طراحي و ارزيابي شيوه آستانه گذاري پوسته اي فضايي براي قطعه بندي تصوير مطالعه موردي تشخيص گياهان از زمينه در شرايط نوري متغير مزرعه

Introduction of 3D threshold surface for effective image segmentation – Case Study: Detection of Plants from Images taken under natural light conditions

قطعه بندي تصوير يا جداسازي ناحيه مورد نظر از پس زمينه از اهميت ويژهاي در الگوريتم هاي خودكار شناسايي و كلاسه بندي اشياء برخوردار است. تا كنون شيوه هاي آستانه گذاري و قطعه بندي خودكار تصوير بر مبناي استفاده از تابع اتسو و يا يك آستانه موردي ثابت تعيين مي شده است. براي استفاده از شيوه هاي آستانه يابي، تضاد بين ناحيه مورد نظر )در اين تحقيق، گياه( از پس زمينه ابتدا توسط فاكتورهاي رنگي افزايش مي يابد. مقاله حاضر به معرفي معادل هاي جديد براي نمايش مقادير و يافتن آستانه بهينه به منظور جداسازي موثر نواحي گياه، سايه و خاك در شرايط طبيعي مزرعه مي پردازد. روش آستانه يابي پيشنهادي به صورت فضايي، از فاكتورهاي رنگي l*a*b* استفاده كرده و با يافتن فاصله اقليدسي رنگي فضايي بين رنگ هاي پيكسل هاي نواحي مختلف در تصوير و يك رنگ مرجع معادله پوسته جداكننده نواحي را مدل مي كند. الگوريتم روي دويست تصوير مورد ارزيابي قرار گرفت و نتايج نشان داد كه روش پيشنهادي داراي ميانگين خطاي مربعي در حدود 0/04 و خطاي نوع اولي برابر با 3/19 و همچنين خطاي مجموعي برابر با 8/44 مي باشد كه در برابر شيوه آستانه يابي معمول اتسو كه بر روي فاكتورهاي رنگي سبزينگي مازاد، سبزينگي مازاد پيشرفته و سبزينگي مازاد تغييريافته اعمال شد نتايج بسيار بهتري مي دهد.

Image segmentation is important in clustering and automatic object detection. The Otsu method is used for finding a threshold automatically and for binary classification of a gray level image. The grayscale images are those mono-chrome color factor images in which the contrast between foreground (regions of interest, e.g. plant regions) and background was enhanced. This study introduces new equation for determination of optimum threshold for classification of plant pixels from background pixels in images taken under natural lighting conditions. The proposed method is in spatial surface threshold based on the color distance measured from pixel’s L*a*b* coordinates. To compare the efficacy of the proposed method with other conventional segmentation methods, plant images were used. Results showed that the proposed method had 0.04 mean square error and 3.19 Type I error and 8.44 Total error. These error values were less than those by the conventional methods