پایان نامه با واژگان کلیدی نقشه راه، شبکه های عصبی، شبکه های عصبی مصنوعی، روش های ترکیبی

دانلود پایان نامه

نزدیکترین پیکسل و وکسل تعلق می گیرد. حالت تعمیم یافته این روش دسته بندی بر اساس k عدد از نزدیکترین همسایگی ها3 می باشد که در آن برای تعیین کلاس هر پیکسل و یا وکسل از کلاس تعیین شده در مرحله یادگیری مربوط به k پیکسل و یا وکسل مجاور استفاده می شود.از دیگر طبقه بندهای مورد استفاده در این روشها میتوان به روش بیشترین شباهت4 و بیز5 اشاره کرد.
روش های طبقه بندی به دلیل کارآمدی از نظر محسباتی به علت غیر تکراری بودن, بسیار مورد استفاده هستند. اما این روش ها به دلیل استفاده از داده های یادگیری یکسان برای تعداد زیادی از تصاویر باعث ایجاد نتایج جهت دار6 و بدون توجه به تغییرات فیزیولوژیکی و تشریحی می شوند.
2-2-2-3-الگوریتم های خوشه بندی
این روش ها برای خوشه بندی از ویژگی های هر پیکسل و یا وکسل و همسایه مجاورش استفاده می کنند. به طور ساده میتوان گفت که خشه بندی عملیات گروه بندی اجزاء می باشد که اعضای هر گروه داری خواص و ویژگی های مشابه می باشند که این اجزاء همان پیکسل ها و یا وکسل ها, گروه ها همان نواحی قطعه بندی شده می باشند و خواص همان ویژگی های پیکسل ها و یا وکسل ها از قبیل گرادیان,رنگ,چگالی می باشند.
اگرچه لگوریتم های خوشه بندی نیازی به داده های یادگیری ندارند اما به یک قطعه بندی اولیه و تنظیم پارامتر های اولیه نیاز دارند. این الگوریتم ها هم مانند روشهای طبقه بندی نسبت به نویز و عدم یکنواختی شدت روشنایی حساس می باشند.

1Classifier
2Nearest Neighborhood
3K-Nearest Neighborhood (KNN)
4Maximum Likelihood
5 Bayes
6Biased Results
2-2-2-4-میدان های تصادفی مارکوف
مدلسازی میدان های تصادفی مارکوف (MRF) به تنهایی یک روش قطعه بندی نیست اما یک مدل آماری مناسب برای بکارگیری در روش های قطعه بندی می باشد. میدان های تصادفی مارکوف تعامل متقابل بین همسایگی و یا پیکسل ها و وکسل های مجاور را مدلسازی می کند. این ارتباط محلی یک مکانیسم مناسب را برای مدلسازی خواص و ویژگی های متفاوت تصاویر ایجاد می کند. در تصویر برداری پزشکی از این روشها برای در نظر گرفتن این اصل که پیکسل ها و یا وکسل ها متعلق به کلاس پیکسل ها و یا وکسل های مجاور خود می باشند, استفاده می شود. این موضوع را از نظر فیزیکی می توان اینگونه بیان کرد که با استفاده ازین روش ها در ساختارهای آناتومی, احتمال رخ دادن یک ناحیه با تنها یک پیکسل و یا وکسل بسیار ناچیز است.
یکی از مشکلات مدل های میدان های تصادفی مارکوف انتخاب پارامتر های کنترل کننده قدرت تعامل فضایی است به نحوی که انتخاب بالای این پارامترها منجر به قطعه بندی بسیار هموار و از بین رفتن اطلاعات ساختاری مهم می شود. از طرف دیگر روش های میدان های تصادفی مارکوف به طور معمول به الگوریتم هایی با حجم محاسباتی بالا نیاز دارند. با این وجود, میدان های تصادفی مارکوف بطور گسترده ای نه تنها در مدلسازی کلاس های قطعه بندی بلکه در مدلسازی عدم یکنواختی شدت روشنایی که در تصاویر MR وجود دارد و هم چنین مدلسازی خواص بافت مورد استفاده قرار میگیرد.
2-2-3-روش های ترکیبی
روش های ترکیبی به طور عمده روش هایی هستند که نمی توان آنها را در دو دسته بندی قبلی قرار داد و دارای ویژگی هایی از هر دو دسته قبلی می باشند. در اینجا به چند الگوریتم از روش های ترکیبی اشاره می کنیم:
1-رشد دادن ناحیه1
2-شکستن و ادغام کردن2
3-روش های نقشه راهنما3

