دانلود رایگان مقاله بررسی تکنیک های تقسیم بندی تصویر

چکیده

         با توجه به ظهور فناوری های کامپیوتری، تکنیک های پردازش تصویر در بسیاری از برنامه های کاربردی، به طور فزاینده ای اهمیت دارند. تقسیم بندی تصویر یک موضوع کلاسیک در زمینه پردازش تصویر است و همچنین نقطه کانونی و تمرکز از تکنیک های پردازش تصویر است. چندین الگوریتم پیشنهادی کلی و تکنیک برای تقسیم بندی تصویر ایجاد شده است. از آنجا که هیچ راه حل کلی برای مشکل تقسیم بندی تصویر وجود ندارد، این تکنیک ها اغلب باید با دانش دامنه به منظور حل موثر مسئله تقسیم بندی تصویر برای یک دامنه مشکل ترکیب شوند. این مقاله یک مطالعه مقایسه ای از تکنیک های جداسازی تصویر مبتنی بر بلوک اصلی را ارائه می دهد.

(1) معرفی

        تقسیم بندی شکل زمینه به عنوان یک هدف یا قسمت دیگر پیشبینی اشاره شده است که پس زمینه نامیده می شود, به عنوان مثال ، استخراج و جدا سازی آنها برای شناسایی و تجزیه و تحلیل شی در پردازش تصویر[3، 2] یک مسئله مهم است. تقسیم بندی فرایندی است که تصویر را به اجزای تشکیل دهنده آن یا اجسام [22 ... 1] تقسیم می کند. این سطح که به این زیر بخش تقسیم می شود به حل مشکل بستگی دارد، یعنی تقسیم بندی زمانی که اشیاء مورد نظر در یک برنامه جدا شده اند باید متوقف شود. 

        مهندسی تصویر میزان سطح تقسیم تصویر را در پردازش تصویر نشان می دهد. مهندسی تصویر را می توان به سه سطح تقسیم کرد: [3، 1] همانطور که در شکل 1 نشان داده شده است. پردازش تصویر عملیات سطح پایین است؛ این در سطح پیکسل عمل می کند. با یک تصویر و یک نسخه اصلاح شده شروع می شود، تصویر را به یک فرم دیگر از آن یا تبدیل بین تصاویر و بهبود جلوه های بصری تصویر می سازد. پردازش تصویر سه مرحله را که هر کدام به دسته های مختلف تقسیم می شوند [3، 1] دنبال می کند: 

1) بازسازی (اصلاح)

a ترمیم: حذف یا به حداقل رساندن تخریب تصاویر. دو نوع: رادیومتریک و هندسی.

b بازسازی: مشتق یک تصویر، ابعاد دو یا بالاتر دید درونی از چندین تصویر یک بعدی.

C نوار عکس: ترکیب دو یا چند تکه از تصویر. لازم است که این دید را از کل منطقه بدست آورید.

2) تبدیل

a کشش کنتراست: تصاویر همگن که تغییرات زیادی در سطح آنها ندارند.

b فیلتر کردن نویز: برای فیلتر کردن اطلاعات غیر ضروری. فیلترها مانند گذرگاه پایین، عبور بالا، جزئی، متوسط و غیره ...

c اصلاح هیستوگرام: به عنوان مثال، انحراف هیستوگرام.

d فشرده سازی داده ها: هر پیکسل با فشردگی بیشتر توسط: DCT با JPEG یا Wavelet برای به حداقل رساندن ضرر.

e چرخش: در نوار عکس برای مطابقت با تصویر دوم. برش 3 راه رایج است.

3) طبقه بندی

a تقسیم بندی: تقسیم یک تصویر به اشیاء آن بستگی به این مسئله دارد.

b طبقه بندی: برچسب گذاری پیکسل ها بر اساس مقدار خاکستری آن. انواع "تحلیل طیفی" در تصویرسازی سنجش از دور، عبارتند از: تحت نظارت داشتن انواع زمینه شناخته شده در حالی که بدون نظارت آن ها ناشناخته هستند [1].

       تجزیه و تحلیل تصویر، این سطح متوسط، روی اندازه گیری تمرکز می کند. تجزیه و تحلیل اجزای اصلی (PCA) مجموعه ای جدید از تصاویر را از مجموعه داده شده تولید می کند. فهم تصویر عملیاتی سطح بالا است که مطالعه بیشتر در مورد ماهیت هدف و ارتباط بین یکدیگر و نیز توضیح تصویر اصلی است. تقسیم بندی تصویر یک گام کلیدی از پردازش تصویر تا تجزیه و تحلیل تصویر است؛ تقسیم بندی، بیان هدف است و اثر مهمی در اندازه گیری ویژگی دارد و امکان دارد تجزیه و تحلیل و درک تصویر سطح بالا را [3، 1] ایجاد کند. 

