مقاله بهبود عملکرد قطعه بندی تصاویر پزشکی با استفاده از روش کانتور فعال مبتنی بر میدان برداری گرادیان با word دارای 9 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله بهبود عملکرد قطعه بندی تصاویر پزشکی با استفاده از روش کانتور فعال مبتنی بر میدان برداری گرادیان با word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله بهبود عملکرد قطعه بندی تصاویر پزشکی با استفاده از روش کانتور فعال مبتنی بر میدان برداری گرادیان با word،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله بهبود عملکرد قطعه بندی تصاویر پزشکی با استفاده از روش کانتور فعال مبتنی بر میدان برداری گرادیان با word :
برخی از مراجع :
1- AYED, I. B. & MITICHE, A. 2008. A Region Merging Prior for Variational Level Set Image Segmentation. IEEE, 17(12):2301-2311
2CHAN, T. F. & VESE, L. A. 2001. ActiveContours Without Edges. IEEE, 10(2):266-277
3CHERIET, M., SAID, J. N. & SUEN, C. Y. 1998. A Recursive Thresholding. Technique for Image Segmentation. IEEE, 7(6).
4LUCCHESE, L. & MITRA, S. K. 2001. Colour image segmentation: A state-of the-artsurvey.207 – 221.
5V. Caselles, F. Catte, T. Coll, and F. Dibos. A geometric model for active contours. Numerische
Mathematik, 66:1–31, 1993
مقدمه
قطعه بندی تصویر در زمینه هایی از قبیل بینایی کامپیوتر و پردازش تصاویر انجام شده است و هنوز به خاطر کاربرد گسترده و وسیعش دارای زمینه های تحقیقاتی مناسبی می باشد.صحت این بررسی در زمینه هایی مانند پزشکی ،سنجش از راه دور و بازیابی تصاویر بسیار هایی که به ذخیره ،نگهداری و محافظت زندگی شان کمک می کندکه به صورت کلی روش به صورت زیر است . الف :بر اساس آستانه ب : براساس حاشیه . ناحیه هدف اصلی قطعه بندی تصویر ، حوزه تقسیم مستقیم از یک تصویر به مجموعه نواحی گسسته می باشد که از نظر دیداری متفاوت ،همگون و با توجه به بعضی از ویژگی ها و یا ویژگی های محاسبه شده از قبیل سطح فاکستوک ،بافت یا رنگ با منحنی هستند تا بررسی آسان تصویر را قادر سازند.
Active contuor .2
مدل های کانتور فعال ابزاری قدرتمند برای شناسای و ردیابی تصویر هستند که به صورت گسترده در کاربرد های بینایی ماشین و پردازش تصاویر مورد استفاده قرار می گیرد.در دو دهی گذشته کاربرد های بینایی ماشین بسیار گسترش یافته است در این میان ساخت پردازنده های سریع ماشین های محاسباتی قدرتمند باعث توسعه این کاربرد ها به حوزه چند رسانه ای و پردازش های ویدیوئی شده است .شناسایی و محاسبات حرکت یک شی در رشته ای از تصاویر یا ویدئو که ردیابی نام برده می شود.از جمله مسایلی هست که از ابتدا در بینایی ماشین مطرح بوده است .در سال های اخیر به دلیل کاربرد های فراوان بسیار مورد توجه قرار گرفته است که به عنوان مثال در زیر به چند نمونه از آنها اشاره می شود:
1)کنترل و نظارت ترافیک
2)ردیابی هدف در کاربرد های نظامی
3)آنالیز حرکت اندام های بدن
4)تشخیص بیماری ها
5)استخراج و ردیابی ویدیوئی در اندام های فشرده
6) و;
که از کاربرد های ردیابی هستند.
3. ردیابی بر مبنای مدل کانتورفعال
ردیابی شی بر اساس مدل های کانتور فعال بر اساس ردگیری های شی هدف صورت می گیرد.در این روش منحنی کانتور توسط کاربر یا به صورت اتوماتیک در اهداف شی هدف تعریف می شود.سپس این کانتور تحت تاثیر یک تابع انرژی تغییر شکل می دهد .مدل های کانتور فعال که به دلیل شکل خاص و نوع حرکت آنها به عنوان مدل های ماری شکل هم شناخته می شود.اولین بار توسط این توسط این kass و دوستان در سال 1987 به صورت منحنی های با انرژی کمینه تعریف شده اند . که تحت تاثیر یک تابع انرژی به سمت ویژگیهای برجسته تصویر مانند : خطوط ،لبه ،گوشه و ;. کشیده می شوند.
این روش برای طبقه بندی و ردیابی اشیای ویدیوئی پیشنهاد شد ولی برای کمینه کردن تابع انرژی به همچنین از نظر دقت و سرعت روش ارائه شده که با مشکلات فراوانی روبرو بود.
Amini در سال 1990 یک روش برنامه نویسی پویا برای کمینه کردن انرژی کانتور فعال پیشنهاد کرده اند که اجازه می داد متد و محدودیت های سخت تر برای بهینه کردن رفتار Active contuor به آن اضافه شود.وی این الگوریتم کند بوده و دارای پیچیدگی زمانی می باشد که n تعداد نقاط کانتور m تعداد مکان های ممکن برای حرکت هر نقطه در یک مرتبه تکرار می باشد.
Shah,Williams در سال 1992 الگوریتم حریصانه سریع برای کمینه کردن انرژی کانتور و ردیابی ارائه کردند که پیچیدگی زمانی آن (O)nm بود شکل این روش عدم تشخیص صحیح اشیا با مرزهای مقعر بود .
4 .توصیه های ریاضی مدل های کانتور فعال
مدل کانتور فعال snake (ماری ) که اولین بار توسط آقای kass معرفی شد یک منحنی پارامتر یک در صفحه تصویر بود که به صورت :
S(u)=I (a(u).y(u))) u=[0,1]
تعریف می شود و این منحنی ها تحت تاثیر یک تابع انرژی تغییر شکل می دهند و به سمت ویژگی های مورد علاقه در
تصویر هدایت می شود. تابع انرژی به صورت زیر تعریف می شود:
که دارای انرژی داخلی و انرژی تصویر است .
که در آن انرژی داخلی به ویژگی های درونی کانتور مانند : میزان کشسانی بستگی دارد و به صورت زیر محاسبه می شود
قسمت اول انرژی داخلی سبب می شود که کانتور شبیه یک منحنی رفتار کند . و میزان کشسانی منحنی را تعیین می کند.قسمت دوم انرژی داخلی میزان مقاومت منحنی در برابر خم شدن را مشخص می کند .در رابطه فوق ضرایب و پارامتر های واداری هستند. میزان حساسیت کانتور در برابر کشش و خمیدگی را کنترل می نماید .انرژی تصویر ، منحنی کانتور را به سمت ویژگی های مورد علاقه و برجسته تصویر مانند: لبه ،گوشه و خطوط هدایت می کند . این انرژی در فرمول اولیه مدل کانتور فعال به صورت شناسایی لبه تخمین زده می شود و به صورت زیر محاسبه می شود:
که این فرمول برای کاهش اثر نویز استفاده می شود و در آن P پارامتری است که مقدار بزرگی انرژی تصویر و کانولوشن تصویر با فیلتر قوسی دارای انحراف را نشان می دهد.
5. مدلهای هم ریخت فعال و بالونها
استفاده از منحنی های کاهش انرژی به نام «مار» برای دستیابی به ویژگیهای موردنظر در عک س ها توسط کاس ، ویتکین و ترز پلوس معرفی شدند. ما مدلهایی از تغییر شکل هایی را ارائه کرده ایم که مشکلات موجود در روش اولیه را حل می کند.
برای دستیابی به نتایج استوارتر نیروهای خارجی که به منحنیها در سمت لبه ها فشار می آ ورند، اصلاح شده اند. زمانی که «مار» اصلی به اندازه کافی به هم ریختها نزدیک نیست ، توسط آنها جذب نشده و به شکل خطی مستقیم در می آید.مدل ما منحنی ها را مجبور می کند تا به شکل بالونی عمل کند که توسط نیروهای اضافی متورم شده است . منحنی های اولیه برای همگرایی دیگر نیازی به نزدیک بودن به پراکاو ندارند.
منحنی از لبه های ضعیفتر عبور کرده و تنها زمانی متوقف می شود که لبه قدرتمند باشد.
ما مثالهایی از شکمچه در عکسهای پزشکی را نمایش داده ایم . ما همچنین با دنبال کردن هم ریختهای به دست آمده در یک سری برش عرضی موفق اولین مرحله بازسازی شی ء 3 بعدی را انجام دادیم .
ما مدلی جدید برای هم ریخت های فعال معرفی کردیم که به طور قابل ملاحظه ای کیفیت آشکارسازی لبه مسدود را بهبود می بخشد. مدلهای ما برای تقسیم خودکار فراصوت نویز دارو تشدید مغناطیسی تصاویر قلب تپنده در هر دو بعد 2 و 3مورد استفاده قرار می گیرد. ما ویژگیهای این مدل جدید را با تعدادی از نتایج مهم تجربی ارائه کرده و درباره تحقیق آتی بحث خواهیم کرد.
استفاده از مدل هم ریخت دگردیدیس پذیر برای دستیابی به ویژگیهای موردنظر در تصاویر توسط کاس و همکارانش معرفی شده اند. این مدلها با نام «مارها» یا منحنی های کاهش انرژی شناخته شده اند. ما به دنبال توصیفات ریاضی از شکل اشیاء ظاهر شده در این تصاویر هستیم .
6. بهبود مدل
حل فرمول بندی شرح داده شده در بخش قبلی منجر به ایجاد دو مانع شد که در این بخش برای آنها راه حلی ارائه می کنیم . در هر دو مورد برای نیروها تعریف جدیدی ارائه می کنیم ، با تاکید بر فرمول بندی معادله تکامل حتی با وجود اینکه نیروها دیگر از یک عامل ایجاد نمی شوند.
6.1 . مجزا سازی فضایی
نیروی F تنها در شبکه ی مجزا ی متناظر با تصویر شناخته شده می باشد . و بنابراین می تواند بدون هیچ صفر موجود در شبکه crossing –zero باشد این امر بدین معناست که در بهترین حالت یک نقطه همیشه بین پیکسل های مجاور مینیمم نوسان می شود.
ناپایداری بعلت مجزاسازی فضایی در سمت چپ ، بوسیله ی نیروی مجزا دهی نقطه ی تعادل وجود ندارد. جنبش بین نقاط x0 و x1 وجود دارد . در سمت راست ، پس از عمل متقابل پیوسته ی F انحرافی پس از چند تکرار وجود دارد.
6.2. مجزا سازی زمانی
اگر بسیار بزرگ باشد، نقطه ی می توان بسیار دورتر در سر اس ر مینیمم دلخواه حرکت داد و هرگز برگردانده نشود. بنابراین منحنی می تواند از طریق این لبه عبور کند و سپس نوسانات بزرگی را بدون دستیابی به تعادل بوجود آورد و یا به مینیمم متفاوتی مقاوم گردد.
اگر به اندازه ی کافی کوچک را انتخاب کنیم بطوریکه حرکت هرگز بسیار بزرگ نباشد، برای مثال هرگز بزرگتر از سایز پیکسل نمی باشد، پس از مسئله ی قبلی اجتناب می شود. با این وجود تنها نقاط شعاع بالای بسیار اندک، منحنی را جذب خواهد کرد و F کوچک بر بیش تر منحنی تاثیر نخواهد گذاشت .
زیرا آنها رد مقایسه با نیروهای داخلی بسیار کوچک می باشند بنابراین به جای عمل در مرحله ی زمانی ، این نیرو را بوسیله ی عادی سازی کردن آن اصلاح می کنیم و را در نظر می گیریم ، که در ترتیب سایز پیکسل قرار دارد. بنابراین این مراحل نمی تواند بسیار بزرگ باشند، و از آنجاییکه این دامنه برای F حدود یک پیکسل می باشد، هنگامی که یک نقطه از منحنی نزدیک به یک نقطه ی لبه است ، به این لبه جذب می شود و اگر هیچ مشکلی با فرآیند هموارسازی نداشته باشد، پایدار می شود.
اشتراک‌گذاری:
-
Click to share on Facebook (در پنجر تازه باز می‌شود)
-
برای به اشتراک گذاشتن روی لینکداین کلیک کنید (در پنجر تازه باز می‌شود)
-
Click to share on Telegram (در پنجر تازه باز می‌شود)
-
کلیک کنید تا روی گوگل+ به اشتراک گذاشته شود (در پنجر تازه باز می‌شود)
