آشکارسازی بیضی با استفاده از تبدیل تصادفی هاف
1 مقدمه
تبدیل هاف (HT) تکنیکی استاندارد برای آشکارسازی منحنی هاست. HT از سه گام تشکیل می شود: 1. یک پیکسل در تصویر به یک منحنی پارامتری شده تبدیل می شود، 2. پارامترهای معتبر منحنی درون اکومولاتوری(انبارشگر) قرار می گیرند که تعداد منحنی های درون یک انباره (bin) برابر با امتیاز آن است و 3. منحنی با حداکثر امتیاز از اکومولاتور انتخاب می شود تا یک منحنی در تصویر را نشان دهد. تبدیل هاف اولیه از مشکلات بسیاری رنج می برد که این مشکلات ناشی از انباره کردن پارامترهاست. اندازه های انباره اکومولاتور توسط «پنجره بندی و نمونه برداری از فضای پارامتری به صورت ذهنی صورت می گیرد». برای آشکارسازی منحنی ها در تصاویر مختلف، اندازه پنجره باید بزرگ باشد و برای آشکارسازی منحنی های با دقت بالا باید پارامتری با دقت بالا وجود داشته باشد. این دو ویژگی نیازمند یک اکومولاتور بزرگ و زمان پردازش زیاد است. Xu و همکارانش مشکلات احتمالی را برای وقتی که اکومولاتور به درستی تعریف نشود شناسایی کردند. این مشکلات عبارتند از:
1. ناتوانی در آشکارسازی برخی منحنی های خاص
2. مشکل در یافتن بیشینه محلی (نسبی)
3. دقت پایین
4. منبع ذخیره بزرگ
5. سرعت پایین
1 Introduction
The Hough transform (HT) is a standard technique for detecting curves. The HT consists of three steps: 1. a pixel in the image is transformed into a parameterized curve, 2. valid curve’s parameters are binned into an accumulator where the number of curves in a bin equals its score, and 3. a curve with a maximum score is selected from the accumulator to represent a curve in the image [5] [4]. This basic Hough Transform suffers from many difficulties stemming from binning the curves. The accumulator’s bin sizes are determined by ”windowing and sampling the parameter space in a heuristic way” [5]. To detect curves in a variety of images the window size must be large, and to detect curves with a high accuracy there must be a high parameter resolution. These two properties require a large accumulator and much processing time. Xu et. al. [5] identified possible problems that may occur if the accumulator is not properly defined. These are:
1. failure to detect some specific curves.
2. difficulties in finding local maxima
3. low accuracy
4. large storage
5. low speed
چکیده
1 مقدمه
2 الگوریتم
2.1 جزئیات سطح بالا
2.2 تجزیه و تحلیل بیضی
2.3 گردآوری (پارامترها در اکومولاتور)
2.4 ذخیره سازی بهترین بیضی های و تکرار این عمل
3 نتایج
4 نتیجه گیری
1 Introduction
2 Algorithm
2.1 High Level Detail
2.2 Ellipse Dissection
2.3 Accumulating
2.4 Storing Best Ellipses and Repeating
3 Results
4 Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه