وبلاگ

شکل ۳- ۷ فلوچارت مراحل مختلف مربوط به آماده سازی و قطعه بندی تصاویر
مقدار حد آستانه در یک نمودار هیستوگرام برابر با پایین­ترین نقطه بین دو قله مربوط به فراوانی مقادیر رنگی در نمودار هیستوگرام است که البته در این روش دقت مقدار محاسبه شده آنقدر نیست که تضمین کننده بهترین جداسازی شیء مورد نظر از دیگر اشیاء در تصویر باشد. برای اکثر تصاویر یافتن پایین­ترین نقطه بین دو قله توزیع فراوانی مشکل است بخصوص زمانی که گودی بین دو قله پهن و وسیع باشد، همراه با نوفه باشد و یا در زمان­هایی که قله­ها از لحاظ ارتفاع بسیار متفاوت باشند (Bulanon et al., 2002). روش تعیین حد آستانه از روی نمودار هیستوگرام در شکل ۳-۹ نشان داده شده است.

شکل ۳- ۸ نمودار هیستوگرام خاکستری یک نمونه از مقطع انار
شکل ۳- ۹ چگونگی یافتن مقدار حد آستانه از روی نمودار هیستوگرام
همانطور که در شکل ۳-۸ مشاهده می شود مشکلات گفته شده در این تصاویر وجود دارد. اما این مقدار می ­تواند یک تخمین اولیه مناسب برای تعیین مقدار حد آستانه بهینه باشد. پس از تبدیل تصویر به حالت سیاه و سفید برای اطمینان از عدم وجود هر گونه نوفه و قسمت ناخواسته در شکل در یک مرحله دیگر حذف اشیاء^[۸۰] ناخواسته در تصاویر انجام گردید که عبارت است از طراحی و استفاده از عنصر سازه^[۸۱] در تصاویر.
۳-۷-۲ عنصر سازه
سازه از یک یا چند پیکسل تشکیل شده که قرار گرفتن این پیکسل­ها در کنار هم تشکیل یک شکل خاص مثلا لوزی، هشت ضلعی یا دایره را می­ دهند. یکی از کاربردهای سازه­ها فیلتر کردن اشیاء ناخالص است یا به عبارت دیگر اشیاء ناخواسته است. سازه به صورت شبکه­ ای ماتریسی است که تنها دارای مقادیر صفر و یک می­باشد.
سازه لوزی شکل: در این نوع سازه مرکز ثقل^[۸۲] کاملا در وسط سازه قرار دارد و R مشخص کننده فاصله مرکز ثقل سازه تا نوک اضلاع لوزی بر حسب پیکسل است (حیدری، ۱۳۸۸) (شکل ۳-۱۰ ب).
سازه دایره­ای: در این نوع سازه که به شکل دایره­ای است مرکز ثقل کاملا در وسط سازه بوده و مقدار R مشخص کننده شعاع دایره بر حسب پیکسل می­باشد. البته هر چه شعاع بزرگتر باشد سازه بیشتر شباهت به دایره پیدا می­ کند (حیدری، ۱۳۸۸) (شکل ۳-۱۰ الف).
سازه هشت گوش: در این نوع سازه نیز مرکز ثقل در مرکز سازه بوده و مقدار R مشخص کننده فاصله مرکز ثقل تا نوک­های اضلاع هشت گوش (شعاع هشت گوش) بر حسب پیکسل است. البته در این مورد مقدار R حتما بایستی مضربی از ۳ باشد تا تابع عمل کند (حیدری، ۱۳۸۸) (شکل ۳-۱۰ ج).
استفاده از این سازه­ها کاربرد زیادی در شناسایی اشیاء و تفکیک آنها از یکدیگر دارد. البته این توابع به غیر از تصاویر سیاه و سفید بر روی تصاویر خاکستری و یا تصاویر دو بعدی دیگر هم قابل اجرا است.
