پایان نامه با واژگان کلیدی ریخت شناسی، پردازش تصویر، روش های طبقه بندی، روش های ترکیبی

دانلود پایان نامه

فهرست شکل ها
عنوان صفحه
جدول 1-مقایسه عملکرد الگوریتم DAS با الگوریتم 1و 2 89

فصل اول

مقدمه

1-مقدمه

1-1-مقدمه

پردازش و آنالیز تصاویر را می‌توان به عنوان یک ساختار کاربردی و تکنیکی جهت بررسی, تحلیل و استخراج اطلاعات از تصاویر تعریف کرد. قطعه بندی تصاویر یکی از مهمترین و کاربردی ترین مراحل پردازش تصویر می باشد که در کاربردهای بسیاری از قبیل مسایل بینایی ماشین1, استخراج ویژگی2, ردیابی اجسام3, بازسازی سطوح4, تشخیص به کمک کامپیوتر5, پردازش تصاویر پزشکی6 و کاربردهای بسیار دیگر مورد استفاده قرار می گیرد. در این میان, پردازش تصاویر پزشکی با توجه به اینکه یکی از مهمترین ابزار تشخیص, بررسی و درمان بیماری ها برای پزشکان به حساب می آید و کاربرد گسترده ای در زمینه ایجاد تصاویر دو بعدی, سه بعدی و 4 بعدی از بدن و مطالعات آناتومیک و فیزیولوژیک دارند و عمدتا تصویر برداری به صورت غیر تهاجمی7 و بدون ایجاد مشکل برای بیمار انجام می پذیرد, از اهمیت فوق العاده ای برخوردار می باشد.
معمول ترین و مهمترین روش هایی که امروزه برای تصویربرداری پزشکی غیر تهاجمی مورد استفاده قرار میگیرد شامل روش های زیر می باشند:

1 Machine Vision
2Feature Extraction
3Object Tracking
4Surface Reconstruction
5Computer Aided Diagnosis (CAD)
6Medical Image Processing
7Non Invasive

-تصویر برداری با امواج فراصوت1
-تصویر برداری انتشار پوزیترون2
-تصویر برداری رایانه ای تک فوتونی3
-تصویر برداری تشدید مغناطیسی4
-تصویر برداری با اشعه ایکس5
-پرتونگاری کامپیوتری6
یکی از مهمترین گام ها در تحلیل و پردازش تصویر پزشکی قطعه بندی این تصاویر, به معنای مشخص کردن مرز یک یا چند ساختارو یا اعضای آناتومیک بدن, می باشد چرا که این کار باعث ساده سازی در پردازش و استخراج اطلاعات تصویر شده و هم چنین موجب معنی دار شدن بسیاری از قسمت های تصویر می شود. در تصاویر واقعی پزشکی به دلیل عوامل ساختاری مختلفی از قبیل پیچیدگی ساختاری آناتومیک بدن, مجاورت و روی هم افتادگی بعضی از اندام ها و همچنین عوامل خارجی از قبیل وجود نویز, کم بودن وضوح تصاویر, مات شدن تصویر به دلیل حرکت بیمار و یا اعوجاج های ناشی از وسیله تصویر برداری, تصاویر گرفته شده دارای پیچیدگی بسیاری برای قطعه بندی می باشند. از این رو ممکن است بسیاری از الگوریتم ها در تشخیص دقیق و کامل مرز ها و سطوح در تصاویر پزشکی دچار مشکل شوند و این مسئله به یکی از چالش های اساسی در قطعه بندی تصاویر پزشکی تبدیل شده است.
در این میان, با توجه به اینکه تصاویر سه بعدی حاوی اطلاعات ارزشمندی از ساختارهای آناتومیک و بافت های بدن از قبیل حجم, شکل, اندازه, محل,وجود ناهنجاری و تغییر شکل اعضا بدست می دهند, قطعه بندی تصاویر سه بعدی کاربرد روز افزونی در تحلیل تصاویر پزشکی دارا می باشد. به همین جهت ارائه روش ها و مدل هایی جهت افزایش دقت و صحت نتایج قطعه بندی سه بعدی بسیار حائز اهمیت می باشد.

