پروژه متلب شناسایی و اندازه گیری طولی ترک های ایجاد شده در سازه با استفاده از روش پردازش تصویر هیستوگرام و آستانه گذاری اتسو

350,000 تومان

توضیحات

 

پروژه متلب شناسایی و اندازه گیری طولی ترک های ایجاد شده در سازه با استفاده از روش پردازش تصویر هیستوگرام و آستانه گذاری اتسو

 

تشخیص ترک ها کار دشواری در نظارت بر سلامت سازه و اطمینان از ایمنی آن است. فرآیند معمول تشخیص ترک، زمان بر و دشوار است و نظرات افراد در آن دخیل می باشد. در این پروژه مدلی هوشمند مبتنی بر تکنیک های پردازش تصویر برای تشخیص و تجزیه و تحلیل خودکار ترک ها و اندازه گیری طولی آنها، در نرم افزار متلب بررسی شده است. اصطلاح پردازش تصویر که امروزه بیشتر به معنای پردازش تصویر دیجیتال به کار برده می شود. از شاخه های دانش رایانه است که با پردازش سیگنال دیجیتال که نماینده تصاویر ضبط شده با دوربین دیجیتال یا پویش شده توسط پویشگر هستند سروکار دارد. پردازش تصاویر دارای دو شاخه عمده بهبود تصاویر و بینایی ماشین(machine vision) است. بهبود تصاویر دربرگیرنده روشهایی چون استفاده از فیلتر محوکننده و افزایش تضاد برای بهترکردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آنها در محیط مقصد(مانند چاپگر یا نمایشگر رایانه) است، در حالی که بینایی ماشین به روش هایی می پردازد که به کمک آنها می توان معنی و محتوای تصاویر را درک کرد تا از آنها در کارهایی چون رباتیک و محور تصاویر استفاده شود. در معنای خاص، پردازش تصویر عبارت است از هر نوع پردازش سیگنال که ورودی یک تصویر است مثل عکس یا صحنه هایی از یک فیلم. خروجی پردازشگر تصویر می تواند یک تصویر یا یک مجموعه از نشانه های ویژه یا متغیرهای مربوط به تصویر باشد. اغلب تکنیک های پردازش تصویر شامل برخورد با تصویر به عنوان یک سیگنال دو بعدی و بکار بستن تکنیک های استاندارد پردازش سیگنال روی آنها می باشد. پردازش تصویر اغلب به پردازش دیجیتالی تصویر اشاره می کند ولی پردازش نوری و آنالوگ تصویر هم وجود دارند.

پردازش تصویر(image processing):

امروزه با پیشرفت های متعددی که در روش های اخذ اطلاعات گسسته مانند اسکنرها و دوربین های دیجیتالی به وجود آمده است، پردازش تصویر کاربرد فراوانی یافته است. تصاویر حاصل از این اطلاعات همواره در حد قابل توجهی دارای نویز و یا تیرگی محسوس بوده است و در مواردی نیز دارای مشکل محوشدگی مرزهای نمونه های داخل تصویر می باشد که باعث کاهش وضوح تصویر دریافتی می گردد. به مجموعه عملیات و پردازش هایی که در راستای آنالیز تصویر در زمینه های مختلف انجام شده است، علم پردازش تصویر گویند.

کاربردهای پردازش تصویر:

علم پردازش تصویر از جمله علوم پرکاربرد و مفید در صنعت می باشد که نمونه ای از کاربردهای پردازش تصویر در زمینه های مختلف عبارتند از:

الف) کاربردهای صنعتی مانند کنترل کیفیت بسته بندی دارو در یک کارخانه.

ب) کاربردهای امنیتی مانند تشخیص حرکت، تشخیص اثر انگشت، تشخیص چهره و تشخیص دست خط یا امضا.

ج) کاربردهای پزشکی مانند ارتقای ویژگی های تصاویر اشعه X ، تولید تصاویر MRI از مغز و یا تصاویر مربوطه به CTScan.

د) کاربردهای نظامی مانند تشخیص و هدفیابی خودکار اهداف متحرک یا ثابت توسط موشک های هوا به زمین.

مفهوم پیکسل در تصویر:

پیکسل(pixel) شکل مختصر Picture Elements نقطه های بسیار ریز مربع شکلی هستند که از تجمع آنها، تصویر روی صفحه نمایش با روی کاغذ(توسط چاپگر) شکل می گیرد. همان طور که بیت(Bit)، کوچکترین واحد اطلاعات قابل پردازش توسط کامپیوتر است، پیکسل نیز کوچکترین عنصر سخت افزار و نرم افزار نمایشی یا چاپی است که برای شکل گرفتن تصاویر مورد استفاده قرار می گیرد. اگر برای هر پیکسل تنها دو رنگ (معمولا سیاه و سفید) در نظر گرفته شود، توسط یک بیت از اطلاعات قابل کددهی است و در صورتی که بیش از دو بیت برای ارائه یک پیکسل استفاده شود، محدوده رنگ ها یا سایه های خاکستری وسیع تری، قابل ارائه خواهد بود.

مفهوم عمق بیتی:

مقدار هر نقطه(پر یا خالی) در یک یا چندبیت اطلاعات ذخیره می شود. برای تصاویر ساده تک رنگ، یک بیت برای نشان دادن هر نقطه کافی است، اما در تصاویر رنگی و سایه های خاکستری، هر نقطه نیاز به بیش از یک بیت اطلاعات دارد. هرچه از بیت های بیشتری برای نشان دادن یک نقطه استفاده شود، رنگ ها و سایه های خاکستری بیشتری را می توان نشان داد. غلظت نقاط(resolution)، وضوح تصویر را تعیین می کند، این ویژگی با واحد نقطه در اینچ(dpi) با تعداد ردیف ها و ستون ها مثلاً 640*480 سنجیده می شود. برای نمایش تصویر bit-map بر روی مانیتور با چاپ آن با پرینتر، کامپیوترbit-map  را به پیکسل برای نمایش بر روی مانیتور یا به ink dots برای چاپ تبدیل می کند. اساس کار اسکنرهای Optical و دستگاه فاکس، تبدیل متن یا تصویر به به bit-map می باشد. تصاویرbit-map  را اغلب به عنوان تصاویری با خطوط موازی می شناسند. راه های دیگری نیز برای نشان دادن تصاویر وجود دارد از جمله vector graphics  یا object-oriented graphics است. با روش Vector graphics تصاویر با فرمول های ریاضی که تمام اشکال تصویر را تعریف می کند، نشان داده می شوند. این روش انعطاف پذیرتر از bit-map  می باشد چرا که اگر آنها را با اندازه های مختلفی نیز بسنجیم، یکسان به نظر خواهند رسید. تصاویرbit-map  درصورت کوچک یا بزرگ شدن، تکه تکه خواهند شد. فونت هایی bit-map را raster و تنها می توان آنها را برای یک طرح مشخص با size و وضوح تعیین شده طراحی کرد.

مفهوم تشخیص لبه(Edge detection):

یکی از ویژگی های مفید و مؤثر در بازشناسی اشیاء استفاده از اطلاعات شکل و لبه های آن است؛ بنابراین استفاده از لبه ها در بسیاری از کاربردهای بینایی ماشین و بازشناسی، امری متداول است. می توان نتیجه گرفت که ضرورت طراحی آشکارسازهای مناسب، از اهمیت بسیاری برخوردار است. در یک تصویر، مرز میان یک شیء و زمینه با مرز میان اشیاء همجوار را لبه تعریف می کنیم. در حالت ایده آل اگر فرض شود که مقدار شدت روشنایی هر تصویر یکنواخت و با مقادیر شدت روشنایی اشیاء مجاورش متفاوت باشد، آنگاه هرگونه تغییر قابل ملاحظه در مقدار شدت روشنایی را می توان لبه در نظر گرفت. با این تعریف اگر لبه های یک تصویر مشخص شوند، مکان تمام اشیاء موجود در تصویر مشخص شده و خواص اساسی آنها از قبیل سطح محیط و غیره به راحتی قابل اندازه گیری خواهند بود.

