ماشین بینایی و پردازش تصویر
سال:1396 | دوره:4 | شماره:2 |تعداد مقالات:6

بیماری هایی چون دیابت، فشار خون بالا و اختلال هایی با منشا مغزی بر عروق شبکیه چشم انسان تاثیر می گذارند. با استفاده از طبقه بندی عروق شبکیه به دو گروه سرخرگ و سیاهرگ، می توان وجود و میزان پیشرفت بیماری ها را ارزیابی نمود. در این مقاله، یک الگوریتم تفکیک عروق خونی شبکیه بر اساس ویژگی های ساختاری، جهتی و فرکانسی و بهینه سازی ویژگی مبتنی بر الگوریتم ژنتیک تاگوچی ارائه شده است. برای این منظور، با هدف طبقه بندی رگ ها در تصاویر فوندوس، ابتدا عروق ناحیه بندی و جداسازی می شوند. در این الگوریتم، جهت استخراج اطلاعات هم زمان مربوط به جهت، قطر و رفتار دینامیکی انحناء رگ، ویژگی های جدیدی برپایه تبدیل موجک گسسته با بهره گیری از مفهوم آنتروپی در ضرایب موجک گسسته و همچنین روش آنتروپی موجک جهتی (DWE-Directional Wavelet Entropy) و تبدیل فوریه با کمک توصیفگرهای فوریه ارائه شده است. همچنین ویژگی دوبعدی قطاع های تشابه فرکانسی (2DFSS-2 Dimensional Frequency Similarity Sectors) جهت بیان و استخراج تغییرات ضخامت و راستای رگ معرفی شده است. پس از استخراج بردار ویژگی، با استفاده از مدل ترکیبی الگوریتم ژنتیک همراه با استراتژی تاگوچی ویژگی های بهینه انتخاب می شوند. سپس با بهره گیری از طبقه بند شبکه عصبی چندلایه، عروق به دو کلاس سرخرگ و سیاهرگ طبقه بندی می شوند. درنهایت، نرخ صحت 82.09% و نرخ دقت 81.58% به طور هم زمان در کلاس بندی عروق شبکیه چشم بر روی یک پایگاه داده تصاویر فوندوس شبکیه چشم شامل 40 تصویر حاصل می گردد.

در بررسی عملکرد حسگر تصویر هوشمند، کاهش توان مصرفی سیستم تصویربرداری و افزایش ضریب فضای موثر هر سلول، اهمیت فراوان دارد، در این تحقیق با تعریف دو حالت کاری مجزا به منظور پردازش فریم های مختلف و همچنین طراحی و پیاده سازی واحد مدیریت توان در ساختار اصلی سیستم تصویربرداری، حجم پردازش اطلاعات اضافی در بررسی فریم های کم-اهمیت به میزان چشمگیری کاهش یافته است که نتیجه آن کاهش توان مصرفی در سیستم های تصویربرداری مبتنی بر تشخیص حرکت خواهد بود. همچنین ارائه ساختاری نوین در طراحی هر سلول، زمینه ساز افزایش قابل توجه ضریب فضای موثر در سطح هر پیکسل شده است. بطوریکه ولتاژ مربوط به هر سلول در بررسی فریم های متوالی، صرفا از طریق یک مسیر خروجی و به صورت سری در اختیار واحد تشخیص حرکت قرار می گیرد. نتایج شبیه سازی نشان می دهد که در پیاده سازی آرایه ای از پیکس ل ها با ابعاد 64×64 و بهره گیری از تکنولوژی CMOS استاندارد 180 نانومتر، توان مصرفی حسگر پیشنهادی تحت تصویربرداری با نرخ 100 فریم بر ثانیه معادل با 0.2 میلی وات و ضریب فضای موثر هر سلول برابر با 45% خواهد بود.

بازشناسی کلمات دست نوشته و تبدیل آن به متن تایپی معادل می تواند در تفسیر دست نوشته و جستجو در اسناد بسیار حائز اهمیت باشد. در این مقاله سیستمی به منظور تشخیص برون خط دست نوشته فارسی در یک فرهنگ لغت محدود معرفی شده است. به منظور استخراج ویژگی، بعد از بلوک بندی تصویر ورودی و استخراج مرکز هر بلوک توسط مرکز ثقل، میانگین مرکز اجزای متصل از الگوریتم سیفت متراکم استفاده شده است. از روش آنالیز تفکیک کننده خطی برای کاهش تعداد ویژگی ها استفاده شده است. در این مقاله، در مرحله نخست کلمات موجود در فرهنگ لغت بر اساس شباهت با استفاده از الگوریتم ISOCLUSE به همراه الگوریتم سلسله مراتبی خوشه بندی شده است. میانگین هر خوشه در فضای ویژگی به عنوان نماینده آن خوشه و مدخل مشترک اعضای آن خوشه در فرهنگ لغت تصویری، در نظر گرفته شده است. در مرحله دوم به منظور بازشناسی کلمه جدید از کلمات کاندید، از روش ماشین بردار پشتیبان به صورت چندکلاسه و دو کلاسه استفاده شده است. نتایج بدست آمده نشان دهنده عملکرد بهتر روش ماشین بردار پشتیبان دو کلاسه از لحاظ سرعت و دقت بر روی مجموعه داده ایران شهر می باشد. در مرحله بازشناسی با انتخاب 5 خوشه نزدیک به کلمه دست نوشته مورد آزمون با دقت 93.37% حدود 76.65% از کلمات مورد بررسی کاهش خواهد یافت.

آشکارسازی دقیق و به موقع ناحیه تومور مغزی در انتخاب نوع درمان، میزان موفقیت آن و دنبال کردن روند بیماری در طول درمان تاثیر بسیار بالایی دارد. الگوریتم های موجود برای تشخیص تومور مغزی از نظر عملکرد خوب روی تصاویر مغزی متنوع با کیفیت های مختلف، حساسیت پایین نتایج به پارامترهای معرفی شده در الگوریتم و نیز تشخیص مطمئن تومورها در مراحل اولیه شکل گیری با مشکلاتی مواجه هستند. در این تحقیق یک روش بخش بندی دو مرحله ای برای آشکارسازی دقیق ناحیه تومور در تصاویر تشدید مغناطیسی مغز ارائه شده است. در مرحله اول پس از انجام پیش پردازش های لازم روی تصویر، موقعیت تومور با استفاده از یک روش بخش بندی مبتنی بر آستانه مکان یابی می شود و در مرحله دوم، به عنوان نشان گر در یک روش بخش بندی حوضچه مبتنی بر نشان گر مورد استفاده قرار می گیرد. با توجه به اینکه در مرحله اول تاکید زیادی بر آشکارسازی دقیق ناحیه تومور نیست، انتخاب مقادیر آستانه در بازه بزرگی از مقادیر، در نتایج نهایی تاثیری نخواهد داشت. در مرحله دوم، استفاده از روش بخش بندی حوضچه مبتنی بر نشان گر، آشکارسازی دقیق ناحیه تومور را به دنبال خواهد داشت. نتایج پیاده سازی ها نشان می دهند که روش پیشنهاد شده برای آشکارسازی دقیق ناحیه تومور در بازه بزرگی از تغییرات پارامترهای ورودی نتایج یکسان و دقیقی را به دنبال دارد.

یکی از روش های تشخیص هویت افراد، امضا یا دست خط هر فرد می باشد. در این مقاله روشی برای تشخیص امضای یک فرد بر مبنای اطلاعات پویای موجود در ویدئوی دست فرد امضاکننده در حین امضا ارائه شده است. روش پیشنهادی شامل چهار مرحله است. در مرحله اول تصویر پیش زمینه که شامل دست و قلم فرد امضاکننده است، در هر فریم استخراج می شود. در مرحله بعد مختصات نوک قلم تصویر پیش زمینه در هر فریم تعیین می شود تا بتوان شکل امضا را با پیوند دادن این نقاط تشکیل داد. در این مرحله روشی برای تشخیص و رفع خطا در یافتن مختصات نوک قلم ارائه شده است. در مرحله سوم، تعدادی ویژگی مربوط به شکل امضا و تصویر انرژی حرکتی از امضای هر فرد استخراج می شود. در مرحله آخر مدل امضای هر فرد تشکیل می شود که توسط آن امضاهای اصلی از جعلی تمیز داده شود. به منظور آزمایش روش پیشنهادی از پایگاه داده ای که در کار این مقاله تهیه شده و شامل امضاهای 50 فرد است استفاده می شود. از 13 امضای اصلی هر فرد برای آموزش و تشکیل مدل امضا و از 8 امضا اصلی دیگر و 8 امضای جعلی برای آزمایش روش پیشنهادی استفاده می شود. دقت و نرخ خطای برابر، معیارهای ارزیابی کمی روش پیشنهادی هستند. مقادیر این دو معیار برای روش پیشنهادی به ترتیب 95.02 و 3.8 درصد به دست آمده است.

سرطان پستان، دومین عامل مرگ ومیر زنان در جهان محسوب می شود و به دلیل ناشناخته بودن علت این بیماری، تنها روش کنترل آن شناسایی و تشخیص زودهنگام است. مهمترین روش تشخیص سرطان پستان، نمونه برداری از بافت مشکوک و انجام آزمایش های آسیب شناسی است. از آنجا که انجام این روش تهاجمی بوده و در اکثر موارد غیرضروری می باشد، به همین جهت محققان در تلاش اند تا با ارائه سیستم های تشخیصی کمک-رایانه ای با قابلیت اطمینان بالا، تعداد نمونه برداری های غیرضروری را کاهش دهند. این سیستم ها از چهار بخش پیش پردازش، ناحیه بندی، استخراج و انتخاب ویژگی، و کلاس بندی تشکیل می شوند و ابزاری سودمند برای تشخیص سرطان پستان هستند. در این پژوهش به منظور طبقه بندی توده های پستان به دو گروه خوش خیم و بدخیم، پس از پیش پردازش تصاویر، به ناحیه بندی آنها و تعیین مرز توده، با ترکیب دو رویکرد دستی و کامپیوتری، پرداخته شده است. در مرحله بعد 827 ویژگی شامل 24 ویژگی ریخت شناسی مبتنی بر شکل و 803 ویژگی ریخت شناسی مبتنی بر مرز از هر تصویر استخراج شده که 604 ویژگی از آنها به تازگی در این پژوهش ارائه شده اند. پس از آن با استفاده از کلاسبند رگرسیون لجستیک تنک به حذف ویژگی های نامرتبط و کلاس بندی تصاویر پرداخته شده است. پایگاه داده مورد استفاده در این پژوهش شامل 104 تصویر سونوگرافی از توده های پستان (72 تصویر مربوط به توده های خوش خیم و 32 تصویر مربوط به توده های بدخیم) است که با اعمال الگوریتم پیشنهادی به این تصاویر، نوع توده با صحت %89.42، حساسیت %78.13 و دقت %94.44 تشخیص داده شده است.