‫اﺳﺘﺨﺮاج ﻧﻘﺎط آﻏﺎزﯾﻦ ﻣﻨﺎﺳﺐ ﺟﻬﺖ ﺗﺨﻤﯿﻦ او‪‬ﻟﯿﮥ ﻣﻨﺤﻨﯽﻫﺎي رﺷﺪﯾﺎﺑﻨﺪه‬

‫ﺑﺎ ﮐﻤﮏ ﻣﯿﺪان ﺑﺮدار ﮔﺮادﯾﺎن‬

‫‪1‬‬
‫ﻣﺤﻤﺪﺣﺴﯿﻦ ﺧﺴﺮوي‬
‫‪mohokhosravi@birjand.ac.ir‬‬

‫ﭼﮑﯿﺪه‬
‫ﯾﮑﯽ از روﺷﻬﺎي اﺳﺘﺨﺮاج ﻧﻮاﺣﯽ و ﻣﺮز ﭘﯿﺮاﻣﻮﻧﯽ آﻧﻬﺎ‪ ،‬اﺳﺘﻔﺎده از ﻣﻨﺤﻨﯽﻫﺎي رﺷﺪ ﯾﺎﺑﻨﺪه اﺳﺖ‪ .‬اﯾﻦ ﻣﻨﺤﻨﯽﻫﺎ ﺑﺎ‬
‫ﺷﺮوع از ﯾﮏ وﺿﻌﯿ‪‬ﺖ اوﻟﯿ‪‬ﻪ و ﺑﺎ ﮐﻤﯿﻨﻪﺳﺎزي ﯾﮏ ﺗﺎﺑﻊ اﻧﺮژي ﯾﺎ ﺑﮑﺎرﮔﯿﺮي ﻣﺘﺪﻫﺎي رﻗﺎﺑﺘﯽ ﺑﺮاي ﮐﺸﯿﺪهﺷـﺪن ﺑﺴـﻤﺖ‬
‫وﯾﮋﮔﯽﻫﺎي ﻟﺒﻪاي اﺷﯿﺎء‪ ،‬ﻣﯽ ﮐﻮﺷﻨﺪ ﺗﺎ ﻣﺪﻟﯽ ﺑﺎ اﻋﺘﺒﺎر از ﻣﺮزﻫﺎي ﭘﯿﺮاﻣﻮﻧﯽ آن ﺷﯽء ﯾﺎ ﻧﺎﺣﯿﻪ ﻓـﺮاﻫﻢ آورﻧـﺪ‪ .‬وﺿـﻌﯿﺖ‬
‫اوﻟﯿﮥ اﯾﻦ ﻣﻨﺤﻨﯽ ﻫﺎ از ﺟﻤﻠﻪ ﻣﺴﺎﯾﻞ ﻣﻬﻢ در ﮐﺎر ﺑﺎ اﯾﻦ ﻣﻨﺤﻨﯽﻫﺎﺳﺖ‪ .‬دراﯾﻦ ﻣﻄﺎﻟﻌﻪ روﺷﯽ ﮐﺎرا ﺑﺮاي ﺗﻌﯿـﯿﻦ ﻣﻮﻗﻌﯿ‪‬ـﺖ‬
‫او‪‬ﻟﯿﮥ ﻣﻨﺤﻨﯽ ﺗﺨﻤﯿﻨﯽ ﺑﺎ اﺳﺘﻔﺎده از ﻣﯿﺪان ﺑﺮدار ﮔﺮادﯾﺎن ﭘﯿﺸﻨﻬﺎد ﺷﺪه اﺳﺖ‪ .‬ﺑﺎ ﺑﮑﺎرﮔﯿﺮي اﯾﻦ روش ﻧﻘـﺎﻃﯽ از ﺗﺼـﻮﯾﺮ‬
‫ﺷﻨﺎﺳﺎﯾﯽ ﻣﯽﺷﻮﻧﺪ ﮐﻪ ﻧﻘﻄﮥ ﺷﺮوع ﺗﻮزﯾﻊ ﺑﺮدارﻫﺎي ﻣﯿﺪان ﺑﺴﻤﺖ وﯾﮋﮔﯽﻫﺎي ﻟﺒﻪ اي ﻧﻮاﺣﯽ ﻫﺴـﺘﻨﺪ‪ .‬ﺑـﺎ ﻗـﺮار ﮔـﺮﻓﺘﻦ‬
‫ﻣﻨﺤﻨﯽ او‪‬ﻟﯿﻪ در ﭘﯿﺮاﻣﻮن اﯾﻦ ﻧﻘﻄﻪ‪ ،‬ﻫﻤﮕﺮاﯾﯽ ﻧﻬﺎﯾﯽ آن ﺑﻪ ﺳﻤﺖ وﯾﮋﮔﯽﻫﺎي ﻣﻄﻠـﻮب ﺗﻀـﻤﯿﻦ ﻣـﯽﺷـﻮد‪ .‬در ﻣﻄﺎﻟﻌـﮥ‬
‫ﺣﺎﺿﺮ‪ ،‬ﻣﺘﺪ ﭘﯿﺸﻨﻬﺎدي ﺑﺮاي ﻣﺴﺌﻠﻪي اﺳﺘﺨﺮاج وﯾﮋﮔﯽﻫﺎي ﭼﺸﻤﯽ ﺑﺎ اﺳـﺘﻔﺎده از ﻣﻨﺤﻨـﯽﻫـﺎي ﻓـﺮمﭘـﺬﯾﺮ ‪ GVF‬ﺑﮑـﺎر‬
‫ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‪ .‬ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ‪ ،‬ﺣﮑﺎﯾﺖ از ﻗﻮام و اﻋﺘﺒﺎر روش ﭘﯿﺸﻨﻬﺎدي در ﻣﺪلﺳﺎزي ﻣﺮز ﭘﯿﺮاﻣﻮﻧﯽ داﺧﻠﯽ ﭼﺸـﻢ‬
‫دارد‪.‬‬

‫‪ -1‬ﻣﻘﺪﻣﻪ‬
‫اﻣﺮوزه ﺗﺼﻮﯾﺮﭘﺮدازي و ﺑﯿﻨﺎﯾﯽ ﻣﺎﺷﯿﻦ از ﺟﻤﻠﻪ ﻋﻠـﻮم ﭘﯿﺸـﺮو در ﺣﯿﻄـﮥ ﻫﻮﺷـﻤﻨﺪي ﻣﺎﺷـﯿﻦ و اﯾﺠـﺎد ارﺗﺒـﺎط‬
‫دوﺳﻮﯾﮥ آن ﺑﺎ ﻃﺒﯿﻌﺖ و اﻧﺴﺎن ﺑﺤﺴﺎب ﻣﯽآﯾﻨﺪ‪ .‬روشﻫﺎ و ﻣﺘﺪﻫﺎي ﻣﻄﺮح در اﯾﻦ داﻧﺶ‪ ،‬راه را ﺑﺴـﻤﺖ ﻓﻬـﻢ ﻫﺮﭼـﻪ‬
‫ﺑﻬﺘﺮ درﯾﺎﻓﺖ ﻫﺎي ﺑﺼﺮي ﻣﺎﺷﯿﻦ و ﺗﻔﺴﯿﺮ و ﺗﺄوﯾﻞ اﯾﻦ ﯾﺎﻓﺘﻪﻫﺎ ﻓﺮاﻫﻢ آوردهاﻧﺪ‪ .‬اﯾـﻦ ﻣﺘـﺪﻫﺎ وﯾﮋﮔـﯽﻫـﺎﯾﯽ از ﺗﺼـﻮﯾﺮ‬
‫درﯾﺎﻓﺘﯽ ﻣﺎﺷﯿﻦ را اﺳﺘﺨﺮاج و آﻧﻬﺎ را ﺑﺮاي ﻓﻬﻢ ﺗﺼﻮﯾﺮ ﻣﻮرد ارزﯾﺎﺑﯽ و در ﻧﻬﺎﯾﺖ اﺳﺘﻔﺎده ﻗﺮار ﻣـﯽدﻫﻨـﺪ‪ .‬ﮔﺮوﻫـﯽ از‬
‫اﯾﻦ وﯾﮋﮔﯽﻫﺎ ﺳﺎده و ﺑﺼﻮرت ﺑﺼﺮي ﻗﺎﺑﻞ ﻓﻬﻢاﻧﺪ‪ .‬ﻣﺎﻧﻨﺪ ﻟﺒﻪﻫﺎي اﺷﯿﺎء درون ﺗﺼﻮﯾﺮ‪ ،‬ﮔﻮﺷﻪﻫﺎ‪ ،‬ﻧﻮاﺣﯽ ﺗﺸﮑﯿﻞدﻫﻨـﺪة‬
‫اﺷﯿﺎء‪ ،‬ﺑﺎﻓﺖ اﯾﻦ ﻧﻮاﺣﯽ و ﻣﺎﻧﻨﺪ اﯾﻨﻬﺎ‪ .‬ﮔﺮوﻫﯽ دﯾﮕﺮ در ﺳﻄﺢ اﻧﺘﺰاع ﺑﺎﻻﺗﺮي ﻗﺮار دارﻧﺪ و ﺑﺎ رواﺑﻂ ﺳﺎده و ﮔﺎﻫﺎً ﭘﯿﭽﯿﺪة‬
‫رﯾﺎﺿﯽ ﻗﺎﺑﻞ درك و اﺳﺘﻔﺎدهاﻧﺪ‪ .‬از ﺟﻤﻠﮥ اﯾﻦ وﯾﮋﮔﯽﻫﺎ ﻧﯿﺰ ﻣﯽﺗﻮان ﺑﻪ ﮔﺸﺘﺎورﻫﺎ اﺷﺎره ﮐﺮد‪ .‬ﺑﺮاي اﺳﺘﺨﺮاج ﻫﺮ ﯾﮏ از‬
‫اﯾﻦ وﯾﮋﮔﯽﻫﺎ روﺷﻬﺎ و اﻟﮕﻮرﯾﺘﻢ ﻫﺎي زﯾﺎدي ﭘﯿﺸﻨﻬﺎد ﺷﺪه اﺳﺖ ﮐﻪ ﻫﺮ ﯾﮏ ﻧﯿﺰ ﻧﻘﺎط ﺿﻌﻒ و ﻗﻮ‪‬ت ﻣﺨﺼﻮص ﺧـﻮد‬
‫را دارﻧﺪ‪.‬‬
‫ﯾﮑﯽ از روشﻫﺎي اﺳﺘﺨﺮاج وﯾﮋﮔﯽﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ ﻟﺒﻪﻫﺎي ﻣﺮزي اﺷﯿﺎء و ﻧﻮاﺣﯽ ﺗﺸﮑﯿﻞدﻫﻨﺪة ﺗﺼﻮﯾﺮ‪ ،‬اﺳـﺘﻔﺎده از‬
‫ﻣﺘﺪﻫﺎﯾﯽ اﺳﺖ ﮐﻪ ﺑﺎ ﺷﺮوع از ﯾﮏ ﻣﻨﺤﻨﯽ او‪ ‬ﻟﯿﻪ و ﺳﭙﺲ ﺑﺴﻂ و ﺗﻌﻤﯿﻢ آن ﺑﺎ اﺳﺘﻔﺎده از ﭘﺎراﻣﺘﺮﻫﺎي ﺣـﺎﮐﻢ ﺑـﺮ ﺷـﮑﻞِ‬
‫ﺷﯽء ﯾﺎ اﻧﺮژيﻫﺎ و ﻣﺤﺪودﯾﺖﻫﺎي ﺗﺤﻤﯿﻞﺷﺪه ﺑﺮ آن‪ ،‬ﺑﻪ ﺷـﮑﻞ ﻧﻬـﺎﯾﯽ و ﻟﺒـﻪ ﻫـﺎي ﻣـﺮزي ﺷـﯽء دﺳـﺖ ﻣـﯽﯾﺎﺑﻨـﺪ‪.‬‬

