دوره 16، شماره 1 - ( 3-1398 )
جلد 16 شماره 1 صفحات 90-75 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Amintoosi M. Enhancement of Learning Based Image Matting Method with Different Background/Foreground Weights. JSDP 2019; 16 (1) :75-90
URL: http://jsdp.rcisp.ac.ir/article-1-797-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-797-fa.html
امین طوسی محمود. بهبود روش درهم‌تنیدگی تصویر مبتنی بر یادگیری با درنظر‌گرفتن وزن‌های مختلف برای زمینه و پیش‌زمینه. پردازش علائم و داده‌ها. 1398; 16 (1) :75-90
دانشگاه حکیم سبزواری
چکیده: (3640 مشاهده)
استخراج دقیق پیش زمینه در تصویر، درهم‌تنیدگی تصویر نامیده می‌شود. از جمله روش‌های معروف در این حوزه روش درهم‌تنیدگی مبتنی بر یادگیری است. در این شیوه داده‌های آموزشیِ دو طبقه در قالب یک نقشه سه‌گانه که شامل نقاط آموزشی برچسب‌دار (زمینه و پیش‌زمینه) و نقاط بدون برچسب هستند، به سامانه داده می‌شوند. میزان تعلق هر پیکسل به زمینه یا پیش‌زمینه بر اساس داده‌های آموزشی و کمینه‌سازی یک تابع هدف مشخص می‌شود. در تابع هدف تمامی کارهای منتشر‌شده، میزان جریمه تخطی از مقادیر درست برای داده‌های آموزشی -خواه متعلق به زمینه باشند یا پیش‌زمینه- یکسان در نظر گرفته شده است. در این مقاله با درنظر‌گرفتن وزن متفاوت برای داده‌های آموزشی دو طبقه، این شیوه بهبود داده شده و کارایی آن در دو کاربرد متفاوت، نشان داده شده است. کاربرد نخست، دقیق‌تر‌کردن جداسازی متن از تصویر و کاربرد دوم، دقیق‌تر‌کردن خروجی روش‌های استخراج رگ‌های خونی شبکیه چشم در کناره‌های رگ‌های شناسایی‌شده است. در کاربرد نخست، متنی فارسی که بر روی زمینه دارای بافت ناهموار درج شده با یک روش معمول آستانه‌گذاری استخراج شده و سپس خروجی قطعه‌بندی‌شده با روش پیشنهادی دقیق‌تر شده است. در کاربرد دوم، ابتدا با یک روش موجود شناسایی رگ، قسمت‌هایی از تصویر که به‌احتمال زیاد متعلق به دو دسته رگ و غیر رگ هستند، برچسب‌گذاری می‌شوند. تعیین دقیق‌تر تعلق پیکسل‌های مرز رگ‌های استخراج‌شده به هر یک از دو دسته رگ یا غیر آن توسط روش پیشنهادی انجام می‌شود. نتایج کمّی و دیداری، کارایی شیوه پیشنهادی را نشان داده است.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1396/10/14 | پذیرش: 1397/11/6 | انتشار: 1398/3/20 | انتشار الکترونیک: 1398/3/20
دریافت: 1396/10/14 | پذیرش: 1397/11/6 | انتشار: 1398/3/20 | انتشار الکترونیک: 1398/3/20
فهرست منابع
1. [1] J. Wang and M. F. Cohen, "Image and video matting: A survey," Found. Trends. Comput. Graph. Vis., vol.3, pp.97-175, Jan. 2007. [DOI:10.1561/0600000019]
2. [2] J. Johnson, D. Rajan, and H. Cholakkal, "Sparse codes as alpha matte," in BMVC, BMVA Press, 2014. [DOI:10.5244/C.28.74]
3. [3] Q. Chen, D. Li, and C.-K. Tang, "KNN mat-ting," Pattern Analysis and Machine Intelli-gence, IEEE Transactions on, vol.35, pp.2175-2188, Sept 2013. [DOI:10.1109/TPAMI.2013.18] [PMID]
4. [4] J. Gao, M. Paul, and J. Liu, "The image mat-ting method with regularized matte," IEEE Computer Society in ICME, , pp.550-555, 2012. [DOI:10.1109/ICME.2012.182]
5. [5] P. G. Lee and Y. Wu, "L1 matting," IEEE in ICIP, pp.4665-4668, , 2010.
