مقاله ای که معرفی می شود به مسئله بخش بندی تصویر(منظور همان قطعه بندی تصویر میباشد) مبتنی بر برش نرمالیزه گراف(Ncut) میپردازد. در این مقاله ضمن بیان هم ارزی رابطه ریاضی حاکم بر مسئله بدون مربی Ncut با معیار Fishe-Rao از دیدگاهی دیگر به برش گراف مناسب جهت بخش بندی تصویر پرداخته است.
مسئله بخش بندی تصویر یکی از مسائل پایه در بینایی ماشین است که یک تصویر را به چند زیرمجموعه معنی دار تقسیم می کند و کاربردهای گوناگونی در زمینه های مختلف مانند تفکیک بافت های پزشکی دارد. تاکنون روشهای مختلفی برای بخش بندی بیان شده است که به طور کلی به پنج دسته گروه بندی شده است:
1. گروه اول بخش بندی مبتنی بر آستانه :که تصویر را به دوبخش پیش زمینه و پس زمینه تقسیم می کند و مشکل این روش پیدا کردن آستانه ای است که بتوان تصویر را دو بخش کرد.
2. گروه دوم بخش بندی مبتنی بر لایه: که فرض میشود مقادیر پیکسل های پیش زمینه و پس زمینه مجزا هستند و این روش نسبت به نویز حساس است.
3. گروه سوم بخش بندی مبتنی بر ناحیه: الگوریتم های رشد و تقسیم و ادغام ناحیه از این دسته اند.
4. گروه چهارم روشهای مبتنی بر Watershead: که تصویر را به صورت یک سطح توپولوژیکی و مقدار شدت روشنایی را به عنوان ارتفاع نمایش می دهد.
5. گروه پنجم بخش بندی مبتنی بر انرژی است که با استفاده از یک تابع انرژی مناسب، انرژی را کمینه می کند و مبحث گراف از این دسته است.
در میان روشها، روشهای مبتنی بر گراف از کارآیی خوبی برخوردار است.سپس روشهای بخش بندی مبتنی بر گراف بیان شده که به پنج دسته ذیل تقسیم شده است:
· روش مبتنی بر درخت پوشای کمینه
· برش گراف و تابع هزینه
· برش گراف روی مدل میدان تصادفی مارکوف
· روشهای مبتنی بر کوتاهترین مسیر
· و روشهای دیگری که در این دسته بندی ها نیست
در بخش بندی تصویر به روش برش گراف، ابتدا گراف متناظر با تصویر بر اساس اطلاعات مکان و شدت پیکسل تشکیل میشود و سپس به دنبال روشی برای برش کمینه میباشد.در این مقاله روش موجود در مقاله[1] که بر پایه Ncut است را به عنوان یک کار پایه در نظر گرفته و درصدد ارائه معیاری مناسب برای ایجاد برش بهینه است و در همین راستا مقاله را چنین سازماندهی کرده است:
ابتدا در بخش دوم مسئله بخش بندی مبتنی بر Ncut را بیان کرده و در بخش سوم به بیان مسئله هم ارزی معادله توصیف کننده مسئله بدون مربی برش گراف پرداخته و در ادامه برای انتخاب مرز و آستانه راه مناسب تری نسبت به مقاله پایه اش ارائه کرده است، که الگوریتم پیشنهادی را می توان چنین کوتاه بیان کرد:
گام اول: به ازای تصویر ورودی داده شده، از روی گراف متناظر آن، مناسب ترین w و D و در نتیجه C تعیین می شود.
گام دوم: با مرتب کردن بردارهای ویژه ی ماتریس C مبتنی بر معیار MFJ ، مناسب ترین آن انتخاب می شود.
گام سوم: از روی بردار برگزیده، آستانه مناسبی برای دوسطحی کردن پیدا می شود.
گام چهارم: از روی بردار دوسطحی شده، به بخش بندی تصویر می پردازد.
و در پایان طی آزمایش های گوناگون به بررسی و مقایسه الگوریتم پیشنهادی و مقاله مرجع پایه پرداخته است.
برای مشاهده کامل این مقاله می توانید از لینک زیر استفاده کنید:
http://tjee.tabrizu.ac.ir/article_4387_e28eaf64e137cd3d6fa1043f8b5c2895.pdf
و برای مشاهده مقاله پایه می توانید به لینک یا مرجع زیر مراجعه کنید:
http://repository.upenn.edu/cgi/viewcontent.cgi?article=1101&context=cis_papers
[1] J. Shi and J. Malik, “Normalized cut and image segmentation,” IEEE Transaction On Pattern Analysis and Machine Inteligence; vol. 22, no. 8, 2000.