Artificial Intelligence - هوش مصنوعی  
انجمن را در گوگل محبوب کنيد :

بازگشت   Artificial Intelligence - هوش مصنوعی > پردازش تصویر > پردازش تصوير(Image Processing)


 
Artificial:
تبليغات سايت
کارگاه آموزشی
تبلیغات
فرادرس

فیلم های آموزشی
ژنتیک و محاسبات تکاملی
فیلم های آموزشی
شبکه عصبی مصنوعی
فیلم های آموزشی
الگوریتم های فراابتکاری
فیلم های آموزشی
داده کاوی
فیلم های آموزشی
سیستم های فازی
فیلم های آموزشی
آموزش متلب
آموزش الگوریتم TLBO آموزش شبکه عصبی مصنوعی آموزش الگوریتم کرم شب تاب آموزش داده کاوی در متلب آموزش سیستم های فازی آموزش برنامه نویسی متلب
آموزش الگوریتم PSO آموزش شبکه عصبی گازی آموزش الگوریتم مورچگان آموزش آمار و داده کاوی آموزش استنتاج فازی در متلب آموزش رابط گرافیکی در متلب
آموزش ترکیب ژنتیک و PSO آموزش شبکه عصبی رقابتی آموزش الگوریتم علف هرز آموزش وب کاوی آموزش خوشه بندی آموزش شبیه سازی با سیمولینک
آموزش الگوریتم BBO آموزش شبکه عصبی MLP آموزش الگوریتم جهش قورباغه آموزش داده کاوی RapidMiner آموزش نگارش آکادمیک آموزش تحلیل آماری در متلب
آموزش الگوریتم فرهنگی آموزش شبکه عصبی RBF آموزش الگوریتم کرم شب تاب آموزش مبانی داده کاوی تنظیم ضرایب PID در متلب آموزش واقعیت مجازی در متلب
آموزش انتخاب ویژگی آموزش شبکه عصبی LVQ آموزش الگوریتم زنبور ها آموزش کاهش تعداد رنگ تحلیل پوششی داده ها در متلب آموزش محاسبات نمادین در متلب
آموزش الگوریتم ژنتیک آموزش شبکه عصبی GMDH آموزش کلونی زنبور مصنوعی آموزش کاهش ابعاد سیستم فازی عصبی ANFIS آموزش زبان C
الگوریتم رقابت استعماری شبکه عصبی با نروسولوشن آموزش الگوریتم ژنتیک کاوش قواعد وابستگی بهینه سازی مقید در متلب آموزش زبان C++
Iranian Association for the Advancement of Artificial Intelligence
ارسال تاپيک جديد  پاسخ
 
LinkBack ابزارهاي تاپيک نحوه نمايش
قديمي ۱۰-۲۹-۱۳۸۸, ۰۲:۳۵ بعد از ظهر   #1 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,466
تشكرها: 754
16,236 تشكر در 3,125 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Thumbs up دانلود مقالات چهارمين كنفرانس ماشين بينايي و پردازش تصوير ايران

مقالات چهارمين كنفرانس ماشين بينايي و پردازش تصوير ايران:


