پنج شنبه 28 تیر 1397 | Thursday 19 th of July 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
3-2-1- تطبیق با نمودار رخداد همزمان رنگ

هر تصویر مدل بهعنوان نمودار رخداد همزمان رنگ نشان داده می شود.CHرنگ شماره و تعداد رویدادهایجفت پیکسل‌هایرنگ c1=(R1,G1,B1)و c2=(R2,G2,B2)و جداشده با یک بردار درسطح تصویر (Δx,Δy) را نگه می دارد.

می توانیم نمودار رخداد همزمان را به طور نمادین مانند CH(c1,c2,Δx,Δy)بنویسیم. این به طور اساسی مشابه ماتریس رخداد همزمان است که توسط Haralick[18]برای رده بندی تصاویر زمینه مطرح شده است. ان را بیشتر نمودار به جای ماتریس می نامیم‌، زیرا نمودار بهتر این واقعیت را می رساند که ان برای حفظ اثر شماره‌های برخی اشیاء استفاده می شود. در حقیقت برای (Δx,Δy)=(0,0)، CHرنگ به یک نمودار رنگ منظم (جایی که c1=c2) کاهش می یابد.

برای ایجاد چرخش ثابت CHدر تصویر صفحه‌، جهت (Δx,Δy)را نادیده می گیریم و فقط اثر بزرگی 2(d=√(Δx)2+(Δyرا حفظ می کنیم. دراضافه، رنگ‌ها را به یک مجموعه رنگ‌های نماینده nc‌، C={c1,c2,c3,….cnc}و فاصله‌ها را به یک مجموعه حدود فاصله nd، D={[0,1),[1,2),….[nd-1,nd)}‌، کاهش می دهیم. رنگ‌های هر تصویر نمونه را به طور جدا با استفاده از یک استاندارد نزدیکترین همسایه الگوریتم k-means، در جایی که عدد میانگین ncاست و نیز از فاصله اقلیدسی در (R,G,B)استفاده می‌کنیم، تدریج می کنیم. این تدریج[1]در رنگ و فاصله میانگین‌های CHبا CH(i,j,k)نشان داده می شود‌، iو j دو رنگ از مجموعه Cو kمرز فاصله از مجموعه Dرا نشان می دهد .

یکی از درگیری‌ها این است که چطور عدد رنگ‌ها و فاصله‌ها را با تجزیه و تحلیل نرخ اخطار نادرست انتخاب کنیم.

در جستجوی یک تصویر برای یک شی، تصویر را برای یک پنجره مستطیلی که یک CHرا مشابه یکی ازCH‌های تعلیمی ارائه می کند، اسکن می کنیم. پنجره‌های تصویر که ازCH‌های مدل و تصویر محاسبه می شوند نیاز ندارند که دارای سایز برابر باشند. در حقیقت همیشه پنجره جستجوی تصویر را به بزرگی که می توانیم به طور معقول سرعت پیمایش کل تصویر را زیاد کنیم، ایجاد می‌کنیم.

CH‌های مدل و تصویر، CHp(i,j,k)وCHm(i,j,k)به ترتیب با محاسبه تقاطعشان[2] مقایسه می شوند ، این اندیشه و فکر توسط Swain[18]وBallardمطرح شد.

با ازمایش سعی و خطای کافی ، احتمال کشف مقادیر معقول و مستدل برای عدد رنگ‌ها nc و عدد فاصله‌ها ndو سایز پنجره جستجو است. احتمال اخطار نادرست احتمالی است که تقاطع Ipmاز استانه تطبیق αImmتجاوز خواهد کرد‌، زمانی که شی واقعاً در پنجره جستجو نیست .

به طور حسی، انتظار داریم نرخ اخطار نادرست همان طور که پنجره جستجو رشد می کند افزایش یابد، زیرا فرصت‌های بیشتری جهت برسی اصل و فرع به طور تصادفی برای همه مدخل‌ها در مدل CHوجود خواهد داشت. همچنین انتظار داریم که احتمال اخطار نادرست کاهش یابد، همچنان که عدد رنگ‌ها ncو عدد فاصله‌ها ndرا افزایش می دهیم، زیرا این افزایش‌ها به سوی مدل‌های خاص‌تر که کمتر محتمل به حسابرسی تصادفی[3] برای یک زمینه تصادفی هستند سوق می دهد.

کشیدن این پارامتر‌ها در جهت عکس خواسته ما است ، برای یک الگوریتم سریع و برای الگوریتمی که دیدگاه‌های مدل خیلی زیاد از هر شی را نیاز ندارد. الگوریتم سریع‌تر اجرا خواهد شد اگر پنجره جستجو بزرگتر باشد، زیرا کل تصویر می تواند سریع‌تر جستجو شود .


محاسبه تقاطع با رنگ‌ها و فاصله‌های کم سریع‌تر خواهد بود. فاصله‌های کمتر به تعمیم یک مدل از دیدگاه مخصوص و ویژه به تطبیق انها از دید گاه‌های مختلف‌تر تمایل دارند و ان بهتر با اشیایی که خم می شوند تطبیق می شود.

شکل 3-2-احتمال اخطار نادرست به عنوان یک تابع سایز پنجره جستجو.همه منحنی‌ها بر اساس 12 فاصله هستند. منحنی‌های چپ، میانی و راست به ترتیب 6، 8‌ و 10 رنگ را نمایش می دهند. براساس این طرح یک فاکتور مقیاس گذاری پنجره جستجو 3 را انتخاب کردیم.


شکل 3-3-احتمال اخطار نادرست به عنوان یک تابع شماره رنگ‌ها.همه منحنی‌ها بر اساس یک فاکتور مقیاس گذاری پنجره 3 هستند. منحنی‌های چپ، میانی و راست به ترتیب 14، 12 و 10

فاصله را نمایش می دهند.8 رنگ را بر اساس این طرح انتخاب می‌کنیم.

شکل3-4-تطبیق کیفیت بین تصاویر مدل.هر یک از 12 منحنی راه کامل یکی از 12 تصویر مدل چوبی تصاویر جفت چوبی دریافتی با 5 درجه افزایش را نشان می دهد.این منحنی‌ها کمک می کنند تا عدد تصاویر مدل را انتخاب کنیم.

 



[1]quantization

[2]intersection

[3]accidentally accounted 

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26