ارائه روشی برای خواندن خودکار نقشه چاپی فرش و مقایسه آن با روش خوشهیابی C - میانگین
محورهای موضوعی : مهندسی برق و کامپیوتراحمد ايزديپور 1 , احساناله کبیر 2
1 - دانشگاه تربیت مدرس
2 - دانشگاه تربیت مدرس
کلید واژه: کاهش رنگ نقشه فرش طبقهبندی رنگ خوشهبندی رنگ الگوریتم C - میانگین,
چکیده مقاله :
خواندن خودکار نقشه چاپی فرش به دو مرحله تقسیم میشود: آشکارسازی خطوط نقشه، شامل خطوط باريک و خطوط ضخيم؛ کاهش رنگ پيکسلهای تصوير به رنگهای پالت. برای شناسایی خطوط نقشه الگوریتمی پیشنهاد شده است. در این الگوریتم ابتدا فاصله خطوط باریک محاسبه میشود. پس از شناسایی اولین خط باریک، خطوط باریک بعدی بهترتیب رسم میشوند. برای شناسایی اولین خط ضخیم از الگوریتم شانهگذاری استفاده شده است. مشکل عمده در شناسایی خطوط، خطای نمونهبرداری ناشی از اسکنر است. این خطا غیر قابل اجتناب است. برای اصلاح این خطا در مراحل مختلف شناسایی و ترسیم خطوط راه حلهایی پیشنهاد شده است. پس از شناسایی خطوط، کاهش رنگ انجام میشود. هدف اين است که رنگ پيکسلهای درون چهارخانههای نقشه - که از تلاقی خطوط باريک حاصل میشوند - به رنگهاي پالت، نگاشت شوند. سه روش برای کاهش رنگ ارائه شده است. در روش اول کاربر برای هر رنگ نقشه، دو پيکسل انتخاب میکند. پالت رنگ، با پردازش مناسب بر روی رنگهای انتخابی کاربر بهدست میآيد. برای تعيين رنگ يک چهارخانه، رنگ پيکسلهای ميانی آن بر اساس اين پالت نگاشت میشود و فراوانترين رنگ بهدست میآيد. سپس چهارخانه مربوطه با اين رنگ پر میشود. اين الگوريتم کاهش رنگ به همراه يک مرحله پسپردازش روی چند تصوير نمونه اعمال شد. ميزان خطا برای تصاوير پایگاه داده از 07/0 درصد تا 5/0 درصد بود. بهمنظور بررسی امکان کاهش دخالت کاربر از روش C - میانگین به دو صورت استفاده شده است. مراکز خوشههای اولیه یک بار با دخالت کاربر و بار دیگر بهطور تصادفی تعیین میشوند. نتایج این سه روش مورد مقایسه و بحث قرار میگیرد.
The subject of this paper is to read carpet pattern automatically by computer. This is composed of two steps: detection of vertical and horizontal lines in the pattern and color reduction. Color reduction is essential because of limitation of the number of colors that is used in a carpet. To accomplish of this process, we must detect the grid lines on the carpet pattern automatically. These lines are two types: thin lines and thick lines. At the first stage, the distance between thin lines is obtained. Having the first thin line detected, the other thin lines are drawn using this distance. We use a Comb method for detection of thick lines. The major problem in line detection is lagging or leading of the lines due to the mismatch between sampling frequency of the scanner and image resolution. We compensate this distortion in various steps in our algorithm. In the second step, we want all the pixels in the same square, to have the same color. This is obtained by mapping colors to the best color in the palette. We propose three methods. In first method the user selects two selections per any colors. Palette is obtained from some processes in these selections. Those pixels that are in the middle of the squares are mapped to the palette. Then color histogram is computed. The color that has the maximum histogram value is assigned to the square. In order to decrease user’s interference, C-means clustering algorithm is used in two types. The centers of initial clusters are determined once with user’s interference and once randomly. Results of these three methods are compared. We tested our methods on 20 samples of carpet patterns, and the error rate was variable from 0.07% to 0.5% between samples.
[1] ا. ایزدیپور، خواندن خودکار نقشه چاپی فرش، پایاننامه کارشناسی ارشد، دانشگاه تربیت مدرس، زمستان 86.
[2] شرکت بوريا، www.booria.com/carpetdesigner.htm.
[3] نرمافزار نقشساز، مرکز کنترل کامپيوتر ايران، (www.centraltouch.com).
[4] نرمافزار طراحی نقشه فرش طوبی، (http://carpetmaster.ir//new toobacarpet).
[5] ا. ايزدیپور و ا. ا. کبير، "شناسايی خودکار خطوط نقشه فرش،" اولين کنگره مشترک سيستمهای فازی و هوشمند، صص. 105-101، مشهد، 9-7 شهريور 1386.
[6] ا. ايزدیپور و ا. ا. کبير، "ارائه روشی برای کاهش رنگ در تصویر نقشه چاپی فرش و مقایسه آن با روش خوشهیابی C - میانگین،" ارائهشده به پانزدهمین کنفرانس بینایی ماشین، تبریز، 16-14 آبان 1387.
[7] آ. تشکريان، کاهش رنگ بر پايه کلنی مورچهها، پاياننامه کارشناسی ارشد، دانشگاه تربيت مدرس، پاييز 83..
[8] K. Kanjanawanishkul and B. Uyyanonvara, "Novel fast color reduction algorithm for time-constrained applications," J. Visual Communication and Image Representation, vol. 16, no. 3, pp. 301-332, Jun. 2005.
[9] G. Sharma, "Digital color imaging," IEEE Trans. Image Processing, vol. 6, no. 7, pp. 901-932, Jul. 1997.
[10] R. Balasubramanian and J. P. Allebach, "A new approach to palette selection for color images," J. Image Technol., vol. 17, no. 6, pp. 284-290, Dec 1991.
[11] N. Papamarkos, A. E. Atsalakis, and C. P. Strouthopoulos, "Adaptive color reduction," IEEE Trans. on Systems, pt B., vol. 33, no. 1, pp. 1-13, Feb. 2002.