ارائه یک شکل جدیدی از الگوهای باینری محلی به منظور طبقه بندی بافت تصویر

طبقه بندی بافت تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهمترین مرحله در طبقه بندی بافت تصویر، استخراج ویژگی از تصویر میباشد. تاکنون روش های بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شده اند اما از میان روش های موجود الگوهای باینری محلی، در شکل اصلی و بهبودیافته خود، به دلیل سادگی در پیاده سازی و استخراج ویژگی های مناسب با دقت طبقه بندی بالا، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است. شکل اصلی الگوهای باینری محلی هرچند از نظر پیاده سازی بسیار ساده است، اما زمانی که شعاع همسایگی افزایش یابد پیچیدگی محاسباتی بالایی دارد. شکل بهبودیافته الگوهای باینری محلی نیز به الگوهای همگن برچسبهای متمایز و به تمام الگوهای غیر همگن یک برچسب یکسان انتساب می دهد و این امر، طبقه بندی تصاویری که دارای درصد بالایی از الگوهای غیر همگن می باشند را با مشکل مواجه می سازد. در[ارائه یک شکل جدیدی از الگوهای باینری محلی به منظور طبقه بندی بافت تصویر]، یک شکل جدید از الگوهای باینری محلی ارائه شده است که پیچیدگی محاسباتی آن نسبت به شکل اصلی الگوهای باینری محلی کمتر و دقت طبقه بندی آن نیز از شکل اصلی و بهبودیافته الگوهای باینری محلی بیشترمی باشد. روش ارائه شده در این مقاله نه تنها تصاویر با الگوهای همگن را به خوبی طبقه بندی می کند، بلکه در مورد تصاویری که دارای حجم بسیار بالایی از الگوهای غیر همگن می باشند نیز به خوبی عمل می کند. همچنین می توان با تغییر در بازه های شدت روشنایی، محلی یا سراسری بودن ویژگی ها را کنترل کرد.

مرجع:پاکدل مرضیه،تاجری پور فرشاد ،ارائه یک شکل جدیدی از الگوهای باینری محلی به منظور طبقه بندی بافت تصویر،مهندسی برق و کامپیوتر ایران ،شماره 11،سال 1392

روشی سریع دربازیابی تصاویر مبتنی بر محتوا با استفاده از ترکیب ویژگی لبه و رنگ

در [روشی سریع دربازیابی تصاویر مبتنی بر محتوا با استفاده از ترکیب ویژگی لبه و رنگ]رویکرد جدیدی برای بازیابی تصاویر مبتنی بر محتوا(CBIR) ارائه گردیده است. جهت استخراج ویژگی از دو ویژگی رنگ HSV و گرادیان لبه استفاده شده است. بدین صورت که ابتدا برای استخراج ویژگی لبه بر روی تصویر الگوی باینری محلی اعمال شده تا لبه های تصویر برجسته تر شوند سپس برروی تصویر حاصل از الگوی باینری محلی هیستوگرام گرادیان (SRF)که از مجموع دو اپراتور سوبل و رابرتز استفاده می کند تا زوایای افقی و عمودی و مورب را نمایش دهد استفاده می شود، جهت استخراج ویژگی رنگ با تبدیل فضای رنگ RGBبه فضای رنگ HSI و کمی سازی آن ویزگی رنگ بدست می آید.

1- استخراج ویژگی:

1-1:رنگ یکی از متداولترین و تعیین کننده ترین ویژگی دیداری در زمینه بازیابی تصویر است، چرا که نسبت به تغییرات مربوط به اندازه ،جهت ، دورنمایی و اغتشاش تصویر پایدار است.عمومی ترین روش در بازیابی رنگ تصاویر استفاده از هیستوگرام رنگ است که از مهمترین تکنیک های بازیابی تصویر بر اساس رنگ است.

