دانلود رایگان ترجمه مقاله مورفولوژیکی مبتنی بر تصویر (ساینس دایرکت – الزویر ۲۰۱۶)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

در این وضعیت، از کلاس پایه انتزاعی به نام KinectHelper استفاده کردیم که دارای توابعی برای این نوع از ارتباطات است. در در این مقاله، ما از روش KinectHelper:UpdateDepthFrame برای به‌روزرسانی فریم داده عمق استفاده کردیم و سپس با استفاده از KinectHelper: GetDepthImageAsArgb داده کینکت را با فرمت ARGB به دست آوردیم. زمانی که این داده‌ها را یافتیم قادر به گسترش الگوریتم به عنوان تعهدات بعدی خواهیم بود.

۳٫ الگوریتم هموارسازی تصویر
در این بخش، اصلی را که برای کاهش سطح نویز در عمق تصویر به دست آمده استفاده شده توضیح خواهیم داد. در این مقاله از اصل فیلتر میانه [۲۴] استفاده شده است.
چندین فیلتر برای حذف نویزهای تصاویر وجود دارد. بااین‌حال، فیلتر میانه بسیاری متفاوت از فیلترهای موجود است. مهم‌ترین ویژگی فیلتر میانه حفظ لبه همزمان با حذف نویزها است. اساسا، فیلتر میانه هر پیکسل تصویر را تجزیه و تحلیل می‌کند و هر پیکسل را با میانه پیکسل‌ها در منطقه مربوط به فیلتر R جایگزین می‌کند.
این فرایند می‌تواند با توجه به معادلات زیر بیان شود در اینجا، (u,v) موقعیت پیکسل تصویر است و (i,j) موقعیت همسایه‌های تصویر است که این دو با کمک یک بردار عددی دو مقداری از اعداد صحیح مثبت مشخص می‌شوند. با استفاده از فیلتر میانه، هر پیکسل خروجی شامل مقدار میانه در همسایه‌های متناظر پیکسل در تصویر ورودی است.
در این معادله، میانگین حسابی دو مقدار وسطی، PK و PK-1 به‌عنوان میانه دنباله در نظر گرفته می‌شود. این عمل موجب ایجاد مقدار پیکسل جدید در منطقه برای فیلتر میانه در نظر گرفته شده با اندازه زوج می‌گردد.
در شکل ۲ تاثیر فیلتر میانه ۳*۳ بر روی یک تصویر دو بعدی نشان داده شده است. در اینجا، تمام نه مقدار استخراج شده از تصویر به کمک فیلتر میانه به‌عنوان یک بردار مرتب شده‌اند. مقدار مرکزی در بردار به عنوان میانه در نظر گرفته شده و در نهایت جایگزین مقدار پیکسل انتخابی شده است.
در الگوریتم پیشنهادی این مقاله نیز، از همان روش ولی فیلتر میانه ۵*۵ استفاده شده است. در بخش مثال، تاثیر روش فیلتر میانه نشان داده شده است.

۴٫ الگوریتم تشخیص لبه در تصویر عمق
این بخش فرایند تشخیص لبه در سیستم پیشنهادی را نشان می‌دهد. در این مقاله، از اصل فرایند تشخیص لبه Canny استفاده کرده‌ایم. برای دستیابی به عملکرد بهتر با برخی از عملیات مرفولوژی [۲۷] آن را ویرایش کرده‌ایم.
۴٫۱٫ الگوریتم تشخیص لبه canny
چندین عملیات تشخیص لبه در زمینه پردازش تصویر وجود دارد و آشکارساز لبه Canny [25] یکی از آشکارسازهای بسیار موثر است. که قادر به درک گسترده لبه‌ها در یک تصویر است. به طور کلی این روش معیار دقیقی برای تشخیص لبه است و روند اجرای کاملا ساده در تشخیص لبه موجب به رسمیت شناخته شدن آن شده است. در بخش‌های بعدی روند الگوریتم تشخیص لبه canny به طورکامل توضیح داده شده است [۲۶]:

