X(N_i) بردار شدت روشنایی پیکسل­های داخل پنجره s*s به مرکزیت پیکسل i، فاصله اقلیدسی وزندار (با نقاب گوسین) بین دو پنجره همسایگی حول پیکسل­های i و j است. h پارامتر درجه فیلترسازی، میزان نزول تابع نمایی را تعیین می­نماید. در روش پیشنهادی خود، ژائو و همکارانش این پارامتر را برای هر پیکسل به صورت سازگار و جداگانه تعیین نموده ­اند. این پارامتر با توجه به پنجره بزرگ اطراف هر پیکسل و با محاسبه فاصله ساختار همسایگی همه پیکسل­های درون پنجره با ساختار همسایگی پیکسل موردنظر تعیین گردید. در پنجره­هایی که میزان نویز زیاد باشد، اندازه این پارامتر بزرگ انتخاب می­ شود و برعکس.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۴-۷ خلاصه فصل
در این فصل انواع روش­های بخش­بندی تصاویر معرفی و به طور اجمالی بررسی گردیدند. بعضی از روش­های مبتنی بر خوشه­بندی پیکسل­های تصویر، پیکسل­ها را بر اساس ویژگی­های شدت­ روشنایی، بافت و غیره دسته­بندی می­ کنند. این روش­ها به دلیل عدم به کار بردن اطلاعات مکانی پیکسل­ها، از بخش­بندی تصاویر آلوده به نویز عاجز بوده و نتایج مطلوبی ایجاد نمی­کنند. در مقابل روش­هایی که روابط همسایگی پیکسل­ها را در کنار ویژگی­های دیگر تصویر به کار می­برند، به خوبی تصاویر را بخش­بندی می­نمایند.
فصل ۵
راه­کار پیشنهادی
همان­طور که در فصل قبل ذکر شد، بخش­بندی تصویر بدون استفاده از اطلاعات مکانی و روابط همسایگی پیکسل­ها موجب نتایج ضعیف و غیرقابل ­قبولی به خصوص برای تصاویر نویزدار خواهد شد. همچنین بر اساس این اصل که پیکسل­های همسایه در تصویر مشابه بوده و دارای همبستگی هستند، احتمال آن که این پیکسل­ها متعلق به یک کلاس باشند، زیاد است. در این فصل با بهره گرفتن از اصول فوق ابتدا روشی به منظور جمع­آوری اطلاعات همسایگی پیکسل­ها، در پنجره همسایگی بزرگ پیرامون هر پیکسل جهت به دست آوردن ویژگی میانگین وزن­دار غیرمحلی^[۲۸] [۱۰] معرفی می­گردد و سپس در بخش دوم با ترکیبی از الگوریتم رقابت استعماری بهبود یافته و روش خوشه­بندی K-means، جهت خوشه­بندی پیکسل­های تصویر با بهره گرفتن از ویژگی­های به­ دست ­آمده از مرحله قبل و سپس اعمال پس­پردازشی ساده بر روی تصویر نتیجه آشنا
می­شویم که الگوریتم پیشنهادی ^[۲۹]NLICA نامگذاری شده است.
تحلیل مؤلفه­ های اصلی بردارهای تکه­های تصویر برای تعیین پارامتر انحراف معیار محاسبه وزن پیکسل­ها
عملگر انقلاب
جمع­آوری اطلاعات غیرمحلی پیکسل­ها (ویژگی میانگین غیرمحلی)
جابجایی استعمارگر و بهترین مستعمره
رقابت استعماری
ایجاد کشور­های اولیه (هر کشور شامل k مرکز خوشه)
حذف استعمارگرهای ضعیف
بررسی شرط خاتمه
تعیین کشورهای استعمارگر و تقسیم مستعمرات بین آنها
حرکت استعمارگرها به سمت بهترین استعمارگر
جابجایی بهترین استعمارگر با بهترین جواب کاندید (اطراف استعمارگر)
جذب مستعمرات به سمت استعمارگر­ها
پس­پردازش
تصویر بخش­بندی ­شده
شکل ۵-۱: کارنمای روش پیشنهادی
۵-۱ جمع­آوری اطلاعات غیرمحلی تصویر
در روش پیشنهادی به منظور جمع­آوری اطلاعات مکانی و روابط همسایگی برای هر پیکسل، میانگین وزن­دار پیکسل­های اطراف آن به عنوان ویژگی جهت استفاده در خوشه­بندی پیکسل­ها محاسبه می­ شود. اطلاعات غیرمحلی همچنین برای از بین بردن اثر نویز موجود در تصویر به کار می­رود. پس از استخراج ویژگی میانگین وزن­دار غیرمحلی برای همه پیکسل­های تصویر، برای خوشه­بندی پیکسل­های تصویر بر اساس ویژگی­های به دست ­آمده، از ترکیب الگوریتم رقابت استعماری بهبود یافته و الگوریتم K-means استفاده می­گردد.
