دانلود پایان نامه درمورد 
نقطه مرجع No category

کاربردهای مرتبط به تشخیص لبه ها به ندرت دارای کاربرد است زیرا مشتقات مرتبه دوّم به صورت غیر قابل قبولی به نویز حساس میباشند و اندازه آن منجر به تولید لبه های دوتایی میشود.
2-8-4-2-2. تشخیص لبه به روش Sobel
تشخیص لبه به روش Sobel را میتوان با استفاده از فیلترینگ تصویر پیاده سازی نمود. الگوهای استفاده شده در این روش لبه های افقی و عمودی را جداگانه آشکار میکنند. فیلتر متوسط گیر در این روش شبیه فیلتر گوسی است بخاطر همین این روش در برابر نویز سفید مقاوم تر است.

2-8-4-2-3. تشخیص لبه به روش Canny
تشخیص دهنده ی Cannyقوی ترین روش تشخیص لبه به کمک تابع Edge میباشد این الگوریتم از 3 قسمت اصلی تشکیل شده است:
1. تضعیف نویز
2. پیدا کردن نقاطی که میتوانند به عنوان لبه در نظر گرفته شوند.
3. حذف نقاطی که احتمال نقطه ی لبه بودن آن ها کم است.
این روش برای پیدا کردن لبه ها در جاهایی که شدت سطح خاکستری سریعاً تغییر کرده است استفاده میشود. این روش دارای قدرت زیادی در آشکار سازی لبه است. تابع Canny براساس کانولوشن یک تابع گوسی و مشتقات آن با تصویر اصلی میباشد.

2-8-4-3. الگوریتم یافتن دایره تبدیل هاف(CHT)
یکی از معمول ترین مشکلات در زمینه بینایی و پردازش تصاویر در علوم کامپیوتر و الگوریتم نویسی پیدا کردن جهت و مکان اشیاء خاص در تصویر است. تبدیل هاف میتواند برای اشکال مختلف مورد استفاده قرار گیرد ولی بدین شکل که باید پیچیدگی های آن بالا رود که دلیل آن تعریف پارامترهای بیشتر برای اشکال پیچیده تر است. معمولاً زمان الگوریتم هم بالا میرود. تبدیل هاف میتواند بعنوان تغییر شکل یک نقطه (x,y)در فضا معرفی شود. فضای مورد نظر براساس شکل دلخواهی که ما به آن علاقمند هستیم، تعریف میشود. (رامهرمزی1،1391) برای مثال یک خط مستقیم که از دو نقطه (x1,y1) و (x2,y2) می گذرد در فضای کارتزین به صورت معادله ی (2-1) تعریف می شود.
y=ax+b (2-1)
این معادله برای خط راست در سیستم کارتزین است بطوری که a,b پارامترهای خط را نشان میدهد، البته این معادله در هنگامی که a بی نهایت باشد یعنی برای خطوط عمودی کارایی ندارد. روش دیگر برای نشان دادن خط میتواند به صورت معادله (2-2) باشد که پارامترهای مختلف از حالت قبلی دارد.
(2-2)
که دارای پارامترهای? و ? است که پارامتر اول طول خط و پارامتر دوم زاویه را نشان میدهد. در این سیستم مقدار زاویه وابسته به رزولوشن مورد استفاده محدود است.
مقدار طول خط که یکی دیگر از پارامترها است از طریق معادله زیر بدست می آید:
(2-3)
به همین منوال میتوان پارامترهای دایره را نیز تعریف نمود. برای دایره سه پارامتر میتوان در نظر گرفت که تحت عنوان a,b,r معرفی میشوند. دو مقدار a,b بیانگر مرکز دایره و x,y جهت نقاط را در زوایای مختلف نشان میدهند. r هم شعاع دایره است، پس دایره به صورت پارامتری به صورت معادله ی(2-4) و (2-5) تعریف می شود.
(2-4)
(2-5)

پارامترهای دایره متعلق به فضای سه بعدی R3 است، در صورتی که خط مربوط به فضای دو بعدی R2 است. با اضافه شدن پارامترهای جدید ابعاد فضا هم بالاتر میرود که بدنبال آن زمان اجرا و پیچیدگی الگوریتم بالا میرود. اما در کل تبدیلات هاف مربوط به فضای دوبعدی و حداکثر سه بعدی است. برای سادگی در الگوریتم میتوان یک پارامتر را ثابت در نظر گرفت مانند شعاع در دایره که به سادگی الگوریتم کمک میکند.
اگر الگوریتم پیدا کردن دایره را در روش تبدیل هاف (پدرسون 24،2007) مورد بررسی قرار گیرد میتوان راهکار زیر را دنبال کرد، ابتدا باید تمامی لبه ها را در تصویر پیدا کرد یعنی با این پیش فرض جلو رفت که دایره های مورد نظر در سیستم های تشخیص لبه که در پردازش استفاده میشود، خود را نشان دهد این مرحله ربطی به تبدیل هاف ندارد و بستگی کامل به الگوریتم تشخیص لبه ای است که مورد استفاده قرار میگیرد که میتواند یک الگوریتم ساده مانند canny، Sobel باشد یا یک روش ترکیبی که برای بهبود تشخیص است بکار رفته باشد. در مرحله بعدی می توان برای هر نقطه ای که در مرحله قبل تشخیص داده شده است یک دایره با یک شعاع ثابت رسم کرد به طوری که مرکز دایره همان نقطه انتخابی است. مختصات نقطه انتخابی همان مقادیر a,b و پارامتر z همان شعاع انتخابی برای دایره های رسم شده است.