اولین گام در تشکیل هیستوگرام رنگ،مشخص کردن فضای رنگ است. به صورت عمومی فرمت های مختلف تصاویر همچون GIF ، BMP و ... فضای رنگ RGB را در خود دارند. در صورت انتخاب این فضا محاسبات کمتری را خواهیم داشت اما مسئله قابل توجه یکنواخت نبودن از جهت ادراکی است. به همین دلیل ما در این مقاله فضای RGB را به فضای HSV تبدیل کردیم تا خاصیت یکنواختی ادراکی را شاهد باشیم. ابعاد تشکیلدهنده این فضا،رنگ را بر اساس رده (H) یا طول موج، درجه اشباع رنگ (S) و درجه روشنایی آن (V) تعریف میکنند. فضای مذکور یک فضای مخروطی است، که در آن :
١ . طول موج رنگ برابر زاویهی رنگ در برش دایره مخروط میباشد و در فاصله[0,2π] تعریف می شود، به صورتی که قرمز در زاویه صفر درجه، سبز در زاویه 2π/3 و آبی در زاویه4π/3 قرار گرفته که در انتها، دوباره به قرمزدر زاویه 2π باز میگردد.
٢ . درجه روشنایی رنگ معادل محور مرکزی مخروط است.
٣ . درجه اشباع رنگ برابر فاصله نقطه روی دایره تا محور مرکزی است به گونه ای که در نزدیکی محور، میزان غلظت کمتر است و رنگ مزبور به دسته رنگهای خاکستری میپیوندد.
H مولفه اصلی مورد استفاده در سیستمهای بازیابی است چرا که نسبت به تغییرات جهت تصویربرداری از شیئ یا منظره پایدارتر است. اما با این حال به تغییرات روشنایی به شدت حساس میباشد .
جهت تشکیل هیستوگرام رنگ پس از این فضا به طور خطی کوانتیزه میشود. بهدلیل اهمیتی که فضای H نسبت به سایر مولفه ها دارد، این مولفه به 16بازه و دو مولفه دیگر هر کدام به 4 بازه کوانتیزه میشوند. هیستوگرام رنگ تصویر با شمردن نقاطی که در هر بازه قرار می گیرند، محاسبه شده و به تعداد کل نقاط تصویر نرمالیزه میشود. بردار حاصل از نمایه سازی هر تصویر با استفاده از ویژگی هیستوگرام رنگ HSV ، یک بردار 256 بعدی است.

2-1:ویژگی لبه یکی از سودمندترین الگوریتم ها جهت مشخص کردن تغییرات پیکسل ها و طبفه بندی تصاویر مختلف است. در این مرحله در نهایت قصد بدست آوردن هیستوگرام زوایای گرادیان SRF را داریم. نکته متمایز این مقاله استفاده از عملگر الگوهای باینری محلی LBP به عنوان مرحله پیش پردازش است، به عبارت دیگر به جای آنکه بر روی تصویر خاکستری لبه یابی انجام شود بر تصویر حاصل از الگوریتم LBP ، لبه یابی انجام می شود.

مرجع:ذوالفقاری احمد،خسروی حسین، روشی سریع دربازیابی تصاویر مبتنی بر محتوا با استفاده از ترکیب ویژگی لبه و رنگ، هشتمین سمپوزیم پیشرفت های علوم و تکنولوژی- مشهد- آذر92

استخراج ویژکی کارا با استفاده از فیلتر گابور ،LBP،LDA برای شناسایی چهره

چهره بدلیل عدم نیاز به تماس، یک بیومتریک قابل قبول از دید اغلب کاربران محسوب می شود و عدم نیاز به مشارکت مستقیم کاربر مزیت دیگر این بیومتریک است که ان را در سیستمهای نظارتی و سیستمهای درگیر با مجرمین بی رقیب ساخته است. شناسایی چهره در سالیان اخیر پیشرفت قابل ملاجظه ای داشته است با این حال بدلیل وجود چالش هایی چون تغییرات روشنایی و حالت چهره ، انسداد بخشی از چهره و تغییرات ژست هنوز یک موضوع تحقیقاتی مهم و باز به شمار می آید.روشهای متعدد استخراج ویژگی از چهره بطور کلی به دو دسته زیر تقسیم می شوند:

1- روشهای مبتنی بر تصویر یا کلی نگری 2- روشهای مبتنی بر ویژگی

روشهای کلی نگر به دنبال یافتن یک توصیف کلی از چهره هستند که در این روش ویژگی زیاد اهمیتی ندارد ولی روشهای مبتنی بر ویژگی سعی در شناسایی ویژگیهای ساختاری چهره مانند چشمها ،دهان،بینی و رابطه بین آنها دارد،یکی از معایب عمده روشهای مبتنی بر ویژگی،دشواری شناسایی و استخراج خودکار ویژگی های اصلی چهره است که دو نمونه موفق و قدرتمند آنHOG وLBP می باشد و موفقیت این روشها موجب تحقیقات بیشتر بر روی آنها شده است ،برای مثال در برخی از موارد با ترکیب برخی از فیلترها و این روشها به دقت بالاتری در شناسایی تصویر چهره دست یافته اند.

در این مقاله روشی جدید برای استخراج ویژگی کاراپیشنهاد شده است،در این روش از فیلتر گابور برای استخراج الگوهای پایدار از تصاویر استفاده شده است و علاوه بر بخش اندازه از بخش فاز فیلتر گابور نیز برای استخراج ویژگی بهره برده است، سپس با اعمال عملگر LBP به بخش اندازه ویژگیهایی با قدرت تمایز بالا استخراج شده است و برای بخش فاز خروجی فیلتر گابور عملگرهای LBPوXOR بصورت ترکیبی بکار رفته است و این دو عملگر بصورت چند بخشی بر روی تصویر اعمال می شوند تا بخشهای مختلف چهره در شناسایی تاثیر داده شوند از آنجایی که طول بردار ویژگی های بدست آمده بزرگ است روشی نو برای کاهش ابعاد ویژگی از الگوریتم LDA استفاده شده است.

سپس یرای طبقه بندی تصاویر با محاسبه فاصله اقلیدسی بین بردارهای وِزگی تصاویر این کار امکان پذیر می باشد.

تخمین خودکار سن از روی تصویر چهره با تلفیق ویژگیهای آماری و بافت

برآورد خودکار سن از روی تصویر چهره کاربردهای مختلفی از جمله در پزشکی قانونی، مدیریت ارتباط با مشتری و کنترل امنیت دسترسی دارد. بدین منظور ویژگیهای مختلفی از تصاویر چهره استخراج ، پردازش و انتخاب می شوند و با استفاده از الگوریتمهای دسته بندی سن تصویر چهره مورد نظر تخمین زده می شود، پس بنابراین استخراج و انتخاب ویژگیهای مناسب یک مرحله مهم و اساسی در این فرآیند برآورد خودکار به شمار می رود.

بطور کلی در اینجا ویژگیها به دو نوع محلی و عمومی تقسیم می شوند:

ویژگی های محلی در قسمتهای مختلف چهره مانند انواع چین و چروکها و غیره و ویژگیهای عمومی شامل اندازه و شکل ظاهری چهره هستند که در این مقاله با تلفیق ویژگیهای عمومی و محلی میزان دقت بازیابی را افزایش داده است.

همانطور که بیان شد هدف از این مقاله ارائه روشی برای بالا بردن دقت سیستم های تخمین سن از روی چهره است، در این راستا از تلفیق ویژگیهای عمومی مانند مدل ظاهر فعال(AAM) و ویژگی های محلی بافت هارالیک(Haralik)و هاگ(HOG) با استفاده از روش نزدیکترین همسایه جهت دسته بندی استفاده شده است، نتیجه تحقیق بدین صورت بود که تلفیق ویژگیهای HOG و مدل ظاهر فعال نسبت به تلفیق ویژگیهای هارالیک و مدل ظاهری فعال دارای دقت برآورد بیشتری است.

مرجع: مجله مهندسی برق دانشگاه تبریز، جلد 47 ،شماره 3، پاییز 1396