۴٫۱٫۱٫ روند الگوریتم تشخیص لبه canny
فرایند الگوریتم تشخیص لبه canny می‌تواند به پنج مرحله مختلف طبقه‌بندی شود:
۱٫ هموار کردن: برای حذف نویز از تصویر، عملیات صاف و یا مات کردن انجام می‌شود.
۲٫ پیدا کردن شیب: پس از داشتن شیب تصویر، لبه‌ها تنها باید در مناطقی که در آن مقادیر بزرگ به دست آمده‌اند مشخص شوند.
۳٫ محو غیرحداکثری: فقط ماکزیمم‌های محلی باید به‌عنوان لبه در نظر گرفته شوند.
۴٫ آستانه دوبرابر: لبه‌های موثر در آینده با آستانه دو برابر مشخص شده‌اند.
۵٫ پیگیری لبه‌های توسط hysteresis: پس از سرکوب تمام لبه‌هایی که به یک لبه خاص و یا قوی متصل نیستند، آن‌ها به‌عنوان لبه نهایی در نظر گرفته می‌شوند.
در این مقاله، ما از تمام این مراحل استفاده نکردیم، زیرا عملیات هموار کردن با استفاده از فیلتر میانه را اعمال کردیم. بنابراین اولین گام را رد شده و مراحل دیگر برای روش ما انجام شد. سپس، با معرفی عملیات مورفولوژیکی منطقی، فرآیند تشخیص لبه اصلاح شده و از نظر عمق تصویر این فرآیند کاملا جدید است.

۴٫۲٫ اصلاح الگوریتم تشخیص لبه canny
اگرچه آشکارساز لبه canny قادر به تشخیص لبه به شیوه ای خاص است، ولی برای رسیدن به تشخیص لبه دقیق‌تر از یک تصویر عمق، فرایند تشخیص لبه را با استفاده از عملیات مورفولوژیکی اصلاح کردیم. این عملیات به‌طورکلی یک مجموعه از عملیات غیرخطی در مرتب‌سازی پیکسل‌ها بدون تاثیر مقادیر عددی آنها هستند. اپراتورهای کلیدی برای عملیات مورفولوژیکی فرسایش و اتساع هستند. در زیر عملیات مورفولوژیکی [۲۷] مورد استفاده در روش ما را توضیح می‌دهیم. براساس شکل و یا مورفولوژی ویژگی‌ها در پردازش تصویر مورفولوژیکی همچنان به انجام برخی از عملیات غیرخطی بسنده می‌کنیم. این عملیات بر مرتب‌سازی نسبی مقادیر پیکسل به جای مقادیر عددی و به تبع آن پردازش باینری مناسب تصاویر بستگی دارد. با این حال، عملیات مورفولوژیکی را می‌توان در دیگر انواع تصاویر، مانند تصاویر در مقیاس خاکستری استفاده کرد. در تصاویر مقیاس خاکستری، توابع انتقال نور ناشناخته هستند و به این ترتیب مقادیر پیکسل مطلق نیستند و تغییر جزئی دارند. معمولا، تکنیک‌های مورفولوژیکی یک تصویر را با استفاده از یک شکل و قالبی کوچک بررسی می‌کنند، که عنصر ساختار نامیده می‌شود. این عنصر ساختار معمولا در تمام نقاط احتمالی در تصویر قرار داده شده است و با پیکسل‌های همسایه مقایسه می‌شود. در این عملیات، این آزمون بررسی می‌کند که آیا عنصر “متناسب” با همسایه است یا اینکه آیا عنصر تداخل دارد. شکل. ۳ چگونگی این عملیات بر روی پیکسل‌های تصویر را نشان می‌دهد. در تصاویر باینری، اگر آزمون در یک محل خاص موفق باشد این عملیات یک تصویر باینری جدید ایجاد می‌کند که در آن پیکسل شامل یک مقدار غیرصفر در آن مکان خاص از تصویر ورودی است.
عنصر ساختار مورد استفاده در این عملیات مورفولوژیکی یک تصویر باینری کوچک است، یک ماتریس از پیکسل‌ها که در آن هر پیکسل شامل مقدار صفر یا یک است. توضیح کلید را می‌توان بصورت زیر نوشت:
• ابعاد ماتریس، اندازه‌ی ساختار عنصر را تعیین می‌کند.
• الگوی یک و صفرها شکل عنصر ساختار را مشخص می‌کند.
• منشاء عنصر ساختار معمولا یکی از آن پیکسل‌ها است، اگرچه به‌طورکلی منشأ می‌تواند خارج از عنصر ساختار باشد.
در ایم مطالعه، یک عملیات مورفولوژیکی را استفاده کرده‌ایم که به‌عنوان ترکیبی فرسایش و اتساع نشان داده شده است. اولین عملیات، باز شدن و دیگری بسته شدن نامیده می‌شود. باز کردن، یک فیلتر مورفولوژیکی است که در آن فرسایش به دنبال اتساع اتفاق می‌افتد. و بسته شدن یک فیلتر مورفولوژیکی است که در آن اتساع به دنبال فرسایش اتفاق می‌افتد.