با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی لاتین

نویسندگان

1 واحد شوشتر، دانشگاه آزاد اسلامی

2 دانشگاه تربیت مدرس

چکیده

به‌منظور افزایش دقت بخش‌بندی تصاویر گل محمدی، چند روش متعادل‌سازی هیستوگرام برای بهبود کیفیت تصاویر رنگی این گل‌ها و چند روش آستانه‌گیری برای بخش‌بندی گل‌های مذکور در تصویر، مورد بررسی قرار گرفت. قابل ذکر است که تصویربرداری در فضای باز و ساعات مختلف روز و شرایط متفاوتی از شدت نور انجام گرفت. برای بررسی دقیق‌تر، یک آزمایش فاکتوریل در قالب یک طرح کاملاً تصادفی با دو عامل روش متعادل‌سازی هیستوگرام، در 8 سطح و روش آستانه‌گیری، در 15 سطح به‌کار گرفته شد. روش‌های متعادل‌سازی هیستوگرام عبارت بودند از: CHE, BBHE, BHEPL-D, DQHEPL, DSIHE, RMSHE, RSIHE و تیمار شاهد بدون متعادل‌سازی هیستوگرام (NHE). همچنین روش‌های آستانه‌گیری عبارت بودند از: Huang, Intermodes, Isodata, Li, maximum entropy, mean, minimum, moments, Otsu, percentile, Renyi’s entropy, Shanbhag, Yen, constant  و global basic thresholding method. تاثیر این دو عامل بر خصوصیات تصویر بخش‌بندی شده از قبیل: درصد سطوحی که به اشتباه بخش‌بندی شده‌اند (PISA)، درصد هم‌پوشانی سطوح (POA)، درصد سطوحی که تشخیص داده نشده‌اند (PUA) و درصد سطوح تشخیص داده شده گل‌ها (PDF) مورد بررسی قرار گرفت. نتیجه روش‌های متعادل‌سازی هیستوگرام نشان داد که DQHEPL و NHE پایین‌ترین میزان PUA (به‌ترتیب 13/11% و 32/8%)، بالاترین POA (به‌ترتیب 35/89% و 07/92%) و بالاترین PDF (به‌ترتیب 88/61% و 94/64%) را از لحاظ آماری دارا می‌باشند. روش‌های آستانه‌گیری تاثیر معنی‌داری بر PISA, PUA, POA و PDF داشتند. بزرگ‌ترین مقادیر PDF به روش آستانه‌گیری constant، minimum و Intremodes (به‌ترتیب 07/75%، 08/73% و 30/74%)، همچنین کمترین مقدار PISA مربوط به این موارد بود (به‌ترتیب 35/0%، 29/1% و 35/0%) و PUA (به‌ترتیب 72/33%، 09/23% و 56/15%). این روش‌ها بزرگ‌ترین مقدار POA را نشان دادند (به‌ترتیب 73/80%، 70/76% و 67/84%). لذا روش‌های مناسبی برای بخش‌بندی گل محمدی در تصویر رنگی محسوب می‌گردند.

کلیدواژه‌ها

1. Bachche S. 2015. Deliberation on Design Strategies of Automatic Harvesting Systems: A Survey. Robotics 4: 194-222.
2. Dorj U. O., M. Lee, and S. S. Yun 2017. A Yield Estimation in Citrus Orchards via Fruit Detection and Counting Using Image Processing. Computers and Electronics in Agriculture 140: 103-112.
3. Doyle, W. 1962. Operation Useful for Similarity-Invariant Pattern Recognition. Journal of the Association for Computing Machinery 9: 259-267.
4. Farhan Khan, M., E. Khan, and Z. A. Abbasi. 2015. Image Contrast Enhancement Using Normalized Histogram Equalization. Optik-International Journal for Light and Electron Optics 126: 4868 4875.
5. Gonzalez, R. C., and R. E. Woods. 1992. Digital Image Processing. Pearson Prentice Hall. Delhi.
6. Hajhashemi, V., A. Ghannadi, and M. Hajiloo. 2010. Analgesic and Anti-inflammatory Effects of Rosa damascenaHydroalcoholic Extract and its Essential Oil in Animal Models. Iranian Journal of Pharmaceutical Research 9 (2): 163-168.
7. Huang, L. K., and M. J. J. Wang. 1995. Image Thresholding by Minimizing the Measures of Fuzziness. Pattern Recognition 28 (1): 41-51.
8. Ibrahim, H., and N. S. P. Kong. 2007. Brightness Preserving Dynamic Histogram Equalization for Image Contrast Enhancement. IEEE Transactions on Consumer Electronics 53: 1752-1758.
9. Jahanbakhshi, A., and K. Kheiralipour. 2018. Carrot Sorting Based on Shape using Image Processing, Artificial Neural Network, and Support Vector Machine. Journal of Agricultural Machinery 9 (2): 295-307.
10. Jidong, L., L. De-An, J. Wei, and D. Shihong. 2016. Recognition of Apple Fruit in Natural Environment. Optik-International Journal for Light and Electron Optics 127: 1354-1362.
11. Kapur N., P. K. Sahoo, and A. K. C. Wong. 1985. A New Method for Gray-Level Picture Thresholding Using the Entropy of the Histogram. Computer Vision, Graphics, and Image Processing 29 (3): 273-285.
12. Kim, Y. T. 1997. Contrast Enhancement Using Brightness Preserving Bi-Histogram Equalization. IEEE Transactions on Consumer Electronics 43 (1): 1-8.
13. Kohan, A., A. M. Borghaee, M. Yazdi, S. Minaei, and M. J. Sheykhdavudi. 2011. Robotic Harvesting of Rosa Damascena Using Stereoscopic Machine Vision. World Applied Sciences Journal 12 (2): 231-237.
14. Li C. H., and P. K. S. Tam. 1998. An Iterative Algorithm for Minimum Cross Entropy Thresholding. Pattern Recognition Letters 19: 771-776.
15. Li H., W. S. Lee, and K. Wang. 2014. Identifying Blueberry Fruit of Different Growth Stages Using Natural Outdoor Color Images. Computers and Electronics in Agriculture 106: 91-101.
16. Mohamadi Monavar, H., R. Alimardani, and M. Omid. 2013. Computer Vision Utilization for Detection of Green House Tomato under Natural Illumination. Journal of Agricultural Machinery 3 (1): 9-15. (In Farsi).
17. Okamoto, H., and W. S. Lee. 2009. Green Citrus Detection Using Hyperspectral Imaging. Computers and Electronics in Agriculture 66: 201-208.
18. Ooi, C. H., N. S. P. Kong, and H. Ibrahim. 2009. Bi-Histogram Equalization with a Plateau limit for Digital Image Enhancement. IEEE Transactions on Consumer Electronics 55: 2072-2080.
19. Ooi, C. H., and N. A. M. Isa. 2010a. Adaptive Contrast Enhancement Methods with Brightness Preserving. IEEE Transactions on Consumer Electronics 56: 2543-2551.
20. Ooi, C. H., and N. A. M. Isa. 2010b. Quadrants Dynamic Histogram Equalization for Contrast Enhancement. IEEE Transactions on Consumer Electronics 56: 2552-2559.
21. Otsu, N. 1979. A Threshold Selection Method from Gray Level Histograms. IEEE Transaction on Systems, Man and Cybernetics 9 (1): 62-66.
22. Patel, O., P. S. Yogendra, M. Sharma, and S. Sharma. 2013. A Comparative Study of Histogram Equalization Based Image Enhancement Techniques for Brightness Preservation and Contrast Enhancement. Signal & Image Processing: An International Journal 4 (5): 11-25.
23. Prewitt, J. M. S., and M. L. Mendelsohn. 1966. The Analysis of Cell Images. Annals of the New York Academy of Sciences 128: 1035-1053.
24. Qiao, X., J. Bao, L. Zeng, J. Zou, and D. Li. 2017. An Automatic Active Contour Method for Sea Cucumber Segmentation in Natural Underwater Environments. Computers and Electronics in Agriculture 135: 134-142.
25. Ramos, P. J., F. A. Prieto, E. C. Montoya, and C. E. Oliveros. 2017. Automatic Fruit Count on Coffee Branches Using Computer Vision. Computers and Electronics in Agriculture 137: 9-22.
26. Ridler, T. W., and S. Calvard. 1978. Picture Thresholding Using an Iterative Selection Method. IEEE Transactions on Systems, Man and Cybernetics 8 (8): 630-632.
27. Rong, Z., Z. Li, and L. I. Dong-nan. 2015. Studyof Color Heritage Image Enhancement Algorithms Based on Histogram Equalization. Optik- International Journal for Light and Electron Optics 126 (24): 5665-5667.
28. Sahoo, P., C. Wilkins, and J. Yeager. 1997. Threshold Selection Using Renyi’s Entropy. Pattern Recognition 30 (1): 71-84.
29. Shanbhag, A. G. 1994. Utilization of Information Measure as a Means of Image Thresholding. CVGIP: Graphical Models and Image Processing 56 (5): 414-419.
30. Sim, K. S., C. P. Tso, and Y. Y. Tan. 2007. Recursive Sub-Image Histogram Equalization Applied to Gray Scale Images. Pattern Recognition Letters 28: 1209-1221.
31. Tanigaki, K., T. Fujiura, A. Akase, and J. Imagawa. 2008. Cherry-Harvesting Robot. Computers and Electronics in Agriculture 63: 65-72.
32. Tsai, W. 1985. Moment-Preserving Thresholding: a New Approach. Computer Vision, Graphics, and Image Processing 29: 377-393.
33. Wang, Y., Q. Chen, and B. Zhang. 1999. Image Enhancement Based On Equal Area Dualistic Sub Image Histogram Equalization Method. IEEE Transactions on Consumer Electronics 45 (1): 68-75.
34. Yamamoto, K., W. Guo, Y. Yoshioka, and S. Ninomiya. 2014. On Plant Detection of Intact Tomato Fruits Using Image Analysis and Machine Learning Methods. Sensors 14: 12191-12206.
35. Yen, J. C., F. J. Chang, and S. Chang. 1995. A New Criterion for Automatic Multilevel Thresholding. IEEE Transaction on Image Processing 4 (3): 370-378.