دانلود ترجمه مقاله الگوریتم لبه یابی بر اساس حاصل ضرب چند مقیاسی با تابع گاوسی – مجله الزویر

فهرست مطالب:

چکیده
۱ مقدمه
۲ حاصل ضرب چند مقیاسی موجک
۳ الگوریتم پیشنهاد شده
۱ ۳ حاصل ضرب چند مقیاسی بر اساس تابع گاوسی
۲ ۳ روش بهبود یافته جستجوی دامنه گرادیان ماکزیمم محلی
۴ تحلیل آزمایش
۵ نتیجه گیری

بخشی از ترجمه:

 ۱ مقدمه

لبه یکی از ویژگیهای مهم تصویر به شمار می رود. تکنیک لبه یابی مخصولاً مسئله بهبود تصویر، قطعه بندی، تشخیص و ثبت آن را خطاب قرار می دهد. لبه در دید کامپیوتر و الگوشناسی نیز مسئله تحقیقاتی مهمی به شمار می رود. لبه تصویر اغلب توسط نویز مدفون می شود، به همین خاطر بررسی و پژوهش الگوریتم لبه یابی اهمیت دارد.
اپراتورهای لبه سنتی بین اجتناب از بروز نویز و موقعیت و مکان لبه چالش دارند زیرا نویز و لبه هردو مولفه هایی با فرکانس بالا می باشند. در سالهای اخیر، از نظریه های جدیدی در لبه یابی استفاده شده است که از این جمله می توان به مورفولوژی، شبکه های عصبی و تبدیل موج کوچک یا موجک اشاره نمود. نتایج تحقیق نشان می دهد که حاصل ضرب چند مقیاسی لبه به صورت نمایی افزایش یافته و با افزایش مقیاس نویز به سرعت کاهش می یابد. لبه یابی تصویر با استفاده از چند مقیاس، می تواند چالش های موجود در زمینه اجتناب از نویز و صحت مکان را حل کند.
انتخاب مبنای موجک بر نتیجه لبه یابی اثر می گذارد. از آنجایی که تابع گاوسی، فیلتر پائین گذر بوده و مشتقش تابع موجک است، در نتیجه تابع گاوسی و مشتق اولش هر دو به عنوان فیلتر بالا گذر و پائین گذر برای لبه یابی تصویر به کار برده می شوند. بسیاری از آزمایشات توضیح می دهند که الگوریتم پیشنهاد شده دارای نتیجه لبه یابی با کیفیت خوب و پایداری قوی میباشد.

۵٫ نتیجه گیری
وظیفه اصلی لبه یابی، حل چالش های صحت مکان و اجتناب از نویز می باشد. بر طبق تحلیل چند رزولاسیونی (مولتی رزولاسیون) Mallat، ازتابع گاوسی و مشتق اولش به عنوان فیلتر پائین گذر و بالاگذر برای بهبود لبه و اجتناب از بروز نویز با محاسبه حاصل ضرب چند مقیاسی در مقیاس های مختلف در جهت x و yاستفاده شده و سپس لبه مدفون شده با نویز با استفاده از جهت گرادیان آشکار می گردد. آزمایشات نشان می دهد که محاسن این شیوه عبارتنداز: لبه یابی در کنتراست خاکستری، نسبت بالای سیگنال به نویز، و صحت مکان سطح پیکسل. مرحله بعدی پیوند لبه و صحت مکان سطح زیرپیکسل می باشد.

بخشی از مقاله انگلیسی:

۱ Introduction

Edge is the important characteristic of image. Edge detection technique specially address the problem ofimage enhancement, segmentation, recognition and registration. It is also an important research issue incomputer vision and pattern recognition. Image edge is often buried by noise, so it’s significant toresearch edge detection algorithm.Traditional edge operators, such as SobeRobertsPrewitt and canny etc, have conflict betweensuppressing noise and edge location because noise and edge are high frequency components. In recentyears, some new theory are applied in edge detection such as morphology[1], neural network[2] and wavelettransform[3~4]. The researching results[3~4] indicate that multiscale product of edge increase exponentially and that of noise decrease rapidly with increasing scale. Detecting image edge using multiscale, hence,can solve conflicts in suppressing noise and location accuracy.Selection of wavelet basis effects edge detection result. Because Gaussian function is lowpass filter andits derivative is wavelet function, so Gsussian function and its first-derivative are served as lowpass andhighpass filter to detect image edge. Many experiments demonstrate the proposed algorithm has detectionresult of good quality and strong robustness again noise.2 Wavelet Multiscale ProductImage gray level have different performance under various resolution in the same scene[6]. The edge oflarge object is clearly visible, but the contour of small object is degraded under low resolution. Edgeeffect at single scale is not ideal, so it is necessary to detect edge at different scale .

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه