دانلود رایگان ترجمه مقاله تکنیک های قطعه بندی تصویر (ساینس دایرکت – الزویر ۲۰۱۵)

دانلود رایگان ترجمه مقاله تکنیک های قطعه بندی تصویر (ساینس دایرکت – الزویر ۲۰۱۵)

 

 

این مقاله انگلیسی در نشریه الزویر در ۱۰ صفحه در سال ۲۰۱۵ منتشر شده و ترجمه آن ۲۱ صفحه بوده و آماده دانلود رایگان می باشد.

 

دانلود رایگان مقاله انگلیسی (pdf) و ترجمه فارسی (pdf + word)
عنوان فارسی مقاله:

بررسی تکنیک های تقسیم بندی تصویر

عنوان انگلیسی مقاله:

Survey on Image Segmentation Techniques

دانلود رایگان مقاله انگلیسی
دانلود رایگان ترجمه با فرمت pdf
دانلود رایگان ترجمه با فرمت ورد

 

مشخصات مقاله انگلیسی و ترجمه فارسی
فرمت مقاله انگلیسی pdf
سال انتشار ۲۰۱۵
تعداد صفحات مقاله انگلیسی ۱۰ صفحه با فرمت pdf
نوع نگارش مقاله پژوهشی (Research article)
نوع ارائه مقاله ژورنال – کنفرانسی
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعی – مهندسی الگوریتم ها و محاسبات
چاپ شده در مجله (ژورنال)/کنفرانس پروسدیا علوم کامپیوتر
کلمات کلیدی پردازش تصویر – تقسیم بندی تصویر – مهندسی تصویر – تجزیه و تحلیل تصویر – درک تصویر
کلمات کلیدی انگلیسی Image processing – Image segmentation – Image engineering – Image analysis – Image understanding
ارائه شده از دانشگاه گروه علوم کامپیوتر، دانشکده فناوری اطلاعات
شناسه دیجیتال – doi https://doi.org/10.1016/j.procs.2015.09.027
لینک سایت مرجع https://www.sciencedirect.com/science/article/pii/S1877050915028574
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
نشریه الزویر – Elsevier
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۱ صفحه با فونت ۱۴ B Nazanin
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود رایگان
کیفیت ترجمه

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

کد محصول F1789

 

بخشی از ترجمه

۱٫۱ خوشه بندی: K-mean: یک تصویر را به گروه ها یا خوشه های K با اضافه کردن نقاط تقسیم می کند، p خوشه ای است که در آن تفاوت بین نقطه و میانگین کوچکترین است. [۲۲، ۱۲،۱۹، ۳]. خوشه بندی سخت مرزهای شکل را بین خوشه ها [۵] فرض می کند. خوشه فازی: الگوریتم تقسیم بندی تصویر مبتنی بر شکل [۳، ۵].برنامه های کاربردی: تصویربرداری پزشکی و سیستم های امنیتی. مزایا: تقسیم بندی تصویر مبتنی بر شکل. معایب: برخی از الگوریتم های خوشه بندی مانند خوشه بندی K-means مناطق مستمر را تضمین نمی کند. این نقص در روش Split و Merge غالب است [۳].

۱٫۲ تقسیم و ادغام: دو بخش: در ابتدا کل تصویر که به عنوان یک منطقه تنها گرفته شده است، بارها تقسیم می شود تا زمانی که هیچ شکاف بیشتری وجود نداشته باشد، درخت چهارگوش یک ساختار داده تقسیم شده است، سپس دو منطقه با هم ادغام می شوند اگر مجاور و مشابه باشند، ادغام تکرار می شود تا زمانی که امکان ادغام وجود نداشته باشد [۷، ۵، ۳]. سه مرحله:استفاده از درخت چهار گوش بهبود یافته (IQM) ، مرحله۱ تصویر را درهم می شکافد، مرحله دوم لیست همسایه ها را راه اندازی می کند و مرحله ۳ ادغام مناطق تقسیم شده است. مزایا: مناطق متصل تضمین شده و IQM مشکلات همسایگی طولانی در طول ادغام را کاهش می دهد. معایب: موقعیت و جهت گیری تصویر منجر به تقسیم نهایی بلوکی می شود و تقسیم منظم به وسیله شکافتن به تقسیم بندی زیاد (مناطق بیشتر) منجر می شود [۳]. این نقص می تواند غلبه بر استفاده از برش های نرمالیزه باشد[۲۰، ۱۸، ۳].

۱٫۳ برش های نرمال شده: هدف برش های نرمالیزه در تقسیم مطلوب کاهش تعداد مناطق است. این روش مبتنی بر نظریه گراف است. هر پیکسل یک رأس در یک گراف است، لبه ها با پیکسل های مجاور پیوند دارند. وزن با توجه به شباهت، فاصله، رنگ، سطح خاکستری یا بافت در لبه است و به همین ترتیب بین دو پیکسل متناظر اختصاص داده شده است [۳، ۵، ۱۸، ۲۰]. برنامه های کاربردی: تصاویر پزشکی [۲۰، ۱۸، ۳]. مزایا: بدون نیاز به ادغام مناطق بعد از تقسیم، تعریف بهتر لبه ها، معیار جدید بهینه برای پراکندگی یک گراف به خوشه ها و ویژگی های تصویر متفاوت مانند شدت، بافت رنگ، پیوستگی کانتور در یک شبکه یکنواخت مورد بررسی قرار می گیرند. معایب: محاسبات پیچیده [۳].