الگوریتم های آشکارسازی لبه:

الگوریتم های مختلفی برای آشکارسازی لبه ها ابداع و پیشنهاد شده است، در روش های کلاسیک آشکارسازی لبه، بیشینه های محلی گرادیان تصویر، به عنوان نماینده مناسب برای لبه در نظر گرفته می شوند. آشکارساز روبرت، سوبل(sobel) و پرویت(prewitt) به این دسته تعلق دارند. از دیگر الگوریتم های کارآمد در این حوضه، آشکار ساز لبة کنی(canny) است که به خاطر داشتن قابلیت دنبال کردن لبه و نیز توانایی حذف نویز تصویر به کمک فیلتر گوسی(gaussian filter) کاربرد زیادی دارد.

شکل تشخیص لبه با استفاده از آشکارساز لبه کنی.

 

میانگین گیری از تصویر:

فرض کنید چند تصویر یکسان داریم که بر روی هر کدام از آنها نویزهای مختلفی وجود دارد و می خواهیم کیفیت این تصاویر را ارتقا دهیم. در چنین مواردی می توان از میانگین گیری از همه تصاویر استفاده کنیم. بدین صورت که مقادیر پیکسل های متناظر در همه تصاویر را با هم جمع کرده و سپس به تعداد کل تصاویر تقسیم کنیم. بدیهی است که هرقدر تعداد تصاویر برای میانگین گیری بیشتر باشد، تصویر حاصل از میانگین گیری آنها نیز بیشتر به واقعیت نزدیک خواهد بود. به عنوان مثال، مجموعه از تصاویر نویز دار و همچنین یک تصویر بدون نویز به همراه تصویر میانگین گیری شده از آنها که در زیر نشان داده شده اند.

شکل تصویر میانگین حاصل شده از مجموعه تصاویر نویزی و تصویر بدون نویز آن.

 

هیستوگرام تصویر(image histogram):

هیستوگرام تصویر، نموداری است که توسط آن تعداد پیکسل های هر سطح روشنایی در تصویر ورودی مشخص می شود. فرض کنید تصویر ورودی یک تصویر Grayscale با ۲۵۵ سطح روشنایی باشد، بنابراین هریک از پیکسل های تصویر مقداری در بازه]255، 0[ می توانند داشته باشند. برای به دست آوردن هیستوگرام تصویر، کافی است با پیمایش کل پیکسل های تصویر، تعداد پیکسل های هر سطح روشنایی را محاسبه کنیم. هیستوگرام نرمال نیز از تقسیم کردن مقادیر هیستوگرام به تعداد کل پیکسل های تصویر به دست می آید.

نرمال سازی هیستوگرام موجب می شود که مقادیر هیستوگرام در بازه ]1، 0[ قرار گیرند. یکی از کاربردهای هیستوگرام در کانون یابی(focus) خودکار دوربین های دیجیتالی است. بدین صورت که لنز دوربین از ابتدا تا انتها حرکت کرده و در هر گام از حرکت خود تصویری از صحنه می گیرد.

سپس کنتراست تصویر گرفته شده را با استفاده از هیستوگرام آن محاسبه می کند. پس از آن که لنز به انتهای حرکتی خود رسید، محلی از حرکت لنز که در آن تصویر دارای بیشترین کنتراست خود بوده است، به عنوان محل لنز تعیین می گردد. روش مذکور یکی از ساده ترین روش های کانون یابی خودکار دوربین می باشد و همانطور که می توان حدس زد این الگوریتم در صحنه هایی که رنگ تیره و روشن باهم وجود داشته باشد، دچار اشکالاتی خواهد بود و باید تغییراتی در آن اعمال کرد.

تعدیل هیستوگرام:

یکی دیگر از کاربردهای هیستوگرام در افزایش کنتراست تصاویر با کنتراست پایین است. زمانیکه می گوییم کنتراست تصویری کم است این بدان معنا است که اختلاف بین کمترین و بیشتری شدت روشنایی تصویر کم است. تعدیل سازی هیستوگرام موجب می شود که کنتراست تصویر ورودی تا حد ممکن افزایش یابد.

شکل تعدیل نمودار هیستوگرام.

 

هیستوگرام تصاویر:

پردازش تصویر برای بهبود کیفیت تصویر عملیات های مختلفی مانند کاهش نویز، افزایش کنتراست، اصلاح گاما و غیره را شامل می شود که هرکدام برای بهبود کیفیت تصاویر مورد استفاده قرار گرفته می شود. یکی از مفاهیمی که در بیشتر روش های بهبود یا استخراج اشیاء تصویر مورد استفاده قرار گرفته می شود مفهوم هیستوگرام تصاویر است که هدف آن تحلیل فراوانی شدت نور است. در شکل زیر هیستوگرام یک تصویر که محور افقی آن شدت نور و محور عمودی آن فراوانی نمونه ها یا پیکسل ها است نمایش داده شده است:

شکل هیستوگرام یک تصویر بر اساس فراوانی فرکانس.

 

در نمودار هیستوگرام تصویر فوق شدت نورهای مختلفی در تصویر دیده می شود و فراوانی فرکانس هر شدت نور در تصویر هیستوگرام نمایش داده شده است و تحلیل نمودار نشان می دهد در تصویر شدت نور ۵۰ و ۱۸۰ بیشترین شدت نور تکرار شده در تصویر را دارند و به عبارت بهتر بیشتر پیکسل های تصویر دارای این شدت نور می باشند. در برخی از موارد در نمودار هیستوگرام بجای فرکانس از مقدار و تعداد پیکسل در محور عمودی استفاده می شود و در واقع نمودار معرفی فروانی شدت نور در پیکسلهای تصویر است.

هیستوگرام یک تصویر اطلاعات مهمی از یک تصویر را ارایه می دهد و مانند شکل زیر اگر بیشتر نمودار هیستوگرام در سمت چپ قرار داشته باشد تصویر تیره است و اگر فراوانی در سمت راست قرار داشته باشد تصویر متمایل به روشنایی می گردد و در اگر هیستوگرام فراوانی شدت نور در وسط نمودار باشد آنگاه تصویر حالت متعادل ومات به خود می گیرد سرانجام با توزیع نرمال هیستوگرام می توان کیفیت روشنایی تصویر را افزایش داد و در اینجا منظور از متعادل سازی هیستوگرام توزیع معادل توزیع یکنواخت روشنایی است.

شکل تحلیل هیستوگرام یک تصویر برای سطح روشنایی.

یکی از کاربردهای مهم هیستوگرام و تحلیل آن استفاده از این نمودارها برای تشخیص لبه و مرز اشیاء است. به کمک یک حد آستانه می توان مقدار شدت پیکسل های تصویر را به چند کلاس نگاشت داد تا جزئیات بیشتری از تصاویر استخراج شود. در شکل زیر هیستوگرام یک تصویر نمایش داده شده است و سعی شده با استفاده از مقادیر مختلف آستانه تصویر مورد نظر باینری شود و اشیاء موجود در تصویر شناسایی شوند.

شکل کاربرد هیستوگرام یک تصویر برای تشخیص اشیاء.

 

فیلترکردن تصویر:

پیکسل های تصویر را به دو دسته می توان تقسیم کرد:

۱) پیکسل های تیز(sharp pixels)

۲) پیکسل های نرم(smooth pixels).

استخراج ویژگی های مربوط به ترک ها:

به طور کلی بر اساس محتوای تصویر دو رویکرد اصلی برای استخراج ویژگی های مربوط به ترک ها وجود دارد:

1- روش مبتنی بر پیکسل

در روش اول هدف تقسیم تصویر به دو مجموعه پس زمینه(بدون ترک) و پیش زمینه (ترک ها) می باشد که کل پیکسل های تصویر را بر اساس اختلاف شدت روشنایی مابین پیکسل های تصویر طبقه بندی می کنند. از آنجا که روش مبتنی بر پیکسل معمولا نیاز به بازرسی تمام پیکسل ها و ردیابی آنها در پیکسل های همسایه را دارد یک روش زمانبر و از نظر محاسباتی پر هزینه می باشد و همچنین وجود نویزهای مختلف در تصویر مانند روشنایی غیر یکنواخت ، سایه ها، لکه ها و غیره تشخیص صحیح خرابی های روسازی را با مشکل مواجه می کند و از دقت آشکارسازی ترک کاسته می شود.

