در تصاویر کامپیوتری، واژه ” بخش بندی تصویر ” یا ” بخش بندی” به تقسیم تصویر به گروهی از پیکسل براساس برخی معیارها اشاره دارد . یک
الگوریتم بخشبندی تصویر به عنوان ورودی و خروجی مجموعهای از مناطق ( یا
بخشها ) را میگیرد.ناحیهبندی موثر اشیاء در تصویر رنگی یک مسئله مهم
عملگرهای پردازش تصویر است. با ناحیه بندی مؤثر، عنصر مورد نظر را جدا
میکنیم. برتری یک روش ناحیه بندی بر دیگر روشها به مشخصات خاص مسئلهای
که بررسی میشود، بستگی دارد. ناحیهبندی تصاویر رنگی در بسیاری از کارهای
پردازشی بر روی تصاویر، چون تصاویر درمانی، بینایی ماشین، فشرده سازی
تصویر، شئ شناسی، نیازی ضروری و مهم برای شروع پردازش بر روی شی یا بافت
مورد نظر می باشد. برای مثال در تصاویر درمانی، یک پزشک با استفاده از دانش
و تجربه ی خود به ناحیه بندی بافت مورد نظر در تصویر میپردازد. اما زمانی
که تعداد تصاویر زیاد باشند و یا اینکه کانتراست و تغییر شدت روشنایی
اشیاء نسبت به یکدیگر کم باشد و تصویر از لحاظ دید انسان نامناسب باشد،
ناحیه بندی بسیار هزینه بر بوده (هم از نظر مالی و هم از نظر زمانی) و با
خطا روبرو می گردد. بنابرین نیاز به خودکار کردن فرایند ناحیه بندی تصویر،
امری لازم و ضروری می باشد. ناحیه بندی تصویر به روش های مختلفی صورت می
پذیرد که به طور کلی میتوان آنرا به دو دسته ی کلاسیک و شکل شناسی تقسیم
بندی نمود. بخش بندی معنایی تصاویر یعنی تخمین کلاس برای هر پیکسل تصویر.
ﺑﺨﺶﺑﻨﺪی ﺗﺼﻮﯾﺮ اوﻟﯿﻦ
ﻣﺮﺣﻠﻪ و ﺑﺤﺮاﻧﯽﺗﺮﯾﻦ ﻣﺮﺣﻠﻪ از آﻧﺎﻟﯿﺰ ﺗﺼﻮﯾﺮ ﻣﯽﺑﺎﺷﺪ ﮐﻪ ﻫﺪﻓﺶ اﺳﺘﺨﺮاج اﻃﻼﻋﺎت
داﺧﻞ ﺗﺼﻮﯾﺮﻣﺎﻧﻨﺪ (ﻟﺒﻪﻫﺎ ، ﻧﻤﺎﻫﺎ و ﻫﻮﯾﺖ ﻫﺮ ﯾﮏ از ﻧﻮاﺣﯽ) ﻣﯽﺑﺎﺷﺪﮐﻪ از ﻃﺮﯾﻖ
ﺗﻮﺻﯿﻒ، ﻧﺎﺣﯿﻪﻫﺎی ﺑﺪﺳﺖ آﻣﺪه را ﺑﺮای ﮐﺎﻫﺶ آﻧﻬﺎ ﺑﻪ ﺷﮑﻞ ﻣﻨﺎﺳﺐ ﺑﺮای ﭘﺮدازش
ﮐﺎﻣﭙﯿﻮﺗﺮ و ﺗﺸﺨﯿﺺ ﻫﺮ ﯾﮏ از ﻧﻮاﺣﯽ آﻣﺎده ﻣﯽﮐﻨﺪ.نتیجه بخش بندی ﺗﺎﺛﯿﺮ ﻗﺎﺑﻞ
ملاحظه ای ﺑﺮ دﻗﺖ ارزﯾﺎﺑﯽ وﯾﮋﮔﯽﻫﺎﺧﻮاﻫﺪ داﺷﺖ ..ﺑﺨﺶﺑﻨﺪی اﻏﻠﺐ ﺷﺮح ﻓﺮآﯾﻨﺪ
ﺗﻘﺴﯿﻢ ﺗﺼﻮﯾﺮ ﺑﻪ اﺟﺰاء اﺻﻠﯽ و اﺳﺘﺨﺮاج ﻗﺴﻤﺘﻬﺎی ﻣﻮرد ﻋﻼﻗﻪ اﺷﯿﺎء ﻣﯽﺑﺎﺷﺪ. بخش
بندی یکی از مشکل ترین مباحث در پردازش تصویراست که در موفقیت عمل تحلیل
تصویر بسیار موثر است. برای بخش بندی تصویر روشهای مختلفی وجود دارد که می
توان انهارا به دو دسته روشهای مبتنی بر هیستوگرام(based -Histogram ) و روشهای مبتنی بر خوشه بندی(Clustering-Based)
تقسیم کرد. که البته هر کدام از این دو روش دارای زیر مجموعه هایی نیز می
باشند. در روشهای مبتنی بر هیستوگرام، بخش بندی تصاویر براساس توزیع
