عنوان پایان‌نامه
تقطیع تصاویر با استفاده از کاهش افزونگی
- رشته تحصیلی
- مهندسی کامپیوتر-هوش مصنوعی- رباتیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2927;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74481
- تاریخ دفاع
- ۲۳ دی ۱۳۹۴
- دانشجو
- محمدرضا مشعل
- استاد راهنما
- رشاد حسینی
- چکیده
- در این پژوهش، ما مسئله تقطیع تصاویر را به صورت یک مسئله خوشه‌بندی بردارهای ویژگی استخراج شده از بافت‌های تصویر بازتعریف می‌کنیم. فرض می‌کنیم که این داده‌ها، دارای توزیع آمیخته‌ای از توزیع‌های von Mises-Fisher هستند. در الگوریتم پیشنهادی ما به وسیله برازش این مدل‌ها به داده‌ها و با استفاده از یک روش خوشه‌بندی ادغامی مبتنی بر درست‌نمایی برازش، اقدام به تقطیع تصویر می‌نماییم. کارایی الگوریتم بر حسب شاخص‌های کمی در کنار ارزیابی بصری، با انجام آزمایش‌های گسترده‌ای مورد بررسی و مقایسه با برخی از سایر الگوریتم‌های تقطیع تصویر قرار می‌گیرد. یک بسته نرم‌افزاری به منظور کار با مدل‌های آمیخته در ضمن کار روی این پروژه تهیه شده است که قابلیت‌های مورد نیاز جهت تخمین پارامترهای این مدل‌ها را فراهم می‌کند. کلمات کلیدی: تقطیع تصاویر؛ تقطیع بافت؛ مدل آمیخته؛ توزیع von Mises-Fisher؛ خوشه‌بندی؛ جعبه ابزار MATLAB؛ بهینه‌سازی روی منیفلد
- Abstract
- In this research, we cast natural-image segmentation as a problem of clustering feature vectors extracted from image textures. We model the distribution of the texture features using a mixture of von Mises-Fisher distributions. In the proposed algorithm, by fitting these models to the data we segment the image using an agglomerative clustering algorithm based on the likelihood of the fit. We conduct comprehensive experiments to measure the performance of the algorithm in terms of visual evaluation and a variety of quantitative indices, and we also compare it to other well-known image-segmentation methods. While moving the project forward, we have also developed a software package for working with mixture models, which provides the facilities required to estimate the parameters of these models. Keywords: Image segmentation; Texture segmentation; Mixture models; von Mises-Fisher distribution; Clustering; MATLAB toolbox; manifold optimization
