پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی

word 5 MB 32178 111
مشخص نشده مشخص نشده مهندسی الکترونیک
قیمت: ۱۴,۴۳۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • چکیده

     

    بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی

    تشخیص مرز و سطح دقیق اجسام در تصاویر دو و یا سه بعدی یکی از مهمترین و پیچیده ترین موضوعات در مسائل حوزه پردازش تصویر به شمار می آید که کاربردهای بسیاری در زمینه های بینایی ماشین از جمله ردیابی اجسام, بازسازی سطوح و به ویژه پردازش تصاویر پزشکی دارد. در این بین, با توجه به پیشرفت روزافزون علم پزشکی و نیاز آن به تشخیص خودکارو غیر تهاجمی انواع بیماری ها و نارسایی های پزشکی, پردازش تصاویر پزشکی دو یا سه بعدی, به ویژه تصاویر سه بعدی به دلیل اطلاعات جامع و مفیدی که در اختیار پزشک قرار می دهند, از اهمیت ویژه ای برخوردار است. به همین دلیل روش های مختلفی از قطعه بندی تصاویر سه بعدی ارائه گردیده است که به طور کلی می توان آنها را به سه دسته روش های ساختاری, آماری و ترکیبی تقسیم بندی نمود. در بین این روش ها, مدل های قابل تغییر شکل پارامتری که از جمله روش های ساختاری محسوب می شوند از اهمیت و کاربرد بالایی برخوردار هستند. مبنای این مدل ها براساس تغییر شکل یک سطح اولیه بر اثر اعمال انرژی داخلی, که مسئول یکپارچگی و انعطاف پذیری سطح می باشد, و انرژی خارجی, که مسئول حرکت سطح اولیه به سمت سطح مورد نظر است, می باشد. با توجه به عملکرد مناسب این مدل ها, پیشرفت های روز افزونی در این زمینه در حال انجام می باشد.

    در این پایان نامه, روش سطوح فعال منفصل که یکی از روش های  مدل های قابل تغییر شکل پارامتری می باشد که اخیرا ارئه شده و نتایج بسیار مطلوبی در مقایسه با روش های معمول قطعه بندی سه بعدی از خود نشان داده است به عنوان الگوریتم پایه در نظر گرفته شده است. در روش پیشنهادی, سعی شده است تا با بهبود مراحل مختلف این الگوریتم و همچنین افزودن مراحلی جهت تکمیل و بهبود نتایج الگوریتم, به یک روش نوین و بهینه جهت  قطعه بندی تصاویر سه بعدی دست یافت. بدین منظور اولین بهبود ایجاد شده در مورد تعیین سطح اولیه مناسب می باشد که در اینجا از یک تخمین بدست آمده از طریق مدل کانتور فعال منفصل, از جسم سه بعدی به عنوان سطح اولیه استفاده شده است. در قسمت بعد در جهت بهبود انرژی های داخلی و خارجی که تاثیر مهمی بر نتیجه نهایی و عملکرد الگوریتم دارند, از انتگرال انحنا به عنوان انرژی داخلی و از دو تابع وابستگی محلی فاز و گرادیان تصویر حاصل از استخراج مرز توسط ویولت به عنوان انرژی خارجی استفاده شده است. سپس جهت اصلاح اشکلات رخ داده در نتیجه الگوریتم به موجب وجود نواحی همجوار و مشابه, از روش جستجوی خطی استفاده شده است.در آخر از نمونه برداری و بروز رسانی شبکه مثلثی براساس همسایگی جهت تضمین همگرایی الگوریتم, استخراج نواحی با انحنای بالا و بهبود دقت سطح استخراج شده, استفاده شده است.

    برای بررسی عملکرد روش پشنهادی در این پایاین نامه, این روش به صورت دو الگوریتم بر روی چهار دسته از تصاویر, تصویر ستاره سه بعدی ساختگی و تصاویر سی تی اسکن مغز, ریه و کبد, اعمال شده است و در قالب چندین دسته تصویر در مرحله همگرایی و همچنین در مرحله متوقف شده در تکرار الگوریتم با سرعت همگرایی بیشتر و جدولی که نشان دهنده بار محاسباتی و سرعت الگوریتم های پیشنهادی در مقایسه با مدل سطوح فعال منفصل می باشد, ارائه گردیده است. ارزیابی نتایج نشان دهنده این موضوع است که روش پیشنهادی هم از نظر دقت در استخراج سطح نهایی و نواحی با انحنای بالا, هم از نظر بار محاسباتی و هم از نظر سرعت همگرایی عملکرد بسیار مطلوبی در مقایسه با مدل سطح فعال منفصل دارد.