1. طراحي کم توان asic براي عملگر فراخش در پردازش تصوير دودويي
2. طبقه بندي بافت مستقل از دوران و مقياس با استفاده از تبديل Curvelet
3. تخمين آستانه با استفاده از قوانين فازي جهت نويززدايي در حوزه موجک
4. تخمين آستانه با استفاده از برنامه نويسي ژنتيک جهت نويززدايي در حوزه موجک
5. تخمين نقاط کنترل در تصاوير شبه ايزومتريک با خوشه بندي نواحي هم رنگ
6. آشكار سازي بازيكنان در تصاوير فوتبال
7. آشكارسازي چشم ها و دهان در تصويرهای دیجیتالی
8. اتوماسیون برش گل زعفران بااستفاده از پردازش تصویر
9. ارائه روشي جديد در "به هم پيوستن تصاوير" (Image Stitcher) و كاربردهاي آن در تهيه تصاوير ويدئويي وسيع
10. ارائه يک رهيافت جديد براي تشخيص هويت افراد از روي راه رفتن بر مبناي الگوريتم dtw اصلاح شده و مجموعه هاي فازي
11. ارائه يک طبقه‌بندی‌کننده با ساختار ترکيبی SVM/HMM
12. استخراج اتوماتیک نقاط کلیدی صورت از روی تصاویر رنگی متعامد
13. استخراج کانتور لب با استفاده از تصاوير رنگي
14. استخراج ويژگي از تصاوير عنبيه با استفاده از تبديل موجک دوبچيز2 و فيلترهاي گابور به همراه آناليز حساسيت
15. استفاده از پراكندگي مقادير ويژه در ايجاد درخت ِخوشه‌بنديِ فازي بدون راهنما
16. استفاده از الگوريتم ژنتيک در حل مسأله تطبيق غيردقيق زيرگراف به منظور استفاده در تشخيص شی
17. Small Eigen Value Based Skew Estimation in
18. بازشناسی قلمهای فارسی به کمک ضرايب خودهمبستگی
19. بازشناسي ديداري گفتار با استفاده از مدلهاي شکل فعال و مدلهاي مخفي مارکوف
20. بازيابی پايگاه داده ويدئويی با به کارگيری ويژگی های نقطه ای قابها
21. بخش‌بندی خودکار مرزهای کولون در تصاویر سی‌تی‌اسکن با استفاده از مدلهای شکل‌پذیر هندسی
22. بررسی امکان کاربرد ماشین بینایی و شبکه عصبی مصنوعی در پیش بینی میزان رطوبت میگوی خشک
23. بکارگیری یک مدل گراف دولایه به منظور بازیابی تصاویر با استفاده از محتوی و مفاهیم سطح بالای آنها
24. بکارگيری انرژی فشار بافت در مدلهای کانتور فعال جهت رديابی شئ بافتی در پس زمينه بافتی
25. بهبود روش طراحي فيلترهاي ريخت شناسي مبتني بر الگوريتم ژنتيک و تبديل موجک
26. بهبود طبقه بندي کننده الهام گرفته شده از سيستم ايمني بدن به کمک AdaBoost
27. بهبود كارايي طبقه‌بندي كننده فازي با آموزش توابع عضويت و انتخاب قواعد در كاربرد تشخيص ارقام دست‌نويس فارسي
28. بهينه‌سازي سرعت آستانه‌يابي مبتني بر آنتروپي با بكارگيري الگوريتم بهينه‌سازي گروه ذرات
29. پردازش تصویر با استفاده از معادلات دیفرانسیل مرتبه کسری
30. تأييد هويت افراد با استفاده از خطوط موجود در يک ناحيه دايره اي کف دست
31. تسریع درتقطیع تصویر با استفاده از شبکه عصبی فازی هاپفیلد
32. تشخيص عيوب سطوح فولادی بکمک مشخصه های بافتی آماری و رنگ
33. تشخيص لبه در تصاوير ‌ با استفاده از‌ اتوماتاي يادگير سلولي
34. تعريف صفحات برش در نماسازي حجمي به كمك کد کردن مختصات فضایی در تابع تبدیل کدری
35. تعيين انتقال دوراني و مقياس بين دو تصوير براي ساخت پانوراما
36. تعيين مرز عروق خونی در تصاوير اولتراسوند داخل رگی(IVUS
37. تغييرترتيب رديفهاي colormap تصاوير رنگي جهت کاهش نرخ فشرده سازي با استفاده از الگوريتمهاي ژنتيک
