بازيابی پايگاه داده ويدئويی با به کارگيری ويژگی های نقطه ای قابها
در اين مقاله بازيابی پايگاه داده (data base) ويدئويی بر مبنای پيدا کردن و دنبال کردن ويژگيهای نقطه ای ذاتی قابها (intuitive point features in frames) ارائه شده است. به منظور يافتن اين ويژگيهای نقطه ای، آشکارساز کورنر چند درجه ای (multi-scale corner) [1] به کار می رود. مدل کانتورهای فعال سريع [2] (fast active contours) به عنوان رابط کاربر جهت علامتگذاری شئی مورد نظر استفاده ميشود. نزديکترين نقاط ذاتی شئی مورد نظر استخراج، و با حرکت به جلو و عقب در کل پايگاه، اين نقاط دنبال و علامتگذاری ميشوند [ 3] . در انتهای بازيابی، تمام اشيای مشابه با شئی مورد نظر، نشان داده می شوند. به اينصورت که در هر قاب، شئی بازيابی شده، به کمک يک کانتور بسته و يا يک مستطيل احاطه کننده، مشخص ميشود. آزمايشات انجام شده روی طيف وسيعی از پايگاههای داده ويدئويی معتبر و استاندارد تاييد ميکند که روش بازيابی ارائه شده با تمام سادگی که برای کاربر دارد، از آنجايکه هيچ فرض خاص و محدوديتی روی پايگاه داده در نظر نگرفته، از تمام روشهای موجود بازيابی پايگاههای داده ويدئويی پايدارتر و عمومی تر است.
بخشبندی خودکار مرزهای کولون در تصاویر سیتیاسکن با استفاده از مدلهای شکلپذیر هندسی
سرطان کولون 1 دومين علت مرگ و مير سرطاني و يکي از شايع ترين انواع سرطان در افراد سالخورده ميباشد. استفاده از آناليز تصاوير سه بعدي سيتي اسكن 2 يکي از تکنيکهاي جديد باليني براي شناسايي عوامل اوليه بروز سرطان مانند پليپ وهمچنين ميزان پيشرفت آن در جهت يشگيري يا درمان است. يكي از مراحل آناليز توسعه روشهاي بخشبندي مناسب جهت يافتن مدل مجازي كولون از تصاوير موجود ميباشد. روش مدلهاي شکل پذير يكي از روشهاي بخشبندي تصاوير پزشکي ميباشد که در سالهاي اخير مورد توجه واقع شده است. از مزيتهاي برجسته مدلهاي شکلپذير، همواري و پيوستگي در مرزهاي خروجي ميباشد. مدلهاي شکلپذير به دو دسته پارامتريک و هندسي تقسيم ميشود. طبق تعريف مدل شکلپذير هندسي علاوه بر مزاياي ذکرشده قادر است هر توپولوژي دلخواه را دنبال کند. با توجه به پيچيدگي توپولوژي که در کولون ديده ميشود توسعه مدل شکلپذير هندسي براي بخشبندي خودكار پيشنهاد ميگردد. الگوريتم توسعه داده شده شامل مراحل زير ميباشد 1))تعيين مرز اوليه با استفاده از الگوريتم چندمقياسه و چندمرحلهاي (2)تصحيح و هموارسازي مرزهاي اوليه بکمک روش شکلپذير هندسي تعداد داده هاي مورد استفاده شامل دو ديتا ست با 900 مقطع ميباشد. نتايج حاصله نشاندهنده بهبود مرزهاي كولون با استفاده از مدل پيشنهادي نسبت به مرزهاي اوليه ميباشد.
بررسی امکان کاربرد ماشین بینایی و شبکه عصبی مصنوعی در پیش بینی میزان رطوبت میگوی خشک
دراين پژوهش روشي براي رنگ سنجي محصولات غذايي- مطالعه موردي : ميگوي خشک شده - و پيش بيني ميزان رطوبت در نمونه ها با استفاده از ماشين بينايي ارايه ميگردد. 2520 عکس گرفته شده از انواع ميگوي فراوري شده - در درجات حرارت100- 130 درجه سانتي گراد و به مدت 15-180 دقيقه در شرايط نورپردازي خاص، براي استخراج پارامترهاي رنگي مشتمل بر ميانگين و واريانس در دو فضاي رنگي L*a*b و RGB مورد استفاده قرار گرفتند . پس از آناليز شيميايي نمونه ها و تعيين ميزان رطوبت آنها، از مدلسازي به روش شبکه عصبي مصنوعي براي پيش بيني ميزان رطوبت نمونه ها استفاده شد . ضريب همبستگي بالاي خروجي مدل شبکه عصبي و داده هاي آزمايشگاهي (0.86) داد که اين مدل کارايي مناسبي براي پيش بيني ميزان رطوبت دارد، ضمن آنکه مي توان امکان جايگزيني روش پردازش تصوير را با روشهاي رنگ سنجي دستگاهي که عمدتا" پيچيده و هزينه بر مي باشند، مد نظر قرار داد.
