بخش‌بندي تصاوير رنگي بيروني به هدف تشخيص اشياء به كمك هيستوگرام با دقت دوگانه
محورهای موضوعی : عمومىجواد راستي 1 , سید امیرحسن منجمی 2 , عباس وفایی 3
1 - مهندسی پزشکی
2 - اصفهان
3 - دانشگاه اصفهان
کلید واژه: تصاوير بيروني, خوشه‌بندي, بخش‌بندي رنگي, دقت تصوير.,
چکیده مقاله :
يكي از مسايل مهم در پردازش خودكار تصاوير بيروني، نحوه بخش‌بندي اين تصاوير به هدف تشخيص شيء در آنها مي‌باشد. مشخصات خاص اين تصاوير از جمله تنوع رنگ، اثرات نوري متفاوت، وجود سايه‌هاي رنگي، جزييات بافتي زياد و وجود اشياء كوچك و ناهمگن باعث مي‌شود مسأله بخش‌بندي تصاوير بيروني به ويژه بخش‌بندي رنگي با چالش‌هاي جدي مواجه شود. در تحقيقات قبليبراي خوشه‌بندي رنگي تصاوير بيروني به هدف بخش‌بندي ابتدايي، روشي مبتني بر الگوريتم خوشه‌بندي k-means در بستري با دقت چندگانه پيشنهاد شده بود.اين روش با استفاده از محو عمدي جزييات بافتي تصوير و حذف كلاسهاي محرز در تصاوير محو شده و سپس اضافه كردن كلاسها در تصاوير با دقت بالاتر، كارايي مناسبي براي بخش‌بندي ابتدايي اين تصاوير در مقايسه با روش k-means عادي نشان مي‌داد.در اين مقاله، يك روش تطبيق‌پذير با تصوير با استفاده از هيستوگرام حلقوي ته‌رنگ براي تشخيص كلاسهاي محرز در تصاوير محوشده در بستري با دقت دوگانه پيشنهاد گرديده است.كارايي اين الگوريتم به كمك يك روش ارزيابينظارت‌شده روي دو پايگاه داده از تصاوير بيروني بررسي شده كه حدود 20% كاهش خطاي پيكسلي در بخش‌بندي و نيز دقت و حدود 30% سرعت بيشتر در همگرايي الگوريتم خوشه‌بندي، نشانگر كيفيت بالاتر روش پيشنهادي نسبت به روش عادي است.
One of the important issues in the automatic processing of external images is how to divide these images for the purpose of recognizing something in them. The special characteristics of these images, including color diversity, different light effects, the presence of colored shadows, many texture details, and the existence of small and heterogeneous objects, make the problem of segmentation of external images, especially color segmentation, face serious challenges. In previous researches, a method based on the k-means clustering algorithm was proposed in a multi-accuracy bed for color clustering of external images for the purpose of primary segmentation. This method uses deliberate blurring of image textural details and removal of specific classes in blurred images and then added The classification of classes in images with higher accuracy showed a suitable performance for the initial segmentation of these images in comparison with the normal k-means method. In this article, an image-adaptive method using the ring histogram of the dark color to identify specific classes in blurred images in the bed is presented. It has been proposed with double precision. The efficiency of this algorithm has been investigated with the help of a supervised evaluation method on two databases of external images, which shows a 20% reduction in pixel error in segmentation, as well as a 30% higher accuracy and speed in the convergence of the clustering algorithm, indicating a higher quality. The proposed method is better than the normal method.