بررسی، مقایسه و ارزیابی روشهای دوبعدی تشخیص اشیاء در تصاویر – برق

مشخصات فایل

مقطع:کارشناسی ارشد
رشته تحصیلی:مهندسی برق
نوع ارائه:سمینار
تعداد صفحات:58
قالب بندی:word قابل ویرایش

نحوه خرید

بررسی، مقایسه و ارزیابی روشهای دوبعدی تشخیص اشیاء در تصاویر – برق

شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

چکیده

فهرست مطالب
چکیده ١

مقدمه ۲

فصل اول: روشهای تشخیص اشیا ۵

کلیات ۵
۱- ۱) همبستگی نرمالیزه شده ۵
۱- ۲) مجموع قدر مطلق اختلافات ۶
۶ Hausdroff فاصله (۳ -۱
۱- ۳-۱) آشکارساز لبه cannyص ۸
۹ Patmax نرم افزار (۴ -۱
۱- ۵) انطباق بر پایه شکل ۱۰
۱- ۶) تبدیل Haugh اصلاح شده ۱۲
۱- ۶- ۱) تبدیل هاف GHT 12
۱-۶-۲) بهینه سازی تبدیل هاف GHT 13
۱- ۷) انطباق بر بایه شکل با استفاده از تنظیم حداقل مربعات ۱۶
فصل دوم: ارزیابی ۱۸
۲- ۱) معیارهای ارزیابی ۱۸
۲- ۲) تنظیمات و پیش فرض های عملی جهت تست معیارها ۱۹
۲- ۲- ۱) معیار توانایی عملکرد ۲۰
۲- ۲- ۲) معیار دقت ۲۳
۲- ۲- ۳) معیار زمان محاسبه ۲۴
۲- ۳) نتایج ۲۵
۲- ۳- ۱) توانایی عملکرد ۲۵
۲- ۳- ۱-۱) توانایی عملکرد در هنگام رویهم افتادگی اشیائ دیگر ۲۵
۲- ۳- ۱-۲) توانایی عملکرد در هنگام تغییرات روشنایی تصاویر ۳۰
۲- ۳- ۲) دقت ۳۳
۲- ۳- ۳) زمان محاسبه ۳۵
۳۹ فصل سوم: نتیجه گیری
۴۰ منابع و ماخذ

چکیده

ارزیابی عملکرد روشهای تشخیص اشیا در تصویر و مقایسه آنها تشریح خواهد شد. هفت روش که امروزه عمدتا جهت کاربردهای صنعتی استفاده می شوند آنالیز می گردند. ابتدا سه بارامتر اندازه گیری شباهت ” همبستگی نرمالیزه شده ، مجموع قدر مطلق اختلافات و فاصلهHausdroff ” که در کاربردهای صنعتی به عنوان فاکتورهای استاندارد اندازه گیری شباهت هستند تشریح و سبس نرم افزار Patmax که به عنوان یک ابزار تشخیص در کاربردهای صنعتی به کار گرفته می شود بحث می گردد. نهایتا روشهای جدید و قدرتمندی که اغلب نیازهای کاربردهای صنعتی امروزه را برآورده می کنند تحت سه عنوان “انطباق بر پایه شکل، تبدیل هاف اصلاح شده و انطباق بر پایه شکل با بهره گیری از تنظیم حداقل مربعات تشریح میشوند. پس از توصیف روشهای موردنظر چندین معیار جهت ارزیابی آنها معرفی خواهند شد. تنظیمات و پیش فرض های عملی جهت تست این معیارها بر روی تصاویر واقعی صورت می گیرد وسپس این آزمایشات به تفصیل شرح داده شده و نتیجه آنها بصورت گراف جهت مقایسه عملکردی روشهای تشخیص ارائه می گردند.