۵-۱-۱ محاسبه وزن در جمع­آوری اطلاعات غیرمحلی
همان­طور که اشاره شد، اطلاعات غیرمحلی هر پیکسل به وسیله میانگین وزن­دار پیکسل­های واقع در پنجره نسبتاً بزرگ پیرامون آن و به مرکزیت آن پیکسل به دست می ­آید که پیکسل­هایی از پنجره که دارای ساختار همسایگی مشابه با ساختار همسایگی پیکسل مرکزی باشند، وزن بیشتری داشته و به پیکسل­های با پیکربندی متفاوت از پیکسل مرکزی، وزن کمتری اختصاص می­یابد. مقایسه ساختار همسایگی به صورت محاسبه فاصله اقلیدسی وزن­دار شدت روشنایی پیکسل­های قرارگرفته در پنجره کوچک s*s حول پیکسل مرکزی و پیکسل­های درون پنجره s*s پیرامون پیکسل مورد مقایسه انجام می­گیرد. در شکل زیر نمونه ­ای از همسایگی غیرمحلی پیکسل مرکزی با ابعاد r*r و همسایگی کوچک s*s پیرامون پیکسل مرکزی نشان داده شده است.

پنجره همسایگی کوچک
پیکسل مرکزی
پنجره همسایگی بزرگ
شکل ۵-۲: همسایگی محلی و غیرمحلی پیکسل مرکزی [۹]
در این پژوهش برای محاسبه وزن­های پیکسل­ها، به جای استفاده از همسایگی­های پیکسل­های تصویر ورودی، از همسایگی­های تصویر نویززدایی ­شده با صافی^[۳۰] پایین­گذر گوسین^[۳۱] و همچنین از تصویر جزئیات بهره گرفته شده است. نقاب گوسین جزء صافی­های پایین­گذر بوده و فرکانس­های بالا را از خود عبور
نمی­دهد. نویز و جزئیات تصویر جزء مؤلفه­ های فرکانس بالای تصویر می­باشند و بنابراین استفاده از این نقاب علاوه بر کاهش اثر نویز، باعث از بین ­رفتن یا تضعیف جزئیات تصویر ورودی مانند لبه­ها، در تصویر نویززدایی شده می­گردد. میزان فیلتر کردن (صاف ­کردن) تصویر با نقاب گوسین، با پارامتر واریانس ( ^۲σ ) این نقاب تعیین می­ شود که با افزایش واریانس، میزان صاف ­شدن تصویر زیاد و تأثیر نویز کم­رنگ­تر می­گردد. در
روش ­پیشنهادی در تصاویر بدون ­نویز میزان پارامتر واریانس را عدد کوچکی در نظر گرفته­ایم تا میزان جزئیات محو شده در تصویر پیش­پردازش ­شده را به حداقل برسانیم و در تصاویر نویزدار از نقاب گوسین با پارامتر واریانس ۱ استفاده شده است. تصویر باقیمانده^[۳۲]، از اختلاف بین تصویر ورودی (نویزدار) و تصویر
نویززدایی ­شده به دست می ­آید و تصویر جزئیات حذف ­شده تصویر اصلی، حاصل نویززدایی و از بین ­بردن اثر نویز در تصویر باقیمانده می­باشد. به منظور تقلیل اثر نویز موجود در تصویر باقیمانده، از نقاب میانگین معمولی با اندازه ۳*۳ استفاده شده و تصویر به دست ­آمده از اعمال نقاب میانگین بر روی تصویر باقیمانده، شامل جزئیات تصویر مانند لبه­های ضعیف می­باشد.
۹/۱ ۹/۱ ۹/۱
۹/۱ ۹/۱ ۹/۱
۹/۱ ۹/۱ ۹/۱
شکل ۵-۳: نقاب میانگین با اندازه ۳*۳
نقاب میانگین ۳*۳ علاوه بر تقلیل اثر نویز، به دلیل اندازه کوچکی که دارد، موجب حفظ جزئیات ضعیف موجود در تصویر باقیمانده می­ شود. اگر x تصویر اصلی بدون ­نویز، y تصویر نویزدار، تصویر نویززدایی ­شده با صافی گوسین باشد، آنگاه تصویر باقیمانده برابر است با:

(۵-۱)