Conference PaperPDF Available

انتخاب خودکار فضای رنگ برای آستانه گذاری مناسب در تصاویر رنگی مبتنی بر خوشه بندی

Authors:

Abstract

استفاده از اطلاعات رنگ در آستانه گذاری تصاوير رنگی میتواند نتايج بهتری در آستانه گذاری داشته باشد؛ به شرط آنکه، مولفه مناسبی از فضای رنگ انتخاب شود. در بعضی از کاربردها، انتخاب مولفه رنگ به صورت دستی، و با سعی و خطا انجام میشود. در اين مقاله روشی خودکار برای انتخاب فضای رنگ در کاربرد آستانه گذاری تصاوير رنگی، مبتنی بر خوشه بندی پيشنهاد میشود. در روش پيشنهادی ابتدا تصوير رنگی ورودی، به کمک فيلتر هموارساز گوسی در حوزه مکان، هموار شده و سپس به فضاهای رنگی مختلف تبديل میشود. در ادامه خوشه بندی تفاضلی به همه مولفه¬های رنگی اعمال شده و چندين مولفه با قابليت مناسب در آستانه گذاری انتخاب ميشوند. پس از آن با کمک فاصله ماهالانوبيس، بهترين مولفه از بين مولفه¬های رنگی خروجی مرحله خوشه بندی، انتخاب شده و در نهايت، آستانه مورد نظر برای آستانه گذاری به روش آتسو از هيستوگرام مولفه برنده، محاسبه ميشود. روش آستانه گذاری پيشنهادی در مجموعه¬ای از تصاوير رنگی اعمال شده و نتيجه آن با دو روش اعمال آستانه آتسو در مولفه سطح خاکستری تصاوير ورودی، و اعمال آستانه آتسو در بهترين مولفه RGB مقايسه شده است. نتايج نشان دهنده عملکرد موفق الگوريتم پيشنهادی در انتخاب خودکار فضای رنگ میباشد.
آ یا ر ی رد بایرا رد و ر ی
یزر
١
، نﯿ
٢
١
ناا ،نا ،نا ناو ه ، او ا دازآ هاد. navid.razmjooy@hotmail.com ٢
،ق هو هاد ، وادنا ه. p_moallem@eng.ui.ac.ir
ﯿه
ر و یرا آ رد ر تا زا هدا یرا آ رد ی اﯿ اد؛ زا ،آ ط
د با ر ی .در زا ردﯿ ما و و ،د تر ر با ،د . ور ا رد
دﯿ د ی ،ر و یرا آ در رد ر ی با یا رد . اا ید شور رد
،یدورو ر هز رد زرا و ه را ،ن ر ی ﯿد . ادا رد
ﺿ ی و ه لا ر ی با یرا آ رد . نآ زا
زا ، و ر ی یرا آ یا در آ ، رد و ه با ،ی
د ،ه ما زا آ شور .آ شور رد ید یرا نآ و ه لا ر و زا یا
شور ود ،یدورو و ی رد آ آ لا رد آ آ لا وRGB ا ه .
ﯿ ر ی رد با رد ید را د هد ن .
تﯿی
بار ی رد ، ، ر زرا ﯿﯿ ی ،ﺿ ی آ آ ،.
١ -
،هزواﯿ ﯿ نا یراا نـﯿا و رد ،
ـا هدـ اـ ـ رد یدر. یدورو
یدـ ـ زا هـ ـ ،
ـ یـ ـ ر ا ا . ـ ،ـ رد
ـ ـ و ـ یـ ـ شزادـ ترـ رد دو
رد ا و هد م نا ،ر تا زا هدا ،
ا هدا ر تا زا ـ ا
اد لد ار ی. ـ رـ ﺿ ل رد-
ترـ رد ـ ـ اا و رد نازرا ی
،شزادــ ــ ،ــ ــ رد ــر تــا زا هدــا
م ها .
ـ ـ ،در رد ر تا زا هدا
ا ار . ا در زا ا
ار نآ ا . ،هـﯿ ـ ـ رد لـ نا
ـ و ـآ ند هﯿر را ـ یور ـا ـ ـ
ر ،هﯿ ـا هـ ـ و نا [1, 2] . زا
د یدر ر هرـا نر یراد ر نا
ـ ل ﯿﯿ نآ رد د . ـ یـد ـ
و ــرز ،دــ ـاو ــﯿ ــا ـ ﯿــ ــﯿ رد ـر
لـر ،ا ، ، بـ
وراد ت وﯿ [3-6].
م زا ،ـ ـ شور ل رد ا ی
بـا ،درـ ـا رد ـ ا یا یرا آ
ــا ــ ــ رد ار ــ ــ ،ــر یــ ــ
دــ ـا .ـ یدــز یـر ــ ــﯿ ـ مــا یا
ا ما [7].
ـ رﯿ ع یاراد ﯿ ﯿ رد ر
ع زاRGB ع HSI ن زا ؛د ار نآ
ر ی زاRGB ـ هدـا شزاد ی عو یا
[8]: ر ی زا د HSI [9] و ﯿ زا
د ر ی ی ـ رد ؛ـ ـ هدـا رـ ا یا
ﻪﻧﺎﺘﺳآ یاﺮﺑ ﮓﻧر یﺎﻀﻓ رﺎﮐدﻮﺧ بﺎﺨﺘﻧایراﺬ ﺐﺳﺎﻨﻣ رد ﺼﺗﺮﯾو ﮕﻧر ﺑ ﻪﺷﻮﺧ ﺮﺑ ﻨﺘﺒﻣیﺪﻨ
یﻮﺠﻣزر ﺪﯾﻮﻧ
١
،ﻢﻠﻌﻣ نﺎﻤﯿﭘ
٢
١
ناﺮﻳا ،نﺎﻬﻔﺻا ،ناﻮﺟ ناﺮﺸﻫوﮋﭘ هﺎﺷﺎﺑ ،ﺴﻠﺠﻣﺮﻬﺷ ﺪﺣاو ﻣﻼﺳا دازآ هﺎﺸﻧاد. navid.razmjooy@hotmail.com ٢
،قﺮﺑ ﺳﺪﻨﻬﻣ هوﺮﮔ ﻨﻓ هﺪﺸﻧاد ،ﺳﺪﻨﻬﻣ وادنﺎﻬﻔﺻا هﺎﺸﻧ. p_moallem@eng.ui.ac.ir
ﯿهﺪ
ﮕﻧر ﺮﻳوﺎﺼﺗ یراﺬﮔ ﻪﻧﺎﺘﺳآ رد ﮓﻧر تﺎﻋﻼﻃا زا هدﺎﻔﺘﺳا یراﺬ ﻪﻧﺎﺘﺳآ رد یﺮﺘﻬﺑ ﺞﻳﺎﺘﻧ ﺪﻧاﻮﺘﯿﻣﺪﺷﺎﺑ ﻪﺘﺷاد؛ زا ﯽﺒﺳﺎﻨﻣ ﻪﻔﻟﻮﻣ ،ﻪﮑﻧآ طﺮﺷ ﻪﺑ
دﻮﺷ بﺎﺨﺘﻧا ﮓﻧر یﺎﻀﻓ .دﺮﺑرﺎﮐ زا ﻀﻌﺑ ردﯿﻣ مﺎﺠﻧا ﺎﻄﺧ و ﻌﺳ ﺎﺑ و ،ﺘﺳد ترﻮﺻ ﻪﺑ ﮓﻧر ﻪﻔﻟﻮﻣ بﺎﺨﺘﻧا ،ﺎﻫدﻮﺸ . ﺷور ﻪﻟﺎﻘﻣ ﻦﻳا رد
دﻮﺸﯿﻣ دﺎﻬﻨﺸﻴﭘ یﺪﻨﺑ ﻪﺷﻮﺧ ﺮﺑ ﻨﺘﺒﻣ ،ﮕﻧر ﺮﻳوﺎﺼﺗ یراﺬﮔ ﻪﻧﺎﺘﺳآ دﺮﺑرﺎﮐ رد ﮓﻧر یﺎﻀﻓ بﺎﺨﺘﻧا یاﺮﺑ رﺎﮐدﻮﺧ . ﺮﻳﻮﺼﺗ اﺪﺘﺑا یدﺎﻬﻨﺸﻴﭘ شور رد
،یدورو ﮕﻧرﻣ هزﻮﺣ رد ﺳﻮﮔ زﺎﺳراﻮﻤﻫ ﺮﺘﻠﻴﻓ ﻤﮐ ﻪﺑ ﺲﭙﺳ و هﺪﺷ راﻮﻤﻫ ،نﺎ ﻞﻳﺪﺒﺗ ﻒﻠﺘﺨﻣ ﮕﻧر یﺎﻫﺎﻀﻓ ﻪﺑﯿﻣد . ﻪﺷﻮﺧ ﻪﻣادا رد
ﻠﺿﺎﻔﺗ یﺪﻨﺑﻪﺑ ﻪﻔﻟﻮﻣ ﻪﻤﻫ و هﺪﺷ لﺎﻤﻋا ﮕﻧر یﺎﻫﺪﻧﻮﺸﻴﻣ بﺎﺨﺘﻧا یراﺬﮔ ﻪﻧﺎﺘﺳآ رد ﺐﺳﺎﻨﻣ ﺖﻴﻠﺑﺎﻗ ﺎﺑ ﻪﻔﻟﻮﻣ ﻦﻳﺪﻨﭼ . ﺲﭘ نآ زا ﻪﻠﺻﺎﻓ ﻤﮐ ﺎﺑ
ﻪﻔﻟﻮﻣ ﻦﻴﺑ زا ﻪﻔﻟﻮﻣ ﻦﻳﺮﺘﻬﺑ ،ﺲﻴﺑﻮﻧﻻﺎﻫﺎﻣﺧ ﻪﻠﺣﺮﻣ ﺟوﺮﺧ ﮕﻧر یﺎﻫ یراﺬﮔ ﻪﻧﺎﺘﺳآ یاﺮﺑ ﺮﻈﻧ درﻮﻣ ﻪﻧﺎﺘﺳآ ،ﺖﻳﺎﻬﻧ رد و هﺪﺷ بﺎﺨﺘﻧا ،یﺪﻨﺑ ﻪﺷﻮ
دﻮﺸﻴﻣ ﻪﺒﺳﺎﺤﻣ ،هﺪﻧﺮﺑ ﻪﻔﻟﻮﻣ ماﺮﮔﻮﺘﺴﻴﻫ زا ﻮﺴﺗآ شور ﻪﺑ .ﻧﺎﺘﺳآ شور ﻪﻋﻮﻤﺠﻣ رد یدﺎﻬﻨﺸﻴﭘ یراﺬﮔ نآ ﻪﺠﻴﺘﻧ و هﺪﺷ لﺎﻤﻋا ﮕﻧر ﺮﻳوﺎﺼﺗ زا یا
ﺎﺑ شور ود ،یدورو ﺮﻳوﺎﺼﺗ یﺮﺘﺴﮐﺎﺧ ﺢﻄﺳ ﻪﻔﻟﻮﻣ رد ﻮﺴﺗآ ﻪﻧﺎﺘﺳآ لﺎﻤﻋا ﻪﻔﻟﻮﻣ ﻦﻳﺮﺘﻬﺑ رد ﻮﺴﺗآ ﻪﻧﺎﺘﺳآ لﺎﻤﻋا وRGB ﺖﺳا هﺪﺷ ﻪﺴﻳﺎﻘﻣ .ﻳﺎﺘﻧ
ﺪﺷﺎﺒﯿﻣ ﮓﻧر یﺎﻀﻓ رﺎﮐدﻮﺧ بﺎﺨﺘﻧا رد یدﺎﻬﻨﺸﻴﭘ ﻢﺘﻳرﻮﻟا ﻖﻓﻮﻣ دﺮﻠﻤﻋ هﺪﻨﻫد نﺎﺸﻧ .
