan,M. V., Chahl, J. S.,Weber, K., Venkatesh, S., Nagle, M. G., and Zhang, S.W.: Robot navigation inspired by principles of insect vision, Robotics Autonom. Systems 26(2/3) (1999), 203-216.
[12] Suh, I. H. and Kim, T.W.: Fuzzy membership function-based neural networks with applications to the visual servoing of robot manipulators, IEEE Trans. Fuzzy Systems 2(3) (1994), 203-220.
[13] Md. Shoaib Bhuiyan, Hiroshi Matsuo, Akira Iwata, Hideo Fujimoto, and Makoto Sato. An improved neural network based edge detection method. Technical report, Dept. of Electrical and Computer Engineering and Dept. of Mechanical Engineering, Nagoya Institute of Technology, Nagoya, JAPAN 466.
[14] I. Fourmousis, U. Burgin, M. Tonetti, and N.P. Lang, "Digital image processing I Evaluation of gray level correction methods in vitro", Clin. Oral Impl. Res., pp.1-11, Sept. 1993.
[15] H.G. Grondahl, K. Grondahl, and R.L. Webber, "A digital subtraction technique for dental radiography", Oral Surg., vol.55, number 1, pp.96- 102, Jan. 1983.
[16] P.F. van der Stelt, W.J. van der Linden, W.G.M. Geraets, C.L. Alons, "Digitized pattern recognition in the diagnosis of periodontal bone defects", Journal of Clinical Periodontology, vol. 12, p.822-827, 1985.


You are not allowed to view links. Register or Login to view.

[تصویر: emza.png]
You are not allowed to view links. Register or Login to view.
مشاهده سایت کاربر یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در پاسخ
07-24-2012, 05:51 AM
ارسال: #6
RE: بررسی و مقایسه توابع آشکارساز لبه (Cannyو...)
هدف آشکارسازی لبه نشان‌گذاری نقاطی از یک تصویر است که در آنها شدت روشنایی به تندی تغییر می‌کند. تغییرات تند در خصوصیات تصویر معمولاً نمایندهٔ رویدادهای مهم و تغییرات در خصوصیات محیط هستند. شناسایی لبه یک محدودهٔ تحقیقاتی در پردازش تصویر و استخراج ویژگی است.

ویژگی‌های لبه
لبه‌ها ممکن است وابسته به دیدگاه باشند - یعنی می‌توانند با تغییر نقطه دید تغییر کنند، و نوعاً هندسه صحنه، اجسامی که جلوی همدیگر را گرفته‌اند و مانند آن را نشان می‌دهند یا ممکن است نابسته به دیدگاه باشند - که معمولاً نمایانگر ویژگی‌های اجسام دیده‌شده همچون نشان‌گذاری‌ها و شکل سطح باشند. در دو بعد و بالاتر مفهوم تصویر باید در نظر گرفته شود.

یک لبه نوعی ممکن است(برای نمونه) مرز میان یک بخش قرمزرنگ و یک بخش سیاه‌رنگ باشد؛ حال آنکه یک خط می‌تواند تواند تعداد کمی پیکسل‌های ناهمرنگ در یک زمینه یکنواخت باشد. در هر سوی خط یک لبه وجود خواهد داشت. لبه‌ها نقش مهمی در کاربردهای پردازش تصویر دارند.
آشکارسازی لبه

لبه مرز بین نواحی با خواص نسبتاً متفاوت سطح خاکستری است. نظریهٔ پایه در بیشتر روش‌های آشکارسازی لبه، محاسبه یک عملگر مشتق محلی است. در این مقطع توجه شود که لبه (گذر از تاریک به روشن) به صورت یک تغییر آرام، نه سریع، سطح خاکستری مدل می‌شود. این مدل نشان می‌دهد که معمولاً لبه‌های تصاویر رقمی بر اثر نمونه‌برداری، کمی مات می‌شوند. مشتق اول مقطع سطح خاکستری در لبه جلویی گذر، مثبت است، در لبه عقبی آن منفی است و همان طور که مورد انتظار است، در نواحی با سطح خاکستری ثابت صفر است. مشتق دوم برای قسمتی از گذر که در طرف تیره لبه است، مثبت است، برای قسمت دیگر گذر که در طرف روشن لبه است، منفی است، و در نواحی با سطح خاکستری ثابت، صفر است. بنابراین، از بزرگی مشتق اول می‌توان برای تعیین این که آیا پیکسل در روی لبه قرار دارد، استفاده کرد. مشتق دوم در نقطه وسطی هر گذر سطح خاکستری یک عبور از صفر دارد. عبور از صفرها راهی قوی برای تعیین محل لبه‌های تصویر فراهم می‌آورند. اندازهٔ مشتق اول تصویر در هر نقطه برابر بزرگی گرادیان است. مشتق دوم نیز با استفاده از لاپلاسین به دست می‌آید. اگر یک لبه را به عنوان تغییر در شدت روشنایی که در طول چند پیکسل دیده می‌شود در نظر بگیریم، الگوریتم‌های آشکارسازی لبه به طور کلی مشتقی از این تغییر شدت روشنایی را محاسبه می‌کنند. برای ساده‌سازی، به آشکارسازی لبه در یک بعد می‌پردازیم. در این نمونه، داده‌های ما می‌تواند یک تک‌خط از شدت روشنایی پیکسل‌ها باشد. برای نمونه بین پیکسل‌های چهارم و پنجم در داده‌های ۱-بعدی زیر به روشنی می‌توان لبه‌ای را آشکار کرد
5 7 6 4 152 148 149 محاسبه مشتق اول
تعداد زیادی از عملگرهای آشکارسازی لبه بر پایه مشتق اول شدت روشنایی کار می‌کنند، یعنی با گرادیان شدت روشنایی داده‌های اصلی سروکار داریم. با این اطلاعات می‌توانیم تصویری را برای قله‌های گرادیان روشنایی جستجو کنیم.
اگر I(x) نماینده شدت روشنایی پیکسل x، و I′(x) نماینده مشتق اول(گرادیان شدت روشنایی) در پیکسل x باشد، بنابراین داریم:
[تصویر: 3828ea63b47eb889c3877ea39411fbbd.png]


