۳-۷-بخش‌بندی با بهره گرفتن از الگوریتم بهبود یافته و نتایج به‌دست آمده
در این الگوریتم ابتدا عملیات حذف نویز با استفاده فیلتر وینر و یک سری عملیات پیش‌پردازشی برای بهبود کنتراست و شدت روشنایی تصویر اعمال شده‌است.

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

در پیاده‌سازی این روش ضریب تغییرات عمودی از ضرایب موجک که شامل اطلاعات بیشتری است را برای استخراج اطلاعات و بهبود کیفیت تصویر اصلی انتخاب می‌کنیم. اطلاعات را با بهره گرفتن از یک آستانه که بر اساس آزمایش و خطا به‌دست آمده از تصویر استخراج می‌کنیم. اطلاعات به‌دست آمده شامل اطلاعات مهمی است که باعث تقویت لبه‌های دندان می‌شود و باعث می‌شود بافت دندانی از پس زمینه به‌طور کامل مجزا شود. همچنین اگر روی دندان ضایعه، پوسیدگی یا پرشدگی وجود داشته باشد در تصویر اصلی با کیفیت بهتری ظاهر شود.
اطلاعاتی را که از تغییرات عمودی تصویر در دست داریم را با بهره گرفتن از یکی از روش‌های ادغام، روشی که به‌طور مستقیم روی پیکسل‌ها عملیات انجام می‌دهد، به ضریب تقریبی مرحله اول تبدیل موجک اضافه می‌کنیم. در این حالت تصویر به‌دست آمده حاوی اطلاعات بیشتری نسبت به تصویر اصلی است، که باعث تقویت لبه‌ها و آشکار شدن هر چه بیشتر جزئیات می‌شود. پس از اینکه عملیات ادغام انجام شد، روی تصویر به‌دست آمده از عملیات ادغام و سایر ضرایب تبدیل موجک به‌دست آمده در مرحله‌ی اول، عکس تبدیل موجک انجام می‌شود. در این حالت تصویر به اندازه اولیه برمی‌گردد با این تغییر که در این حالت بخش‌بندی موثر‌تری خواهیم داشت. در این حالت وقتی بخش‌بندی انجام می‌شود پوسیدگی‌ها در دندان به‌راحتی قابل تشخیص خواهند بود.
بخش‌بندی توسط الگوریتم EM انجام شده است که اخیرا الگوریتم EM به‌عنوان متداول‌ترین روش برای تخمین پارامترها مورد استفاده قرار گرفته‌است، این الگوریتم یک روش همه منظوره بر اساس برآورد بیشترین احتمال است که برای حل مسائل داده‌های مفقود مناسب است. روش این الگوریتم با یک تخمین اولیه از پارامتر‌ها شروع شده و در هر مرحله نمونه‌ها را توسط این پارامتر‌ها امتیاز‌بندی می‌کند. سپس این نمونه‌ها برای به‌روز‌رسانی پارامتر‌ها مورد استفاده قرار می‌گیرند. امتیاز هر نمونه به‌عنوان اطلاعاتی از آن نمونه در هر کلاس نمایش داده می‌شود. نمونه‌های قرار گرفته شده در یک پارامتر خاص می‌توانند درون یک خوشه مشابه قرار گیرند. تکنیک‌های غیر پارامتری نیز برای خوشه‌بندی مبتنی بر تراکم داده‌ها ارائه شده‌است. این الگوریتم یک روش معمول برای ماکزیمم کردن درست‌نمایی‌های پیچیده در برخورد با مسئله‌ی داده‌های ناتمام است. دامنه‌ی وسیعی از مسئله‌های آماری می‌تواند توسط این الگوریتم حل شود.
برای بهبود این الگوریتم از الگوریتم k-means برای تخمین اولیه پارامتر‌های الگوریتم EM استفاده شده‌است. این الگوریتم علی‌رغم سادگی آن یک روش پایه برای بسیاری از روش‌های خوشه‌بندی دیگر محسوب می‌شود. الگوریتم K-means یک بخش‌بندی روی تصویر انجام می‌دهد و پارامتر‌های میانگین و انحراف معیار مقداردهی اولیه می‌شوند. حالت ابتدایی الگوریتم EM با بهره گرفتن از این پارامتر‌های مقداردهی شده شروع به‌کار می‌کند.
همان‌طور که در شکل (۳-۷) قابل مشاهده است، بعد از بخش‌بندی با وجود اینکه جزئیات تصویر مثل پوسیدگی‌ها در نتایج بخش‌بندی به‌خوبی مشخص است اما نتایج به‌عنوان یک بخش‌بندی خوب قابل قبول نیست.
الف
ب
شکل(۳-۷) الف)تصویر اصلی ب) تصویر بخش‌بندی شده توسط الگوریتم EM با تصویر بهبود یافته توسط ادغام ضرایب موجک
نیاز به‌عملیاتی داریم که بخش‌بندی را بهبود بخشد، برای این کار از عملگرهای مورفولوژیکال استفاده شده‌است. بعد از بخش‌بندی برای بهبود بخش‌بندی از عملگر‌های مورفولوژیکال استفاده شده‌است. عملگرهای مورفولوژیکال برای جداسازی عناصر در یک تصویر استفاده می‌شود که در بخش قبل توضیح داده شده‌است.
عملگر انبساط مانند یک ماکزیمم محلی عمل می‌کند و عملگر فرسایش مانند یک مینیمم محلی عمل می‌کند. عملگر‌های مورفولوژیک بر اساس سعی و خطا بر روی تصویر انتخاب شده‌است. در نهایت از عملگرهای انبساط و فرسایش با پارامتر‌های مربع و لوزی استفاده شده‌است. پارامتر مربع یک مربع nn در نظر می‌گیرد و در بحث فرسایش در تصاویر خاکستری کوچک‌ترین مقدار و در بحث انبساط بزرگ‌ترین مقدار را در مرکز مربع قرار می‌دهد. پارامتر لوزی یک لوزی nn در نظر می‌گیرد و در بحث فرسایش در تصاویر خاکستری کوچک‌ترین مقدار و در بحث انبساط بزرگ‌ترین مقدار را در مرکز لوزی قرار می‌دهد.
با بهره گرفتن از عملگر فرسایش می‌توان پیکسل‌هایی که در شکل(۳-۷) به‌صورت پراکنده بخش‌بندی شده‌اند را حذف کرد. پس از آن نیاز به عملگری داریم که بخش‌هایی را که درست بخش‌بندی نشده‌اند را تصحیح کند، این کار را با بهره گرفتن از عملگر انبساط انجام می‌دهیم. برای بهبود این عملیات از عملگر فرسایش با ساختار مربع ۴*۴ استفاده شده‌است. پس از آن از سه بار انبساط با ساختار‌های مربع ۴۴ ، مربع ۲۲ و لوزی ۴۴ استفاده شده‌است. همان‌طور که در شکل (۳-۸) مشاهده می‌کنیم پس از اعمال عملگر‌های مورفولوژیکال بخش‌بندی قابل قبولی خواهیم داشت.
نتایج به‌دست آمده پس اعمال عملگرهای مورفولوژیکال بر روی تصاویر بخش‌بندی شده در شکل (۳-۸) نمایش داده شده است:
ب
الف
شکل(۳-۸) الف)تصویر اصلی ب) تصویر بخش‌بندی شده بعد از اعمال عملگر‌های مورفولوژیکال
مراحل تصویری بخش‌بندی را می‌توان در تصاویر (۳-۹) و (۳-۱۰) دید.