توضیحات
پروژه تبدیل ویولت برای استخراج بردارهای ویژگی تصاویر و روش gain ratio با متلب
مقالات استفاده شده در زمینه طبقه‌بندی تصاویر زخم‌های سرطان پوست با استفاده از تبدیل ویولت میباشد. با توجه به تفاوت ویژگی ناحیه‌های زخم پوست از نظر بافت و ساختار از تبدیل ویولت استفاده کنیم. در مقالات اول ودوم برای بخش feature selection از روش نسبت بهره (gain ratio) استفاده می‌شود. در این روش برای انتخاب یک زیرمجموعه بهینه از ویژگی‌ها، انرژی آنتروپی هر عنصر ویژگی نسبت به کلاس موردنظر بررسی می‌شود. با تعریف یک تابع، آنتروپی هر عنصر ویژگی در کلاس محاسبه می‌شود و با یک روش جستجو و امتیازدهی ویژگی‌هایی که بالاترین مقدار نسبت بهره را داشته باشند به‌عنوان ویژگی‌های بهینه انتخاب می‌شوند. این روش feature selection مناسب‌تر بوده و دقت بیشتری دارد. برای طبقه‌بندی بردارهای ویژگی نیز بهترین روش الگوریتم ماشین بردار پشتیبان (SVM)و نسبت به سایر روش‌ها مانند شبکه‌های عصبی و الگوریتم نزدیک‌ترین همسایگی دقت بالاتری دارد.
در این پروژه از روش تبدیل ویولت برای استخراج بردارهای ویژگی از تصاویر و از روش gain ratio برای بخش انتخاب ویژگی‌ها(feature selection) و کاهش ابعاد بردارهای ویژگی استفاده می‌کنیم.
مراحل بعدی که باید پیاده‌سازی شوند به‌صورت زیر است:
عملیات پس از پردازش تصویر، اعمال فیلترهای شکل‌شناسی مانند عملیات فرسایش و اتساع
استخراج بردارهای ویژگی از تصاویر با استفاده از ضرایب تبدیل ویولت
انتخاب ویژگی‌ها و کاهش ابعاد بردارهای ویژگی با استفاده از روش gain ratio
پیاده‌سازی الگوریتم دسته‌بندی کننده ماشین بردار پشتیبان (SVM)و طبقه‌بندی تصاویر
ایجاد پایگاه داده از تصاویر زخم‌های پوست و اعمال الگوریتم
تصاویر پایگاه داده باید به دو گروه آموزش (Training) و آزمایش (Test) تقسیم شوند. با استفاده از تصاویر آموزش الگوریتم را آموزش می‌دهیم و پارامترهای مناسب آن را استخراج می‌کنیم و با استفاده از تصاویر آزمایش میزان دقت الگوریتم را با معیارهای Precision و Accuracy محاسبه می‌کنیم.
بافت ویژگی از تصویر می‌باشند که میزان همواری، نرمی، زبری و منظم بودن شدت و جهت سطح را نشان می‌دهد. استخراج بافت در پردازش تصویر کاربردهای زیادی دارد. مانند تشخیص و طبقه‌بندی اجسام، ردیابی، تشخیص کیفیت و جداسازی مواد. در پروژه شما نیز چون انواع تصاویر زخم‌های پوست مانند خوش‌خیم و بدخیم دارای بافت و ساختار متفاوت می‌باشند می‌توانیم از تحلیل بافت برای طبقه‌بندی آن‌ها استفاده کنیم. برای استخراج ویژگی‌های بافت روش‌های مختلفی وجود دارد. مانند روش‌های آماری، توصیفگر آماری مرتبه دوم، استفاده از اطلاعات هیستوگرام، روش‌های ساختاری یا هندسی، استفاده از فیلترهای آشکارساز خطوط افقی و عمودی و روش‌های تبدیلی مانند تبدیل ویولت. در روش تبدیل ویولت تصویر به فضای جدیدی تبدیل می‌شود به‌طوری‌که بافت در این فضای جدید بهتر قابل تشخیص باشد و ویژگی‌های معینی از تصویر فیلتر شده را برای کاربردهای طبقه‌بندی محاسبه می‌شود. روش‌های تبدیلی دارای دقت بیشتری نسبت به سایر روش ها میباشد و تمایز بیشتری بین ویژگی‌های بافت ایجاد می‌کند.
در تبدیل ویولت تصویر به چهار زیر باند تبدیل می‌گردد. زیر باند اول از ضرایب تبدیل ویولت مربوط به ضرایب تقریب approximation coefficients)) است که از لحاظ مقدار و شکل مشابه با تصویر اولیه است. علاوه بر زیر باند تقریب، 3 زیر باند جزئیات خواهیم داشت. که عبارت اند ازجزئیات افقی (horizontal coefficients)موجود در تصویر، جزئیات عمودی (vertical coefficients) موجود در تصویر و آخرین زیر باند مربوط به جزئیات قطری (diognal coefficients)موجود در تصویر است. از ترکیب این ضرایب بردار ویژگی تبدیل ویولت مربوط به تصویر استخراج می‌شود.
قسمتی از فایل توضیحات پروژه تبدیل ویولت
توضیحات خط‌های برنامه Program.m :
clc;clear all;close all;
نام تصویر ورودی را در مقابل دستور imread وارد کنید:
Irgb=imread(‘1.png’);
Igray=rgb2gray(Irgb);
با دستور graythresh سطح آستانه گیری مناسب (thresh) برای تبدیل تصویر خاکستری به تصویر باینری را محاسبه می‌کنیم:
thresh=graythresh(Igray);
با دستور im2bw تصویر خاکستری را به تصویر باینری تبدیل می‌کنیم تا ناحیه زخم را از بقیه ناحیه‌ها جدا کنیم .:
Ibw=im2bw(Igray, thresh);
چون ناحیه زخم نسبت به سایر نواحی تصویر تیره‌تر میباشد خروجی تصویر دستور im2bw در ناحیه زخم سیاه (صفر) و در بقیه ناحیه‌ها سفید (یک) است. با مکمل کردن تصویر باینری، ناحیه زخم را سفید (یک) و بقیه ناحیه‌ها را سیاه (صفر) می‌کنیم:
Ibw=im2bw(1-Ibw);
%/////////////////////////////////////////////////////////////
عملیات شکل شناسی (morphological operation) :
با دستور strel عنصر ساختاری (structuring element) را در عملیات شکل شناسی به‌صورت یک دایره (disk) با شعاع r=2 تعریف می‌کنیم:
% morphological operation
se=strel(‘disk’,2);
پس از آستانه گیری از تصویر ممکن است علاوه بر ناحیه زخم پوست، ناحیه‌های جزئی دیگری نیز در تصویر باینری ایجاد شوند. برای حذف این ناحیه‌های اضافی ابتدا عملیات اتساع (گسترش) و سپس فرسایش (کاهش) را اجرا می‌کنیم.
انجام عملیات گسترش و سپس کاهش با استفاده از عنصر ساختاری (se) دایره‌ای شکل باعث می‌شود مرز ناحیه زخم منظم‌تر شود.
با استفاده از دستور imdilate عملیات اتساع (گسترش) پیکسل‌های ناحیه‌های تصویر باینری را با عنصر ساختاری se انجام می‌دهیم.
m_Ibw=imdilate(Ibw,se); % image dilation
با استفاده از دستور imerode عملیات فرسایش (کاهش) پیکسل‌های ناحیه تصویر مرحله قبل را با عنصر ساختاری se انجام می‌دهیم.
m_Ibw=imerode(m_Ibw,se); % image erosion
%/////////////////////////////////////////////////////////////
دستور regionprops متلب ویژگی‌های ناحیه‌های متصل و مجزا را در یک تصویر باینری محاسبه می‌کند. این ویژگی‌ها عبارت است از : مرکز ثقل ناحیه‌ها (Centroid) ، مساحت ناحیه‌ها (Area) ، محیط ناحیه‌ها (Perimeter) ، مختصات ناحیه مستطیلی محصورکننده (BoundingBox) ، تصویر ناحیه‌ها که حفره‌های داخل آن‌ها پر شده باشد (FilledImage) و …
stats=regionprops(m_Ibw, ‘Area’, ‘BoundingBox’, ‘FilledImage’);
برای یافتن ناحیه زخم پوست در تصویر باینری m_Ibw ناحیه‌ای که بیشترین مساحت (Area) را داشته باشد پیدا می‌کنیم.
خروجی دستور regionprops در یک داده ساختاری به نام stats ذخیره می‌شود.
دستور cat(1, stats.Area) مقادیر مساحت ناحیه‌ها را به‌صورت یک ماتریس ستونی به یکدیگر الحاق می‌کند:
: یک نمونه تجزیه ویولت در سه سطح برای تصویر نمونه cameraman در برنامه Wavelet_Test.m نمایش داده می‌شود
پروژه تبدیل ویولت برای استخراج بردارهای ویژگی تصاویر و روش gain ratio با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
- فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.