1 Ultra Sound Imaging
2Positron Emission Tomography (PET)
3Single Photon Emission Computed Tomography (SPECT)
4Magnetic Resonance Imaging (MRI)
5X-Ray Tomography
6Computed Tomography Scan (CT Scan)
1-2-خلاصه مسئله
با توجه به کاربرد روز افزون تصاویر سه بعدی به ویژه در علم پزشکی به ویژه به دلیل دارا بودن اطلاعات بیشتر نسبت به تصاویر دو بعدی و امکان پردازش و تحلیل ساده تر برای کاربر, نیاز به ارائه روش های دقیق تر در این زمینه غیر قابل انکار می باشد. از طرفی قطعه بندی تصاویر سه بعدی یکی از گام های اساسی در زمینه پردازش این گونه تصاویر می باشد. تا کنون روش های متعدد و گوناگونی در قالب سه دسته روش های ساختاری1, روش های آماری2 و روش های ترکیبی3 جهت قطعه بندی اینگونه تصاویر ارائه گردیده است.در روش های ساختاری, مبنای الگوریتم بر اساس اطلاعات ساختاری تصویر می باشد.در حالیکه در روش های آماری اساس کار تحلیل آماری و ریاضی داده ها می باشد. هم چنین روشهای ترکیبی سعی در استفاده از خواص دو روش قبلی دارند.
اگرچه گام های مهمی در طرح کلی قطعه بندی تصاویر سه بعدی برداشته شده است, همچنان چالشهای دشوار بسیاری برای این مسئله خصوصا برای تصاویر پزشکی وجود دارد.به عنوان مثال, در اغلب موارد, تصویر حاصل دارای نویز و همراه با کنتراست کم می باشد. از طرفی اثر حرکت بیمار و حجم نسبی در فرآیند تصویر برداری می تواند با تار کردن لبه های بافت به راحتی باعث تخریب کیفیت تصویر می شود. از این رو در این پایان نامه هدف دستیابی به روشی برای قطعه بندی تصاویر سه بعدی با دقت بالا و حساسیت کم نسبت به عوامل مخرب تصویر می باشد. بدین منظور پس از بررسی روش های موجود در قطعه بندی تصاویر سه بعدی و تحلیل یکی از جدیدترین و دقیق ترین الگوریتم ها, الگوریتم بهبود یافته سطوح فعال برای قطعه بندی تصاویر سه بعدی ارائه می شود.
1-3-سرفصل ها
این پایان نامه در قالب 7 فصل تهیه گردیده است.فصل ابتدایی مقدمه ای بر صورت مسئله مورد بررسی در این پایان نامه می باشد. در فصل دوم به پیشینه مسئله قطعه بندی تصاویر و روش های متداول مورد استفاده در این زمینه پرداخته شده است. در فصل سوم ساختار و
عملکرد مدل های قابل تغیر شکل پارامتری مورد بررسی قرار گرفته است. فصل چهارم به بررسی و تشریح الگوریتم سطوح فعال منفصل برای قطعه بندی تصاویر سه بعدی پرداخته شده است. در فصل پنجم روش پیشنهادی جهت بهبود عملکرد الگوریتم سطوح فعال منفصل جهت قطعه بندی تصاویر سه بعدی به تفصیل بیان گردیده است. نتایج روش پیشنهادی و تحلیل آنها در فصل ششم

1Structural Techniques
2Statistical Techniques
3Hybrid Techniques

ارائه گردیده است. در فصل پنجم روش پیشنهادی جهت بهبود عملکرد الگوریتم سطوح فعال منفصل جهت قطعه بندی تصاویر سه بعدی به تفصیل بیان گردیده است. نتایج روش پیشنهادی و تحلیل آنها در فصل ششم ارائه گردیده است. و در نهایت در فصل هفتم نتیجه گیری و پیشنهادات مورد نظر بیان گردیده است.

فصل دوم

پیشینه تحقیق

2-پیشینه تحقیق

2-1-مقدمه

قطعه بندی فرایندی است که تصویر را به قسمتهای همگن تقسیم می کند. بدین معنی که اشیاء مختلف موجود در تصویر، با توجه به کاربرد مورد نظر، از هم جدا میشوند تا تحلیل تصویر در مراحل بعدی راحت تر انجام بگیرد. از جمله موارد کاربردی قطعه بندی در پردازش تصویر است که امروزه در اکثر شاخه ها علمی و صنعتی از قبیل سنجش از راه دور, تصویر برداری اپتیکی و تحلیل تصاویر پزشکی مورد توجه می باشد.
با توجه به اینکه قطعه بندی تصاویر یکی از مراحل ابتدایی برای عملیات پردازش تصویر می باشد, دقت خروجی این مرحله در نتیجه کل پردازش تصویر بسیار مهم و موثر می باشد.از این رو روش های آماری و محاسباتی متعدد و گوناگونی , از روش های ساده و شهودی تا روش های پیچیده ساختاری, در راستای بهبود قطعه بندی تصاویر ارائه شده است.
2-2-مروری بر روش های قطعه بندی
به طور کلی براساس ساختار های متفاوت قطعه بندی, معیار های متفاوتی برای تقسیم روش های قطعه بندی تصاویر وجود دارد [1و2و3و4و5و6]. براساس تقسیم بندی روش های بر مبنای راهکار مورد استفاده برای قطعه بندی, می توان این روشها را به 3 دسته کلی زیر تقسیم بندی کرد:
1-روش های ساختاری1

