پروژه آموزشی شبیه سازی مقاله بخش بندی تصویر با الگوریتم ژنتیک با متلب

توضیحات

پروژه شبیه سازی مقاله بخش بندی تصویر با الگوریتم ژنتیک با متلب

در این مقاله شبیه سازی شده، از الگوریتم ژنتیک برای بخش بندی تصویر استفاده شده است که در متلب پیاده سازی شده است.
در این مقاله از الگوریتم ژنتیک برای محاسبه بهترین مقدار حد آستانه برای بخش بندی تصویر استفاده می‌شود. برای هر تصویر با استفاده از عملگرهایcrossover و mutation در الگوریتم ژنتیک، مقادیر حدود آستانه بهینه برای هر مولفه انتخاب می‌شود و سپس به تصاویر صفر و یک تبدیل می‌شوند. در پایان با استفاده از عملگرهای شکل‌شناسی (morphology) ناحیه‌های مورد نظر قطعه‌بندی می‌شوند.

تصویر ground truth یک تصویر باینری است که در آن ناحیه زخم با مقدار 1 و بقیه ناحیه‌ها با مقدار 0 مشخص می‌شود. برای به دست آوردن این تصویر می‌توانیم تصویر اصلی را در نرم‌افزارهای ویرایش تصویر مانند paint  باز کنیم و ناحیه زخم را با رنگ سفید و بقیه ناحیه‌ها را با رنگ سیاه مشخص  کنیم. روشی برای تولید خودکار این تصاویر وجود ندارد. تصاویر ground truth معیاری برای اندازه‌گیری دقت عملکرد الگوریتم بخش‌بندی می‌باشد و باید به‌صورت دستی تولید شوند. در سایر الگوریتم‌ها نیز روال کار به همین شکل است. در الگوریتم ردیابی اجسام نیز باید مسیر حرکت جسم در دنباله تصاویر به‌صورت دستی استخراج شود و سپس نتیجه الگوریتم ردیابی با آن مقایسه شود. 

در این پروژه فرآیندی که باید به‌صورت خودکار انجام شود بخش‌بندی تصاویر زخم‌های پوست است. در خروجی (Figure 2) ، تصویر segmented image به‌صورت خودکار از تصویر اصلی استخراج می‌شود. سپس برای بررسی دقت عملکرد الگوریتم بخش‌بندی، تصویر segmented image را با تصویر ground truth مقایسه می‌کنیم. در اینجا مسئله ما محاسبه تصاویر ground truth نیست. تصاویر ground truth در پایگاه داده تصاویر وجود دارد. مسئله این است ناحیه زخم در تصاویر به‌صورت خودکار بخش‌بندی و جدا شود. این کار با یافتن مقادیر بهینه حدود آستانه با استفاده از الگوریتم ژنتیک انجام می‌شود. در واقع عملیات مورد نظر شما که همان یافتن مرزهای ناحیه زخم پوست و بخش‌بندی تصاویر است به‌صورت خودکار انجام می‌شود.

به دلیل ماهیت زخم‌های پوست و تفاوت ظاهری آن‌ها از نظر رنگ و بافت با پوست پس‌زمینه، بهترین ویژگی‌ها همان ویژگی رنگ و بافت می‌باشد. همچنین می‌توانید از ویژگی تقارن ناحیه‌ها و ویژگی شکل نیز استفاده کنید. می‌توانید از ترکیب ویژگی‌ها فوق نیز استفاده کنید و تاثیر آن را بر دقت خروجی برنامه بررسی نمایید.

برای انجام عملیات‌ قطعه‌بندی ابتدا تصویر ورودی rgb به سه مولفه قرمز، سبز و آبی تقسیم می‌شود. سپس با استفاده از آستانه گیری هر تصویر مولفه به یک تصویر باینری تبدیل می‌گردد. سه حد آستانه thr ، thg ، thb داریم. مقدار هر یک عددی در بازه [0,255] می‌باشد. برای هر کدام از حدهای آستانه یک عدد 8 بیتی در نظر می‌گیریم. [0,2⁸-1]=[0,255] در الگوریتم ژنتیک هر پاسخ مسئله یک کروموزوم نام دارد. هر پاسخ یا کروموزوم از سه مقدار حد آستانه [thr,thg,tb] یا  3*8=24 بیت تشکیل می‌شود.
thr = حد آستانه تصویر کانال قرمز //  thg = حد آستانه تصویر کانال سبز  //  thb = حد آستانه تصویر کانال آبی
از بیت 1 تا 8 مربوط به thr و از بیت 9 تا 16 مربوط به thg و از بیت 17 تا 24 مربوط به thb می‌باشد.

توضیحات خط‌های برنامه segmentation.m :
برای اجرای پروژه برنامه segmentation.m را اجرا کنید.
در پایگاه داده تصاویر  10 تصویر از زخم‌های پوست و تصاویر زمینه درستی (ground truth) آن‌ها قرار دارد. در تصویر  باینری زمینه درستی  ناحیه‌ قطعه‌بندی صحیح به‌صورت دستی از تصویر اصلی جدا شده است.
تصویر ورودی I و تصویر زمینه درستی Igt (ground truth) از فولدر Image_Database خوانده می‌شوند. برای خواندن تصویر شماره تصویر Image_num را وارد کنید:

Image_num=7;

I=imread([‘Images_Database/Image’,num2str(Image_num),’.jpg’]);             % original image

Igt=imread([‘Images_Database/gt_Image’,num2str(Image_num),’.jpg’]);  % ground truth image

Igt=im2bw(Igt);

 مولفه‌های قرمز، سبز و آبی IR ، IG و IB تصویر ورودی را جدا می‌کنیم:

IR=I(:,:,1);   % R component

IG=I(:,:,2);   % G component

IB=I(:,:,3);   % B component

برای آن‌که عملیات‌ قطعه‌بندی بهتر انجام شود یک فیلتر میانه median بر روی تصویر هر کانال اعمال می‌کنیم
سپس عملیات تعدیل هیستوگرام را اجرا می‌کنیم تا تضاد (contrast) بین شدت‌های روشنایی تصویر بیشتر شود:

IR=histeq(medfilt2(IR, [3 3]));  % median filter and histogram equalization

IG=histeq(medfilt2(IG, [3 3]));

IB=histeq(medfilt2(IB, [3 3]));

 

%// genetic algorithm :

الگوریتم ژنتیک را برای به دست آوردن مقادیر بهینه حدود آستانه [thr,thg,tb]  هر یک از کانال‌های تصویر اجرا می‌کنیم:
npop  تعداد اعضای جمعیت اولیه  //   pc  درصد اعضای جمعیت تقاطع  //    pm درصد اعضای جمعیت جهش
ncross  تعداد اعضای جمعیت تقاطع  //    nmut  تعداد اعضای جمعیت جهش //

پروژه شبیه سازی مقاله بخش بندی تصویر با الگوریتم ژنتیک 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.

سفارش پروژه مشابه

درصورتیکه این پروژه دقیقا مطابق خواسته شما نمی باشد، با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.

سفارش پروژه متلب