تقطیع تصاویر بافتی طبیعی با ایده گیری از مکانیزم بینایی طبیعی

چکیده تقطیع یا بخش بندی تصویر یکی از ابزارها و مراحل مهم در تجزیه و تحلیل تصویر و تشخیص اشیا بوده، جزء مباحث پایه ای در سیستم های هوشمند بینایی ماشین به حساب می آید. بخش بندی مبتنی بر بافت تصویر، زیر مجموعه ایی از بخش بندی تصویر است و عبارت است از افراز تصویر به چندین زیر ناحیه به گونه ای که هر زیر ناحیه از ویژگی بافتی یکسانی برخوردار باشد. بخش-بندی بافت تصویر می تواند به کاربردهای مختلفی از جمله درک صحنه های پیچیده که متکی بر تشخیص اشیاء مبتنی بر بافت هستند گسترش یابد. این روش ها هم چنین می توانند در کلیه ی کاربردهایی که مستلزم تجزیه و تحلیل، دسته بندی، و بخش بندی بافت است، مانند بازرسی صنعتی، سنجش از دور، و تحلیل تصاویر پزشکی، با کمی تغییر مورد استفاده قرار گیرند. با وجود پیشرفت های بسیاری که در زمینه بخش بندی بافتی تصویر صورت گرفته است، هنوز هم تقطیع نادرست و توام با خطای یک تصویر در بیشتر الگوریتم های بخش بندی، اجتناب ناپذیر است و در بسیاری از مسائل و برای اغلب تصاویر طبیعی راهی برای تقطیع دقیق تصویر پیشنهاد نشده است. در روش های بخش بندی مبتنی بر دسته بندی یک وجه اشتراک وجود دارد و آن پیدا کردن مهم ترین ویژگی های بصری نواحی مختلف در تصویر است که نواحی را از یکدیگر متمایز می سازد. بافت در بسیاری از تصاویر طبیعی، یکی از ویژگی هاای اصلی بوده و نقش بسیار مهمی را در ماشین بینایی و شناسایی الگو ایفا می کند. تصاویر طبیعی معمولاًدارای بافت های نامنظم وتصادفی اند به همین دلیل تصمیم-گیری در مورد دسته بندی و بخش بندی آن ها، کار ساده ای نیست. از طرفی بافت یک مفهوم ذاتی است و نمونه های مختلف از یک بافت می توانند گونه ی ریز و درشت، جابه جایی و چرخش در اجزا را به همراه داشته باشند. یکی از چالش های موجود در الگوریتم ها، استخراج ویژگی هایی از بافت تصویر است که بیشترین پایداری را در برابر چرخش، تغییر مقیاس و جابه جایی اجزای تصویر از خود نشان دهد. زیرا که معمولاًاکثر الگوریتم-ها از فقدان این قابلیت ها رنج می برند. به همین منظور، در این پژوهش الگوریتمی بنام hmax به منظور استخراج ویژگی های بافتی انتخاب شده است. این الگوریتم با سیستم بینایی طبیعی منطبق است و از سیستم بیولوژیکی مغز و بینایی انسان در فرایند تشخیص اشیا ایده می گیرد و به طور قابل توجهی در برابر تغییر مقیاس، جابه جایی و چرخش اجزای تصویر پایدار است. این تحقیق به سه بخش کلی دسته بندی، بخش بندی، و بهینه-سازی پارامترهای بخش بندی تقسیم بندی شد که بر مبنای دو روش استخراج ویژگی پیشنهادی hmax و پایه انجام گردیده است. روش استخراج ویژگی پایه از بانک فیلترهای گابور جهت مقایسه و ارزیابی نتایج حاصل از الگوریتم پیشنهادی، بهره گرفته است. به منظور آزمایش الگوریتم های پیشنهادی در دسته بندی و بخش بندی، از ترکیب های متفاوتی از تصاویر بافتی طبیعی و تصادفی موجود در مجموعه داده استاندارد vistex استفاده شده است. از آن جایی که تصاویر بافتی مورد استفاده در این پژوهش ساختار تصادفی و پیچیده ای دارند و ذاتاً از نظم و قاعده ی خاصی پیروی نمی کنند، الگوریتم پیشنهادی توانسته است دقت مناسبی در متمایز ساختن دسته های بافتی و برچسب گذاری صحیح تصاویر آزمایشی از خود نشان دهد. در پی دسته بندی موفق، آزمایش های مربوط به بخش بندی مبتنی بر دسته بندی در سه مرحله-ی کلی استخراج ویژگی بوسیله ی الگوریتم hmax، اعمال شبکه عصبی بر فضایی از ویژگی های به دست آمده و در نهایت دو روش برچسب گذاری تک تک پیکسل های تصویر و اختصاص آن ها به بافت های مختلف تشکیل دهنده ی تصویر، انجام شده است. بخش بندی پیشنهادی از درصد مناسب تشخیص نواحی بافت های مختلف برخوردار است و دقت قابل توجهی در تفکیک بافت های مشابه در مرزها از خود نشان داده است. همچنین بهینه سازی پارامترهای بخش بندی، تا حدی افزایش دقت و کاهش حجم محاسبات سیستم را به همراه داشت. نتایج بدست آمده هم از لحاظ بصری و هم از لحاظ محاسباتی نشان دهنده ی آن است که روش پیشنهادی hmax در بیشتر آزمایش ها در مقایسه با روش بانک فیلتر های گابور دقت بالاتری داشته است.