6. [6] I. Choi, S. Kim, M. S. Brown, and Y. W. Tai, "A learning-based approach to reduce jpeg ar-tifacts in image matting," in 2013 IEEE International Conference on Computer Vision, pp.2880-2887, Dec 2013. [DOI:10.1109/ICCV.2013.358] [PMCID]
7. [7] Y. Zheng and C. Kambhamettu, "Learning based digital matting.," in 12th International Conference on Computer Vision, (Kyoto), pp.889-896, 2009.
8. [8] A. Levin, D. Lischinski, and Y. Weiss, "A closed-form solution to natural image matting," IEEE Trans. Pattern Anal. Mach. Intell., vol.30, no.2, pp.228-242, 2008. [DOI:10.1109/TPAMI.2007.1177] [PMID]
9. [9] J. Sun, J. Jia, C.-K. Tang, and H.-Y. Shum, "Poisson matting," ACM Trans. Graph., vol.23, pp.315-321, Aug. 2004. [DOI:10.1145/1015706.1015721]
10. [10] Z. Zhang, Q. Zhu, and Y. Xie, "Learning based alpha matting using support vector regression, " in 2012 ,19th IEEE International Conference on Image Processing, pp. 2109-2112, Sept 2012. [DOI:10.1109/ICIP.2012.6467308]
11. [11] X. Li and Q. Cui, Parallel Accelerated Matting Method Based on Local Learning, pp.152-162 Cham: Springer International Publishing, 2017. [DOI:10.1007/978-3-319-54181-5_10]
12. [12] K. Jung, K.Kim, andA. Jain, "Text information extraction in images and video: a survey," Pattern Recognition, vol.37, pp.977-997, 5 2004. [DOI:10.1016/j.patcog.2003.10.012]
13. [13] N. Otsu, "A Threshold Selection Method from Gray-level Histograms," IEEE Transactions on Systems, Man and Cybernetics, vol.9, no.1, pp.62-66, 1979. [DOI:10.1109/TSMC.1979.4310076]
14. [14] M. Fraz, P. Remagnino, A. Hoppe, B. Uyyanonvara, A. Rudnicka, C. Owen, and S. Barman, "Blood vessel segmentation methodo-logies in retinal images - a survey," Comput. Methods Prog. Biomed., vol. 108, pp.407-433, Oct. 2012. [DOI:10.1016/j.cmpb.2012.03.009] [PMID]
15. [15] M. T. Dehkordi, S. Sadri, and A. Doosthoseini, "A review of coronary vessel segmentation algo-rithms.," Journal of Medical Signals & Sensors, vol.1, no.1, pp.49-54, 2011.
16. [16] P. Talwar , M. D. Gupta, "Alpha-matting based retinal vessel extraction," United States Patent Application 20160163041, June 2016.
17. [17] P. Bankhead, C. N. Scholfield, J. G. McGeown, and T. M. Curtis, "Fast retinal vessel detection and measurement using wavelets and edge location refinement.," PloS one, vol.7, no.3, 2012. [DOI:10.1371/journal.pone.0032435] [PMID] [PMCID]
18. [18] J. I. Orlando , M. Blaschko, "Learning fullyconnected CRFs for blood vessel segmentation in retinal images," in Medical Image Computing and Computer-Assisted Intervention -MIC-CAI 2014, vol. 8673 of Lecture Notes in Computer Science, pp.634-641, Springer, 2014. [DOI:10.1007/978-3-319-10404-1_79] [PMID]
19. [19] V. M. Saffarzadeh, A. Osareh, and B. Shadgar, "Vessel segmentation in retinal images using multi-scale line operator and k-means clustering," Journal of Medical Signals & Sensors, vol. 4, no.2, pp.122-129, 2014.
20. [20] G. Azzopardi, N. Strisciuglio, M. Vento, and N. Petkov, "Trainable COSFIRE filters for vessel delineation with application to retinal images," Medical Image Analysis, vol.19, no.1, pp.46-57, 2015. [DOI:10.1016/j.media.2014.08.002] [PMID]
21. [21]م، زردادی. ن، مهرشاد. " آشکارسازی عروق شبکیه چشم بر اساس مدل محاسباتی سلول ساده کورتکس اولیه بینایی". فصل‌نامه پردازش علائم و داده‌ها، دوره 13، شماره 1. ص 138-127، 1395.
22. [21] M. Zardadi ,and N. Mehrshad, "A New Approach to Retinal Vessel Segmentation by Using Computational Model of Simple Cells in Primary Visual Cortex". JSDP, vol. 13, no. 1, pp. 127-138, 2016.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
