ماشین بینایی و پردازش تصویر
سال:1397 | دوره:5 | شماره:2 |تعداد مقالات:10

سامانه تشخیص عنبیه از چند مرحله تشکیل شده، که یکی از مهم ترین مراحل آن استخراج ویژگی است. اکثر سامانه های موجود از یک روش خاص جهت استخراج ویژگی استفاده می کنند. در راستای ایجاد بهبود عملکرد سامانه از الگوریتم ژنتیک دودویی با استفاده از یک معیار برازندگی جدید جهت یافتن روش استخراج ویژگی ترکیبی بهره گرفتیم. روش پیشنهادی از تعداد زیادی فیلتر و تبدیل که در استخراج ویژگی از عنبیه کاربرد فراوانی دارند، استفاده و بهترین ترکیب آن ها را در طی تکرار الگوریتم پیدا می کند. در پایان مجموعه ای از روش ها شامل تعدادی از تبدیل های موجک، فیلتر گابور و تبدیل فوریه به عنوان بهینه ترین روش استخراج ویژگی ترکیبی به دست آمدند. در آزمایش ها، بهبود عملکرد روش ترکیبی پیشنهادی نسبت به روش هایی که تنها از یک فیلتر بهره می گیرند با استفاده از نمودار ROC نشان داده شد. مقایسات نشان داد که روش پیشنهادی در اکثر موقعیت ها عملکرد بهتری نسبت به جدیدترین روش ها دارد. این روش موفق به دستیابی به FAR برابر با صفر و FRR برابر با 0/092 شد.

ناحیه بندی تومورهای سرطانی در تصاویر ماموگرافی مرحله ی مهمی در سامانه های تشخیص کمک کامپیوتری (CAD) بوده و یک مساله ی پر چالش است. در این مقاله از اطلاعات ویژگی محلی (LFI-CV) بافت تصویر در مدل کانتور فعال چن-وسه برای ناحیه بندی تومور استفاده شده است. در این مدل، ابتدا نگاشت ویژگی های بافت از تصویر استخراج می شود. سپس اطلاعات ویژگی محلی بافت تصویر به عنوان مقادیر ضرایب نیروی مدل چن-وسه در نظر گرفته می شوند. به کمک این ضرایب، انرژی مدل کانتور کمینه می شود و کانتور می تواند دقیق تر بر روی مرزهای تومور قرار گیرد. اطلاعات ویژگی های بافت مورد استفاده شامل ماتریس همرخداد سطح خاکستری (GLCM) و ویژگی های گابور می باشند. عملکرد روش ناحیه بندی پیشنهادی با استفاده از مدل های کانتور فعال چن-وسه مقایسه و ارزیابی شده است. ناحیه بندی در مدل کانتور فعال پیشنهادی با نگاشت های ویژگی کنتراست، آنتروپی و گابور در جهت و نسبت به مدل های کانتور چن-وسه دیگر در تکرار کمتر همگرا می شود. نتایج نشان می دهند که روش ناحیه بندی پیشنهادی برای ویژگی بافت گابور در جهت نتایج ناحیه بندی مطلوبی نسبت به روش های کانتور فعال چن-وسه دیگر از لحاظ زمان، تعداد تکرار، دقت و حساسیت ناحیه بندی دارد. تصاویر استفاده شده در این مطالعه از پایگاه داده جامعه ی تحلیل تصاویر ماموگرافی (MIAS) اخذ شده اند.

تشخیص محدوده تومورهای مغزی یک گام مهم و اساسی در سیستم های تشخیص و درمان خودکار می باشد. در این مقاله یک روش ترکیبی مبتنی بر سیستم استنتاج فازی-عصبی وفقی (ANFIS) و خوشه بندی سلسله مراتبی برای تشخیص موقعیت و محدوده تومورهای مغزی ارائه شده است. برای این منظور ابتدا خط مرکزی ناحیه مغز تشخیص داده شده، سپس با بلاک بندی ناحیه دو نیمکره مغز و استخراج ویژگی شدت روشنایی و بافت هر بلاک و نیز با بهره گیری از ویژگی تقارن موجود در دو نیمکره مغز، بلاک های حاوی بافت های توموری با استفاده از دسته بندی کننده ANFIS تشخیص داده می شوند. در نهایت با هموارسازی تصویر تصاویر تشدید مغناطیسی (MRI) مغز و با بهره گیری از خوشه بندی سلسله مراتبی محدوده دقیق تومور مشخص خواهد شد. روش ارائه شده روی تصاویر MRIبانک Harvard ارزیابی شده است. کارایی روش ارائه شده با استفاده از معیار دقت برابر %7/4± 1/98، حساسیت برابر%2/3± 1/94 و خاصگی آن برابر%9/4± 7/98 می باشد.