این مطلب مشابه را هم بخوانید :   منبع تحقیق با موضوعدریاچه ارومیه، شاخص TCI، برنامه ریزی راهبردی، گردشگری طبیعی

1Structural Techniques

2-روش های آماری1
3-روش های ترکیبی2
2-2-1-روش های ساختاری
در این روش, با استفاده از اطلاعات ساختاری نواحی تصویر,به طور مثال مرزها در تصاویر دو بعدی و سطوح تقاطع در تصاویر سه بعدی, عمل قطعه بندی انجام می شود. روش های ساختاری را می توان به گروه های زیر دسته بندی کرد:
1-روش های تشخیص لبه3
2-روش های ریخت شناسی4
3-روش های جستجو کننده گراف5
4-مدل های قابل تغییر شکل6
5-سطوح همسان و مجموعه های تراز7
2-2-1-1-روش های تشخیص لبه
در این روش هدف یافتن مرزها و یا سطوح مربوط به محل برخورد دو ناحیه در تصویر و دسته بندی این نواحی همگن می باشد. در مورد تصاویر سه بعدی, تشخیص لبه در دو مرحله انجام می شود:

1statistical Techniques
2hybrid Techniques
3 Edge Detection Techniques
4 Morphological Techniques
5 Graph-Searching Algorithms
6 Deformable Models
7 Iso Surfaces And Level Sets

1-یافتن مرزهای محلی با استفاده از نوعی از مشتق گیری
2-یک دسته سازی مرزهای محلی برای جداسازی وکسل1 های هر ناحیه همگن از نواحی مجاور

شکل 2-1-قطعه بندی با استفاده از روش تشخیص لبه با استفاده از فیلتر سبل(sobel)[7]

2-2-1-2-روش های ریخت شناسی
ریخت شناسی ریاضی برای تحلیل تصاویر از تبدیلات گروهی و بررسی اثر اعمال یک شکل خاص در قالب المان سازنده2 که اطلاعات اولیه تصویر را به صورت کد در می آورد استفاده می کند. در طی عملیات ریخت شناسی, مرکز المان سازنده کل تصویر را اسکن کرده و اطلاعات شکل تطبیق یافته مورد استفاده قرار می گیرد. در

1Voxel
2Structuring element

نتیجه شکل تبدیل یافته تابعی از المان سازنده خواهد بود. در عملیات ریخت شناسی از دو تبدیل اساسی فرسایش1 و انبساط2 استفاده می شود. با وجود اینکه عملیات ریخت شناسی به سادگی قابل فهم و پیاده سازی است, اما به طور کلی کنترل این عملیات و عملکرد دو تبدیل فرسایش و انبساط دشوار می باشد.

شکل 2-2-قطعه بندی تصویر MR با استفاده از روش های ریخت شناسی.(a) تصویر اصلی.(b) اعمال عملگر باز کردن3.(C) گرادیان ریخت شناسی تصویر (b)[8]

2-2-1-3-روش های جستجو کننده گراف
در این روش, مرزها و سطوح مربوط به حجم به عنوان گراف ها بیان می شوند و الگوریتم با استفاده از یک الگوریتم جستجو در پی یافتن کم هزینه ترین مسیر بین دو راس از گراف می باشد. این الگوریتم ها زمانی که اجزاء بین نواحی در ناحیه مورد نظر برای قطع بندی, به خوبی تعریف نشده باشند بسیار مفید خواهند بود.
2-2-1-4-مدل های قابل تغییر شکل
مدل های قابل تغییر شکل منحنی ها و سطوحی در تصویر دو و یا سه بعدی هستند که در اثر اعمال انرژی های خارجی و داخلی تغییر شکل می دهند. در الگوی مدلسازی فیزیکی, براثر اعمال نیروی داده ها (نیروی خارجی)

1Erosion
2Dilation
3Opening

مدل قابل تغییر شکل به سمت داده حرکت میکند در حالی که نیروی داخلی مدل را در طی تغییر شکل, هموار نگاه می دارد. بعد از استفاده مدل های قابل تغییر شکل در بینایی ماشین1 و گرافیک کامپیوتری2 , این مدل ها شهرت بسیاری یافتند.