تﺎﻤﻠﯿی
بﺎﺨﺘﻧاﮓﻧر یﺎﻀﻓ رﺎﮐدﻮﺧ ، ،ﺳﻮﮔ رﺬﮔ زﺎﺳراﻮﻤﻫ ﺮﺘﻠﯿﻓﺲﯿﺑﻮﻧﻻﺎﻫﺎﻣ ی ﻪﻠﺻﺎﻓ ،ﻠﺿﺎﻔﺗ یﺪﻨﺑ ﻪﺷﻮﺧﻮﺴﺗآ ﻪﻧﺎﺘﺳآ ،.
١ - ﻪﻣﺪﻘ
،هزوﺮﻣاﻨﯿﺷﺎﻣ ﯽﯾﺎﻨﯿﺑ ناﻮﻨﻋ ﻪﺑیراﺰﺑا نﺎـﻨﯿﻤﻃا ﻞﺑﺎﻗو ﮓﻧردﻼﺑ ،
ﺖـﺳا هدﺮـﮐ اﺪـﻴﭘ ﻒـﻠﺘﺨﻣ ﻊﻳﺎﻨﺻ رد ﻋﻮﻨﺘﻣ یﺎﻫدﺮﺑرﺎﮐ. یدورو
یدﺮـﻠﻤﻋ ﻂﻴـﺤﻣ زا هﺪـﺷ ﻪـﺘﻓﺮﮔ ﺮﻳﻮﺼﺗ ،ﺎﻨﻴﺑ ﻦﻴﺷﺎﻣ ﻢﺘﺴﻴﺳ ﻳ
ﺪـﺷﺎﺑ یﺮﺘـﺴﮐﺎﺧ ﺢﻄـﺳ ﺎﻳ ﮕﻧر ﺪﻧاﻮﺘﻴﻣ ﻪﮐ ﺖﺳا . ﻪـﺑ ،ﻪﺘـﺷﺬﮔ رد
ـﺤﻣ ﺰـﻴﻧ و ﻪـﻈﻓﺎﺣ یﻻﺎـﺑ ﻪـﻨﻳﺰﻫ ﺖﻠﻋشزادﺮـﭘ ترﺪـﻗ رد ﺖﻳدوﺪ
ﺮﻳﻮﺼﺗ رد ﻦﻳا و هدﻮﺒﻧ مﻮﺳﺮﻣ ناﺪﻨﭼ ،ﮓﻧر تﺎﻋﻼﻃا زا هدﺎﻔﺘﺳا ،
ﻟﺎﺣ اﺖﺳ ﺳﺎﻨﻣ هدﺎﻔﺘﺳا ﻪﮐﻣ ﮓﻧر تﺎﻋﻼﻃا زا ﺞﻳﺎـﺘﻧ ﺪﻧاﻮﺗ
ﺪﺷﺎﺑ ﻪﺘﺷاد لﺎﺒﻧد ﻪﺑ ار یﺮﺘﻬﺑ. ﻪـﻈﻓﺎﺣ رﻮـﻀﺣ ﺎﺑ ﺮﺿﺎﺣ لﺎﺣ رد-
ترﺪـﻗ رد ﻪـﻈﺣﻼﻣ ﻞـﺑﺎﻗ ﺶﻳاﺰﻓا ﺰﻴﻧ و ﻻﺎﺑ ﺖﻴﻓﺮﻇ رد نازرا یﺎﻫ
،شزادﺮــﭘ ﻼﻣﺎــﮐ ،ﻨﻴــﺷﺎﻣ ﯽﻳﺎــﻨﻴﺑ رد ﮓــﻧر تﺎــﻋﻼﻃا زا هدﺎﻔﺘــﺳا
مﻮﺳﺮﻣ هﺪﺷﺖﺳا .
ـﻤﻬﻣ ﺶـﻘﻧ ،ﺎﻫدﺮﺑرﺎﮐ ﻀﻌﺑ رد ﮕﻧر تﺎﻋﻼﻃا زا هدﺎﻔﺘﺳا
ﺪﻨﻴﻣ ﺎﻔﻳا ار . ﺴﮐﺮﻫ ﻪﮐ ﺖﺳا ﯽﯾﺎﻫدﺮﺑرﺎﮐ زا ﯾ ﯽﯾاﺬﻏ ﻊﯾﺎﻨﺻ
ﺪﻨﮐ ﺲﺣ ار نآ ﺪﻧاﻮﺗ ﻣ . ،هﻮـﯿﻣ ﺖـﻴﻔﻴﮐ ﻦﻴـﻴﻌﺗ رد لﺎـﺜﻣ ناﻮﻨﻋ ﻪ
ـﯾ و ﺎـﻬﻧآ ندﻮﺑ هﺪﯿﺳر راﺪﻘﻣ ﺢﻄـﺳ یور ﯽـﺑاﺮﺧ ﺺﻴﺨـﺸﺗ ـﺘﺣ ﺎ
ﺑ ﮓﻧر ،هﻮﯿﻣ ﺖـﺳا هﺪـﻨﻨﮐ ﺺﺨـﺸﻣ ﮔﮋﻳو ﻳ ناﻮﻨﻋ ﻪ[1, 2] . زا
ﺮﯾد یﺎﻫدﺮﺑرﺎﮐﻠﻤﺟ ﮓﻧر هرﺎـﺷا نرﺪﻣ یراد ﻪﻋرﺰﻣ ﻪﺑ ناﻮﺗ ﻣ
ﺪـﺷﺎﺑ ﻣ ﻢﻬﻣ لﻮﺼﺤﻣ ﺖﯿﻔﯿﮐ نآ رد ﻪﮐ دﺮﮐ . ﻪـﮐ یﺮـﯾد ﻪـﺻﺮﻋ
و ــﺳرزﺎﺑ ،دﻮــﺷ ﻊـﻗاو ﺪــﯿﻔﻣ ﺪــﻧاﻮﺗ ـﻣ ﻦﯿــﺷﺎﻣ ﯽﯾﺎــﻨﯿﺑ رد ﮓـﻧر
ﻣ ﺖﻴﻔﻴﮐ لﺮﺘﻨﮐﻪـﭼرﺎﭘ ،ﻴﻣاﺮﺳ ،ﺷﺎﮐ ﺪﻨﻧﺎﻣ ﺗﻻﻮﺼﺤ، بﻮـﭼ
ﯽﻳوراد تﻻﻮﺼﺤﻣ ﺘﺣ وﯿﻣﺪﺷﺎﺒ [3-6].
مﺎﮔ زا ،ﻲﻳﺎـﻨﻴﺑ ﻦﻴـﺷﺎﻣ شور ﻪﺑ ﺖﻴﻔﻴﮐ لﺮﺘﻨﮐ رد ﺳﺎﺳا یﺎﻫ
بﺎـﺨﺘﻧا ،درﻮـﻣ ﻦـﻳا رد ﻪـﮐ ﺖﺳا ﻊﻴﻄﻘﺗ ﻞﻤﻋ یاﺮﺑ یراﺬﮔ ﻪﻧﺎﺘﺳآ
ﺎــﻔﻳا ﻊــﻴﻄﻘﺗ ﺖــﻴﻔﻴﮐ رد ار ــﻤﻬﻣ ﺶــﻘﻧ ،ﮓــﻧر یﺎــﻀﻓ ﺐــﺳﺎﻨﻣ
دﺮــﮐ ﺪـﻫاﻮﺧ .ﺮـﺑ یدﺎــﯾز یﺎـﻫرﺎﮐ ﺮﯾﻮــﺼﺗ ﻊــﯿﻄﻘﺗ ﻞـﻤﻋ مﺎــﺠﻧا یا
ﺖﺳا ﻪﺘﻓﺮﮔ مﺎﺠﻧا [7].
ﻪـﮐ ﺪﺷﺎﺑ ﻣ ﯽﯾﻻﺎﺑ رﺎﯿﺴﺑ عﻮﻨﺗ یاراد ﻦﯿﺷﺎﻣ ﯽﯾﺎﻨﯿﺑ رد ﮓﻧر
عﻮﻧ زاRGB عﻮﻧ ﺎﺗHSI نﺎﻘﻘﺤﻣ زا ﻀﻌﺑ ؛دﻮﺷ ﻣ ﻞﻣﺎﺷ ار نآ
ﮓﻧر یﺎﻀﻓ زاRGB ـﻣ هدﺎﻔﺘـﺳا شزادﺮﭘ ی ﻪﻠﺣﺮﻣ عوﺮﺷ یاﺮﺑ
ﺪﻨﻨﮐ[8]: ﮓﻧر یﺎﻀﻓ زا ﺮﯾد ﻀﻌﺑHSI [9] ﻀﻌﺑ و ﯿﻧ ﺎﻫ زا
ﯾد ﮕﻧر یﺎﻫﺎﻀﻓ ی ﻪـﻤﻫ رد ؛ﺪـﻨﻨﮐ ـﻣ هدﺎﻔﺘـﺳا رﺎـﮐ ﻦﯾا یاﺮﺑ ﺮ
یــ ،ــ ــر یــ ندروآ ــد ــ یاــ دراــ
را زآ در ﯿد.
ــ فــــ ــ ــا رد ــ ندروآ ــد ــر یــ
تﯿ ما یا آ ا سا ؛ یرا
ا یاراد صـ فـ ـ یاـ هداد یـ ه
شور زا هدــا ـ اــ ،ـ ـ ــ ـﯿ تـا
، یور ﯿد تﯿ ما نا یدﯿ
نآ هداد ه ی یا ار ر ی رد
.
ــ ــ یدــ شور ،ــ ــادا رد مود ــ رد
دــ ــارا . شور یزــ هدــ ــ ،مــ ــ رد ــ
ــ رد ــد شور ود ــ یدــ ،ــر وــ زا یا
نــ مرــ ــ رد یــ ــ ــ ــ و هــ ــ
دﯿ.
٢ - یدﯿ شور
ا ا رایدﯿ، ز رد ا ه:
١. ا یزریدورو ر ی.
٢. ر ی ه را .
٣. ـ ـ ی ــر یـ تـا ـ ـ
ﯿ.
۴. با ﯿ ی
را ر ﯿﯿ.
۵. آ ی بـا ـر ما
ه.
٢-١- یزرا ر ی رد
ر و یزراﯿـ ﯿ رد ،
یـ هـد زا ـ تـا ـا ـ ـ ز ص
،د یدورو ی د ، ـ ـ بـا یـا
[11].
رد و ا رد ـ دـو لـا ا
ـ ﯿ زا ، اد دو ی ﯿ رد
ـ بـا زا یﯿـ ـ ـا ـا ـ ـ هدا
یـ و لدـ یـ ـ ـﯿد ـ ـ ا ـ
ـ مـا ـﯿ ـ رد ـا ،ـﯿ ﯿـﺿ ناـ ـ ؛
،ﯿرد ار نآ یـ ـ زا ـ و اد دو ی
اـا ـ ـ ـ وـ یـ ـ ،ﯿ ف
ـ داـ ﯿـ و هـ ـ ـ و ی
د ی .
ـ رـ ﯿ ﯿ
١
رد ـﯿ ـ هدـا زا ـ
ﯿ و شزاد ـ فـ نآ ـﯿد وـ ﯿ
ـ ـ نآ ی ـ دو [12] . ـد ـ ـ
یرآ ز زا هآ ،ـ یـ ـﯿ ﯿ ﯿ یاـ
دـﯿ ـ راـ هدـا درـ ـ ﯿ ـ و
دد لا یدورو .
ـ زا هـآ ـد ـ ی ﯿ نزو ـ ـ ناـ ـ ـﯿ
د لا ﯿ نآ ی ﯿﯿ . ـا را
هدـ ـرد ار نزو ﯿ ﯿ) راـ ـﯿ
ﯿ ( ناـ ـ ار ـ ﯿ نزو ا ی ﯿ و
ـ ـ ـرد ،ا ﯿ زا ن [11] ـ ـ ؛
اد هژو ا رد یدورو RGB هـ ـ رد
ـ ـ یورـ ـ ـ د یا ﯿ ا ا ؛ا
و ـ مـدا ر دا آ رد و ه لا ا
ی ی ی هدآ.
