روش آماری جدید در تقطیع بافت های تصویر مبتنی بر تبدیل موجک

آنالیز تصاویر بافتی در ابعاد میکروسکوپی و ماکروسکوپی، از دیرباز در زمینه های چون علوم کشاورزی برای تفکیک علف های هرز در میان مزارع و شناسایی آفات، پردازش تصاویر پزشکی به منظور تشخیص بیماریها، اتوماسیون صنعتی جهت شناسایی محصولات معیوب، سیستم های بازیابی تصویر و ویدئو بر اساس محتوای آنها و ... کاربرد داشته است. پیچیدگی مفهوم بافت به دلیل تنوع در چگونگی تعریف آن، موجب شده است که روش های متعددی برای تقطیع و طبقه بندی آن بوجود آیند. به همین دلیل، همچنان وجود روش جامعی که بتواند ضعف ها و محدودیت های پیشین را جبران کند، مورد سئوال است. در این پروژه بر آن شدیم تا با استفاده از تبدیل موجک دو بعدی، با رویکردی جدید در عرصه مدلسازی آماری، به تقطیع بافت های تصویر بپردازیم. تبدیل موجک تصاویر بافتی به ویژگی هایی می انجامد که مشخصات آماری آنها منجر به تقطیع بافت های تصویر می شود. در این پروژه ضرایب موجک دو زیر باندی که شامل جزییات تصویر هستند، را با تابع توزیع گوسی تعمیم یافته دو بعدی مدل می کنیم. این تابع توزیع، مدل قدرتمندی در شناسایی و تخمین سیگنال ها در حوزه ی موجک به شمار می رود. به علاوه لازم به ذکر است که این مدل در دنیای تقطیع بافت ها به کار گرفته نشده است. به منظور معتبر ساختن تابع توزیع گوسی تعمیم یافته بر اساس تصاویر دریافتی، از روش bootstrap دو بعدی استفاده می نماییم. با توجه به این تابع توزیع که مدل مناسبی برای ضرایب موجک است، تقطیع تصویر از طریق خوشه بندی مقادیر احتمال این ضرایب امکان پذیر می گردد. تصاویر مورد استفاده در تمامی کاربردها از یک فرایند اتفاقی گرفته شده اند، که این فرایند نسخه ی محدود شده ای از نمونه ی واقعی می باشد. این امر موجب شده است تا تصاویری با تعداد پیکسل های متناهی ایجاد شوند. بنابراین تابع چگالی بدست آورده شده، تقریب ناهمواری از تابع چگالی واقعی بوده و باید پیش از خوشه بندی، آن را هموار نمود. پس از خوشه بندی به وسیله روش آستانه گیری چندگانه، در انتها، لبه های جداکننده دو بافت با استفاده از مفهوم آنتروپی پس از یک مرحله نازک سازی، استخراج می شوند. برای پی بردن به قوت روش پیشنهادی ، نتایج بدست آمده با نتایج یک الگوریتم معروف مقایسه شده است.