دانلود رایگان ترجمه مقاله استفاده از GrabCut اتوماتیک برای تقسیم بندی تصویر (هینداوی ۲۰۱۴)

Hindawi3

 

 

این مقاله انگلیسی ISI در نشریه هینداوی در ۱۱ صفحه در سال ۲۰۱۴ منتشر شده و ترجمه آن ۱۹ صفحه بوده و آماده دانلود رایگان می باشد.

 

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

مقاله تقسیم بندی تصویر بر مبنای مدل های فضایی رنگی مختلف با استفاده از GrabCut اتوماتیک

عنوان انگلیسی مقاله:

Color Image Segmentation Based on Different Color Space Models Using Automatic GrabCut

 

 

مشخصات مقاله انگلیسی و ترجمه فارسی
فرمت مقاله انگلیسی pdf
سال انتشار ۲۰۱۴
تعداد صفحات مقاله انگلیسی ۱۱ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله
مهندسی کامپیوتر
گرایش های مرتبط با این مقاله
هوش مصنوعی -مهندسی الگوریتم ها و محاسبات – معماری سیستم های کامپیوتری
چاپ شده در مجله (ژورنال) مجله دنیای علمی 
ارائه شده از دانشگاه دانشکده کامپیوتر و علوم اطلاعات، دانشگاه عین شمس
نمایه (index)
Scopus – DOAJ – Medline
شناسه شاپا یا ISSN
۱۵۳۷-۷۴۴X
شناسه دیجیتال – doi https://doi.org/10.1155/2014/126025
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
نشریه
هینداوی – Hindawi
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۹ 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) (ترجمه به صورت ناقص انجام شده است)

کد محصول

F1812

 

بخشی از ترجمه

-مدل های فضای رنگی
فضای رنگی که به طور گسترده ای استفاده می شود فضای رنگی RGB است، از آنجا که فضاهای رنگی زیادی وجود دارد ، بهتر است که آنها را به دسته های کمتر با توجه به تعاریف و خواص آنها طبقه بندی کنیم.Vandenbroucke طبقه بندی رنگ را به مقوله های زیر پیشنهاد کرد:
(i) فضاهای اولیه که بر اساس این نظریه استوار است: فضاهای اولیه 𝑅𝐺𝐵 واقعی، 𝐶𝑀𝑌 ضعیف، و فضاهای اولیه 𝑋𝑌𝑍 خیالی
تبدیل از 𝑅𝐺𝐵 به 𝐶𝑀𝑌:
– تکنیک خوشه بندي درختی و بومان
درختی و بومان یک تکنیک خوشه بندی کوانتومی رنگ است که برای تعیین خوشه خوب تقسیم شده از بردار مشخصه ماتریس کوواریانس رنگ استفاده می کند. این الگوریتم با تمام پیکسل ها در یک خوشه تکی شروع می شود. این خوشه سپس با استفاده از یک تابع بردار مشخصه از ماتریس کوواریانس به عنوان نقطه تقسیم به دو قسمت تقسیم می شود. سپس از مقادیر خاصی از ماتریس کوواریانس برای انتخاب اینکه کدام یک از خوشه های حاصل نامزد برای تقسیم بعدی است استفاده می کند. این روش تکرار می شود تا زمانی که خوشه مورد نظر به دست می آید. برای خوشه های بزرگ با توزیع گاوسی این یک راه حل بهینه است.
به عنوان مثال، 𝐶۱ را به عنوان یک مجموعه ای از پیکسل ها، در نظر بگیرید، تقسیم آن به خوشه های k:
(۱) محاسبه μ۱، میانگین C1و Σ۱،ماتریس کوواریانسC1
(۲) برای 𝑖 = ۲ تا 𝐾 به صورت زیر عمل کنید:
(i) مجموعه 𝐶n را که دارای بزرگترین مقدار مشخصه است پیدا کنید و بردار مشخصه مرتبط 𝑒n را ذخیره کنید ،
(ii) تقسیم 𝐶n به دو مجموعه،x ϵ Cn : enTzn <= enTµn}}Ci= و Cn*=Cn-Ci
(iii) محاسبه μn*,∑n*,µi و iµ .