٢-٢- ر ی
یدــ ــ ــ ــر نــﯿ یاــ ــﺿر ــ ،ــر یــ
) ا ٣ ۴ دـ ـ ـ ار ـر ءـ( ـ ،
،ـ ـد ندروآ ـد ـ یا ؛١٣ یـ زا ـ
ر ـ و ـا هدـا درـ ﯿـ ـﯿ رد ﯿ،
R, G, B, H, S, V, I, Y, Cb, Cr, L, a, b ـ ـ درـ ار
ــز رد ؛ــداد راــ هدــاــ رد یــ ﯿــﺿ ــ در
ه هرا ر ی ـ ضـ ـ دـ ـد ؛زادـ
ع زا یدورو اRGB.
ـر ـ ا ﯿ زا ار د ی ر م ـ کرد
ﯿ ؛ﯿر ـﯿ ـ ی ر دا یا ﯿ
زا ر آ و ،(RGB) ار . عـ ـا
ز ر ین ـ راـ هدا در
ا ؛دﯿكرد ـر هد
٢
عـا ،
٣
،ـور و
٤
رـ نـا ياـ
نآ ر ی د ؛ي ـ ـر
و ردآ زا ـ هدـاـ دـ ـاردا ـر يـ
HSI وHSV ـ تا ياراد رد درـ
ـو ار دـ يـ ماـ ـ رـ عـ سـا ـ
ــ رادرــ يــد ــ ــــ رد ؛ــدــ ی٢ ــا۶
نﯿ ی ارRGB وHS ا ه هداد ن.
ــر یــ ،هوــ ــ ــا ــ هوــLab درــ یاراد
ر ی ا ؛ ﯿ ﯿ رد یدز
ر ور)L*=0 و هﯿ ر ه نﯿL*=100 هـ نـﯿ
یﯿ را ی(. نآ ﯿ ،/ و
)a*
: د ـ دـ و ند ی هد ن ،
یﺎﻫﺎــﻀﻓ ،ﺐــﺳﺎﻨﻣ ﮓــﻧر یﺎــﻀﻓ ندروآ ﺖــﺳد ﻪــﺑ یاﺮــﺑ دراﻮــﻣ
راﺮﻗ ﺶﯾﺎﻣزآ درﻮﻣ ﻔﻠﺘﺨﻣ ﻣﯿدﺮ.
ﺎــﻣ فﺪــﻫــﺑ ﻪــﻟﺎﻘﻣ ﻦــﯾا رد ــﯾ ندروآ ﺖــﺳد ﮓــﻧر یﺎــﻀﻓ
تﺎﯿﻠﻤﻋ مﺎﺠﻧا یاﺮﺑ ﺐﺳﺎﻨﻣ ﻪﻧﺎﺘﺳآ ﻦﯾا سﺎﺳاﺮﺑ ؛ﺪﺷﺎﺑ ﻣ یرا
ﻻﻮﺻا ﻪﮐ یاراد صﺎـﺧ فﺪـﻫ ـﯾ یاﺮـﺑ هداد یﺎـﻫ هﺎﯾﺎﭘ ﻣﺎﻤﺗ
شور زا هدﺎﻔﺘــﺳا ﺎـﺑ اﺬــﻟ ،ﺪﻨـﺷﺎﺑ ـﻣ ﻧﺎــﺴﯾ ﻠـﺴﯿﭘ تﺎـﻋﻼﻃا
،ﺮﯾﻮﺼﺗ ﯾ یور ﻖﯿﻗد تﺎﯿﻠﻤﻋ مﺎﺠﻧا ﺎﺑ ﻂﻘﻓ ناﻮﺗ ﻣ یدﺎﻬﻨﺸﯿﭘ
ﺮﯾﻮﺼﺗ نآ هداد هﺎﯾﺎﭘ ی ﻪﻤﻫ یاﺮﺑ ار ﺐﺳﺎﻨﻣ ﮓﻧر یﺎﻀﻓ ﺮﻈﻧ رد
ﺖﻓﺮﮔ.
ﻞﻴــﺼﻔﺗ ﻪــﺑ یدﺎﻬﻨــﺸﻴﭘ شور ،ﻪــﻟﺎﻘﻣ ﻪــﻣادا رد مود ﺶــﺨﺑ رد
دﻮــﺸﻴﻣ ﻪــﺋارا . شور یزﺎــﺳ هدﺎــﻴﭘ ﺞﻳﺎــﺘﻧ ،مﻮــﺳ ﺶــﺨﺑ رد ﺲﭙــﺳ
ﻪــﻋﻮﻤﺠﻣ رد ﺮــﻳد شور ود ﺎــﺑ یدﺎﻬﻨــﺸﻴﭘ ،ــﮕﻧر ﺮﻳوﺎــﺼﺗ زا یا
نﺎــﻳﺎﭘ مرﺎــﻬﭼ ﺶــﺨﺑ رد یﺮــﻴﮔ ﻪــﺠﻴﺘﻧ ﺎــﺑ ﻪــﻟﺎﻘﻣ و هﺪــﺷ ﻪــﺴﻳﺎﻘﻣ
دﺮﻳﺬﭙﯿﻣ.
٢ - یدﺎﻬﻨﺸﯿﭘ شور
ﻠﺻا ﻞﺣاﺮﻣ ﻢﺘﯾرﻮﻟایدﺎﻬﻨﺸﯿ، ﺮﯾز ردﻪﺻﻼﺧ ﺖﺳا هﺪﺷ:
١. اﻮﻤﻫﻪﻔﻟﻮﻣ یزﺎﺳریدورو ﺮﻳﻮﺼﺗ ﮕﻧر یﺎﻫ.
٢. ﻒﻠﺘﺨﻣ ﮕﻧر یﺎﻫﺎﻀﻓ ﻪﺑ هﺪﺷ راﻮﻤﻫ ﺮﻳﻮﺼﺗ ﻞﻳﺪﺒﺗ.
٣. ﮏـﺗ ﮏـﺗ یﺪﻨﺑ ﻪﺷﻮﺧﻪـﻔﻟﻮﻣـﮕﻧر یﺎـﻫ تﺎـﻋﻼﻃا ﺮـﺑ ـﻨﺘﺒﻣ
ﻞﺴﯿﭘ.
۴. ﺮﺑ ﻨﺘﺒﻣ ﻪﺷﻮﺧ ﻦﯾﺮﺘﻬﺑ بﺎﺨﺘﻧا ﺪﻌﺑ ﺮﻫ ﺲﯿﺑﻮﻧﻻﺎﻫﺎﻣ ی ﻪﻠﺻﺎﻓ
راﺪﻘﻣ ﻪﺑ ﺖﺒﺴﻧ ﮕﻧرﻪﻔﻟﻮﻣ ﻦﯿﮕﻧﺎﯿﻣ.
۵. ﻪﻧﺎﺘﺳآ ی ﻪﺒﺳﺎﺤﻣﺑ ﻪﺟﻮﺗ ﺎﺑ بﺎـﺨﺘﻧا ـﮕﻧر ﻪﻔﻟﻮﻣ ماﺮﮔﻮﺘﺴﻴﻫ ﻪ
هﺪﺷ.
٢-١- یزﺎﺳراﻮﻤﻫ ﮕﻧر یﺎﻀﻓ رد
ﻠﮐ رﻮﻃ ﻪﺑ و یزﺎﺳراﻮﻤﻫﻦﯿـﺷﺎﻣ ﯽﯾﺎﻨﯿﺑ رد ﺮﯾﻮﺼﺗ ﺰﯾﻮﻧ ﺶﻫﺎﮐ ،
یﺎـﻫ هﺎﮕﺘـﺳد زا ـﺷﺎﻧ تﺎـﺷﺎﺸﺘﻏا ﺮـﺛا ﺮـﺑ ﻪـﮐ ﻧﺎﻣز صﻮﺼﺧ ﻪﺑ
ﺮﯾﻮﺼﺗ ،ﺮﯾد یدورو ﺰﯾﻮﻧی دﻮﺷ ﻣ، ـﻣ ﺮﯾﺬـﭘﺎﻧ بﺎـﻨﺘﺟا یﺮـﻣا
ﺪﺷﺎﺑ [11].
ﮔ ﺮﻈﻧ رد ﺎﺑ ﺶﻫوﮋﭘ ﻦﯾا رد ﺰﯾﻮـﻧ دﻮـﺟو لﺎـﻤﺘﺣا ﻪﮐ ﻦﯾا ﻦﺘﻓﺮ
ﺰﯾﻮـﻧ ﺶﻫﺎﮐ ﻢﺘﺴﯿﺳ زا ،ﺪﺷﺎﺑ ﻪﺘﺷاد دﻮﺟو ﺮﯾﻮﺼﺗ یﺎﻫ ﻞﺴﯿﭘ رد
ﺐـﺳﺎﻨﻣﺎﻧ بﺎـﺨﺘﻧا زا یﺮﯿﮔﻮـﻠﺟ ﺖـﻬﺟ ﺮـﻣا ﻦـﯾا ﻪـﮐ ﺪـﺷ هدﺎﻔﺘﺳا
یﻻﺎـﺑ و لدﺎـﻌﺘﻣﺎﻧ یﺎـﻫ ﺲﻧﺎـﮐﺮﻓ ﻞـﯿﻟد ﻪـﺑ ﺎـﻫ ﻪﺷﻮﺧ ﺰﮐاﺮﻣ ﺰﯾﻮـﻧ
ﺪـﺷ مﺎـﺠﻧا ﻞـﺴﯿﭘ ﺮـﻫ رد ﺷﺎﻧ ﺮـﮔا ،ﺮﺘـﺸﯿﺑ ﺢﯿـﺿﻮﺗ ناﻮـﻨﻋ ﻪـﺑ ؛
ﯾﻮﻧ ،ﻢﺘﺴﯿﺳرد ار نآ یﺪـﻨﺑ ﻪـﺷﻮﺧ زا ﻞـﺒﻗ و ﺪﺷﺎﺑ ﻪﺘﺷاد دﻮﺟو یﺰ
ﺶﯾاﺰـﻓا ﺚـﻋﺎﺑ ﺰﯾﻮـﻧ ﻒـﻠﺘﺨﻣ وﻻﺎـﺑ یﺎـﻫ ﺲﻧﺎـﮐﺮﻓ ،ﻢﯿﻨﮑﻧ فﺬﺣ
ﻪـﺷﻮﺧ داﺪـﻌﺗ ﺺﯿﺨـﺸﺗ و هﺪـﺷ ﺎـﻫ ﻪـﺷﻮﺧ ﺐﺳﺎﻨﻣﺎﻧ و یﺪﻋﺎﺼﺗ
دﻮﺷ ﻣ ﻦﻤﻣﺎﻧ ﻠﻤﻋ ﺎﺒﯾﺮﻘﺗ ﺐﺳﺎﻨﻣ یﺎﻫ .
ـﺳﻮﮔ رﺬـﮔ ﻦﯿﯾﺎﭘ ﺮﺘﻠﯿ
١
رد ﺎـﻫﺮﺘﻠﯿﻓ ﻦﯾﺮـﺗ هدﺎﻔﺘـﺳاﺮﭘ زا ـﯾ
ﺎﻨﯿﺑ و ﺮﯾﻮﺼﺗ شزادﺮﭘ ﺰﯾﻮـﻧ فﺬـﺣ نآ ﻞـﯿﻟد وﺪـﺷﺎﺑ ﻣ ﻦﯿﺷﺎﻣ ﯽﯾ
ﺪـﺷﺎﺑ ـﻣ نآ ی ﻪـﺒﻟ ﻆﻔﺣ دﻮﺟو ﺎﺑ ﺮﯾﻮﺼﺗ [12] . ﺖـﺳد ﻪـﺑ ﺞﯾﺎـﺘﻧ
یرﺎﻣآ ﻊﯾزﻮﺗ زا هﺪﻣآ ،ﺮﯾﻮـﺼﺗ یﺎـﻫ ﻞـﺴﯿﭘ ﺎﺑ ﻦﯿﺳﻮﮔ ﺮﺘﻠﯿﻓ یاﺮـﺑ
دﺮـﯿﮔ ـﻣ راﺮـﻗ هدﺎﻔﺘـﺳا درﻮـﻣ ﻦـﺷﻮﻟﻮﻧﺎﮐ ﺲﯾﺮﺗﺎﻣ ﯾ ﺪﯿﻟﻮﺗ ﻪـﺑ و
ددﺮﮔ ﻣ لﺎﻤﻋا یدورو ﺮﯾﻮﺼﺗ.