تصویر(2-6) ترسیم دایره برای نقاط لبه با پارامترهای مشخص
در این قسمت باید یک ماتریس هم اندازه با تصویر تولید کرد به نام ماتریس تجمع، توسط ماتریس تجمع میتوان مرکز دایره موجود در شکل را پیدا کرد. در این ماتریس هر گاه دایره ای رسم شد به پیکسل هایی که روی محیط این دایره باشد اضافه میشود. اگر برای همه نقاط موجود در تصویر لبه، دایره را برای شعاع خاص رسم شود و دایره ای با این شعاع در تصویر وجود داشته باشد مرکز این دایره در ماتریس تجمع ماکزیمم مقدار دارد. معمولاً محدوده ایی از شعاع ها را برای تصویر اجرا میکنند که حدس زده میشود شعاع دایره موجود در تصویر در آن رنج است. مثلاً برای تشخیص عنبیه هر پایگاه داده شعاع مینیمم و ماکزیمم متفاوت دارد که باید آن را بدست آورده و بعد از آن الگوریتم را مورد استفاده قرار داد.
الگوریتم تبدیل هاف شامل مراحل زیر است:
1. پیدا کردن نقاط لبه
2. شروع الگوریتم
3. رسم دایره برای هر نقطه از لبه
4. پیدا کردن نقطه ماکزیمم در ماتریس تجمع
5. پایان الگوریتم
6. ذخیره a,b,r
ماتریس تجمع یک ماتریس سه بعدی است. البته اگر شعاع ثابت در نظر گرفته نشود بعد سوّم به شدّت رشد میکند و پیچیدگی و زمان الگوریتم به سرعت بالا میرود. سرعت محاسبات بستگی معکوس به اندازه تصویر، نقاط لبه و رنج شعاع دارد. به تعداد شعاع های موجود در رنج ماتریس تجمع، بعد سوم دارد یعنی به ازای هر شعاع یک ماتریس تجمع دو بعدی هست که نقاط ماکزیمم دوران آن مرکزهای احتمال دایره ها با شعاع مربوطه هستند. برای پیدا کردن مرکز دایره میتوان به ازای هر شعاع یعنی هر بعد سوّم دو بعد دیگر را مورد بررسی قرار داد. نقاط ماکزیمم را در ماتریس های دو بعدی پیدا کرد نقطه ماکزیمم همان مرکز دایره و شماره ماتریس هم همان شعاع است.
تبدیل هاف برای تشخیص اشکال مختلف در تصویر است که این تبدیل برای تشخیص دایره هم کاربرد دارد. برای پیدا کردن عنبیه از تبدیل هاف برای دایره میتوان استفاده نمود.

این مطلب رو هم توصیه می کنم بخونین:   منابع پایان نامه ارشد درمورد بیوفیلم، تشکیل، UPEC

تصویر (2- 7) لبه ها برای جدا سازی با روش تبدیل هاف

2-8-5. نرمال سازی
2-8-5-1. مروری کوتاه بر روش های نرمالیزه کردن
2-8-5-1-1. روش ارائه شده توسط داگمن
مدل پیشنهادی داگمن که در بیشتر مقالات به آن استناد شده است بدین صورت میباشد که در فرآیند تبدیل داگمن، هر نقطه موجود در ناحیه عنبیه به یک جفت در مختصات قطبی(r,?) تبدیل میشود که در آن r شعاعی در فاصله [0,1] و? زاویه ایی در حوزه [0,2?]است. نگاشت عنبیه از مختصات کارتزین (x,y) به یک مختصات نرمالیزه شده و غیر هم مرکز قطبی توسط معادله (2-6) توصیف میشود.
(2-6)

که در آن I (x, y) ناحیه عنبیه در تصویر ورودی، (x, y) مختصات کارتزین نقاط ورودی،(r, ?) مختصات نرمالیزه شده قطبی متقابل، yl, xl , yp , xp مختصات های نقاط موجود روی مرزهای مردمک و عنبیه در راستای ?، میباشند. مدل ارائه شده توسط داگمن دربرگیرنده مسائلی از قبیل بزرگ شدن عنبیه در اثر تغییر نور محیط و ناسازگاری اندازه عنبیه در تصاویر است تا بتوان یک نمایشی با ابعاد ثابت از عنبیه ارائه دهد. بدین ترتیب ناحیه عنبیه به صورت یک نوار نگاشته شده، با در نظر گرفتن مرکز مردمک به عنوان نقطه مرجع و مرزهای داخلی و خارجی عنبیه نمایش داده میشود. با وجود این موضوع که این مدل دربرگیرنده تغییر اندازه مردمک، فاصله متغیّر از دوربین تصویربرداری و غیر هم مرکز بودن مردمک و عنبیه در بعضی تصاویر نیز هست، امّا راه حلی برای مسئله چرخش سر یا چشم ارائه نمیدهد. در سامانه داگمن، چرخش به صورت انتقال بردار ویژگی در راستای مرحله تطابق در نظر گرفته شده تا اینکه دو کد موجود در یک راستا قرار گیرند.

تصویر (2-8) چگونگی نگاشت دیسک عنبیه بر روی نواری با ابعاد دلخواه. این شکل الگورِِیتم نرمالیزه کردن داگمن را به صورت تصویری بیان می دارد.
2-8-5-1-2. روش دایره های مجازی
در روش ارائه شده توسط بولز تصاویر عنبیه ابتدا طوری پیمایش میشوند که دارای قطر یک اندازه باشند. و وقتی دو تصویر را با هم مقایسه میکنیم، یکی را بتوان به عنوان تصویر مرجع در نظر گرفت. این روش نسبت به بقیه کارکرد متفاوتی دارد زیرا که نرمال سازی به معنای قبلی صورت نمیپذیرد تا اینکه دو ناحیه عنبیه را با هم مطابقت دهیم، بلکه نرمال سازی و ذخیره سازی نتایج، برای مقایسات بعدی اتّفاق میافتد. هنگامی که دو تصویر عنبیه دارای ابعاد یکسانی باشند، ویژگی ها از نواحی عنبیه با استخراج و ذخیره سازی مقادیر شدّت نور در راستای دایره های هم مرکز صورت میگیرد، که مرکز همه آن ها مرکز مردمک است. بدین ترتیب یک نوع نرمال سازی انجام میشود زیرا که تعداد نقاط استخراج شده از هر تصویر عنبیه یکسان میباشد. در حقیقت این همان ایده داگمن است که عامل تناسب انتخاب شده در اینجا بستگی به اندازه ناحیه عنبیه که میخواهیم تطابق را صورت دهیم دارد و متغیّر است در صورتی که در نگاشت داگمن با یک شکل با ابعاد ثابت سروکار داریم. به عبارت دیگر در سامانه داگمن ابعاد نگاشت ثابت بوده حال اینکه در اینجا متغیّر است. در ضمن در سامانه بولز حرفی درباره راهکار اتخاذی برای مقابله با مشکل دوران ذکر نشده است.

2-8-6. ماسک گذاری
قبل از استخراج ویژگی باید به این نکته توجه داشت که امکان دارد ما به همه عنبیه دسترسی نداشته باشیم و مقداری از عنبیه توسط پلک ها پوشیده شده باشد، وجود پیکسل هایی که شامل پلک میباشند باعث ایجاد خطا میشود زیرا این پیکسل ها الگوی عنبیه را ندارند و صرفاً پیکسل هایی با رنگ روشن هستند که حاوی اطّلاعات نیستند و اگر به عنوان عنبیه در نظر گرفته شوند در مقایسه ایجاد مشکل میکنند. قبل از استخراج ویژگی باید این پیکسل ها شناسایی شوند و کنار گذاشته شوند تا وارد محاسبات نشوند و بی تأثیر کردن این پیکسل ها ماسک گذاری گفته میشود. تنوع در روش ماسک گذاری بسیار کم میباشد و در اصل ماسک گذاری به ما کمک میکند که خطا را کم کنیم، ولی هر چه مقدار ماسک بیشتر باشد تعداد پیکسل های درگیر در محاسبات کمتر میشوند و اعتماد به نتیجه کمتر میشود. پس تا جایی که امکان دارد باید تأثیر ماسک گذاری کم شود.
رویکردی برای کم کردن تأثیر ماسک را بررسی میکنیم، برای این رویکرد دو محور اصلی را بعنوان محور اصلی برای قسمتی از عنبیه که تحت تأثیر پلک قرار نمیگیرند در نظر میگیریم فرض میکنیم که پلک ها اکثراً در اطراف عنبیه میباشد و هر چه از مرز عنبیه به سمت مردمک حرکت کنیم احتمال حضور پلک ها کمتر میباشد پس میتوان با این فرض از قسمت های درونی عنبیه برای استخراج ویژگی استفاده کرد البته مرز درونی هم میتواند تحت تأثیر ناهمواری مردمک قرار گیرد پس باید برای مرز درونی هم آستانه گذاشت و در اصل ناحیه انتخابی یک حلقه میباشد که در سیستم کارتزین یک نوار باریک میباشد که از درون کل عنبیه انتخاب میشود واضح است که هر چه نوار نازک تر باشد

دسته‌ها: No category

دیدگاهتان را بنویسید