فهرس المقالات Image segmentation

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Partial Differential Equations applied to Medical Image ‎Segmentation
  B. Bagheri R. Ezzati
  ‎This paper presents an application of partial differential equations(PDEs) for the segmentation of abdominal and thoracic aortic in CTA datasets. An important challenge in reliably detecting aortic is the need to overcome problems associated with intensity inhomoge أکثر

  ‎This paper presents an application of partial differential equations(PDEs) for the segmentation of abdominal and thoracic aortic in CTA datasets. An important challenge in reliably detecting aortic is the need to overcome problems associated with intensity inhomogeneities. Level sets are part of an important class of methods that utilize partial differential equations (PDEs) and have been extensively applied in image segmentation. A kernel function in the level set formulation aids the suppression of noise in the extracted regions of interest and then guides the motion of the evolving contour for the detection of weak boundaries. The speed of curve evolution has been significantly improved with a resulting decrease in segmentation time compared with traditional implementations of level sets, and are shown to be more effective than other approaches in coping with intensity inhomogeneities. We have applied the Courant Friedrichs Levy (CFL) condition as stability criterion for our ‎algorithm.‎ تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - باز ترکیب ویژگیهای حوزه فرکانس و مکان جهت تشخیص ماشینی زبان اشاره
  سیروس تن ناز
  10.30495/jce.2023.1973676.1179
  در این مقاله، یک سیستم برای تشخیص حروف الفبای زبان اشاره فارسی ارائه شده است. این سیستم قادر است 32 حالت ساکن دست برای حروف الفبای فارسی را تشخیص داده و آن را به متن فارسی ترجمه کند. به این منظور، تصاویری از حالتهای دست برای هر یک از حروف الفبا در نظر گرفته شده است. پای أکثر

  در این مقاله، یک سیستم برای تشخیص حروف الفبای زبان اشاره فارسی ارائه شده است. این سیستم قادر است 32 حالت ساکن دست برای حروف الفبای فارسی را تشخیص داده و آن را به متن فارسی ترجمه کند. به این منظور، تصاویری از حالتهای دست برای هر یک از حروف الفبا در نظر گرفته شده است. پایگاه داده شامل 600 تصویر از افراد مختلف توسط یک دوربین دیجیتالی تهیه شده است. تمامی دادههای تصویری را به حوزه دودویی منتقل کرده و اندازه آنها را با یک مقیاس واحد تغییر دادهایم. پیشپردازش دادههای تصویری شامل برش تصویر و حذف نویز میباشد. بعد از پیش پردازش، 3 الگوریتم برای استخراج ویژگی ها پیشنهاد می شود. الگوریتمهای پیشنهادی شامل الگوریتم ناحیهبندی تصویر، الگوریتم فواصل میان نقاط کانتور مرزی و مرکز ثقل و تبدیل رادون میباشد. الگوریتم فواصل میان نقاط کانتور مرزی و مرکز ثقل، نحوه قرارگیری نقاط روی منحنی پیرامونی دست نسبت به یکدیگر و نسبت به مرکز ثقل را نشان داده و لذا اطلاعات ساختاری مناسبی را برای توصیف حالتها ارائه می کند. الگوریتم بعدی، مبتنی بر ناحیهبندی تصویر است. در این الگوریتم در هر یک از ناحیهها نسبت تعداد پیکسلهای سفید بر کل تعداد پیکسلها محاسبه میشود. در تبدیل رادون علاوه بر این که اطلاعات کلی تصویر در هر یک از حالتها را بدست آوردیم، با استفاده از روش پیشنهاد شده و با کنار گذاشتن اطلاعات اضافی در آن، دقت تشخیص را بالا بردهایم. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - قطعه بندی تصاویر با استفاده از روش خوشه بندی طیفی مبتنی بر سوپرپیکسل
  فاطمه افسری شولی جلیل عظیم پور مرضیه دادور
  علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستم‌های هوشمند به کار گرفته می‌شود. اولین گام در بسیاری از کاربرد‌های بینایی ماشین، قطعه‌بندی تصویر می‌باشد. در این پژوهش، روش خوشه بندی طیفی با سوپرپیکسل برای قطعه بندی تصویر ارائه شده است. با أکثر

  علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستم‌های هوشمند به کار گرفته می‌شود. اولین گام در بسیاری از کاربرد‌های بینایی ماشین، قطعه‌بندی تصویر می‌باشد. در این پژوهش، روش خوشه بندی طیفی با سوپرپیکسل برای قطعه بندی تصویر ارائه شده است. با اعمال الگوریتم KFCM و با استفاده از توزیع عضویت در ماتریس بخش بندی، یک میزان تشابه فازی هسته ای جدید پیشنهاد داده ایم که سبب کاهش میزان حساسیت پارامتر مقیاس گذاری می شود. علاوه بر این، به‌منظور کاهش هزینه محاسباتی برای قطعه بندی تصویر، سوپر پیکسل را معرفی کرده ایم و یک اندازه گیری جدید برای ساخت ماتریس وابستگی خوشه بندی طیفی ارائه شده است. الگوریتم‌های پیشنهادی بر روی 300 تصویر طبیعی متفاوت اعمال می‌شود و توسط شاخص های ارزیابی، مورد ارزیابی و مقایسه قرار می‌گیرند. نتایج حاصل شده از آزمایشات نسبت به دیگر روش های قطعه بندی مقایسه شده است و حاکی از برتری 4/3% دقت قطعه بندی الگوریتم پیشنهادی دارد و تمام شاخص های ارزیابی موردنظر پژوهش به میزان قابل قبولی افزایش پیداکرده‌اند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - Object-Oriented Method for Automatic Extraction of Road from High Resolution Satellite Images
  I. Ali Rizvi B. Krishna Mohan
  As the information carried in a high spatial resolution image is not represented by single pixels but by meaningful image objects, which include the association of multiple pixels and their mutual relations, the object based method has become one of the most commonly us أکثر

  As the information carried in a high spatial resolution image is not represented by single pixels but by meaningful image objects, which include the association of multiple pixels and their mutual relations, the object based method has become one of the most commonly used strategies for the processing of high resolution imagery. This processing comprises two fundamental and critical steps towards content analysis and image understanding i.e. image segmentation and classification. This paper proposes a robust object based segmentation algorithm using multi-resolution analysis technique and object based supervised image classification using modified cloud basis functions (CBFs) neural network algorithm to identify road features from high resolution satellite remotely sensed images . تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - Diagnosis of brain tumor using PNN neural networks
  elahe alipoor azar Nasser Lotfivand
  Cells grow and then need a very neat method to create new cells that work properly to maintain the health of the body. When the ability to control the growth of the cells is lost, they are unconsidered and often divided without order. Exemplified cells form a tissue mas أکثر

  Cells grow and then need a very neat method to create new cells that work properly to maintain the health of the body. When the ability to control the growth of the cells is lost, they are unconsidered and often divided without order. Exemplified cells form a tissue mass called the tumor. In fact, brain tumors are abnormal and uncontrolled cell proliferations. Segmentation methods are used in biomedical image processing and examines the methods used for better segmentation. Critical assessment of the current state of the automated and automated methods for categorizing anatomical medical pictures with emphasis on the benefits and disadvantages. In this project, we recognize brain tumors and classify tumor stages using database testing and training. Segmentation is used for testing purpose by FCM space. Neural networks are also used for its segmentation, which yields acceptable results in PNN neural networks. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - Cluster-Based Image Segmentation Using Fuzzy Markov Random Field
  Peyman Rasouli Mohammad Reza Meybodi
  Image segmentation is an important task in image processing and computer vision which attract many researchers attention. There are a couple of information sets pixels in an image: statistical and structural information which refer to the feature value of pixel data and أکثر

  Image segmentation is an important task in image processing and computer vision which attract many researchers attention. There are a couple of information sets pixels in an image: statistical and structural information which refer to the feature value of pixel data and local correlation of pixel data, respectively. Markov random field (MRF) is a tool for modeling statistical and structural information at the same time. Fuzzy Markov random field (FMRF) is a MRF in fuzzy space which handles fuzziness and randomness of data simultaneously. This paper propose a new method called FMRF-C which is model clustering using FMRF and applying it in application of image segmentation. Due to the similarity of FMRF model structure and image neighbourhood structure, exploiting FMRF in image segmentation makes results in acceptable levels. One of the important tools is Cellular learning automata (CLA) for suitable initial labelling of FMRF. The reason for choosing this tool is the similarity of CLA to FMRF and image structure. We compared the proposed method with several approaches such as Kmeans, FCM, and MRF and results demonstratably show the good performance of our method in terms of tanimoto, mean square error and energy minimization metrics. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  7 - Unsupervised Texture Image Segmentation Using MRFEMFramework
  Marzieh Azarian Reza Javidan Mashallah Abbasi Dezfuli
  Texture image analysis is one of the most important working realms of image processing in medical sciences and industry. Up to present, different approaches have been proposed for segmentation of texture images. In this paper, we offered unsupervised texture image segme أکثر

  Texture image analysis is one of the most important working realms of image processing in medical sciences and industry. Up to present, different approaches have been proposed for segmentation of texture images. In this paper, we offered unsupervised texture image segmentation based on Markov Random Field (MRF) model. First, we used Gabor filter with different parameters’ (frequency, orientation) values. The output image of this step clarified different textures and then used low pass Gaussian filter for smoothing the image. These two filters were used as preprocessing stage of texture images. In this research, we used K-means algorithm for initial segmentation. In this study, we used Expectation Maximization (EM) algorithm to estimate parameters, too. Finally, the segmentation was done by Iterated Conditional Modes (ICM) algorithm updating the labels and minimizing the energy function. In order to test the segmentation performance, some of the standard images of Brodatz database are used. The experimental results show the effectiveness of the proposed method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  8 - Entropy-based Kernel Graph Cut with Weighted K-Means for Textural Image Region Segmentation
  Mehrnaz Niazi Kambiz Rahbar Mansour Sheikhan Maryam Khademi
  Recently, image segmentation based on graph cut methods has shown impressive performance on a set of image data. Although the kernel graph cut method provides good performance, its performance is highly dependent on the data mapping to the transformation space and image أکثر

  Recently, image segmentation based on graph cut methods has shown impressive performance on a set of image data. Although the kernel graph cut method provides good performance, its performance is highly dependent on the data mapping to the transformation space and image features. Entropy-based kernel graph cut method is suitable for segmentation of textured images. However, the quality of its segmentation is affected by the quality of extracting kernel centers. This paper examines the segmentation of textured images using the entropy-based kernel graph cut method based on weighted k-means. Using the advantages of kernel space, the objective function consists of two data terms to transfer the data standard deviation of each area in the segmented image and the regularization term. The proposed method, while using the advantages of suitable computational load of graph cut methods, will be a suitable alternative for segmenting textured images. Laboratory results have been taken on a set of well-known datasets that include textured shapes in order to evaluate the efficiency of the algorithm compared to other states-of-the-art methods in the field of kernel graph cut. تفاصيل المقالة