هادی نواپور - دانشکده فنی و مهندسی
دانشکده فنی و مهندسی
گروه آموزشی مهندسی کامپیوتر
پایاننامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی کامپیوتر گرایش هوش مصنوعی
عنوان:
ارائهی روشی برای بازیابی مبتنی بر محتوای تصاویر دستگاه گوارش
با ترکیب ویژگیهای سطح پایین تصاویر
استاد راهنما:
دکتر حسن ختنلو
استاد مشاور:
دکتر میرحسین دزفولیان
نگارش:
هادی نواپور
آبان 1393
مشخصات رساله/پايان نامه تحصيلي |
|||
عنوان: ارائهی روشی برای بازیابی مبتنی بر محتوای تصاویر دستگاه گوارش با ترکیب ویژگیهای سطح پایین تصاویر |
|||
نام نويسنده: هادی نواپور |
|||
نام استاد/اساتید راهنما: دکتر حسن ختنلو |
|||
نام استاد/اساتید مشاور: دکتر میرحسین دزفولیان |
|||
دانشكده: مهندسی |
گروه آموزشی: کامپیوتر |
||
رشته تحصيلي: مهندسی کامپیوتر |
گرایش تحصیلی: هوش مصنوعی |
مقطع تحصيلي: کارشناسی ارشد |
|
تاريخ تصويب: |
تاريخ دفاع: |
تعداد صفحات: |
|
چكيده: بازیابی مبتنی بر محتوای تصاویر ابزاری است برای جستجوی تصاویر از یک مجموعه بزرگ بر اساس ویژگیهای بصری که به طور خودکار از تصاویر استخراج میشوند. با پیشرفت فناوری، تصویربرداری به یکی از اجزاء اصلی حوزه پزشکی تبدیل شده است و پایگاهدادههای حجیم، تصاویر پزشکی متنوعی را جمعآوری میکنند. انجام تشخیص با مقایسه تصاویر پزشکی کنونی و گذشته یکی از روشهای اصلی در تشخیص پزشکی است. بنابراین بازیابی مبتنی بر محتوای تصاویر میتواند برای تشخیص درست به پزشکان کمک کند و شواهد کمکی مرتبطی را از موارد شناخته شده قبلی فراهم آورد. همچنین میتواند نقش یک مشاور متخصص را برای پزشکان ایفا کند و یا به عنوان یک وسیله آموزشی برای دانشجویان، دستیاران و محققان پزشکی به کار رود. یکی از چالشهای مهم در پزشکی، تشخیص دقیق آسیبهای دستگاه گوارش از روی تصاویر و انتخاب روش درمانی مناسب است که در این راستا بازیابی مبتنی بر محتوا نقش مهمی میتواند ایفا کند. یک سیستم بازیابی مبتنی بر محتوا معمولاً شامل دو بخش استخراج ویژگی و بازیابی تصویر است. در روش پیشنهادی تمرکز بر روی بخش استخراج ویژگی است. اولین مرحله روش پیشنهادی انجام پیشپردازش روی تصاویر پایگاهداده است. پس از آن پنج ویژگی مختلف از تصاویر استخراج میشوند. اولین ویژگی هیستوگرام رنگ است که با کوانتیزاسیون کانالهای تصویر در فضای HSV با استفاده از الگوریتم FCM محاسبه میشود. ویژگی بعدی ممانهای رنگ است که چهار ممان مرکزی کانالهای تصویر در فضای RGB را محاسبه کرده و به عنوان ویژگی به کار میبرد. برای حفظ اطلاعات مکانی، از یک بلوکبندی وزندار برای استخراج ویژگی با این دو روش استفاده میشود. ویژگیهای دیگری با استفاده از تصاویر لبه به دست میآیند. در این روش پس از استخراج لبه، تصویر به بلوکهای مربعی و مستطیلی تقسیم میشود و سه ویژگی تعداد بلوکهای بدون لبه، تعداد پیکسلهای سازنده لبه در هر بلوک و متوسط تعداد پیکسلهای هر تکه لبه در داخل هر بلوک، از تصاویر استخراج میشوند. تجزیه تصاویر و بازسازی آنها با استفاده از تبدیل موجک مبنای روش دیگری برای استخراج ویژگی است. تصویر تا 10 سطح تجزیه شده و 5 بار به شکلی متفاوت بازسازی میشود و 5 ویژگی آماری از نتیجه هر بازسازی استخراج میگردد. بار دیگر تصویر تا 5 سطح تجزیه شده و ضرایب موجک سطوح 2 تا 5 به عنوان ویژگی به کار میروند. آخرین روش برای استخراج ویژگی، از تبدیل رادون استفاده میکند. روی تصاویر لبه به دست آمده در مراحل قبل، تبدیل رادون اعمال میشود و نتیجه آن پس از میانگینگیری به عنوان ویژگی به کار میرود. برای دستیابی به کارایی بالا، از بازیابی ترکیبی استفاده میشود. با استفاده از هر ویژگی ارائه شده، یک بردار فاصله به دست میآید و مجموع وزندار بردارهای فاصله پس از نرمالسازی آنها، بردار فاصله نهایی را نتیجه میدهد. 7 معیار برای ارزیابی سیستم پیشنهادی به کار رفتهاند. نتایج آزمایشات و مقایسه آنها با کارهای پیشین صورت گرفته در زمینه بازیابی تصاویر دستگاه گوارش حاکی از کارایی بالای روش پیشنهادی هستند. |
|||
واژههای کلیدی: بازیابی مبتنی بر محتوای تصویر، تصاویر دستگاه گوارش، استخراج ویژگی، هیستوگرام رنگ، ممانهای رنگ، تصاویر لبه، تبدیل موجک، تبدیل رادون، بلوکبندی وزندار |