پنج شنبه 28 تیر 1397 | Thursday 19 th of July 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
4 - 3 - 5 - تشخیص شی

در این مرحله‌، هر یک از نواحی بدست امده در جستجوی اولیه به صورت جداگانه مورد بررسی قرار می‌گیرد‌. بزرگ‌ترین مقیاسی که مدل Mمی‌تواند در ناحیه مانند Riداشته باشد‌، به صورت زیر مشخص می‌شود:

به طوریکه miو niابعاد ناحیة Riهستند‌. پس از تعیین مقیاس‌ مربوط به ناحیه‌، عمل جستجو با مقیاس‌های بین 1 تا gHاغاز می‌شود‌. اگر مقیاس‌های مورد بررسی {g0, g1, g2, …, gn}باشند‌، g0=1و gj+1=agjمی‌باشد‌، که aیک ثابت بزرگ‌تر از 1 (مثلاً 1.1) است‌. به ازای هر مقیاس‌، نمونه‌گیری مجدد از ناحیه صورت گرفته و شباهت ان با تصویر مدل مورد ازمایش قرار می‌گیرد‌.

برای تعیین میزان شباهت بین مدل Mو ناحیة Irبه این روش عمل می‌شود: فرض کنید Cmنمودار CECHمربوط به Mو Crنمودار مربوط به Irباشد‌. ابتدا میانگین عناصر نمودارهای Crو Cmاز تک تک عناصرشان کم می‌شود‌. سپس‌، با توجه به رابطة زیر که مبتنی بر رگرسیون خطی عنصر به عنصر بین Cmو Crاست‌، عدد bرا مشخص می‌کنیم:

بهترین مقدار برای b‌، زمانی حاصل می‌شود که ماتریس eبر مبنای قاعدة حداقل مربعات با استفاده از فرمول رگرسیون خطی استاندارد‌، کمینه گردد‌. مربعات عناصر ماتریس eبه صورت زیر محاسبه می‌شود:

یک ضریب همبستگی بالا‌، مبین تشابه دو نمودار CECHبه هم است و یک مقدار نزدیک به یک برای b‌، نشان می‌دهد که اندازه ناحیه مورد جستجو از تصویر‌، نزدیک به اندازه مدل شی مورد نظر است‌. با توجه به این دو قاعده‌، یک معیار شباهت مانند زیر تعریف می‌کنیم:

به طوری که k1یک ثابت بین صفر و یک (به عنوان مثال 0.5) است‌. همچنین ضریب همبستگی خطی به صورت زیر محاسبه می‌شود:

همچنین باید ازمایش شود که ایا مقدار مشابهی از رنگ‌ها در هر دو ناحیه وجود دارد یا خیر‌. برای انجام این کار‌، نمودار رنگ Mو Irیعنی CHmو CHrمحاسبه می‌شوند‌. بر مبنای این دو نمودار‌، یک معیار شباهت مبتنی بر رنگ به نام Dc‌، به صورت زیر تعریف می‌کنیم:

به طوری که k2یک ثابت بین صفر و یک (به عنوان مثال 0.5) است‌. و سرانجام معیار نهایی شباهت بین دو تصویر با استفاده از رابطة زیر معین می‌شود:

اگر معیار شباهت برای یک ناحیه از تصویر با تصویر مدل بیش از یک استانه معین باشد‌، ان ناحیه را به عنوان شی هدف می‌شناسیم‌. هر چه این استانه کمتر باشد‌، تعداد تشخیص‌های مثبت نادرست بیشتر می‌شود و هر چه مقدار ان بیشتر شود‌، تعداد تشخیص‌های منفی نادرست بیشتر می‌شود‌. مقدار این استانه در ازمایش‌ها 0.65 در نظر گرفته شده است‌. الگوریتم 4 - 3‌، چگونگی تشخیص وجود یا عدم وجودشی هدف در یک ناحیه معین را با فرض معلوم بودن نمودار رنگ و رخداد همزمان رنگ در لبه‌ها نشان می‌دهد‌

Void Region_Detection(Quantized_Image Ri, CECH Cm,ColorHistogram CHm)

{

 for each gin{g0, g1, g2, …, gn}do

  Rr = Resample(Ri, g);

  Cr = CalculateCECH(Rr);

  Find b & cc which maximize

 

  CHr = CalculateColorHistogram(Rr);

  Find b & cc which maximize

  

 

 

 

}

 

الگوریتم 4 - 3 - تشخیص وجود یا عدم وجود شی هدف در یک ناحیه معین 

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