در الگوریتم نوشته شده با توجه به ابعاد نوفه­ها از سازه دایره­ای با شعاع ۵ پیکسل استفاده گردید و دستور مورد استفاده در این پروژه imopen بود که این تابع به صورت فیلتر برای حذف اشیاء هم اندازه و یا کوچکتر از سازه در تصویر عمل می­نمود. به این وسیله همه اشیاء ناخواسته احتمالی از تصویر سیاه و سفید حذف گردید. پس از آن قسمت­ هایی در داخل محدوده نمونه­ها که در تصویر به عنوان زمینه تشخیص داده شده و سیاه رنگ شده بود پر شده و به رنگ سفید درآمد (شکل ۳-۱۱).
(الف) (ب)
(ج)
شکل ۳- ۱۰ سازه دایره ای (الف)، سازه لوزی شکل (ب) و سازه هشت گوش (ج)
(ب)

(الف) (ج)
شکل ۳- ۱۱ (الف) تصویر سیاه و سفید، (ب) حذف نوفه های زمینه تصویر، (ج) پر کردن داخل شیء اصلی
۳-۷-۳ جداسازی زمینه از تصویر اصلی
از آنجایی­که زمینه تصاویر گرفته شده دارای مقدار خاکستری می­باشند و ممکن بود مقادیر عددی پیکسل­های زمینه با مقادیر عددی پیکسل­های تصویر همپوشانی داشته باشد و همچنین تابع به کار رفته در استخراج ویژگی­های مورد نظر بر اساس دامنه روشنایی­های تصویر عمل می کند، بنابراین تدابیری اتخاذ شد تا تنها نمونه­های داخل تصویر مورد بررسی قرار گیرد. فلوچارت مورد استفاده در این مرحله در شکل ۳-۱۲ نشان داده شده است. پیکسل­های نمونه و زمینه در تصویر اصلی دارای مقادیر متفاوتی می­باشند. از آنجایی­که مقادیر عددی پیکسل­های زمینه در تصویر سیاه و سفید برابر با صفر است با انجام یک عملیات AND منطقی بین تصویر سیاه و سفید بدست آمده در مرحله قطعه­بندی تصویر و تصویر اصلی مقادیر عددی پیکسل­های زمینه تصویر جدید حاصله برابر صفر شد. از سوی دیگر با توجه به اینکه مقادیر عددی مربوط به نمونه­ها در تصویر سیاه و سفید برابر با یک بود در تصویر حاصله مقادیر عددی پیکسل­های مربوط به نمونه برابر با مقادیر آنها در تصویر اصلی اولیه خواهد شد. بنابراین تصویری بدست آمد که در آن نمونه اصلی کاملا از زمینه جدا شد و زمینه تصویر کاملا سیاه و به عبارت دیگر دارای مقادیر عددی صفر بود (شکل ۳-۱۳).
پایان قسمت جداسازی زمینه
تصویر مقطع با زمینه کاملا سیاه
(مقدار عددی صفر برای زمینه)
عملیات AND منطقی
دریافت تصویر باینری
حاصل از قطعه­بندی
دریافت تصویر خاکستری
(Gray)
شکل ۳- ۱۲ فلوچارت عملیات جداسازی زمینه از تصویر اصلی
شکل ۳- ۱۳ مقادیر خاکستری زمینه تصویر اصلی (بالا) و تصویر حاصل از عملیات AND منطقی (پایین)
۳-۷-۴ استخراج ویژگی­های تصاویر
در این تحقیق سعی بر این است که رابطه بین ویژگی­های استخراج شده از تصاویر میوه انار با برخی از پارامتر­های بیوفیزیکی میوه انار بررسی شود. ویژگی­های مستخرج شده از تصاویر مقاطع میوه انار شامل ویژگی­های زیر بودند:
۱- مساحت سطح کل،
۲- مساحت سطح آریل­ها،
۳- مساحت سطح هسته­ها،
۴- مساحت سطح پوست،
۵- مساحت سطح آب،
برای محاسبه مساحت سطح کل تصاویر مقاطع انار، تصویر سیاه و سفید حاصل از قسمت قطعه بندی فراخوانی شده و با شمارش تعداد پیکسل­هایی که دارای مقدار سیاه و سفید معادل یک بودند مقدار مساحت محاسبه شد.