1Region Growing
2Split and Merge
3Atlas Guided Approach

4-شبکه های عصبی مصنوعی1
2-2-3-1-رشد دادن ناحیه
این روش شاید ساده ترین الگوریتم در میان روش های ترکیبی می باشد. رشد دادن ناحیه روشی برای استخراج نواحی متصل در یک حجم سه بعدی یا تصویر دو بعدی براساس معیارهای اتصال از پیش تعریف شده می باشد. این معیار ها می توانند به سادگی شدت روشنایی پیکسل و یا وکسل و یا خروجی یک الگوریتم قطعه بندی باشد. در ساده ترین حالت, رشد دادن ناحیه به یک نقطه مرجع2 برای شروع نیاز دارد و از آن نقطع مرجع الگوریتم تا زمانی که معیار اتصال ارضا شود, رشد پیدا می کند.
همانند روش آستانه گذاری, روش رشد دادن ناحیه ساده می باشد ولی به طور عمده به تنهایی برای قطعه بندی استفاده نمی شود. به طور عمده این روش به عنوان بخشی از یک الگوریتم پیچیده قطعه بندی برای بدست آوردن یک مفهوم کلی از داده قبل از قطعه بندی پیچیده مورد استفاده قرار می گیرد.
مشکل اولیه این الگوریتم این است که انتخاب نقاط مرجع به صورت دستی انجام میگیرد. علاوه بر این این الگوریتم به نویز حساس بوده است و در حالت سه بعدی تاثیر حجم ناتمام باعث ایجاد گسستگی و حفره در ناحیه قطعبه بندی شده می شود.
2-2-3-2-شکستن و ادغام کردن
این الگوریتم مشابه الگوریتم رشد دادن ناحیه است. این الگوریتم نیاز به سازماندهی داده های ورودی به صورت یک ساختار شبکه ای هرمی از نواحی دارد که هر ناحیه به صورت 8 تایی (برای حالت سه بعدی) سازماندهی شده است. هر ناحیه میتواند به 8 زیر ناحیه شکست شود و نواحی 8 تایی مناسب ادغام شده و یک ناحیه را تشکیل دهند. در این الگوریتم هم مانند روش رشد دادن ناحیه معیار ادغام نواحی میتواند هر شرطی, از قبیل شروطی ساده همانند شدت روشنایی پیکسل و یا وکسل ویا شروطی بر مبنای خروجی الگوریتم های قطعه بندی مراحل قبل, انتخاب شود.
مهمترین مزیت این روش نسبت به الگوریتم رشد دادن ناحیه عدم نیاز به انتخاب نقاط مرجع و در نتیجه عدم تداخل کاربر در آن می باشد.اما عیب این روش نیاز آن به ساختار شبکه ای هرمی اشت که با توج
ه به حجم زیاد

1Artificial Neural Network (ANN)
2Seed Point
داده ها روش مقرون به صرفه ای نیست.
2-2-3-3-روش های نقشه راهنما
روش های نقشه راهنما از یک نقشه یا نمونه استاندار برای انجام قطعه بندی استفاده می کنند. این نقشه با گرد هم آوردن اطلاعات مربوط به ساختاری1 که هدف قطعه بندی است, ایجاد می شود و پس از آن ازین نقشه برای قطعه بندی دیگر تصاویر استفاده می شود. روش های نقشه راهنما مسئله قطعه بندی را همچون یک مسئله ثبت2 در نظر می گیرند. در ابتدا یک تبدیل یک به یک جهت تصویر کردن یک تصویر نقشه از قبل قطعه بندی شده بر روی تصویر هدف که نیازمند قطعه بندی است پیدا می شود که اغلب این عملیات با عنوان چرخش نقشه3 شناخته می شود. این چرخش را می توان با استفاده از تبدیلات خطی انجام داد.
روش های نقشه راهنما به طور گسترده در تصاویر MR مغز مورد استفاده قرار گرفته است. از مزایای این روش انتقال برچسب ها علاوه بر قطعه بندی می باشد. مهمترین عیب این الگوریتم مربوط به تغییرات ساختاری است. برای رفع این عیب تبدیلات خطی و غیر خطی زیادی استفاده شده است. با این حال قطعبه بندی دقیق ساختار های پیچیده بسیار دشوار است. با این وجود این روش برای قطعه بندی ساختارهایی که در مجموع پایدار4 هستند مناسب است.
2-2-3-4-شبکه های عصبی مصنوعی
الگوریتم های رایج قطعه بندی مبتنی بر اطلاعات ساختاری اغلب به تخصص قابل توجه کاربر نیازمند است. روشهای مبتنی بر شبکه های عصبی مصنوعی (ANN) در تلاشند که تا حدودی این مشکل را برطرف سازند. شبکه های عصبی مصنوعی شبکه های موازی بزرگی از راس ها و المان های عملیاتی هست که یادگیری بیولوژیکی را شبیه سازی می کنند. هر راس در این شبکه توانایی انجام محاسبات اولیه را دارا می باشد. در این شبکه, یادگیری از طریق تطبیق وزن های اختصاص داده شده به اتصالات بین رئوس انجام میگیرد. با وجود اینکه شبکه های عصبی مصنوعی ذاتا موازی هستند اما به دلیل پیاده سازی آن ها بر روی کامپیوتر های استاندارد سری, مزایای پتانسیل محاسباتی آن ها کاهش می یابد.