مقدمه

تشخیص اشیائ دو بعدی در بسیاری از کاربردهای بینایی ماشین ( کامپیوتر ) بویژه جهت وظایف بازرسی و کنترل کیفیت صنعتی ( که اغلب با مقایسه تصویر شئ با مدل شئ صورت می گیرد ) مورد استفاده قرار می گیرد.
مدل های سه بعدی تشخیص اشیا هم هزینه و هم صرف وقت بیشتری را می طلبند که منجر به پیچیده ترشدن مدل می گردند . از اینرو در کاربردهای صنعتی بیشتر به تطبیق مدل دو بعدی شئ به تصویر توجه می شود. لذا تصویر شئ ممکن است تحت تبدیل های مختلفی از قبیل تبدیلات rigid ، تبدیلات شباهت، تبدیلات دو بعدی offine ( که تقریبی از تبدیلات پرسپکتیو شئ هستند ) قرار بگیرد.
همه روشهایی که در این ارزیابی مورد بحث قرار می گیرند ، احتمالا به جز Patmax که به خا طراینکه یک نرم افزار تجاری ا ست و مشخصات فنی آن دردسترس نیست ، از پیکسل۱ ها به عنوان ویژگیهای۲ هندسی شان بهره می برند ( یعنی ازفیچرهای سطح بالا تر شبیه خط و کمان استفاده نمی کنند ) . با وجود این چون Patmax یک نرم افزار قوی تشخیص شی است در این سنجش از آن بهره می گیریم . از اینرو قادر خواهیم بود که نرخ عملکرد روش ها را نه تنها با تکنیک های استاندارد تشخیص مقایسه کنیم بلکه با یک نرم افزار قوی مورد مطاله قرار دهیم .
چندین روش تشخیص اشیاء با استفاده از انطباق مدل های دو بعدی با تصاویر ارا ئه گردیده اند . یک ممیزی از روش های انطباق در مرجع (۳ ) ارائه گردیده است .
در اغلب روش های انطباق مدل های دو بعدی، مقایسه تصویر با مدل با هر درجه آزادی (چرخش ، مقیاس ، انتقال و ….) می تواند صورت گیرد .در این روش ها مقایسه بر اساس اندازه گیری شباهت است ( که اغلب Match metric نیز نامیده می شود .) جهت تشخیص اینکه آیا شئ مورد نظر در تصویر وجود دارد ، ماکزیمم ، مینیمم و موقعیت پارامتر شباهت اندازه گیری و با مقدار آستانه مورد نظر مقایسه می شود . جهت سرعت بخشیدن به پروسه تشخیص از روش هرم تصاویر که یک روش از کلی به جزئی ۳ جهت جستجو می باشد استفاده می شود .
( این روش در مرجع (۱۴ ) تشریح گردیده است )
ساده ترین دسته روش های تشخیص اشیاء بر پایه مقادیر خا کستری مدل و تصویر اصلی است .
برای این منظور از همبستگی نرمالیزه شده ۴ و یا مجموع قدر مطلق اختلافات۵ جهت بدست آوردن درجه شباهت استفاده می شود ( مرجع۳ ) .
همبستگی نرمالیزه شده نسبت به تغییرات خطی روشنایی نا متغییر است . یعنی اگر روشنایی کل پیکسل های تصویر به یک نسبت تغییر کنند در مقدار همبستگی تغییری حاصل نمی شود اما نسبت به شلوغی و روی هم افتادگی۱ تصویر و تغییرات غیر خطی روشنایی بسیار حساس است . مجموع اختلاف مقادیر سطوح خاکستری در این تغییرات زیاد نیست اما می تواند نسبت به تغییرات روشنایی خطی بزرگ باشد . (یعنی حساسیت دو فاکتور فوق تقریبا بر عکس همدیگر است.)
یک دسته پیجیده تر از روش های تشخیص اشیاءاز سطوح خاکستری ویا موقعیت پیکسل های شئ استفاده نمی کنند بلکه از لبه های شئ جهت انطباق استفاده می کنند . در مراجع (۲ ) و ( ۱۱ ) دو نمونه از الگوریتم های این دسته بحث گردیده اند .
در همه روش های موجود این دسته، لبه ها بخش بندی می شوند یعنی یک تصویر باینری(دودویی) برای مدل و تصویر مورد جستجو محاسبه می شود . معمولاپیکسل های لبه به عنوان پیکسل هایی از تصویر که دامنه گرادیان ( مشتق جهتی ) آنها در جهت گرادیان ماکزیمم است تعریف می شوند .
اندازه گیریهای شباهت گوناگونی می توانند جهت مقایسه مدل با تصویر در این دسته به کار گرفته شوند .
در مرجع (۲) اندازه گیری درجه شباهت با محاسبه فاصله متوسط لبه های مدل ولبه های تصویر انجام شده است .
عیب این اندازه گیری درجه شباهت این است که در هنگام روی هم افتادگی وجفت شدن تصویر شئ با شئ دیگر چندان توانایی عملکرد صحیح ندارد زیرا اگر لبه های مدل در تصویر گم شوند ( پیدانشوند ) فاصله نزدیک ترین لبه بطور چشمگیری افزایش می یابد .
اندازه گیریهای شباهت فاصله Hausdroff که در ( ۱۱) استفاده شده سعی بامحاسبه ماکزیمم بزرگترین فاصله Kام لبه های مدل از لبه های تصویر و بزرگترین فا صله Lام لبه های تصویر از لبه های مدل بر این نقصان فائق اید .
اگر مدل شئ شامل n نقطه لبه وتصویر شامل m نقطه انتهاَ یی( لبه ) باشد ، این اندازه گیری شباهت Hausdroff با احتمال k/n %100 در هنگام روی هم افتادگی و جفت شدن تصویر و با احتمالL/m 100% در هنگام شلوغی تصویر موفق عمل می کند .
متاسفانه تخمین m نیاز مند مشخص بودن L است که معمولا در دسترس و مشخص نیست .
همه این اندازه گیریهای درجه شباهت که برای لبه ها عنوان کردیم این اشکال را دارند که جهت لبه ها را در محاسبات لحاظ نمی کنند . در مرجع (۹) نشان داده شده که بی اعتنایی به جهت لبه ها منجر به موارد مثبت اشتباهی در مدل تصویر می شود .
متاسفانه لحاظ کردن این مورد، مستلزم بکار گیری چندین تبدیل فاصله ای است که آلگرریتم تشخیص را جهت موارد صنعتی پرمحاسبه تر و گران تر می نما ید .
نهایتا دسته دیگری از آلگوریتم های تشخیص اشیاء بر اساس لبه ، بر مبنای تبدیل ۱GHT ( مرچع ۱) بنا شده اند . روش های این گروه این مزیت را دارند که در مقابل جفت شدن و شلوغی تصاویر توانایی عملکرد بالایی دارند . متاسفانه GHT در فرم ساده نیز نیازمند مقدار زیادی حا فظه و زمان محاسباتی طولانی جهت تشخیص اشیاء دارد .
در همه موارد فوق لبه تصویر باینری می شود یعنی اینکه در هر پیکسل تصویر، یا لبه وجود دارد یا ندارد. این کار باعث تغییر ناپذیری الگوریتم های تشخیص اشیا بر پایه لبه در مقابل رینج محدودی از تغییرات روشنایی می شود. اگر کنتراست تصویر کم شود نقاط لبه آشکار و بخش بندی می شوند که اثری مشابه اثرات جفت شدگی و رویهم افتادگی بیشتر را خواهد داشت.
در ادامه دو روش پیشرفته تر تشخیص اشیا مورد بررسی قرار گرفته و عملکردشان با عملکرد نرم افزار patmax و روشهای گفته شده بالا مقایسه می شود. علاوه بر اینها یک روش جدید که بهبود دقت پارامترهای تبدیل را موجب می شود ( که اساس کار ان تنظیم حداقل مربعات خطا است ) در ارزیابی ما لحاظ میشود .
آنالیز مشخصات عملکرد روشهای تشخیص اشیا یک هدف مهم است، زیرا در مرتبه اول نقاط شکست آلگوریتم را مشخص می کند، یعنی جاهائیکه آلگوریتم نمی تواند استفاده شود، چون بعضی از فرضیات را نقض میکند. در مرتبه دوم با مقایسه یک آلگوریتم با آلگوریتم های دیگر اپراتورها را در انتخاب روش بهینه با وظیفه موردنظر کمک می کند.
بنابراین در این مبحث کوشش ما در جهت مشخص کردن عملکرد روشهای تشخیص اشیا است.
دو روش اول که آنالیز میشوند عبارتند از : همبستگی نرمالیزه شده۲ و مجموع قدر مطلق اختلافات۳٫ زیرا این دو روش به طور گسترده در صنعت استفاده می شوند.
سومین روش فاصله Hausdroff است که هسته بسیاری از کاربرد های تشخیص اشیاءاست زیرا توانایی یبیشترش در مقابل شلوغی تصویر و جفت شدن و روی هم افتادن اشیاء در مقایسه با دو روش فوق چشمگیر است .
علاوه بر این نرم افزار Patmax و دو روش به نامهای انطباق بر پایه شکل۴ (۱۳) و تبدیل هاف اصلاح شده۵ (۱۶و۱۷) در آنا لیز ما مورد بررسی قرار می گیرند .
از روش تطبیق بر پایه شکل به عنوان پایه ای جهت تنظیم حداقل مربعات خطا بهره میگیریم.
توسعه و بسط روش های جدید تر در مسئله تشخیص اشیاء را افزایش سفارشات صنعتی از قبیل محاسبات بلا درنگ و دقت تشخیص بالاتر سبب میشوند.

نتیجه گیری

ارزیابی عملکرد هفت روش تشخیص شئ ارائه گردید. برای این منظور ، روش همبستگی نرمالیزه شده ، روش قدر مطلق اختلافات و روش فاصله Hausdroff که سه ابزار اندازه گیری شباهت استاندارد در کاربردهای صنعتی هستند ، با روش patmax که یک نرم افزار تجاری تشخیص شئ است مقایسه گردیدند .
همچنین با دو روش جدید قدرتمند که بمنظور برآورده کردن سفارشات صنعتی بسط و توسعه یافته اند.
علاوه بر اینها ، آنالیز ما شامل یک روش جدید برای تشخیص دقیق مو قعیت شئ با بهره گیری از تنظیم حداقل مربعات نیز به انجام رسید.
نشان دادیم که روشهای جدید ، مزایای قابل ملاحظه ای نسبت به روشهای قدیمی موجود بویژه در توانایی عملکرد و زمان محاسبه دارند.
حتی در مقایسه با patmax ، بویژه انطباق بر پایه شکل در ترکیب با تنظیم حداقل مربعات نتایج خیلی خوبی را نشان میدهد.
همچنین ، در استفاده از patmax چندین تناقض و ناسازگاری را شرح دادیم. محدود کردن پارامتر مکانی به انتقالات ، باعث می شود نرخ تشخیص به شدت پایین بیابد . تنظیم اتوماتیک پارامتر grain limit نیز مشکل ساز است ، زیرا برای یک شئ نتایج متفاوتی را نتیجه می دهد. اگر چه مقادیر بالای grain limit منجر به محاسبه سریعتر می شود ، اما ممکن است مثبتهای کاذبی را نتیجه دهد.
در اغلب حالات روشهای انطباق بر پایه شکل و تبدیل هاف اصلاح شده رفتار یکسانی را نشان می دهند.
در هنگام سر وکار داشتن با تغییرات روشنایی شدید و در مواردی که دانستن جهت دقیق شئ مهم است ، روش انطباق بر پایه شکل ترجیح داده می شود.
در مقابل ، در هنگام توسعه یا افزایش پارامتر مکانی یا تغییر ابعاد و مواردی که زمان محاسبه یک فاکتور بحرانی است ، روش تبدیل هاف اصلاح شده ، انتخابی بهتر است.
نقاط شکست روش همبستگی نرمالیزه شده ، توانایی تشخیص پایین آن در مقابل شلوغی و رویهم افتادگی و همچنین در تغییرات غیر خطی روشنایی است. محاسبه نسبتا آرام ( کند) ، فاکتور دیگری است که کاربردهایش را محدود می کند .
روش مجموع قدر مطلق اختلافات ، سریعتر محاسبه می شود اما همان نقاط شکست همبستکی نرمالیزه شده را دارد.علاوه بر این دقت پائین تری دارد.
به عنوان یک نقطه شکست روس فاصله Hausdroff مثبتهای کاذبی است که در هنگام شلوغی تصویر نتیجه می شود . با همه این نتایج بدست آمده از مقایسه روشهای تشخیص ذکر شده ، این مطلب بایستی اشاره شودکه اگر گزینه های ما متفاوت باشند ، مثلا ایجاد پارامترهای دیگر یا دسته تصاویر دیگر یا کاربردهای دیگر ، ممکن است نتایج کمی فرق کنند.

نحوه خرید

دانلود رایگان فایل
شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد

راهنمای سایت

برخلاف سایت های دیگر که فایل ها را به صورت تکی می فروشند روال سایت ما این است که شما با عضویت در سایت ما میتوانید از تمام فایل های موجود استفاده کنید.

تمام مطالب سایت فقط برای اعضای سایت رایگان است.

نحوه عضویت در سایت

آخرین مطالب

مطالب مرتبط