    مقدمه

     

    پردازش و آنالیز تصاویر را می‌توان به عنوان یک ساختار کاربردی و تکنیکی جهت بررسی, تحلیل و استخراج اطلاعات از تصاویر تعریف کرد. قطعه بندی تصاویر یکی از مهمترین و کاربردی ترین مراحل پردازش تصویر می باشد که در کاربردهای بسیاری از قبیل مسایل بینایی ماشین1, استخراج ویژگی2, ردیابی اجسام3, بازسازی سطوح4, تشخیص به کمک کامپیوتر5, پردازش تصاویر پزشکی6 و کاربردهای بسیار دیگر مورد استفاده قرار می گیرد. در این میان, پردازش تصاویر پزشکی با توجه به اینکه یکی از مهمترین ابزار تشخیص, بررسی و درمان بیماری ها برای پزشکان به حساب می آید و کاربرد گسترده ای در زمینه ایجاد تصاویر دو بعدی, سه بعدی و 4 بعدی از بدن و مطالعات آناتومیک و فیزیولوژیک دارند و عمدتا تصویر برداری به صورت غیر تهاجمی7 و بدون ایجاد مشکل برای بیمار انجام می پذیرد, از اهمیت فوق العاده ای برخوردار می باشد.

    معمول ترین و مهمترین روش هایی که امروزه برای تصویربرداری پزشکی غیر تهاجمی مورد استفاده قرار میگیرد شامل روش های زیر می باشند:

     

    1 Machine Vision

    2Feature Extraction

    3Object Tracking

    4Surface Reconstruction

    5Computer Aided Diagnosis (CAD)

    6Medical Image Processing

    7Non Invasive

     

    -تصویر برداری با امواج فراصوت1

    -تصویر برداری انتشار پوزیترون2

    -تصویر برداری رایانه ای تک فوتونی3

    -تصویر برداری تشدید مغناطیسی4

    -تصویر برداری با اشعه ایکس5

    -پرتونگاری کامپیوتری6

    یکی از مهمترین گام ها در تحلیل و پردازش تصویر پزشکی قطعه بندی این تصاویر, به معنای مشخص کردن مرز یک یا چند ساختارو یا اعضای آناتومیک بدن, می باشد چرا که این کار باعث ساده سازی در پردازش و استخراج اطلاعات تصویر شده و هم چنین موجب معنی دار شدن بسیاری از قسمت های تصویر می شود. در تصاویر واقعی پزشکی به دلیل عوامل ساختاری مختلفی از قبیل پیچیدگی ساختاری آناتومیک بدن, مجاورت و روی هم افتادگی بعضی از اندام ها و همچنین عوامل خارجی از قبیل وجود نویز, کم بودن وضوح تصاویر, مات شدن تصویر به دلیل حرکت بیمار و یا اعوجاج های ناشی از وسیله تصویر برداری, تصاویر گرفته شده دارای پیچیدگی بسیاری برای قطعه بندی می باشند. از این رو ممکن است بسیاری از الگوریتم ها در تشخیص دقیق و کامل مرز ها و سطوح در تصاویر پزشکی دچار مشکل شوند و این مسئله به یکی از چالش های اساسی در قطعه بندی تصاویر پزشکی تبدیل شده است.

    در این میان, با توجه به اینکه تصاویر سه بعدی حاوی اطلاعات ارزشمندی از ساختارهای آناتومیک و بافت های بدن از قبیل حجم, شکل, اندازه, محل,وجود ناهنجاری و تغییر شکل اعضا بدست می دهند, قطعه بندی تصاویر سه بعدی کاربرد روز افزونی در تحلیل تصاویر پزشکی دارا می باشد. به همین جهت ارائه روش ها و مدل هایی جهت افزایش دقت و صحت نتایج قطعه بندی سه بعدی بسیار حائز اهمیت می باشد.

     

     

    1 Ultra Sound Imaging

    2Positron Emission Tomography (PET)

    3Single Photon Emission Computed Tomography (SPECT)

    4Magnetic Resonance Imaging (MRI)

    5X-Ray Tomography

    6Computed Tomography Scan (CT Scan)

    1-2-خلاصه مسئله

    با توجه به کاربرد روز افزون تصاویر سه بعدی به ویژه در علم پزشکی به ویژه به دلیل دارا بودن اطلاعات بیشتر نسبت به تصاویر دو بعدی و امکان پردازش و تحلیل ساده تر برای کاربر, نیاز به ارائه روش های دقیق تر در این زمینه غیر قابل انکار می باشد. از طرفی قطعه بندی تصاویر سه بعدی یکی از گام های اساسی در زمینه پردازش این گونه تصاویر می باشد. تا کنون روش های متعدد و گوناگونی در قالب سه دسته روش های ساختاری1, روش های آماری2 و روش های ترکیبی3 جهت قطعه بندی اینگونه تصاویر ارائه گردیده است.در روش های ساختاری, مبنای الگوریتم بر اساس اطلاعات ساختاری تصویر می باشد.در حالیکه در روش های آماری اساس کار تحلیل آماری و ریاضی داده ها می باشد. هم چنین روشهای ترکیبی سعی در استفاده از خواص دو روش قبلی دارند.

    اگرچه گام های مهمی در طرح کلی قطعه بندی تصاویر سه بعدی برداشته شده است, همچنان چالشهای دشوار بسیاری برای این مسئله خصوصا برای تصاویر پزشکی وجود دارد.به عنوان مثال, در اغلب موارد, تصویر حاصل دارای نویز و همراه با کنتراست کم می باشد. از طرفی اثر حرکت بیمار و حجم نسبی در فرآیند تصویر برداری می تواند با تار کردن لبه های بافت به راحتی باعث تخریب کیفیت تصویر می شود. از این رو در این پایان نامه هدف دستیابی به روشی برای قطعه بندی تصاویر سه بعدی با دقت بالا و حساسیت کم نسبت به عوامل مخرب تصویر می باشد. بدین منظور پس از بررسی روش های موجود در قطعه بندی تصاویر سه بعدی و تحلیل یکی از جدیدترین و دقیق ترین الگوریتم ها, الگوریتم بهبود یافته سطوح فعال برای قطعه بندی تصاویر سه بعدی ارائه می شود.

    1-3-سرفصل ها

    این پایان نامه در قالب 7 فصل تهیه گردیده است.فصل ابتدایی مقدمه ای بر صورت مسئله مورد بررسی در این پایان نامه می باشد. در فصل دوم به پیشینه مسئله قطعه بندی تصاویر و روش های متداول مورد استفاده در این زمینه پرداخته شده است. در فصل سوم ساختار و عملکرد مدل های قابل تغیر شکل پارامتری مورد بررسی قرار گرفته است. فصل چهارم به بررسی و تشریح الگوریتم سطوح فعال منفصل برای قطعه بندی تصاویر سه بعدی پرداخته شده است. در فصل پنجم روش پیشنهادی جهت بهبود عملکرد الگوریتم سطوح فعال منفصل جهت قطعه بندی تصاویر سه بعدی به تفصیل بیان گردیده است. ن

     

    Abstract

     

     

    Active Surface Model Improvement by Energy Function Optimization for 3D Segmentation

     

    By:

    Mahsa Mohaddesi

     

    Accurate boundary and surface detection in 2D and 3D images is one of the most important and challenging topic in the image processing which has different usage in machine vision fields such as object tracking, surface reconstruction and mainly in medical image processing. Considering the progress of medical science and its increasing need for automatic and non-invasive diagnosis of different kinds of medical diseases and failures, 2D or 3D medical image processing, specially 3D images because of their comprehensive and useful information they give to the physicians, has vital importance. So variety of 3D segmentation methods have been proposed which can be divided into three groups: structural, statistical and hybrid methods. Among them, parametric deformable model, which is a structural method, has high importance and application. This model is based on the deformation of an initial surface as a result of internal force, preserving the surface continuity and smoothness, and external energy force, attracting the surface toward the desired surface. Because of its great performance, lots of improvements are being made on deformable model.

    In this thesis, the decoupled active surface (DAS) model which has been introduced recently and shows great results compared with common methods is used as the basis of algorithm. In the proposed method, we try to obtain a novel and optimized 3Dimage segmentation method using improvements in different steps of the DAS model and also adding some part to the model. To reach this goal, first of all a proper initial surface which is an estimation of object boundaries obtained by few iteration of the decoupled active contour model. Then to improve the internal and external energy, which have important effect on the final result, curvature integral is used as internal energy and local phase coherence and gradient of wavelet edge extracted image are used as external energy. To decrease the effect of adjacent similar region on the final result, a line search method is applied. At the end of the algorithm, a resampling and reshaping of the triangular mesh based on the neighborhood are used to guarantee the algorithm convergence, extract high curvature parts and improve the final surface accuracy.

    To check the performance of the proposed method, this method is assorted in two algorithms and applied to four 3D image datasets, a 3D synthetic star and the brain, lung and liver 3D CT scan images in two stages of convergence of all algorithms and convergence of the fastest algorithm. Also a table is used to show computational burden and convergence speed of the proposed method and DAS algorithm. Evaluations prove that the proposed method has great performance in accuracy of final extracted surface and high curvature parts, computational burden and convergence speed compared with the decoupled active surface model.

  • فهرست:

    اول:مقدمه                                                                                                              1

              1-1-مقدمه                                                                                                           2 

              1-2-خلاصه مسئله                                                                                                   4

              1-3-سرفصل ها                                                                                                       4

    فصل دوم:پیشینه تحقیق                                                                                                        6

              2-1-مقدمه                                                                                                             7

              2-2-مروری بر روش های قطعه بندی                                                                             7

                       2-2-1-روش های ساختاری                                                                              8

                       2-2-2-روش های آماری                                                                                12             

                       2-2-3-روش های ترکیبی                                                                              15

    فصل سوم:مدل های قابل تغییر شکل                                                                                       18

              3-1-مقدمه                                                                                                           19

              3-2-مدل های قابل تغییر شکل پارامتری                                                                      20

                       3-2-1-بیان ریاضی مدل                                                                                20

                       3-2-2-انرژی داخلی مدل                                                                              21                                      

                       3-2-3-انرژی خارجی مدل                                                                             22

    3-2-4-تکامل مدل قابل تغییر شکل پارامتری                                                      23

    3-2-5-روش حل عددی                                                                                24

    3-3-محدودیت های مدل های قابل تغییر شکل پارامتری                                                   24    

    3-3-1-حساسیت به شرایط اولیه                                                                      25

    3-3-2-حساسیت به حداقل های محلی                                                              25

    3-3-3-حساسیت به انحنای زیاد                                                                      26

    3-3-4-نیاز به تنظیم پارامترها                                                                         27

    3-3-5-بار محاسباتی                                                                                    27

    فصل چهارم:سطح فعال منفصل برای قطعه بندی تصاویر سه بعدی                                                   28

              4-1-مقدمه                                                                                                           29

              4-2-تعریف راس و سطح در مدل سطوح فعال منفصل                                                       30

              4-3-مرحله اول:تعیین سطح اندازه گیری شده                                                                 31

              4-4-مرحله دوم:تولید دانش پیشین غیرایستا در فضای سه بعدی                                          34

                       4-4-1-انحنا در فضای سه بعدی                                                                      34                       

                       4-4-2-نمونه برداری مجدد سطح بر مبنای انحنا                                                   35

              4-5-مرحله سوم:تخمین آماری                                                                                   39 

    فصل پنجم:روش پیشنهادی                                                                                                  40

              5-1-مقدمه                                                                                                           41

              5-2-الگوریتم پیشنهادی                                                                                           41

    5-2-1-تخمین کانتور فعال برای سطح اولیه                                                        42

    5-2-2-روش جستجوی خطی                                                                         43

    5-2-3-انتگرال انحنا به عنوان انرژی داخلی                                                         44

    5-2-4-تبدیل ویولت برای تصاویر                                                                     45

    5-2-5-وابستگی محلی فاز به عنوان انرژی خارجی                                                47

    5-2-6-گرادیان تصویر حاصل از استخراج مرز توسط ویولت به عنوان انرژی خارجی         49