این مطلب مشابه را هم بخوانید :   منابع پایان نامه ارشد با موضوعانحراف معیار

1Anatomy
2Registration
3Atlas Warping
4Stable

فصل سوم

مدلهای قابل تغییر شکل

3-مدلهای قابل تغییر شکل پارامتری

3-1-مقدمه

استخراج سطح یکی از مهمترین بخش های پردازش و تحلیل تصاویر سه بعدی است.این موضوع در زمینه های متعددی از پردازش تصویر از جمله پردازش تصاویر پزشکی, ردیابی بصری1, تخمین حرکت2, بازسازی سطوح3 , استخراج ویژگی4 کاربرد بسیار و تاثیر گذاری دارد. مهمترین چالش در این امر, استخراج اطلاعات سطح بالا از داده های تصویری سطح پایین و در عین حال کاهش اثرات مخرب در عمل قطعه بند از قبیل نویز, به هم ریختگی پس زمینه5, عدم یکنواختی شدت روشنایی و کانتراست می باشد. مدل های قابل تغییر شکل که در قالب سه بعدی با نام مدل های سطوح فعال شناخته می شوند, عملکرد بسیار مناسبی را برا استخراج سطوح در تصاویر سه بعدی نشان داده اند.
اساس کار مدل های سطوح فعال مبتنی بر تغییر شکل یک مدل قابل تغییر شکل تحت تاثیر انرژی داخلی, که بر مبنای دانش پیشین می باشد, و انرژی خارجی, که بر مبنای تصویر محاسبه می شود, و حرکت این مدل به سمت سطح مورد نظر برای استخراج می باشد. به طور کلی انرژی داخلی وظیفه هموار سازی, انعطاف پذیری و

1Visual Tracking
2Motion Estimation
3Surface Reconstruction
4Feature Extraction
5Background Clutter

حفظ یکپارچگی سطح و انرژی خارجی وظیفه تغیرر شکل و حرکت سطح به سمت مرز نهایی را بر عهده دارند. با توجه به ساختار و عملکرد الگوریتم های سطوح فعال, می توان آنها را به دسته کلی مدل های پارامتری و مدل های غیر پارامتری تقسیم بندی کرد.
به طور کلی می توان گفت مدل های پارامتری سطوح فعال توانایی استخراج سطوح با انحنای بالا به ویژه در تصاویر نویزی را بدون تنظیم پارامتر ها ندارند و پیچیدگی محاسباتی آنها به تعداد رئوس موجود در سطح وابسته است. در مقابل روش های غیر پارامتری نسبت به مقدار دهی اولیه مستقل بوده و توانایی استخراج سطوح با انحنای بالای چندگانه را دارا می باشد.با این حال این روش ها بسیار کند بوده و در پردازش سطوح دارای شکستگی و گسستگی ضعیف عمل می کنندو همچنین پیچدگی محاسباتی آنها به تعداد کل وکسل های موجود در تصویر وابسته است و بدیهی است که با توجه به بالا بودن تعداد وکسل ها در تصاویر 3 بعدی, این روش ها دارای پیچیدگی محاسباتی بالایی می باشند. همچنین روش های پارامتری در حفظ یکپارچگی اجسام و استخراج مرزهای دقیق تر و هموار تر عملکرد بهتری نسبت به روش های غیر پارامتری دارند. با این حال تا کنون راهکارای متعددی در جهت رفع نقایص مدل سطوح فعال ارائه شده است که باعث بهبود عملکرد این مدلها و در نتیجه کاربرد روز افزون آنها شده است.[15,14,13,12,11,9]
3-2-مدل های قابل تغییر شکل پارامتری
در بخش به بررسی ساختار و نحوه عملکرد مدلهای قابل تغییر شکل پارامتری می پردازیم.[17,16,6]
3-2-1-بیان ریاضی مدل
مدل های قابل تغییر شکل پارامتری شکلی آزاد از مدل های فعال می باشند که قابلیت تطبیق با اشکال متفاوتی را دارند. همانطور که در شکل 3-1 دیده می شود[16], یک مدل قابل تغییر شکل پارامتری در حالت 3 بعدی با استفاده از سطح پارامتری پیوسته به صورت زیر تعریف می شود:
(3-1) V={v(a,b)}=[x(a,b),y(a,b),z(a,b)],a∈[0,1],b∈[0,1],
و در حالت سطح پارامتری گسسته داریم:
(3-2)
V={v_(i,j) }=[x_(i,j),y_(i,j),z_(i,j) ],i∈[0,q],j∈[0,q],
در اینجا پارامتر های aوb , پارامترهای مدل قابل تغییر شکل در حالت و پیوسته و در حالت گسسته شبکه q*q تایی از رئوس پارامترهای مدل خواهند بود.