‫‪١‬‬
‫داﻧﺸﺠﻮي دﮐﺘﺮاي ﻫﻮش ﻣﺼﻨﻮﻋﯽ‪ ،‬داﻧﺸﮑﺪة ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﯿﻮﺗﺮ و ﻓﻨﺎوري اﻃﻼﻋﺎت داﻧﺸﮕﺎه ﺻﻨﻌﺘﯽ ﺷﺎﻫﺮود‬
‫ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮمﭘﺬﯾﺮ‪ ،1‬اﻧﻮاع ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ ﺗﻘﺮﯾﺐزﻧﻨﺪة ﻣﺮز اﺷﯿﺎء و ﺣﺘﯽ ﮐﻠﯿﺸـﻪﻫـﺎي ﻓـﺮمﭘـﺬﯾﺮ‪ 2‬از ﺟﻤﻠـﻪ اﯾـﻦ‬
‫روشﻫﺎ ﻫﺴﺘﻨﺪ‪ .‬در اﯾﻨﺠﺎ ﺑﺮاي ﺳﺎدﮔﯽ‪ ،‬اﯾﻨﮕﻮﻧﻪ ﻣﻨﺤﻨﯽﻫﺎ را ﻣﻨﺤﻨﯽﻫﺎي رﺷﺪﯾﺎﺑﻨﺪه ﺧﻮاﻫﯿﻢ ﺧﻮاﻧﺪ‪ .‬ﻣﻮﻗﻌﯿ‪‬ـﺖ او‪‬ﻟﯿـﻪ و‬
‫ﺷﮑﻞ اﺑﺘﺪاﯾﯽ اﯾﻦ ﻣﻨﺤﻨﯽﻫﺎ ﯾﮑﯽ از ﻋﻮاﻣﻞ ﻣﺆﺛﺮ در ﻧﺤﻮه و ﺳﺮﻋﺖ ﻫﻤﮕﺮاﯾﯽ ﻣﻨﺤﻨﯽ ﺑﻪ ﭘﺎﺳـﺦ ﻧﻬـﺎﯾﯽ و ﺗﻌﯿـﯿﻦ ﻣـﺮز‬
‫ﻣﻄﻠﻮب ﺑﺸﻤﺎر ﻣﯽرود‪ .‬در اﯾﻦ ﻣﻄﺎﻟﻌﻪ روﺷﯽ ﺟﻬﺖ اﺳﺘﺨﺮاج ﻣﮑﺎن اوﻟﯿﮥ ﻣﻨﺎﺳﺐ ﺑﺮاي ﻣﻘـﺪاردﻫﯽ آﻏـﺎزﯾﻦ اﯾﻨﮕﻮﻧـﻪ‬
‫ﻣﻨﺤﻨﯽ ﻫﺎ ﭘﯿﺸﻨﻬﺎد ﺷﺪه اﺳﺖ‪ .‬در اداﻣﻪ ﺿﻤﻦ ﺑﺮﺷﻤﺮدن ﺗﻌـﺪادي از ﻣﻄﺎﻟﻌـﺎت اﻧﺠـﺎم ﮔﺮﻓﺘـﻪ در ﺣـﻮزة ﻣﻨﺤﻨـﯽﻫـﺎي‬
‫رﺷﺪﯾﺎﺑﻨﺪه و روش ﻫﺎي ﻣﻮرد اﺳﺘﻔﺎدة آﻧﻬﺎ در ﻣﻘﺪاردﻫﯽ اوﻟﯿﮥ ﻣﻨﺤﻨﯽ‪ ،‬ﺑﻪ ﻣﻌﺮﻓﯽ ﻣﯿﺪان ﺑﺮدار ﮔﺮادﯾﺎن و ﻣﺘﺪ ﭘﯿﺸﻨﻬﺎدي‬
‫ﻣﺒﺘﻨﯽ ﺑﺮ اﯾﻦ ﻣﻔﻬﻮم ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ‪ .‬ﺳﭙﺲ ﺑﺎ ﺑﮑﺎرﮔﯿﺮي اﯾﻦ ﻣﺘﺪ در ﻓﺮآﯾﻨﺪ ﺗﺸﺨﯿﺺ وﯾﮋﮔﯽﻫﺎي ﭼﺸﻤﯽ در ﺟﻬـﺖ‬
‫ارزﯾﺎﺑﯽ آن ﺳﺨﻦ ﺧﻮاﻫﯿﻢ ﮔﻔﺖ‪.‬‬

