یکشنبه 27 آبان 1397 | Sunday 18 th of November 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
4 - 2 - 3 - نتایج ازمایش‌های انجام شده


الگوریتم اشکار سازی مشروح در این مقاله بر روی اشیاء رنگی ترکیبی متنوعی از پرچم و ارم‌ها ازمایش شده است ‌. شکل‌ها ‌، نتایج حاصل از اجرای این الگوریتم را روی پرچم امریکا و ارم شرکت Kodak‌، نشان می‌دهد ‌. اندازه تصویر مدل برای پرچم 47×77 پیکسل و برای ارم Kodak برابر43×43 پیکسل می‌باشد ‌.

در شکل 4 - 4 ‌، تصاویر (a) تا (d)‌، حالات متنوعی از پرچم مثل دوران ‌، اعوجاج دیده می‌شود ‌. دوران و اعوجاج در تصویر 4 - 4(a)‌، به هم ریختگی مکانی در تصویر 4 - 4 (b)‌، شرایط نور افتادگی متفاوت در 4 - 4 (c) و چند پرچم مختلف در شکل 4 - 4 (d) ‌. توجه کنید که برای دو پرچم موجود در 4 - 4 (d) جهت پرچم‌ها نادرست تعیین شده است ‌. این عمل قابل قبول است زیرا نمودار CECHنسبت به دوران ‌، معتبر و با ثبات است و نیز پرچم تا حدودی نسبت به دوران 90 درجه متقارن است ‌. به منظور تعیین جهت صحیح اشیاء موجود در تصویر ‌، می‌توان از یک برنامه کار بردی مناسب استفاده کرد ‌. تصاویرeوfنیز ‌، نتایج خوبی را برای شناسایی ارم مورد نظر ‌، در بر داشته‌اند ‌. در تصویر eشی هدف با ظاهری انعطاف پذیر قابل مشاهده است و در fشاهد تصویری شلوغ هستیم ‌.

ازمایشی که در مقاله منتخب توضیح داده شده است‌، تنها با استفاده از یک تصویر مدل از پرچم ‌، روی 98 تصویر متنوع و متفاوت انجام شده است ‌. البته این مجموعه از تصاویر ‌، از پیش تعیین شده‌اند و با توجه به گستردگی بسیار در حالات یک شی مانند: جنس مواد ‌، نور پردازی ‌، مهارت در گرفتن عکس و نوع دوربین ‌، این مجموعه دارای بخش کوچکی از این تنوع عظیم است ‌. همه تصاویر قبل از پردازش دارای کیفیت 384×256 پیکسل هستند ‌. زمانی یک شی به درستی شناسایی شده است که الگوریتم‌، حدود %20 از اندازه واقعی پرچم را تشخیص داده باشد ( به عنوان مثال وقتی الگوریتم بیش از %20 محدوده واقعی پرچم و بیش از %20محدوده پرچم در پس زمینه را از دست ندهد ) نتایج ازمایش‌ها در جدول 4 - 1جمع اوری شده است ‌. این جدول نشان می‌دهد که %3/81  از پرچم‌های موجود در تصاویر به درستی شناسایی شده‌اند (نتایج عالی و یا خوب است؛ اگر کم تر از %10 در تعیین مکان خطا داشته باشد ‌، عالی است )‌. به علاوه %6/5 از پرچم‌ها شناسایی شده‌اند اما بیش از %20 در تعیین مکان خطا داشته‌اند ‌. در برخی کاربردها ممکن است تعیین مکان شی ‌، اهمیت چندانی نداشته باشد ‌. برای مثال ‌، زمانی که می‌خواهیم تصاویری را پیدا کنیم که در ان‌ها پرچم وجود دارد ‌، صرفاً تشخیص این که تصویر حاوی پرچم هست یا نه ‌، کافیست و نیازی به تعیین محل پرچم نیست ‌. %1/13 باقی مانده ‌، مربوط به مواردیست که شی شناسایی نشده است ‌. در بیش تر این موارد ‌، پرچم‌ها بسیار کوچک بودند ‌. ( به عنوان مثال تصویر 4 - 4(d)) یا تصاویری با مسائل رنگی پیچیده بوده‌اند ‌. نرخ خطا ‌، یکی به ازای هر شش تصویر است ‌.