شکل 3-1-یک سطح فعال نشان داده شده با استفاده از یک میدان تصادفی[16]

مدل قابل تغییر شکل پارامتری برای مینیمم کردن مجموع انرژی1 ε_tot مدل قابل تغییر شکل v, در فضا و یا زمان تغییر می کند. انرژی مجموع به صورت مجموع دو انرژی داخلی2 ε_int و انرژی خارجی3 ε_ext بیان شده و از نظر ریاضی به صورت زیر نوشته می شود:
(3-3) ε_tot (v)=ε_int (v)+ε_ext (v)
3-2-2-انرژی داخلی مدل
انرژی داخلی ε_int (v), که دانش پیشین را بیان می کند, یک مجموع وزن دار از انرژهای ارتجاعی4,

1Total Energy
2Internal Energy
3External Energy
4Elastic

ε_elastic (v(a,b)), و صفحه باریک1, ε_(thin-plate) (v(a,b)), می باشد که به صورت زیر بیان می شود:
(3-4) ε_int (v)=∫_(a=0)^1▒∫_(b=0)^1▒(ε_elastic (v(a,b))+ε_(thin-plate) (v(a,b)))dadb
(3-5) ε_elastic (v(a,b))=〖α_1 |(∂v(a,b))/∂a|〗^2+α_2 |(∂v(a,b))/∂b|^2
(3-6) ε_(thin-plate) (v(a,b))=〖β_1 |(∂^2 v(a,b))/(∂a^2 )|〗^2+β_2 |(∂^2 v(a,b))/(∂b^2 )|^2+〖2β〗_3 |∂/∂a((∂v(a,b))/∂b)|^2
که در روابط فوق, پارامترهای α_1 و α_2 و β_1 و β_2 و β_3, به ترتیب فاکتور های وزن مربوط به انرژی غشاء2 و صفحه باریک هستند. با وجود اینکه این پارامترها تابعی از مکان فضایی هستند اما در عمل ثابت در نظر گرفته می شوند.
3-2-3-انرژی خارجی مدل
انرژی خارجی ε_ext از طریق انتگرال گیری از تابع پتانسیل انرژی P بر روی سطح قابل تغییر v, محاسبه می شود. رابطه محاسبه این انرژی خارجی مدل قابل تغییر پارامتری برای حالت سه بعدی به صورت زیر می باشد:
(3-7) ε_ext (v)=∫_(a=0)^1▒∫_(b=0)^1▒(P(v(a,b)))dadb
به طور معمول مدل قابل تغییر شکا پارامتری, سطح اولیه (v=v0) را با اعمال پتانسیل کمتر در قسمت مرزهای تصویر به سمت این نواحی سوق می دهد. بنابراین انرژی پتانسیل P بیانگر تابعی از اندازه گیری انجام شده از تصویر می باشد. به طور مثال این اندازه گیری می تواند گرادیان تصویر باشد.پس داریم:
(3-8) P=-γ〖(g(I))〗^2
که در آن تابع گرادیان, g, به یکی از دو صورت زیر می تواند بیان شود:
(3-9) g(I)=(|∇I|)
(3-10)

دیدگاهتان را بنویسید