برنامه متلب (Matlab) لبه یابی با استفاده از فیلتر سوبل (sobel)

اپراتور سوبل که معمولاً فیلتر سوبل نیز نامیده میشود در پردازش تصویر و بینایی ماشین به عنوان الگوریتم های ویژه لبه یابی مورد استفاده قرار گرفته و تصویری با لبه های مشخص شده بدست میدهد. برنامه حاضر این فیلتر را در نرم افزار متلب اجرا می کند.

تشخیص تومورها در تصاویر پزشکی به کمک روش ترکیب اطلاعات

در این مقاله تومورهای ناحیه ی شکمی بر مبنای روش ترکیب اطلاعات تشخیص داده شده اند.

در زیر چکیده ای از مطالب را مشاهده می کنید:

چکیده
امروزه پردازش تصویر در علم پزشکی کاربرد فراوانی دارد و به پیشرفت این علم کمک میکند. در این پروژه
سعی بر آن بودهاست که به کمک روشهای پردازش تصویر، تومور در تصاویر ام آرآی تشخیص داده شود. برای
تشخیص تومور روشهای تمام اتوماتیک و نیمه اتوماتیک وجود دارد. در این پروژه از روش ترکیب اطلاعات استفاده
شده است.
در ابتدای پایاننامه مفاهیم کلی راجع به علم پردازش تصویر بیان شده و انواع تصاویر امآرآی معرفی میشوند.
در ادامه تصاویر امآرآی با روشهای رشد ناحیهای و تنظیم سطح پردازش شده و در نهایت نتایج حاصل از این دو
روش با هم ترکیب میگردد.

بخشی از مقاله :

رشد ناحیه ای
رشد ناحیه ای رویه ای است که پیکسلها یا زیر ناحیه ها را بر اساس معیار از پیش تعریف شده برای رشد، در
ناحیه های بزرگتری گروه بندی میکند. روش اصلی، شروع با مجموعهای از نقاط "دانه" و ایجاد این ناحیههای
رشد از طریق افزودن پیکسلهایی از آن همسایگی به دانه است که خواص از پیش تعریف شدهای مشابه با دانه
دارند. مثل بازههای خاصی از شدت روشنایی یا رنگ.
انتخاب مجموعهای از یک یا چند نقطهی شروع ، اغلب میتواند براساس ماهیت مسئله باشد. وقتی اطلاعات
قبلی وجود ندارد، روش کار، محاسبهی مجموعهی یکسانی از خواص در هر نقطه است که در نهایت برای انتخاب
پیکسلها به ناحیهها در اثنای فرآیند رشد به کار میروند. اگر نتیجهی این محاسبات، خوشههایی از مقادیر را
نشان دهند، پیکسلهایی که خواص آنها، آنها را در نزدیکی مرکز این خوشهها قرار میدهد، میتوانند به عنوان
دانهها به کار روند.
انتخاب معیار شباهت نه تنها به مسئلهی مورد نظر، بلکه به نوع دادههای تصویر موجود بستگی دارد. به عنوان
مثال، تحلیل تصویر پردازش ماهواره برای استفاده در زمین، بستگی زیادی به استفاده از رنگ دارد. حل این مسئله
بدون اطلاعات موجود در تصاویر رنگی بسیار دشوار یا غیر ممکن خواهد بود. وقتی تصاویر تک رنگ باشند، تحلیل
ناحیه باید با مجموعهای از توصیفگرها براساس سطوح شدت و خواص مکانی انجام شود.
اگر خواص اتصال در فرآیند رشد ناحیه استفاده نشوند، توصیفگرها به تنهایی میتوانند نتایج نادرستی را ایجاد
کنند. به عنوان مثال چیدمان تصادفی از پیکسلها را فقط با استفاده از سه مقدار شدت مجزا، عینیت میبخشند.
دستهبندی پیکسلها با همان شدت برای ایجاد "ناحیهای" بدون توجه به اتصال، منجر به بخشبندی میشود که
از نظر این بحث بیمعنا خواهد بود.

دسته بندی حیوانات وحشی بر اساس الگوریتم SVM و توضیحات محلی

موضوع فارسی: دسته بندی حیوانات وحشی بر اساس الگوریتم SVM و توضیحات محلی

موضوع انگلیسی:Classification of Wild Animals based on SVM and Local Descriptors

تعداد صفحه: 6

فرمت فایل: PDF

سال انتشار: 2014

زبان مقاله:‌ انگلیسی

چکیده: در این مقاله، یک روش جدید برای به رسمیت شناختن شی بر اساس توصیف ترکیبی محلی ارائه شده است. این روش با بهره گیری از ترکیبی از چند روش (غربال کردن - قابلیت مقیاس ثابت تبدیل، گشت و گذار - شتاب ویژگی های قوی) و شامل قسمت دوم. کاربرد روش های ترکیبی ارائه شده در چند تصاویر از مجموعه داده را نشان داد. کلاس های مجموعه داده نشان دهنده حیوانات بزرگ واقع در کشور اسلواکی، یعنی گرگ، روباه، خرس قهوه ای، گوزن و گراز وحشی. روش ارائه شده ممکن است همچنین در مناطق دیگر از طبقه بندی تصویر و استخراج ویژگی استفاده می شود. نتایج تجربی نشان می دهد، که ترکیبی از توصیف محلی دارای اثر مثبت برای به رسمیت شناختن شی.

پایان نامه تشخیص احساسات در چهره انسان

چکیده 

 پیشرفت علم پردازش تصویر در چند دهه اخیر تا حدی بوده است که استفاده ان را در علوم و صنایع گوناگون می توان به وضوح احساس کرد. تا جایی که عدم وجود این علم در بعضی از این موارد کاملا ان مورد را بی استفاده می کند. یکی از موارد پردازش تصویر که در این پایان نامه به ان پرداخته ایم تشخیص حالت چهره است؛ بدین صورت که تصویر بعنوان ورودی به سیستم وارد می شود و نرم افزار با استفاده از متد خاصی حالت چهره را (6 حالت) بعنوان خروجی بر می گرداند. در فصل اول به مقدمه ای درباره علم بینایی ماشین و پردازش تصویر پرداخته شده است. فصل دوم توصیف تاریخچه، تحلیل، متد استفاده شده برای پیاده سازی این نرم افزار ارائه شده است. در فصل سوم مقدمه ای در دسته بندی و متدی که استفاده شده در این پروژه پرداخته شده است. فصل چهارم به نتایج و مقایسه تخصیص داده شده است.

1مقدمه ای بر ماشین بینایی

از میان همه شاخه‌های هوش مصنوعی، شاید کاربردی‌ترین ان‌ها کامپیوتری و مکانیزه کردن سیستم‌های بینایی باشد. دامنه کاربرد این شاخه از فناوری در حال رشد، بسیار وسیع است و از کاربردهای عادی و معمولی مثل کنترل کیفیت خط تولید و نظارت ویدئویی گرفته تا تکنولوژی‌های جدید مثل اتومبیل‌های بدون راننده را دربرگرفته است. دامنه کاربردهای این تکنولوژی براساس تکنیک‌های مورد استفاده در ان‌ها تغییر می‌کند. دراین مقاله سعی داریم به شما نشان دهیم که سیستم‌های بینایی ماشین چگونه کار می‌کنند و مروری کوتاه بر اهداف، تکنیک‌ها و تکنولوژی‌های موجود داشته باشیم و سعی داریم با نحوه کار بینایی ماشین و پیشرفت ان‌ها که مطابق با سیستم بینایی انسان است، اشنا شویم.

1-1-1 بینایی ماشین(MV)

بینایی ماشین، روند بکارگیری طیف وسیعی از فن اوری ها و روش هایی را در فراهم کردن بازرسی خودکار را بر پایه تصویر برداری، کنترل فرایند و هدایت ربات در کاربردهای صنعتی را شامل می شود. در حالیکه دامنه MVگسترده است و در نظر گرفتن یک تعریف جامع برای ان مشگل است، ما در اینجا یک تعریف کلی و عمومی که در باب بینایی ماشین پذیرفته شده است را بیان می کنیم: بینایی ماشین شامل تجزیه و تحلیل تصاویر در استخراج داده ها برای کنترل یک فرایند یا فعالیت.

1-1-2 کاربردهای بینایی ماشین

استفاده های اولیه برای بینایی ماشین، بازرسی اتوماتیک و هدایت ربات است. برنامه های کاربردی MVمتداول شامل: تضمین کیفیت، دسته بندی، هدایت ربات، بررسی های عمده و کلی و مقیاس نوری می باشد.

1-1-3 متدها

روش بینایی ماشین با دو فرایند، تعریف و ایجاد یک راه حل MVحاصل شده است. و به عنوان فرایندی فنی در طول عملیات تعریف و ایجاد راه حل رخ می دهد. در سال 2006، استاندارد کمی در واسط و تنظیمات مورد استفاده در MVوجود داشت که شامل: واسط های کاربری و واسط هایی برای یکپارچه سازی سیستم های چند جزئی و تبادل خودکار اطلاعات می باشد. بااین حال اولین قدم در MV، سلسله متوالی از عملیات برای دستیابی به یک تصویر است که به طور معمول با استفاده از دوربین، لنز و نور بوده است، که برای فراهم کردن تمایز مورد نیاز در پردازش های بعدی طراحی شده است.

تعداد صفحات 128 word

فهرست مطالب

فصل اول

مقدمه............................................................................................ 1

1-1مقدمه ای بر ماشین بینایی...................................................................... 2

1-1-1 بینایی ماشین(MV)

1-1-2 کاربردهای بینایی ماشین................................................................... 2

1-1-3 متدها.................................................................................... 2

1-1-4 پردازش تصویر........................................................................... 3

1-1-4-1 استخراج ویژگی........................................................................ 3

1-1-4-2 روش های قسمت بندی تصویر......................................................... 5

1-1-4-3 دسته بندی............................................................................. 6

1-1-5 روش های پردازش تصویر در بینایی ماشین................................................. 6

1-1-6 مراحل بینایی ماشین....................................................................... 8

1-1-7 روش های فشرده‌سازی تصاویر............................................................ 9

1-1-8 تصاویر رقومی(دیجیتالی)................................................................ 11

1-1-9 مقادیر پیکسلها........................................................................... 11

1-1-10 دقت تصویر........................................................................... 11

1-2 تاریخچه پردازش تصویر.................................................................... 12

1-2-1 مراحل اصلی پروسه تشخیص تصویر..................................................... 14

فصل دوم

تحلیل.......................................................................................... 23

2-1تاریخچه الگوریتم الگوی باینری محلی..................................................... 24

2-1-1 نمونه 1: دسته بندی بافته بااستفاده ازطیف بافته......................................... 24

2-1-2 نمونه 2: مطالعه تفضیلی اندازه گیری و سنجش بافته ازطریق رده بندی برپایه توزیع خصایص........... 26

2-1-3 نمونه 3: مکانیابی واستخراج چشم درتصاویرچهره انسان.............................................. 26

2-1-4 نمونه 4: تشخیص چهره: مشکل تصحیح تغییراتی که در مسیر شدت های روشنایی در تصویر ایجاد می شود..... 28

2-1-5 نمونه 5: رده بندی بافت های مقاوم به چرخش(Rotation-invariant) با استفاده از توزیعات خصایص..... 30

2-1-6 نمونه 6: توالی هیستوگرام ..................................................................... 31

2-1-7 نمونه7: تشخیص قوی حالات چهره بااستفاده از........................................................ 34

2-1-8 نمونه 8: تشخیص احساسات با استفاده از الگوهای پیشرفته دودویی محلی(LBP)، پراکندگی(Entropies) tsallis وخصایص ظاهری و سراسری در چهره......................................................................... 36

2-1-9 نمونه 9: هیستوگرام الگوی دودویی محلی چند طیفه(Multispectral Local Binary Pattern Histogram) برای عناصر و اجزای مبتنی بر بازبینی رنگ چهره............................................. 38

2-2معرفی سیستم های مشابه.............................................................................. 39

2-2-1 الگوهای باینری محلی .................................................................... 39

2-2-2 الگوهای باینری یکنواخت محلی (local uniform binary pattern)..

2-2-3 الگوهای باینری محلی مقاوم در برابر چرخش (rotation invariant local binary pattern).

2-2-4 الگوی باینری محلی چند مقیاسه (multi-scale local binary pattern).

2-2-5 الگوی باینری Gabor محلی (local gabor binary pattern)

2-2-6 مقدار سطح شیب در الگوی باینری محلی (magnitude local binary pattern)

2-3تحلیل.............................................................................................. 42

2-3-1 واحد بافته(Texture Unit) و طیف بافته(Texture Spectrum)

2-3-1-1 دسته بندی بافته(Texture Classification).

2-3-2 مقیاس خاکستری(Gray Scal) و الگوهای باینری محلی با خصوصیت مقاوم به چرخش(Rotation Invariant LBP)

2-3-2-1 دست یافتن به تغییر ناپذیری مقیاس خاکستری در تصاویر gray scale..

2-3-2-3 بهبود ویژگی مقاوم به چرخش در تصاویر با الگوهای یکنواخت و بهتر شدن تدریجی(Quantization) زاویه های چرخش در تصویر 55

2-3-2-4 اندازه گیری واریانس(انحراف) در ویژگی مقاوم به چرخش تصاویر به واسطه ی کنتراست(تفاوت رنگ) بافت تصویر محلی 59

2-3-2-5 قاعده کلی دسته بندی غیر پارامتری..................................................... 60

2-3-2-6 انالیز چند رزولیشنه(Multiresolation Analysis)....................................

2-3-3-1 مدل یادگیری برای توصیف بافته......................................................... 63

2-3-3-2 فرمولاسیون مدل یادگیری پیشنهادی....................................................... 63

2-3-4 سطح الگوی باینری محلی (VLBP)

2-3-4-1 سطح الگوی باینری محلی پایه ای(Basic Volume Local Binary Pattern).

2-3-4-2 خاصیت مقاوم در چرخش در سطح الگوی باینری محلی(Rotation Invariant VLBP).............. 

2-3-4-3 الگوهای باینری محلی از سه سطح متعامد(Local Binary Patterns From Three Orthogonal Planes)

2-3-4-4 توصیف گر محلی برای انالیز تصویر چهره...................................................... 84

فصل سوم

دسته بندی........................................................................................ 89

3-1 چکیده.................................................................................. 90

3-2 مقدمه.................................................................................... 90

3-3 مقدمه ای در دسته بندی......................................................................... 91

3-4-1 SVM....................................................................................... 

3-4-2 SVM غیر خطی.................................................................................... 103

3-4-3 Svm خطی.......................................................................... 104

3-4-3-1 فرم اولیه......................................................................................... 106

3-5- 4 SVM Multiclass................................................................ 

3-6 استفاده از دانش قبلی در SVM.................................................................. 

3-7 Soft Margin(حاشیه نرم)............................................................................ 110

3-8 خصوصیات SVM....................................................................................... 

3-9 رگرسیون(Regression)........................................................................... 

فصل چهارم

نتایج ومقایسه.......................................................................................... 113

1-4 نتایجی برای VLBP.......................................................................... 

4-2 نتایجی برای LBP-TOP............................................................................... 

4-4 نتیجه گیری............................................................................................... 118

پیوست ها................................................................................................. 120

پیوست الف................................................................................................................................... 121

چکیده انگلیسی.............................................................................................. 122

فهرست اشکال و نمودارها

شکل 1: 5 حالت مختلف از یک تصویر. 29

شکل 2: نرمال سازی تصویر frontal29

شکل 3: چهارچوب کلی LGBPHSبرای نمایش چهره31

شکل 4: عملگر LBPاصلی و اولیه. 34

شکل 5: تقسیم تصویر به یک بلوک 7*6. 36

شکل 6: مثالی از انتقال یک همسایگی در یک واحد بافته. 43

شکل 7: مثالی از طیف بافته که از طریق تصاویر شکل 6 محاسبه شده اند. 44

شکل 9: دسته بندی با حضور ناظر از شکل8. چهار کلاس با چهار سطح خاکستری نمایش داده شده اند.48

شکل 10: اختصاص دهی احتمال در دسته بندی برای هر عنصر از شکل 4.49

شکل 11: مجموعه همسایگی های متقارن. 50

شکل 12: مجموعه های همسایگی متقارن مدوّر برای (P,R) های مختلف... 50

شکل 13: مستقل سازی و جدا کردن پیکسل مرکزی از پیکسل های همسایگی.. 51

شکل 14: 36 دوران ثابت منحصر به فرد. 54

شکل 15: استخراج الگوها برای نمایش نقاط تیره و روشن، نواحی مسطح و لبه ها55

شکل 16: مثالی از دوران زاویه ای.. 56

شکل 17: مثالی از الگوهای یکنواخت و غیر یکنواخت.. 56

شکل 18: الگوهای یکنواخت و غیر یکنواخت.. 58

شکل 19: توزیع اتصالات.. 60

شکل 20: تصویر شماتیکی از یک مدل یادگیری.65

شکل 22: عدد خصایص در مقابل عدد کدهای LBP. 79

شکل23: سه سطح در الگوی پویا در استخراج نقاط همسایگی.. 80

شکل 25: (a) سه سطح در بافته پویا، (b) هیستوگرام LBPاز هر سطح، (c) الحاق هیستوگرام خصیصه. 82

شکل 26: شعاع وعدد نقاط همسایگی های مختلف روی سه سطح.. 83

شکل 27: جزئیات نمونه گیری برای شکل 26. با83

شکل 28: (a) بلوک های غیر همپوشانی شده (8*9)، (b) بلوک های همپوشانی شده(3*4 با سایز همپوشانی 10)86

شکل 29: خصایص در هر سطح بلوک. (a) سطوح بلوک، (b) خصایص LBPاز سه سطح متعامد، (c) خصایص برای هر سطح بلوک از طریق شکل ظاهری وحرکت با هم الحاق می شوند.87

شکل30: نمایش حالات چهره87

شکل 31. نوع اول چیدمان داده ها92

شکل 32. نوع دوم چیدمان داده ها93

شکل 33. نوع سوم چیدمان داده ها94

شکل 34. نوع چهارم چیدمان داده ها95

جدول 1. 114

جدول 2. 115

جدول 3. 116

جدول 4. 116

نمودار 1. 117

جزوه آموزشی پردازش تصویر در متلب (MATLAB)

جزوه آموزشی پردازش تصویر در متلب (MATLAB)

در این  جزوه ابتدا با نرم افزار متلب آشنا شده و فرمانها و  ویژگیهای اصلی این نرم افزار آموزش داده می شود، در مرحله بعد آموزشی مقدماتی برای پردازش تصویر در نرم افزار متلب، آورده شده است.