ﺮـﻫ زا هﺪـﻣآ ﺖـﺳد ﻪـﺑ ی ﻪﺠﯿﺘﻧ نزو ﻊﺑﺎـﺗ ـﯾ ناﻮـﻨﻋ ﻪـﺑ ﻞـﺴﯿﭘ
دﻮﺷ ﻣ لﺎﻤﻋا ﻞﺴﯿﭘ نآ یﺎﻫ ﻪﯾﺎﺴﻤﻫ ﻪﺑ ﻦﯿﮕﻧﺎﯿﻣ . ﻠـﺻا راﺪﻘﻣ
هدﺮـﮐ ﺖـﻓﺎﯾرد ار نزو ﻊﺑﺎﺗ ﻦﯾﺮﺗ ﻦﯿﮕﻨﺳ ﻞﺴﯿﭘ) راﺪـﻘﻣ ﻦﯾﺮﺘـﺸﯿﺑ
ﻦﯿﺳﻮﮔ ( ناﻮـﻨﻋ ﻪـﺑ ار ﺮـﺗ ﻦﯿﯾﺎﭘ نزو ﻊﺑاﻮﺗ ﻪﯾﺎﺴﻤﻫ یﺎﻫ ﻞﺴﯿﭘ و
ﺪـﻨﻨﮐ ـﻣ ﺖـﻓﺎﯾرد ،ﻠﺻا ﻞﺴﯿﭘ زا نﺎﺷ ﻪﻠﺻﺎﻓ[11] ﻪـﺟﻮﺗ ﺪـﯾﺎﺑ ؛
ﺖﺷاد هژوﺮﭘ ﻦﯾا رد یدورو ﺮﯾﻮﺼﺗ ﻪﮐRGB هﺪـﺷ ﻪـﺘﻓﺮﮔ ﺮﻈﻧ رد
ﮏـﺗ ﮏـﺗ یورﺮـﺑ ﺪـﯾﺎﺑ ﺐـﺳﺎﻨﻣ دﺮﻠﻤﻋ یاﺮﺑ ﺮﺘﻠﯿﻓ ﻦﯾا اﺬﻟ ؛ﺖﺳا
و ﺪﻧﻮـﺷ مﺎـﻏدا ﻢﻫﺎﺑ ﮓﻧر دﺎﻌﺑا ﺮﺧآ رد و هﺪﺷ لﺎﻤﻋا ﺪﻌﺑ ﻪﺳ ﻦﯾا
ﺪﻧﻮﺷ یﺪﻌﺑ ی ﻪﻠﺣﺮﻣ ی هدﺎﻣآ.
٢-٢- ﮕﻧر یﺎﻫﺎﻀﻓ
یﺎﻫدﺪــﻋ ﺎــﺑ ﺎــﻫ ﮓــﻧر نﺎــﯿﺑ یاﺮــﺑ ــﺿﺎﯾر ﻟﺪــﻣ ،ﮓــﻧر یﺎــﻀﻓ
ﻒﻠﺘﺨﻣ) ﻻﻮﺻا ﻪﮐ٣ ﺎﯾ۴ دﻮـﺷ ـﻣ ﻞﻣﺎـﺷ ار ـﮕﻧر ءﺰـﺟ( ـﻣ ،
،ﺐـﺳﺎﻨﻣ ﺖـﻗد ندروآ ﺖـﺳد ﻪـﺑ یاﺮﺑ ؛ﺪﺷﺎﺑ١٣ یﺎﻫﺎـﻀﻓ زا ﺪـﻌﺑ
ﻪﮐ ﮕﻧر ﻞﻣﺎـﺷ و ﺖـﺳا هدﺎﻔﺘـﺳا درﻮـﻣ ﻦﯿـﺷﺎﻣ ﯽﯾﺎـﻨﯿﺑ رد ﺮﺘﺸﯿﺑ،
R, G, B, H, S, V, I, Y, Cb, Cr, L, a, b ﺪـﺷﺎﺑ ـﻣ درﻮـﻣ ار
ﺮــﯾز رد ؛ﻢــﯾداد راﺮــﻗ هدﺎﻔﺘــﺳاــﻣ رد یﺮــﺼﺘﺨﻣ ﺢﯿــﺿﻮﺗ ﻪــﺑ درﻮ
هﺪﺷ هرﺎﺷا ﮕﻧر یﺎﻫﺎﻀﻓ ﺎـﻣ ضﺮـﻓ ﻪـﮐ دﻮـﺷ ﺖـﻗد ؛ﻢﯾزادﺮـﭘ ﻣ
عﻮﻧ زا یدورو ﺮﯾﻮﺼﺗ ﻪﮐ ﺖﺴﻨﯾاRGBﺪﺷﺎﺑ.
ﮓـﻧر ﻪـﺳ ﻦﯾا ﺐﯿﮐﺮﺗ زا ار ﺮﯾد یﺎﻫ ﮓﻧر مﺎﻤﺗ ﺎﻣ ـﻣ کرد
ﻢﯿﻨﮐ ؛ﻮﺘﯿﻧﺎﻣر ﯽـﺒﯿﮐﺮﺗ ﻒـﻠﺘﺨﻣ یﺎﻫ ﮓﻧر دﺎﺠﯾا یاﺮﺑ ﺎﻫﺮﺗﻮﯿﭙﻣﺎﮐ
ﻪﺳ زاﺰﻣﺮﻗ ﮓﻧر ﯽﺑآ و ﺰﺒﺳ ،(RGB) ﺪﻨﻨﮐ ﻣ ﺮﺸﺘﻨﻣ ار . عﻮـﻧ ﻦـﯾا
ﻀﻌﺑ ﻂﺳﻮﺗ زﻮﻨﻫ ﮓﻧر یﺎﻀﻓنﺎﻘﻘﺤﻣ ـﻣ راﺮـﻗ هدﺎﻔﺘﺳا درﻮﻣ
ﺎﻣا ؛دﺮﯿﮔكرد ﮓـﻧر هدﺮﭘ
٢
عﺎﺒـﺷا ،
٣
،ﻨـﺷور و
٤
رﺎـﻛ نﺎـﺴﻧا ياﺮـﺑ
نﺎﺳآ رﺎﻴﺴﺑ یﺮﺗ ﻣﺪﺷﺎﺑﺘﺸﻴﺑ ﻞﻴﻟد ﻦﻴﻤﻫ ﻪﺑ ؛يﺎﻫﺎﻀﻓ ﺮ ﻪـﻛ ـﮕﻧر
ﺶﻫوﮋﭘ ردﻧآ زا ﺎﻫﺎﻬ ـﻣ هدﺎﻔﺘـﺳاﺎـﻀﻓ دﻮـﺷ ـﻛاردا ـﮕﻧر يﺎـﻫ
ﺪﻨﻧﺎﻣHSI وHSV ﻣﺷﺎﺑـﺻﺎﺧ تﺎﻋﻼﻃا ياراد ﻪﻛ ﺪ رد درﻮـﻣ
ﻣ ﺮﻳﻮﺼﺗ ﺪﻨـﺷﺎﺑو ار دﻮـﺧ يﺮـﺗﺮﺑ ماﺪـﻛ ﺮـﻫ رﺎـﻛ عﻮـﻧ سﺎـﺳا ﺮـﺑ
ــﻣ رادرﻮــﺧﺮﺑ يﺮــﻳد ﻪــﺑ ﺖﺒــﺴﻧﺪــﺷﺎﺑ رد ؛ﻪــﻟدﺎﻌﻣﺎــﻫ ی٢ ــﻟا۶
نﺎﯿﻣ ی ﻪﻄﺑارRGB وHS ﺖﺳا هﺪﺷ هداد نﺎﺸﻧ.
ﮓــﻧر یﺎــﻀﻓ ،هوﺮــﮔ ﻪــﺳ ﻦــﯾا ﺮــﺑ هوﻼــﻋLab دﺮﺑرﺎــﮐ یاراد
ﻞﻣﺎﺷ ﮓﻧر یﺎﻀﻓ ﻦﯾا ﺪﻌﺑ ﻪﺳ ؛ﺪﺷﺎﺑ ﻣ ﻦﯿﺷﺎﻣ ﯽﯾﺎﻨﯿﺑ رد یدﺎﯾز
ﮓﻧر ﯽﯾﺎﻨﺷور)L*=0 و هﺎﯿﺳ ﮓﻧر هﺪﻨﻨﮐ نﺎﯿﺑL*=100 هﺪـﻨﻨ نﺎـﯿﺑ
ﺪﺷﺎﺑ ﻣ یﺪﯿﻔﺳ رﺎﺸﺘﻧا ی(.ﺰﻣﺮﻗ ﻪﺑ ﺖﺒﺴﻧ نآ ﺖﯿﻌﻗﻮﻣ ،/ و ﺶﻔﻨﺑ
ﺰﺒﺳ)a*
:ﻔﻨﻣ ﺮﯾدﺎﻘﻣ ﺖـﺒﺜﻣ ﺮﯾدﺎـﻘﻣ و ندﻮﺑ ﺰﺒﺳ ی هﺪﻨﻫد نﺎﺸﻧ ،
ــ ــ ــ ندــ ــ ی هــد نــ(و ، نآ ــﯿ
آ و درز )b*
: و ندـ ـآ ی هد ن د
ند درز ی هد ن ، د(
BifM
C
GR
GifM
C
RB
RifM
C
BG ifCundefined
H
,4
,2
,6mod
0,
/ )١(
/
60 HH )٢(
..,
0,0
WO
V
CCIf
S )٣(
),,max( BGRV
)۴(
)(
3
1BGRI )۵(
ر یLab ر تاﯿﯿ ا رد ند مو ﯿد
ر ی ـا هـ لـ ﯿ ﯿ یا .
ر ی زا RGB Lab ما ز تر دﯿ:
16)(116
*
n
Y
Y
fL )۶(
)]()([500
*
nn Y
Y
f
X
X
fa )٧(
)]()([200
*
nn Z
Z
f
Y
Y
fb
where
)٨(
..,
29
4
)
6
29
(
3
1
)
29
6
(:,
)( 2
3
3
1
WOt
tift
tf
)٩(
یـ ،ـا هدـا درـ دـز ـ ـر یـ آ
رYCbCr
؛ یا ر ی اد ر ی
لـﯿد یـ ﯿـرود درااـ ـارا ؛Y'ر ءـ و ـو
Cb
وCr
ـﯿ ار ـ ـر و ـآ ـر زا فـا یاـا
ن د . Y' ی ـ دـ ءـY حـا زا هدـا ـ
٥
ی ر ی ا ی ار ز رد ؛ RGB
ا ه هداد ن.
256
064.25
256
057.129
256
738.65
16
/
//
/
D
DD
B
GR
Y
)١٠(
256
112
256
494.74
256
945.37
128
/
//
D
DD
b
B
GR
C
)١١(
256
258.18
256
154.94
256
439.112
128
/
//
D
DD
B
GR
Cr
)١٢(
ـ )' (ـ ـ حـا ی هـد نـ ـا رد
؛R, G و، B ی هز رد ل تر ٠ ١ ـ را
ا٠ و١ تـو ،ﯿـﯿ تـ ی هـد نـ ـﯿ
.
٢-٣- ی
ر ی ندروآ د زا یاـ یـ ـ زا ،ـ ـ
ندروآ د شزرا ی ﯿ زا هدـا ـر یـ
د ؛ ـا ـﯿد ا رد ـ ـﺿ یـ ـ
و شور
٦
ـا و ـ ـ داـ ﯿ یا
هداد زا ـد رد ـ ـ ـ یاـ شور ـا زا ،
هدا ف؛ ـﯿ هداد ﺿ ی او رد
هداد ا سا ار د یا
. ـ یـ ـ ندروآ د یا
ی هداد یr ـ ـ ف ا زا . ـا
ی ـ ـ ـ هداد مـ ـﯿاد اr ـ زا راـ ـد
ادا ﯿ . ـز رد ـﺿ یـ را
ا ه نﯿ [14]:
١. هداد رد
٢. هداد ند هﯿ) ﯿ ا[0,1].(
٣. هداد را و ﯿﯿ .
۴. ار ی ﯿوا د را
۵. هداد زا را ی
۶. ی با نا ل ﯿ
٧. ﺿ زا هدا مود نداﯿγ ) رد
ا :γ=1.5(
یاـ ـآ را ندروآ د ـ یـ ـ ،
ـ ـ ـ ـا دا دـا ـ ـ ـ و
ﯿ ا ا ا نآ ﯿد ؛د ﯿ ار را
ﺪــﺷﺎﺑ ــﻣ ﺮﯾﻮــﺼﺗ ندﻮــﺑ ﺶﻔﻨــﺑ ی هﺪــﻨﻫد نﺎــﺸﻧ(و ، نآ ﺖــﯿﻌﻗﻮﻣ
ﯽﺑآ و درز ﻪﺑ ﺖﺒﺴﻧ)b*
: و ندﻮـﺑ ﯽـﺑآ ی هﺪﻨﻫد نﺎﺸﻧ ﻔﻨﻣ ﺮﯾدﺎﻘﻣ
ﺪﺷﺎﺑ ﻣ ﺮﯾﻮﺼﺗ ندﻮﺑ درز ی هﺪﻨﻫد نﺎﺸﻧ ، ﺖﺒﺜﻣ ﺮﯾدﺎﻘﻣ(
BifM
C
GR
GifM
C
RB
RifM
C
BG ifCundefined
H
,4
,2
,6mod
0,
/ )١(
/
60 HH )٢(
..,
0,0
WO
V
CCIf
S )٣(
),,max( BGRV
)۴(
)(
3
1BGRI )۵(
ﮓﻧر یﺎﻀﻓLab ﮓﻧر تاﺮﯿﯿﻐﺗ ﺮﺑاﺮﺑ رد ندﻮﺑ موﺎﻘﻣ ﻞﯿﻟد ﻪﺑ
ﺐﺳﺎﻨﻣ ﮓﻧر یﺎﻀﻓ ﯾ ﻪﺑ ﺖـﺳا هﺪـﺷ لﺪـﺑ ﻦﯿﺷﺎﻣ ﯽﯾﺎﻨﯿﺑ یاﺮﺑ .
ﮓﻧر یﺎﻀﻓ زا ﻞﯾﺪﺒﺗ RGB ﻪﺑ Lab ﻣ مﺎﺠﻧا ﺮﯾز ترﻮﺻ ﻪﺑ دﺮﯿﮔ:
16)(116
*
n
Y
Y
fL )۶(
)]()([500
*
nn Y
Y
f
X
X
fa )٧(
)]()([200
*
nn Z
Z
f
Y
Y
fb
where
)٨(
..,
29
4
)
6
29
(
3
1
)
29
6
(:,
)( 2
3
3
1
WOt
tift
tf
)٩(
یﺎـﻀﻓ ،ﺖـﺳا هدﺎﻔﺘـﺳا درﻮـﻣ دﺎـﯾز ﻪـﮐ ـﮕﻧر یﺎـﻀﻓ ﻦﯾﺮﺧآ
ﮕﻧرYCbCr
؛ﺪﺷﺎﺑ ﻣ یاﺮﺑ ﮓﻧر یﺎﻀﻓ ﻦﯾادﻮﺒﻬﺑ ﮓﻧر یﺎﻀﻓ
لﺎـﺘﯿﺠﯾد یﺎـﻫ ﻦﯿـﺑرود دراﺪﻧﺎﺘﺳاﺪـﺷ ﻪـﺋارا ؛Y'ر ءﺰـﺟ و ﯽﯾﺎﻨـﺷو
Cb
وCr
ﺐـﯿﺗﺮﺗ ﻪﺑ ار ﺰـﻣﺮﻗ ﮓـﻧر و ﯽـﺑآ ﮓـﻧر زا فﻼﺘـﺧا یاﺰـﺟا
نﺎﺸﻧ د ﻣﺪﻨ. Y' ی ﻪـﺘﻓﺎﯾ دﻮـﺒﻬﺑ ءﺰـﺟY حﻼـﺻا زا هدﺎﻔﺘـﺳا ﺎـ
ﺎﻣﺎﮔ
٥
یﺎﻀﻓ ﺎﺑ ﮓﻧر یﺎﻀﻓ ﻦﯾا ی ﻪﻄﺑار ﺮﯾز رد ؛ﺪﺷﺎﺑ ﻣRGB
ﺖﺳا هﺪﺷ هداد نﺎﺸﻧ.
256
064.25
256
057.129
256
738.65
16
/
//
/
D
DD
B
GR
Y
)١٠(
256
112
256
494.74
256
945.37
128
/
//
D
DD
b
B
GR
C
)١١(
256
258.18
256
154.94
256
439.112
128
/
//
D
DD
B
GR
Cr
)١٢(
ﻢﯾﺮـﭘ ﺖﻣﻼﻋ)' (ـﻣ ﺎـﻣﺎﮔ حﻼـﺻا ی هﺪـﻨﻫد نﺎـﺸﻧ ﺎـﺠﻨﯾا رد
؛ﺪﺷﺎﺑR′, G′ و، B ی هزﺎﺑ رد لﺎﻣﺮﻧ ترﻮﺻ ﻪﺑ٠ ﺎﺗ١ ﻪـﺘﻓﺮﮔ راﺮﻗ
ﻪﮐ ﺪﻧا٠ و١ تﺪـﺷو ،ﻢﻤﯿـﻨﯿﻣ تﺪـﺷ ی هﺪـﻨﻫد نﺎـﺸﻧ ﺐـﯿﺗﺮﺗ ﻪﺑ
ﺪﻨﺷﺎﺑ ﻣ ﻢﻤﯾﺰﮐﺎﻣ.
٢-٣- یﺪﻨﺑ ﻪﺷﻮﺧ
ر یﺎﻫﺎﻀﻓ ندروآ ﺖﺳد ﻪﺑ زا ﺪﻌﺑ یاﺮـﺑ یﺪـﻨﺑ ﻪـﺷﻮﺧ زا ،ـﮕﻧ ﻪـﺑ
ندروآ ﺖﺳد شزرا یﺎﻫ ﻞﺴﯿﭘﺮﻫ زا ﺪﻌﺑ هدﺎﻔﺘـﺳا ﮓـﻧر یﺎـﻀﻓ
دﻮﺷ ﻣ؛ ﻪـﮑﻨﯾا ﻞـﯿﻟد ﻪﺑ ﻪﻟﺎﻘﻣ ﻦﯾا رد ـﯾ ﻠـﺿﺎﻔﺗ یﺪـﻨﺑ ﻪـﺷﻮﺧ
ﻪﻓﺮﻃ ﯾ و ﻊﯾﺮﺳ شور
٦
ﺰـﮐاﺮﻣ و ﺎـﻫ ﻪـﺷﻮﺧ داﺪـﻌﺗ ﻦﯿﻤﺨﺗ یاﺮﺑ
هداد زا ﻪﺘـﺳد ﯾ رد ﺎﻫ ﻪﺷﻮﺧ ﺎـﻫ ﺪـﺷﺎﺑ ـﻣ یاﺮـﺑ شور ﻦـﯾا زا ،
ﺪﺷ هدﺎﻔﺘﺳا فﺪﻫ؛ ﻪـﻨﯿﻬﺑ هداد ﻪﻄﻘﻧ ﻠﺿﺎﻔﺗ یﺪﻨﺑ ﻪﺷﻮﺧ ﻊﻗاو رد
ﺎﻫ هداد ﻪﻄﻘﻧ ﮔﺪﻨﮐاﺮﭘ ﻟﺎﭼ سﺎﺳا ﺮﺑ ار ﻪﺘﺳد ﺰﮐﺮﻣ ﻦﺘﻓﺎﯾ یاﺮﺑ
ﺪﻨﮐ ﻣ ﺺﺨﺸ . ﻪـﻤﻫ یﺪـﻌﺑ ﻪـﺷﻮﺧ ندروآ ﺖﺳد ﻪﺑ یاﺮﺑ ﺲﭙﺳ
ی ﻪﻠﺻﺎﻓ ﺎﺑ ﺎﻫ هداد ﻪﻄﻘﻧ یr ﺪﻧﻮـﺷ ـﻣ فﺬﺣ ﻪﻄﻘﻧ ﻦﯾا زا . ﻦـﯾا
ی ﻪﻠـﺻﺎﻓ ﺎـﺑ ﺎـﻫ هداد مﺎـﻤﺗ ﻪـﯿﻣادﺎﻣ ﺪﻨﯾاﺮﻓr ـﮐﺮﻣ زا راﺮـﻗ ﻪﺘـﺳد
ﺪﺑﺎﯾ ﻣ ﻪﻣادا ﺪﻧﺮﯿﺑ . ﺮـﯾز رد ﻠـﺿﺎﻔﺗ یﺪـﻨﺑ ﻪﺷﻮﺧ ﻠﮐ ﻢﺘﯾرﻮﻟا
ﺖﺳا هﺪﺷ نﺎﯿﺑ [14]:
١. هداد ﺖﻓﺎﯾرد
٢. هداد ندﺮﮐ هﺰﯿﻟﺎﻣﺮﻧ) ﻦﯿﺑ ﻻﻮﺻا[0,1].(
٣. هداد راﺪﻘﻣ ﻢﻤﯾﺰﮐﺎﻣ و ﻢﻤﯿﻨﯿﻣ ﻦﺘﻓﺎﯾ.
۴. ﺎﻫﺮﺘﻣارﺎﭘ ی ﻪﯿﻟوا ﻫد راﺪﻘﻣ
۵. ﺎﻫ هداد ﻪﻄﻘﻧ زا ﯾ ﺮﻫ ﻟﺎﭼ راﺪﻘﻣ ی ﻪﺒﺳﺎﺤﻣ
۶. یﺮﻄﺳ بﺎﺨﺘﻧا ﻪﺷﻮﺧ ناﻮﻨﻋ ﻪﺑ لﺎﭼ ﻦﯾﺮﺘﺸﯿﺑ ﺎﺑ
٧. ﺐﯾﺮﺿ ﯾ زا هدﺎﻔﺘﺳا ﺎﺑ مود ﻪﺷﻮﺧ ندﺮﮐاﺪﯿﭘγ ) رد
ﻪﻟﺎﻘﻣ ﻦﯾا :γ=1.5(
یاﺮﺑﺐـﺳﺎﻨﻣ ﻪﻧﺎﺘـﺳآ راﺪﻘﻣ ندروآ ﺖﺳد ﻪﺑ ﺎـﺑ یﺎـﻫ ﻪـﺷﻮﺧ ،
ﺮـﺗ ﺐـﺳﺎﻨﻣ ﺦـﺳﺎﭘ ﺪـﻨﻧاﻮﺗ ﻣ ﺮﺘﻤﮐ دﺎﻌﺑا دﺎـﻌﺑا ﺎـﺑ ﯽﯾﺎـﻫ ﻪـﺷﻮﺧ و
ﺮﺘﺸﯿﺑ ا ﻞﺻا ﻦﯾا ﺮﺑ نآ ﻞﯿﻟد ؛ﺪﻨﻫد ﻪﺠﯿﺘﻧ ار ﯽﺒﺳﺎﻨﻣﺎﻧ ﺦﺳﺎﭘ راﻮﺘﺳ
یـﯿ ـآ ، ماﯿ رد ﯿﯿ اا ا
دد ﯿ.
