ماشین بینایی و پردازش تصویر
سال:1394 | دوره:2 | شماره:2 |تعداد مقالات:6

جداسازی خودکار کانی های موجود در مقاطع نازک با استفاده از روش های پردازش تصویر، یکی از موضوعاتی است که در سال های اخیر مورد توجه زمین شناسان قرار گرفته است. سنگ ها اصلی ترین منبع اطلاعاتی زمین شناسان می باشند، و یکی از روش های متداول مطالعه سنگ ها، تهیه مقاطع نازک از آن ها و بررسی این مقاطع با استفاده از میکروسکوپ های انکساری قطبی کننده نور است. همچنین جداسازی کانی های موجود در مقاطع نازک، پیش نیاز انجام مطالعات بعدی مانند شناسایی و بررسی اندازه کانی ها در مقاطع است. در این مقاله، رویکردی جدید در جداسازی خودکار کانی های موجود در مقاطع نازک با استفاده از الگوریتم های پردازش تصاویر و خوشه بندی مبتنی بر ویژگی های رنگی ارائه شده است. به منظور جداسازی کانی های موجود در مقاطع نازک، از آن ها در نورهای معمولی و قطبی تصاویر دیجیتال تهیه شده و با استخراج ویژگی های رنگی و بکارگیری الگوریتم خوشه بندی افزایشی، کانی ها جداسازی خواهند شد. در الگوریتم پیشنهادی، ابتدا ویژگی های رنگی هر پیکسل در فضاهای رنگی RGB و HSI از تصاویر استخراج شده، سپس با استفاده از الگوریتم خوشه بندی، پیکسل های تصاویر تفکیک شده و در نهایت منجر به جداسازی کانی ها خواهد شد. نتایج الگوریتم پیشنهادی در مرحله آزمون بر روی 83 مقطع نازک متشکل از 16 کانی آذرین متداول، نشان دهنده میزان درستی 87.32%در جداسازی کانی ها می باشد. نتایج آزمایشگاهی، نشان دهنده جداسازی موفقیت آمیز کانی ها به ویژه مقاطع دگرسان شده و هوازده میباشد. کاربرد اصلی الگوریتم پیشنهادی در زمین شناسی سر چاه نفت، آموزش کانی شناسی و اکتشافات سطحی سازمان فضایی ایالات متحده آمریکا در سیاره مریخ (NASA Mars Explorations) است که تمامی آن ها نیازمند جداسازی آنی کانی ها می باشند.

در این مقاله، برای بهبود وفقی کنتراست به ارائه و حل یک مساله بهینه سازی در فضای هیستوگرام های دوبعدی پرداخته شده است. برای جلوگیری از بروز اثرات نامطلوب ناشی از دست کاری هیستوگرام تصویر، در بیان ریاضی مساله در این مقاله همانند روش های مشابه دیگر، از یک سو هیستوگرام بهینه خروجی از روی هیستوگرامی دوبعدی که بیشترین شباهت را به هیستوگرام دوبعدی تصویر ورودی و نیز توزیع یکنواخت داشته باشد به دست می آید و از سویی دیگر برخلاف دیگر روش ها، با وزن دهی وفقی، اطلاعات محلی مناسبی را نیز در این جستجو در نظر می گیرد. نگاشت مناسب با حل این مساله بهینه-سازی به دست آمده و آزمایش های گوناگونی که بر روی تصاویر گوناگون انجام شده است، درستی مدل بهینه سازی را نشان می دهد. به کارگیری الگوریتم پیشنهادی بر روی تصاویر متعدد، در مقایسه با روش مرجع به صورت میانگین به بهبود 75 درصدی و 3 درصدی معیارهای AMBEN و DEN منجر شده است.

در روش فشرده سازی پیشنهادی در این مقاله، با بهره گیری از ویژگی دوحالته بودن تصاویر اثرانگشت، از تکنیک پیشنهادی تغییر مقیاس جهت افزایش کارایی فشرده سازی کدگذار SPIHT و از برخی تکنیک های پیشنهادی جهت حذف اثرنشتی حاصل از فشرده سازی در نرخ بیتهای پایین و افزایش کارایی بازشناسی روش فشرده سازی پیشنهادی استفاده شده است. همچنین، اثرات فشرده سازی روی بازشناسی بررسی شده و در این بررسی، یک معیار برحسب نقطه شکست و شیب افت منحنی دقت بازشناسی جهت ارزیابی روش های بازشناسی تصاویر اثرانگشت پیشنهاد شده است. نتایج نشان می دهد که تکنیک پیشنهادی کاهش محدوده تغییرات تصویر موجب کاهش نقطه شکست به اندازه 0.05 bpp و تکنیک های بهسازی موجب افزایش دقت بازشناسی (تا 5 درصد در نقاط بالاتر از نقطه شکست) و کاهش شیب افت دقت بازشناسی (در نقاط پایین تر از نقطه شکست) شده اند. همچنین، کارایی متوسط PSNR در روش پیشنهادی در مقایسه با روشهای JPEG2000 و WSQ به طور متوسط تا 0.8 dB افزایش یافته است.

