
- اطلاعات کلی
- مدرس : علیپور
- قسمت : تک قسمتی
- وضعیت محصول : غیر رایگان
- نوع آموزش : تصویری + کد متلب + داکیومنت
- زبان : فارسی
- مدت زمان : 124 دقیقه
- تاریخ : ۰۱ آبان ۱۳۹۸
با سلام
قطعه بندی یک پردازش میانی در مباحث پردازش تصویر است که نقش اساسی در تحلیل تصاویر و بینایی ماشین دارد. روش های مختلفی برای قطعه بندی تصویر ارائه شده اند. یکی از رایج ترین روش های قطعه بندی، مدل های دگر شکل پذیر می باشند.
مدلهای شکل پذیر منحنیهایی هستند که در حوزه تصویر تعریف شده و در جهت کمینه سازی توابع انرژی داخلی (سبب هموار شدن منحنی) و توابع انرژی خارجی (سبب هدایت منحنی به سمت مرز شی مطلوب) حرکت میکنند.
مدلهای دگرشکل پذیر میتوانند بر اساس اینکه منحنیها و سطوح چطور تعریف میشوند، به دو گروه تقسیم بندی شوند :
۱- مدل دگرشکل پذیر پارامتری[۱] (صریح[۲]) که کانتور فعال[۳] نیز نامیده میشود
۲- مدل دگرشکل پذیر غیر پارامتری (هندسی) [۴] (ضمنی[۵]) که مجموعه سطح (سطوح همتراز) Level Set یا کانتور فعال هندسی[۶] نیز نامیده میشوند.
کانتور فعال (مار[۱])، خمی است مقید به پیوستگی و همواری و در عین حال توسط یک میدان نیروی خارجی به طرف نقاط مرزی و لبه های تصویر کشیده میشود. پیشتر مجموعه آموزشی مربوط به مفاهیم مدل دگر شکل پذیر پارامتری (کانتور فعال) با زبانی ساده بیان گردید (می توانید از اینجا مشاهده نمایید).
مدلهای دگرشکل پذیر هندسی بر پایه تئوری تکامل منحنی و متد مجموعه سطح (Level Set) میباشند. مهمترین و پرکاربردترین متدهای مبتنی بر مدلهای دگرشکل پذیر هندسی شامل موارد زیر است:
۱- روش Caselles
۲- روش Chan & Vese
۳- روش Chunming Li
۴- روش Lankton
۵- روش Bernard
۶- روش Shi
در روش Shi یک تابع مجموعه سطح را در باند محدودی از داده های تصویر با استفاده از آرایه ای از مقادیر صحیح تقریب زده می شود. در مقایسه با متدهای دیگر، این الگوریتم بدون نیاز به حل معادله مشتقات جزئی ( PDEs ) منحنی را تکامل میدهد درحالیکه مزیتهای اصلی متدهای مجموعه سطح را حفظ میکند، مزیت هایی مانند مدیریت خودکار تغییرات توپولوژیکی و قابلیت گسترش منحنی در ابعاد بالاتر. همچنین عدم نیاز داشتن این الگوریتم به مقداردهی مجدد تابع مجموعه سطح یکی دیگر از دلایل کارآمدی این الگوریتم میباشد.
با توجه به پیاده سازی نسبتا پیچیده این الگوریتم، در این مجموعه آموزشی سعی نمودیم تا با زبانی ساده به بیان پیاده سازی الگوریتم Shi در متلب بپردازیم. در این ویدئو آموزشی خط به خط کدهای الگوریتم Shi در متلب آموزش داده می شود.
تذکر ۱:
پیش نیاز این مجموعه آموزشی آشنایی با مفاهیم مدل های دگر شکل پذیر هندسی می باشد.
تذکر ۲:
پایان نامه مربوط به مفاهیم مدل های دگر شکل پذیر هندسی را می توانید از اینجا دانلود نمایید.
[۱] Parametric deformable model
[۲] Explicit
[۴] Non parametric deformable model
[۵] Implicit
[۶] Geometric active contour