نیروی تصویر شامل سه مؤلفه انرژی، انرژی خطوط، انرژی لبهها، انرژی ختم شدگیها میباشد.
رابطه (۲- ۵) E image = w line E line + wedge E edge + w term E term
که تنظیم وزنها، ویژگیهای برجسته تصویر را که توسط مار فرض شده مشخص میکند.
رابطه (۲- ۶)E line= I(x , y)
رابطه (۲- ۷)E edge = - |I(x,y)|2
انرژی لبه را به صورت زیر میتوان نوشت که Gσ یک گوسی با انحراف استاندارد σ میباشد.
رابطه (۲- ۸) Gσ *۲I| ۲ |ـE edge =
انحناء سطح خطوط در یک تصویر کمی یکنواخت شده برای مشخص کردن گوشهها و ختم شدگیها در تصویر استفاده می شود. فرض کنید C(x,y) یک نسخه یکنواخت شده از تصویر باشد به طوریکه
رابطه (۲- ۹) C(x , y)= Gσ * I(x , y)
θ= arctan ()
رابطه (۲- ۱۰) Eterm= CyyCx ۲ – ۲Cxy CxCy +CxxCy ۲ / (Cx ۲ + Cy ۲ )۳/۲
انرژی ختم شدگی از رابطه (۲- ۱۰) به دست می آید.
۲-۲-۲ حداقل سازی انرژی
برای انطباق منحنی به کانتور باید انرژی حداقل (مینیمم) شود به همین دلیل با بهره گرفتن از یکی از روشهای مینیمم سازی این کار باید انجام پذیرد. در اینجا از روش شیب (گرادیان) نزولی[۲۰] که از سادهترین بهینهسازهاست استفاده شده که روابط آن در زیر بیان شده است.
رابطه (۲- ۱۱) xt+1= xt + γ df(xt)/dx
رابطه (۲- ۱۲)yt+1 = yt + γ df(yt)/dy
γ، مقدار گام را در هر تکرار کنترل می کند.
رابطه (۲- ۱۳) t+1= t + γ f( t)
انرژی مار را به صورت مجموع انرژی نقاط گسسته روی مار میتوان تقریب زد.
رابطه (۲- ۱۴) E* snake (i)
∇E* snake (i)
⇽ – ∇Esnake ( )
معادلههای نهایی در زیر آورده شده است.
رابطه (۲- ۱۵) = – γ{winternal [α ۲ / s2 + β ۴ /s4] +∇Eext() }
= – γ{winternal [α ۲x / s2 + β ۴x /s4] +Eext() / x}
= – γ{winternal [α ۲y / s2 + β ۴y /s4] +Eext() / y}
که در نهایت مقادیر نقاط روی مرز به دست خواهد آمد.
در [۵] مدل کانتور فعال به کار گرفته شده که از مجموعه ای آموزشی شامل ۴۵۰۰ تصویر مربوط به حروف آلمانی که توسط ۶ شخص بیان شده استفاده شده است. ابتدا تصاویر با الگوریتم[۲۱] متداول مار برچسب خوردهاند و مارهای همتراز نشده به صورت دستی از پایگاه داده خارج شده اند و هر کانتور لب به یک بردار ۸۰ بعدی که در واقع به صورت ۴۰ نقطه دو بعدی میباشد کد شده است. برای دنبال کردن[۲۲] و یافتن لب در تصاویر جدید انرژی را که منفی مجموع تمام گرادیانهای سطح خاکستری تخمین زده شده در طول کانتور میباشد محاسبه کرده اند. انرژی محلی مینیمم، تطبیقی از مدل کانتور با مرز واقعی لب را نشان میدهد. این عمل با بهره گرفتن از گرادیان نزولی صورت گرفته چون مرز خارجی لبها ویژگی خیلی قوی برای دنبال کردن میباشد. بعد از یافتن کانتور لب Eigenlips” ‘’ محاسبه شده اند. n مولفه خاص اول کانتورها و یا n مولفه خاص اول از ماتریس تصویر سطح خاکستری پیرامون لب را انتخاب نموده که به آنها Eigenlips” ‘’ میگویند. میانگین و بردارهای ویژه از لبها به دست آورده شده است. ده مؤلفه خاص اول برای جداسازی تمام شکلهای سطح خاکستری کافی است. ماتریس سطح خاکستری کدگذاری نسبت به جا به جایی، چرخش، مقیاس تغییر ناپذیر است اما نسبت به روشنایی تغییرپذیر است. با بهره گرفتن از طبقهبند (کلاسهبند) MLP [۲۳] این تغییر پذیری می تواند برطرف شود چون فقط یکی از ده ویژگی شدیداً به روشنایی وابسته است. از ویژگیهای صوتی و تصویری استفاده شده و به کلاسهبند MLP اعمال و احتمال پسین[۲۴] به دست آورده شده است. مطابق با قانون بیز[۲۵] احتمالها به دست آمده و به عنوان احتمال گذر برای مدلهای مخفی مارکوف[۲۶] استفاده شده است. در [۶] از مدل کانتور فعال نمونه گیری شده[۲۷] برای آشکارسازی کانتور لب در دنبالههای تصویر ورودی استفاده شده است. این مدل برای تصاویر دودویی به کاربرده شده است. این مدل حلقهی بستهای از چند ضلعی به وجود آمده توسط نقاط کانتور که با چهار نیرو کار می کند است که در شکل زیر نشان داده شده است.
شکل ۲- ۱ مدل کانتور فعال نمونه گیری شده
Fp نیروی فشار[۲۸] که در جهت نیم ساز دو نقطه کنترل مجاور عمل می کند و مقداری ثابت است.
Fa نیروی کشش[۲۹] که نسبت به فاصله دو نقطه کنترل مجاور عمل می کند.
Fv نیروی لرزش[۳۰] که مقداری ثابت است و در جهت عمود بر برآیند دو نیروی قبل عمل می کند و جهت آن در هر حلقه معکوس می شود.
Fr نیروی دفع[۳۱] میباشد که هنگامیکه نقطه کنترل به مرز شی میرسد این نیرو در جهت خلاف نیروهای دیگر عمل می کند.
در [۷] یک مدل فرم پذیر بر اساس کانتور فعال با چهار نوع انرژی برای نقاط کنترل در نظر گرفته شده است. با ترکیب مناسب این انرژیها و کمینه کردن آن در دو مرحله برای استخراج لبههای قوی و ضعیف، شکل بیرونی دهان و لبها و پارامترها استخراج میگردند. در این مقاله بعد از تخمین اولیه محل دهان و اصلاح آن، در دو مرحله لبه بالا و پایین دهان استخراج می شود. به دلیل استخراج هر یک در مراحل جداگانه و نیز عدم نیاز به نزدیک بودن کانتور اولیه به لبههای استخراج شده نسبت به تغییرات شدت لبه بالا و پایین مقاوم است.
۲- ۳ مدلهای شکل فعال
مدل شکل فعال مبتنی بر یک الگوریتم تطبیقی تکراری است که تحت تاثیر محدودیتهای شکل قرار میگیرد. این محدودیتها با توجه به مدل آماری شکل که به آن مدل توزیع نقطهای[۳۲] میگویند تعیین میگردند. که از آمار به دست آمده از اطلاعات داده های آموزشی که به صورت دستی نشانهگذاری شده اند به دست می آید. مدل توزیع نقطهای کاهش فضای شکلهای معتبر لب را در مفهوم داده آموزشی توصیف می کند و نقاط در این فضا نمایندههای فشردهای از شکل لب هستند که به صورت مستقیم میتوانند استفاده شوند.
هر مدل شکل توسط مختصات نقاط مشخص شده نمایش داده می شود. در شکل زیر یک مدل لب با ۴۴ نقطه نشان داده شده است. (۲۴ نقطه روی کانتور خارجی و ۲۰ نقطه روی کانتور داخلی).
شکل ۲- ۲ علامتگذاری انجام شده بر روی لب
ابتدا گوشهها به صورت دستی تعیین و سپس بقیه نقاط با فاصلههای یکسان بین آنها قرار میگیرند. اگر i امین شکل مدل باxi = (xi1 , yi1 , xi2 , yi2 ,….., xi44 , yi44 ) بیان شود دو شکل مشابه x1 و x2 توسط مینیمم سازی انرژی همتراز[۳۳] میشوند.
رابطه (۲- ۱۶) E = (x1 – M(s,θ) [x2] – t)T w(x1 – M(s,θ)[x2] – t)
جایی که تبدیل مقیاس با s، چرخش با θ و جا به جایی در x , y با tx , ty نشان داده شده است.
رابطه (۲- ۱۷) M(s,θ)[ =
, t = (tx1 , ty1 , ……, txN ,tyN )
w ماتریس وزن قطری در هر نقطه است که مقادیر وزنهای آن در هر نقطه با واریانس آن نقطه نسبت عکس دارد. برای همترازی از الگوریتم تکراری بیان شده در [۸] استفاده شده است. بنابراین مجموعه ای از مدلهای شکل همتراز شده به دست می آید، متوسط شکل محاسبه شده و محورهایی که بیشترین واریانس را از شکل متوسط توصیف می کنند میتوانند توسط آنالیز مؤلفه های خاص مشخص شوند. هر شکل می تواند توسط رابطه زیر تقریب زده شود.
موضوعات: بدون موضوع
[پنجشنبه 1400-07-29] [ 02:37:00 ب.ظ ]