چكيده یکی از پیچیدهترین کارها در پردازش تصاویر دیجیتال، بخشبندی تصاویر است. بهدلیل افزایش توجه به این تکنیک توسط محققان و تبدیل آن به یک نقش حیاتی در بسیاری از زمینههای کاربردی مثل کاربردهای پزشکی مورد استفاده قرار میگیرد. امروزه در دندانپزشكي مدرن، تكنيكهاي مبتني بر استفاده از كامپيوتر مانند طرحريزي و برنامهريزي پيش از عمل جراحي، روز به روز توسعه مييابند. به منظور دستيابي و اجراي پروسههاي ذكر شده، بخشبندي اتوماتيك دندانها از مراحل مهم و اوليه ميباشد. در اين پاياننامه يك روش چند مرحلهاي جهت بخشبندي خودكار دندانها در تصاوير دیجیتال دندانی ارائه شدهاست.هدف اصلی در این پایاننامه استفاده از زیرباندهای ضرایب موجک برای بهبود بخشبندی است. هر یک از این زیرباندها حاوی اطلاعات مهمی هستند که میتوان از آنها در بخشبندی تصاویر استفاده کرد. این اطلاعات مهم در بخشبندی تصاویر نادیده گرفته شدهاست. ایده اصلی این است که این اطلاعات را بهشیوهای بهتصویر اصلی اضافه کرد. زیرباندهای ضرایب موجک با استفاده از روشهای ادغام به اولین زیرباند از ضرایب تبدیل موجک، مربوط به ضرایب تقریب است که از لحاظ مقدار و شکل ظاهری،به تصویر اصلی نزدیکتر است، اضافه میشوند. بعد از آن عکس تبدیل موجک انجام میشود. در این حالت تصویر بهدست آمده شامل اطلاعات بیشتری نسبت به تصویر اصلی است و بخشبندی بهتر و دقیقتر انجام میشود.در این پایاننامه برای بخشبندی تصاویر رادیولوژی دندانی از الگوریتم EM استفاده شدهاست که برای بهبود این الگوریتم از الگوریتم k-means برای تخمین اولیه پارامترهای الگوریتم EM استفاده شدهاست. اين الگوریتم عليرغم سادگي آن يک روش پايه براي بسياري از روشهاي خوشهبندي ديگر محسوب ميشود. از عملگرهای مورفولوژیکال برای بهبود بخشبندی استفاده شدهاست.كلمات كليدي:بخشبندی، تبدیل موجک، الگوریتم EM، الگوریتم K-means، عملگرهای مورفولوژیکالفهرست مطالبعنوان صفحه1-1-مقدمه21-2-بخشبندی31-2-1-مباني بخشبندی41-2-3-آستانهگيري61-2-4-بخشبندی مبتني برناحيه71-2-4-1-رشد ناحيه81-2-4-2-بخشبندي با استفاده از الگوریتم آبپخشان91-2-5-بخشبندی بر اساس نظریه گراف121-2-6-خوشهبندی فازی141-2-7-ماتريس هم رخداد141-2-8- كلاسبندي ماشين بردار پشتيبان151-2-9-خوشه بندی سلسله مراتبی171-2-10-روش خوشهبندي K-means231-2-11-راهکارهای گذشته برای بخشبندی تصاویر دندان24فصل دوم282-1-حذف نویز292-2-تبدیل موجک302-2-1-هرمهای تصویری322-2-2-رمزگذاری باند جزیی342-2-3-تبدیل هار352-2-4-بسط چنددقتی362-2-5-توابع مقیاس بندی362-2-6-توابع موجک372-2-7-تبدیل موجک گسسته382-1-8- تبدیلات موجک در دو بعد402-3-الگوریتمEM432-4-عملگرهاي مورفولوژيكال45فصل سوم473-1-مقدمه483-2-تصاویر رادیوگرافی483-3-کاهش نویز503-4- بخشبندی با استفاده از تبدیل موجک و الگوریتم EM503-5-بخشبندی تصاویر دندانی با استفاده از تبدیل موجک و الگوریتم EM523-6-ادغامویژگیها در پردازش تصویر553-7-نتیجهگیری:623-8-راهکارهای آینده63منابع64واژهنامه فارسی به انگلیسی67 فهرست اشکال شکل(1-1) تفسير توپوگرافي a)نقاط متعلق به مينيمم ناحيهاي( b(نقاط روی تپه(c (نقاطروی آبپخشان)9شکل(1-2) الف)تصویر اصلی ب)نمای توپوگرافی10شکل (1-3) الف) اولین مرحله جریان با خاکستري روشن نشان داده شده ب) آب درآبگير آبريز