چكيده
تكنولوژي هاي ويدئويي و تكنيك هاي پردازش تصاوير به عنوان ابزاري براي بررسي، مانيتورينگ و عيب يابي استفاده شده اند، اين
تكنيك ها مدت هاي طولاني است كه در زمينه ها و شاخه هاي مختلفي به كار گرفته شده اند. اغلب اين تكني كها به طور قابل
ملاحظه اي در پزشكي و دريافت اطلاعات از راه دور استفاده مي شوند. در ميان اين تكنولوژي ها، تبديلات بيملت كاربردهاي فراواني
در پردازش تصاوير دارند. اكثر الگوريتم هاي مبتني بر بيملت براي شناسايي و يا آشكار سازي خطوط و منحن يها و ساير اشيا در
تصاوير حاوي نويز استفاده مي شوند. در اين مقاله در ابتدا به صورت مختصر به معرفي تبديل بيملت پرداخته و سپس استفاده از
بيملت را در حل چند مسئله كاربري در حوزه پردازش تصوير بررسي مي كنيم.
كلمات كليدي
- SAR تبديل بيملت، تحليل چند مقياسي، آشكارسازي لبه، فيلترهاي هدايت كننده، تصاوير نوري، تصاوير
تصاوير فراصوتي – pennation عظلات مخطط- زاويه
-1 مقدمه
تبديل بيملت يك روش تبديل چند مقياسي است [ 2] كه توسط
پيشنهاده شده است و گاها به همراه تبديل كرولت و تبديل Donoho
اعمال ميشود. استفاده از اين تبديلات براي دريافت wedgelet
اطلاعات باعث ميشود تا نسبت به تبديل ويولت نتايج بهتري بدست
آوريم، چراكه نه تنها موقعيت و مقياس را حفظ مي كنند بلكه يك
سري اطلاعات راهنما نيز ارائه مي كنند كه در تصاوير ضروري بوده و
تبديل ويولت اين اطلاعات را حفظ نمي كند. بينايي انساني ذاتا
پديده هاي چند مقياسي را درك كرده و نسبت به جهت و حركت
حساس مي باشد. به طور مثال مي توان چنين عنوان كرد كه لبه ها
ويژگي هاي غالبي در بينايي انسان دارند. بر اساس اين حقيقت، اصلي
ترين وظيفه تبديل بيملت شناسايي سگمن تها و بخش هاي خطي با
تمامي جهت هاي مي باشد. همان طور كه اشاره شد استفاده از تبديل
بيملت مزاياي فراواني را به همراه دارد. به طور مثال در بحث آشكار
سازي لبه هاي تصوير، تبديل بيملت لبه هاي تصوير را با استفاده از
انطباق يك الگو با سگمنت هاي خطي شناسايي مي كند. اين روش براي
حذف نويز بسيار قوي تر از آشكار كننده هاي مبتني بر مشتق محلي
عمل مي كند. علاوه بر اين تبديل بيملت براي آشكارسازي لب ههاي
چندگانه، لبه هاي زنجيروار و متصل به هم و تحليل ويژگ يهاي لب هها
در يك ساختار درخت يكسان به كار گرفته مي شود . روي هم رفته
مي توان چنين گفت كه تبديل بيملت يك پراكندگي چندگانه را ايجاد
كرده و بهينه ترين شيوه نمايش براي لبه هاي هموار در تصوير مي باشد.
هر چند كه محاسبه تبديل بيملت براي تمامي مقياس ها با بهترين
روزلوشن مي تواند بسيار هزينه بر باشد، عملگرهاي بيملت براي
اتصالات برجسته و هدايت مداوم لب هها بسيار سريع تر و قوي تر از
پروسه پيمايش پيكسل به پيكسل عمل مي كند. روشي كه استفاده از
آن در آشكار كننده هاي لبه ها مرسوم بوده است و با مشتق گيري
همراه بوده است.
