وبلاگ

^۴ Classification Techniques
^۵ Clustering Algorithms
^۶ Markov Random Fields (MRF)
^۷Binary
این روش را می توان با انتخاب چند مقدار آستانه^۱ توسعه داد. در این حالت با توجه به اینکه شدت روشنایی هر پیسکل یا وکسل در کدام بازه از مقادیر آستانه قرار گیرد نقاط به چندین ناحیه دسته بندی می شوند.
با وجود سادگی این روش, این تکنیک در تصاویر با کنتراست^۲ بالا بسیار خوب عمل می کند و به طور معمول به عنوان مرحله ابتدایی در عملیات قطعه بندی تصاویر دو و سه بعدی مورد استفاده قرار می گیرد.
مهمترین نقطه ضعف این روش, وابستگی بسیار نتیجه قطعه بندی به مقدار یا مقادیر آستانه می باشد و هر تغییری در مقدار آستانه می توان باعث تغییر در نواحی قطعه بندی شده شود.

شکل ۲-۴- قطعه بندی با بهره گرفتن از روش آستانه گذاری.(a) تصویر اصلی.(b) قطعه بندی بر مبنای ۳ کلاس.© قطعه بندی بر مبنای ۴ کلاس.[۱۰]
۲-۲-۲-۲-روش های طبقه بندی
روش های طبقه بندی تکنیک های شناسایی الگو^۳ هستند که در پی دسته بندی فضای ویژگی^۴ استخراج شده از تصویر با بهره گرفتن از داده های با برچسب مشخص می باشند. فضای ویژگی یک محدوده از بردار n بعدی
^۱Multiple Threshold
^۲Contrast
^۳ Pattern Recognition
^۴ Feature Space
ساخته شده از ویژگی های هر پیکسل یا وکسل می باشد. این ویژگی ها میتوانند شامل شدت روشنایی هر پیکسل یا وکسل, گرادیان در هر پیکسل یا وکسل, فاصله پیکسل یا وکسل از مرز ناحیه و موارد مشابه دیگر باشند.
ساده ترین نوع طبقه بند^۱ برمبنای طبقه بندی براساس نزدیک ترین همسایگی^۲ است که در آن هر پیکسل و یا وکسل به کلاس تعیین شده در مرحله یادگیری مربوط به نزدیکترین پیکسل و وکسل تعلق می گیرد. حالت تعمیم یافته این روش دسته بندی بر اساس k عدد از نزدیکترین همسایگی ها^۳ می باشد که در آن برای تعیین کلاس هر پیکسل و یا وکسل از کلاس تعیین شده در مرحله یادگیری مربوط به k پیکسل و یا وکسل مجاور استفاده می شود.از دیگر طبقه بندهای مورد استفاده در این روشها میتوان به روش بیشترین شباهت^۴ و بیز^۵ اشاره کرد.

روش های طبقه بندی به دلیل کارآمدی از نظر محسباتی به علت غیر تکراری بودن, بسیار مورد استفاده هستند. اما این روش ها به دلیل استفاده از داده های یادگیری یکسان برای تعداد زیادی از تصاویر باعث ایجاد نتایج جهت دار^۶ و بدون توجه به تغییرات فیزیولوژیکی و تشریحی می شوند.
۲-۲-۲-۳-الگوریتم های خوشه بندی
این روش ها برای خوشه بندی از ویژگی های هر پیکسل و یا وکسل و همسایه مجاورش استفاده می کنند. به طور ساده میتوان گفت که خشه بندی عملیات گروه بندی اجزاء می باشد که اعضای هر گروه داری خواص و ویژگی های مشابه می باشند که این اجزاء همان پیکسل ها و یا وکسل ها, گروه ها همان نواحی قطعه بندی شده می باشند و خواص همان ویژگی های پیکسل ها و یا وکسل ها از قبیل گرادیان,رنگ,چگالی می باشند.
اگرچه لگوریتم های خوشه بندی نیازی به داده های یادگیری ندارند اما به یک قطعه بندی اولیه و تنظیم پارامتر های اولیه نیاز دارند. این الگوریتم ها هم مانند روش های طبقه بندی نسبت به نویز و عدم یکنواختی شدت روشنایی حساس می باشند.
^۱Classifier
^۲Nearest Neighborhood
^۳K-Nearest Neighborhood (KNN)
^۴Maximum Likelihood
^۵ Bayes
^۶Biased Results
۲-۲-۲-۴-میدان های تصادفی مارکوف
مدلسازی میدان های تصادفی مارکوف (MRF) به تنهایی یک روش قطعه بندی نیست اما یک مدل آماری مناسب برای بکارگیری در روش های قطعه بندی می باشد. میدان های تصادفی مارکوف تعامل متقابل بین همسایگی و یا پیکسل ها و وکسل های مجاور را مدلسازی می کند. این ارتباط محلی یک مکانیسم مناسب را برای مدلسازی خواص و ویژگی های متفاوت تصاویر ایجاد می کند. در تصویر برداری پزشکی از این روشها برای در نظر گرفتن این اصل که پیکسل ها و یا وکسل ها متعلق به کلاس پیکسل ها و یا وکسل های مجاور خود می باشند, استفاده می شود. این موضوع را از نظر فیزیکی می توان اینگونه بیان کرد که با استفاده ازین روش ها در ساختارهای آناتومی, احتمال رخ دادن یک ناحیه با تنها یک پیکسل و یا وکسل بسیار ناچیز است.
یکی از مشکلات مدل های میدان های تصادفی مارکوف انتخاب پارامتر های کنترل کننده قدرت تعامل فضایی است به نحوی که انتخاب بالای این پارامترها منجر به قطعه بندی بسیار هموار و از بین رفتن اطلاعات ساختاری مهم می شود. از طرف دیگر روش های میدان های تصادفی مارکوف به طور معمول به الگوریتم هایی با حجم محاسباتی بالا نیاز دارند. با این وجود, میدان های تصادفی مارکوف بطور گسترده ای نه تنها در مدلسازی کلاس های قطعه بندی بلکه در مدلسازی عدم یکنواختی شدت روشنایی که در تصاویر MR وجود دارد و هم چنین مدلسازی خواص بافت مورد استفاده قرار میگیرد.
۲-۲-۳-روش های ترکیبی
روش های ترکیبی به طور عمده روش هایی هستند که نمی توان آنها را در دو دسته بندی قبلی قرار داد و دارای ویژگی هایی از هر دو دسته قبلی می باشند. در اینجا به چند الگوریتم از روش های ترکیبی اشاره می کنیم:
۱-رشد دادن ناحیه^۱
۲-شکستن و ادغام کردن^۲
۳-روش های نقشه راهنما^۳
۱Region Growing
^۲Split and Merge
^۳Atlas Guided Approach
۴-شبکه های عصبی مصنوعی^۱
۲-۲-۳-۱-رشد دادن ناحیه
این روش شاید ساده ترین الگوریتم در میان روش های ترکیبی می باشد. رشد دادن ناحیه روشی برای استخراج نواحی متصل در یک حجم سه بعدی یا تصویر دو بعدی براساس معیارهای اتصال از پیش تعریف شده می باشد. این معیار ها می توانند به سادگی شدت روشنایی پیکسل و یا وکسل و یا خروجی یک الگوریتم قطعه بندی باشد. در ساده ترین حالت, رشد دادن ناحیه به یک نقطه مرجع^۲ برای شروع نیاز دارد و از آن نقطع مرجع الگوریتم تا زمانی که معیار اتصال ارضا شود, رشد پیدا می کند.
همانند روش آستانه گذاری, روش رشد دادن ناحیه ساده می باشد ولی به طور عمده به تنهایی برای قطعه بندی استفاده نمی شود. به طور عمده این روش به عنوان بخشی از یک الگوریتم پیچیده قطعه بندی برای بدست آوردن یک مفهوم کلی از داده قبل از قطعه بندی پیچیده مورد استفاده قرار می گیرد.
مشکل اولیه این الگوریتم این است که انتخاب نقاط مرجع به صورت دستی انجام میگیرد. علاوه بر این این الگوریتم به نویز حساس بوده است و در حالت سه بعدی تاثیر حجم ناتمام باعث ایجاد گسستگی و حفره در ناحیه قطعبه بندی شده می شود.
۲-۲-۳-۲-شکستن و ادغام کردن
این الگوریتم مشابه الگوریتم رشد دادن ناحیه است. این الگوریتم نیاز به سازماندهی داده های ورودی به صورت یک ساختار شبکه ای هرمی از نواحی دارد که هر ناحیه به صورت ۸ تایی (برای حالت سه بعدی) سازماندهی شده است. هر ناحیه میتواند به ۸ زیر ناحیه شکست شود و نواحی ۸ تایی مناسب ادغام شده و یک ناحیه را تشکیل دهند. در این الگوریتم هم مانند روش رشد دادن ناحیه معیار ادغام نواحی میتواند هر شرطی, از قبیل شروطی ساده همانند شدت روشنایی پیکسل و یا وکسل ویا شروطی بر مبنای خروجی الگوریتم های قطعه بندی مراحل قبل, انتخاب شود.
مهمترین مزیت این روش نسبت به الگوریتم رشد دادن ناحیه عدم نیاز به انتخاب نقاط مرجع و در نتیجه عدم تداخل کاربر در آن می باشد.اما عیب این روش نیاز آن به ساختار شبکه ای هرمی اشت که با توجه به حجم زیاد
^۱Artificial Neural Network (ANN)
^۲Seed Point
داده ها روش مقرون به صرفه ای نیست.
۲-۲-۳-۳-روش های نقشه راهنما