جدول 4 - 1 - نتایج شناسایی روی مجموعه‌ای از تصاویر

 

در صد تشخیص(برای پرچم)

کیفیت تشخیص

21.5%

عالی

59.8%

خوب

5.6%

ضعیف

13.1%

عدم تشخیص

 

 

 

شکل 4 - 5 - نمونه‌های دیگری از نتایج برای مدل پرچم (a) تا (f) و مدل ارم (g) تا (i)
نمونه‌هایی از شناسایی موفق و صحیح پرچم و ارم ‌، در شکل 4 - 5 نمایش داده شده است ‌. در این تصاویر‌، تنوع محیط ‌، شرایط تصویر برداری و پس زمینه‌های شلوغ ‌، قابل مشاهده است ‌.

شکل 4 - 5 - نمونه‌های دیگری از نتایج برای مدل پرچم (a) تا (f) و مدل ارم (g) تا (i)

 

شکل 4 - 6 - نمونه هایی از شناسایی نادرست مدل پرچم
همچنین مواردی از شناسایی غلط شی‌، در تصویر 4 - 6 دیده می‌شود ‌. به طور دقیق ‌، به هم ریختگی‌های بسیار شدید ‌، تغییرات اساسی در رنگ‌ها (مثل زمان غروب خورشید ‌، مه گرفتگی و سایه‌های شدید ) باعث بروز نتیجه‌های اشتباه در تصاویر 4 - 6(a) تا(c) شده است ‌. در تصویر 4 - 6(d) روی هم افتادگی و تداخل رنگ‌ها باعث خطا در شناسایی شده است ‌. همچنین وجود نمای بسیار بزرگ و سایه‌های شدید در تصاویر 4 - 6 (e) و 4 - 6(f) باعث شناسایی نادرست مکان و ناحیه هدف شده است ‌.

شکل 4 - 6 - نمونه هایی از شناسایی نادرست مدل پرچم

 

به منظور اعتبار بخشیدن به متریک‌های الگوریتم مشروح‌، ان را با الگوریتم اصلی مقایسه می‌کنیم ‌. الگوریتم اصلی بر مبنای این فرض طراحی شده است که مقیاس دقیق و جهت شی را می‌دانیم‌، اما الگوریتم مشروح در این مقاله ‌، همان طور که در ازمایش‌ها مشاهده شد ‌، این اطلاعات را درون خود گنجانده است ‌. توجه کنید که با این کار ‌، ویژگی بسیار سودمندی به الگوریتم اضافه شده است ‌. بدون این اطلاعات و ویژگی مهم ‌، الگوریتم تنها قادر به شناسایی دسته ناچیزی از اشیاء با مقیاس دقیق و جهت خاص ‌، خواهد بود و عملاً برای تمام حالات ممکن‌، غیر قابل اجرا است ‌.

شکل4 - 7 - منحنی
منحنی fROCالگوریتم ارائه شده در مقاله منتخب در شکل 4 - 7 نمایش داده شده است ‌.

شکل4 - 7 - منحنی fROC

الگوریتم اصلی که بر مبنای CCHاست ‌، به منظور پیدا کردن دقیق اشیاء در تمام تصاویر ‌، طراحی شده است ‌. این عمل با یک Single operating pointتوصیف می‌شود ‌. حتی با دانستن مقیاس دقیق و جهت شی ‌، به دلیل تغییرات رنگی و به هم ریختگی‌های هندسی ‌، الگوریتم اصلی بسیار ضعیف عمل می‌کند ‌. در نرخ شناسایی %60 برای یک مجموعه از ورودی ها‌، الگوریتم مشروح فقط یک مورد خطا و در مقابل الگوریتم اصلی ‌، 16 خطا دارد ‌. توجه کنید که برای هر دو الگوریتم از یک مجموعه تصاویر ازمایشی و تنها یک مدل هدف استفاده می‌شود ‌. نرخ شناسایی شی برای الگوریتم مشروح %81 و در مقابل برای الگوریتم اصلی %58 است ‌.

به صورت تجربی ‌، ازمایشات نشان داده‌اند که الگوریتم مشروح دو برابر سریع تر از الگوریتم اصلی است‌. این در حالیست که در الگوریتم اصلی که بر مبنای CCHاست ‌، مقیاس و جهت مشخص است و الگوریتم مشروح روی مقیاس‌ها و جهات مختلف اجرا می‌شود ‌.

  

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