    5-2-7-نمونه برداری براساس همسایگی                                                             51

    5-2-8-بروز رسانی شبکه مثلثی براساس نزدیکترین همسایگی ها                              52     

    5-2-9-تشریح روند کلی روش پیشنهادی                                                           53

    فصل ششم:نتایج الگوریتم پیشنهادی و بررسی آنها                                                                       57

              6-1-مقدمه                                                                                                           58

              6-2-مغز                                                                                                              58

              6-3-ریه                                                                                                              59

              6-4-کبد                                                                                                             60

              6-5-پرتونگاری کامپیوتری                                                                                        61

    6-5-1-تاریخچه سی تی اسکن                                                                        62

    6-5-2-اجزای اصلی تشکیل دهنده دستگاه سی تی اسکن                                       62

              6-5-2-الف-لامپ اشعه ایکس                                                               63

              6-5-2-ب-دتکتورهای اشعه ایکس                                                         64

              6-5-2-پ-واحد جمع آوری اطلاعات                                                      64

              6-5-2-ت-واحد تولید ولتاژ بالا                                                             64

              6-5-2-ث-تخت بیمار                                                                        64

              6-5-2-ج-واحد بازسازی و تولید تصویر                                                   64

              6-5-2-چ-کنسول نمایش و واسط کاربر                                                   65

              6-5-ح-کامپیوتر کنترل کننده مرکزی                                                     65

    6-5-3-نسل های مختلف دستگاه                                                                     65

              6-5-3-الف-نسل اول                                                                         65

              6-5-3-ب-نسل دوم                                                                          65

              6-5-3-پ-نسل سوم                                                                         65

              6-5-3-ت-نسل چهارم                                                                       66

              6-5-3-ث-نسل پنجم                                                                        66

              6-5-3-ج-نسل ششم                                                                         66

              6-5-3-چ-نسل هفتم                                                                         67

              6-6-مشخصات نتایج                                                                                               67

    6-7-نتایج و تحلیل آنها                                                                                            67

    6-7-1-مقایسه نتایج مدل سطح فعال منفصل با چند روش معمول                             67

    6-7-2-مقایسه نتایج روش پیشنهادی و الگوریتم سطح فعال منفصل                          69

                       6-7-2-الف-ستاره سه بعدی ساختگی                                                     69

                       6-7-2-ب-تصاویر سی تی اسکن مغز                                                      70

                       6-7-2-پ-تصاویر سی تی اسکن ریه                                                       76

                       6-7-2-ت-تصاویر سی تی اسکن کبد                                                      81

                       6-7-2-ث-مقایسه سرعت همگرایی و بار محاسباتی                                     88

    فصل هفتم:نتیجه گیری و کارهای آینده                                                                                   90

              7-1-نتیجه گیری                                                                                                   91

              7-2-کارهای آینده                                                                                                  92

    فهرست منابع                                     

    منبع:

     

    [1] N. r.Pal and S. K.Pal, A review on image segmentation techniques, Pattern Recognition, Vol. 26, No.9, 1993, 1277-1294.

    [2] D. L.Pham, C. Xu and J. L.Prince, A Survey of Current Methods in Medical Image Segmentation, Technical Report, Department of Electrical and Computer Engineering, the Johns Hopkins University, Baltimore, 2001.

    [3] S. Lakare and A. Kaufman, 3D segmentation techniques for medical volumes, Technical Report, Center for Visual Computing, Department of Computer Science, State University of New York, 2000.

    [4] M. Marsh, A. Literature Review of Image Segmentation Techniques and Matting for the Purpose of Implementing “Grab-Cut”, Grahamstown.

    [5] X. Huang and G. Tsechpenakis, Medical Image Segmentation, Information Discovery on Electronic Health Records, 2009, 12-251.

    [6] O. Wirjadi, Survey of 3D image segmentation methods, Fraunhofer Institute Techno-und Wirtschaftsmathematik, 2007.

    [7] T. Uemura, G. Koutaki and K. Uchimura, Image Segmentation Based on edge Detection using Boundary Code, International Journal of Innovative Computing, Information and Control, Vol. 7, No. 10, 2011.