یـ ـ ـ رد ـ را ندروآ د زا
،ر ـآ فـ یاـ نا
یﯿ با د . دا ای ﯿـﯿ ـ ـ
ــ مــ ــ ، ی ــ ترــا ــﯿ رد ؛ــا هــ
ﯿـﯿ ـ ـ ار هـﯿ ی ی ﯿ
ﯿ نآ.
٢-۴- ﯿ ی
یـﯿ ـ ـاو ـ ـا یا ﯿ ی
یا
٧
ـ رد ـﯿ یاـ ـا
ا ی هداد ، ـ ـ . ـ ـ ـ رد ـ
ز تر نآ ﯿﯿ هداد زا هو:
T
N)( 21
)١٣(
نآ رد ــN ،ــ ــ ــ ــﯿ داــ عــ ی ــ
مــ راــ یــﯿ هزاــا ترــ ــ ــا ــ ﯿــ
٨
د راد ود نﯿ
x
وy یاراد ن ز
، را د نﯿ ز تر :
)()(),( 1yxSyxyxd T )١۴(
نآ رد S ـ ـز تر و را
د :
Niand
yxEyxCovS iiiiii
1,
)],)([(),(
)١۵(
با ا ما زا ف ا رد ی
زا ر زا ماـ ـ ـ ـا رد ؛ـ هﯿ ی
ی ی یاراد ﯿ)ﯿ ( ﯿـﯿ زا
یﯿ تا ، هﯿ ر ی را
د رد ﯿ ا هداد ی نا زا ا ﯿ رد و
با ر ی د .
٢-۵- آآ یرا
ـور ـآ رـدـآ ــ یاــ ــ سـا یرا
ــ ــ ماـﯿــ . ــ ــا ــا ــ رـا ضــ
د ود )ا ء و ﯿز ( رد ؛اـا-
، ف را نداﯿ یاا ـ یاراد
مدا د ود ﯿ .ا رد شور ـا ـ ــآ یا
ا یا ـ زا ﯿـو هﯿـ د ود ﯿ راو ند
ه یدزاد [10].
٣ -
زا ،یدـ یراـ ـآ رـا ـزرا رـ هـ
petit colas دا ۴۴ هدا[13]. ـﯿد
هزاا ند د دوـ رد وـ ی ی ۵١٢×۵١٢، زا
ـ ﯿ ۵×۵ اــد هدـا یزـرا ی. یاـ
شور ود ـــ یدــ شور ،یراــ ـــآ ــ ــ
یـــ ـــ یـــ رد ـــآ شور ـــ ـــآ ـــ
زا هـ ـ ـ ـ رد ـآ شور ـ ـآ ـو
یـ ـ زا ـRGB ـد ـ . ــ ـد ـ
رد هــآ۴۴ وــ ــ رد هداد هــ رد دــ ــ
لوــ رد ،یدورو)١ (ــا هــآ . نــ لوــ ــا ــر
ــ ــ شور هدــا ــ ــ بــا رد یدــ
رد ر آ یرا ،دراد لـد ار ی د. یاـ
نداد ن ﯿ ار ناﯿ ـ تر ، یـ ـو
را ـ یا)١ (ـ ـیا زاـ و هـ
هداد ــ ــ ــر درــ و ــ راــ ــ رد)٢ ( هــآ
ا.
لو)١ ( آ شور رد هآ د
شور یرا در ی
یرا آ شور ید
آ
رد
ی
رد آ
RGB
رد د
٨٥
٤٠
٥٠
١ - ر ﯿ و هداد ه زا
۴ - ی ﯿ
ـ ـآ یاـ ﯿ ، ا رد روـ یورـ یرا
ناـﯿ ـ و ـ ـر یـ یـ
رد ـــ ـــﯿ ـــﯿادـــ ـــ .ا رد رـــ
،یدــ یدورو ــر ــ یزــرا زا ــ ــ ــ
ضـ ﯿـ ترـRGB هـ ضـ، ـ ـر تـا زا
، ١٣ ر رد ـﯿ ـ وـ شزادـ
ـر هدـاهــ ،دـﯿ جاـا . ــادا رد بــا یاـ
لا ، ی ﺿ و ـ ی ـ
یﺮـﯿﮔ ﻪﻧﺎﺘـﺳآ ،ﺮﯾﻮﺼﺗ ماﺮﮔﻮﺘﺴﯿﻫ رد ﮔﺪﯿﭽﯿﭘ ﺶﯾاﺰﻓا ﺎﺑ ﻪﮐ ﺖﺳا
ددﺮﮔ ﻣ ﺮﺗ ﺖﺨﺳ ﺰﯿﻧ.
یﺎـﻀﻓ ﮏـﺗ ﮏـﺗ رد ﺎـﻫ ﻪﺷﻮﺧ راﺪﻘﻣ ندروآ ﺖﺳد ﻪﺑ زا ﺲﭘ
ﻪﺷﻮﺧ ﻦﯾﺮﺘﻤﮐ ،ﮓﻧر ﻪﻧﺎﺘـﺳآ فﺪـﻫ یاﺮـﺑ ﻪﺷﻮﺧ ﻦﯾﺮﺘﻬﺑ ناﻮﻨﻋ ﻪﺑ
یﺮﯿﮔ بﺎﺨﺘﻧا دﻮﺷ ﻣ . داﺪﻌﺗ ﺮﮔایﺎﻫ ﻪﺷﻮﺧ ﻢﻤﯿـﻨﯿﻣ ﺪـﻌﺑ ـﯾ
ﺪــﺷﺎﺑ مﺎــﻤﺗ ﻪــﻠﺣﺮﻣ ، ی ﻪﻠــﺻﺎﻓ ترﻮــﺼﻨﯾا ﺮــﯿﻏ رد ؛ﺖــﺳا هﺪــﺷ
ﻦﯿﮕﻧﺎـﯿﻣ ﻪـﺑ ﺖﺒـﺴﻧ ار هﺪـﻧﺎﻤﯿﻗﺎﺑ یﺎﻫ ﻪﺷﻮﺧ ی ﻪﻤﻫ ﺲﯿﺑﻮﻧﻻﺎﻫﺎﻣ
ﻢﯿﻨﮐ ﻣ ﻪﺒﺳﺎﺤﻣ ﺎﻫ نآ.
٢-۴- ﺲﯿﺑﻮﻧﻻﺎﻫﺎﻣ ی ﻪﻠﺻﺎﻓ
یﺎـﻫﺮﯿﻐﺘﻣ ﻪـﺑ ﻪﺘـﺴﺑاو ﻪـﮐ ﺖـﺳا یا ﻪﻠﺻﺎﻓ ﺲﯿﺑﻮﻧﻻﺎﻫﺎﻣ ی ﻪﻠﺻﺎﻓ
ﻔﻠﺘﺨﻣﺪﻨﻧﺎﻣ ﮕﺘﺴﺒﻤﻫ یﺎﻫﻮﻟا
٧
ﻪـﮐ رد ﺖﻓﺮـﺸﯿﭘ یاﺮـﺑ ﺎـﺳﺎﺳا
ﻟا یﺎﻫ هداد ﺶﯾﺎﻤﻧﻮ،ﺖﺳﺎﻫ ﺪـﺷﺎﺑ ـﻣ . ـﯾ ﻦﺘﻓﺮـﮔ ﺮـﻈﻧ رد ﺎـﺑ
ﺪﺷﺎﺑ ﻣ ﺮﯾز ترﻮﺻ ﻪﺑ ﺎﻫ نآ ﻦﯿﮕﻧﺎﯿﻣ ﻪﮐ ﺎﻫ هداد زا هوﺮﮔ:
T
N)( 21
)١٣(
نآ رد ﻪــﮐN ،ﺪــﺷﺎﺑ ــﻣ ﺎــﻫ ﻞــﺴﯿﭘ داﺪــﻌﺗ عﻮــﻤﺠﻣ ی ﻪﻠــﺻﺎﻓ
مﺪــﻋ راﺪــﻘﻣ یﺮــﯿﮔ هزاﺪــﻧا ترﻮــﺻ ﻪــﺑ ﺪــﻧاﻮﺗ ــﻣ ﺲﯿﺑﻮﻧﻻﺎــﻫﺎﻣ
ﺲﻧﺎﺠﺗ
٨
ﻓدﺎﺼﺗ رادﺮﺑ ود نﺎﯿﻣ
x
وy ﺎﺑ یاراد ﻪﮐ نﺎﺴﯾ ﻊﯾزﻮﺗ
،ﺪﺷﺎﺑ ﻣ ﺲﻧﺎﯾراﻮﮐ ﺲﯾﺮﺗﺎﻣ دﻮﺷ ﻣ نﺎﯿﺑ ﺮﯾز ترﻮﺻ ﻪﺑ:
)()(),( 1yxSyxyxd T )١۴(
نآ رد ﻪﮐS ﻒـﯾﺮﻌﺗ ﺮـﯾز ترﻮﺻ ﻪﺑ و ﺪﺷﺎﺑ ﻣ ﺲﻧﺎﯾراﻮﮐ ﺲﯾﺮﺗﺎﻣ
دﻮﺷ ﻣ:
Niand
yxEyxCovS iiiiii
1,
)],)([(),(
)١۵(
ﻦﯾﺮﺘﻬﺑ بﺎﺨﺘﻧا ﻪﻠﺣﺮﻣ ﻦﯾا مﺎﺠﻧا زا ﺎﻣ فﺪﻫ ﻞﺻا رد یﺎﻀﻓ
ﺎﻫﺎﻀﻓ زا ﮓﻧر زا ماﺪـﮐ ﺮـﻫ ﺖـﻟﺎﺣ ﻦـﯾا رد ؛ﺪـﺷﺎﺑ ﻣ هﺪﻧﺎﻤﯿﻗﺎﺑ ی
یﺮﺘﻤﮐ ی ﻪﻠﺻﺎﻓ یاراد ﻪﮐ ﺎﻫ ﻞﺴﯿﭘ)ﯿﻘﺑ ﻪﺑ ﺖﺒﺴﻧ ( ﻦﯿﮕﻧﺎـﯿﻣ زا
ﻪﺑ ﺖﺒﺴﻧ یﺮﺘﺸﯿﺑ تﺎﻋﻼﻃا ،ﺪﺷﺎﺑ هﺪﻧﺎﻤﯿﻗﺎﺑ ﮓﻧر یﺎﻫﺎﻀﻓ راﺪﻘﻣ
دﻮﺧ رد ﻪﯿﻘﺑ ﺖﺳا هداد یﺎﺟ ناﻮﻨﻋ ﻪﺑ ﺎﻀﻓ زا ﺪﻌﺑ ﻦﯾا ﻪﺠﯿﺘﻧ رد و
بﺎﺨﺘﻧا ﮓﻧر یﺎﻀﻓ ﻦﯾﺮﺘﻬﺑ دﻮﺷ ﻣ.
