استفاده از انرژی بالون مبتنی بر کانتورلت در مدل کانتور فعال پارامتری به‌منظور تقطيع شیء بافتی در پس‌زمينه بافتی
محورهای موضوعی : مهندسی برق و کامپیوترپیمان معلم 1 * , هما تحويليان 2 , سیدحسن منجمی 3
1 - دانشگاه اصفهان
2 - دانشگاه آزاد اسلامي واحد نجف‌آباد
3 - دانشگاه اصفهان
کلید واژه: مدل‌های کانتور فعال پارامتریک تابع انرژی ویژگی‌های بافت کانتورلت,
چکیده مقاله :
شناسایی مرزهای هدف یکی از موضوعات مورد علاقه در بینایی ماشین و پردازش تصویر است. مدل‌های کانتور فعال یکی از روش‌های معروف در شناسایی هدف و قطعه‌بندی اشیا می‌باشند. این مقاله روشی جدید برای قطعه‌بندی اشیای بافتی با استفاده از مدل‌های کانتور فعال پارامتریک معرفی می‌کند. در روش پیشنهادی با اضافه‌کردن یک انرژی بالون به تابع انرژی مدل کانتور فعال پارامتریک، امکان شناسایی و قطعه‌بندی شیء بافتی در پس‌زمینه بافتی فراهم می‌شود. در این روش، ویژگی‌های بافتی نقاط کانتور با استفاده از تبدیل کانتورلت محاسبه می‌شود، سپس با مقایسه این ویژگی‌ها با ویژگی‌های بافتی شیء هدف که به‌صورت اطلاعات قبلی وجود دارد، جهت حرکت بالون مشخص می‌شود که در نتیجه آن، منحنی کانتور به‌منظور انطباق بر مرزهای شیء هدف منبسط یا منقبض می‌شود. نتایج نشان می‌دهد که روش پیشنهادی نسبت به روش کانتور فعال مبتنی بر ویژگی‌های بافتی گشتاور دارای دقت بالاتری می‌باشد.
Object boundaries detection is one of the interesting subjects in computer and image processing. Active contour models are one of the popular methods in object detection and segmentation. This paper presents a new method for segmentation of texture object by means of parametric active contour. In this proposed method, by adding a balloon energy to energy function of the parametric active contour model, the detection and segmentation of textured object against textured background would be achieved. In this method, texture feature of contour and object points are calculated by contourlet transform. Then by comparing these features with texture feature of target object, which are available as prior information, movement direction of balloon is defined, whereupon contour curves are expanded or contracted in order to adapt to the target boundaries. Experimental results demonstrate that the active contour based on contourlet (Contourlet-ACM) has higher segmentation accuracy than the active contour based on moment (Moment-ACM) and active contour based on DWHT (DWHT-ACM).