2-روش مبتنی بر بلوک

در رویکرد دوم تصویر را به مجموعه ای از بلوک ها (اغلب غیر همپوشان) با هدف استخراج مشخصات آماری (مانند میانگین ، واریانس و …) و یا استخراج ویژگی های هر بلوک تقسیم می کنند، که معمولا از یک الگوریتم یادگیری تحت نظارت برای تمایز بلوکهای ترک از غیر ترک استفاده میشود. در این روش فضای جستجو محدود به بلوکهای کاندید ترک می باشد ، در نتیجه زمان زیادی صرفه جویی می شود و مشکلات ناشی از نویزها و شرایط نوری غیر یکنواخت و داده های پرت و همچنین تنظیم تجربی پارامترها تا حدودی مرتفع می شود.

تشخیص ترک مبتنی بر مشخصات آماری تصویر:

آستانه گذاری:

در روش های مبتنی بر پیکسل، برای هر پیکسل از تصویر به طور مستقل تصمیم گیری می شود. اکثر مقالاتی که این روش را بکار می گیرند ویژگی یک پیکسل از تصویر را با یک مقدار آستانه مقایسه می کنند و سپس با استفاده از روش های پس پردازش اتصال بین ترک ها را برقرار می کنند. ساده ترین روش طبقه بندی در رویکرد مبتنی بر پیکسل آستانه گذاری است که اغلب از شدت روشنایی پیکسل به عنوان ویژگی برای بررسی وضعیت پیکسل استفاده می شود. براساس این فرض پیکسل های ترک تاریک تر از باقی پیکسل های تصویر است و از یک آستانه از پیش تعریف شده استفاده می شود بطوریکه هر پیکسل که روشنایی کمتر از مقدار آستانه داشته باشد به عنوان پیکسل ترک در نظر گرفته شده و به عنوان ترک(۱) و مابقی غیر ترک (0) برچسب می خورد. عملیات آستانه گذاری می تواند به صورت زیر باشد :

T نشان دهنده مقدار آستانه است که به صورت تجربی تعیین می شود و (I(x مقدار ویژگی در موقعیت X و L(x) برچسب باینری اختصاص داده شده توسط الگوریتم طبقه بندی می باشد. در شکل زیر یک کاربرد از این روش نشان داده شده است. تصویر سمت راست تصویر اصلی و تصویر سمت چپ تصویر بدست آمده بعد از اعمال مقدار آستانه است.

شکل راست تصویر اصلی، چپ تصویر بعد از اعمال آستانه.

همانطور که تصویر سمت چپ نشان می دهد آستانه گذاری دو مشکل اساسی دارد، اول اینکه منجر به تعداد بسیاری مثبت های کاذب می شود(یعنی پیکسلهایی به عنوان پیکسل ترک در نظر گرفته می شوند ولی پیکسل ترک نیستند). این مشکل تاحدی با استفاده از روش های پس پردازش مانند عملیات مورفولوژی که قادر به حذف خطاهای بارز است حل می شود به عنوان مثال پیکسل های منفصل را کاهش میدهد. اما استراتژی تشخیص آستانه خودکار مانند روش آتسو می تواند به خوبی روی تصاویر ترک اجرا شود زیرا مقدار آستانه مناسب بصورت تطبیقی بدست می آید، یعنی در هر تکرار از الگوریتم مقدار آستانه جدیدی محاسبه می شود. اما مشکل همیشگی در روش های آستانه گیری این است که مشخصات مکانی پیکسل های ترک در نظر گرفته نمی شود در نتیجه اشیاء غیر ترک با شدت روشنایی مشابه پیکسل ترک مانند سایه ، علائم تایر و لکه های نفتی ممکن است به عنوان پیکسل ترک در نظر گرفته شوند. برای از بین بردن تقریبی سایه، لکه های نفتی و غیره، تصویر را به بلوکهای غیر هم پوشان تقسیم می کنند و سپس مقدار آستانه را به صورت محلی در هر بلوک بدست می آورند، به عنوان مثال در هر بلوک میانگین مقادیر روشنایی می تواند به عنوان مقدار آستانه در نظر گرفته شود، ویژگی های آماری مهم در تشخیص ترک ها حداقل شدت روشنایی، میانگین و انحراف معیار میباشد که بلوکهای شامل ترک، میانگین کم و انحراف معیار بالایی دارند، که می توان بر اساس ویژگی های هر بلوک یک آستانه سراسری بدست آورد یا این ویژگی ها را به ورودی یک شبکه عصبی داد و بلوکهای شامل ترک را از بلوکهای بدون ترک متمایز کرد، و برای بلوکهای ترک برچسب یک و بلوکهای بدون ترک برچسب صفر در نظر گرفت که در شکل زیر نشان داده شده است.

شکل راست تصویر اصلی مبتنی بر بلوک، چپ تصویر ترک.

 

تعریف آستانه گذاری(thresholding):

آستانه گذاری یکی از روش های مهم در قطعه بندی تصاویر(image segmentation) می باشد. هدف اصلی در روش های مبتنی بر آستانه گذاری، یافتن یک مقدار آستانه برای آستانه گذاری دو سطحی و چند مقدار آستانه برای آستانه گذاری چندسطحی است. در آستانه گذاری دو سطحی، فقط یک مقدار آستانه انتخاب می شود و پیکسل های تصویر به دو گروه تقسیم می شوند. در آستانه گذاری چندسطحی، چندین آستانه انتخاب میشود که پیکسل ها به چندین گروه تقسیم می گردند. آستانه گذاری دوسطحی معمولا کار سادهای است و آستانه ها معمولا در قعر بین دو قله هیستوگرام سطح خاکستری قرار دارند. یافتن آستانه های مناسب در آستانه گذاری چندسطحی کار ساده ای نیست و آستانه گذاری چندسطحی هم اکنون موضوعی است که بسیاری از محققان بر روی آن مطالعه می کنند. روش های آستانه گذاری زیادی تاکنون مطرح شده اند. یک مطالعه جامع در زمینه روش های آستانه گذاری می تواند دیده شود. آستانه گذاری تصاویر می تواند به دو دسته کلی پارامتری و غیر پارامتری تقسیم شود. روش پارامتری، پارامترهای آماری هر کلاس تخمین زده می شود. این روش ها از نظر محاسباتی گران هستند و کارایی آنها وابستگی زیادی به شرایط اولیه دارد. در روش های غیر پارامتری، مقدار بهینه های مناسب به وسیله بیشینه کردن بعضی معیارها مثل واریانس بین کلاسی بدست می آید.

انواع روش ها در آستانه گذاری تصاویر:

آستانه گذاری یکی از مناسب ترین روش ها برای بخش بندی تصویر می باشد. با اعمال یک روش آستانه گذاری بر روی یک تصویر مقیاس خاکستری، تصویری باینری بدست می آید که مرز اشیاء حاضر در تصویر با دقت مناسبی مشخص می گردد. روش های متعددی برای آستانه گذاری تصویر وجود دارد. در دیدکلی می توان آنها را به شش بخش زیر تقسیم بندی نمود:

-روش های مبتنی بر شکل هیستوگرام، که در آنها، به عنوان مثال، قله ها، دره ها و انحنا از هیستوگرام هموارشده مورد تحلیل و بررسی قرار می گیرند.

-روش های مبتنی بر خوشه بندی، که در آنها، تصویر در مقیاس خاکستری به دو بخش پس زمینه و پیش زمینه خوشه بندی می شود.

-روش های مبتنی بر آنتروپی، در این روش ها باتوجه به نحوه توزیع آنتروپی پیش زمینه و پس زمینه و با توجه به تقاطع مابین دو کلاس موجود در تصویر آستانه موردنظر، محاسبه می گردد.

-روش های مبتنی بر ویژگی شیء، در این روش ها با جست وجو اندازه شباهت مابین تصویر در مقیاس خاکستری و باینری، آستانه موردنظر محاسبه می گردد.

-روش های مبتنی بر مکان، با استفاده از مرتبه بالاتر توزیع احتمال و یا ارتباط بین پیکسل ها، آستانه موردنظر محاسبه می گردد.

روش اتسو(Otsu) به عنوان یکی از بهترین الگوریتم های آستانه برای تصاویر عموم به شمار می رود. این روش یک تصویر را به دو کلاس پس زمینه و پیش زمینه تقسیم می کند در صورت آستانه تک یا تقسیم پیکسل های تصویر را به چند کلاس در مورد آستانه چند سطحی است. روش اتسو مقادیر آستانه ای را انتخاب می کند که واریانس کلاس را در هیستوگرام تصویر به عنوان یک تابع هزینه به حداکثر می رساند.

روش آستانه گذاری اتسو(Otsu Thresholding):

روش آستانه گذاری اتسو در مقالات زیادی به عنوان تکنیکی کارآمد در آستانه گذاری بکاررفته است، حد آستانه را در تصویر به گونه ای انتخاب می کند که واریانس درون کلاسی را به حداقل برساند. در این پروژه از روش آستانه گذاری اتسو استفاده شده است. آستانه گذاری یکی از رایج ترین الگوریتم هایی است که به طور گسترده برای قطعه بندی تصاویر به کار می رود. ایده اصلی آستانه گذاری انتخاب یک حد آستانه بهینه ای است که بتوان از طریق آن اشیاء مورد نظر را از پس زمینه تصویر جدا کرد. در سال های اخیر روش های زیادی برای انتخاب حد آستانه در مقالات مختلف ارائه شده است. یکی از تکنیک های آستانه گذاری که به عنوان تکنیکی کارآمد در آستانه گذاری معرفی شده است، اتسو نام دارد.

در روش اتسو فرض می شود که دو توزیع (پس زمینه و پیش زمینه) وجود دارد، حد آستانه به گونه ای انتخاب می شود که واریانس درون کلاسی دو توزیع را به حداقل برساند. این روش بر اساس تحلیل سطح خاکستری هیستوگرام کل تصویر، حد آستانه ی بهینه ای را انتخاب می کند. محاسبات این برای تصاویر بزرگ آسان و ساده است. این روش در سال ۱۹۷۹ توسط اتسو به عنوان روشی برای آستانه گذاری در سطحی معرفی شد. در این روش ( f(x,y یک تصویر دو بعدی با L سطح خاکستری را نشان می دهد، که هر سطح خاکستری دارای محدوده [0,1,2,…,(L-1)] می باشد. تعداد پیکسل ها با سطح خاکستری i با ni نشان داده می شود. بنابراین احتمال سطح خاکستری i در یک تصویر به صورت زیر نشان داده می شود:

pi=ni/N

فرض کنید که تصویر با یک حد آستانه t به دو کلاسC1 و C2 (پس زمینه و پیش زمینه) تقسیم شود. کلاس C1 پیکسل هایی با سطح [0,1,2,…,(t-1)] و C2 پیکسل هایی با سطح [t,…,(L-1)] را نشان می دهند. اتسو واریانس درون کلاسی را به صورت زیر معرفی می کند:

σ2w(t)=q1σ21+q2σ22

روش اتسو تضمین می کند که t حد آستانه بهینه ای است که واریانس درون کلاسی را به حداقل میرساند. همچنین از این روش می توان برای آستانه گذاری چند سطحی نیز استفاده کرد.

 

شرح پروژه:

در این پروژه شناسایی و اندازه گیری طولی ترک های ایجاد شده در سازه با استفاده از روش پردازش تصویر هیستوگرام و آستانه گذاری اتسو انجام شده است.

فلوچارت مراحل پردازش تصویر:

 

نمونه نتایج: