AIcode مرجع تخصصی هوش مصنوعی

<aicode>

 

 

 

 

 

این مطلب برگرفته از پایان‌نامه کارشناسی ارشد مهندس محمد اسراردل با عنوان "پیش‌بینی دینامیک احتراق در یک محفظه احتراق آزمایشگاهی با شعله پایدار شده چرخشی مغشوش در شرایط پاشش سوخت ثانویه" می‌باشد [1].

دید کلی
پردازش تصاویر امروزه بیشتر به موضوع پردازش تصویر دیجیتال گفته می‌شود که شاخه‌ای از دانش رایانه است که با پردازش سیگنال دیجیتال که نماینده تصاویر برداشته‌شده با دوربین دیجیتال هستند سروکار دارد. پردازش تصاویر دارای دوشاخه عمده، بهبود تصاویر و بینایی ماشین است. بهبود تصاویر دربرگیرنده روش‌هایی چون استفاده از فیلتر محوکننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آن‌ها در محیط مقصد(مانند چاپگر یا نمایشگر رایانه)است، در حالی که بینایی ماشین به روش‌هایی می‌پردازد که به کمک آن‌ها می‌توان معنی و محتوای تصاویر را درک کرد تا از آن‌ها در کارهایی چون رباتیک و نظارت ماشینی استفاده شود.
در معنای خاص آن، پردازش تصویر عبارت است از هر نوع پردازش سیگنال که ورودی یک تصویر است، مثل عکس یا صحنه‌ای از یک فیلم. خروجی پردازشگر تصویر می‌تواند یک تصویر یا یک مجموعه از نشانه‌ای ویژه یا متغیرهای مربوط به تصویر باشد شامل برخورد با تصویر به‌عنوان یک سیگنال دوبعدی و بکار بستن تکنیک‌های استاندارد پردازش سیگنال روی آن‌ها می‌شود. فنّاوری‌های جدید دیجیتال این امکان را فراهم ساختند تا با توجه به نوع نیاز و شرایط مسئله، سیگنال‌های چند‌بعدی موردمطالعه را دست‌کاری نمود. اهداف دست‌کاری این سیگنال‌ها را می‌توان به سه بخش زیر تقسیم‌بندی نمود:

• پردازش تصویر.
• آنالیز و بررسی تصویر پردازش‌شده.
• تفسیر و تفهیم (توسط هوش ماشینی) تصویر.
در اغلب تکنیک‌های پردازش تصویر، تصویر مورد پردازش به‌مانند یک سیگنال دوبعدی در نظر گرفته می‌شود. این سیگنال تابعی از دو متغیر مستقل x و y به‌صورت (I(x,y است. که در آن I تابع دامنه شدت می‌باشد. یک تصویر همواره حاوی تعدادی از اشیا در بخش‌های مختلف مختصات خود می‌باشد. در سیستم‌های خبره پردازش تصویر که توسط برگر و همکاران [2] موردمطالعه قرار گرفت، نشان داده شد که می‌توان بخش‌های مختلف از یک تصویر را به‌طور مستقل مورد اعمال روش‌های مختلف پردازش تصویر نمود. بنابراین می‌توان قسمتی از یک تصویر را مورد اعمال پردازش فرونشانی حرکتی بلور نمود درحالی‌که ناحیه‌ای دیگر از آن را مورد پردازش تفسیر رنگ قرارداد. شکل‌گیری یک تصویر نیاز به سه جزء اساسی، شی‌ء، عدسی و صفحه برای نمایش شی بر روی آن دارد. بخش‌های اساسی پردازش تصویر دیجیتال شامل می‌شوند از دریافت داده‌های تصویری، ذخیره‌سازی، پردازش، نمایش و استاندارد‌سازی. سیستم دریافت داده‌های تصویری شامل یک دوربین دیجیتال با قابلیت تنظیم‌پذیری عدسی و سرعت شاتر جهت کنترل میزان نور جذب‌شده توسط تراشه CCD برای تشکیل عکس می‌باشد. کنترل ذخیره‌سازی، پردازش، نمایش و استاندارد‌سازی تصاویر را می‌توان به‌وسیله برنامه‌های رایانه‌ای از قبیل Matlab انجام داد.

پردازش تصویر رنگی
پردازش تصویر رنگی برمبنای تابع شدت تصویر در کانال‌های قرمز (R)، سبز(G) و آبی(B) استوار است. با توجه به اینکه عکس شعله دریافت شده از محفظه احتراق رنگی می‌باشد این بخش از اهمیت ویژه‌ای برخوردار می‌باشد. تغییرات در تابع شدت کانال‌های رنگی تصویر شعله وابسته به کیفیت احتراق و سطح تولید آلاینده‌های شعله می‌باشد. رنگ شعله با توجه به نوع سوخت (زغال‌سنگ، گاز طبیعی، نفت) مورداستفاده و ارزش حرارتی آن دستخوش تغییر می‌شود. تصاویر سنجش شده از تعداد زیادی مربعات کوچک(پیکسل) تشکیل‌شده‌اند. هر پیکسل دارای یک شماره رقمی می‌باشد که بیانگر مقدار روشنایی آن پیکسل است. به این نوع تصاویر، تصاویر رستری هم می‌گویند. تصاویر رستری دارای سطر و ستون می‌باشند. برای مشخص کردن یک پیکسل از سیستم‌های مختصاتی مختلفی استفاده می‌شود. آنچه متداول‌تر است RGB است، که ۳ کانال مختلف برای ۳ رنگ قرمز، سبز و آبی در نظر می‌گیرد. اما در پردازش تصویر از فضاهای رنگی دیگری نیز استفاده می‌شود. برای مثال فضای رنگ HSV. درصورتی‌که از ۳ کانال قرمز و سبز و آبی استفاده شود و برای هر کانال ۱ بایت در نظر گرفته شود، هر کانال دارای ۲۵۶ حالت (۲ به توان ۸) خواهد بود.

بخش‌بندی تصویر
پس از پروسه دریافت و ذخیره‌سازی عکس، تصویر دریافتی می‌بایست به نواحی متعددی تقسیم‌بندی شود. فرایند بخش‌بندی تصویر سبب کاستن از ابعاد تصویر و حذف نواحی ناخواسته از تصویر می‌گردد. با این کار در هزینه پردازش تصویر صرفه‌جویی قابل‌توجهی می‌شود.

فیلترگذاری تصویر
پیش‌پردازش تصویر شامل، فیلترگذاری برای حذف نویزهای ایجادشده در تصویر، تبدیل تصویر رنگی به تصویر مقیاس خاکستری و شناسایی لبه از یک تصویر باینری بدون نویز می‌باشد. تعدادی از این فیلتر‌ها به شرح زیر است:

• فیلتر توزیع گوسی    1
• فیلتر میانگین وزن‌دار
• فیلتر مدین
• فیلتر K- نزدیک‌ترین همسایگی
• فیلترهای فرکانسی بالا گذر و پایین گذر
• فیلتر همومورفیک
• فیلتر Butterworth 2

 استخراج ویژگی
در علم بازشناخت الگو و پردازش تصویر، استخراج ویژگی نوعی خاص از خانواده کاهش ابعاد می‌باشد. ابعاد و حجم داده‌های مورد پردازش از جهت پیچیدگی، محدودیت‌های زمانی، سخت‌افزاری موجود برای پردازش آن‌ها و همچنین امکان بیش‌برازش شدن داده‌ها در فرایند کلاس‌بندی، همواره از پارامترهای قابل‌توجه در مسائل مدل‌سازی می‌باشد. زمانی که مجموعه داده‌های ورودی به یک الگوریتم، برای پردازش بسیار زیاد باشد و این دیدگاه وجود داشته باشد که بخش زیادی از آن شامل داده‌های بی‌ارتباط و نویزی باشد، سپس داده‌های ورودی برای تغذیه الگوریتم می‌بایست قبل از پردازش، با استخراج ویژگی‌های معنادار از آن‌ها دچار کاهش ابعاد شود. اگر ویژگی‌های استخراجی به‌دقت انتخاب شوند، می‌توان انتظار داشت که مجموعه کاهش ابعاد داده‌شده، به‌خوبی توصیفگر ماهیت مجموعه داده‌ها است، با این تفاوت که حجم داده‌ها به‌طور قابل‌توجهی کاهش‌یافته است.
یکی از مهم‌ترین حوزه‌های کاربرد استخراج ویژگی را می‌توان در کاربردهای پردازش تصویر نام برد. به کمک الگوریتم‌های مختلف که هرروز درحال‌توسعه و بهینه شدن می‌باشند می‌توان از بخش‌های مختلف و واجد اطلاعات مفید در یک تصویر، الگوها و ویژگی‌های معنادار استخراج نمود. استخراج ویژگی از تصویر به سطوح مختلفی تقسیم می‌شود:
• سطح پایین
شناسایی لبه، شناسایی گوشه، شناسایی لکه، تبدیل ویژگی مقیاس نابسته، تشخیص ریج،
• خمش
جهت لبه، شدت متغیر.
• شکل مبنا
آستانه‌گذاری، تطبیق الگو، تبدیل هاف.

طراحی ویژگی
ویژگی‌ها اساساً، الگوریتم‌هایی بر مبنای توابع ریاضیاتی می‌باشند. انتخاب و امکان‌پذیری پیاده‌سازی آن‌ها در برخی اوقات فرایندی بسیار پیچیده است. در این مطالعه خاص، جهت پیاده‌سازی الگوریتم‌های طراحی و استخراج ویژگی، به پارامترهایی از قبیل، کمینه نمودن هزینه زمانی محاسبات، قدرت بالای آن‌ها در توصیف هویت تصویر و حساسیت بالا به تغییرات شرایط عملکردی شعله و همگام شدن با آن، توجه شده است.
توجه به‌سادگی ویژگی‌ها در فرایند طراحی آن‌ها بسیار حائز اهمیت می‌باشد، زیرا سیستم نظارتی می‌بایست به‌صورت بلادرنگ تغییرات حادث‌شده در فرایند احتراق را دنبال کند. درواقع مدل پیشنهاد داده‌شده بر مبنای ویژگی‌های طراحی‌شده، می‌بایست توصیفگر ماهیت شدیداً غیرخطی و تغییرات سریع دینامیک احتراق باشد. قدرت پوشش مدل نیز از سوی دیگر باید موردتوجه قرار گیرد، زیرا باید واجد شرایط جهت پیاده‌سازی شدن بر روی سازوکارهای احتراقی دیگر با پیکربندی‌ پیش مخلوط و پیچش پایدار شده را داشته باشد. و در خاتمه حساسیت مدل مذکور می‌بایست در محدوده‌ی قابل قبولی، از جهت خصوصیت بخشی شعله محترق و شناسایی تغییرات آن در بازه‌های زمانی مختلف، باشد.
مبدأ مختصات در فرایند‌های پردازش تصویر به‌صورت قراردادی، در گوشه سمت چپ و بالا قرار داده می‌شود. تابع شدت (P(x,y برای تصویر شعله در هریک از سگمنت‌ها به‌صورت زیر تعریف می‌گردد:

   3

شکل 1- پیکربندی سیستم مختصاتی

 [1] Mohammad Asrardel, "Prediction of Combustion Dynamics in An Experimental Turbulent Swirl Stabilized Combustor with Secondary Fuel Injection", University of Tehran, 2015.

 [2] W. Burger and M. Burge, Digital Image Processing: An Algorithmic Approach Using Java, Springer, 2007. 

تبلیغات AIcodeMahak

AIcode مرجع تخصصی آموزش مهندسی کامپیوتر و هوش مصنوعی

تماس با ما

ايميل: info@aicode.ir

عضویت در خبرنامه AIcode