روش های نقشه راهنما از یک نقشه یا نمونه استاندار برای انجام قطعه بندی استفاده می کنند. این نقشه با گرد هم آوردن اطلاعات مربوط به ساختاری^۱ که هدف قطعه بندی است, ایجاد می شود و پس از آن ازین نقشه برای قطعه بندی دیگر تصاویر استفاده می شود. روش های نقشه راهنما مسئله قطعه بندی را همچون یک مسئله ثبت^۲ در نظر می گیرند. در ابتدا یک تبدیل یک به یک جهت تصویر کردن یک تصویر نقشه از قبل قطعه بندی شده بر روی تصویر هدف که نیازمند قطعه بندی است پیدا می شود که اغلب این عملیات با عنوان چرخش نقشه^۳ شناخته می شود. این چرخش را می توان با بهره گرفتن از تبدیلات خطی انجام داد.

روش های نقشه راهنما به طور گسترده در تصاویر MR مغز مورد استفاده قرار گرفته است. از مزایای این روش انتقال برچسب ها علاوه بر قطعه بندی می باشد. مهمترین عیب این الگوریتم مربوط به تغییرات ساختاری است. برای رفع این عیب تبدیلات خطی و غیر خطی زیادی استفاده شده است. با این حال قطعبه بندی دقیق ساختار های پیچیده بسیار دشوار است. با این وجود این روش برای قطعه بندی ساختارهایی که در مجموع پایدار^۴ هستند مناسب است.
۲-۲-۳-۴-شبکه های عصبی مصنوعی
الگوریتم های رایج قطعه بندی مبتنی بر اطلاعات ساختاری اغلب به تخصص قابل توجه کاربر نیازمند است. روش های مبتنی بر شبکه های عصبی مصنوعی (ANN) در تلاشند که تا حدودی این مشکل را برطرف سازند. شبکه های عصبی مصنوعی شبکه های موازی بزرگی از راس ها و المان های عملیاتی هست که یادگیری بیولوژیکی را شبیه سازی می کنند. هر راس در این شبکه توانایی انجام محاسبات اولیه را دارا می باشد. در این شبکه, یادگیری از طریق تطبیق وزن های اختصاص داده شده به اتصالات بین رئوس انجام میگیرد. با وجود اینکه شبکه های عصبی مصنوعی ذاتا موازی هستند اما به دلیل پیاده سازی آن ها بر روی کامپیوتر های استاندارد سری, مزایای پتانسیل محاسباتی آن ها کاهش می یابد.
^۱Anatomy
^۲Registration
^۳Atlas Warping
^۴Stable
فصل سوم
مدلهای قابل تغییر شکل
۳-مدلهای قابل تغییر شکل پارامتری
۳-۱-مقدمه
استخراج سطح یکی از مهمترین بخش های پردازش و تحلیل تصاویر سه بعدی است.این موضوع در زمینه های متعددی از پردازش تصویر از جمله پردازش تصاویر پزشکی, ردیابی بصری^۱, تخمین حرکت^۲, بازسازی سطوح^۳ , استخراج ویژگی^۴ کاربرد بسیار و تاثیر گذاری دارد. مهمترین چالش در این امر, استخراج اطلاعات سطح بالا از داده های تصویری سطح پایین و در عین حال کاهش اثرات مخرب در عمل قطعه بند از قبیل نویز, به هم ریختگی پس زمینه^۵, عدم یکنواختی شدت روشنایی و کانتراست می باشد. مدل های قابل تغییر شکل که در قالب سه بعدی با نام مدل های سطوح فعال شناخته می شوند, عملکرد بسیار مناسبی را برا استخراج سطوح در تصاویر سه بعدی نشان داده اند.
اساس کار مدل های سطوح فعال مبتنی بر تغییر شکل یک مدل قابل تغییر شکل تحت تاثیر انرژی داخلی, که بر مبنای دانش پیشین می باشد, و انرژی خارجی, که بر مبنای تصویر محاسبه می شود, و حرکت این مدل به سمت سطح مورد نظر برای استخراج می باشد. به طور کلی انرژی داخلی وظیفه هموار سازی, انعطاف پذیری و
^۱Visual Tracking
^۲Motion Estimation
^۳Surface Reconstruction
^۴Feature Extraction
^۵Background Clutter
حفظ یکپارچگی سطح و انرژی خارجی وظیفه تغیرر شکل و حرکت سطح به سمت مرز نهایی را بر عهده دارند. با توجه به ساختار و عملکرد الگوریتم های سطوح فعال, می توان آنها را به دسته کلی مدل های پارامتری و مدل های غیر پارامتری تقسیم بندی کرد.
به طور کلی می توان گفت مدل های پارامتری سطوح فعال توانایی استخراج سطوح با انحنای بالا به ویژه در تصاویر نویزی را بدون تنظیم پارامتر ها ندارند و پیچیدگی محاسباتی آنها به تعداد رئوس موجود در سطح وابسته است. در مقابل روش های غیر پارامتری نسبت به مقدار دهی اولیه مستقل بوده و توانایی استخراج سطوح با انحنای بالای چندگانه را دارا می باشد.با این حال این روش ها بسیار کند بوده و در پردازش سطوح دارای شکستگی و گسستگی ضعیف عمل می کنندو همچنین پیچدگی محاسباتی آنها به تعداد کل وکسل های موجود در تصویر وابسته است و بدیهی است که با توجه به بالا بودن تعداد وکسل ها در تصاویر ۳ بعدی, این روش ها دارای پیچیدگی محاسباتی بالایی می باشند. همچنین روش های پارامتری در حفظ یکپارچگی اجسام و استخراج مرزهای دقیق تر و هموار تر عملکرد بهتری نسبت به روش های غیر پارامتری دارند. با این حال تا کنون راهکارای متعددی در جهت رفع نقایص مدل سطوح فعال ارائه شده است که باعث بهبود عملکرد این مدلها و در نتیجه کاربرد روز افزون آنها شده است.[۱۵,۱۴,۱۳,۱۲,۱۱,۹]
۳-۲-مدل های قابل تغییر شکل پارامتری
در بخش به بررسی ساختار و نحوه عملکرد مدلهای قابل تغییر شکل پارامتری می پردازیم.[۱۷,۱۶,۶]
۳-۲-۱-بیان ریاضی مدل
مدل های قابل تغییر شکل پارامتری شکلی آزاد از مدل های فعال می باشند که قابلیت تطبیق با اشکال متفاوتی را دارند. همانطور که در شکل ۳-۱ دیده می شود[۱۶], یک مدل قابل تغییر شکل پارامتری در حالت ۳ بعدی با بهره گرفتن از سطح پارامتری پیوسته به صورت زیر تعریف می شود:
(۳-۱)
و در حالت سطح پارامتری گسسته داریم:
(۳-۲)
در اینجا پارامتر های aوb , پارامترهای مدل قابل تغییر شکل در حالت و پیوسته و در حالت گسسته شبکه q*q تایی از رئوس پارامترهای مدل خواهند بود.
شکل ۳-۱-یک سطح فعال نشان داده شده با بهره گرفتن از یک میدان تصادفی[۱۶]
مدل قابل تغییر شکل پارامتری برای مینیمم کردن مجموع انرژی^۱ مدل قابل تغییر شکل v, در فضا و یا زمان تغییر می کند. انرژی مجموع به صورت مجموع دو انرژی داخلی^۲ و انرژی خارجی^۳ بیان شده و از نظر ریاضی به صورت زیر نوشته می شود:
(۳-۳)
۳-۲-۲-انرژی داخلی مدل
انرژی داخلی , که دانش پیشین را بیان می کند, یک مجموع وزن دار از انرژهای ارتجاعی^۴,
^۱Total Energy
^۲Internal Energy
^۳External Energy
^۴Elastic
, و صفحه باریک^۱,, می باشد که به صورت زیر بیان می شود:
(۳-۴)
(۳-۵)
(۳-۶)
که در روابط فوق, پارامترهای و و و و , به ترتیب فاکتور های وزن مربوط به انرژی غشاء^۲ و صفحه باریک هستند. با وجود اینکه این پارامترها تابعی از مکان فضایی هستند اما در عمل ثابت در نظر گرفته می شوند.
۳-۲-۳-انرژی خارجی مدل
انرژی خارجی از طریق انتگرال گیری از تابع پتانسیل انرژی P بر روی سطح قابل تغییر v, محاسبه می شود. رابطه محاسبه این انرژی خارجی مدل قابل تغییر پارامتری برای حالت سه بعدی به صورت زیر می باشد:
(۳-۷)
به طور معمول مدل قابل تغییر شکا پارامتری, سطح اولیه (v=v₀) را با اعمال پتانسیل کمتر در قسمت مرزهای تصویر به سمت این نواحی سوق می دهد. بنابراین انرژی پتانسیل P بیانگر تابعی از اندازه گیری انجام شده از تصویر می باشد. به طور مثال این اندازه گیری می تواند گرادیان تصویر باشد.پس داریم:
(۳-۸)
که در آن تابع گرادیان, g, به یکی از دو صورت زیر می تواند بیان شود:
(۳-۹) )