اول ودوم جريان دارد11شکل(1-4) الف) سرزير آب از آبگير چپ به آبگير راست و ساخته شدن يک سد کوتاه ب) نتیجه نهایی الگوریتم آبپخشان11شکل(1-5) ساختار درختی بهدست آمده بهوسیله الگوریتم تک پیوندی18شکل(1-6) یک خوشهبندی تکپیوندی از نمونههایی با برچسبهای 1و2 که بهوسیله نمونههای دارای نویز(*) از یکدیگر جدا شدهاند.20شکل (1-7) یک خوشهبندی پیوند کامل از نمونههایی با برچسبهای 1و2 که بهوسیله نمونههای دارای نویز * از یکدیگر جدا شدهاند20شکل(1-8) بلاک دیاگرام الگوریتم K-means24شکل(1-9) الف) تصویر اصلی ب) تصویر بخشبندی شده توسط تبدیل موجک، آستانهگیری و عملگرهای مورفولوژیکال25شکل (1-10) الف) تصویر اصلی ب) تصویر بخشبندی شده با استفاده از یک تکنیک بیولوژیکی و براساس ازدحام اطلاعات و یک مدل اتوماتای سلولی25شکل(1-11) تصویر بخشبندی شده با استفاده از آناتومی دندانها، فاصله بین دندانها و زاویه قرار گرفتن آنها26شکل(1-12) در شکل بالا گردن دندان یا Dental neck را نشان میدهد که براساس فاصله این قسمت با دندان مجاور بخشبندی انجام شدهاست26شکل(1-13) نمونهای از تصویر بخشبندی توسط الگوریتم ارئه شده بر اساس فاصله بین گردن قسمت میانی دندان27شکل(1-14) نتایج بهدست آمده از روش ارائه شده در27شكل (2-1) الف) یک ساختار هرمی تصویر و ب)بلاک دیاگرام برای ایجاد ساختار هرمی تصویر34شکل (3-1)بانک اطلاعاتی تصاویر OPG دندانی49شکل(3-2) الف) تصویر اصلی ب) تصویر بعد از اعمال فیلتر حذف نویز وینر50شکل (3-3) بلاک دیاگرام الگوریتم بخشبندی توسط تبدیل موجک و الگوریتم EM52شکل (3-4) نمونهای از نتایج بهدستآمده از الگوریتم پیادهسازی شده توسط الگوریتم ارائه شده در شکل (3-3)52شکل(3-6) الف)تصویر اصلی ب) تصویر بخشبندی شده توسط الگوریتم ارائه شده با استفاده از ضریب تقریب موجک مرحله دو و االگوریتم EM54شکل(3-7) الف)تصویر اصلی ب) تصویر بخشبندی شده توسط الگوریتم EM با تصویر بهبود یافتهتوسط ادغام ضرایب موجک....................................................................................................................................................................................................................................................58شکل(3-8) الف)تصویر اصلی ب) تصویر بخشبندی شده بعد از اعمال عملگرهای مورفولوژیکال59شکل (3-9) الف)تصویر اصلی، ب) تصویر بخشبندی شده توسط تبدیل موجک و الگوریتم EM، ج)عملگر فرسایش با ساختار مربع 44، د) انبساط با ساختار مربع 44، ر) انبساط با ساختار مربع 22، ز) انبساط با ساختار لوزی 4460شکل (3-10) الف) تصویر اصلی، ب) تصویر بخشبندی شده توسط تبدیل موجک و الگوریتم EM، ج) عملگر فرسایش با ساختار مربع 44، د) انبساط با ساختار مربع 44، ر) انبساط با ساختار مربع 22، ز) انبساط با ساختار لوزی 4462 فهرست جداول جدول 3-1- درصد خطا در پیکسلهای یک بخش62جدول 3-2- درصد خطا در کل پیکسلهایی که نادرست بخشبندی شده است62 جدول کلمات اختصاری Support Vector MachinesSVMBalancedIterative Reducing and Clustering using HierarchiesBRICHMultiresolution AnalysisMRADescrite Wavelete TransformDWTFast Wavelete TransformFWTExpectation MaximizationEMOrtho Pantomo GramOPGHigh-pass filterHPF فصل اول مروری بر کارهای گذشته 1-1-مقدمهعلم پردازش تصویر[1]، از علوم پرکاربرد و مفید در فنون مهندسی میباشد. از دیرباز مطالعات و تحقیقات گستردهای در این زمینه صورت گرفته و پیشرفتهای فراوانی حاصل شدهاست. سرعت گسترش این پیشرفتها بهاندازهای بوده است که هماکنون و پس از گذشت مدت زمان کوتاهی میتوان تأثیر پردازش تصویر را در بسیاری از علوم و صنایع بهوضوح مشاهده نمود. در حالی که برخی از این کاربردها، آنقدر پردازش تصویر وابسته است، که بدون آن قابل استفاده نمیباشد. در دنیای امروز، علم پردازش تصویر بهصورت جامع و تخصصی روزبهروز نقش اساسی و مهمتری پیدا میکند و در کشور ما نیز در آغاز راه است. مسئله بزرگی دادههای تصویری و تلاش جهت حذف نویز و اختلالات تصویری نظیر پارامترهای حاصل از منابع نوری نامناسب، عدم تناسب ترکیب رنگها و عوامل متعدد دیگر در تصاویر دریافتی، از موضوعات بسیار مهم در کار با تصاویر و پردازش آنها میباشد.بخشبندي[2]، مرحله مهمی از پردازش تصویر است که ورودي آن تصوير و خروجي آن صفات استخراج شده از تصوير ميباشد. بخشبندي، تصوير را به ناحيههاي سازنده آن يا اشيای سازنده آن تقسيم ميکند. سطح جزئياتي که تقسيمبندي انجام ميشود، به مسئلهاي که بايد حل شود بستگي دارد، يعني، بخشبندي وقتي بايد متوقف شود که اشيا يا ناحيههاي مورد نظر در کاربرد شناسايي شدند. دقت بخشبندي، موفقيت يا شکست نهايي رويههاي تحليل کامپيوتري را تعيين میکند. بههمين دليل، دقت زيادي بايد بهعمل آيد تا احتمال بخشبندي دقيق بهبود يابد.امروزه در دندانپزشكي، تكنيكهاي مبتني بر استفاده از كامپيوتر مانند طرحريزي و برنامهريزي پيش از عمل جراحي، كاشت ايمپلنت و ارزيابي جراحي انجام شده روز به روز توسعه مييابند [1]. بخشبندی دندانها در نمایش دیجیتالی نقش مهمی در الگوریتمهای کامپیوتری برای استخراج ویژگیها و اندازهگیری و در شبیهسازی ارتودونسی برای ترتیب مجدد دندانها دارد. بهمنظور دستيابي و اجراي پروسههاي ذكرشده، بخشبندي خودکار تصاویر دندانی از مراحل مهم و اوليه ميباشد. بخشبندي دندانها همچنين در زمينه تشخيص هويت، طرحريزي جهت ارتودنسي و جراحي زيبايي صورت مورد استفاده قرار ميگيرد.جداسازي ساختارهاي دنداني هم از نظر آناتوميكي و هم از نظر آسيبشناسي بسيار پراهميت است. يافتن اندازه، حجم و گاهي محل ساختارها از نظر تشخيص بيماري نيز بسيار پراهميت است. اكثر تلاشها بر روي تصاوير دو بعدي سطوح و منحنيهاي فكي و دنداني انجام شدهاست. بخشبندی دندانها، جدا کردن قسمتهای مختلف یک دندان از یکدیگر در تصاویر رادیولوژی دندانی[3] است.اغلب الگوريتمهاي بخشبندي، مبتني بر يکي از دو خواص اصلي مقادير شدت روشنایی، ناپيوستگي و شباهت میباشد؛ در دسته اول روش کار تقسيم کردن تصوير بر اساس تغييرات سريع شدتروشنایی، مثل لبهها است. روشهاي اصلي در دسته دوم، مبتني بر تقسيمبندي تصوير به ناحيههايي است که بر اساس مجموعهاي از معيارهاي از پيش تعريف شده شبيهاند. آستانهگيري، رشد ناحيه و تقسيم و ادغام ناحيه، مثالهايي از روشهاي اين دسته هستند.بخشبندی تصویر با استفاده از روشهای بهینهسازی نیز انجام میشود. از جمله الگوریتمهای بهینهسازی مهم میتوان به الگوریتمهای تکاملی، الگوریتم ژنتیک، الگوریتم کلونی مورچه والگوریتم حرکت دسته جمعی پرندگان اشاره کرد.