۵-تقسیم بندی تصویر با استفاده از GrabCut
GrabCut یک گسترش قدرتمند از الگوریتم برش گراف برای تقسیم تصاویر رنگی به طور تکراری است و برای ساده سازی تعامل کاربر برای کیفیت داده شده از نتایج تقسیم بندی مورد نیاز است.
GrabCut نیمه اتوماتیک اصلی.
الگوریتم GrabCut توزیع های رنگی از پیش زمینه و پس زمینه را با دادن یک احتمال به هر پیکسل که متعلق به خوشه ای از پیکسل های دیگر است یاد می دهد. این را می توان به شرح زیر توضیح داد: یک تصویر رنگی I داده شده است ، در نظر میگیریم z = (z1,…,zn,…,zN) از𝑁 پیکسل، که 𝑧𝑖 = (𝐶۱i ,C2i ,C3i)،𝑖∈ [۱,…,N] و𝐶𝑗 مولفه رنگ 𝑗th در فضای رنگ مورد استفاده است. این تقسیم بندی به صورت آرایه α = (α ۱,…, αN) ، αi ϵ {۰,۱} تعریف شده است ،اختصاص یک برچسب به هر پیکسل تصویر، نشان می دهد که آن متعلق به پس زمینه یا پیش زمینه است. الگوریتم GrabCut عمدتا شامل دو مرحله اساسی است: اولویت بندی و به حداقل رساندن تکرار. جزئیات هر دو مرحله در بخش زیر توضیح داده شده است.
۵٫۱٫۱ راه اندازی GrabCut.
تازگی تکنیک GrabCut در”برچسب گذاری ناقص” است که اجازه می دهد یک درجه از میزان تعامل کاربر کاسته شود. این تعامل کاربر به سادگی مشخص کردن فقط پیکسل های پس زمینه با کشیدن یک مستطیل در اطراف شیء پیش زمینه مورد نظر است (شکل ۱). فرایند اولیه سازی GrabCut به صورت زیر کار می کند:
مرحله ۱: A trimap 𝑇 = {TB ,TU, TF} ، در یک روش نیمه اتوماتیک مقداردهی اولیه می شود. این دو منطقه TB و TU شامل پس زمینه اولیه و پیکسل های نامشخص است، به ترتیب در حالی که.TF = Ø TB اولیه به عنوان چرخش پیکسل ها در خارج از مستطیل مشخص شده تعیین می شود. پیکسل متعلق به TB به عنوان یک پس زمینه ثابت در نظر گرفته می شود، در حالی که پیکسل متعلق به TU توسط الگوریتم برچسب گذاری می شود.
مرحله ۲: یک تقسیم بندی تصویر اولیه α = (α۱,…, αi,…, αN) ، α ϵ {۰,۱} ایجاد شده ، که تمام پیکسل های ناشناخته به طور آزمایشی در کلاس پیش زمینه (α = ۱ for i ϵ TU) قرار می گیرند و تمام پیکسل های شناخته شده در این کلاس پس زمینه قرار می گیرند αi = 0 for 𝑖 ∈ TB) ).
مرحله۳: دو مدل ترکیبی گاووسی کوواریانس کامل (GMMs) تعریف شده است ،هر کدام شامل مولفه های 𝐾 = ۵ ، یکی برای پیکسل های پس زمینه (αi=0) و دیگری برای پیکسل های پیش زمینه(در ابتدا ناشناخته) (αi = 1) است. اجزای 𝐾 از هر دو GMMs از کلاس های پیش زمینه و پس زمینه با استفاده از تکنیک خوشه بندی درختی و بومان شروع می شوند.
۵٫۱٫۲٫ بهینه سازی انرژی تکراری GrabCut.
تقسیم بندی نهایی برش گراف در مراحل زیر با استفاده از الگوریتم بهینه سازی تکراری انجام می شود:
مرحله ۴٫ هر پیکسل در کلاس پیشوند به احتمال زیاد جزء گاوسی در پیش زمینه GMM است. به طور مشابه، هر پیکسل در پس زمینه به احتمال زیاد جزگاوسی پس زمینه اختصاص داده شده است.
مرحله ۵٫ GMM ها دور انداخته می شوند و GMM های جدید نیز در حال یادگیری از مجموعه پیکسل هایی که در مجموعه قبلی ساخته شده اند هستند.
مرحله ۶٫ یک گراف ساخته شده است و گراف Cut برای یافتن یک پیش زمینه جدید و طبقه بندی پس زمینه پیکسل ها اجرا می شود.
مرحله ۷٫ مرحله ۴-۶ تکرار می شود تا طبقه بندی همگرا باشد.

این مزیت را دارد که امکان پالایش خودکار ابهامات α را فراهم می کند ، به عنوان پیکسل های برچسب گذاری شده جدید ازمنطقه TU trimap اولیه برای اصلاح رنگ GMM از آن استفاده می شود.
۵٫۲ پیشنهاد GrabCut خودکار.
اگرچه این نقص برچسب گذاری کاربر از GrabCut تعامل کاربر را به طور قابل توجهی کاهش می دهد هنوز برای آغاز روند تقسیم بندی لازم است. این GrabCut را به صورت الگوریتم تقسیم بندی نیمه اتوماتیک / تحت نظارت تعریف می کند. در واقع به تصویر اجازه می دهد که به بخش های مناسب بدون هر گونه راهنمایی کاربر تقسیم شود ، این نیاز به جایگزینی گام نیمه اتوماتیک / تحت نظارت از مقداردهی اولیه GrabCut بصورت کاملا خودکار / بدون نظارت دارد.
در این مقاله، درختی و بومان پیشنهاد شده است تا به عنوان یک روش خوشه بندی تصویر استفاده شود تا به طور خودکار trimap اولیه 𝑇 و تقسیم بندی اولیه را تنظیم کند (بخش ۵٫۱،مراحل ۱ و ۲). تمایز بین trimap و تقسیم بندی رسمی کردن تجزیه منطقه مورد نظر که تقسیم شده است و تقسیم بندی نهایی با الگوریتم GrabCut است. در روش اتوماتیک مراحل ۱ و ۲ فرآیند مقداردهی اولیه GrabCut به صورت زیر اصلاح خواهد شد.
مرحله ۱: در حالی که GrabCut اصلی Trimap 𝑇 را از دو منطقه TB و TU تشکیل می دهد به عنوان پس زمینه ثابت شده و ناحیه های ناشناخته، به ترتیب، روش اتوماتیک پیشنهادی کل تصویر را به عنوان منطقه ناشناخته TU در نظر می گیرد، که TU = {zi ϵ {z1,…,zn,…,zN}} و I ϵ [۱,…,N] . این یعنی که پیش زمینه ثابت یا مناطق پس زمینه شناخته شده نیست و تمام پیکسل های تصویری در کمینه سازی فرایند دخیل خواهند بود تا با الگوریتم برچسب گذاری شود.
مرحله ۲٫این تصویر با استفاده از تکنیک خوشه بندی درختی و بومان ابتدا به دو پیش زمینه TF و مناطق پس زمینه TB تقسیم می شود. در این مرحله یک GMM جدید معرفی شده است که شامل تنها دو جزء است ((𝐾 = ۲ : یک جزء برای پیکسل های پس زمینه (α𝑖 = ۰) و دیگری برای پیکسل های پیش زمینه (α𝑖 = ۱). تکنیک خوشه بندی باغچه و Bouman تا رسیدن به تعداد اجزاء (𝐾 = ۲) درGMM اعمال می شود و تکرار می شود ، در نتیجه تصویر را کاملا به دو خوشه تقسیم می کند.
مرحله ۳٫ رنگ پیکسل تصویر متعلق به هر خوشه (خوشه های پیش زمینه و پس زمینه) از مرحله قبلی تولید شده سپس برای مقداردهی اولیه دادن برای دومین بار به صورت کامل به مدل های ترکیبی گواسی کوواریانس (GMMs) با (𝐾 = ۵) استفاده می شود.

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.