‫‪ -2‬ﭘﯿﺸﯿﻨﮥ ﮐﺎر‬
‫اﻏﻠﺐ ﻫﻨﮕﺎم ﮐﺎر ﺑﺎ ﻣﻨﺤﻨﯽﻫﺎي رﺷﺪﯾﺎﺑﻨﺪه ﺑﻤﻨﻈﻮر اﺳﺘﺨﺮاج وﯾﮋﮔﯽﻫﺎي ﻣﺮزي اﺷﯿﺎء‪ ،‬ﺑﺴﺘﻪ ﺑﻪ ﻧﻮع و ﻓﺮم ﻣﺴﺌﻠﻪ‪،‬‬
‫از ﻗﻮاﻋﺪ اﮐﺘﺸﺎﻓﯽ‪ 3‬و روﺷﻬﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﺤﺎوره ﺑﺎ ﮐﺎرﺑﺮ‪ ،‬ﺑﺮاي ﻣﻘﺪاردﻫﯽ اوﻟﯿﮥ اﯾﻦ ﻣﻨﺤﻨﯽﻫﺎ اﺳﺘﻔﺎده ﻣﯽﺷﻮد‪ .‬ﺗﻌﯿـﯿﻦ‬
‫دﺳﺘﯽ و ﻏﯿﺮاﺗﻮﻣﺎﺗﯿﮏ ﻣﻮﻗﻌﯿﺖ و ﻓﺮم آﻏﺎزﯾﻦ اﯾﻦﮔﻮﻧﻪ ﻣﻨﺤﻨﯽﻫﺎ را ﺑﻮﻓﻮر ﻣﯽﺗﻮان در ﮐﺎرﺑﺮدﻫﺎي ﻣﺮﺗﺒﻂ ﻣﺸﺎﻫﺪه ﮐﺮد‪.‬‬
‫ﺑﻌﻨﻮان ﻧﻤﻮﻧﻪ ‪ Lefevre‬و ﻫﻤﮑﺎراﻧﺶ]‪ ،[1‬از ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮم ﭘﺬﯾﺮ ﺑﺮاي اﺳﺘﺨﺮاج و ﺗﻌﻘﯿﺐ ﺑﺎزﯾﮑﻨﺎن ﻓﻮﺗﺒﺎل درون زﻣﯿﻦ‬
‫اﺳﺘﻔﺎده ﻣﯽﮐﻨﻨﺪ‪ .‬ﻣﻨﺤﻨﯽ ﻓﺮم ﭘﺬﯾﺮ اوﻟﯿﻪ ﺑﺮاي ﻫﺮ ﻓﺮﯾﻢ ﺑﺮ اﺳﺎس ﻣﻘﺪار ﻧﻬﺎﯾﯽ آن در ﻓﺮﯾﻢ ﻗﺒﻠﯽ ﺗﻌﯿﯿﻦ ﻣﯽﺷﻮد‪ .‬ﺑـﻪ اﯾـﻦ‬
‫ﺗﺮﺗﯿﺐ ﮐﻪ ﻣﺴﺘﻄﯿﻠﯽ ﺑﺎ اﺿﻼع ﻣﻮازي ﺑﺎ ﻟﺒﻪﻫﺎي ﺗﺼﻮﯾﺮ و درﺑﺮﮔﯿﺮﻧﺪة ﻣﻨﺤﻨﯽ ﻓﺮمﭘﺬﯾﺮ ﻧﻬﺎﯾﯽ ﻓﺮﯾﻢ ﻗﺒﻞ‪ ،‬ﺑﻌﻨـﻮان ﻣﻘـﺪار‬
‫او‪‬ﻟﯿﻪ ﻓﺮﯾﻢ ﺟﺎري اﺧﺘﯿﺎر ﻣﯽﺷﻮد‪ .‬در روش ﭘﯿﺸﻨﻬﺎدي آﻧﻬﺎ ﻣﻨﺤﻨﯽ او‪‬ﻟﯿﻪ در او‪‬ﻟﯿﻦ ﻓﺮﯾﻢ ﺑﺼﻮرت دﺳﺘﯽ ﺗﻌﯿﯿﻦ ﻣﯽﮔﺮدد‪.‬‬
‫‪ S.R.Gunn‬ﻧﯿﺰ در ]‪ [2‬ﺑﺮاي ﺑﺮرﺳﯽ ﻋﻤﻠﮑﺮد ﻣﺪل ﭘﯿﺸﻨﻬﺎدياش ﮐﻪ از دو ﻣﻨﺤﻨﯽ ﻓﺮمﭘﺬﯾﺮ ﻣﺤـﺎﻃﯽ و ﻣﺤﯿﻄـﯽ ﺑـﺮاي‬
‫اﺳﺘﺨﺮاج ﻟﺒﻪﻫﺎي ﺷﯽء ﺳـﻮد ﻣـﯽﺟﻮﯾـﺪ‪ ،‬ﻣﻮﻗﻌﯿ‪‬ـﺖ آﻏـﺎزﯾﻦ و ﻣﻘـﺎدﯾﺮ او‪‬ﻟﯿـﻪ اﯾـﻦ دو ﻣﻨﺤﻨـﯽ را ﺑﺼـﻮرت دﺳـﺘﯽ و‬
‫ﻏﯿﺮاﺗﻮﻣﺎﺗﯿﮏ ﺑﺮﻣﯽﮔﺰﯾﻨـﺪ‪ C. Xu .‬و ﻫﻤﮑـﺎراﻧﺶ در ]‪ ،[3‬ﻣﻘـﺎدﯾﺮ او‪‬ﻟﯿـﻪ ﻣﻨﺤﻨـﯽ ﻓـﺮمﭘـﺬﯾﺮ ﺑـﺮاي ﺗﺸـﺨﯿﺺ ﻧـﻮاﺣﯽ‬
‫ﺗﺸﮑﯿﻞ دﻫﻨﺪة ﻣﻘﻄﻌﯽ اﻓﻘﯽ از ﻣﻐﺰ و ﻫﻤﭽﻨﯿﻦ ﻧﻮاﺣﯽ ﻗﻠﺒﯽ در ﺗﺼﺎوﯾﺮ ‪ MRI‬را ﺑﺼﻮرت ﻏﯿﺮاﺗﻮﻣﺎﺗﯿﮏ و دﺳـﺘﯽ ﺗﻌﯿـﯿﻦ‬
‫ﻣﯽﮐﻨﻨﺪ‪ .‬در ﮐﺎرﺑﺮدﻫﺎي دﯾﮕﺮي اﯾﻦ ﻣﻘﺪاردﻫﯽ او‪‬ﻟﯿﻪ ﺑﺮ اﺳﺎس ﺗﺨﻤﯿﻨﯽ از ﻣﻮﻗﻌﯿ‪‬ـﺖ ﻫـﺪف و ﻣـﺮز ﻣﻄﻠـﻮب ﺻـﻮرت‬
‫ﮔﺮﻓﺘﻪ اﺳﺖ‪ S. Horbelt .‬و ﻫﻤﮑﺎراﻧﺶ ]‪ ،[4‬ﭼﻨﯿﻦ ﻣﺘﺪي را ﺑﺮاي اﯾﻦ ﻣﻨﻈﻮر اﺧﺘﯿﺎر ﮐﺮدهاﻧﺪ‪ .‬ﻣﻄﺎﻟﻌـﮥ آﻧﻬـﺎ ﺗﺮﮐﯿﺒـﯽ از‬
‫ﮐﻠﯿﺸﻪﻫﺎي ﻓﺮمﭘﺬﯾﺮ و ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮمﭘﺬﯾﺮ را ﺑﺮاي ﺗﺸﺨﯿﺺ و ﺗﻌﻘﯿﺐ ﺣﺮﮐﺎت ﻟﺐ ﻣﻮرد اﺳﺘﻔﺎده ﻗـﺮار ﻣـﯽدﻫـﺪ‪ .‬در‬
‫روش ﭘﯿﺸﻨﻬﺎدي آﻧﻬﺎ‪ ،‬آﺳﺘﺎﻧﻪ ﯾﺎﺑﯽ رﻧﮓ‪ ،‬ﻋﻤﻠﮕﺮﻫﺎي ﻣﻮرﻓﻮﻟﻮژﯾﮏ و ﺗﺤﻠﯿﻞ ﮐﻼﺳﺘﺮﺑﻨﺪي ﺗﺼﻮﯾﺮ ﻣﻨﺠﺮ ﺑـﻪ ﻣﮑـﺎنﯾـﺎﺑﯽ‬
‫او‪‬ﻟﯿﻪ ﮐﻠﯿﺸﮥ ﻟﺐ ﻣﯽﮔﺮدد‪ .‬ﻣﻘﺪاردﻫﯽ او‪‬ﻟﯿﻪ ﻧﻘﺎط ﻣﻨﺤﻨﯽ ﻓﺮم ﭘﺬﯾﺮ ﺑﺎ ﺑﮑﺎرﮔﯿﺮي ﻧﻘﺎط ﻣﺤﺪودة اﯾﻦ ﮐﻠﯿﺸﻪ اﻧﺠﺎم ﻣﯽﺷﻮد‪.‬‬
‫ﺳﻠﻮﻟﻬﺎي ﺑﺎ ارﺗﻔﺎع ﭼﻨﺪﮔﺎﻧﻪ‪ 4‬ﯾﮑﯽ دﯾﮕﺮ از ﻣﺘﺪﻫﺎي ﻫﯿﻮرﯾﺴﺘﯿﮏ ﺑﮑﺎررﻓﺘﻪ در اﯾـﻦ ﺣـﻮزه ﻫﺴـﺘﻨﺪ]‪ .[5‬اﯾـﻦ ﻣﺘـﺪ ﮐـﻪ‬
‫ﻣﯽ ﺗﻮان آﻧﺮا ﮔﻮﻧﮥ ﺧﺎﺻﯽ از ﭼﻨﺪﺳﻄﺤﯽ ﮐﺮدن ﺗﺼﻮﯾﺮ ﺑﺮاي دﺳﺘﯿﺎﺑﯽ ﺑﻪ ﻧﻮاﺣﯽ داراي ﺑﺎﻓﺖ ﯾﮑﺴﺎن داﻧﺴﺖ‪ ،‬ﻣﻨﺠﺮ ﺑـﻪ‬
‫ﺗﺨﻤﯿﻨﯽ از ﻣﻮﻗﻌﯿ‪‬ﺖ ﻣﺮزﻫﺎي ﻧﻮاﺣﯽ ﻣﻄﻠﻮب ﻣﯽﺷﻮد‪ .‬اﯾﻦ ﺗﺨﻤﯿﻦ را ﻣـﯽﺗـﻮان ﺑـﻪ ﻋﻨـﻮان ﻣﻮﻗﻌﯿـﺖ آﻏـﺎزﯾﻦ ﻣﻨﺤﻨـﯽ‬
‫رﺷﺪ ﯾﺎﺑﻨﺪه ﻗﻠﻤﺪاد ﮐﺮد‪ .‬ﻫﻤﺎنﮔﻮﻧﻪ ﮐﻪ ﻣﺸﺎﻫﺪه ﻣﯽﺷﻮد‪ ،‬اﻏﻠﺐ اﯾﻦ روش ﻫﺎ‪ ،‬واﺑﺴﺘﻪ ﺑﻪ ﮐﺎرﺑﺮد ﯾﺎ دﺳﺘﯽ و ﻏﯿﺮﺧﻮدﮐـﺎر‬
‫ﻫﺴﺘﻨﺪ‪.‬‬

‫‪1‬‬
‫‪Snakes‬‬
‫‪2‬‬
‫‪Deformable Templates‬‬
‫‪3‬‬
‫‪Heurestics‬‬
‫‪4‬‬
‫)‪Multiple Height Bins (MHB‬‬
 ‫‪ -3‬روش ﭘﯿﺸﻨﻬﺎدي ﺑﺮاي اﺳﺘﺨﺮاج ﻧﻘﺎط آﻏﺎزﯾﻦ‬
‫روش ﭘﯿﺸﻨﻬﺎديِ ﺗﻌﯿﯿﻦ ﻧﻘﺎط آﻏﺎزﯾﻦ ﺑﺮاي ﻣﻘﺪاردﻫﯽ او‪‬ﻟﯿﻪ ﻣﻨﺤﻨـﯽﻫـﺎي رﺷـﺪﯾﺎﺑﻨﺪه‪ ،‬از ﻣﯿـﺪان ﺟﺮﯾـﺎن ﺑـﺮدار‬
‫ﮔﺮادﯾﺎن‪ 1‬و ﺧﻮ‪‬اص آن در ﺗﺼﻮﯾﺮ ﺳﻮد ﻣﯽﺟﻮﯾﺪ‪ .‬در اداﻣﻪ ﭘﺲ از ﻣﻌﺮﻓﯽ اﯾـﻦ ﻣﯿـﺪان و ﻧﺤـﻮة ﺑﺪﺳـﺖآوردن آن‪ ،‬ﺑـﻪ‬
‫ﺗﺸﺮﯾﺢ روش ﭘﯿﺸﻨﻬﺎدي ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ‪.‬‬

‫‪ -1-3‬ﺟﺮﯾﺎن ﺑﺮدار ﮔﺮادﯾﺎن‬

‫ﻣﯿﺪان ﺟﺮﯾﺎن ﺑﺮدار ﮔﺮادﯾﺎن ﯾﺎ ‪ GVF‬ﮐﻪ ﺑﺮاي اوﻟﯿﻦ ﺑﺎر ﺗﻮﺳـﻂ ‪ Xu‬و ‪ Prince‬در ﺳـﺎل ‪ [6] 1977‬اراﺋـﻪ ﺷـﺪ‪،‬‬
‫ﺑﺼﻮرت ﻣﯿﺪان ﺑﺮدار ‪ v x, y   u  x, y , v x, y ‬ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد‪ ،‬ﺑﮕﻮﻧﻪاي ﮐﻪ ﺗﺎﺑﻊ اﻧﺮژي زﯾﺮ ﻣﯿﻨﯿﻤﻢ ﮔﺮدد‪:‬‬