از آنجایی­که این مقدار در نرم افزار به صورت پیکسل بیان می­ شود با تقسیم مقدار سطح مقطع اولیه انار بر مبنای پیکسل به مقدار سطح مقطع آن بر مبنای میلی­متر­مربع یک ضریب برای تبدیل پیکسل به میلی­متر­مربع بدست آمد و در نتیجه داده ­های استخراج شده از تصاویر با بهره گرفتن از این ضریب به واحد میلی­متر­مربع تبدیل شدند.
داده ­های استخراج شده از تصاویر با نوشتن برنامه ای به نرم افزار Excel 2007 فرستاده شدند تا در مراحل بعدی در این نرم افزار و نرم افزارهای آماری مانند Spss 16 مورد تحلیل و بررسی قرار گیرند.
۳-۷-۵ بخش­بندی ساختار درونی تصاویر میوه انار
رهیافت پیشنهادی این رساله برای بخش­بندی ساختار درونی انار استفاده از تابعی بود که با بهره گرفتن از ماتریس مقادیر خاکستری تصویر محدوده­هایی را که شامل هر یک از اجزای میوه انار (آریل، هسته، پوست) می­شدند را جدا کند و به تصویر سیاه و سفید تبدیل کند.
ماتریس مقادیر خاکستری تصاویر به صورت تک ماتریس در ابعاد تصویر می­باشد. آرایه­های این ماتریس تنها نشان­دهنده تیرگی­ها و سایه­های تصویر هستند. در قدیم آرایه­های این ماتریس اعدادی بین صفر تا یک و تا سه رقم اعشار بودند. اما در حال حاضر آرایه­های این نوع ماتریس بین صفر تا ۲۵۵ می­باشند.
تابع استفاده شده برای بخش­بندی می ­تواند بدون استفاده از روش لبه­یابی، اشیاء^[۸۳] مورد نظر را از تصویر جدا کند. در واقع این تابع دو رنگ را از یک تصویر خاکستری انتخاب کرده و یکی را به عنوان مرز صفر یا رنگ سیاه (low) و یکی را به عنوان مرز یک یا رنگ سفید (high) تبدیل می نماید (روشنایی­هایی را که مقدار آن بین low و high باشد را مقدار یک در نظر می گیرد و بقیه را صفر می­ کند). مقادیر low و high برای هر یک از اجزای درونی انار با توجه به ماتریس مقادیر خاکستری تصویر مقطع انار بدست آمد. از آنجایی­که جرم حجمی اجزای درونی انار شامل آریل، هسته و پوست متفاوت می­باشد در تمامی تصاویر بدست آمده از سی­تی ­اسکن، روشنایی­های این اجزا و در نتیجه مقادیر سطح خاکستری آنها در یک محدوده مشخص و قابل تفکیک قرار گرفتند. این تابع روشی مناسب برای جدا کردن یک شیء در یک تصویر می­باشد. تصویر بعد از این عملیات تبدیل به تصویر سیاه و سفید شد و مانند روش گفته شده برای بدست آوردن مساحت سطح کل، مساحت سطح سایر سطوح مورد نظر نیز بدست آمد. در شکل ۳-۱۴ عملیات بخش­بندی شامل جداسازی آریل، هسته و پوست بر روی یکی از مقاطع انار نشان داده شده است. همچنین کلیه مساحت­های بدست آمده توسط ضریب تبدیل پیکسل به میلی متر مربع که در قسمت­ های قبلی توضیح داده شد به واحد میلی­متر­مربع تبدیل شدند.