٢-۵- ﻧﺎﺘﺳآﻮﺴﺗآ یراﺬﮔ
ـﺷور ﻮـﺴﺗآ رﺎـﮐدﻮﺧﻪﻧﺎﺘـﺳآ ﻞــﻤﻋ یاﺮـﺑـﮔ ﻞــﺷ سﺎـﺳاﺮﺑ یرا
ــﻣ ﺮﯾﻮــﺼﺗ ماﺮﮔﻮﺘـﺴﯿﻫﺪــﺷﺎﺑ . ﻪــﮐ ﺖــﺳا ﻦــﯾا ﺮــﺑ ﻢﺘﯾرﻮـﻟا ضﺮــﻓ
ﻪﺘﺳد ود ﻞﻣﺎﺷ ﺮﯾﻮﺼ)ﻠﺻا ءﺷ و ﻪﻨﯿﻣز ﺲﭘ ( رد ؛ﺖﺳاﻦـﯾا-
،ﺖﻟﺎﺣ فﺪﻫ ﻢﺘﯾرﻮﻟا ﻪﻄﻘﻧ ندﺮﮐاﺪﯿﭘ یاﺖﺳا ﻦﯾﺮـﺘﻤﮐ یاراد ﻪﮐ
مﺎﻏدا ﺪﺷﺎﺑ ﻪﺘﺳد ود ﻦﯿﺑ .ﻞﺻا رد شور ﻦـﯾا ﻦﺘﻓﺎـﯾ ﻪـﺑﻪﻧﺎﺘـﺳآ یا
ﻞﻗاﺪﺣ یاﺮﺑ ﺮﯾﻮـﺼﺗ زا ﺪﯿﻔـﺳو هﺎﯿـﺳ ﻪﺘﺳد ود ﻦﯿﺑ ﺲﻧﺎﯾراو ندﺮﮐ
ﻣ هﺪﺷ یﺮﻨﯾﺎﺑدزادﺮﭘ [10].
٣ - ﻠﻤﻋ ﺞﯾﺎﺘﻧ
زا ،یدﺎﻬﻨـﺸﻴﭘ یراﺬـﮔ ﻪﻧﺎﺘـﺳآ ﻢﺘﻳرﻮـﻟا ﯽﺑﺎـﻳزرا رﻮـﻈﻨﻣ ﻪﺑ هﺎـﯾﺎﭘ
ﻊﺟﺮﻣ petit colas داﺪﻌﺗ ﺎﺑ۴۴ ﺪﺷ هدﺎﻔﺘﺳاﺮﻳﻮﺼﺗ[13]. ﻞـﯿﻟد ﻪﺑ
هزاﺪﻧا ندﻮﺑ ﯾدﺰﻧ دوﺪـﺣ رد ﺮﯾوﺎـﺼﺗ ی ﻪﻤﻫ ی ۵١٢×۵١٢، زا
ـﺳﻮﮔ ﺮﺘﻠﯿﻓ ﯾ۵×۵ اﺮـﺑﺪـﻳدﺮﮔ هدﺎﻔﺘـﺳا یزﺎـﺳراﻮﻤﻫ ی. یاﺮـﺑ
شور ود ﺎـــﺑ یدﺎﻬﻨــﺸﻴﭘ شور ،یراﺬــﮔ ﻪﻧﺎﺘـــﺳآ ﺖــﻴﻔﻴﮐ ﻪــﺴﻳﺎﻘﻣ
یﺮﺘـــﺴﮐﺎﺧ ﺢﻄـــﺳ یﺎـــﻀﻓ رد ﻮـــﺴﺗآ شور ﻪـــﺑ ﻪﻧﺎﺘـــﺳآ ﻪﺒـــﺳﺎﺤﻣ
زا هﺪـﺷ ﻪـﺘﻓﺮﮔ ﺦـﺳﺎﭘ ﻦﻳﺮـﺘﻬﺑ رد ﻮـﺴﺗآ شور ﻪـﺑ ﻪﻧﺎﺘـﺳآ ﻪﺒـﺳﺎﺤﻣو
یﺎـﻀﻓ ﻪـﺳ زا ـﻳRGB ﺪـﻳدﺮﮔ ﻪـﺴﻳﺎﻘﻣ . ﺖــﺳﺪﺑ ﺖـﻗد ﻂـﺳﻮﺘﻣ
رد هﺪــﻣآ۴۴ ﺮﻳوﺎــﺼﺗ ﻊــﻴﻄﻘﺗ رد هداد هﺎــﻳﺎﭘ رد دﻮــﺟﻮﻣ ﺮﻳﻮــﺼﺗ
لوﺪــﺟ رد ،یدورو)١ (ﺖــﺳا هﺪــﻣآ . نﺎــﺸﻧ لوﺪــﺟ ﻦــﻳا ــﺳرﺮﺑ
ﻪــﮐ ﺪــﻫﺪﻴﻣ شور هدﺎﻔﺘــﺳا ﻪــﻔﻟﻮﻣ ﻦﻳﺮــﺘﻬﺑ بﺎــﺨﺘﻧا رد یدﺎﻬﻨــﺸﻴﭘ
رد ﮕﻧر ﻪﻧﺎﺘﺳآ ﻞﻤﻋیراﺬ ،دراد لﺎـﺒﻧد ﻪﺑ ار یﺮﺘﻬﺑ ﺖﻗد. یاﺮـﺑ
نداد نﺎﺸﻧ ﻢﺘﺴﯿﺳ ﯽﯾارﺎﮐ ناﺰﯿ ـﻔﻴﮐ ترﻮﺻ ﻪﺑ، یﺎـﻫ ـﺟوﺮﺧ
ﻢﺘﻳرﻮﻟا ﻞـﺷ ﺮﻳﻮﺼﺗ یاﺮﺑ)١ (ﻪـﮐ ﻪـﻧﻮﻤیا زاـﺼﺗ ﺮﯾو هﺎـﻳﺎﭘ
هداد ﺪــﺷﺎﺑ ــﻣ ــﺳرﺮﺑ درﻮــﻣ و ﻪــﺘﻓﺮﮔ راﺮــﻗ ﻞــﺷ رد)٢ ( هﺪــﻣآ
ﺖﺳا.
لوﺪﺟ)١ ( ﻪﻧﺎﺘﺳآ شور ﻪﺑ ﻊﻴﻄﻘﺗ رد هﺪﻣآ ﺖﺳﺪﺑ ﺖﻗد ﻂﺳﻮﺘﻣ
شور ﺎﺑ یراﺬﮔ ﻪﺴﻳﺎﻘﻣ درﻮﻣ یﺎﻫ
یراﺬﮔ ﻪﻧﺎﺘﺳآ شور یدﺎﻬﻨﺸﻴﭘ
ﻮﺴﺗآ
ﺢﻄﺳ رد
یﺮﺘﺴﮐﺎﺧ
ﻦﻳﺮﺘﻬﺑ رد ﻮﺴﺗآ
ﻪﻔﻟﻮﻣRGB
ﻊﻴﻄﻘﺗ رد ﺖﻗد
٨٥
٤٠
٥٠
ﻞﺷ١ - ﺮﯾﻮﺼﺗﮕﻧر ﻮﻤﯿﻟ ﻳوﺎﺼﺗ هداد هﺎﻳﺎﭘ زا
۴ - یﺮﻴ ﻪﺠﯿﺘﻧ
ـﮔ ﻪﻧﺎﺘـﺳآ یاﺮـﺑ ﯿﻨﮑﺗ ،ﻪﻟﺎﻘﻣ ﻦﯾا رد ﮕﻧرﺮﯾوﺎـﺼﺗ یورﺮـﺑ یرا
ناﺰـﯿﻣ ﻪﺒـﺳﺎﺤﻣ و ﻒـﻠﺘﺨﻣ ـﮕﻧر یﺎﻫﺎـﻀﻓ یﺪـﻨﺑ ﻪﺷﻮﺧﺮﺑ ﻨﺘﺒﻣ
رد ﺎـــﻫ ﻞـــﺴﯿﭘ ﮕﺘـــﺴﺒﻤﻫﻢﯿﺘﺧادﺮـــﭘ ﺮﯾﻮـــﺼﺗ .ا رد ﻢﺘﻳرﻮـــﻟ
،یدﺎﻬﻨــﺸﻴﭘ یدورو ــﮕﻧر ﺮﻳﻮــﺼﺗ یزﺎــﺳراﻮﻤﻫ زا ﺪــﻌﺑ ﻪــﺑ ﻪــﮐ
ضﺮـﻓ ﺶﯿـﭘ ترﻮـﺻRGB هﺪـﺷ ضﺮـﻓ، ﺮـﻫ ـﮕﻧر تﺎـﻋﻼﻃا زا
،ﻞﺴﻴﭘ ١٣ ﻒﻠﺘﺨﻣ ﮕﻧر ﻪﻔﻟﻮﻣ رد ﺮﺘـﺸﯿﺑ ﻪـﮐ ﺮﻳوﺎـﺼﺗ شزادﺮـ
ـﮕﻧر هدﺎﻔﺘـﺳاهﺪــﺷ ،دﻮـﺸﯿﻣ جاﺮﺨﺘـﺳا . ﻪــﻣادا رد بﺎــﺨﺘﻧا یاﺮـﺑ
ﺎﻀﻓ ﻦﯾﺮﺘﻬﺑلﺎﻤﻋا ﺎﺑ ، ﻪﺷﻮﺧ یﺪﻨﺑ ﻠﺿﺎﻔﺗ و ﻪﺒـﺳﺎﺤﻣ ی ﻪﻠـﺻﺎﻓ
ﯿــ، ــ ــر یــ ــدــ ــ ، .
ــ ــ رد یدــ رــآ لــا ــ و ــ ــر
یدــ شور ــ ــد هــد نــ ،یراــ ــآ شور
شور ﯿ در ی.
0 50 100 150 200 250
0
2000
4000
6000
8000
10000
)
ج
(
)
ب
(
)
ا
(
0 50 100 150 200 250
0
0.5
1
1.5
2
x 104
)
و
(
)ه( )د(
٢ - را لا)١(: )ا ( با ر ی زا آ RGB ) RGB( ،)ب (ماﯿ )ا( ، )ج ( زا یرا آ)ا ( ،آ شور )د ( با ر یدﯿ شور ) عا( ،)ه ( ماﯿ)د( ،)و ( آ
یرا زا)د( آ شور .
ا
[1] N.V.G, H.K.S, "Quality Inspection and Grading of Agricultural
and Food Products by Computer Vision- A Review ",
International Journal of Computer Applications (0975
8887,) Vol.2, No.1, 2010.
[2] S. Cubero, E. Molt?, N. Aleixos, O.L. Garc?a-Navarrete, A.
Gutiérrez, F. Juste, J. Blasco. Machine Vision System for the In-
line Inspection of Fruit on a Mobile Harvesting Platform in Field
Conditions. 2010 CIGR Workshop on Image Analysis in
Agriculture, pp. 26-27.
[3] Atiqul Islam, Shamim Akhter, and Tumnun E. Mursalin,
"Automated Textile Defect Recognition System Using Computer
Vision and Artificial Neural Networks", 2006 World Academy of
Science, Engineering and Technology, vol.13, pp. 1-6.
[4] H. Elbehiery, A. Hefnawy, and M. Elewa, "Surface Defects
Detection for Ceramic Tiles Using Image Processing and
Morphological Techniques", 2005 World Academy of Science,
Engineering and Technolog, vol.5, pp.158-162.
[5] Balaban, M.O., Kristinsson, H.G. and Otwell, W.S. 2005.
"Evaluation of color parameters in a machine vision analysis of
carbon monoxide-treated fish-part 1; Fresh tuna. Journal of
Aquatic Food Product Technology, 14: 5-24.
[6] Bahar Gümüş, Murat Ö. Balaban, Mustafa Ünlüsayın, " Machine
Vision Applications to Aquatic Foods: A Review ", turkish
Journal of Fisheries and Aquatic Sciences vol.11, pp. 171-181,
2011.
[7] S. Wang, and J. M. Siskind, Image segmentation with ratio cut,
IEEE Transaction on pattern analysis and machine intelligence,
vol. 25, No. 6, Jun. 2003.
[8] K. Shiranita, K. Hayashi, A. Otsubo, T. Miyajima and R.
Takiyama, Grading meat quality by image processing, Elsevier
Science B.V., Volume 33, Issue 1, Pages 97-104, 2000.
[9] Jing Jin, Jinwei Li, Guiping Liao, Xiaojuan Yu, and Leo
Christopher C. Viray, Methodology for potatoes defects detection
with computer vision, 2009 International Symposium on
Information Processing, pp.346-351.