‫‪    u x2  u y2  v x2  v y2   f v  f dxdy‬‬
‫‪2‬‬ ‫‪2‬‬
‫)‪( 1‬‬

‫ﻃﺮح اﯾﻦ راﺑﻄﻪ از اﯾﻦ اﺻﻞ ﺳﺎده ﻧﺘﯿﺠﻪ ﻣﯽ ﺷﻮد ﮐـﻪ در ﻧـﻮاﺣﯽ ﺑـﺪون اﻃﻼﻋـﺎت ﻣﻬ‪‬ـﻢ و ﻗﺎﺑـﻞ ﺗﻮﺟـﻪ‪ ،‬ﺑﺎﯾـﺪ‬
‫ﺑﺮدارﻫﺎي ﻫﻤﻮار و ﯾﮑﻨﻮاﺧﺘﯽ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﻣﯽﺗﻮان دﯾﺪ ﮐﻪ ﻫﺮﮔﺎه ‪ f‬ﻣﻘﺪار ﮐﻮﭼﮑﯽ دارد‪ ،‬اﻧﺮژي ﻓﻮق ﺗﺤﺖ‬
‫ﺗﺄﺛﯿﺮ ﺷﺪﯾﺪ ﻣﺸﺘﻘّﺎت ﺟﺰﺋﯽ ﻣﯿﺪان ﺑﺮداري اﺳﺖ و ﻧﺘﯿﺠﻪ‪ ،‬ﯾﮏ ﻣﯿﺪان ﻫﻤﻮار و ﯾﮑﻨﻮاﺧﺖ اﺳﺖ‪ .‬از ﻃﺮف دﯾﮕـﺮ وﻗﺘـﯽ‬
‫‪ f‬ﺑﺰرگ اﺳﺖ‪ ،‬ﻋﺒﺎرت دو‪‬م زﯾﺮ اﻧﺘﮕﺮال ﺗﻌﯿﯿﻦﮐﻨﻨﺪة اﺻﻠﯽ اﺳﺖ و ﻣﯿﻨﯿﻤﻢ در ‪ v  f‬اﺗﻔﺎق ﻣﯽاﻓﺘﺪ‪ .‬در اﯾﻦ ﻣﯿﺎن‬
‫ﭘﺎراﻣﺘﺮ ‪ ، ‬ﭘﺎراﻣﺘﺮ ﺗﻨﻈﯿﻢ ﮐﻨﻨﺪه اﺳﺖ و ﺗﻌﺎدﻟﯽ ﺑﯿﻦ دو ﺣﺎﻟﺖ ﺑﺮﻗﺮار ﻣﯽﮐﻨﺪ‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺮدارﻫﺎي اﯾﻦ ﻣﯿﺪان در ﻧﺰدﯾﮑـﯽ‬
‫ﭘﯿﺮاﻣﻮن اﺷﯿﺎء ﺑﻪ ﻟﺒﻪﻫﺎي آن اﺷﺎره ﻣﯽﮐﻨﻨﺪ و در ﺣﯿﻦ دورﺷﺪن از اﯾﻦ ﻟﺒﻪﻫﺎ در ﻧﻮاﺣﯽ ﻫﻤﺠﻮر‪ 2‬ﺑﺼﻮرت ﯾﮑﻨﻮاﺧﺖ و‬
‫ﻫﻤﻮار ﺧﻮد را ﻧﺸﺎن ﻣﯽدﻫﻨﺪ‪.‬‬
‫‪3‬‬
‫ﺑﺎ اﺳﺘﻔﺎده از ﺟﺒﺮ ﺗﻐﯿﯿﺮات ﻣﯽﺗﻮان ﻧﺸﺎنداد ﮐﻪ ‪ GVF‬ﺑﺎ ﺣﻞ ﻣﻌﺎدﻻت اوﯾﻠﺮ زﯾﺮ‪ ،‬ﻗﺎﺑﻞ ﺣﺼﻮل اﺳﺖ‪.‬‬
‫‪ 2 u  u  f x  f x2  f y2   0‬‬ ‫)‪( 2‬‬
‫‪ 2 v  v  f y  f x2  f y2   0‬‬
‫ﮐﻪ در آن ‪  2‬ﻋﻤﻠﮕﺮ ﻻﭘﻼﺳﯿﻦ اﺳﺖ‪ .‬ﻫﻤﺎنﮔﻮﻧﻪ ﮐﻪ ﻣﺸﺎﻫﺪه ﻣﯽﺷﻮد‪ ،‬در اﯾﻦ رواﺑﻂ ﻫﻢ در ﻧـﻮاﺣﯽ ﻫﻤﺠـﻮر‪،‬‬
‫ﻋﺒﺎرت دو‪‬م ﺑﺮاﺑﺮ ﺻﻔﺮ اﺳﺖ )ﮔﺮادﯾﺎن در اﯾﻦ ﻧﻮاﺣﯽ ﺻﻔﺮ اﺳﺖ(‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ در اﯾﻦ ﻧﻮاﺣﯽ ﻣﻘﺎدﯾﺮ ‪ u‬و ‪ v‬ﺗﻮﺳﻂ ﻋﻤﻠﮕﺮ‬
‫ﻻﭘﻼﺳﯿﻦ ﺗﻌﯿﯿﻦ ﻣﯽﺷﻮﻧﺪ ﮐﻪ ﻧﺘﯿﺠﮥ آن ﺑﻔﺮم ﮔﻮﻧﻪاي ﭘﺮﺷﺪﮔﯽ ﺑﯿﻦ اﻃﻼﻋﺎت اﺧﺬ ﺷﺪه از ﻟﺒﻪﻫﺎ ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬
‫ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ‪ u‬و ‪ v‬ﺑﺼﻮرت ﺗﻮاﺑﻌﯽ از زﻣﺎن ﻣﯽﺗﻮان ﻣﻌﺎدﻻت ﻓﻮق را ﺑﺼﻮرت زﯾﺮ ﺣﻞ ﮐﺮد‪:‬‬

‫‪‬‬ ‫‪‬‬
‫‪ut  x, y, t    2 u  x, y, t   u  x, y, t   f x  x, y  f x2  x, y   f y2  x, y ‬‬ ‫)‪( 3‬‬
‫‪vt  x, y, t    2 v x, y, t   v x, y, t   f y‬‬ ‫‪x, y  f x, y   f x, y ‬‬
‫‪x‬‬
‫‪2‬‬
‫‪y‬‬
‫‪2‬‬

‫اﯾﻦ ﻣﻌﺎدﻻت ﺑﻪ ﻣﻌﺎدﻻت ﻋﻤﻮﻣﯽ ﭘﺨﺶﺷﺪﮔﯽ‪ 4‬ﻣﺸـﻬﻮرﻧﺪ و در ﺣﯿﻄـﻪ ﻫـﺎي ﻣﺨﺘﻠﻔـﯽ از ﻋﻠـﻮم ﻣﺎﻧﻨـﺪ اﻧﺘﻘـﺎل‬
‫ﺣﺮارت‪ ،‬ﻓﯿﺰﯾﮏ رآﮐﺘﻮر و ﺟﺮﯾﺎن ﺳﯿﺎﻻت ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣـﯽﮔﯿﺮﻧـﺪ‪ Xu .‬و ‪ Prince‬در ﺳـﺎل ‪ ، [6] 1977‬ﻣﯿـﺪان‬

‫‪1‬‬
‫‪Gradiant Vector Flow‬‬
‫‪2‬‬
‫‪Homogeneous image regions‬‬
‫‪3‬‬
‫‪Calculus of Variations‬‬
‫‪4‬‬
‫‪Generalized Diffusion Equations‬‬
‫ﺟﺮﯾﺎن ﺑﺮدار ﮔﺮادﯾﺎن را ﺑﺮاي ﮐﺎر ﺑﺎ ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮمﭘﺬﯾﺮ اراﺋﻪ دادﻧﺪ و ﻧﻮع ﺧﺎﺻﯽ از ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮمﭘﺬﯾﺮ ﺑﺎ ﻫﻤﯿﻦ ﻧﺎم‬
‫را ﭘﯿﺸﻨﻬﺎد ﮐﺮدﻧﺪ‪ .‬ﻣﺘﺪ ﭘﯿﺸﻨﻬﺎدي داراي ﺳﺎﺧﺘﺎر و رواﺑﻄﯽ ﻣﺸﺎﺑﻪ ﺑﺎ ﻣﻨﺤﻨﯽ ﻓﺮمﭘـﺬﯾﺮ اوﻟﯿـﻪ اراﺋـﻪﺷـﺪه ﺗﻮﺳـﻂ ‪ kass‬و‬
‫ﻫﻤﮑﺎراﻧﺶ]‪ [7‬اﺳﺖ‪ .‬ﺗﻨﻬﺎ ﺗﻔﺎوت اﯾﻦ روش ﺑﺎ روش ﺳﻨﺘﯽ در ﻧﺤﻮة ﻣﺤﺎﺳﺒﻪ و اﺳﺘﺨﺮاج اﻧﺮژي ﺧﺎرﺟﯽ ﺗﺼﻮﯾﺮ اﺳﺖ‪.‬‬
‫در واﻗﻊ در روش ﭘﯿﺸﻨﻬﺎدي ‪ Xu‬و ‪ ،Prince‬ﺑﺮدارﻫﺎي ﻣﯿﺪان ‪ GVF‬اﻧﺮژي ﺧﺎرﺟﯽ ﺗﺤﻤﯿﻠﯽ ﺑﺮ ﻧﻮدﻫﺎي ﻣﻨﺤﻨﯽ ﻓﺮمﭘﺬﯾﺮ‬
‫ﻫﺴﺘﻨﺪ‪ .‬ﻣﺰﯾ‪‬ﺖ اﺻﻠﯽ ﻣﯿﺪان ﺑﺮداري ‪ GVF‬در اﺛﺮﮔﺬاري روي ﻣﻨﺤﻨﯽ ﻓﺮم ﭘـﺬﯾﺮ از ﻓﻮاﺻـﻞ دور )از ﻫﺮﯾـﮏ از ﻃـﺮﻓﯿﻦ‬
‫ﺷﯽء( اﺳﺖ‪ .‬ﺑﻨﺎ ﺑﻪ اد‪‬ﻋﺎي ‪ Xu‬و‪ ،[6] Prince‬اﯾﻦ ﻣﯿﺪان ﺣﺘﯽ ﻗﺎدر اﺳﺖ ﻣﻨﺤﻨﯽ ﻓﺮمﭘﺬﯾﺮ را ﺑﺴﻤﺖ ﻧﻮاﺣﯽ ﻣﻘﻌ‪‬ﺮ و ﮐﺎو‬
‫ﺷﯽء ﻧﯿﺰ ﺑﮑﺸﺎﻧﺪ‪ .‬در اﯾﻨﺠﺎ از ﻣﯿﺪان ﺟﺮﯾﺎن ﺑﺮدار ﮔﺮادﯾﺎن ﺑﺮاي اﺳﺘﺨﺮاج ﻧﻘﺎط آﻏـﺎزﯾﻦ ﻣﻬـﻢ درون ﺗﺼـﻮﯾﺮ اﺳـﺘﻔﺎده‬
‫ﺧﻮاﻫﺪ ﺷﺪ‪ .‬اﯾﻦ ﻧﻘﺎط ﺑﺮاي ﻣﻘﺪاردﻫﯽ اوﻟﯿﻪ ﻣﻨﺤﻨﯽﻫﺎي رﺷﺪﯾﺎﺑﻨﺪه ﺗﻮﺳﻂ اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻣﺨﺘﻠﻒ ﻣـﻮرد اﺳـﺘﻔﺎده ﻗـﺮار‬
‫ﺧﻮاﻫﻨﺪ ﮔﺮﻓﺖ‪.‬‬

‫‪ -2-3‬اﺳﺘﺨﺮاج ﻧﻘﺎط آﻏﺎزﯾﻦ ﮐﺎرآﻣﺪ ﺟﻬﺖ ﺗﻌﯿﯿﻦ ﻣﻮﻗﻌﯿ‪‬ﺖ او‪‬ﻟﯿﮥ ﻣﻨﺤﻨﯽﻫﺎي رﺷﺪﯾﺎﺑﻨﺪه‬
‫ﻧﺤﻮة ﺗﻌﯿﯿﻦ ﻣﻮﻗﻌﯿ‪‬ﺖ او‪‬ﻟﯿﻪ ﻣﻨﺤﻨﯽﻫﺎي رﺷﺪﯾﺎﺑﻨﺪه‪ ،‬از ﺟﻤﻠﻪ ﻣﺴﺎﯾﻞ ﻣﻬ‪‬ﻢ در ﮐﺎر ﺑﺎ اﯾﻨﮕﻮﻧﻪ ﻣﻨﺤﻨـﯽﻫﺎﺳـﺖ‪ .‬ﮔـﺎه‬
‫اﻧﺘﺨﺎب ﻧﺎدرﺳﺖ اﯾﻦ ﻧﻘﺎط ﻣﯽ ﺗﻮاﻧﺪ ﻧﺘﯿﺠﮥ ﻧﻬﺎﯾﯽ اﻟﮕﻮرﯾﺘﻢ را ﺑﺸـﺪ‪‬ت ﺗﺤـﺖ ﺗـﺄﺛﯿﺮ ﻗـﺮار داده‪ ،‬ﻫﻤﮕﺮاﯾـﯽ ﻣﻨﺤﻨـﯽ در‬
‫وﺿﻌﯿﺘﯽ ﻏﯿﺮﻣﻄﻠﻮب را ﺳﺒﺐ ﺷﻮد‪ .‬روش ﭘﯿﺸﻨﻬﺎديِ ﺗﻌﯿﯿﻦ ﻧﻘﺎط آﻏﺎزﯾﻦ ﺑﺮاي ﻣﻘﺪاردﻫﯽ او‪‬ﻟﯿﻪ ﻣﻨﺤﻨﯽﻫﺎي رﺷﺪﯾﺎﺑﻨﺪه‪،‬‬
‫ﻧﻘﻄﮥ ﺧﺎﺻﯽ از درون ﻫﺮ ﻧﺎﺣﯿﻪ را ﺑﻌﻨﻮان ﻧﻘﻄﮥ ﺷﺮوع اﺧﺘﯿﺎر ﻣﯽﮐﻨﺪ‪ .‬ﻧﻘﻄﮥ ﭘﯿﺸـﻨﻬﺎدي‪ ،‬ﻧﻘﻄـﻪاي اﺳـﺖ ﮐـﻪ ﻣـﻮﻗﻌﯿ‪‬ﺘﯽ‬
‫ﻣﺘﻌﺎدل ﻧﺴﺒﺖ ﺑﻪ ﻟﺒﻪﻫﺎي ﺷﯽء ﯾﺎ ﻧﺎﺣﯿﻪ داﺷﺘﻪ‪ ،‬ﻣﻨﺤﻨﯽِ رﺷﺪﯾﺎﺑﻨﺪة ﻗﺮارﮔﺮﻓﺘﻪ در آن ﻧﻘﻄﻪ‪ ،‬درون ﻧﺎﺣﯿﻪ ﻗﺮار داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﺎ ﻧﮕﺎﻫﯽ دوﺑﺎره ﺑﻪ رواﺑﻂ و ﺧﺼﻮﺻﯿ‪‬ﺎت ﺣﺎﮐﻢ ﺑﺮ ﻣﯿﺪان ﺟﺮﯾﺎن ﺑﺮدار ﮔﺮادﯾﺎن ﻣﯽﺗﻮان درﯾﺎﻓﺖ ﮐﻪ ﻣﻨﻔﯽ اﯾـﻦ ﻣﯿـﺪان‪،‬‬
‫ﺷﺎﻣﻞ ﺑﺮدارﻫﺎﯾﯽ اﺳﺖ ﮐﻪ در ﻧﻘﺎط ﻣﺸﺨﺼﯽ ﺑﻬﻢ ﻫﻤﮕﺮا ﻣﯽ ﺷﻮﻧﺪ‪ .‬اﯾﻦ ﻧﻘﺎط ﻫﻤﺎن ﻧﻘﺎﻃﯽ ﻫﺴﺘﻨﺪ ﮐﻪ در ﻣﯿﺪان ﺟﺮﯾﺎن‬
‫ﺑﺮدار ﮔﺮادﯾﺎن اﺻﻠﯽ‪ ،‬ﻧﻘﺎط اﻧﺸﻌﺎب ﯾﺎ ﺑﻌﺒﺎرﺗﯽ ﻧﻘﺎط ﺷﺮوع ﮔﺴﺘﺮش ﺑﺮدارﻫﺎ ﺑﻪ ﺳﻤﺖ وﯾﮋﮔﯽﻫﺎي ﻟﺒﻪاي ﺷﯽء ﻫﺴﺘﻨﺪ‪.‬‬
‫ﺷﮑﻞ ﺷـﻤﺎرة ‪ ،1‬ﯾـﮏ ﻣﻨﺤﻨـﯽ ﻫﺎرﻣﻮﻧﯿـﮏ )‪ r  a  b cos( m  c‬ﺑـﺎ ﻣﻘـﺪار ‪ m  8‬و ﻧﻤﺎﻫـﺎﯾﯽ ﻧﺰدﯾـﮏ از‬
‫ﺑﺮدارﻫﺎي ﭘﯿﺮاﻣﻮن ﭼﻨﺪ ﻧﻘﻄﮥ ﺧﺎص را ﻧﺸﺎن ﻣﯽدﻫﺪ‪ .‬ﻫﻤﺎنﮔﻮﻧﻪ ﮐﻪ در اﯾﻦ ﺷﮑﻞ دﯾﺪه ﻣﯽﺷـﻮد‪ ،‬اﯾـﻦ ﻧﻘـﺎط ﺑﻬﺘـﺮﯾﻦ‬
‫ﻣﻮﻗﻌﯿ‪‬ﺖﻫﺎ ﺑﺮاي ﻣﻘﺪاردﻫﯽ اوﻟﯿﮥ ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮمﭘﺬﯾﺮ ‪ GVF‬ﻫﺴﺘﻨﺪ‪ .‬ﭼﺮا ﮐﻪ ﺑﺎ ﻣﻘﺪاردﻫﯽ او‪‬ﻟﯿﻪ ﻣﻨﺤﻨﯽ ﺑﻪ ﻣﺮﮐﺰﯾ‪‬ﺖ اﯾﻦ‬
‫ﻧﻘﺎط‪ ،‬ﻧﯿﺮوي ﺧﺎرﺟﯽ ﺗﺼﻮﯾﺮ ﺑﻪ ﺑﻬﺘﺮﯾﻦ ﻓﺮم ﺑﻪ ﻧﻘﺎط ﻣﻨﺤﻨﯽ ا‪‬ﻋﻤﺎل ﺷﺪه‪ ،‬آﻧﻬﺎ را ﺑﺴﻤﺖ ﻣﺮزﻫـﺎي ﻧﺎﺣﯿـﻪ ﻣـﯽﮐﺸـﺎﻧﻨﺪ‪.‬‬
‫ﺟﺎﻟﺐ اﯾﻨﺠﺎﺳﺖ ﮐﻪ دﺳﺘﯿﺎﺑﯽ ﺑﻪ اﯾﻦ ﻧﻘﺎط ﻧﯿﺰ ﭼﻨﺪان ﻣﺸﮑﻞ ﻧﯿﺴﺖ‪ .‬ﮐﺎﻓﯽ اﺳﺖ در ﺗﺼﻮﯾﺮ ﻣﻨﻔﯽ ﻣﯿﺪان ﺟﺮﯾـﺎن ﺑـﺮدار‬
‫ﮔﺮادﯾﺎن‪ ،‬اﻟﮕﻮرﯾﺘﻢ از ﯾﮏ ﻧﻘﻄﮥ ﻣﻨﺎﺳﺐ ﺟﺴﺘﺠﻮ را ﺷﺮوع و ﺳﭙﺲ ﺧﻮد را ﺑﺪﺳﺖ ﺟﺮﯾﺎن ﺑﺮدارﻫـﺎي ﻣﯿـﺪان ﺑﺴـﭙﺎرد‪.‬‬
‫ﻧﻘﻄﮥ اﻧﺘﻬﺎﯾﯽ اﯾﻦ ﺟﺮﯾﺎن‪ ،‬ﻫﻤﺎن ﻧﻘﻄﮥ ﻣﻄﻠﻮب اﺳﺖ‪ .‬ﺑﺪﻟﯿﻞ ﺣﻀـﻮر ﺑﺮدارﻫـﺎي ﮔﺮادﯾـﺎن ﺣﺘـﯽ در ﻧـﻮاﺣﯽ ﻫﻤﺠـﻮر و‬
‫ﯾﮑﻨﻮاﺧﺖ‪ ،‬ﭘﺮوﺳﮥ ﺟﺴﺘﺠﻮي اﯾﻦ ﻧﻘﺎط ﺑﺪون ﻣﺸﮑﻞ اﻧﺠﺎم ﺧﻮاﻫﺪ ﮔﺮدﯾﺪ‪ .‬در ﻗﺴﻤﺖ ﺑﻌﺪ ﭼﮕﻮﻧﮕﯽ ﺑﮑـﺎرﮔﯿﺮي اﯾـﻦ‬
‫ﻣﺘﺪ در اﺳﺘﺨﺮاج ﻟﺒﻪ ﻫﺎي داﺧﻠﯽ ﭼﺸﻢ ﮐﻪ ﯾﮑﯽ از ﻣﺴﺎﯾﻞ ﻧﻪ ﭼﻨﺪان ﺳﺎده در ﭘﺮدازش وﯾﮋﮔﯽﻫﺎي ﭼﻬﺮه اﺳﺖ‪ ،‬ﻧﺸـﺎن‬
‫داده ﺷﺪه اﺳﺖ‪.‬‬
 ‫‪B‬‬

‫‪A‬‬
‫‪D‬‬

‫‪C‬‬

‫پ( ﻣﻨﻔﯽ ﺑﺮدارﻫﺎي ﭘﯿﺮاﻣﻮن ﻧﻘﻄﮥ ‪A‬‬ ‫ب( ﺑﺮدارﻫﺎي ﭘﯿﺮاﻣﻮن ﻧﻘﻄﮥ ‪A‬‬ ‫اﻟﻒ( ﻣﻨﺤﻨﯽ ﻫﺎرﻣﻮﻧﯿﮏ ﺑﺎ ‪m  8‬‬

‫ج( ﺑﺮدارﻫﺎي ﭘﯿﺮاﻣﻮن ﻧﻘﻄﮥ ‪B‬‬ ‫ث( ﺑﺮدارﻫﺎي ﭘﯿﺮاﻣﻮن ﻧﻘﻄﮥ ‪C‬‬ ‫ت( ﺑﺮدارﻫﺎي ﭘﯿﺮاﻣﻮن ﻧﻘﻄﮥ ‪D‬‬
‫ﺷﮑﻞ ﺷﻤﺎرة ‪ - 1‬ﻧﻤﺎﻫﺎﯾﯽ ﻧﺰدﯾﮏ از ﺗﺼﻮﯾﺮ ﻣﯿﺪان ﺑﺮدار ﮔﺮادﯾﺎن ﺑﺮاي ﻣﻨﺤﻨﯽ ﻫﺎرﻣﻮﻧﯿﮏ ﺷﮑﻞ اﻟﻒ‬

