تشخيص نواحي مزاحم بصري در تصاوير به وسيله روش نمايش تنك دو مرحله اي و وزن دار نمونه آزمون

Visual Distractors Detecting in Images Using Weighted Two Phase Test Sample Sparse Representation Method

مخاطب يك تصوير مايل است كه در كوتاه‌ترين زمان، پيام اصلي تصوير را دريافت كند. از اين رو سيستم بينايي انسان توجه بصري را ناخودآگاه به سمت نواحي برجسته، با فرض وجود اطلاعات مفيد در آنها هدايت مي‌كند. عملاً اين فرض همواره صادق نبوده و در مواردي، نواحي برجسته صرفاً موجب مزاحمت بصري مي‌گردند. از اين رو در كاربردهاي مختلف نياز به ساز و كاري جهت تشخيص اين نواحي مي‌باشد تا با حذف اين نواحي، حواس مخاطب از سوژه اصلي تصوير پرت نشود. همچنين ناديده‌گرفتن اين نواحي، كمك شاياني است به روش‌هايي كه بر پايه تشخيص نواحي برجسته و مهم عمل مي‌كنند. بدين منظور در اين مقاله، بر اساس روش‌هاي منطبق بر چالش عدم توازن دسته‌ها، هر قطعه از تصاوير آموزشي با توجه به ماسك آنها به 9 دسته افراز مي‌شود كه شماره هر دسته متناسب با شدت مزاحمت است. سپس ويژگي‌هاي مبتني بر قطعه استخراج و دسته هر قطعه بر اساس روش نمايش تنك دومرحله‌اي و وزن‌دار نمونه آزمون كه بر مبناي سيستم كدگذاري و بازنمايي تنك است، تعيين مي‌شود. به منظور ارزيابي دقيق روش پيشنهادي و مقايسه آن با ساير روش‌ها، 4 معيار ارزيابي با رويكردهاي مختلف معرفي و پيشنهاد مي‌شود. با ارزيابي و سنجش نتايج نشان داده مي‌شود كه روش پيشنهادي علي‌رغم زمان‌بر بودن، نسبت به كارهاي پيشين داراي دقت بيشتري است.

The image observer usually wants to receive the message and the main subject of the image in the shortest time. Hence, assuming there is useful information in the salient regions, the human vision system unconsciously guides visual attention towards them. This assumption is not always correct in practice, and in some cases, salient regions merely cause visual distractions. Therefore, in different applications, a mechanism is needed to identify these regions. To prevent from distracting observer’s attention from the main subject, these regions are eliminated. Furthermore, neglecting these regions could be of considerable assistance to the methods that function base on salient regions recognition. So, in this paper, Based on the methods of the class imbalance challenge each segment of training images in the dataset is a partition to 9 classes according to the relevant mask in the dataset, that the number of each class is proportional to its disturbance intensity. Then, segment-based features are extracted and determining the class of each segment is determined according to WTPTSSR method, which is based on the Sparse Coding and Representation system.Finally, in order to precisely analyzing the proposed method and comparing it to other approaches, four analysis criteria with different performances are presented. According to results, despite being time-consuming, the proposed method has a higher accuracy than the previous ones.