(2) روش تقسیم بندی تصویر

        تکنیک های تقسیم بندی تصویر یا روش ها به دو دسته اصلی روش های طبقه بندی مبتنی بر لایه و روشهای طبقه بندی مبتنی بر بلوک طبقه بندی می شوند [21، 10، 4] به شکل 2 نگاه کنید.

        Layer-Based Segmentation Methods مدل لایه ای: برای تشخیص شی و تقسیم بندی تصویر که خروجی یک بانک از آشکارسازهای شیئ را به منظور تعریف ماسک شکل و توضیح ظاهر، عمق مرتب سازی و ارزیابی تقسیم بندی کلاس و نمونه [21، 10] ترکیب می کند، بکار می رود. این نوع و روش های تقسیم بندی بر اساس بلوک که بر اساس ویژگی های مختلف موجود در تصویر است در این مقاله بحث نشده است. این ممکن است اطلاعات رنگی که برای ایجاد هیستوگرام استفاده شده یا اطلاعاتی در مورد پیکسل هایی که حاوی لبه ها یا مرزها یا اطلاعات بافت است باشد[22 ... 3]. روش های تقسیم بندی تصویر بر اساس بلوک بر اساس دو ویژگی طبقه بندی می شوند: ناپیوستگی و شباهت به سه گروه:

• روش های مبتنی بر منطقه: بر اساس عدم انسجام.

• روش های مبتنی بر لبه یا مرزی: بر اساس شباهت [14 ... 3].

• تکنیک های ترکیبی [3].

        اینها روش هایی است که در این مقاله مورد بحث قرار گرفته است، در حالی که دو روش اضافی تقسیم بندی تصویر بر اساس بلوک یا دسته بندی ها [6] وجود دارد: تقسیم بندی بر اساس پیکسل: یا تقسیم بندی مبتنی بر نقطه [11، 7، 6]. تقسیم بندی مبتنی بر مدل : سیستم بینایی انسان دارای توانایی تشخیص اشیاء است حتی اگر آنها به طور کامل نمایان نباشند. این را اگر شکل دقیق اشیاء در تصویر شناخته شده باشد [7، 6] می توان اعمال کرد.تقسیم بندی فرایندی است که تصویر را به مناطق خود یا اشیایی که دارای ویژگی یا ویژگی های مشابه هستند تقسیم می کند .[22 ... 2].

        1. روش های مبتنی بر منطقه: تمام تصویر را به مناطق یا خوشه ها تقسیم می کند، به عنوان مثال تمام پیکسل ها با همان سطح خاکستری در یک منطقه. [22 ... 3]. 

Due to the advent of computer technology image-processing techniques have become increasingly important in a wide variety of applications. Image segmentation is a classic subject in the field of image processing and also is a hotspot and focus of image processing techniques. Several general-purpose algorithms and techniques have been developed for image segmentation. Since there is no general solution to the image segmentation problem, these techniques often have to be combined with domain knowledge in order to effectively solve an image segmentation problem for a problem domain. This paper presents a comparative study of the basic Block-Based image segmentation techniques.

(1) Introduction

        Figure-ground segmentation referred as a target or foreground other part is called background is an important problem i.e., extract and separate them in order to identify and analyze object, in image processing [2, 3]. Segmentation is the process that subdivides an image into its constituent parts or objects [1...22]. The level to which this subdivision is carried out depends on the problem being solved, i.e., the segmentation should stop when the objects of interest in an application have been isolated.

        Image Engineering illustrates the level of the image segmentation in image processing. Image Engineering can be divided into three levels [1, 3] as shown in Fig. 1. Image processing is low-level operations; it operated on the pixel-level. Starts with one image and produces a modified version, image into another form, of the same, or the transformation between the images and improves the visual effects of image. Image processing following three stages each is subdivided into different categories [1, 3]:

1) Reconstruction (Correction)

a. Restoration: Removal or minimization of image degradations. Two types: Radiometric and Geometric.

b. Reconstruction: Derive an image, two or higher dimensional, of inside view from several one-dim projections.

c. Mosaic: Combining of two or more patches of image. Required to get the view of the entire area.

