دانلود رایگان مقاله تقسیم بندی تصویر رنگی مبتنی بر هیستوگرام RGB

چکیده

        در این مقاله، تقسیم بندی تصویرچند سطحی بهینه با استفاده از الگوریتم کرم شب تاب (FA) ارائه شده است. در این کار، هیستوگرام RGB تصویر برای تقسیم بندی دوسطحی و چند سطحی در نظر گرفته شده است. آستانه بهینه برای هر جزء رنگ توسط ماکزیمم سازی تابع واریانس بین طبقه اوتسو به دست آورده شده است. روش تقسیم بندی ارائه شده با استفاده از مجموعه داده استاندارد RGB نشان داده شده است و با استفاده از FA موجود در ادبیات همراه با سه راهبر جستجوی تصادفی،مانند توزیع براونی،پرواز لوی و توزیع گاوسی متغیر تصادفی مربوط اعتبارسنجی شده است. ارزیابی عملکردبین FAها با استفاده از پارامترهایی مانند مقدار هدف، PSNR، SSIM و زمان CPU انجام شده است.

1. مقدمه

        تقسیم بندی تصویر یک روش ضروری است، که به طور وسیعی برای استخراج اطلاعات معنی داراز مقیاس خاکستری یا رنگی (RGB) در نظر گرفته می شود. در طول فرایند تقسیم بندی،یک تصویر دیجیتال به چند ناحیه ی جدا، و یا اشیاء، به منظور استخراج و تفسیر اطلاعات مرتبط تقسیم می شود. در سال های اخیر، این روش به طور گسترده ای در بسیاری از زمینه های کلیدی، مانند سنجش از راه دور تصویربرداری پزشکی و تشخیص الگو در نظر گرفته شده است. تعیین سطح دقیق آستانه برای جدا کردن یک تصویر به اشیاء مطلوب (پیش زمینه) از پس زمینه یک گام بسیار مهم در علم تصویربرداری می باشد.

        در ادبیات، تعداد قابل توجهی از روش های آستانه پارامتری و ناپارامتری دو سطحی و چند سطحی پیشنهاد شده است و به طور عمده برای تصویربرداری خاکستری پیاده سازی شده است. در میان آنها، آستانه جهانی به عنوان روش تقسیم بندی تصویر بیشتر ترجیح داده شده است به دلیل سادگی، نیرومندی آن،دقت، و صلاحیت آن. به طور کلی، روش های پارامتری آستانه موجود از نظر محاسباتی پر هزینه ،وقت گیر می باشد و بعضی اوقات هم عملکرد بسته به کیفیت تصویر کاهش می یابد. روش های سنتی ناپارامتری ، از سوی دیگر، روش هایی از قبیلOtsu، Kapur، Tsai، و Kittler ساده تر هستند و برای آستانه یدو سطحی موفق می باشند. هنگامی که تعدادی سطوح آستانه افزایش مییابد، مسئله یپیچیدگی آستانه نیز افزایش مییابد و روش سنتی نیاز به زمان محاسباتی بیشتری دارد. بنابراین، برای غلبه برپیچیدگی محاسباتی بیشتر روش های اکتشافی سنتی، بر اساس آستانه دو سطحی و چند سطحی روش هایی به طور گسترده توسط محققان برای تصویر خاکستری،RGB، چند طیفی و ابر طیفی پیشنهاد داده شده است. الگوریتم های فرا اکتشافی اخیر، مانند جستجوی فاخته، کلونی زنبور عسل، و کرم شب تاب، نیز برای حل مسئله آستانه تصویر m– سطحی به کار گرفته شده اند . بسیاری از روش های بالا در کلاس تصاویر خاکستری مورد بحث قرار گرفته شده و اعتبار سنجی شده اند.

         در سال های اخیر، تقسیم بندی از تصاویرRGB، و یا به طور کلی تصویر برداری چند طیفی، همچنین توجه پژوهشگران را جلب کرده است. نویسندگانGhamisi و همکاران یک تکنیک تقسیم بندی بر اساس اکتشاف برایکلاس تصاویررنگی ابر طیف یپیشنهاد کرده اند. Su و Huیک تکنیک کوانتیزه سازی تصویر رنگی با استفاده از الگوریتم تکامل دیفرانسیل خود منطبق مورد بحث قرار داده اند و روش با استفاده از آزمون استاندارد تصاویر مورد تایید قرار گرفت.Sarkar وDasیک روش تقسیم بندی تصویر با استفاده از رنگ آنتروپیTsallis و تکامل دیفرانسیل ارائه داده اند. نویسندگاناعتبار روش ارائه شده زا با استفاده از یک کلاس از تصاویرRGB با استفاده از تکنیک هیستوگرام دو بعدی سنجیده اند.

        در کار پیشنهاد شده، هیستوگرامRGB تصویر رنگی برای حل مسئله ی آستانه m-سطحیدر نظر گرفته شده است. حداکثرسازی تابع واریانس بین طبقه Otsu به عنوان تابع هدف انتخاب شده است.روش تقسیم بندی ارائه شده یک رویکرد غیر پارامتری می باشد، در نتیجه با به کارگیری روش اکتشافی، مانند جستجو براونی بر اساس الگوریتم کرم شب تاب (BFA)، الگوریتم کرم شب تاب (LFA) و FA با متغیر تصادفی مرتبط توزیع گاوسی(ε). روش ارائه شده پیاده سازی شده است و در تصاویررنگی استاندارداعتبار سنجی شده است.

2. فرموله کردن مسئله

         آستانه تصویربر اساس اوتسو در ابتدا در سال 1979 ارائه شد. پیشنهاد شد این روش آستانه بهینه یک تصویر داده شده با به حداکثر رساندن عملکرد واریانس بین طبقه بر می گرداند. این روش در حال حاضر کارایی خود رادر تصاویر سیاه و سفید و رنگی اثبات کرده است.

        در این مقاله، رویکرد اوتسو برای تقسیم بندی تصویر رنگی با کمک هیستوگرامRGBبا کمک فضایRGBدر نظر گرفته شده است ، هر پیکسل رنگ تصویر مخلوطی از قرمز، سبز، و آبی (RGB) است و برای آن تصویر مشابه،اندازه فضای داده[0,L-1]3 می باشد (R=[0,L-1], G=[0,L-1], B=[0,L-1]). با وجود این، می توان روش اکتشافی تقسیم بندی رابه صورت زیر فرموله کرد.

          حل این مسئله بهینه سازی برای یک تصویرRGB ممکن است تلاش محاسباتی بسیار بزرگتری برای هر دو آستانه ی دو سطحی و چند سطحی نیاز داشته باشد. بسیاری از روش ها در ادبیات برای حل مسئله ی آستانه تصویر ارائه شده است. در مقایسه با روش های تحلیلی سنتی، تکنیک های تقسیم بندی بر اساس اکتشاف به عنوان جایگزین با توجه به بازده محاسباتی آن استفاده می شود. بخش بعدی به طور خلاصه برخی از این ها راشرح می دهد.

Abstract

          In this paper, optimal multi-level image segmentation is proposed using the Firefly Algorithm (FA). In this work, RGB histogram of the image is considered for bi-level and multi-level segmentation. Optimal thresholds for each colour component are attained by maximizing Otsu’s between-class variance function. The proposed segmentation procedure is demonstrated using standard RGB dataset and validated using the existing FA in the literature combined with three randomization search strategies, such as Brownian Distribution, Lévy Flight and the Gaussian distribution related random variable. The performance assessment between FAs is carried out using parameters, such as objective value, PSNR, SSIM and CPU time.

1. Introduction

       Image segmentation is an essential procedure, being extensively considered to extract meaningful information from grey scale or colour (RGB) images. During the segmentation process, a digital image is separated into multiple regions, or objects, in order to extract and interpret the relevant information. In recent years, this procedure has been widely considered in many key fields, such as remote sensing3,4,5 medical imaging16, and pattern recognition9 .Determining the exact threshold level to separate an image into desirable objects (foreground) from background remains an extremely significant step in imaging science.

        In the literature, a considerable number of parametric and nonparametric bi-level and multi-level thresholding procedures have been proposed and implemented mainly for grey scale images1,2,4,11. Among them, global thresholding is considered as the most preferred image segmentation technique because of its simplicity, robustness, accuracy, and competence14. In general, existing parametric thresholding approaches are computationally costly, time consuming, and some times the performance degrades depending on the image quality6,9. Nonparametric traditional approaches, on the other hand, methods such as Otsu, Kapur, Tsai, and Kittler are simpler and successful for bi-level thresholding11. When the number of threshold level increases, the complexity of thethresholding problem also increases and the traditional method requires more computational time. Therefore, to overcome the computational complexity of most traditional methods, heuristic based bi-level and multi-level image thresholding procedures have been widely proposed by researchers for grey scale1,2 , RGB10, multi-spectral and hyperspectral images3,5. Recent meta-heuristic algorithms, such as cuckoo search1 , bee colony2 , and firefly14, are also employed to solve the m-level image thresholding problem. Most of the above discussed methods are applied and validated on a class of grey scaled images.

         In recent years, the segmentation of RGB images, or more generally multi-spectral images, is also getting the attention of researchers. The authors from Ghamisi et al. proposed a heuristic-based segmentation technique for a class of hyperspectral colour images3,5. Su and Hu discussed a colour image quantization technique using selfadaptive differential evolution algorithm and the technique was validated using standard test images10. Sarkar and Das proposed a colour image segmentation procedure using Tsallis entropy and differential evolution. The authors validated the proposed method using a class of RGB images using 2D histogram technique12.

         In the proposed work, the RGB histogram of the colour image is considered to solve the m-level thresholding problem. The maximization of Otsu’s between-class variance function is chosen as the objective function. The proposed segmentation procedure is a nonparametric approach, thus employing heuristic methods, such as Brownian search based Firefly Algorithm (BFA), Lévy Flight based Firefly Algorithm (LFA) and FA with Gaussian distribution related random variable (ε). The proposed method is implemented and validated on standard colour images.

2. Problem formulation

         Otsu’s based image thresholding was initially proposed back in 19798 . This method returns the optimal threshold of a given image by maximizing the between-class variance function. This procedure already proved its efficiency on grey scale 2,4,7,11,14 and colour images 3,5.

         In this paper, Otsu’s approach is considered for colour image segmentation with the aid of the RGB histogram. In RGB space, each colour pixel of the image is a mixture of Red, Green, and Blue (RGB) and for that same image, the data space size is [0, L-1]3 (R = [0, L-1], G = [0, L-1], and B = [0, L-1]). In spite of this, one can formalize the heuristic based segmentation procedure as it follows5 .

        Solving this optimization problem for an RGB image may require a much larger computational effort for both bilevel and multi-level thresholds. Many methods have been proposed in the literature to solve the image thresholding problem6,9,13. Compared to traditional analytical techniques, heuristic-based segmentation techniques are used as alternatives due to their computational efficiency. Next section briefly describes some of these.

چکیده

1. مقدمه

2. فرموله کردن مسئله

3. مروری مختصر بر الگوریتم ها در مطالعه

4. پیاده سازی

5. نتایج تجربی و بحث

6. نتیجه گیری

منابع

Abstract

1. Introduction

2. Problem formulation

3. Brief overview of algorithms in the study

4. Implementation

5. Experimental results and discussions

6. Conclusions

References