در روش تامورا (Tamura)، بافت به وسیله ویژگی‌هایی مانند درشتی، کنتراست، جهت، شکل خط‌ها، نظم و ناهمواری که تمامی این ویژگی‌ها به مطالعات روانشناختی درک انسان از بافت مربوط می‌شود، معین می‌گردد ]۱۸[. ویژگی درشتی، مقیاس بافت را معین می‌کند و با یک گروهی از پنجره‌های متحرک با اندازه های مختلف تعیین می شود. کنتراست، اطلاعاتی درباره ایجاد بافت را در بر می‌گیرد و با بهره گرفتن از واریانس هیستوگرام سطح خاکستری محاسبه می‌شود. ویژگی جهت، نیز جهت‌های برجسته از بافت را تعیین می کند و به وسیلۀ توزیع جهت‌های گرادیان در تصویر محاسبه می‌شود.

روش های ساختاری برای تعیین مشخصه بافت

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

روش‌های ساختاری شامل عملگر مورفولوژی و گراف مجاورت می‌باشند به طوری‌که بافت را به وسیله تعیین ساختار اولیه‎اش و قوانین تعیین عمل آنها مشخص می‌نمایند.
در]۱۹[ از واریانس ماتریس‌های هم‌رخداد برای بازیابی تصویر استفاده شد. واریانس ماتریس‌های هم‌رخداد یک معیار کنتراست در تصویر است و گاهی اوقات به آن همان اینرسی نیز گفته می‌شود. برخی از نویسندگان، در مقالات از آمارهایی نسبت به زاویه خط برای تعیین بافت استفاده می‌نمایند. این آمارهای به وسیله استخراج خطوط در تصویر گردآوری می‌شوند. سپس قطعات خطوط متقاطع یا تقریباً متقاطع تعیین می‌شوند. مشخصه‌ ها برای هر جفت خط، از طریق زاویه بین قطعات و نسبت مقادیر سطح خاکستری داخل به خارج زاویه معین می‌گردند.

شکل

شکل به عنوان یک مشخصه‌ی هندسی، یکی از ویژگی‌‍‌های خیلی مهم برای تعیین اشیاء در داخل تصویر است و از این مشخصه به صورت گستره در تشخیص شیء بر اساس ناحیه، ثبت تصویر، دسته‌بندی و بازیابی مورد استفاده می‌شود. ایدۀ اصلی در این شیوه، ساخت بردار ویژگی تصویر از روی اطلاعات مکانی و شکلی تصویر می‌باشد. به عبارت دیگر بردار ویژگی تصویر در این حالت اطلاعات مربوط به شکل اشیاء موجود در تصویر را در بردارد. در این قسمت به برخی از روش‌ها در این زمینه اشاره می‌شود.

تعیین مشخصه شکل با استفاده ازروش‌های مبتنی بر لبه

از روش‌های مبتنی بر شکل می‌توان از روش‌های مبتنی بر لبه یاد کرد. مطلوبیت استفاده از لبه‌ها به دو علت است: اولاً حجم لبه‌های تصویر نسبت به حجم پیکسل‌های تصویر بسیار کم است، بنابراین به علت کاهش اطلاعات تحت پردازش می‌توان سیستمی کارا با بهره گرفتن از لبه‌ها ساخت. ثانیاً لبه‌ها به علت استفاده از همبستگی میان پیکسل‌ها حجم زیادی از اطلاعات تصویر را در بردارد و همچنین از آنجایی‌که از دیدگاه درک انسانی نیز، اشکال به وسیلۀ لبه‌هایشان از یکدیگر تمایز داده می‌شوند، پس می‌توان سیستمی دقیق با بهره گرفتن از لبه‌ها ساخت.
در]۲۰[ هیستوگرام جهت لبه EDH^[9] ابداع شد که در آن با دسته‌بندی لبه‌های تصویر روی جهت لبه با یک کمیت‌دهی پنج درجه، هیستوگرامی از فراوانی لبه ها ایجاد می‌شود و از آن به عنوان بردار ویژگی تصویر استفاده می‌گردد. این روش دقت نسبتا مطلوبی دارد و نسبت به انتقال، تغییر اندازه و چرخش تصویر مستقل عمل می‌کند. چون در ساختEDH با لبه‌ها به صورت منفرد برخورد شده و از همبستگی میان لبه‌های مجاور استفاده ای نشده است این روش از حداکثر دقت قابل حصول برخوردار نیست. به طور مثال ممکن است دو تصویر متفاوت EDH تقریبا یکسانی داشته باشند.

تعیین مشخصه شکل با استفاده ازروش‌های مبتنی بر لبه کانتور یا مرز

یکی از روش‌های متداول برای تجزیه و تحلیل به وسیله مرز، استفاده از تبدیل فوریه می‌باشد. یک توصیفگر فوریه به وسیله استفاده از تبدیل فوریه روی شکل حاصل می‌شود. با بهره گرفتن از تکنیک‌های نرمالیزه می‌توان توصیفگرهای فوریه را نسبت به تغییرات اندازه و چرخش و انتقال مقاوم نمایند. این نوع توصیفگرهای فوریه از نظر محاسباتی برای استخراج مشخصه کارآمد هستند، اما به سختی تفسیر می‌باشند]۲۱[. برخی دیگر از اثرهای شکل که اخیرا مورد استفاده قرار می‌گیرند شامل فاصله مرکز ثقل، طول قوس یا وتر، تابع تراکم زاویه ای و تابع خمیدگی و تابع ناحیه‌ای می‌باشند]۲۲[.
تجزیه منحنی هموار و تجزیه نحوی نمونه ای از روش‌های استخراج مشخصه مرز می ‌باشند. تجزیه منحنی هموار، از تقاطع صفر و مشتق اول انحنا استفاده می کند تا انحنا یا خمیدگی را به داخل قطعه‌های لبه‌ای کوچک که نشانه نامیده می‌شوند تجزیه نماید. هر نشانه، یک خمیدگی را نمایش می‌دهد. تطبیق خمیدگی‌ها بر اساس نشانه به نشانه می‌باشد. این روش توصیف شکل، به راحتی قابل فهم است اما دارای محاسبات بالایی است]۲۳[.

معیارهای مشابهت

روش‌های مختلف برای تعیین مشابهت بین تصاویر ارائه شده‌اند. در ادامه به بررسی برخی از این روش‌ها می‌پردازیم.

معیارهای مشابهت احتمالی

برای یک کلاس مناسب از تصاویر،A و کلاس غیر مناسب از تصاویر،B و بردار مشخصه‌ای تصویر پرس‌و‌جو ، و بردار مشخصه ای هر تصویری از پایگاه داده ، اگر فرض کنیم که باشد در این صورت تابع تمایز، نسبت احتمل کلی(Likelihood ratio) است که به صورت زیر معین می‌گردد:

روش‌های احتمالی مختلفی برای تخمین این توزیع شرطی-کلاس وجود دارند. چهار نمونه از این روش‌های احتمالی را بیان می‌نماییم:

گوسین های چند متغیره^[۱۰](MVG)

در این روش، برای تخمین توزیع های شرطی- کلاس هایA ,B ، از مقدار میانگین و ماتریس کواریانس استفاده می‌شود]۲۴[.

با بهره گرفتن از این دو پارامتر، هر یک از احتمالات به صورت زیر فرموله می‌گردند: