استخراج دقیق پیش زمینه در تصویر، درهم‌تنیدگی تصویر نامیده می‌شود. از جمله روش‌های معروف در این حوزه روش درهم‌تنیدگی مبتنی بر یادگیری است. در این شیوه داده‌های آموزشیِ دو طبقه در قالب یک نقشه سه‌گانه که شامل نقاط آموزشی برچسب‌دار (زمینه و پیش‌زمینه) و نقاط بدون برچسب هستند، به سامانه داده می‌شوند. میزان تعلق هر پیکسل به زمینه یا پیش‌زمینه بر اساس داده‌های آموزشی و کمینه‌سازی یک تابع هدف مشخص می‌شود. در تابع هدف تمامی کارهای منتشر‌شده، میزان جریمه تخطی از مقادیر درست برای داده‌های آموزشی -خواه متعلق به زمینه باشند یا پیش‌زمینه- یکسان در نظر گرفته شده است. در این مقاله با درنظر‌گرفتن وزن متفاوت برای داده‌های آموزشی دو طبقه، این شیوه بهبود داده شده و کارایی آن در دو کاربرد متفاوت، نشان داده شده است. کاربرد نخست، دقیق‌تر‌کردن جداسازی متن از تصویر و کاربرد دوم، دقیق‌تر‌کردن خروجی روش‌های استخراج رگ‌های خونی شبکیه چشم در کناره‌های رگ‌های شناسایی‌شده است. در کاربرد نخست، متنی فارسی که بر روی زمینه دارای بافت ناهموار درج شده با یک روش معمول آستانه‌گذاری استخراج شده و سپس خروجی قطعه‌بندی‌شده با روش پیشنهادی دقیق‌تر شده است. در کاربرد دوم، ابتدا با یک روش موجود شناسایی رگ، قسمت‌هایی از تصویر که به‌احتمال زیاد متعلق به دو دسته رگ و غیر رگ هستند، برچسب‌گذاری می‌شوند. تعیین دقیق‌تر تعلق پیکسل‌های مرز رگ‌های استخراج‌شده به هر یک از دو دسته رگ یا غیر آن توسط روش‌ پیشنهادی انجام می‌شود. نتایج کمّی و دیداری، کارایی شیوه پیشنهادی را نشان داده است.

کلمات کلیدی