انطباق تصویر، یکی از زمینه های بسیار پرکاربرد در پردازش تصویر است که تحقیقات زیادی در این حوزه انجام شده است. انطباق تصویر به معنای هم تراز و هم محور کردن دو یا چند تصویر از شرایط مختلف تصویربرداری است. از کاربردهای آن می توان به شناسایی تغییرات بین تصاویر، ترکیب تصاویر، تشخیص اشیا و موزاییک تصاویر اشاره کرد. در این مقاله، ضمن معرفی مفاهیم انطباق تصویر، تحقیقات مختلف جمع آوری و دسته بندی شده و سوگیری تحقیقات در این زمینه مشخص شده است. علاوه بر این، از طریق چهار دسته آزمایش مختلف جنبه های مختلف انطباق تصویر مورد ارزیابی قرارگرفته است. این مقاله می تواند راهگشای محققین پردازش تصویر در این زمینه بوده و سعی شده است تمام جنبه های این زمینه تحقیقاتی مورد کاوش قرار گیرد.

سرطان پستان از مهم ترین سرطان ها در میان زنان به شمار می رود. معمولا غربالگری مورد استفاده در سرطان پستان، ماموگرافی است که درصد مرگ ناشی از آن را تا حدود زیادی کاهش داده است. هدف این مقاله، معرفی یک روش ترکیبی هوشمند جدید برای طبقه بندی بافت پستان به دو نوع سالم و ناسالم با بررسی هم زمان دو نمای استاندارد تصاویر ماموگرافی و مرزبندی بافت ناسالم است. بدین منظور، از روش ترکیبی جدیدی شامل الگوریتم های خوشه بندی و رشد ناحیه در شناسایی ناحیه مشکوک به حضور تومور استفاده می شود. پس از حذف پس زمینه، با ترکیب الگوریتم های خوشه بندی FCM و رشد ناحیه، ناحیه مشکوک به حضور تومور شناسایی و به کمک پردازش های مورفولوژیکی، مرزبندی تومور انجام می شود. سپس با استفاده هم زمان از دو نمای استاندارد تصویر ماموگرافی (MLO و CC) یک پستان، استخراج ویژگی های بافت بر اساس ماتریس رخداد توام و ویژگی های c و سطح شدت روشن ترین مرکز خوشه، طبقه بندی بافت پستان به دو نوع سالم و ناسالم صورت می گیرد. همچنین، برای اولین بار ویژگی سطح شدت روشن ترین مرکز خوشه معرفی و استفاده شده است. در نهایت، ویژگی های استخراج شده به عنوان ورودی های یک سیستم فازی برای طبقه بندی بافت پستان در نظر گرفته می شود. نتایج این پژوهش روی 300 جفت تصویر ماموگرافی نشان می دهد که روش ارائه شده، دارای صحت 97/7 درصدی برای طبقه بندی بافت پستان است. هم چنین نشان داده می شود که استفاده هم زمان از ویژگی های دو نمای استاندارد تصاویر ماموگرافی می تواند در تشخیص زودرس سرطان پستان مفید واقع شود.

با توجه به تغییرات زیست محیطی و افزایش دمای جهانی و همچنین خشک سالی، نحوه آبیاری گیاهان ضمن حفظ رشد و عملکرد بالای آنها بسیار حائز اهمیت است. لذا در این شرایط حساس بحران آب، با نظارت و کنترل شرایط رشد گیاه و همچنین افزایش راندمان آبیاری از طریق تبدیل روش های آبیاری سطحی به سیستمهای آبیاری هوشمند میتوان به صورت قابل توجهی مصرف آب در بخش کشاورزی را کاهش داد. در این مطالعه با هدف تشخیص نیاز آبی گیاه، مجموعه ای از تصاویر گیاه چمن تحت شرایط تنش خشکی جهت استخراج ویژگی های رنگی، بافت و تعدادی از پارامترهای تصویر در حوزه فرکانس مورد بررسی قرار گرفتند. در ادامه پس از بررسی پارامترهای استخراج شده از تصاویر با توجه به نتایج آنالیز آماری در سطح احتمال 5% مناسبترین ویژگی ها به منظور پیش بینی محتوای رطوبت گیاه توسط الگوریتم رگرسیون بردار پشتیبان (SVR) انتخاب گردید. در نهایت نشان داده شد که هسته Linear در تابع الگوریتم SVR نسبت به سایر هسته ها دارای بالاترین ضریب همبستگی (0/95) و همچنین کمترین مقادیر MAPE (14/08)، RMSE (0/01)، SRE (0/063) و RAV (0/14) است. بدین ترتیب نتیجه گرفته شد که سامانه پیشنهاد شده از کارآیی مناسبی به منظور اندازه گیری و سنجش پژمردگی گیاه و کنترل میزان آب مورد نیاز آن برخوردار می باشد.

استفاده از دنباله تصاویر برای تخمین مکان و زاویه دید دوربین در کاربردهایی چون واقعیت افزوده و ناوبری ربات بسیار مورد توجه قرار گرفته است. در این مقاله از میان رویکردهای موجود برای این منظور یک رویکرد ترکیبی پیشنهاد شده است. ایده اصلی این رویکرد، استفاده از فیلتر کالمن توسعه یافته برای تخمین مسیر حرکت یک دوربین با 6 درجه آزادی است. تفاوت اصلی الگوریتم پیشنهادی باسایر روش های مبتنی بر فیلتر این است که نقاط سه بعدی محیط حرکت دوربین از بردار حالت فیلتر حذف شده اند و با استفاده از روش های مبتنی بر هندسه چنددیدی با قطعیت مقداردهی می شوند. با این ایده حجم محاسبات فیلتر کالمن که یکی از نقاط ضعف روش های مشابه به شمار می آید، کاهش می یابد. در نهایت روش ارائه شده با یکی از دقیق ترین روش های مبتنی بر PnP مقایسه شده است و نتایج آزمایش ها نشان می دهد که دقت تخمین جابجایی و چرخش بهبود می یابد.

پایگاه های دادگان تصویری بزرگ به عنوان محتوای آموزشی در کاربردهای هوش بصری و همچنین الگوریتم های یادگیری عمیق مورد استفاده قرار میگیرند. شبکه ی تصویری تصویرنت، پایگاه داده ای سلسله مراتبی از تصاویر و مطابق با فرهنگ ایرانی و اسلامی است که با فراهم آوردن حدود 8 میلیون تصویر برای بیش از 30هزار واژه تهیه شده است. سلسله مراتب ترادف های تصویرنت مبتنی بر سلسله مراتب ترادف های ImageNet بوده که با استفاده از معادل یابی خودکار در زبان فارسی معادل یابی شده اند. در این شبکه تصویری 7890745 تصویر (برای 32295 ترادف فارسی شده) با بهره گیری از بارگیری خودکار لینک های اصلی ارائه شده در ImageNet فراهم گردیده اند. سپس 71873 تصویر با روش جمع سپاری برای بیش از 1000 ترادف مخصوص فرهنگ ایرانی و اسلامی تهیه و به تصویرنت اضافه شده اند. هدف از این مقاله انتقال تجربیات، چالش های تولید و ابزارهای مورد نیاز حاصل از تولید پایگاه داده ی سلسله مراتبی تصویرنت و همچنین تشریح فرآیند جمع سپاری صورت گرفته جهت تهیه تصاویر است.

یکی سه معیار اصلی که در تعیین درجه سرطان پستان به کار می رود، تعداد سلول هایی است که در حال تقسیم میتوزی هستند. تشخیص سلول های میتوزی به دلیل تنوع شکل ظاهری این سلول ها و همچنین شباهت با سلول های مرده و اجسام خارجی حاضر در بافت، دشوار است. استفاده از پردازش تصویر برای تشخیص خودکار این سلول ها، گامی مهم در کاهش خطا و افزایش سرعت درجه بندی سرطان است. روش های موجود برای تشخیص این سلول ها، یا بر اساس استخراج ویژگی ها هستند که سریع اند ولی دقت تشخیص پایینی دارند، و یا بر اساس پردازش مستقیم تصویر با شبکه های عصبی عمیق هستند که دقتی بالا دارند ولی بسیار کند هستند. هدف این پژوهش ارائه روشی بی نیاز از استخراج ویژگی ها است که علاوه بر دقت زیاد، سرعتی بسیار بهتر از روش های مبتنی بر شبکه های عصبی عمیق داشته باشد. در روش پیشنهادی، تصاویر ورودی ابتدا برای جبران رنگ و کنتراست نمونه بافت اصلاح می شوند. سپس محل سلول های میتوزی احتمالی به کمک آستانه گیری و یافتن ماکزیمم های محلی تعیین می شود. تشخیص میتوزی بودن سلول با استفاده از ELM انجام می شود. میزان موفقیت روش پیشنهادی با معیارهای دقت، حساسیت و امتیاز F1 اندازه گیری شد که پیشرفت قابل توجهی را نسبت به بهترین کار های موجود نشان می دهد. همچنین، روش پیشنهادی بهبود قابل ملاحظه ای در زمان آموزش و اجرایی داراست.

اولتراسوند خودکار سه بعدی پستان یک روش تصویربرداری جدید و کارا است که از آن می توان به عنوان یک مکمل در کنار ماموگرافی، جهت شناسایی سرطان در زنان دارای پستان های با بافت متراکم، بهره جست. در این مقاله، ابتدا روش تصویربرداری مذکور معرفی و مزایای آن نسبت به سونوگرافی رایج و روش های تصویربرداری دیگر تبیین شده و فواید استفاده از سیستم های کمکی کامپیوتری در شناسایی توده ها روی تصاویر سه بعدی اولتراسوند کل پستان مورد تاکید قرار گرفته است. سپس به جزئیات سیستم های کمکی کامپیوتری جدید جهت شناسایی توده های موجود در تصاویر سه بعدی حاصل از این روش تصویربرداری بررسی شده و روش های مورد استفاده به تفصیل تشریح و محدودیت های آنها مورد بحث قرار می گیرد. در انتها راه حل های بالقوه برای غلبه بر محدودیت های موجود معرفی می گردد.