آنالیز بافت Texture Analysis

آنالیز بافت Texture Analysis

آنالیز بافت ، به خصوصیات مناطق بر اساس محتوای بافت آنها در تصویر اشاره دارد. بافت یک تصویر ، توصیفی از خواص یک ناحیه از تصویر می باشد که درکی از صافی، زبری ، باقاعده یا بی قاعده بودن تغییرات آن ناحیه، ریزی و درشتی اجزای تصویر و مانند ان را در بیننده القا میکند. روشهای مختلفی برای استخراج ویژگیهای بافتی وجود دارد از جمله روشهای آماری، ساختاری و طیفی.
آنالیز بافت در مواردی مانند،  سنجش از راه دور،  بازرسی های خودکار، و پردازش تصاویر پزشکی  مورد استفاده قرار میگیرد. آنالیز بافت را می توان برای پیدا کردن مرزهای بافت، یا تقسیم بندی بافت مورد استفاده قرار داد .
جعبه ابزار پردازش تصویر در متلب ، شامل چندین تابع آنالیز بافت است که یک تصویر را با استفاده از روشهای آمار استاندارد فیلتر میکنند. این روشهای آماری می تواند  بافت  یک تصویر را مشخص کنند چونکه این روشها اطلاعاتی در مورد تنوع محلی مقدار شدت پیکسل ها در یک تصویر ارائه میکنند. به عنوان مثال، در مناطق با بافت صاف، بازه مقدار پیکسل ها در همسایگی اطراف یک پیکسل ، مقدار کوچکی دارد؛ در نواحی با بافت خشن، محدوده بازه بزرگتر خواهد بود. به طور مشابه، محاسبه انحراف استاندارد پیکسل ها در یک همسایگی می توانید درجه تنوع مقادیر پیکسل در آن منطقه را نشان دهد. در زیر لیست این توابع  نشان داده شده است.
تابع : rangefilt : محاسبه طیف محلی یک تصویر.
تابع stdfilt : محاسبه انحراف استاندارد محلی یک تصویر.
تابع entropyfilt : محاسبه آنتروپی محلی یک تصویر سیاه و سفید. آنتروپی یک اندازه گیری آماری تصادفی است.

توابع فیلتر بافت چگونه کار می کنند :

همه توابع به یک روش مشابه عمل میکنند:ابتدا یک همسایگی در اطراف پیکسل مورد علاقه تعریف میکنند، سپس ویژگی های آماری ان ناحیه را محاسبه کرده، و از آن مقدار به عنوان ارزش پیکسل در تصویر خروجی استفاده میکنند.
این مثال نشان میدهد که تابع rangefilt  به چه صورت بر روی  یک آرایه ساده عمل میکند:

  A = [1 2 3 4 5؛  ۶ ۷ ۸ ۹ ۱۰؛  ۱۱ ۱۲ ۱۳ ۱۴ ۱۵؛  ۱۶ ۱۷ ۱۸ ۱۹ ۲۰]

A =  ۱ ۲ ۳ ۴ ۵
۶ ۷ ۸ ۹ ۱۰
۱۱ ۱۲ ۱۳ ۱۴ ۱۵
۱۶ ۱۷ ۱۸ ۱۹ ۲۰

B = rangefilt (A)

B = 6 7 7 7 6
۱۱ ۱۲ ۱۲ ۱۲ ۱۱
۱۱ ۱۲ ۱۲ ۱۲ ۱۱
۶ ۷ ۷ ۷ ۶

شکل زیر نشان میدهد که  چگونه مقدار عنصر B(2,4)  از A(2,4)  محاسبه شد .به طور پیشفرض، تابع rangefilt  از یک همسایگی ۳ در ۳ استفاده میکند اما شما می توانید همسایگی هایی بااشکال و اندازه های مختلف را مشخص کنید.

تعیین مقدار پیکسل در محدوده تصویر خروجی فیلتر شده

 توابع stdfilt  و entropyfilt  به طور مشابه عمل میکنند، یک همسایگی در اطراف پیکسل مورد علاقه ایجاد میکنن و محاسبات آمار برای همسایگی را به منظورتعیین مقدار آن پیکسل در تصویر خروجی را انجام میدهند. تابع stdfilt  انحراف استاندارد تمام مقادیر موجود در همسایگی را محاسبه میکند.
تابع entropyfilt  آنتروپی همسایگی را محاسبه میکند  و آن مقدار را به  پیکسل خروجی اختصاص می دهد. توجه داشته باشید که، به طور پیش فرض، تابع entropyfilt یک همسایگی ۹ در ۹ در اطراف پیکسل مورد علاقه تعریف می کند. برای محاسبه آنتروپی یک تصویر کامل، از تابعentropy میتوان استفاده کرد.

شناسایی مناطق بافت در تصاویر
این مثال نشان می دهد که چگونه مناطق بافت در یک تصویر با استفاده از توابع فیلتر بافت تشخیص داده میشوند:
خواندن تصویر و نمایش آن:

 I = imread (‘eight.tif’)؛
imshow (I)

در این تصویر ، پس زمینه صاف است. تنوع بسیار کمی در مقادیر سطح خاکستری وجود دارد. در پیش زمینه، خطوط سطح سکه بافت بیشتری دارند. در این تصویر، پیکسل های پس زمینه  تنوع بیشتری دارند و در نتیجه مقادیر دامنه بالاتری دارند.
تصویر را با تابع rangefilt  فیلتر کرده و نتیجه را نمایش میدهیم. فیلتر محدوده باعث می شود لبه ها و خطوط  سکه ها قابل مشاهده باشد.

K = rangefilt (I)؛
figure، imshow (K)

======================================================

جهت درخواست انواع پروژه های در حوزه بافت تصویر Texture Analysis، پردازش تصویر، واترمارکینگ watermarking، استگانوگرافی stegano، کریپتوگرافی cryptography، استانه گیری thresholding و …. با ما تماس بگیرید

شماره تماس : ۰۹۱۳۹۹۳۵۳۶۰