2) Transformation

a. Contrast stretching: Homogeneous images which do not have much change in their levels.

b. Noise filtering: to filter the unnecessary information. Filters like low pass, high pass, mean, median etc...

c. Histogram modification: E.g., Histogram Equalization.

d. Data compression: Higher compressed each pixel by: DCT by JPEG or Wavelet for with minimum loss.

e. Rotation: In mosaic to match with the second image. 3-pass shear is a common.

3) Classification

a. Segmentation: Subdivides an image into its objects depends on the problem.

b. Classification: Pixels labeling based on its grey value. Types of 'Spectral Analysis', in Remote Sensing imagery, are: Supervised are the known types of land while Unsupervised are the unknown ones [1].

        Image analyses, the middle-level, it focuses on measuring. Principal Components Analysis (PCA) produces a new set of images from a given set. Image understanding is high-level operation which is further study on the nature of each target and the linkage of each other as well explanation of original image. Image segmentation is a key step from the image processing to image analysis; it, the segmentation, is the target expression and has important effect on the feature measurement and it is possible to make high-level image analysis and understanding [1, 3].

(2) Methods for Image Segmentation

         Image segmentation techniques or methods are classified into two main categories Layer-Based Segmentation Methods and Block-Based Segmentation Methods [4, 10, 21] see Fig. 2.

        Layer-Based Segmentation Methods Layered model: for object detection and image segmentation that composites the output of a bank of object detectors in order to define shape masks and explain the appearance, depth ordering, and that evaluates both class and instance segmentation [10, 21]. This type didn't discuss in this paper. And Block-Based Segmentation Methods which is based on various features found in the image. This might be colour information that is used to create histograms, or information about the pixels that indicate edges or boundaries or texture information [3...22]. Block-Based Image Segmentation methods are categorized on two properties: discontinuity and similarity into three groups:

• Region Based Methods: based on discontinuities.

• Edge or Boundary Based Methods: based on similarity [3...14].

• Hybrid Techniques [3].

        These are the methods which were discussed in this paper, while there are two additional Block-Based Image Segmentation methods or categories [6]: Pixel-Based Segmentation: or Point-Based Segmentation [6, 7, 11]. And Model-Based Segmentation: The human vision system has the ability to recognize objects even if they are not completely represented. It can be applied if the exact shape of the objects in the image is known [6, 7]. Segmentation is a process that divides an image into its regions or objects that have similar features or characteristics [2…22].

        1. Region Based Methods: Divide the entire image into sub regions or clusters, e.g. all the pixels with same grey level in one region. [3...22].

چکیده

(1) معرفی

1) بازسازی (اصلاح)

(2) روش تقسیم بندی تصویر

1. روش های مبتنی بر منطقه

1.1 خوشه بندی: K-mean

1.2 تقسیم و ادغام: دو بخش

1.3 برش های نرمال شده

1.4 منطقه رو به رشد

1.5. Threshold

تکنیک آستانه

2. روش های مبتنی بر لبه یا مرز

2.1 روش های تشخیص لبه

2.1.1 تشخیص رابرتز

2.1.2  تشخیص Prewitt

2.1.3 تشخیص سوبل

2.2 روش های رایانه ای نرم تشخیص لبه 

2.2.1 رویکرد مبتنی بر منطق فازی 

2.2.2 روش الگوریتم ژنتیک 

2.2.3 رویکرد شبکه عصبی 

مقایسه روش های تشخیص لبه

(3) نمونه های ارزیابی تقسیم بندی تصویر

تکنیک های تقسیم بندی متن

تکنیک های مبتنی بر ضریب AC

تکنیک مبتنی بر هیستوگرام

استخراج متن

نتایج

2.2.4. نگاهی به کل تصویر شکل 

نتیجه

منابع

Abstract

(1) Introduction

1) Reconstruction (Correction)

(2) Methods for Image Segmentation

1. Region Based Methods

1.1. Clustering: K-mean

1.2. Split and Merge: Two parts

1.3. Normalized Cuts: Normalized cuts aim at optimal splitting by

1.4. Region Growing

1.5. Threshold

Threshold Technique

2. Edge or Boundary Based Methods

2.1. Edge Detection Methods

2.1.1. Roberts

2.1.2. Prewitt§

2.1.3. Sobel

2.2. Edge Detection Soft Computer approaches

2.2.1. Fuzzy Logic Based Approach

2.2.2. Genetic Algorithm Approach

2.2.3. Neural Network Approach

Comparison of Edge Detection Methods

(3) Image Segmentation Evaluation Examples

Text Segmentation Techniques

AC Coefficient based techniques

Histogram Based Technique

Text Extraction

Results

2.2.4. Looking at the whole image

Conclusion

References