بخش‌بندي تصاوير رنگي بيروني به هدف تشخيص اشيا به كمك هيستوگرام با دقت دوگانه

يكي از مسايل مهم در پردازش خودكار تصاوير بيروني، نحوه بخش‌بندي اين تصاوير به هدف تشخيص شي در آنها مي‌باشد. مشخصات خاص اين تصاوير از جمله تنوع رنگ، اثرات نوري متفاوت، وجود سايه‌هاي رنگي، جزييات بافتي زياد و وجود اشيا كوچك و ناهمگن باعث مي‌شود مساله بخش‌بندي تصاوير بيروني به ويژه بخش‌بندي رنگي با چالش‌هاي جدي مواجه شود. در تحقيقات قبليبراي خوشه‌بندي رنگي تصاوير بيروني به هدف بخش‌بندي ابتدايي، روشي مبتني بر الگوريتم خوشه‌بندي k-means در بستري با دقت چندگانه پيشنهاد شده بود.اين روش با استفاده از محو عمدي جزييات بافتي تصوير و حذف كلاسهاي محرز در تصاوير محو شده و سپس اضافه كردن كلاسها در تصاوير با دقت بالاتر، كارايي مناسبي براي بخش‌بندي ابتدايي اين تصاوير در مقايسه با روش k-means عادي نشان مي‌داد.در اين مقاله، يك روش تطبيق‌پذير با تصوير با استفاده از هيستوگرام حلقوي ته‌رنگ براي تشخيص كلاس‌هاي محرز در تصاوير محوشده در بستري با دقت دوگانه پيشنهاد گرديده است.كارايي اين الگوريتم به كمك يك روش ارزيابينظارت‌شده روي دو پايگاه داده از تصاوير بيروني بررسي شده كه حدود 20% كاهش خطاي پيكسلي در بخش‌بندي و نيز دقت و حدود 30% سرعت بيشتر در همگرايي الگوريتم خوشه‌بندي، نشانگر كيفيت بالاتر روش پيشنهادي نسبت به روش عادي است.

One of the most important problems in automatic outdoor scene analysis is the approach of segmentation towards object detection. The special characteristics of such images -like color variety, different luminance effects and color shades, abundant texture details, and diversity of objects- lead to major challenges in the segmentation process. In the previous research, we proposed a k-means clustering algorithm in a multi-resolution platform for preliminary color segmentation. In this method, the texture details are deliberately expunged and apparent clusters are gradually removed in the blurred versions of the image to let more detailed classes expose in the more clarified versions. The performance of this step-by-step approach is relatively higher than the traditional k-means in color clustering for outdoor scene segmentation. In this paper, an adaptive method based on the circular hue histogram in a dual-resolution platform is suggested to detect the apparent clusters in the blurred images. Experimental results on two outdoor datasets show about 20% decrease in the pixel segmentation error as well as around 30% increase in both precision and speed in the convergence of the clustering algorithm.