18171

18171

معرفي يك مقياس عدم قطعيت جديد و كاربرد آن در تقطيع تصاوير پژشكي

كارشناسي ارشد

آمار رياضي

آبان ماه 1396

دكتر رحمان فرنوش

دكتر غلامحسين ياري

رياضي

چكيده در سال‌هاي اخير، براي تعميم انتروپي شانون براي متغيرهاي تصادفي پيوسته، چندين تغيير و تبديل بر روي اين مقياس پيشنهادشده است كه در فصل اول اين پايان‌نامه برخي از اين تبديل‌ها به‌طور مختصر بررسي مي‌شوند و در فصل دوم، يك مقياس جديد براي انتروپي شانون به نام انتروپي ميانگين(AE) معرفي مي‌شود. انتروپي ميانگين، يك نوع استانداردسازي اعمال‌شده بر روي انتروپي شانون براي مطابقت دادن حالت‌هاي گسسته با پيوسته است، درحالي‌كه آن بسياري از ويژگي‌هاي اساسي انتروپي شانون را حفظ مي‌كند. به همين دليل انتروپي ميانگين كلي‌تر از انتروپي شانون است در مفهوم اينكه تعريف آن شامل هر دو متغير تصادفي گسسته و پيوسته مي‌شود. با توجه به نظريه اطلاع، مفهوم انتروپي به‌عنوان شاخه‌اي از پردازش تصوير با برآورد مقدار اطلاعات يك تصوير معرفي مي‌شود كه مي‌تواند يك سطح خوبي از اطلاعات، براي توصيف تصوير ارائه دهد و به‌عنوان يك مقياس تجزيه، اطلاعات تصوير به دو يا بيشتر از دو ناحيه متصل مجزا ‌كند. در اين صورت مي‌تواند از توزيع سطوح خاكستري تصوير محاسبه شود و يك تقطيع مناسب براي تصوير به دست آيد. به همين دليل لازم است براي كارايي انتروپي در تقطيع تصوير، درك درستي از مفهوم تصوير، پردازش و تقطيع آن داشته باشيم؛ بنابراين فصل سوم به اين مبحث اختصاص‌يافته است. در فصل‌هاي چهارم و پنجم نيز كارايي اين مقياس جديد و چهار انتروپي ديگر، بر روي دو تصوير ماموگرافي مورد ارزيابي قرارگرفته است. نتايج نشان مي‌دهد كه در هر دو تصوير، انتروپي ميانگين داراي عملكرد بهتر و دقت بيشتر است. واژه‌هاي كليدي: نظريه اطلاع، انتروپي شانون، تعميم انتروپي شانون، انتروپي ميانگين، تقطيع تصوير.

1396/09/25

11/14/2017 12:00:00 AM

Abstract: Various modifications have been suggested in the past to extend Shannon entropy to continuous random variables. This thesis investigates these modifications in the first chapter, and suggests a new entropy measure with the name of average entropy (AE) in the second chapter. AE is more general than Shannon entropy in the sense that its definition encompasses both continuous as well as discrete domains. According to the information theory, the concept of entropy is introduced as a branch of image processing by estimating the amount of information of an image that can provide a good level of information to describe the image and as a decomposition scale, the image information is divided into two or more of the two connected areas. In this case, it can be calculated from the distribution of the gray levels of the image and a good segmentation is obtained for the image. For this reason, for Effect of entropy on image segmentation, we need to have a proper understanding of the concept of image processing and its segmentation, so the third chapter is devoted to this topic. In the fourth and fifth chapters, this new measure and other four entropies are tested for their effectiveness in two images mamogram segmentation. The results show that in both images, the average entropy has better performance and greater accuracy. Keywords: Information Theory, Shannon entropy, extend Shannon entropy, Average entropy, Image segmentation.