بکارگیری یک مدل گراف دولایه به منظور بازیابی تصاویر با استفاده از محتوی و مفاهیم سطح بالای آنها
در اين مقاله يک سيستم باز يابي تصوير مبتني بر يک مدل گراف دولايه پياده سازي و با انجام اصلاحات بهبود يافته است. اين مدل اين قابليت را دارد که علاوه بر اطلاعات بازخورد ي در طول يک جلسه باز يابي 1، از اطلاعات بازخوردي در ساير پرس وجوها ي ديگر نيز استفاده کند . به همين علت علاوه بر کارايي بسيار خوب در باز يابي کوتاه مدت، در بازيابي بلندمدت نيز کارايي خوبي دارد. لايه اول گراف، همبستگي بين تصاوير را از نقطه نظر شباهتهاي بصري نشان مي دهد که به کمک يک سيستم بازيابي تصوير مبتني بر محتوي (cbir) ايجاد مي شود. لايه دوم نماينده شباهتها ي معنايي بين تصاوير است که بوسيله يک الگوريتم يادگيري مفا هيم و روابط معنايي بين تصاوير را، از طريق بازخوردها ي کاربران استخراج مي کند. همچنين بر مبنا ي اين مدل گراف دولايه، روش تحليل اتصالات درون گراف برپايه ايده انتشار شباهت از طريق اتصالات بصري و معنايي، به منظور بازيابي تصاوير به کار گرفته مي شود. در اين مقاله با ارائه يک الگوريتم جديد يادگيري بر پايه الگوريتم قبلي و نيز تغيير در نحوه استخراج و تفسير اطلاعات درون لا يه ها، کارايي مدل گراف دولايه به طور قابل ملاحظه اي بهبود يافته
بکارگيری انرژی فشار بافت در مدلهای کانتور فعال جهت رديابی شئ بافتی در پس زمينه بافتی
مدلهای کانتور فعال 1 ابزاری قدرتمند برای شناسايی و رديابی تصويری هستند که به صورت گسترده در کاربردهای بينايی ماشين و پردازش تصوير مورد استفاده قرار می گيرند. اين مقاله روشی جديد رديابی را با استفاده از مدلهای کانتور فعال معرفی مي کند. در روش پيشنهادی با اضافه کردن يک انرژی فشاری جديد، به نام انرژی فشار بافت به تابع انرژی مدل کانتور فعال، امکان رديابی اشياء بافتی در پس زمينه بافتی فراهم می شود. در اين طرح ويژگيهای بافتی نقاط کانتور با استفاده از روش مبتنی بر گشتاور 2 محاسبه می شود، سپس با مقايسه اين ويژگيها با ويژگيهای بافت شئ هدف، که به صورت اطلاعات قبلی وجود دارد و يا از طريق محاسبه در قاب اول بدست می آيد، منحنی کانتور جهت انطباق بر مرزهای شئ، منبسط يا منقبض می شود. نتايج آزمايشها نشان می دهد روش پيشنهادی نسبت به روشهای رايج در شرايطی که شئ و پس زمينه هر دو بافتی باشند، از نظر دقت در رديابی کاراتر است.
بهبود روش طراحي فيلترهاي ريخت شناسي مبتني بر الگوريتم ژنتيک و تبديل موجک
فيلترهاي ريخت شناسي 1 دسته مهمي از فيلترهاي غير خطي هستند که کاربردهاي گستردهاي در پردازش و تحليل تصاوير يافته اند. از آنجا که طراحي آنها به دانش قابل توجهي در زمينه رياضيات ريخت شناسي نياز دارد، الگوريتم- هاي ژنتيک به عنوان روشي خودکار براي طراحي اينگونه فيلترها پيشنهاد شده اند. رو شهاي مبتني بر الگوريتم هاي ژنتيک نياز به اطلاعات و پيش فرضهاي اوليه کمتري دارند. يکي از مشکلات اصلي در روش هاي ارائه شده سرعت حصول فيلتر از طريق تکامل بوده است. در اين پروژه با به- کارگيري تبديل موجک 2 تصويرهاي آموزشي را بسيار کوچک نموده تا ميزان پردازش لازم در مرحله تکامل بسيار کاهش مييابد. نتايج حاصل نشان مي دهد که روش پيشنهادي در مقايسه با روشهايي همچون برش بهبود چشمگيري را نشان مي دهند.