بخشبندی اتوماتیک دندانها با استفاده از تصاویر X-ray
چكيده یکی از پیچیدهترین کارها در پردازش تصاویر دیجیتال، بخشبندی تصاویر است. بهدلیل افزایش توجه به این تکنیک توسط محققان و تبدیل آن به یک نقش حیاتی در بسیاری از زمینههای کاربردی مثل کاربردهای پزشکی مورد استفاده قرار میگیرد. امروزه در دندانپزشكي مدرن، تكنيكهاي مبتني بر استفاده از كامپيوتر مانند طرحريزي و برنامهريزي پيش از عمل جراحي، روز به روز توسعه مييابند. به منظور دستيابي و اجراي پروسههاي ذكر شده، بخشبندي اتوماتيك دندانها از مراحل مهم و اوليه ميباشد. در اين پاياننامه يك روش چند مرحلهاي جهت بخشبندي خودكار دندانها در تصاوير دیجیتال دندانی ارائه شدهاست.هدف اصلی در این پایاننامه استفاده از زیرباندهای ضرایب موجک برای بهبود بخشبندی است. هر یک از این زیرباندها حاوی اطلاعات مهمی هستند که میتوان از آنها در بخشبندی تصاویر استفاده کرد. این اطلاعات مهم در بخشبندی تصاویر نادیده گرفته شدهاست. ایده اصلی این است که این اطلاعات را بهشیوهای بهتصویر اصلی اضافه کرد. زیرباندهای ضرایب موجک با استفاده از روشهای ادغام به اولین زیرباند از ضرایب تبدیل موجک، مربوط به ضرایب تقریب است که از لحاظ مقدار و شکل ظاهری،به تصویر اصلی نزدیکتر است، اضافه میشوند. بعد از آن عکس تبدیل موجک انجام میشود. در این حالت تصویر بهدست آمده شامل اطلاعات بیشتری نسبت به تصویر اصلی است و بخشبندی بهتر و دقیقتر انجام میشود.در این پایاننامه برای بخشبندی تصاویر رادیولوژی دندانی از الگوریتم EM استفاده شدهاست که برای بهبود این الگوریتم از الگوریتم k-means برای تخمین اولیه پارامترهای الگوریتم EM استفاده شدهاست. اين الگوریتم عليرغم سادگي آن يک روش پايه براي بسياري از روشهاي خوشهبندي ديگر محسوب ميشود. از عملگرهای مورفولوژیکال برای بهبود بخشبندی استفاده شدهاست.كلمات كليدي:بخشبندی، تبدیل موجک، الگوریتم EM، الگوریتم K-means، عملگرهای مورفولوژیکالفهرست مطالبعنوان صفحه1-1-مقدمه21-2-بخشبندی31-2-1-مباني بخشبندی41-2-3-آستانهگيري61-2-4-بخشبندی مبتني برناحيه71-2-4-1-رشد ناحيه81-2-4-2-بخشبندي با استفاده از الگوریتم آبپخشان91-2-5-بخشبندی بر اساس نظریه گراف121-2-6-خوشهبندی فازی141-2-7-ماتريس هم رخداد141-2-8- كلاسبندي ماشين بردار پشتيبان151-2-9-خوشه بندی سلسله مراتبی171-2-10-روش خوشهبندي K-means231-2-11-راهکارهای گذشته برای بخشبندی تصاویر دندان24فصل دوم282-1-حذف نویز292-2-تبدیل موجک302-2-1-هرمهای تصویری322-2-2-رمزگذاری باند جزیی342-2-3-تبدیل هار352-2-4-بسط چنددقتی362-2-5-توابع مقیاس بندی362-2-6-توابع موجک372-2-7-تبدیل موجک گسسته382-1-8- تبدیلات موجک در دو بعد402-3-الگوریتمEM432-4-عملگرهاي مورفولوژيكال45فصل سوم473-1-مقدمه483-2-تصاویر رادیوگرافی483-3-کاهش نویز503-4- بخشبندی با استفاده از تبدیل موجک و الگوریتم EM503-5-بخشبندی تصاویر دندانی با استفاده از تبدیل موجک و الگوریتم EM523-6-ادغامویژگیها در پردازش تصویر553-7-نتیجهگیری:623-8-راهکارهای آینده63منابع64واژهنامه فارسی به انگلیسی67 فهرست اشکال شکل(1-1) تفسير توپوگرافي a)نقاط متعلق به مينيمم ناحيهاي( b(نقاط روی تپه(c (نقاطروی آبپخشان)9شکل(1-2) الف)تصویر اصلی ب)نمای توپوگرافی10شکل (1-3) الف) اولین مرحله جریان با خاکستري روشن نشان داده شده ب) آب درآبگير آبريز اول ودوم جريان دارد11شکل(1-4) الف) سرزير آب از آبگير چپ به آبگير راست و ساخته شدن يک سد کوتاه ب) نتیجه نهایی الگوریتم آبپخشان11شکل(1-5) ساختار درختی بهدست آمده بهوسیله الگوریتم تک پیوندی18شکل(1-6) یک خوشهبندی تکپیوندی از نمونههایی با برچسبهای 1و2 که بهوسیله نمونههای دارای نویز(*) از یکدیگر جدا شدهاند.20شکل (1-7) یک خوشهبندی پیوند کامل از نمونههایی با برچسبهای 1و2 که بهوسیله نمونههای دارای نویز * از یکدیگر جدا شدهاند20شکل(1-8) بلاک دیاگرام الگوریتم K-means24شکل(1-9) الف) تصویر اصلی ب) تصویر بخشبندی شده توسط تبدیل موجک، آستانهگیری و عملگرهای مورفولوژیکال25شکل (1-10) الف) تصویر اصلی ب) تصویر بخشبندی شده با استفاده از یک تکنیک بیولوژیکی و براساس ازدحام اطلاعات و یک مدل اتوماتای سلولی25شکل(1-11) تصویر بخشبندی شده با استفاده از آناتومی دندانها، فاصله بین دندانها و زاویه قرار گرفتن آنها26شکل(1-12) در شکل بالا گردن دندان یا Dental neck را نشان میدهد که براساس فاصله این قسمت با دندان مجاور بخشبندی انجام شدهاست26شکل(1-13) نمونهای از تصویر بخشبندی توسط الگوریتم ارئه شده بر اساس فاصله بین گردن قسمت میانی دندان27شکل(1-14) نتایج بهدست آمده از روش ارائه شده در27شكل (2-1) الف) یک ساختار هرمی تصویر و ب)بلاک دیاگرام برای ایجاد ساختار هرمی تصویر34شکل (3-1)بانک اطلاعاتی تصاویر OPG دندانی49شکل(3-2) الف) تصویر اصلی ب) تصویر بعد از اعمال فیلتر حذف نویز وینر50شکل (3-3) بلاک دیاگرام الگوریتم بخشبندی توسط تبدیل موجک و الگوریتم EM52شکل (3-4) نمونهای از نتایج بهدستآمده از الگوریتم پیادهسازی شده توسط الگوریتم ارائه شده در شکل (3-3)52شکل(3-6) الف)تصویر اصلی ب) تصویر بخشبندی شده توسط الگوریتم ارائه شده با استفاده از ضریب تقریب موجک مرحله دو و االگوریتم EM54شکل(3-7) الف)تصویر اصلی ب) تصویر بخشبندی شده توسط الگوریتم EM با تصویر بهبود یافتهتوسط ادغام ضرایب موجک....................................................................................................................................................................................................................................................58شکل(3-8) الف)تصویر اصلی ب) تصویر بخشبندی شده بعد از اعمال عملگرهای مورفولوژیکال59شکل (3-9) الف)تصویر اصلی، ب) تصویر بخشبندی شده توسط تبدیل موجک و الگوریتم EM، ج)عملگر فرسایش با ساختار مربع 44، د) انبساط با ساختار مربع 44، ر) انبساط با ساختار مربع 22، ز) انبساط با ساختار لوزی 4460شکل (3-10) الف) تصویر اصلی، ب) تصویر بخشبندی شده توسط تبدیل موجک و الگوریتم EM، ج) عملگر فرسایش با ساختار مربع 44، د) انبساط با ساختار مربع 44، ر) انبساط با ساختار مربع 22، ز) انبساط با ساختار لوزی 4462 فهرست جداول جدول 3-1- درصد خطا در پیکسلهای یک بخش62جدول 3-2- درصد خطا در کل پیکسلهایی که نادرست بخشبندی شده است62 جدول کلمات اختصاری Support Vector MachinesSVMBalancedIterative Reducing and Clustering using HierarchiesBRICHMultiresolution AnalysisMRADescrite Wavelete TransformDWTFast Wavelete TransformFWTExpectation MaximizationEMOrtho Pantomo GramOPGHigh-pass filterHPF فصل اول مروری بر کارهای گذشته 1-1-مقدمهعلم پردازش تصویر[1]، از علوم پرکاربرد و مفید در فنون مهندسی میباشد. از دیرباز مطالعات و تحقیقات گستردهای در این زمینه صورت گرفته و پیشرفتهای فراوانی حاصل شدهاست. سرعت گسترش این پیشرفتها بهاندازهای بوده است که هماکنون و پس از گذشت مدت زمان کوتاهی میتوان تأثیر پردازش تصویر را در بسیاری از علوم و صنایع بهوضوح مشاهده نمود. در حالی که برخی از این کاربردها، آنقدر پردازش تصویر وابسته است، که بدون آن قابل استفاده نمیباشد. در دنیای امروز، علم پردازش تصویر بهصورت جامع و تخصصی روزبهروز نقش اساسی و مهمتری پیدا میکند و در کشور ما نیز در آغاز راه است. مسئله بزرگی دادههای تصویری و تلاش جهت حذف نویز و اختلالات تصویری نظیر پارامترهای حاصل از منابع نوری نامناسب، عدم تناسب ترکیب رنگها و عوامل متعدد دیگر در تصاویر دریافتی، از موضوعات بسیار مهم در کار با تصاویر و پردازش آنها میباشد.بخشبندي[2]، مرحله مهمی از پردازش تصویر است که ورودي آن تصوير و خروجي آن صفات استخراج شده از تصوير ميباشد. بخشبندي، تصوير را به ناحيههاي سازنده آن يا اشيای سازنده آن تقسيم ميکند. سطح جزئياتي که تقسيمبندي انجام ميشود، به مسئلهاي که بايد حل شود بستگي دارد، يعني، بخشبندي وقتي بايد متوقف شود که اشيا يا ناحيههاي مورد نظر در کاربرد شناسايي شدند. دقت بخشبندي، موفقيت يا شکست نهايي رويههاي تحليل کامپيوتري را تعيين میکند. بههمين دليل، دقت زيادي بايد بهعمل آيد تا احتمال بخشبندي دقيق بهبود يابد.امروزه در دندانپزشكي، تكنيكهاي مبتني بر استفاده از كامپيوتر مانند طرحريزي و برنامهريزي پيش از عمل جراحي، كاشت ايمپلنت و ارزيابي جراحي انجام شده روز به روز توسعه مييابند [1]. بخشبندی دندانها در نمایش دیجیتالی نقش مهمی در الگوریتمهای کامپیوتری برای استخراج ویژگیها و اندازهگیری و در شبیهسازی ارتودونسی برای ترتیب مجدد دندانها دارد. بهمنظور دستيابي و اجراي پروسههاي ذكرشده، بخشبندي خودکار تصاویر دندانی از مراحل مهم و اوليه ميباشد. بخشبندي دندانها همچنين در زمينه تشخيص هويت، طرحريزي جهت ارتودنسي و جراحي زيبايي صورت مورد استفاده قرار ميگيرد.جداسازي ساختارهاي دنداني هم از نظر آناتوميكي و هم از نظر آسيبشناسي بسيار پراهميت است. يافتن اندازه، حجم و گاهي محل ساختارها از نظر تشخيص بيماري نيز بسيار پراهميت است. اكثر تلاشها بر روي تصاوير دو بعدي سطوح و منحنيهاي فكي و دنداني انجام شدهاست. بخشبندی دندانها، جدا کردن قسمتهای مختلف یک دندان از یکدیگر در تصاویر رادیولوژی دندانی[3] است.اغلب الگوريتمهاي بخشبندي، مبتني بر يکي از دو خواص اصلي مقادير شدت روشنایی، ناپيوستگي و شباهت میباشد؛ در دسته اول روش کار تقسيم کردن تصوير بر اساس تغييرات سريع شدتروشنایی، مثل لبهها است. روشهاي اصلي در دسته دوم، مبتني بر تقسيمبندي تصوير به ناحيههايي است که بر اساس مجموعهاي از معيارهاي از پيش تعريف شده شبيهاند. آستانهگيري، رشد ناحيه و تقسيم و ادغام ناحيه، مثالهايي از روشهاي اين دسته هستند.بخشبندی تصویر با استفاده از روشهای بهینهسازی نیز انجام میشود. از جمله الگوریتمهای بهینهسازی مهم میتوان به الگوریتمهای تکاملی، الگوریتم ژنتیک، الگوریتم کلونی مورچه والگوریتم حرکت دسته جمعی پرندگان اشاره کرد.