bikaran1384

با درود
به عنوان مثال: اگر از کف دو دست عکس بگیریم و در یکی از دستها زخمی وجود داشته باشه چطور میتوان با توجه به مقایسه عکس این 2 دست زخم را تشخیص داد ؟؟؟؟؟؟؟؟؟؟؟؟؟؟
یکی از این راه حل ها تفریق 2 عکس از همدیگه است که البته با توجه به اندازه متفاوت 2 دست و همینطور عدم تقارن هندسی چندان دقیق نیست ..............روش دیگه اگر فرض کنیم که زخم قرمزتره با توجه به شبکه های عصبی بتوان ان را جدا کرد من از دوستان خواهش میکنم اگه روش دیگه ای به ذهنشان میرسد به من کمک کنند .......اگه مقاله ای در این زمینه دارند به من معرفی کنند........... با تشکر

raha_hakhamanesh

با سلام
مسلما روش های قدیمی تفریق تصویر مطلوب این پروژه نیست؛ به نظر من استفاده از روش های استخراج ویژگی + یادگیری با ترکیب پردازش تصویر می تواند براحتی کار مربوطه را با ضریب موفقیت بسیار بالایی انجام دهد.
به این ترتیب که
ابتدا تعداد زیادی تصویر متفاوت از کف دست (زخمی و غیرزخمی) تهیه کنید (بعنوان نمونه) و با یک الگوریتم یادگیری سعی کنید یک مدل یا الگوی خاص برای کف دست ایجاد کنید (SVM توصیه می شود اگر چه GentleBoost هم خوبه). تصاویر کف دست سالم را با برچسب 0 و زخمی ها را با برچسب 1 مشخص کنید حالا شما یک مسئله ساده دسته بندی باینری دارید.

مشکلات احتمالی:
احتمالا نباید موقعیت و شکل هندسی کف دست در موارد زیاد متفاوت باشد یعنی مثلا اگر دو کف دست دقیقا بر هم منطبق نیستند اشکال ندارد ولی طوری نباشد که کف دست ها زاویه دار یا در مقیاس متفاوت باشند اگر چه برای آنها هم راهکارهایی است.

موفق باشید
.

__________________
.
.
.
برای تشکر دکمه مخصوص وجود دارد لطفا پست هرز ایجاد نکنید
.
.
اینقدر از دسترسی نداشتن به مقاله شیون نکنید

مقالات انگلیسی: ایران سای (ISI, IEEE, ACM)
مقالات فارسی: سیویلیکا (کنفرانس داخلی)
مقالات فارسی: مگ ایران (ژورنالهای داخلی)

bikaran1384

با تشکر از راهنماییت ایا مقاله ای در این زمینه سراغ دارید

bikaran1384

دوستان کسی در این زمینه مقاله نداره فارسی و انگلیسی فرقی نمیکنه

raha_hakhamanesh

با سلام
اگر ایده ای که دادم مورد نظرت هست بهتره از PCA شروع کنی یعنی ببین سایر مقالات با PCA چطور یک بردار نرمال از اشیاء مشابه ایجاد کرده اند شما هم از همه تصاویر کف دست سالم یک بردار نرمال بساز با Eigenvalues . همین کار رو برای کف دست زخمی انجام بده کار تمومه.
مشابه چنین مساله ای رو میشه درباره چهره پیدا کرد چون در نهایت کار Recognition محسوب میشه منتهی کار شما خیلی ساده تر از اون خواهد بود بعبارتی همانطور که قبلا گفتم میشه Binary classification . مثل اینکه در موضوع چهره فقط بخواهیم جنسیت مرد یا زن بودن را تشخیص بدیم.

این کلمات رو برای جستوی مقاله استفاده کن: PCA + SVM + Face

موفق باشید
.

__________________
.
.
.
برای تشکر دکمه مخصوص وجود دارد لطفا پست هرز ایجاد نکنید
.
.
اینقدر از دسترسی نداشتن به مقاله شیون نکنید

مقالات انگلیسی: ایران سای (ISI, IEEE, ACM)
مقالات فارسی: سیویلیکا (کنفرانس داخلی)
مقالات فارسی: مگ ایران (ژورنالهای داخلی)

bikaran1384

باتشکر از راهنماییت ولی مشکل اصلی من در این پروژه این طوره که من در باره تصاویر حرارتی دارم کار میکنم و وجود زخم باعث افزایش حرارت در دست میشود ولی این افزایش درجه حرارت در انسان های مختلف متفاوته بنابراین من مجبورم که عدم تقارن رو فقط روی دو دست هر نفر انجام بدم این روش شما نیاز به وجود یک استاندارد برای همهی انسانها داره

raha_hakhamanesh

با سلام
خب سوال اول اینه که چرا این رو الان می گی؟
و سوال دوم اینه که چرا این سوال رو تو بخش پردازش تصویر مطرح کردی؟

با این حال ان شاالله تا فردا برات یک راهکار پیشنهاد می دم (الان فرصت کافی ندارم)، ممکنه سایر دوستان هم که فرصت دارن کمک کنند.

موفق باشید

__________________
.
.
.
برای تشکر دکمه مخصوص وجود دارد لطفا پست هرز ایجاد نکنید
.
.
اینقدر از دسترسی نداشتن به مقاله شیون نکنید

مقالات انگلیسی: ایران سای (ISI, IEEE, ACM)
مقالات فارسی: سیویلیکا (کنفرانس داخلی)
مقالات فارسی: مگ ایران (ژورنالهای داخلی)

raha_hakhamanesh

با سلام
خوب بود اگر امکانش هست نمونه ای از تصاویر رو اینجا بذارید تا سایر دوستان که بعدا این تاپیک رو دنبال می کنند درک بهتری داشته باشند.
بعد از اینکه نمونه های مشابه تصویر سوال شما رو در اینترنت دیدم این پیشنهاد به ذهنم اومد که احتمالا شما می توانید از قطعه بندی (Segmentation) استفاده کنید. یعنی تصویر حرارتی را به یک الگوریتم قطعه بندی* بدید و نتایج رو با محدوده مورد نظر خودتون مقایسه کنید.

* انتخاب الگوریتم به ساختار صورت مسئله وابسته است و من نمی تونم تا نمونه های شما رو نبینم پیشنهادی در این خصوص بدم ولی چند روش کلی رو پیشنهاد می دم که شما باید اونها رو برای کاربرد موردنظرتان ارزیابی کنید.
Otsu’s method
Minimum Cut
Hough transform
K-means and Mean-shift
watershed
texture filters

ولی احتمالا Mean-Shift برای کار شما مطلوب باشد، سورس کد در متلب: Mean Shift Clustering - File Exchange - MATLAB Central

موفق باشید

__________________
.
.
.
برای تشکر دکمه مخصوص وجود دارد لطفا پست هرز ایجاد نکنید
.
.
اینقدر از دسترسی نداشتن به مقاله شیون نکنید

مقالات انگلیسی: ایران سای (ISI, IEEE, ACM)
مقالات فارسی: سیویلیکا (کنفرانس داخلی)
مقالات فارسی: مگ ایران (ژورنالهای داخلی)

masood

با سلام خدمت دوستان
بنده هم معتقد به دیدن نمونه هایی از تصاویر مد نظر هستم. به هر عنوان شما اگر نوع تصاویری که می گیری حرارتی باشند. بنابراین می تونیم اون رو در قالب خاکستری یا همون Grayscale بررسی کنیم. و برای تشخیص چیزی مثل ذخم می تونیم بریم به سراغ نمودار معروف هیستوگرام. چون بنابه فرموده شما باعث افزایش حرارت و لذا افزایش تعداد پیکسل ها در یک بخش خاص نمودار می شه.
در این خصوص احتمالاً انواع روش های Histogram Maching و یا Histogram Segmentation به نظر مفید میان.

__________________
یک روز یک ماشین برای انتخابات ریاست جمهوری ثبت نام می کند
چه بخواهیم چه نخواهیم این اتفاق می افتد.

bikaran1384

دوستان من تاپیک خاصی در مورد تصاویر رنگی ندیدم بنابراین مجبور شدم که مطلبم را اینجا بذارم