شکل 2-3-قطعه بندی ریه راست.(A)(1) تصویر اصلی.(2) بعد از 3 تکرار.(3)بعد از 9 تکرار.(B)(1) بعد از 15 تکرار.(2) بعد از 21 تکرار.(3) بعد از 27 تکرار.(C) نتیجه نهایی بعد از 33 تکرار.[9]

2-2-1-5-سطوح همسان و مجموعه های
تراز

1Computer Vision
2Computer Graphic
سطوح همسان با اتصال پیکسل ها و یا وکسل های مربوط به شدت روشنایی با یک مقدار همسان1 تعریف می شوند. مجموعه های هم تراز, به طور خلاصه, منحنی ها و سطوح در حال حرکت هستند. فلسفه استفاده از این تکنیک, استفاده از سطوح همسان به عنوان یک روش مدلسازی که می تواند یک جایگزین برای مدل پارامتریک باشد, می باشد. مدل های مجموعه تراز با توجه به تعداد زیاد درجات آزادی, از نظر مکانی انعطاف پذیر بوده و برای مرزها و سطوح پیچیده و اشیاء چندگانه2 و یا ادغام شده کاربرد دارند.
2-2-2-روش های آماری
در این روش ها عملیات قطعه بندی تنها براساس تحلیل های آماری انجام می شود و هیچ گونه اطلاعات ساختاری مورد توجه قرار نمی گیرد.این روش ها را می توان به زیر مجموعه های زیر دسته بندی کرد:
1-روش های آستانه گذاری3
2-روشهای طبقه بندی4
-الگوریتم های خوشه بندی5
4-میدان های تصادفی مارکوف6
2-2-2-1-روش های آستانه گذاری
آستانه گذاری شاید ساده ترین روش برای قطعه بندی تصاویر باشد. در این روش یک مقدار به عنوان آستانه انتخاب می شود و از آن برای ایجاد یک تصویر دوتایی7 براساس شدت روشنایی استفاده می شود. در اینجا تمام پیکسل ها و یا وکسل های با شدت روشنایی بیشتر از مقدار آستانه به عنوان یک کلاس دشته بندی می شوند و پیکسل ها و یا وکسل های با شدت روشنایی کمتر جزء کلاس دیگر گروه بندی می شوند.

1Iso-Value
2Multiple Object
3 Thresholding Approaches
4 Classification Techniques
5 Clustering Algorithms
6 Markov Random Fields (MRF)
7Binary

این روش را می توان با انتخاب چند مقدار آستانه1 توسعه داد. در این حالت با توجه به اینکه شدت روشنایی هر پیسکل یا وکسل در کدام بازه از مقادیر آستانه قرار گیرد نقاط به چندین ناحیه دسته بندی می شوند.
با وجود سادگی این روش, این تکنیک در تصاویر با کنتراست2 بالا بسیار خوب عمل می کند و به طور معمول به عنوان مرحله ابتدایی در عملیات قطعه بندی تصاویر دو و سه بعدی مورد استفاده قرار می گیرد.
مهمترین نقطه ضعف این روش, وابستگی بسیار نتیجه قطعه بندی به مقدار یا مقادیر آستانه می باشد و هر تغییری در مقدار آستانه می توان باعث تغییر در نواحی قطعه بندی شده شود.

شکل 2-4- قطعه بندی با استفاده از روش آستانه گذاری.(a) تصویر اصلی.(b) قطعه بندی بر مبنای 3 کلاس.(c) قطعه بندی بر مبنای 4 کلاس.[10]

2-2-2-2-روش های طبقه بندی
روش های طبقه بندی تکنیک های شناسایی الگو3 هستند که در پی دسته بندی فضای ویژگی4 استخراج شده از تصویر با استفاده از داده های با برچسب مشخص می باشند. فضای ویژگی یک محدوده از بردار n بعدی

1Multiple Threshold
2Contrast
3 Pattern Recognition
4 Feature Space
ساخته شده از ویژگی های هر پیکسل یا وکسل می باشد. این ویژگی ها میتوانند شامل شدت روشنایی هر پیکسل یا وکسل, گرادیان در هر پیکسل یا وکسل, فاصله پیکسل یا وکسل از مرز ناحیه و موارد مشابه دیگر باشند.
ساده ترین نوع طبقه بند1 برمبنای طبقه بندی براساس نزدیک ترین همسایگی2 است که در آن هر پیکسل و یا وکسل به کلاس تعیین شده در مرحله یادگیری مربوط به

دیدگاهتان را بنویسید