روش های فشرده سازی تصویر را می توان به دو دسته با اتلاف و بی اتلاف تقسیم بندی نمود. کدگذار پیشگو مبنای بسیاری از روش های فشرده سازی بی اتلاف تصویر است. این کدگذار با توجه به مقدار پیکسل های همسایه، مقداری را برای هر پیکسل از تصویر پیشگویی می نماید. تفاضل مقدار واقعی هر پیکسل از مقدار پیشگویی شده، مقدار خطا تلقی می شود و این مقادیر خطا کد می گردند. در این مقاله، روش پیش پردازشی پیشنهاد شده است که چیدمان تصویر را طوری تغییر می دهد تا مقادیر پیکسل های همسایه، همبستگی بیشتری با هم داشته باشند. با افزایش همبستگی بین پیکسل های همسایه، کدگذار پیشگو می تواند مقدار دقیق تری را برای هر پیکسل پیشگویی نماید، در نتیجه آنتروپی در تصویر خطا کاهش می یابد. طبق نظریه اطلاعات هر چه آنتروپی تصویر کمتر باشد، قابلیت کدگذار آنتروپی در فشرده سازی آن افزایش می یابد. در روش پیشنهادی به کمک الگوریتم ژنتیک، تبدیلات هندسی چرخش و انعکاس مناسبی بر روی هر بلوک از تصویر اعمال می شود تا چیدمان تصویر طوری تغییر یابد که همبستگی پیکسل های مجاور تصویر افزایش یابد. در این مقاله دو روش فشرده سازی JPEG بی اتلاف و CALIC که مبتنی بر کدگذار پیشگو هستند مورد بررسی قرار گرفت. نتایج ارزیابی روش پیشنهادی بر روی تصاویر متعدد نشان می دهد پیش پردازش پیشنهادی نرخ فشرده سازی این دو روش را بهبود می بخشد.

آستانه گذاری تصاویر یک از محبوب ترین روش های قطعه بندی تصاویر است. در این روش، برای مشخص کردن مقادیر آستانه از هیستوگرام استفاده می شود. در این مقاله، یک روش آستانه گذاری چندسطحی برای قطعه بندی تصاویر مبتنی بر هیستوگرام با استفاده از الگوریتم بهینه سازی مبتنی بر یادگیری و تدریس ارائه شده است. این الگوریتم یک الگوریتم جمعیت گرای جدید است که از تاثیری که یک استاد بر دانش آموزان خود دارد الهام گرفته است. تابع هزینه مورد استفاده در این پژوهش، معیار بیشینه سازی آنتروپی کاپور بوده است. کارایی روش پیشنهادی بر روی 5 تصویر استاندارد مورد بررسی قرار گرفته است. همچنین کارایی آن با سه الگوریتم ژنتیک (GA)، بهینه سازی ذرات (PSO) و تکامل تفاضلی (DE) مقایسه شده است. نتایج نشان می دهد که الگوریتم بهینه سازی مبتنی بر یادگیری و تدریس نتایج بهتری در توابع برازندگی، مقدار PSNR، SSIM و پایداری فراهم آورده است. زمان یافتن مقادیر آستانه برای این الگوریتم نیز نسبت به الگوریتم PSO بیشتر اما نسبت به GA و DE کمتر است.

پردازش چهره در اکثر کاربردهای بینایی ماشین موضوعی مهم به شمار می رود. این پردازش می تواند شامل مباحثی مثل آشکارسازی چهره، ردیابی چهره، شناخت حالات چهره و شناخت افراد شود. از میان این موارد، آشکارسازی چهره پایه ای ترین و کاربردی ترین شاخه پردازش چهره است. علت این موضوع، کاربردهای متفاوتی است که آشکارسازی چهره داراست. برای عملی کردن این کاربرد ها در ابتدا نیازمند یک الگوریتم سریع و دقیق برای آشکارسازی چهره می باشیم. روش های زیادی برای افزایش سرعت اجرای الگوریتم آشکارسازی چهره ارائه شده اند. اما معمولا این روش ها دقت نهایی سیستم را کم می کنند. در سوی مقابل روش هایی که به دنبال افزایش دقت بوده اند، با تحمیل بار محاسباتی به سیستم، میزان سرعت را پایین آورده اند. در سال های اخیر با توجه به ارزان شدن و در دسترس عموم قرار گرفتن دوربین های دریافت عمق، امکان این که بتوان در یک دقت ثابت، سرعت الگوریتم را افزایش داد، فراهم شده است. در این تحقیق ما به دنبال ایجاد یک هم جوشی مناسب بین داده های عمق و رنگ برای غلبه بر مشکلات گذشته هستیم. بدین ترتیب که از ویژگی های داده های عمق به عنوان یک کاهنده فضای جستجو استفاده کرده تا بتوان سرعت مشخص سازی ناحیه چهره را در عین حفظ دقت، افزایش داد. نتایج شبیه سازی روش پیشنهادی نشان می دهد که با استفاده از این روش، سیستم آشکارسازی چهره با حفظ دقت، حدود 2.74 برابر سریع تر نسبت به الگوریتم ویولاجونز اجرا خواهد شد. این در حالی است که آخرین روش های همه جانبه موجود به حدود 2.5 برابر افزایش سرعت رسیده اند.