    [8] L. Gui, R. Lisowski, T. Faundez, P. S. Huppi and F. Lazeyras, Morphology-driven automatic segmentation of MR images of the neonatal brain, Elsevier Journal on Medical Image Analysis, 2012, 1565-1579.

    [9] T. Shen, H. Li, Z. Qian and X. Huang, Active Volume Models for 3D Medical Image Segmentation, IEEE conference on Computer Vision and Pattern Recognition, 2009, 707-714.

    [10] E. Cuevas, D. Zaldivar and M. Perez-Cisneros, A Novel Multi-threshold Segmentation Approach based on Differential Evolution Optimization, Expert Systems with Application, Vol. 37, No. 7, 2010, 5265-5271.

    [11] A. Mishra, P.W. Fieguth, D.A. Clausi, Decoupled Active Surface for Volumetric Image Segmentation, Canadian Conference on Computer and Robot Vision(CRV), 2010, 293-300.

    [12] J. Olivier, J. Mille, R. Bone, J-J. Rousselle, Dynamic Neighborhoods in Active Surface for 3D Segmentation, International Journal for Computational Vision and Biomechanics, 2008, 173-180.

    [13] N. barreira, M. G. Penedo, L. Cohen and M. Ortega, Topological active volumes: A topology-adaptive deformable model for volume segmentation, Elsevier Journal on Pattern Recognition 43, 2010, 255-266.

    [14] J. Mille, Narrow band region-based active contours and surfaces for 2D and 3D segmentation, Computer Vision and Image Understanding, 2009, 946-965.

     [15] F. Heckel, O. Konrad, H. K. Hahn and H. Peitgen, Interactive 3D medical image segmentation with energy-minimizing implicit functions, Elsevier Journal on Computer and Graphics, 2011, 275-287.

    [16] A. Mishra, Decoupled Deformable Model for 2D/3D Boundary Identification, A Thesis of Doctor of Philosophy in System Design Engineering presented to the University of Waterloo, 2010.

    [17] J. Montagnat, H. Delingete and N. Ayache, A review of deformable surfaces: topology, geometry and deformation, Elsevier Journal on Image and Vision Computing, 2001, 1023-1040.

    [18] L. D. Cohen and I. Cohen, Deformable models for 3D medical images using finite elements and balloons, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1992, 592-598.

    [19] L. D. Cohen, On active contour models and balloons, CVGIP: Image understanding, Vol. 53, No. 2, 1991, 211-218.

    [20] C. Xu and J. L. Prince, Snakes, shapes, and gradient vector flow, IEEE Transactions on Image Processing, Vol. 7, No. 3, 1998, 359-369.

    [21] B. Li and S.T. Acton, Active contour external force using vector field convolution for image segmentation, IEEE Transactions on Image Processing, Vol. 16, No. 8, 2007, 2096-2106.

    [22] A. Blake and M. Isard, Active contours, London: Springer, Vol. 1, 1998.

    [23] T. F. Cootes, C. J. Taylor, D. H. Cooper and J. Graham, Active shape models-their training and application, Computer vision and image understanding, Vol. 61, No. 1, 1995, 38-59.

    [24] J. C. Nascimento and J. S. Marques, Robust shape tracking in the presence of cluttered background, IEEE Transactions on Multimedia, Vol. 6, No. 6, 2004, 852-861.

    [25] J. C. Nascimento and J. S. Marques, Robust shape tracking with multiple models in ultrasound images, IEEE Transactions on Image Processing, Vol. 17, No. 3, 2008, 392-406.

    [26] Y. Bar‐Shalom and T. E. Fortmann, Tracking and data association, Academic, New York, 1998.

    [27] J. C. Nascimento and J. S. Marques, Adaptive snakes using the EM algorithm, IEEE Transactions on Image Processing, Vol. 14, No. 11, 2005, 1678-1686.

    [28] L. D. Cohen and I. Cohen, Finite-element methods for active contour models and balloons for 2D and 3D images, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 15, No.11, 1993, 1131-1147.

    [29] G. Sundaramoorthi, A. Yezzi and A. C. Mennucci, Coarse-to-fine segmentation and tracking using Sobolev Active Contours, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 30, No. 5, 2008, 851-864.

    [30] G. Xu, E. Segawa and S. Tsuji, Robust active contours with insensitive parameters, Pattern Recognition, Vol. 27, No. 7, 1994, 879-884.

    [31] G. Xu, E. Segawa and S. Tsuji, A robust active contour model with insensitive parameters, IEEE Fourth International Conference on Computer Vision, 1993, 562-566.

    [32] A. K. Mishra, P. W. Fieguth and D. A. Clausi, From Active Contours to Active Surface, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2011, 2121 – 2128.

    [33] T.F. Chan, B.Y. Sandberg, and L.A. Vese, Active contours without edges for vector-valued images, Journal of Visual Communication and Image Representation, 2000.

    [34] T.F. Chan and L.A. Vese, Active contours without edges, IEEE Transactions on Image Processing, 2001.

    [35] L. Bing and S.T. Scott, Automatic active model initialization via Poisson inverse gradient, IEEE Transactions on Image Processing, 2008.

    [36] I. Sobol, Uniformly distributed sequences with an additional uniform property, USSR Computational Mathematics and Mathematical Physics 16, 1976, 236–242.

    [37] A. K. Mishra, A. Wong, P. W. Fieguth and D. A. Clausi, Quasi-random nonlinear scale space, Pattern Recognition Letters 31, 2010, 1850 – 1859.

    [38] L. MA, J. Tian, W. Yu, Visual Saliency Detection in Image using Ant Colony Optimization and Local Phase Coherence, IEEE Electronics Letters, Vol. 46, 2011, 1066-1068.

    [39] R. Hassen, Z. Wang and M. Salama, No-Reference Image Sharpness Assessment based on Local Phase Coherence Measurement, IEEE International Conference on Acoustic, Speech and Signal Processing(ICASSP), 2010.

    [40] R. Hassen, Z. Wang and M. Salama, Multifocus Image Fusion using Local Phase Coherence Measurement, International Conference on Image Analysis and Recognition(ICIAR), 2009.

    [41] Z. Wang, E. P. Simoncelli, Local Phase Coherence and the Perception of Blur, Advances in Neural Information Processing Systems, Vol. 16, 2004.

    [42] J. Cheng, Y. Liu, 3D Reconstruction of Medical Image using Wavelet Transform and Snake Model, Journal of Multimedia, vol. 4, 2009, 427-434.

    [43] Y. Zhang, B. J. Matuszewski, L. Shark, and C. J. Moore, Medical image segmentation using new hybrid level-set method, Fifth International Conference on BioMedical Visualization, 2008, 71-76.


تحقیق در مورد پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, مقاله در مورد پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, پروژه دانشجویی در مورد پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, پروپوزال در مورد پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, تز دکترا در مورد پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, تحقیقات دانشجویی درباره پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, مقالات دانشجویی درباره پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, پروژه درباره پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, گزارش سمینار در مورد پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, پروژه دانشجویی در مورد پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, تحقیق دانش آموزی در مورد پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, مقاله دانش آموزی در مورد پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی, رساله دکترا در مورد پایان نامه بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی

ن نامه برای دریافت درجه کارشناسی ارشد در رشته تحصیل سنجش از دور و GIS چکیده بهره گیری از داده های سنجش از دور منجر به شناخت و بررسی جامع پهنه های جغرافیایی در مدت زمان کوتاه و با هزینه پایین می گردد. بهره گیری از تکنیک های تجزیه و تحلیل داده های ماهواره ای منجر به استفاده بهینه از این داده ها جهت شناخت هر چه کامل تر منطقه مطالعاتی و پدیده ها و عوارض جغرافیایی موجود در آن می ...

  پايان‌نامه جهت اخذ درجه کارشناسي ارشد مهندسي صنايع پائيز 1392 چکيده در طي سال‌هاي گذشته، تلاش‌هاي زيادي به جهت کاهش هزينه حمل و نقل با استفاده از مدل‌هاي متفاوت

پایان‌نامه دکتری در رشته مهندسی کامپیوتر (هوش مصنوعی) چکیده درک و استخراج اطلاعات از تصاویر و فیلم فصل مشترک اکثریت مسایل مربوط به بینایی ماشین است. یافتن قسمتهای اصلی و مفید یک فیلم و مدلسازی کنشهای بین این اجزا از اهداف اصلی آنالیز فیلم به شمار می‌رود. در دهه اخیر تشخیص فعالیت انسانی با استفاده از تصاویر ویدیویی به عنوان یک بحث چالش برانگیز در بینایی ماشین مطرح شده است. از ...