پیکسلها صورت می گیرد. قدم اصلی در این روشها یافتن سطح استانه ای مناسب
برای اعمال به تصویر میباشد. در روشهای مبتنی بر خوشه بندی برای گروه بندی
کردن داده ها از شباهتها و روابط موجود بین آنها
استفاده می شود. در این روشها داده ها به نحوی گروه بندی می شوند تا
انهایی که در داخل یک بخش قرار می گیرند دارای بیشترین شباهت به هم باشند.
کاربردهای زیرا می توان برای ناحیه بندی ذکر کرد:
- بازیابی محتوا محور تصاویر
- تصویربرداری پزشکی از جمله از سیتی اسکن و تصویر برداری رزونانس مغناطیسی.
- تعیین محل تومور و دیگر بیماریهای
- اندازهگیری حجم بافت
- برنامهریزی برای عمل جراحی
- شبیه سازی جراحی مجازی
- موقعیت یابی در جراحی
- تشخیص عابر پیاده
- تشخیص چهره
- مکان یابی اشیاء در تصاویر ماهوارهای تشخیص اثر انگشت
- تشخیص عنبیه
- سیستمهای کنترل ترافیک
- نظارت ویدئویی
الگوریتم های بخش بندی را با توجه به مراجع مختلف میتوان به صورت زیر دسته بندی کرد:
- آستانه گیری روشنایی یا بخش بندی دامنه
- روشهای فازی
- روش واترشید یا تبدیل آب پخشان
- الگوریتم ژنتیک
- بخش بندی تصویر به کمک مینیمم درخت پوشا
- روشهای مبتنی بر گراف
- و…
هدف از این عمل، جداسازی اجزاء اصلی تشکیل
دهنده تصویر است. بطوری که آنها را جهت اندازهگیریهای بعدی آماده نماید.
Segmentation یکی از پردازشهای نسبتاً مشکل میباشد. کیفیت نتایج
زیربخشها بستگی به کیفیت مراحل segmentation دارد. همانطور که مشخص است
این تکنیک برای اشکارسازی اشیاء گوناگون بصورت خودکار در تصویر می تواند
بکار برده شود. به طور کلی قطعه بندی یکی از مشکل ترین مباحث در پردازش
تصویراست که در موفقیت عمل تحلیل تصویر بسیار موثر است. برای قطعه بندی
تصویر روشهای مختلفی وجود دارد که می توان انهارا به دو دسته روشهای مبتنی
بر هیستوگرام(based -Histogram ) و روشهای مبتنی بر خوشه
بندی(Clustering-Based) تقسیم کرد. که البته هر کدام از این دو روش دارای
زیر مجموعه هایی نیز می باشند. در روشهای مبتنی بر هیستوگرام، تقسیم بندی
تصاویر براساس توزیع پیکسلها صورت می گیرد. قدم اصلی در این روشها یافتن
سطح استانه ای مناسب برای اعمال به تصویر میباشد. در روشهای مبتنی بر خوشه
بندی برای گروه بندی کردن داده ها از شباهتها و روابط موجود بین انها
استفاده می شود. در این روشها دادهها به نحوی گروه بندی می شوند تا
انهاییکه در داخل یک بخش قرار می گیرند دارای بیشترین شباهت به هم باشند.