۱٫۴ منطقه رو به رشد: منطقه رو به رشد یکی از روش های محبوب است. با یک پیکسل شروع می شود و به اضافه کردن پیکسل ها بر اساس شباهت، به منطقه ادامه می دهد، تا زمانی که تمام پیکسل ها به یک منطقه تعلق دارند، تکرار می شود. [۳، ۵ … ۷]. برنامه های کاربردی:بخش هایی از بدن انسان را تقسیم می کند. مزایا: مناطق متصل معیارهای متعدد در زمان مشابه که نتایج بسیار خوبی را با سر و صدای کمتر می دهد، تضمین می کند. معایب: تقسیم بندی زیاد زمانی که تصویر و یا تغییرات بشدت پر سر و صدا است، نمی تواند سایه ای از تصاویر واقعی و قدرت و زمان مصرفی را تشخیص دهد [۳].

۱٫۵٫ Threshold: پیش زمینه یا شی را از پس زمینه [۳ … ۱۴] به مجموعه های همپوشانی [۱۳] جداسازی می کند.
تکنیک های تجزیه آستانه گروه بندی شده در کلاس ها:
• تکنیک های محلی که بر اساس خواص محلی از پیکسل ها و همسایگی آنها است.
• تکنیک های جهانی یک تصویر را بر پایه اطلاعات به دست آمده در سطح جهانی تقسیم می کنند (به عنوان مثال با استفاده از هیستوگرام تصویر ؛ خواص بافت جهانی)
• تکنیک های تقسیم، ادغام و رشد هر دو مفهوم همگنی و مجاورت هندسی را برای به دست آوردن نتایج تقسیم بندی مطلوب [۸] استفاده می کنند.
فازی C-means: الگوریتم و استراتژی های روش ها می تواند تقسیم بندی آستانه تصویر و سنجش از دور را با بارها تکرار و ثبات و استحکام مطلوب[۵، ۸، ۲۲] بهبود بخشد. یک مجموعه فازی مجموعه ای از نقاط پیوسته کلاس نمرات عضویت بدون مرز تیز است [۱۱] شکل ۳ را ببینید.
تصاویر سطح خاکستری با انتخاب یک مقدار آستانه تنها به تصاویر باینری تبدیل می شوند (T)، بنابراین تصویر باینری باید حاوی اطلاعات در مورد موقعیت و شکل اشیاء، پیش زمینه باشد [۵، ۸].
در مناطق آستانه طبقه بندی شده بر اساس مقادیر محدوده، به مقدار شدت پیکسل تصویر اعمال می شود[۳، ۵].
پیکسل ها با استفاده از مقادیر محدوده یا مقادیر Threshold طبقه بندی می شوند به:
آستانه جهانی که در آن یک مقدار آستانه واحد در کل تصویر استفاده می شود، ۲٫ محلی، (سازگار) [۸]، مقدار آستانه به هر پیکسل برای تعیین اینکه آیا آن متعلق به پیکسل پیش زمینه یا پیکسل پس زمینه است اختصاص داده شده است [۳، ۵، ۶، ۸]، ۳٫مقدار آستانه T توسط هیستوگرام های تجزیه و تحلیل تصویر انتخاب شده است که می تواند یکی از این دو مدل باشد:
هیستوگرام های Bimodal دو قله و دره روشن را نشان می دهند، T نقطه دره است [۱۳، ۸، ۳]، ۲٫هیستوگرام های چندگانه، شکل ۲را ببینید، پیچیده ترهستند، با بسیاری از قله ها و دره های غیر روشن، بنابراین آسان نیست انتخاب این مقدار T [13، ۸].

تکنیک آستانه
• تکنیک میانگین: از مقدار میانگین پیکسل ها به عنوان مقدار آستانه استفاده می کند [۸].
• P-Tile Technique: یکی از قدیمی ترین روش های آستانه است، از دانش در مورد اندازه مساحت شیء، بر اساس
هیستوگرام سطح خاکستری استفاده می کند ، فرض می کند که اشیا روشن تر از پس زمینه هستند و یک درصد ثابت، شناخته شده به عنوان P٪، از منطقه عکس را اختصاص می دهد. برنامه های کاربردی: مناسب برای تمام اندازه های اشیاء. مزایا: قابلیت های ضد صوتی خوب و ساده . معایب: در صورتی که نسبت مساحت شیء ناشناخته باشد یا تغییر کند، قابل اجرا نیست [۸].
• تکنیک هیستوگرام وابسته (HDT): وابسته به موفقیت برآورد مقدار آستانه که دو منطقه همگن از شی و پس زمینه را جدا می کند. برنامه های کاربردی: برای تصویر با homogenous بزرگ و مناطق را جدا می کند [۸].
• تکنیک حداکثر سازی لبه (EMT): به حداکثر لبه بستگی دارد ، تکنیک های تشخیص لبه، آستانه برای شروع تقسیم بندی و عملکرد آستانه خودکار ‡ بسیار بهتر می شود [۵، ۸، ۱۵].برنامه های کاربردی: برای تصویر با بیش از یک منطقه همگن. مزایا: اجتناب از ادغام بین شی و پس زمینه [۸].
• تکنیک بصری: راه جدید، به عنوان P-Tile. معایب: فعال نیست زمانی که، به طور کلی، تکنیک های آستانه مناسب برای برنامه های کاربردی ساده هستند [۳]. دلیل تصویر باینری [۸]، و راه تقسیم بندی، محاسباتی ارزان و سریع است [۳] ساده ترین است و به طور گسترده برای تقسیم بندی تصویر استفاده می شود [۸]. آستانه چند مرحله برای جداسازی تصاویر پیچیده [۳] بکار می رود.

 

ثبت دیدگاه