ماشین بینایی و پردازش تصویر
سال:1400 | دوره:8 | شماره:2 |تعداد مقالات:6

کاهش نویز تصاویر در حوزه پردازش تصویر موضوعی است که بسیار مورد تحقیق و پژوهش قرار گرفته است. به طور کلی ایده های کاهش نویز را از لحاظ حوزه نمایش می توان به کاهش نویز در حوزه مکان وکاهش نویز در حوزه تبدیل تقسیم بندی نمود. روش های حوزه تبدیل را می توان با توجه به توابع پایه آنها به دو گروه اصلی روش های حوزه تبدیل با توابع پایه منطبق با داده و روش های حوزه تبدیل با توابع پایه ثابت تقسیم بندی کرد. روش های حوزه تبدیل با پایه ثابت که تبدیل موجک از مشهورترین آنها می باشد به دلیل ویژگی ها و خواصی که دارند مانند تفکیک فرکانس/مکانی مناسب به طور وسیعی برای کاربردهای کاهش نویز مورد استفاده قرار گرفته اند. همچنین به دلیل خاصیت غیرایستا بودن تصاویر طبیعی و نیز اضافه شدن نویز به آنها، درمیان روش های حوزه تبدیل، روشهای آماری مورد توجه فراوان قرار گرفته اند. در این مقاله پس از معرفی کلی انواع روش های رفع نویز، مهمترین مدل های آماری ارائه شده در حوزه تبدیل با پایه ثابت، معرفی شده اند. نتایج تجربی جهت بیان مزایا و معایب این روش ها بحث و تحلیل شده اند. مطالعه مفهومی این مقاله می تواند مرجع مناسبی برای ایده های تحقیقی ارائه شده در حوزه کاهش نویز تصاویر باشد.

تشخیص سرطان عمدتاً توسط تجزیه و تحلیل بصری آسیب شناس، با بررسی مورفولوژی برش های بافت تحت میکروسکوپ انجام می شود. اگر تصویر میکروسکوپی یک نمونه رنگ آمیزی نشود بدون رنگ و بافت به نظر می رسد، بنابراین برای ایجاد کنتراست و شناسایی اجزای خاص بافت، نمونه ها به رنگ آمیزی شیمیایی نیاز دارند. در حین آماده سازی بافت، با توجه به ترکیبات شیمیایی گوناگون، اسکنرهای متنوع و تنوع در انواع بیمارها، بافت های مشابه معمولاً در ظاهر متفاوت هستند. این تنوع بالا در رنگ آمیزی علاوه بر اختلاف تفسیری در بین آسیب شناسان، یکی از چالش های اصلی در طراحی سیستم های قدرتمند و انعطاف پذیر برای تجزیه و تحلیل خودکار است. استراتژی های مختلفی از نرمال سازی رنگ به عنوان یک مرحله پیش پردازش در خط لوله سیستم های خودکار پیشنهاد شده است. روشPix2Pix  که برگرفته شده از شبکه های مولد تخاصمی شرطی(cGAN)  می باشد، یکی از روش های قدرتمند و با توانمندی بالا برای حل مسائل انتقال تصویر به تصویر است. نوآوری اصلی این مقاله ارائه ی یک روش جدید و قدرتمند برای نرمال سازی رنگ تصاویر بافت آسیب شناسی با استفاده از روش Pix2Pix است که با استفاده از مجموعه داده Mitos-Atypia14 پیاده سازی و ارزیابی شده است. در روش پیشنهادی تصاویر در مقیاس خاکستری به عنوان ورودی به شبکه داده می شود و سپس شبکه یاد می گیرد که با حفظ ساختار و الگوی هیستوپاتولوژی بافت تصویر ورودی را به یک سبک رنگ آمیزی خاص مجدداً رنگ آمیزی می کند. این روش در مقایسه با روش های پیشین که به یک تصویر مرجع درستی وابسته بودند، از توزیع تمامی تصاویر مجموعه آموزش برای یادگیری استفاده می کند.  روش پیشنهادی در مقایسه با برخی از بهترین روش هایی که تاکنون ارائه شده اند، در هر دو ارزیابی کمی و کیفی نتایج  بهتری را به دست آورده است. همچنین به عنوان نوآوری دیگر، روش پیشنهادی در کاربرد بالینی طبقه بندی بافت سینه بر روی مجموعه داده PatchCamelyon اعمال و مورد آزمایش قرار گرفته است، که نتایج حاصل، بهبود 5 درصدی AUC را نشان می دهد.

بازشناسی صحنه­ های پویا یکی از زمینه­ های تحقیقاتی اساسی در حوزه بینایی ماشین بشمار می­ رود. در این مقاله با استفاده از شبکه­ های عصبی پیچشی (CNN)، روشی مؤثر جهت بازشناسی صحنه­ های پویا ارائه می­ شود. در روش پیشنهادی، همبستگی بین نقشه­ های ویژگی حاصل از لایه­ های مختلف یک شبکه عصبی به عنوان بردار­های ویژگی حاوی اطلاعات ویدئو، مورد استفاده قرار گرفته است. در این روش، ابتدا N فریم از ویدئو انتخاب شده و به کمک یک شبکه عصبی پیچشی، نقشه­ های ویژگی مربوط به فریم­ های منتخب، استخراج شده و برای هر فریم، یک ماتریس گرام محاسبه می­شود که بیانگر ویژگی­ های مکانی فریم­ های ویدئو است. سپس با قطعه­ بندی زمانی فریم­ های منتخب و میانگین­ گیری بر روی ماتریس­ های گرام این فریم­ ها، اطلاعات زمانی نیز لحاظ می­ شود. با انجام عملیات کدینگ ویژگی­ها و سپس pooling، برای هر ویدئو یک بردار ویژگی به منظور طبقه­ بندی ویدئو حاصل می­ شود. نتایج شبیه­ سازی­ ها بر روی سه مجموعه داده مطرح در این زمینه نشان می­دهد که روش پیشنهادی از دقت بازشناسی بهتری در مقایسه با سایر روش­ های مطرح در این زمینه تحقیقاتی برخوردار بوده و دقت بازشناسی را تا 9% برای مجموعه داده Maryland و 3% برای مجموعه داده YUP++ بهبود بخشیده است.

یک تصویر دیجیتال نمایش بصری از چیزی است که بصورت الکترونیکی ایجاد و کپی یا ذخیره شده است. امنیت تصاویر با توجه به استفاده گسترده از تصاویری که در شبکه یا در دیسک ذخیره می شوند، نگرانی مهمی در امنیت اطلاعات امروز است. بدلیل آنکه رسانه های عمومی غیرقابل اعتماد و در برابر حملات آسیب پذیر می باشند؛ رمزگذاری تصویر موثرترین راه برای محرمانگی و محافظت از حریم خصوصی تصاویر در رسانه های عمومی غیرقابل اعتماد است. در این مقاله یک الگوریتم جدید رمزنگاری تصویر براساس استاندارد رمزنگاری پیشرفته و دنباله DNA برای تصاویر خاکستری ارائه می شود. ما نحوه رمزگذاری و رمزگشایی داده ها در دنباله DNA براساس جایگزینی کدون ها و چگونگی انجام مراحل مختلف استاندارد رمزنگاری پیشرفته مبتنی بر DNA را توضیح می دهیم. الگوریتم در نرم افزار MATLAB 2012b پیاده سازی می شود و برای ارزیابی اثربخشی آن از معیارهای مختلف عملکرد استفاده می شود. تجزیه و تحلیل تئوری و تجربی نشان می دهد که الگوریتم پیشنهادی کارآیی بهتری در سرعت و دقت دارد. علاوه بر این، تجزیه و تحلیل امنیتی ثابت می کند الگوریتم پیشنهادی مقاومت بیشتری نسبت به نویز و حملات شناخته شده از خود نشان می دهد؛ به طوری که شکست ناپذیری الگوریتم پیشنهادی 37.48% بهتر از الگوریتم های مورد قیاس می باشد

با رشد روز افزون اینترنت و ابزارهای تصویربرداری دیجیتال، اندازه پایگاه داده تصاویر به سرعت در حال بزرگتر شدن است. در چنین شرایطی، نیاز شدیدی به ابزارها و روش های کارا برای جستجوی تصاویر دلخواه در پایگاه ­داده­های بزرگ به وجود آمده است، استخراج ویژگی اساسی­ ترین قدم در ایجاد یک سامانه بازیابی تصاویر براساس محتواست و نقش بسیار تعیین کننده­ای در دقت سامانه بازیابی دارد. در این مقاله روشی جدید جهت طبقه­ بندی تصاویر بازیابی شده براساس محتوا ارائه شد. پس از استخراج ویژگی و محاسبه توصیفگرهای مربوط به هر دسته توسط الگوریتم SIFT، الگوریتمTF-IDF توصیفگرهای مناسب را مشخص کرده و از خوشه­ بندی جهت یافتن توصیفگرهای کاندیدای هر دسته استفاده می­ کند. در مرحله بعد از ضرایب بازنمایی توصیفگرهای هر دسته با توجه به نماینده ­های تولید شده از مرحله قبل توسط الگوریتم کدگذاری خطی با قید محلی به عنوان ویژگی استفاده شده است. در نهایت از این ویژگی های تولید شده برای طبقه ­بندی تصاویر بازیابی شده استفاده می­ شود. دسته بندی که برای ارزیابی سیستم پیشنهادی مورد استفاده قرار گرفته، ماشین یادگیر بیشینه می باشد. دقت به دست آمده در این دسته بند بر روی پایگاه داده Caltech-101، 5/98 درصد و بر روی پایگاه داده17-Flowers، 90/97 درصد می­ باشد.

در رشد ناحیه فرآیند قطعه بندی باینری تصویر است که با داشتن پیکسل هایی به عنوان بذر، پیکسل های مشابه و متصل به آنها به ناحیه اضافه می شود و درنهایت تصویری باینری که شامل شی یا اشیا هدف است ارائه می کند. تا به حال روش های قطعه بندی باینری زیادی برای استخراج شی هدف ارائه شده اند که ایراد مشترک همه آنها این است که استخراج شی هدف را به صورت کامل انجام نمی دهند. قاب ها به عنوان تعمیمی از پایه های متعامد کمتر در این الگوریتم ها استفاده شده اند. در این مقاله ابتدا یک تابع کشش کنتراست غیرخطی جدید معرفی می شود و سپس بر اساس این تابع کشش کنتراست و با استفاده از قاب شرلت ها بذرهای صحیح مربوط به الگوریتم رشد ناحیه را شناسایی کرده و سپس الگوریتم رشد ناحیه را روی تصویر اعمال می کنیم. نتایج ارائه شده روی تصاویر مصنوعی شبیه ساز عروق و تصاویر واقعی پزشکی، برتری این روش را نسبت به روش هایی که اخیرا ارائه شده اند، نشان می دهد.