تبديل بميلت كاربردهاي مختلفي دارد: به عنوان مثال با نرمالايز كردن
توانست اشكال پيرامون توده ها Sampat ، هيستوگرام و تبديل بيملت
را در ماموگرافيك شناسايي كند. و با استفاده از يك عمليات پيش
را در DNA رشته هاي Berlemont . پردازش فيلترها را هدايت كند
تصاوير نويزدار شناسايي كرد، تصاويري كه توسط ذره بين هاي فلئورسان بدست آمده بودند. هرم بيملت و گراف بيملت نيز دو ساختار
داده اي هستند كه در اغلب موارد و در بيشتر مسائل كاربردي استفاده
[ شده است. [ 3
-2 پردازش و طبقه بندي تصاوير سنگفرش
خيابان ها توسط تكنيك هاي مبتني بر تبديل
بيملت
بررسي هاي ديداري مرسوم و تحليل شكاف هاي آسفالت كه به صورت
دستي انجام مي شوند، روش هايي هستند كه بازرسان براي انجام شان
بايد عرض جاده را بپيمايند، بايستند و اندازه شكا فها را مشخص
كنند، كه اين كار بسيار هزينه بر، وقت گير و پركار م يباشد. بنابراين،
تحليل هاي خودكار و شناسايايي الگوها مطلوب ترين روش براي
بازرسي آسفالت معابر مي باشد.
طي يك كار تحقيقاتي سعي شده است تا سيستمي خودكار جهت
بررسي شكا فهاي موجود در آسفالت خيابان ها ارائه گردد.
هدف اين كار تحقيقاتي[ 1] اين است كه به طور خودكار شكاف و
ترك هاي آسفالت خيابان ها را با استفاده از تكنيك هاي پردازش تصاوير
ديجيتالي آشكارسازي و دسته بندي كند. در اين مقاله از يك الگوريتم
جهت بهبود تصاوير يك آسفالت آسيب ديده استفاده شده است تا
ميزان روشنايي پس زمينه ها را كه غير يكنواخت هستند، تصحيح
كنيم. با محاسبه فاكتورهاي فراواني كه باعث تغيير روشنايي در پس
زمينه مي شوند اين امر امكان پذير مي شود. و نهايتاً براي استخراج
ويژگي هاي خطي نظير شكاف هاي سطحي از تصاوير آسفالت بر اساس
الگوريتم مطرح شده تبديل بيملت گرفته شده است.
1-2 شيوه ارائه شده
كثرت ماتريسي كه از يك تصوير با يك شيار در آسفالت حاصل
مي شود شامل سه نوع تغيير و ناپايداري مي باشد. 1) روشنايي غير
يكنواخت در پس زمينه، يك سيگنال با فركانس بسيار پايين.
2) آسفالت هايي داراي شكاف و يا آسفالت هاي بدون شكاف ولي بي
نظم و نامرتب. كه مؤلفه هاي اين تصاوير فركانس بالايي در لب ههاي
تصوير دارند. 3) نويز، كه بدليل استفاده از مواد ناهمگن دانه دانه به
وجود مي آيد. يك فركانس تصادفي بالا و يك سيگنال با دامنه
متوسط. علاوه بر اين ها، سالم بودن سطوح آسفالت تغييرات بافت
آسفالت را نشان مي دهد كه بدليل طبيعت و عناصر ساختاري آن
مي باشد مخصوصا بدليل وجود مواد معدني متراكم شده كه نتيجه آن
تغيير شديد در رنگ آسفالت مي باشد.
نيز بررسي تحليل شكاف هاي (DWT كاربرد تبديل ويولت گسسته ( ١
تصوير مي باشد. با استفاده از يك تبديل ويولت سريع، تصاوير آسفالت
را مي توان به دو باند فرعي با فركان سهاي مختلف تجزيه كرد. اندازه
Discrete Wavelet Transform ١
دو ويولت را Javidi . ضرايب ويولت ميزان بي نظمي را نشان مي دهد
y و x تعريف كرد كه به ترتيب مشتقات جزئي در امتداد محور
مي باشند. چنانچه تابع ويولت را در فضاي دوبعدي رسم كنيم
هستند. با ارزيابي مقياس هاي y و x كناره هاي صاف مكعب محورهاي
سراسري در بيشترين تبديل ويولت، نويز موجود در پس زمينه را
مي توان از شكا فهاي مهم جدا كرد. سپس، نقشه و طرح شكا فهاي
تصاوير ترسيم شده و تبديل هاف بر روي آن انجام مي شود تا تعداد
شكاف هاي غالب در تصوير تعيين شود.