[10] N. Otsu, A threshold selection method from gray-level
histograms. IEEE Transactions on Systems, Man and
Cybernetics, Vol. 9, No. 1, pp. 62-66, 1979.
[11] http://fourier.eng.hmc.edu/e161/lectures/smooth_sharpen/node3.ht
ml.
[12] E. Davies, Machine Vision Theory, Algorithms and Practicalities
(signal processing and its applications) , Morgan Kaufmann,
USA, 2005.
[13] http://www.petitcolas.net/fabien/watermarking/image_database/
[14] A . Priyono, M. Ridwan, A. A. Alias, R. ATIQ, O. K. Rahmat, A.
Hassan & M. Alauddin M. ALI, "Generation of Fuzzy Rules with
Subtractive Clustering", Jurnal Teknologi, 43(D), pp.143153,
2005.
ز
1 Gaussian Low Pass Filter (GLPF)
2 Hue
3 Saturation
4 Intensity
5 Gamma Correction
6 One-Pass Algorithm
7 Correlation Patterns
8 Dissimilarity
ﺲﯿﺑﻮﻧﻻﺎــﻫﺎ، ﻦــﻤﻣ ﮓــﻧر یﺎــﻀﻓ ﻦﯾﺮــﺘﻬﺑدﻮــﺸﻴﻣ ﻪﺒــﺳﺎﺤﻣ ، .
ﻪــﺑ ﻊــﻴﻄﻘﺗ رد یدﺎﻬﻨــﺸﻴﭘ ﻢﺘﻳرﻮــﻟآ لﺎــﻤﻋا ــﻔﻴﮐ و ــﻤﮐ ــﺳرﺮﺑ
یدﺎﻬﻨــﺸﻴﭘ شور ﺮــﺘﻬﺑ ﺖــﻗد هﺪــﻨﻫد نﺎــﺸﻧ ،یراﺬــﮔ ﻪﻧﺎﺘــﺳآ شور
شور ﻪﺑ ﺖﺒﺴﻧﺪﺷﺎﺒﯿﻣ ﻪﺴﻳﺎﻘﻣ درﻮﻣ یﺎ.
0 50 100 150 200 250
0
2000
4000
6000
8000
10000
)
ج
(
)
ب
(
)
ﻒﻟا
(
0 50 100 150 200 250
0
0.5
1
1.5
2
x 104
)
و
(
)ه( )د(
ﻞﺷ٢ - ﻞﺷ ﺮﻳﻮﺼﺗ ﻪﺑ ﻢﺘﻳرﻮﻟا لﺎﻤﻋا)١(: )ﻒﻟا ( بﺎﺨﺘﻧا ﮓﻧر یﺎﻀﻓ زا ﯽﺑآ ﻪﻔﻟﻮﻣRGB ) ﻪﻔﻟﻮﻣ ﻦﻳﺮﺘﻬﺑRGB( ،)ب (ماﺮﮔﻮﺘﺴﯿﻫ )ﻒﻟا( ، )ج ( زا یراﺬﮔ ﻪﻧﺎﺘﺳآ)ﻒﻟا ( ،ﻮﺴﺗآ شور ﻪﺑ)د ( ﺐﺳﺎﻨﻣ بﺎﺨﺘﻧاﻪﺑ ﮓﻧر ﻪﻔﻟﻮﻣ یدﺎﻬﻨﺸﯿﭘ شور )ﻪﻔﻟﻮﻣ عﺎﺒﺷا( ،)ه ( ماﺮﮔﻮﺘﺴﯿﻫ)د( ،)و ( ﻪﻧﺎﺘﺳآ
یرا زا)د( ﻮﺴﺗآ شور ﻪﺑ.
ﻊﺟاﺮﻣ
[1] N.V.G, H.K.S, "Quality Inspection and Grading of Agricultural
and Food Products by Computer Vision- A Review ",
International Journal of Computer Applications (0975
8887,) Vol.2, No.1, 2010.
[2] S. Cubero, E. Molt?, N. Aleixos, O.L. Garc?a-Navarrete, A.
Gutiérrez, F. Juste, J. Blasco. “Machine Vision System for the In-
line Inspection of Fruit on a Mobile Harvesting Platform in Field
Conditions”. 2010 CIGR Workshop on Image Analysis in
Agriculture, pp. 26-27.
[3] Atiqul Islam, Shamim Akhter, and Tumnun E. Mursalin,
"Automated Textile Defect Recognition System Using Computer
Vision and Artificial Neural Networks", 2006 World Academy of
Science, Engineering and Technology, vol.13, pp. 1-6.
[4] H. Elbehiery, A. Hefnawy, and M. Elewa, "Surface Defects
Detection for Ceramic Tiles Using Image Processing and
Morphological Techniques", 2005 World Academy of Science,
Engineering and Technolog, vol.5, pp.158-162.
[5] Balaban, M.O., Kristinsson, H.G. and Otwell, W.S. 2005.
"Evaluation of color parameters in a machine vision analysis of
carbon monoxide-treated fish-part 1; Fresh tuna. Journal of
Aquatic Food Product Technology, 14: 5-24.
[6] Bahar Gümüş, Murat Ö. Balaban, Mustafa Ünlüsayın, " Machine
Vision Applications to Aquatic Foods: A Review ", turkish
Journal of Fisheries and Aquatic Sciences vol.11, pp. 171-181,
2011.
[7] S. Wang, and J. M. Siskind, “Image segmentation with ratio cut,”
IEEE Transaction on pattern analysis and machine intelligence,
vol. 25, No. 6, Jun. 2003.
[8] K. Shiranita, K. Hayashi, A. Otsubo, T. Miyajima and R.
Takiyama, Grading meat quality by image processing, Elsevier
Science B.V., Volume 33, Issue 1, Pages 97-104, 2000.
[9] Jing Jin, Jinwei Li, Guiping Liao, Xiaojuan Yu, and Leo
Christopher C. Viray, “Methodology for potatoes defects detection
with computer vision”, 2009 International Symposium on
Information Processing, pp.346-351.
[10] N. Otsu, “A threshold selection method from gray-level
histograms”. IEEE Transactions on Systems, Man and
Cybernetics, Vol. 9, No. 1, pp. 62-66, 1979.
[11] http://fourier.eng.hmc.edu/e161/lectures/smooth_sharpen/node3.ht
ml.
[12] E. Davies, Machine Vision Theory, Algorithms and Practicalities
(signal processing and its applications) , Morgan Kaufmann,
USA, 2005.
[13] http://www.petitcolas.net/fabien/watermarking/image_database/
[14] A . Priyono, M. Ridwan, A. A. Alias, R. ATIQ, O. K. Rahmat, A.
Hassan & M. Alauddin M. ALI, "Generation of Fuzzy Rules with
Subtractive Clustering", Jurnal Teknologi, 43(D), pp.143–153,
2005.
ﺮﯾز ﺲﯾﻮﻧ ﺎﻫ
1 Gaussian Low Pass Filter (GLPF)
2 Hue
3 Saturation
4 Intensity
5 Gamma Correction
6 One-Pass Algorithm
7 Correlation Patterns
8 Dissimilarity
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
The color of fresh tuna treated by 4% carbon monoxide +20% carbon dioxide +10% oxygen, or irradiated at 1 KGy or 2 KGy, or first gas treated then irradiated, was analyzed using the R, a* and hue parameters in a machine vision system. The percent of sample surface having R > Rthreshold, a* < a*threshold, or hue < huethreshold was associated with storage time for different levels of threshold values. Hue was selected as the best representative of the red color of tuna. A method was suggested to select the threshold value of a parameter. Irradiation did not change the color of fresh tuna. Exposure to CO increased the redness, and preserved it for up to 12 days in refrigerated storage. Microbial numbers for CO treated tuna were not different from control. Irradiation at 2 KGy was very effective in reducing microorganisms, while 1 KGy was ineffective.
Article
Full-text available
Learning fuzzy rule-based systems with genetic algorithms can lead to very useful descriptions of several problems. Fuzzy logic (FL) provides a simple way to arrive at a definite conclusion based upon vague, ambiguous, imprecise, noisy or missing input information. The FL model is empirically based, relying on an operator's experience rather than their technical understanding of the system. In the FL method, any reasonable number of inputs can be processed and numerous outputs will be generated, although defining the rule-base quickly becomes complex if too many inputs and outputs are chosen for a single implementation since rules defining their interrelations must also be defined. This will increase the number of fuzzy rules and complexity but may also increase the quality of the control. Many methods were proposed to generate fuzzy rules-base. The basic idea is to study and generate the optimum rules …
Article
Full-text available
Least Development Countries (LDC) like Bangladesh, whose 25% revenue earning is achieved from Textile export, requires producing less defective textile for minimizing production cost and time. Inspection processes done on these industries are mostly manual and time consuming. To reduce error on identifying fabric defects requires more automotive and accurate inspection process. Considering this lacking, this research implements a Textile Defect Recognizer which uses computer vision methodology with the combination of multi-layer neural networks to identify four classifications of textile defects. The recognizer, suitable for LDC countries, identifies the fabric defects within economical cost and produces less error prone inspection system in real time. In order to generate input set for the neural network, primarily the recognizer captures digital fabric images by image acquisition device and converts the RGB images into binary images by restoration process and local threshold techniques. Later, the output of the processed image, the area of the faulty portion, the number of objects of the image and the sharp factor of the image, are feed backed as an input layer to the neural network which uses back propagation algorithm to compute the weighted factors and generates the desired classifications of defects as an output.
Conference Paper
Full-text available
Quality control in ceramic tile manufacturing is hard, labor intensive and it is performed in a harsh industrial environment with noise, extreme temperature and humidity. It can be divided into color analysis, dimension verification, and surface defect detection, which is the main purpose of our work. Defects detection is still based on the judgment of human operators while most of the other manufacturing activities are automated so, our work is a quality control enhancement by integrating a visual control stage using image processing and morphological operation techniques before the packing operation to improve the homogeneity of batches received by final users.
Article
Machine vision (MV) is a rapid, economic, consistent and objective inspection and evaluation technique. This non-destructive method has applications in the aquatic food industry. MV can perform many functions at once in an aquatic food processing line: sorting by species, by size, and by visual quality attributes, as well as automated portioning. In this review, the mode of operation and the components of a MV system are introduced, its applications to foods are briefly discussed, and the advantages and disadvantages listed. The literature in the MV applications to aquatic foods is grouped under the following topics: determination of composition, measurement and evaluation of size and volume, measurement of shape parameters, quantification of the outside or meat color of aquatic foods, and detection of defects during quality evaluation. Finally, brief examples from the industrial applications of this promising technology are given. Extensive bibliography is cited in this field. © Published by Central Fisheries Research Institute (CFRI) Trabzon, Turkey in cooperation with Japan International Cooperation Agency (JICA), Japan.
Article
correct detection of external defects on potatoes is the key technology in the realization of automatic potato grading and sorting station. This paper reports a novel inspection approach to external defects of potato in three potato cultivars. Adaptive Intensity Interception (AII) and Fixed Intensity Interception (FII) methods have been proposed to extract the suspect defects. Otsu segmentation combined with morphologic operation was used to remove the normal skin and background. Area threshold and black ratio threshold were used to identify defects in the suspect defects. Experiments have shown FII performed better than AII in a specific circumstance. The correct classification rate of defects, the correct recognition rate of defects and the correct inspection rate of potatoes based on FII are 92.1%, 91.4% and 100% respectively. The results showed this approach was fast, valid and convenient for defect detection on yellow-skin potatoes. Index Terms—Computer vision; Pattern recognition; Potatoes; Defects detection
Article
We study the implementation of a meat-quality grading system, using the concept of the “marbling score”, as well as image processing, neural network techniques and multiple regression analysis. The marbling score is a measure of the distribution density of fat in the rib-eye region. We identify five features used for grading meat images. For the evaluation of the five features, we propose a method of image binarization using a three-layer neural network developed on the basis of inputs given by a professional grader and a system of meat-quality grading based on the evaluation of two of five features with multiple regression analysis. Experimental results show that the system is effective.