بهبود طبقه بندي کننده الهام گرفته شده از سيستم ايمني بدن به کمک AdaBoost
سيستم هاي ايمني مصنوعي (AIS) 1 شاخه جديدي از هوش مصنوعي است که با الهام گرفتن از سيستم ايمني بدن الگوريتم هايي را در زمينه هاي مختلف هوش مصنوعي ارائه ميکند. از جمله مي توان الگوريتم2 AIRS را که براي طبقه بندي بکار مي رود، نام برد. قسمتي از کار سيستم ايمنی رهاسازي لنفوسيتها در خون است. دو نوع مختلف از اين لنفوسيتها بنام B-cell ها و T-cellها با گردش در خون، شناسايي عوامل بيگانه و توليد سلولهاي ماندگار نوعي ايمني دائمي به وجود ميآورند. الگوريتم AIRSباتوجه به اين شيوه، سعي در يادگيري الگوهاي ورودي دارد. اين الگوريتم با ايجاد نوعي مکانيزم رقابتي، سلولهاي ايمني که بهترين طبقه بندي را انجام ميدهد تکثير مي کند و زنده نگه ميدارد. نهايتاً از اين سلولها به عنوان طبقه بندي کننده استفاده مي کند. در اين مقاله تقويت کننده Adaboost بر نسخه اصلاح شدهي AIRS اعمال شده است. اين نسخه از AIRS سرعت يادگيري را افزايش داده و به بهبود نتايج در مقايسه با طبقه بندي کننده AIRS ساده مي انجامد. بهبود نتايج روي مجموعه دادههاي استاندارد Iris وDiabetes , Glass نشان داده شده است. نتايج به دست آمده حاکي از بهبود 0.07 روي مجموعه داده ،Glass مقدار 0.04 روي Diabetes و در مورد ديگر0.01 است.
بهبود كارايي طبقهبندي كننده فازي با آموزش توابع عضويت و انتخاب قواعد در كاربرد تشخيص ارقام دستنويس فارسي
يكي از روشهاي مورد استفاده در زمينة دسته بندي الگوها استفاده از منطق فازي است. از مسائل موجود در طبقه بندي كننده هاي فازي، كاهش تعداد قواعد فازي است طوريكه كارايي سيستم، حفظ شود. در اين مقاله با ارائه يك روش آموزش جديد براي توابع عضويت و همچنين روشي جديد براي حذف قواعد نامناسب فازي، و تركيب آنها يك سيستم طبقه بندي كننده فازي براي دسته بندي ارقام دست نويس فارسي ايجاد شده است كه ضمن كاهش تعداد قواعد فازي در حدود يك سوم قواعد اوليه، قدرت تعميم آن را نيز افزايش ميدهد.
بهينهسازي سرعت آستانهيابي مبتني بر آنتروپي با بكارگيري الگوريتم بهينهسازي گروه ذرات
ناحيه بندي تصوير با خودكار كردن يا تسهيل نمودن تشخيص ساختارهاي مختلف و نواحي مورد علاقه، نقش مهمي را در بسياري از كاربردهاي تصويرگري بازي مي كند. در اين مقاله روش آنتروپي بهمراه روش آستانه گذاري جهت تعيين آستانة بهينه جهت جداسازي شيء از زمينه مطرح شده است و با بكارگيري الگوريتم بهينه سازي گروه ذرات سرعت اين آستانه يابي افزايش يافته است و امكان ناحيه بندي زمان حقيقي فراهم شده است. روش آستانه يابي مبتني بر آنتروپي از ويژگي يك بعدي هيستوگرام سطح خاكستري براي ناحيه بندي استفاده كرده است زيرا اين هيستوگرام توزيع اطلاعات سطح خاكستري را شامل مي شود. در اين مقاله الگوريتم بهينه سازي گروه ذرات با موفقيت با آستانه يابي مبتني بر آنتروپي بكار گرفته شد و نتايج بدست آمده بر روي تصاوير واقعي نشان ميدهد كه روش مطرح شده با حجم محاسباتي كمتري نتايج ناحيه بندي مناسبي را نتيجه مي دهد كه با روش جستجوي كامل تطابق دارد. مزيت اين روش نسبت به روش آستانه يابي مبتني بر آنتروپي با جستجوي كامل، سرعت بالاتر آن در يافتن آستانة بهينه مي باشد.
پردازش تصویر با استفاده از معادلات دیفرانسیل مرتبه کسری
در مقوله پردازش تصوير، معادلات ديفرانسيل جزئي براي حذف نويز و پايدارسازي لبه هاي تصوير مورد استفاده قرار ميگيرد. از مهمترين اين معادلات، روش انتشار )معادلات گرما( و اصل تغييرات (معادلات انرژي ) ميباشد. در اين مقاله سعي خواهد شد با به کارگيري اپراتورهاي مرتبه کسري و بازنويسي معادلات ديفرانسيل جزئي از مرتبه کسري، به اهدافي که از اعمال معادلات گرما و انرژي به تصاوير دنبال ميشود دست يافته و پاسخهاي پايدارتري حاصل شود. براي حصول اين امر از تعريف مشتق مرتبه کسري گرانوالد-لتنيکف بهره گرفته شده است. استفاده از اين معادلات حدود و مرزهاي تصوير را با درجات متفاوت وضوح در اختيار قرار خواهد داد.