شكل 1- نمونه اي از يك شيار و تبديلات بيملت متناظر با آن ها
تصوير پس از حذف پس زمينه هاي غير يكنواخت - b - تصوير اصلي -a
تصوير شكاف پس از بازبيني - d - نتايج تبديل بيملت -c
در اين مقاله [ 1]، روشي را بر اساس تبديل ويولت جهت استخراج
شكاف ها از تصاوير آسفالت ها پيشنهاد شده است. در ابتدا يك تكنيك
فيلترينگ براي بهبود تصاويري كه روشنايي شان غير يكنواخت است
استفاده شده است. تبديل بيملت كه يك روش قوي براي استخراج
ويژگي هاي منحني شكل و خميده در تصوير مي باشد از اين رو از اين
تبديل مي توانيم براي استخراج انواع مختلف شكاف در تصاوير آسفالت
خيابان ها استفاده كنيم. شكل 1 نمونه اي از شكاف هاي آشكار شده را
توسط اين سيستم نمايش مي دهد.
-3 استخراج ويژگي هاي خطي چند مقياسي بر
اساس تبديل بيملت
بيملت ابزاري موثر براي تحليل تصاوير چند مقياسي است. در  يك
الگوريتم سريع براي تبديلات گسسته بيملت پيشنهاد شده است اين
الگوريتم تا حدود زيادي ميزان پيچيدگي محاسبه مختصات پيكسل ها
را بر روي بيملت كاهش داده و تبديل بيملت را بر روي مجموعپيكسل هاي با مقادير سياه و سفيد متمركز كرده است. اين مقاله نيز
روش استفاده از انرژي براي جبران پيچيدگي ها را بهبود داده است، در
اين روش يك رابطه دو درج هاي از بيشترين ميزان انرژي بيملت در
يك مربع دوتايي بيان شده ، و يك استانه پردازشي براي الگوريتم
تعيين بيشترين انرژي بيملت ارائه شده است كه مي تواند مسئله
انتخاب فاكتور ميزان جريمه را حل كند.برتري بيملت نسبت به ساير تبدي لها
استخراج ويژگي هاي خطي در تكنولوژي پردازش تصاوير بسيار مهم
است. تحليل ويولت بيشترين مزيت ها را در زمينه استخراج نقاط
ويژگي ها در تصاوير دارد، اما اين تبديل براي استخراج ويژگ يهاي
خطي خوب نيست. تبديل رادون نيز در امتداد سگمن تهاي خطي
بررسي انجام مي دهد، سگمنت هايي كه محدوده شان كل تصوير است،
از اين رو امكان جمع آوري اطلاعات دقيق درباره موقعيت نقاط نهايي
و طول سگمنت هاي خطي وجود ندارد. با توجه به آنچه در اين زمينه
گفته شده نهايتاً تبديل بيملت براي استخراج ويژگي هاي خطي
پيشنهاد شده است.
بيملت فريمي دارد كه در سگمنت هاي خطي نقشي مشابه با نقشي كه
نقاط در تحليل ويولت بازي مي كنند دارد. در حاليكه ويولت براي
نمايش نواحي ثابت اطراف فضاها، بر روي مقيا سهاي محلي مبتني بر
موقعيت متمركز شده، بيملت يك مقياس محلي مبتني بر موقعيت و
جهت بر روي بخ شهاي دوتايي از سگمنت هاي خطي اعمال مي كند.
بنابراين با ارزش خواهد بود كه بر روي تبديل بيملت و كاربردهاي آن
در پردازش تصوير تحقيقاتي انجام شود.
2-3 تبديل سريع بيملت
همانطور كه در شكل 2 نشان داده شده است. تبديلات سريع بيملت به
ميزان بسيار زيادي پيچيدگي محاسبات انجام شده براي تعيين
مختصات پيكسل ها را بر روي سگمنت هاي خطي كم مي كند.