برای پردازش تصویر با عملکرد بهتر، مشتق اول را می‌توان(در یک بعد) با پیچش دادن دادن با ماسک زیر بدست آورد:
−1 0 1


محاسبهٔ مشتق دوم
برخی دیگر از الگوریتم‌های آشکارسازی لبه بر اساس مشتق دوم شدت روشنایی کار می‌کنند که در واقع نرخ تغییرات گرادیان شدت روشنایی است و برای آشکارسازی خط‌ها بهترین است، زیرا بدانگونه که در بالا گفتیم هر خط یک لبه دوگانه است، بنابراین در یک سوی خط یک گرادیان روشنایی و در سوی دیگر گرادیان مخالف آن دیده می‌شود. پس می‌توانیم منتظر تغییر بسیار زیاد در گرادیان شدت روشنایی در محل یک خط باشیم. برای یافتن خط‌ها می‌توانیم گذر از صفرهای تغییر گرادیان را در نتایج جستجو کنیم.
اگر I(x) نمایشگر شدت نور در نقطه x و I′′(x) مشتق دوم در نقطه x باشد:
[تصویر: 0441be1c555c5d49583e8d2079efb10a.png]


اینجا نیز بیشتر الگوریتم‌ها از یک ماسک پیچش برای پردازش سریع داده‌های تصویر سود می‌برند:
+1 −2 +1


آستانه‌گیری
هنگامی که مشتق را حساب کردیم، گام بعدی اعمال یک آستانه برای کشف نقاطی که بخشی از یک لبه هستند است. هر چه آستانه کمتر باشد، خط‌های بیشتری آشکارسازی می‌گردند و نتایج بیشتر نسبت به نویز، و ویژگی‌های نامرتبط تصویر حساس می‌شوند، از سوی دیگر یک آستانه زیاد ممکن است خط‌های ضعیف یا بخش‌هایی از خط‌ها را از دست بدهد.

یک مصالحه معمول آستانه‌گیری با پسماند است. این روش از چندین آستانه برای جستن لبه‌ها سود می‌جوید. با آستانه بالایی جستجو را برای پیدا کردن ابتدای خط‌ها آغاز می‌کنیم. هنگامی که یک نقطه آغاز داریم، مسیر لبه را درون تصویر پیکسل به پیکسل با نشانه‌گذاری پیکسل‌هایی که از آستانه پایینی بالاترند پی می‌گیریم و تنها هنگامی که مقدار از آستانه پایینی پایین‌تر رود آن را پایان می‌دهیم. این رهیافت بر اساس این گمان است که لبه‌ها به احتمال زیاد در مسیرهای پیوسته قرار دارند و دنبال کردن بخش ضعیفی از لبه‌ای که از پیش دیده‌ایم ممکن می‌کند، بدون آنکه پیکسل‌های نویزی را به عنوان لبه نشانه‌گذاری کنیم.
عملگرهای آشکارسازی لبه
  • مرتبه نخست: چلیپای رابرتز، پرویت، سوبل، کنی، اسپیسک
  • مرتبه دوم: لاپلاسی، مار-هیلدرث

اکنون، عملگر کنی و پس از آن مار-هیلدرث بیشترین کاربرد را دارد. عملگرهای زیادی تاکنون منتشر شده‌اند اما هیچیک برتری قابل ملاحظه‌ای بر عملگر کنی در شرایط کلی نداشته‌اند. کار بر روش‌های چندمقیاسی هنوز بیشتر در آزمایشگاه‌هاست.

اخیراً عملگر جدیدی منتشر شده که اجازه جداسازی لبه‌ها را با دقت زیرپیکسل می‌دهد، چیزی که آن را از عملگر کنی نیز بهتر می‌سازد. برای اطلاعات بیشتر مقاله زیر ببینید:
(استجر، ۱۹۹۸)An Unbiased Detector of Curvilinear Structure



You are not allowed to view links. Register or Login to view.

[تصویر: emza.png]
You are not allowed to view links. Register or Login to view.
مشاهده سایت کاربر یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در پاسخ
ارسال پاسخ 


موضوعات مشابه ...
موضوع: نویسنده پاسخ: بازدید: آخرین ارسال
  کدنویسی به جای استفاده از توابع متلب lotfi 1 583 06-27-2013 01:40 PM
آخرین ارسال: lotfi
  مقایسه دو تصویر از نظر ساختاری (SSim) مهدی ابراهیمی 0 1,053 04-14-2012 09:10 PM
آخرین ارسال: مهدی ابراهیمی

پرش در انجمن: