وبلاگ

تشخیص اشیائ دو بعدی در بسیاری از كاربردهای بینایی ماشین ( كامپیوتر ) بویژه جهت وظایف بازرسی و كنترل كیفیت صنعتی ( كه اغلب با مقایسه تصویر شئ با مدل شئ صورت می گیرد ) مورد استفاده قرار می گیرد.
مدل های سه بعدی تشخیص اشیا هم هزینه و هم صرف وقت بیشتری را می طلبند كه منجر به پیچیده ترشدن مدل می گردند . از اینرو در كاربردهای صنعتی بیشتر به تطبیق مدل دو بعدی شئ به تصویر توجه می شود. لذا تصویر شئ ممكن است تحت تبدیل های مختلفی از قبیل تبدیلات rigid، تبدیلات شباهت، تبدیلات دو بعدی offine (كه تقریبی از تبدیلات پرسپكتیو شئ هستند) قرار بگیرد.

همه روشهایی كه در این ارزیابی مورد بحث قرار می گیرند ، احتمالا به جز Patmax كه به خا طراینكه یك نرم افزار تجاری است و مشخصات فنی آن دردسترس نیست ، از پیكسل ها به عنوان ویژگیهای هندسی شان بهره می برند (یعنی ازفیچرهای سطح بالاتر شبیه خط و كمان استفاده نمی كنند). با وجود این چون Patmax یك نرم افزار قوی تشخیص شی است در این سنجش از آن بهره می گیریم . از اینرو قادر خواهیم بود كه نرخ عملكرد روش ها را نه تنها با تكنیك های استاندارد تشخیص مقایسه كنیم بلكه با یك نرم افزار قوی مورد مطاله قرار دهیم.
چندین روش تشخیص اشیاء با استفاده از انطباق مدل های دو بعدی با تصاویر ارا ئه گردیده اند . یك ممیزی از روش های انطباق در مرجع (3) ارائه گردیده است.
در اغلب روش های انطباق مدل های دو بعدی، مقایسه تصویر با مدل با هر درجه آزادی (چرخش، مقیاس، انتقال و ….) می تواند صورت گیرد. در این روش ها مقایسه بر اساس اندازه گیری شباهت است ( كه اغلب Match metric نیز نامیده می شود.)
جهت تشخیص اینكه آیا شئ مورد نظر در تصویر وجود دارد ، ماكزیمم ، مینیمم و موقعیت پارامتر شباهت اندازه گیری و با مقدار آستانه مورد نظر مقایسه می شود . جهت سرعت بخشیدن به پروسه تشخیص از روش هرم تصاویر كه یك روش از كلی به جزئی جهت جستجو می باشد استفاده می شود.
(این روش در مرجع (14) تشریح گردیده است)
ساده ترین دسته روش های تشخیص اشیاء بر پایه مقادیر خا كستری مدل و تصویر اصلی است .
برای این منظور از همبستگی نرمالیزه شده و یا مجموع قدر مطلق اختلافات جهت بدست آوردن درجه شباهت استفاده می شود (مرجع 3).
همبستگی نرمالیزه شده نسبت به تغییرات خطی روشنایی نا متغییر است . یعنی اگر روشنایی كل پیكسل های تصویر به یك نسبت تغییر كنند در مقدار همبستگی تغییری حاصل نمی شود اما نسبت به شلوغی و روی هم افتادگی تصویر و تغییرات غیر خطی روشنایی بسیار حساس است . مجموع اختلاف مقادیر سطوح خاكستری در این تغییرات زیاد نیست اما می تواند نسبت به تغییرات روشنایی خطی بزرگ باشد . (یعنی حساسیت دو فاكتور فوق تقریبا بر عكس همدیگر است.)
یك دسته پیجیده تر از روش های تشخیص اشیاءاز سطوح خاكستری ویا موقعیت پیكسل های شئ استفاده نمی كنند بلكه از لبه های شئ جهت انطباق استفاده می كنند . در مراجع ( 2 ) و ( 11 ) دو نمونه از الگوریتم های این دسته بحث گردیده اند .