بخش بندی معنایی تصاویر ؟

در تصاویر کامپیوتری، واژه ” بخش بندی تصویر ” یا ” بخش بندی” به تقسیم تصویر به گروهی از پیکسل براساس برخی معیارها اشاره داردیک الگوریتم بخش‌بندی تصویر به عنوان ورودی و خروجی مجموعه‌ای از مناطق ( یا بخش‌ها ) را می‌گیرد.ناحیه‌بندي موثر اشياء در تصوير رنگی يک مسئله مهم عملگرهاي پردازش تصوير است. با ناحیه بندي مؤثر، عنصر مورد نظر را جدا مي‌كنيم. برتري يك روش ناحیه بندي بر ديگر روش‌ها به مشخصات خاص مسئله‌اي كه بررسي مي‌شود، بستگي دارد. ناحیه‌بندی تصاویر رنگی در بسیاری از کارهای پردازشی بر روی تصاویر، چون تصاویر درمانی، بینایی ماشین، فشرده سازی تصویر، شئ شناسی، نیازی ضروری و مهم برای شروع پردازش بر روی شی یا بافت مورد نظر می باشد. برای مثال در تصاویر درمانی، یک پزشک با استفاده از دانش و تجربه ی خود به ناحیه بندی بافت مورد نظر در تصویر می‌پردازد. اما زمانی که تعداد تصاویر زیاد باشند و یا اینکه کانتراست و تغییر شدت روشنایی اشیاء نسبت به یکدیگر کم باشد و تصویر از لحاظ دید انسان نامناسب باشد، ناحیه بندی بسیار هزینه بر بوده (هم از نظر مالی و هم از نظر زمانی) و با خطا روبرو می گردد. بنابرین نیاز به خودکار کردن فرایند ناحیه بندی تصویر، امری لازم و ضروری می باشد. ناحیه بندی تصویر به روش های مختلفی صورت می پذیرد که به طور کلی می‌توان آنرا به دو دسته ی کلاسیک و شکل شناسی تقسیم بندی نمود. بخش بندی معنایی تصاویر یعنی تخمین کلاس برای هر پیکسل تصویر.

نحوه ناحیه بندی تصاویر ؟

ﺑﺨﺶﺑﻨﺪی ﺗﺼﻮﯾﺮ اوﻟﯿﻦ ﻣﺮﺣﻠﻪ و ﺑﺤﺮاﻧﯽﺗﺮﯾﻦ ﻣﺮﺣﻠﻪ از آﻧﺎﻟﯿﺰ ﺗﺼﻮﯾﺮ ﻣﯽﺑﺎﺷﺪ ﮐﻪ ﻫﺪﻓﺶ اﺳﺘﺨﺮاج اﻃﻼﻋﺎت داﺧﻞ ﺗﺼﻮﯾﺮﻣﺎﻧﻨﺪ (ﻟﺒﻪﻫﺎ ، ﻧﻤﺎﻫﺎ و ﻫﻮﯾﺖ ﻫﺮ ﯾﮏ از ﻧﻮاﺣﯽ) ﻣﯽﺑﺎﺷﺪﮐﻪ از ﻃﺮﯾﻖ ﺗﻮﺻﯿﻒ، ﻧﺎﺣﯿﻪﻫﺎی ﺑﺪﺳﺖ آﻣﺪه را ﺑﺮای ﮐﺎﻫﺶ آﻧﻬﺎ ﺑﻪ ﺷﮑﻞ ﻣﻨﺎﺳﺐ ﺑﺮای ﭘﺮدازش ﮐﺎﻣﭙﯿﻮﺗﺮ و ﺗﺸﺨﯿﺺ ﻫﺮ ﯾﮏ از ﻧﻮاﺣﯽ آﻣﺎده ﻣﯽﮐﻨﺪ.نتیجه بخش بندی ﺗﺎﺛﯿﺮ ﻗﺎﺑﻞ ملاحظه ای ﺑﺮ دﻗﺖ ارزﯾﺎﺑﯽ وﯾﮋﮔﯽﻫﺎﺧﻮاﻫﺪ داﺷﺖ ..ﺑﺨﺶﺑﻨﺪی اﻏﻠﺐ ﺷﺮح ﻓﺮآﯾﻨﺪ ﺗﻘﺴﯿﻢ ﺗﺼﻮﯾﺮ ﺑﻪ  اﺟﺰاء اﺻﻠﯽ و اﺳﺘﺨﺮاج ﻗﺴﻤﺘﻬﺎی ﻣﻮرد ﻋﻼﻗﻪ  اﺷﯿﺎء ﻣﯽﺑﺎﺷﺪ. بخش بندی یکی از مشکل ترین مباحث در پردازش تصویراست که در موفقیت عمل تحلیل تصویر بسیار موثر است. برای بخش بندی تصویر روشهای مختلفی وجود دارد که می توان انهارا به دو دسته روشهای مبتنی بر هیستوگرام(based -Histogram ) و روشهای مبتنی بر خوشه بندی(Clustering-Based) تقسیم کرد. که البته هر کدام از این دو روش دارای زیر مجموعه هایی نیز می باشند. در روشهای مبتنی بر هیستوگرام، بخش بندی تصاویر براساس توزیع پیکسلها صورت می گیرد. قدم اصلی در این روشها یافتن سطح استانه ای مناسب برای اعمال به تصویر میباشد. در روشهای مبتنی بر خوشه بندی برای گروه بندی کردن داده ها از شباهتها و روابط موجود بین آنها استفاده می شود. در این روشها داده ها به نحوی گروه بندی می شوند تا انهایی که در داخل یک بخش قرار می گیرند دارای بیشترین شباهت به هم باشند. کاربردهای زیرا می توان برای ناحیه بندی ذکر کرد:

