جستجوی مقالات مرتبط با کلیدواژه « Texture feature » در نشریات گروه « فناوری اطلاعات »

تکرار جستجوی کلیدواژه « Texture feature » در نشریات گروه « فنی و مهندسی »

انتخاب همه

ناحیه بندی تومور در تصاویر ماموگرافی با استفاده از کانتور فعال چن-وسه و اطلاعات ویژگی محلی بافت

فاطمه شیرازی، عصمت راشدی *، حسین نظام آبادی پور

نشریه ماشین بینایی و پردازش تصویر، سال پنجم شماره 2 (پاییز و زمستان 1397)، صص 13 -25

ناحیه بندی تومورهای سرطانی در تصاویر ماموگرافی مرحله ی مهمی در سامانه های تشخیص کمک کامپیوتری (CAD) بوده و یک مساله ی پر چالش است. در این مقاله از اطلاعات ویژگی محلی (LFI-CV) بافت تصویر در مدل کانتور فعال چن-وسه برای ناحیه بندی تومور استفاده شده است. در این مدل، ابتدا نگاشت ویژگی های بافت از تصویر استخراج می شود. سپس اطلاعات ویژگی محلی بافت تصویر به عنوان مقادیر ضرایب نیروی مدل چن-وسه در نظر گرفته می شوند. به کمک این ضرایب، انرژی مدل کانتور کمینه می شود و کانتور می تواند دقیق تر بر روی مرزهای تومور قرار گیرد. اطلاعات ویژگی های بافت مورد استفاده شامل ماتریس همرخداد سطح خاکستری (GLCM) و ویژگی های گابور می باشند. عملکرد روش ناحیه بندی پیشنهادی با استفاده از مدل های کانتور فعال چن -وسه مقایسه و ارزیابی شده است. ناحیه بندی در مدل کانتور فعال پیشنهادی با نگاشت های ویژگی کنتراست، آنتروپی و گابور در جهت و نسبت به مدل های کانتور چن- وسه دیگر در تکرار کمتر همگرا می شود. نتایج نشان می دهند که روش ناحیه بندی پیشنهادی برای ویژگی بافت گابور در جهت نتایج ناحیه بندی مطلوبی نسبت به روش های کانتور فعال چن-وسه دیگر از لحاظ زمان، تعداد تکرار، دقت و حساسیت ناحیه بندی دارد. تصاویر استفاده شده در این مطالعه از پایگاه داده جامعه ی تحلیل تصاویر ماموگرافی (MIAS) اخذ شده اند.

کلید واژگان: سرطان سینه, تشخیص کمک کامپیوتری, ماموگرافی, ناحیه بندی تومور سرطانی, ویژگی بافت, کانتور فعال چن وسه با اطلاعات ویژگی محلی}

چکیده مشاهده متن مقاله پژوهشی/اصیل زبان: فارسی

Tumor segmentation in mammogram images using Chan-Vese active contour and texture local feature information

Fatemeh Shirazi, Esmat Rashedi*, Hossein Nezamabadi, pour

Machine Vision and Image Processing, Volume:5 Issue: 2, 2018, PP 13 -25

Cancerous tumor segmentation in mammogram images is an important stage and a challenging problemin computer aided detection (CAD) systems. In this paper, local feature information and Chan-Vese(LFI-CV)active contour modelare used for tumor segmentation. First, the texture feature mapsof mammograms are extracted. The utilized texture feature information includes gray level co-occurrence matrix (GLCM) and Gabor features. Using this information,the force values ofChan-Vese model are set and active contour model’s energy is minimized.As a result, the contour accurately segments the tumor. The results show that tumor segmentation using the proposed active contour modelandGabor texture feature at orientationis efficient in regard to the number of iterations, accuracy, and sensitivity. The mini-MIAS database is used for evaluation.

Keywords: breast cancer, Computer aided detection, mammography, Cancerous tumor segmentation, Texture feature, Local feature information, Chan-Vese active contour model}

Abstract View Paper Research/Original Article Original: Persian
To Present Method for Rice Variety Identification with Fuzzy-imperialist Competitive Algorithm

Zeinab Faraji, Farhad Ramezani*, Homayun Motameni

Journal of Advances in Computer Research, Volume:7 Issue: 2, Spring 2016, PP 41 -52

Digital image processing in recent decades has made considerable progress in theoretical and practical aspects. Nowadays, machine vision techniques have important application in the field of agriculture. One of these applications is detection of different varieties of rice from the bulk sample of rice image. These techniques also have high speed, accuracy and reliability. Texture feature selection is one of the important characteristics used in pattern recognition. The better feature selection of a feature set usually results in better performance in a classification problem. In This work we try to extract features by using co_occurrence matrix and select the best feature set for classification of rice varieties based on image of bulk samples using hybrid algorithm which is called "fuzzy_ imperialist competition and then classify the best features using support vector machine(SVM). Results of the proposed method showed, the classification accuracy is improved to 96/79%. The feature set which is selected by the fuzzy-Ica provides the better classification performance compared to that obtained by Imperialist competition algorithm.

Keywords: Fuzzy, Imperialist Competition Algorithm, Texture Feature, Co, Occurrence Matrix, Support Vector Machine}

Abstract View Paper Original: English

نکته

نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

جستجوی مقالات مرتبط با کلیدواژه « Texture feature » در نشریات گروه « فناوری اطلاعات »