fa بهبود روش درهم‌تنیدگی تصویر‌ مبتنی بر یادگیری با درنظر‌گرفتن وزن‌های مختلف برای زمینه و پیش‌زمینه مقالات پردازش تصویر Paper پژوهشي Research <div style="text-align: justify;"><strong><span style="font-family:b nazanin;">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</span></strong> <strong><span style="font-family:b nazanin;">داده‌های آموزشی و کمینه‌سازی یک تابع هدف مشخص می‌شود. در تابع هدف&nbsp; 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</span></strong><span dir="LTR">.</span></div> <div style="text-align: justify;"><strong>The problem of accurate foreground estimation in images is called Image Matting. In image matting methods, a map is used as learning data, which is produced by those pixels that are definitely foreground, definitely background ,and unknown. This three-level pixel map is often referred to as a trimap, which is produced manually in alpha matte datasets. The true class of unknown pixels will be estimated by minimizing of an objective function. Several methods for image matting has been proposed. The learning&ndash;based method is one the pioneering works which is the basis of many other approaches in the field of image matting.</strong> <strong>&nbsp;In this method it is assumed that each pixel&rsquo;s alpha value is a linear combination of its associated neighboring pixels. A Laplacian matrix in the objective function shows the similarity of the pixels. The coefficients of the linear combination are estimated with a local learning process by minimizing a quadratic cost function. The method of Lagrange multiplier and ridge regression technique are used for estimation of alpha values. In this objective function the violation of the predefined training pixels&rsquo; alpha values from their true values is controlled by a penalty term. Considering this coefficient as infinity, forces the matte (alpha) value to be 1 for the labeled foreground pixels and 0 for background. The weight of this penalty term still was taken equal for all training samples. In this paper the performance of the matting method is increased by considering different weights for different learning pixels. The good performance of the proposed method is demonstrated in two applications. The first application is improving the quality of a text extraction method and the second application is enhancement of an eye retinal segmentation system. In the first application, a Persian text which is fused onto a textured background is extracted by a thresholding method. After that the segmented output is enhanced by the proposed matting method. In the second application, segmentation is done with an existing vessel extraction method. The edges&rsquo; pixels of detected vessels that may be classified inaccurately are classified by the proposed image matting method. Subjective and objective comparisons show the better performance of the proposed method.</strong></div> قطعه‌بندی تصویر, درهم‌تنیدگی تصویر, استخراج رگ, یادگیری ماشین, استخراج متن از تصویر Image Matting, Image Segmentation, Machine Learning, Text Extraction, Retinal Vessel Segmentation 75 90 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-156-1&slc_lang=fa&sid=1 Mahmood Amintoosi محمود امین طوسی m.amintoosi@gmail.com 10031947532846007504 10031947532846007504 Yes Hakim Sabzevari University دانشگاه حکیم سبزواری