  • بازیابی محتوا محور تصاویر
  • تصویربرداری پزشکی از جمله از سی‌تی اسکن و تصویر برداری رزونانس مغناطیسی.
  • تعیین محل تومور و دیگر بیماری‌های
  • اندازه‌گیری حجم بافت
  • برنامه‌ریزی برای عمل جراحی
  • شبیه سازی جراحی مجازی
  • موقعیت یابی در جراحی
  • تشخیص عابر پیاده
  • تشخیص چهره
  • مکان یابی اشیاء در تصاویر ماهواره‌ای تشخیص اثر انگشت
  • تشخیص عنبیه
  • سیستم‌های کنترل ترافیک
  • نظارت ویدئویی

ﺷﺮاﯾﻂ ﺑﺨﺶﺑﻨﺪی

: ﺑﺨﺶﺑﻨﺪی ﻫﺮ ﺗﺼﻮﯾﺮ ﺑﺎﯾﺪ ﺷﺮاﯾطی داﺷﺘﻪﺑﺎﺷﯿﻢ. ازجمله

  • ﻣﺠﻤﻮع ﮐﻞ ﻗﻄﻌﺎت ﮐﻞ ﭘﯿﮑﺴﻠﻬﺎی ﺗﺼﻮﯾﺮ را ﺗﺸﮑﯿﻞ ﻣﯽدﻫﻨﺪ.
  •  ﻧﻮاﺣﯽ ﻗﻄﻌﺎت ﻧﺒﺎﯾﺪ ﺗﺪاﺧﻞ داﺷﺘﻪ ﺑﺎﺷﻨﺪ.
  •  ﭘﯿﮑﺴﻠﻬﺎی ﻗﻄﻌﺎت ﯾﮑﺴﺎن ﺑﺎﯾﺪ ﺧﻮاص ﯾﮑﺴﺎﻧﯽ داﺷﺘﻪ ﺑﺎﺷﻨﺪ.
  • ﭘﯿﮑﺴﻠﻬﺎی ﻗﻄﻌﺎت ﻣﺘﻔﺎوت ﺑﺎﯾﺪ ﺧﻮاص ﻣﺘﻔﺎوﺗﯽ داﺷﺘﻪ ﺑﺎﺷﻨﺪ.
  •  ﭘﯿﮑﺴﻠﻬﺎی ﻗﻄﻌﺎت ﯾﮑﺴﺎنﻣﺮﺗﺒﻂ ﻫﺴﺘﻨﺪ.
  • ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ وﯾﮋﮔﯽﻫﺎی ﺑﺮداری ﺗﺼﻮﯾﺮ ﻣﺜﻞ رﻧﮓ ﺗﺼﻮﯾﺮ و ﻏﯿﺮه ﺻﻮرت ﻣﯽﮔﯿﺮد.
  • ﻟﺒﻪﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ می تواند برای بخش بندی مفید باشد.

الگوریتم های بخش بندی ؟

الگوریتم های بخش بندی را با توجه به مراجع مختلف می­توان به صورت زیر دسته بندی کرد:

  • آستانه گیری روشنایی یا بخش بندی دامنه
  • روشهای فازی
  • روش واترشید یا تبدیل آب پخشان
  • الگوریتم ژنتیک
  • بخش بندی تصویر به کمک مینیمم درخت پوشا
  • روشهای مبتنی بر گراف
  • و…

هدف از این عمل، جداسازی اجزاء اصلی تشکیل دهنده تصویر است. بطوری که آنها را جهت اندازه‌گیری‌های بعدی آماده نماید. Segmentation یکی از پردازشهای نسبتاً مشکل می‌باشد. کیفیت نتایج زیربخش­ها بستگی به کیفیت مراحل segmentation دارد. همانطور که مشخص است این تکنیک برای اشکارسازی اشیاء گوناگون بصورت خودکار در تصویر می تواند بکار برده شود. به طور کلی قطعه بندی یکی از مشکل ترین مباحث در پردازش تصویراست که در موفقیت عمل تحلیل تصویر بسیار موثر است. برای قطعه بندی تصویر روشهای مختلفی وجود دارد که می توان انهارا به دو دسته روشهای مبتنی بر هیستوگرام(based -Histogram ) و روشهای مبتنی بر خوشه بندی(Clustering-Based) تقسیم کرد. که البته هر کدام از این دو روش دارای زیر مجموعه هایی نیز می باشند. در روشهای مبتنی بر هیستوگرام، تقسیم بندی تصاویر براساس توزیع پیکسلها صورت می گیرد. قدم اصلی در این روشها یافتن سطح استانه ای مناسب برای اعمال به تصویر میباشد. در روشهای مبتنی بر خوشه بندی برای گروه بندی کردن داده ها از شباهتها و روابط موجود بین انها استفاده می شود. در این روشها دادهها به نحوی گروه بندی می شوند تا انهاییکه در داخل یک بخش قرار می گیرند دارای بیشترین شباهت به هم باشند.