پایان نامه کارشناسی ارشد مهندسی پزشکی گرایش بیوالکتریک چکیده جداسازی پروجکشن­های پروتز و ایمپلنت­های بافت در تصاویر ساینوگرام سی تی اسکن اسپایرال با استفاده از روش­های کانتور فعال به کوشش ایمپلنت­های فلزی از قبیل پروتزها و مواد پر کننده دندان در طی بازسازی تصاویر سی­تی با روش­های مختلف، باعث ایجاد آرتیفکت می­شود که به صورت خطوط شعاعی روشن و تاریک در اطراف جسم فلزی ظاهر می‌شود و ...

پايان نامه براي دريافت درجه کارشناسي ارشد مهندسي صنايع پليمر فروردين 1393 چکيده امروزه مبحث انرژي و صرفه‌جويي در مصرف انرژي در تمامي زمينه‌ها حتي در خانه‌ها يکي از مهمتر

پایان نامه­ ی دکتری رشته­ ی جغرافیای طبیعی گرایش ژئومورفولوژی چکیده دریاچه های حوضه های انتهایی، سطوحی بسیار هموار و کم شیب در مناطق خشک محسوب می گردند. این چاله های فرورفته که معمولاً محل تجمع آب های سطحی می باشند به عنوان یکی از مهمترین واحدهای ژئومورفولوژیک مناطق خشک، اطلاعات پالئوژئومورفیکی و پالئوکلیماتولوژی ارزشمندی را در خود نهفته اند. کویر دق سرخ در ایران مرکزی از جمله ...

پایان نامه کارشناسی ارشد مهندسی برق گرایش الکترونیک چکیده در این پایان­نامه روشی برای شناسایی مصوت­های فارسی در کلمات تک سیلابی ارائه می­شود. برای این منظور پس از جداسازی فریم­های تصویر و انتخاب فریم­هایی که مربوط به تلفظ مصوت موجود در کلمه تک سیلابی بودند و نیز استخراج ناحیه­ای پیرامون لب­ها، ویژگی­های مختلفی همچون ضرایب کسینوسی و ضرایب موجک و ضرایب MFCC برای تشخیص مصوت­ها در ...

پایان نامه جهت اخذ درجه کارشناسی ارشدM .Sc رشته جغرافیای طبیعی_ ژئومورفولوژی در برنامه­ ریزی محیطی چکیده شهر در محیط جغرافیایی نه بر اساس ظرفیت و امکانات بلکه بر اساس اضطرار و ضرورت­ها گسترش پیدا می­کند. این مساله در شهرهای امروزی به شدت به­چشم می­خورد نکته­ی قابل توجه آنکه شهر باید در هماهنگی تمام با قرارگاه طبیعی خود قرار بگیرد و ضروری است که انسان بتواند با بستر زمین یک ...

پایان نامه‌ی کارشناسی ارشد رشته‌ی مهندسی نقشه برداری گرایش سنجش از دور چکیده به ‌روزآوری پایگاه‌ های داده زمینی در محیط شهری کاری سخت و پر هزینه می‌باشد. تکنیک‌های سنجش از دور ماهواره‌ای به طور وسیعی در استخراج و کنترل تغییر پوشش زمین در مقیاس‌های مختلف مورد استفاده قرار گرفته‌اند که منجر به ایجاد نتایج مفیدی شده‌اند. انجام این کار به کمک روشهای استخراج اتوماتیک تغییر آسان‌تر می ...

پایان نامه برای دریافت مدرک کارشناسی ارشد رشته جغرافیا و برنامه ریزی شهری گروه جغرافیا چکیده شهرها ، سیستم پیچید ه و پویایی هستند که درگذر زمان دستخوش تحولات کالبدی،اجتماعی،اقتصادی و ... گردیده اند. در راستای نیل به توسعه شهری دستیابی به رفاه اجتماعی و ارتقاء کیفیت زندگی از حقوق مسلم هرفرد وجامعه است ؛بدین منظور کاهش فاصله میان آنچه هست و آنچه باید باشد از اهداف مهم برنامه ریزان ...

ثبت سفارش