‫‪ -4‬ارزﯾﺎﺑﯽ روش ﭘﯿﺸﻨﻬﺎدي‬

‫‪ -1-4‬ﻧﻘﺎط آﻏﺎزﯾﻦ ﻣﻬ‪‬ﻢ در ﺗﺸﺨﯿﺺ ﻟﺒﻪﻫﺎي ﻣﺮزي ﭼﺸﻢ‬
‫ﯾﮑﯽ از روﺷﻬﺎي ﺗﺸﺨﯿﺺ و ﺷﻨﺎﺳـﺎﯾﯽ ﺣـﺎﻻت ﭼﺸـﻢ در ﮐﺎرﺑﺮدﻫـﺎي ﭼﻬـﺮهﭘـﺮدازي‪ ،‬ﺗﺸـﺨﯿﺺ ﭼﮕـﻮﻧﮕﯽ‬
‫ﻗﺮارﮔﺮﻓﺘﻦ ﭘﻠﮏﻫﺎ ﺑﺎ اﺳﺘﺨﺮاج ﻟﺒﻪﻫﺎي ﻣﺮزي داﺧﻠﯽ ﭼﺸﻢ اﺳﺖ‪ .‬ﻣﻮﻗﻌﯿ‪‬ﺖ ﻋﻨﺒﯿ‪‬ﻪ درون ﭼﺸﻢ را ﻣﯽﺗﻮان ﺗﻮﺳﻂ داﯾـﺮة‬
‫ﺗﻮﺻﯿﻒ ﮐﻨﻨﺪة آن و ﻫﻤﭽﻨﯿﻦ اﻧﺪازه و ﺷﮑﻞ ﻓﻀﺎﻫﺎي ﻃﺮﻓﯿﻨﯽ آن ﮐﻪ ﺗﻮﺳﻂ ﺻﻠﺒﯿ‪‬ﻪ)ﻗﺴﻤﺖ ﺳﻔﯿﺪ رﻧﮓ ﭼﺸﻢ( ﭘﻮﺷﺎﻧﺪه‬
‫ﺷﺪه اﺳﺖ‪ ،‬ﺗﻌﯿﯿﻦ ﮐﺮد‪ .‬در ﻣﻄﺎﻟﻌﮥ اﻧﺠﺎم ﮔﺮﻓﺘﻪ‪ ،‬داﯾﺮة ﺗﻮﺻﯿﻒﮐﻨﻨﺪة ﻋﻨﺒﯿ‪‬ﻪ‪ ،‬ﺑﺎ اﺳـﺘﻔﺎده از روش ﺗﻄﺒﯿـﻖ ﮐﻠﯿﺸـﻪ ﺗﻌﯿـﯿﻦ‬
‫ﻣﻮﻗﻌﯿ‪‬ﺖ ﺷﺪه‪ ،‬ﻓﻀﺎﻫﺎي ﻃﺮﻓﯿﻨﯽ اﯾﻦ داﯾﺮه ﮐﻪ در ﺻﻮرت اﺳﺘﺨﺮاج‪ ،‬ﻣﯿﺰان ﮐﺸﯿﺪﮔﯽ اﻓﻘﯽ ﭼﺸﻢ‪ ،‬ﻣﯿﺰان ﺑﺎز ﯾﺎ ﺑﺴﺘﻪﺑﻮدن‬
‫ﭘﻠﮏﻫﺎ و وﯾﮋﮔﯽﻫﺎﯾﯽ ﻧﻈﯿﺮ اﯾﻨﻬﺎ را ﻣﯽﺗﻮان از آن ﻃﺮﯾﻖ ﺑﺪﺳﺖ آورد‪ ،‬از ﻃﺮﯾﻖ ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮمﭘﺬﯾﺮ اﺳﺘﺨﺮاج ﺷﺪهاﻧﺪ‪.‬‬
‫ﺑﺮاي ا‪‬ﻋﻤﺎل ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮم ﭘﺬﯾﺮ روي اﯾﻦ ﻧﻮاﺣﯽ ﺑﻪ ﻧﻘﺎط ﻣﻨﺎﺳﺒﯽ ﺟﻬﺖ ﻣﻘﺪاردﻫﯽ اوﻟﯿﮥ ﻣﻨﺤﻨﯽ ﺗﺨﻤﯿﻨﯽ ﻧﯿـﺎز اﺳـﺖ‪.‬‬
‫اﯾﻦ ﻧﻘﺎط‪ ،‬ﻧﻘﺎط ﻣﯿﺎﻧﯽ ﻓﻀﺎي ﺻﻠﺒﯿ‪‬ﻪ در دو ﻃﺮف ﻋﻨﺒﯿ‪‬ﻪ اﻧﺘﺨﺎب ﺷﺪﻧﺪ‪ .‬ﺷﮑﻞ ﺷﻤﺎرة ‪ 2‬اﯾﻦ ﻧﻘﺎط را درون ﻣﯿﺪان ﺟﺮﯾﺎن‬
‫ﺑﺮدار ﮔﺮادﯾﺎن ﺗﺼﻮﯾﺮ ﻧﺸﺎن ﻣﯽدﻫﺪ‪.‬‬
‫ﺑﺮاي دﺳﺘﺮﺳﯽ ﺑﻪ اﯾﻦ ﻧﻘﺎط اﺑﺘﺪا ﺑﺎ اﺳﺘﻔﺎده از ﻣﺘﺪ ﺗﻄﺒﯿﻖ ﮐﻠﯿﺸﻪ‪ ،‬ﻣﻮﻗﻌﯿ‪‬ﺖ ﻋﻨﺒﯿ‪‬ﻪ ﺗﻌﯿﯿﻦ ﻣﯽﺷﻮد‪ .‬اﻧﺪازة اﯾﻦ ﮐﻠﯿﺸﻪ‬
‫ﺑﺮ ﻣﺒﻨﺎي رواﺑﻂ ﻫﻨﺪﺳﯽ ﺣﺎﮐﻢ ﺑﺮ ﭼﻬﺮه‪ ،‬ﻣﺘﻨﺎﺳﺐ ﺑﺎ اﻧﺪازة ﺗﺼﻮﯾﺮ ﭼﺸﻢ و ﺑﺼﻮرت ﺗﻄﺒﯿﻘﯽ ﻣﺸﺨﺺ ﻣﯽﺷﻮد‪ .‬ﭘـﺲ از‬
‫ﺗﻌﯿﯿﻦ ﻣﻮﻗﻌﯿ‪‬ﺖ ﻣﺮﮐﺰ ﻋﻨﺒﯿ‪‬ﻪ‪ ،‬دو ﻧﻘﻄﮥ ‪ A‬و ‪ A‬ﺑﺮ روي داﯾﺮة ﻋﻨﺒﯿ‪‬ﻪ ﺑﮕﻮﻧﻪاي اﺧﺘﯿﺎر ﻣﯽﺷﻮﻧﺪ ﮐﻪ ﺷﻌﺎعﻫﺎي ﮔﺬرﻧﺪه از‬
‫اﯾﻦ ﻧﻘﺎط ﺑﺎ ﺧﻂ ﻋﻤﻮد ﮔﺬرﻧﺪه از ﻣﺮﮐﺰ ﻋﻨﺒﯿ‪‬ﻪ‪ ،‬زاوﯾﮥ ‪ ‬ﺑﺴﺎزﻧﺪ‪ .‬اﯾﻦ ﻣﻮﻗﻌﯿﺖ در ﺷﮑﻞ ﺷﻤﺎرة ‪ 3‬ﺑـﻪ ﺗﺼـﻮﯾﺮ ﮐﺸـﯿﺪه‬
‫ﺷﺪه اﺳﺖ‪ .‬ﻣﻘﺪار ‪ ‬ﺑﺮاﺑﺮ ‪ 80‬اﺧﺘﯿﺎر ﺷﺪه اﺳﺖ ﺗﺎ ﻧﻘﻄﮥ ﺷﺮوع ﺟﺴﺘﺠﻮ‪ ،‬ﺑﻪ اﻧﺪازة ﮐﺎﻓﯽ ﺑﻪ ﻧﻘﻄﮥ ﻫﺪف ﻧﺰدﯾﮏ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﺮاي اﺳﺘﺨﺮاج ﻧﻘﺎط ﻣﻄﻠﻮب‪ ،‬اﻟﮕﻮرﯾﺘﻢ‪ ،‬ﻣﻨﻔﯽ ﻣﯿﺪان ‪ GVF‬ﺗﺼﻮﯾﺮ ﭼﺸﻢ را اﺳﺘﺨﺮاج ﻧﻤﻮده‪ ،‬ﺳﭙﺲ ﺑﺎ ﺷﺮوع از ﯾﮑﯽ از‬
‫ﻧﻘﺎط ‪ A‬ﯾﺎ ‪) A‬در ﺷﮑﻞ ﺷﻤﺎرة ‪ ،(3‬در ﺟﻬﺖ ﺑﺮدارﻫﺎي ﻣﯿﺪان ﭘﯿﺶ ﻣﯽرود‪ .‬اﯾﻦ ﺟﻠﻮ رﻓﺘﻦ ﺗﺎ زﻣﺎﻧﯽ اداﻣﻪ ﻣـﯽﯾﺎﺑـﺪ‬
‫ﮐﻪ ﭘﯿﺸﺮوي ﻧﺎﻣﻤﮑﻦ ﮔﺮدد و ﺗﻐﯿﯿﺮي در ﻣﮑﺎن ﻧﻘﻄﮥ ﭘﯿﺸﺮوﻧﺪه اﯾﺠﺎد ﻧﮕﺮدد‪ .‬ﻧﻘﻄـﮥ ﻣـﻮردﻧﻈﺮ ﺑـﺮاي ﻣﻘـﺪاردﻫﯽ اوﻟﯿـﮥ‬
‫ﻣﻨﺤﻨﯽ رﺷﺪﯾﺎﺑﻨﺪه در ﻫﻤﯿﻦ ﻣﮑﺎن واﻗﻊ اﺳﺖ‪.‬‬

‫ﺷﮑﻞ ﺷﻤﺎرة ‪ - 2‬ﺗﺼﻮﯾﺮي از ﭼﺸﻢ و ﻣﯿﺪان ﺟﺮﯾﺎن ﺑﺮداري ﮔﺮادﯾﺎن آن ﺑﻬﻤﺮاه ﻧﻘﺎط ﻣﻄﻠﻮب ﻧﺸﺎن داده ﺷﺪه‬

‫ﺷﮑﻞ ﺷﻤﺎرة ‪ – 3‬ﻧﺤﻮة اﺳﺘﺨﺮاج ﻧﻘﺎط آﻏﺎزﯾﻦ ﻣﻮرد ﻧﻈﺮ‬

‫در ﺣﺎﻟﺘﯽ ﮐﻪ ﻋﻨﺒﯿ‪‬ﻪ ﺑﻪ ﯾﮑﯽ از ﮔﻮﺷﻪ ﻫﺎي ﻃﺮﻓﯿﻨﯽ ﭼﺸﻢ ﻧﺰدﯾﮏ ﺷﺪه اﺳﺖ )ﺣﺎﻟﺘﯽ ﮐﻪ ﺷﺨﺺ ﺑﻪ ﻃـﺮﻓﯿﻦ ﻧﮕـﺎه‬
‫ﻣﯽﮐﻨﺪ(‪ ،‬ﻓﻘﻂ ﯾﮑﯽ از اﯾﻦ دو ﻧﻘﻄﮥ آﻏﺎزﯾﻦ ﻣﻄﻠﻮب در دﺳﺘﺮس ﺧﻮاﻫﺪ ﺑﻮد‪ .‬اﺳﺘﻔﺎده از ﯾﮏ آﺳﺘﺎﻧﻪﯾﺎﺑﯽ ﻣﮑـﺎﻧﯽ ﺑـﺮاي‬
‫ﮐﺸﻒ اﯾﻦ ﺣﺎﻟﺖ ﺗﻮﺻﯿﻪ ﻣﯽ ﺷﻮد‪ .‬ﺑﻪ اﯾﻦ ﺗﺮﺗﯿﺐ ﮐﻪ ﭘﺲ از اﺳﺘﺨﺮاج ﻧﻘﻄﮥ ﻣﺮﮐﺰ ﻋﻨﺒﯿ‪‬ـﻪ‪ ،‬ﻣﻮﻗﻌﯿ‪‬ـﺖ اﻓﻘـﯽ آن در ﻧﺎﺣﯿـﮥ‬
‫اﺳﺘﺨﺮاجﺷﺪة ﭼﺸﻤﯽ ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار ﻣﯽﮔﯿﺮد‪ .‬ﺑﺮ اﺳﺎس اﯾﻦ ﺑﺮرﺳﯽ ﺗﻘﺮﯾﺒﯽ از ﺗﻤﺎﯾﻞ ﺑﻪ ﭼﭗ ﯾﺎ راﺳﺖ ﻋﻨﺒﯿ‪‬ﻪ ﺗﻌﯿﯿﻦ‬
‫ﻣﯽﺷﻮد‪ .‬ﭘﺲ از ﺗﺸﺨﯿﺺ ﺗﻤﺎﯾﻞ ﭼﺸﻢ ﺑﻪ ﺳﻤﺖ ﯾﮑﯽ از ﮔﻮﺷﻪﻫﺎ و ﺗﻌﯿﯿﻦ ﻣﯿـﺰان اﯾـﻦ ﺗﻤﺎﯾـﻞ‪ ،‬از ﯾـﺎﻓﺘﻦ ﻧﻘﻄـﮥ درون‬
‫ﺻﻠﺒﯿ‪‬ﻪ در آن ﺟﻬﺖ ﺻﺮفﻧﻈﺮ ﻣﯽ ﺷﻮد‪ ،‬ﭼﺮا ﮐﻪ ﻧﺎﺣﯿﮥ ﺻﻠﺒﯿ‪‬ﻪ در ﺟﻬﺖ ﻣﻮرد ﻧﻈﺮ ﺑﻌﻠﺖ ﭘﻮﺷﺎﻧﺪه ﺷـﺪن ﺗﻮﺳـﻂ ﻋﻨﺒﯿ‪‬ـﻪ‬
‫ﻗﺎﺑﻞ رؤﯾﺖ ﻧﯿﺴﺖ و ﻃﺒﯿﻌﺘﺎً ﻧﯿﺎزي ﺑﻪ ﯾﺎﻓﺘﻦ ﻧﻘﻄﮥ ﻣﻮرد ﻧﻈﺮ ﻧﯿﺰ اﺣﺴﺎس ﻧﻤﯽﺷﻮد‪ .‬ﺷﮑﻞ ﺷﻤﺎرة ‪ 4‬ﭼﻨﺪ ﻧﻤﻮﻧﻪ از ﻧﺘﺎﯾﺞ‬
‫ﺣﺎﺻﻞ از اﻋﻤﺎل ﻣﺘﺪ ﭘﯿﺸﻨﻬﺎدي را ﻧﺸﺎن داده اﺳﺖ‪ .‬در اﯾﻦ ﺷﮑﻞ‪ ،‬ﺳﻄﺮ دو‪‬م ﻧﺸـﺎندﻫﻨـﺪة ﻧﺤـﻮة ﻋﻤـﻞ اﯾـﻦ ﻣﺘـﺪ در‬
‫ﻣﻮﻗﻌﯿ‪‬ﺖﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﺟﻬﺖ ﻧﮕﺎه ﺑﻪ ﯾﮑﯽ از ﻃﺮﻓﯿﻦ ﻣﺘﻤﺎﯾﻞ اﺳﺖ‪.‬‬
 ‫)ج( ﻣﻮﻗﻌﯿﺖ ﻧﻬﺎﯾﯽ ﻧﻘﺎط ﻣﻄﻠﻮب‬ ‫)ب( ﻣﯿﺪان ﺑﺮدار ﮔﺮادﯾﺎن‬ ‫)اﻟﻒ( ﻧﻘﺎط ﻣﯿﺎﻧﯽ ﺟﺴﺘﺠﻮ‬
‫ﺷﮑﻞ ﺷﻤﺎرة ‪ – 4‬ﻣﻮﻗﻌﯿﺖ ﻧﻬﺎﯾﯽ ﻧﻘﺎط وﯾﮋﮔﯽ ﻣﻄﻠﻮب در ﭼﻨﺪ ﺗﺼﻮﯾﺮ ﻧﻤﻮﻧﻪ‬

‫‪ -2-4‬ﺗﺸﺨﯿﺺ ﻟﺒﻪﻫﺎي ﻣﺮزي ﭼﺸﻢ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮمﭘﺬﯾﺮ و ﻧﮕﺎﺷﺖ ﺧﻮدﺳﺎزﻣﺎﻧﺪه ﺗﻄﺒﯿﻘﯽ‬
‫ﭘﺲ از ﻣﺸﺨﺺﺷﺪن ﻧﻘﺎط وﯾﮋﮔﯽ ﻣﻄﻠﻮب‪ ،‬ﻣﯽﺗﻮان ﺑﺎ ﯾﮑﯽ از ﻣﺘﺪﻫﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﻨﺤﻨـﯽﻫـﺎي رﺷـﺪﯾﺎﺑﻨـﺪه ﺑـﻪ‬
‫اﺳﺘﺨﺮاج ﻧﺎﺣﯿﮥ ﺻﻠﺒﯿ‪‬ﻪ ﻣﺤﺪود ﺑﯿﻦ ﻋﻨﺒﯿﻪ و ﭘﻠﮏﻫﺎ ﭘﺮداﺧﺖ‪ .‬در اﯾـﻦ ﻣﻄﺎﻟﻌـﻪ از ﻣﻨﺤﻨـﯽﻫـﺎي ﻓـﺮمﭘـﺬﯾﺮ ‪ [6] GVF‬و‬
‫ﻧﺴﺨﻪاي ﺗﻮﺳﻌﻪﯾﺎﻓﺘﻪ از ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ ﺧﻮدﺳﺎزﻣﺎﻧﺪه ﮐﻮﻫﻮﻧﻦ ﺑﻨﺎم ﺷﺒﮑﻪﻫـﺎي ﺧﻮدﺳـﺎزﻣﺎﻧﺪه ﺗﻄﺒﯿﻘـﯽ]‪ [9‬اﺳـﺘﻔﺎده‬
‫ﺷﺪه اﺳﺖ‪ .‬ﺑﻌﻨﻮان ﻣﻘﺪار اوﻟﯿﮥ ﻣﻨﺤﻨﯽ‪ ،‬داﯾﺮهﻫﺎﯾﯽ ﺑﺎ ﺷﻌﺎع ﻣﻨﺎﺳﺐ و ﺑﻪ ﻣﺮﮐﺰ ﻧﻘﺎط آﻏﺎزﯾﻦ ﮔﻔﺘﻪﺷﺪه ﺗﺮﺳﯿﻢ ﮔﺮدﯾﺪ‪ .‬در‬
‫روش ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮمﭘﺬﯾﺮ ‪ ،GVF‬اﯾﻦ داﯾﺮهﻫﺎ ﺗﺤﺖ ﺗﺄﺛﯿﺮ اﻧﺮژي ﺧﺎرﺟﯽ ﻧﻮع ‪ GVF‬و اﻧﺮژي داﺧﻠﯽ ﻣﻨﺤﻨﯽ‪،‬‬
‫ﺑﺴﻤﺖ وﯾﮋﮔﯽﻫﺎي ﻟﺒﻪاي ﭼﺸﻢ ﮐﺸﺎﻧﺪه ﻣﯽﺷﻮﻧﺪ‪ .‬ﻣﻨﺤﻨﯽ ﻧﻬﺎﯾﯽ‪ ،‬ﻣﺪﻟﯽ از ﻟﺒﻪﻫﺎي داﺧﻠﯽ ﭼﺸﻢ اﺳﺖ‪ .‬ﺳﻄﺮ او‪‬ل ﺷﮑﻞ‬
‫ﺷﻤﺎرة ‪ ،5‬ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از اﻋﻤﺎل اﯾﻦ ﻣﺘﺪ ﺑﺮاي ﭼﻨﺪ ﻧﻤﻮﻧﮥ آزﻣﺎﯾﺸـﯽ را ﻧﺸـﺎن ﻣـﯽ دﻫـﺪ‪ .‬اﯾـﻦ ﻧﺘـﺎﯾﺞ ﺑـﺎ ﺑﮑـﺎرﮔﯿﺮي‬
‫ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮمﭘﺬﯾﺮ ﻧﻮع ‪ GVF‬ﺑﺮ روي ﺗﺼﻮﯾﺮ واﺿﺢﺷﺪه )ﺗﻮﺳﻂ ﻋﻤﻠﮕﺮ ﻻﭘﻼﺳﯿﻦ(‪ ،‬ﺑﺪﺳﺖ آﻣﺪهاﻧﺪ‪ .‬ﻣﺘﺪ ﮐﻤﯿﻨﻪﺳﺎزي‬
‫ﺗﺎﺑﻊ اﻧﺮژي‪ ،‬اﻟﮕﻮرﯾﺘﻢ ﺣﺮﯾﺼﺎﻧﮥ ‪ William‬و ‪ [8] Shah‬و ﺷﺮط ﺗﻮﻗﻒ ﺣﻠﻘﮥ ﺗﮑـﺮار اﻟﮕـﻮرﯾﺘﻢ‪ ،‬ﺗﻔـﺎوت ﮐﻤﺘـﺮ از ﺣـﺪ‬
‫آﺳﺘﺎﻧﻪ اي دوﻣﻨﺤﻨﯽ در دو ﺗﮑﺮار ﻣﺘﻮاﻟﯽ ﺑﻮد )ﻣﺠﻤﻮع ﺗﻔﺎوتﻫﺎي ﻧﻘﺎط ﺗﺸﮑﯿﻞدﻫﻨﺪة دو ﻣﻨﺤﻨﯽ(‪ .‬اﯾﻦ ﺣـﺪ آﺳـﺘﺎﻧﻪاي‬
‫ﺑﺮاﺑﺮ ‪ 0.01‬در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪ‪ .‬ﻫﻤﺎنﮔﻮﻧﻪ ﮐﻪ ﻣﺸﺎﻫﺪه ﻣﯽﺷﻮد‪ ،‬ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮمﭘﺬﯾﺮ در اﻏﻠﺐ ﺣـﺎﻻت ﺗﻮاﻧﺴـﺘﻪاﻧـﺪ ﺑـﺎ‬
‫ﺗﻘﺮﯾﺒﯽ ﻗﺎﺑﻞﻗﺒﻮل ﻣﺮز ﻣﯿﺎن ﺻﻠﺒﯿ‪‬ﻪ‪ ،‬ﻋﻨﺒﯿ‪‬ﻪ و ﭘﻠﮏﻫﺎ را اﺳﺘﺨﺮاج ﻧﻤﺎﯾﻨﺪ‪ .‬ﻣﻮاردي ﻧﯿﺰ ﮐـﻪ در آﻧﻬـﺎ ﻣـﺮز ﻧﻬـﺎﯾﯽ ﺑـﺎ ﻣـﺮز‬
‫ﻣﻄﻠﻮب ﺗﻔﺎوﺗﻬﺎي ﺟﺰﺋﯽ دارد ‪ ،‬ﺑﺪﻟﯿﻞ ﮐﻨﺘﺮاﺳﺖ ﭘﺎﯾﯿﻦ ﺗﺼﻮﯾﺮ در ﻧﻮاﺣﯽ ﻣﺮزي ﻣﺰﺑـﻮر و ﺑـﻪ ﺗﺒـﻊ آن ﻧﺒـﻮد ﺑﺮدارﻫـﺎي‬
‫ﮔﺮادﯾﺎن ﻣﻨﺎﺳﺐ در ﺟﻬﺖ ﻣﺮزﻫﺎي ﻣﻄﻠﻮب اﺗﻔﺎق اﻓﺘﺎدهاﻧﺪ‪ .‬در ﭘﯿﺎدهﺳﺎزي ﺷـﺒﮑﮥ ﺧﻮدﺳـﺎزﻣﺎﻧﺪه ﺗﻄﺒﯿﻘـﯽ ]‪ [9‬ﻧﯿـﺰ از‬
‫ﻫﻤﺎن ﻧﻘﺎط آﻏﺎزﯾﻦ ﺑﺮاي ﺗﻌﯿﯿﻦ ﻣﻮﻗﻌﯿ‪‬ﺖ اوﻟﯿﮥ ﻣﻨﺤﻨﯽ ﺗﺨﻤﯿﻨﯽ اﺑﺘﺪاﯾﯽ اﺳﺘﻔﺎده ﮔﺮدﯾﺪ‪ .‬در اﯾﻦ روش ﻧﻘﺎط ﺗﺸﮑﯿﻞدﻫﻨﺪة‬
‫ﻣﻨﺤﻨﯽ ﺗﺨﻤﯿﻨﯽ او‪‬ﻟﯿﻪ‪ ،‬ﻧﻮرونﻫﺎي ﺷﺒﮑﮥ ﻋﺼﺒﯽ ﻫﺴﺘﻨﺪ ﮐﻪ در ﺧﻼل اراﺋﮥ ﻧﻘﺎط ﻟﺒﻪاي ﺗﺼـﻮﯾﺮ ﺑﻌﻨـﻮان ﻧﻘـﺎط آﻣﻮزﺷـﯽ‬
‫ﺷﺒﮑﻪ‪ ،‬ﺑﺴﻤﺖ ﻣﺮزﻫﺎي ﻣﻄﻠﻮب ﮐﺸﺎﻧﺪه ﻣﯽ ﺷﻮﻧﺪ‪ .‬ﺗﻔﺎوت ﻧﮕﺎﺷﺖ ﺧﻮدﺳﺎزﻣﺎﻧﺪة ﺗﻄﺒﯿﻘﯽ ﺑﺎ ﻧﺴـﺨﮥ اوﻟﯿـﮥ ﮐﻮﻫـﻮﻧﻦ در‬
‫ﻣﺪﻟﺴﺎزي و ﭘﯿﮕﯿﺮي رﻓﺘﺎر ﻣﺤﯿﻄﻬﺎي ﭘﻮﯾﺎ‪ ،‬ﺑﺎ ﺑﮑﺎرﮔﯿﺮي ﺗﻮاﺑﻊ ﯾﺎدﮔﯿﺮي و ﺷﻌﺎعﻫـﺎي ﻫﻤﺴـﺎﯾﮕﯽ ﺟﺪاﮔﺎﻧـﻪ ﺑـﺮاي ﻫـﺮ‬
‫ﻧﻮرون اﺳﺖ‪ .‬ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ﺑﮑﺎرﮔﯿﺮي اﯾﻦ روش ﻧﯿﺰ در ﺳﻄﺮ دو‪‬م ﺷﮑﻞ ﺷﻤﺎرة ‪ 5‬آورده ﺷﺪهاﻧﺪ‪ .‬ﺑﺎ ﻧﮕـﺎﻫﯽ ﮐﯿﻔـﯽ‬
‫ﻣﯽ ﺗﻮان درﯾﺎﻓﺖ ﮐﻪ ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از اﯾﻦ ﻣﺘﺪ ﻧﯿﺰ‪ ،‬ﺑﺮاي ﻣﺪﻟﺴﺎزي رﻓﺘﺎر ﭼﺸﻢ درون ﺗﺼﻮﯾﺮ داراي ﮐﺎراﯾﯽ و ﻗﻮام ﻻزم‬
‫ﻫﺴﺘﻨﺪ‪.‬‬
 ‫ – ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از اﻋﻤﺎل ﻣﻨﺤﻨﯽﻫﺎي ﻓﺮمﭘﺬﯾﺮ در اﺳﺘﺨﺮاج ﻟﺒﻪﻫﺎي داﺧﻠﯽ ﭼﺸﻢ‬5 ‫ﺷﮑﻞ ﺷﻤﺎرة‬

‫ ﺑﺤﺚ و ﻧﺘﯿﺠﻪﮔﯿﺮي‬-5
‫ﻣﯿﺪان ﺟﺮﯾﺎن ﺑﺮدار ﮔﺮادﯾﺎن ﺑﻌﻨﻮان راﻫﻨﻤﺎﯾﯽ ﺧﻮب در ﺟﻬﺖ رﺳﺎﻧﺪن اﻟﮕـﻮرﯾﺘﻢ ﭘﯿﺸـﻨﻬﺎدي ﺑـﻪ ﺳـﻤﺖ ﻧﻘـﺎط‬
‫ ﺳﺮﻋﺖ اﺳﺘﺨﺮاج اﯾﻦ ﻧﻘﺎط ﻧﯿﺰ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻫﻤﮕﺮاﯾﯽ ﺑﺮدارﻫﺎي ﻣﯿﺪان )ﻣﻨﻔـﯽ ﺑﺮدارﻫـﺎي‬.‫وﯾﮋﮔﯽ ﻣﻄﻠﻮب ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ‬
‫ از‬.‫ اﯾﻦ ﻧﻘﺎط در دﺳﺘﺮس ﻗﺮار ﻣﯽﮔﯿﺮﻧﺪ‬،‫ﻣﯿﺪان ﮔﺮادﯾﺎن( ﺑﺴﻤﺖ اﯾﻦ ﻧﻘﺎط ﻗﺎﺑﻞ ﺗﻮﺟﻪ اﺳﺖ و اﻏﻠﺐ ﺑﺎ ﭼﻨﺪ ﮔﺎم ﮐﻮﺗﺎه‬
‫ ﻣﻨﺤﻨﯽ اوﻟﯿﮥ ﻗﺮار ﮔﺮﻓﺘﻪ در ﭘﯿﺮاﻣﻮن اﯾﻦ‬،‫آﻧﺠﺎﯾﯽﮐﻪ اﯾﻦ ﻧﻘﺎط ﻣﺮﮐﺰ ﭘﺨﺶ ﺑﺮدارﻫﺎي ﻣﯿﺪان ﺑﺴﻤﺖ ﻟﺒﻪﻫﺎي ﺷﯽء ﻫﺴﺘﻨﺪ‬
‫ﻋﻤﺎل اﯾﻦ روش در اﺳﺘﻔﺎده از ﻣﻨﺤﻨـﯽﻫـﺎي‬‫ ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ا‬.‫ﻧﻘﺎط ﺑﺨﻮﺑﯽ ﺑﺴﻤﺖ وﯾﮋﮔﯽﻫﺎي ﻟﺒﻪاي ﺟﺬب ﻣﯽﺷﻮﻧﺪ‬
‫ﺖ اﯾﻦ ﻣﻄﻠـﺐ را‬‫ ﺻﺤ‬،‫ و ﻫﻤﯿﻨﻄﻮر ﻧﮕﺎﺷﺖ ﺧﻮدﺳﺎزﻣﺎﻧﺪه ﺗﻄﺒﯿﻘﯽ ﺑﺮاي اﺳﺘﺨﺮاج ﻟﺒﻪﻫﺎي داﺧﻠﯽ ﭼﺸﻢ‬GVF ‫ﻓﺮمﭘﺬﯾﺮ‬
.‫ﻧﺸﺎن ﻣﯽدﻫﻨﺪ‬

‫ﻣﺮاﺟﻊ‬
[1] S.Lefevre, C. Fluck, B. Maillard, N. Vincent, "A fast snake-based method to track football players", IAPR International
Workshop on Machine Vision Applications, Tokyo (Japan),November 2000, pp. 501–504

[2] S.R. Gunn and M.S. Nixon, "A model-based dual active contour", Vision, Speech and Signal Processing Group,
Department of Electronics and Computer Science, University of Southampton, 1991, www.ecs.soton.ac.uk

[3] C. Xu, A. Yezzi and J.L.Prince,"A Summary of Geometric Level-Set Analogues for a General Class of Parametric
Active Contour and Surface Models",In Proc. of 1st IEEE Workshop on Variational and Level Set Methods in
Computer Vision, pp. 104-111, July 2001.

[4] S.Horbelt and J-L. Dugelay,"Active contours for lipreading - Combining snakes with templates" ,15th GRETSI
Symposium on Signal and Image Processing, Juan les Pins, 18-22 Sept. 1995, France

[5] Baltsavias, E., Mason, S., Stallmann, D., 1995. "Use of DTMs/DSMs and orthoimages to support building extraction",
Swiss Federal Institute of Technology, Institute of Geodesy and Photogrammetry,
http://e-collection.ethbib.ethz.ch/tagung/sg/02x.html.

[6] C. Xu and J.L. Prince, “Gradient Vector Flow: A New External Force for Snakes”, IEEE Proc. Conf. On Comp. Vis. Patt.
Recog. (CVPR 97)

[7] M. Kass, A. Witkin and D. Terzopoulos, “Snake: Active Contour Model”, International Journal of Computer Vision, Vol
1, pp.321 – 331, 1987.

[8] D. Williams and M. Shah, "A Fast Algorithm for Active Contours and Curvature Estimation", CVGIP: Image
Understanding. Vol. 55, No. 1, January 1992. pp. 14-26.

[9] H. Shah-Hosseini and R. Safabakhsh, “A TASOM-based algorithm for active contour modeling,” to be published in the
Pattern Recognition Letters, 2003.