هدف از این دوره آموزشی:

هدف از این دوره آموزشی بخش بندی معنایی تصاویر با یادگیری عمیق است. این پروژه توانا در بخش بندی معنایی تصاویر از یک عکس دیجیتالی می‌باشد. در این پروژه طبقه بندی تصاویر مختلف با استفاده از الگوریتم های شبکه عصبی و تکنیک های Deep Learning به سرعت عملیات یادگیری را انجام داده و پس از آن به راحتی و با سرعت بالا بخش بندی معنایی تصاویر مورد نظر را انجام می­ دهد. در این پروژه عملی بخش بندی معنایی تصاویر با یادگیری عمیق در پایتون انجام می شود که با فیلم آموزشی کامل روند بخش بندی معنایی تصاویری تشریح و پیاده سازی می شود. مجموعه های داده ای معرفی می شوند و عملیات آموزش و تست شبکه انجام می شود. خروجی های حاصل از بخش بندی معنایی تصاویر در تصویر روی هر یک از شبکه ها نشان داده می شود. پروژه قابلیت آموزش روی داده های دلخواه خودتان را دارد و می توانید عملیات بخش بندی معنایی تصاویر را با آن انجام دهید. در این دوره ابتدا مرور کامل روی پایتون انجام می شود و بعد با استفاده از کتابخانه های قدرتمند keras  و pytorch عملیات بخش بندی تصویر انجام می شود. بدون شک یکی از بهترین دوره های عمیق برای بخش بندی معنایی تصاویر می باشد که با زبان فارسی و ساده و روان توضیح داده شده است. امیدواریم که این آموزش از “بیگ لرن” هم مثل سایر آموزش ها مورد تایید و رضایت شما مخاطبان گرامی قرار گیرد.

بخش صفر: مرور کامل روی پایتون
بخش اول: مرور کامل روی یادگیری ماشین/عمیق
پیشینه تحقیق: ناحیه بندی و ردیابی اشیاء
ناحیه بندی تصاویر با کتابخانه keras
ناحیه بندی تصاویر با کتابخانه pytorch
مشاهده بیشتر

نظرات

متوسط امتیازات

4.6
4.60 5 رای
140,000 تومان
5 نقد و بررسی

جزئیات امتیازات

5 ستاره
3
4 ستاره
2
3 ستاره
0
2 ستاره
0
1 ستاره
0

5 دیدگاه برای بخش بندی معنایی تصاویر با یادگیری عمیق

  1. mohamad(خریدار محصول)

    توضیحات مدرس خیلی روان و قابل فهم بود. در کل خوب بود. فقط کاش روی دیتاست دیگری نیز تست می کردید.

  2. پویا

    یکی از بهترین و کامل ترین دوره هایی بود که دیدم.
    مدرس این دوره به شدت تسلط داره روی بحث

  3. biglearn

    با سلام لطفا ورژن تنسوفلور را به نسخه های پایین تر کاهش دهید تا کد اجرا شود

  4. امیر(خریدار محصول)

    با سلام
    بالاخره تونستم کد ها رو با کتابخانه تنسورفلو 1.13 و کراس 2.1.5 اجرا کنم
    با تشکر از آموزش خوبتون
    دوستانی که کدها براشون اجرا نمیشه دستورهای زیر را بعد از آدرس دهی اجرا نمایند.
    !pip install tensorflow==1.13.0rc1
    !pip install Keras==2.1.5

    • Shad(خریدار محصول)

      سلام، با معرفی این ورژن ها
      from keras.layers.core import Dropout, Lambda
      این پک نیز دچار مشکل میشه
      که در تنس 14 تعریف شده
      میفرمایید، بخش ایمپورت کتابخانه ها رو به چه صورت اصلاح کردید؟؟

  5. SH(خریدار محصول)

    سلام وقت به خیر
    من این اررو رو جایی که نمایش یک تصویر با ماسکش هست رو دارم میشه لطفا راهنمایی کنین
    TypeError: numpy boolean subtract, the `-` operator, is not supported, use the bitwise_xor, the `^` operator, or the logical_xor function instead.
    البته بالاتر این وارننیگ رو داشتم
    /usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:7: DeprecationWarning: `np.bool` is a deprecated alias for the builtin `bool`. To silence this warning, use `bool` by itself. Doing this will not modify any behavior and is safe. If you specifically wanted the numpy scalar type, use `np.bool_` here.
    Deprecated in NumPy 1.20; for more details and guidance: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecations
    import sys

دیدگاه خود را بنویسید