38. رديابي تغيير شکل و حرکت اشيا، توسط مدل سطوح همتراز با قابليت تناظريابي نقطه اي
39. رمزنگاري تصوير با استفاده از نگاشت مستوي
40. روش آماري براي بازشناسي افراد از طريق ويژگي هاي هندسي دست آنها
41. روش جديد تناظريابي اتوماتيک در بينائي استريو با استفاده از شبکه هاي عصبي و همبستگي
42. روشی جديد و سريع برای تشخيص محل پلاک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی
43. رهگيری اهداف متحرک در تصاوير ويدئويي بر مبنای منطق فازی
44. شناسایی و تحلیل رویکردهای مختلف معناشناسی در روشهای تصویرکاوی با بهره گیری از معیارهای کارکردی
45. شناسايی غواص به روش ممان زرنيک
46. شناسايي حالت چهره با استفاده از پايگاه دادة مكاني-زماني itmi و qim
47. شناسايي خط و دايره در محيط‌هاي پيچيده با استفاده از نگاشت تصوير در فضاي مختلط
48. شناسايي دنباله زيرحروف متون چاپي فارسي با استفاده از قابليت پردازش زماني-مکاني شبكه عصبي با انتشار هدايت يافته
49. شناسايي متون چاپی فارسی با دقت بالا با استفاده همزمان از مدل مخفی مارکف, برنامه ريزی پويا و ماشين بردار پشتيبان
50. طبقه بندي تصاوير رنگي عنبيه به كمك ماتريس هم-اتفاقي تصوير Hue: يك لايه از ساختار سلسله مراتبي براي شناسايي مقاوم افراد
51. طراحی يک پروسه تمام اتوماتيک برای یافتن دنده جور در ميله موجگير خودروی پژو 206
52. ف.ي.ل.ت.ر تطبيقي تركيبي قله-دره، كمينه-بيشينه و ميانه براي حذف نويز نقطه اي با حفظ جزئيات تصوير
53. ف.ي.ل.ت.ر کردن مقادير تعلق برای مقاوم‌سازی تقطيع تصاوير در مقابل نويز
54. قطعه بندي تصاوير رنگي با استفاده از روش فازي بر پايه بهينه سازي گروه ذرات
55. کاربرد الگوريتم ايمني مصنوعي در خوشه يابي داده ها
56. کاربرد تبديل هادامارد مايل در کلاسبندی بافتها
57. كشف عيوب در تصاوير سطح چوب
58. كوانتيزاسيون رنگ مبنتي بر شبكه نگاشت خود سازمانده تطبيقي با زمان پروانه‌اي
59. گاري بر پاارائه ي الگوريتم جديد نهان يه ي تبديلridgelet
60. مروری بر روش‌های براساس ظاهر در نمايش و تشخيص اشيای سه بعدی
61. معياري جديد براي تشخيص ميزان افت کيفيت تصاوير در مدلهاي با مرجع بر اساس ويژگيهاي محلي و مشابهتهاي ساختاري
62. مقايسه بين گروهي مبتني بر وکسل تراکم ماده خاکستري در تصاوير mri افراد سالم و بيماران مبتلا به آلزايمر
63. مقايسه ويژگيهاي مبتني بر فيلترهاي گابور و ارايه روشي جديد براي تعيين هويت نويسنده براساس دستنوشته فارسي
64. مونيتورينگ غير تهاجمي دماي بافت كبد بطور موضعي با استفاده از تغییرات روشنایی نسبي تصاویر فراصوتي
65. نمایش سه بعدی فضای آرتیکولار با استفاده از تصاویر mr و بسط مشتقات سه بعدی شعاعی
66. نمايش و قطعه‌بندي مفهومي تصاوير با استفاده از درختان افراز کننده‌ فضاي دودويي
67. واترماركينگ تصاوير با استفاده از Rapid Transform
68. وزندهی به قوانین و الگوهای آموزشی جهت بهبود دقت کلاسه بندی سیستم های دسته بندی فازی

69. A Background Model Initialization Algorithm Based on QR-Decomposition
70. A Fast and Efficient Wavelet-Based Active Contour Method
71. A Fuzzy Hybrid Learning Algorithm for Radial Basis Function Neural Network
72. A New Method for Calculating Data Hiding Capacity of Gray Scale ../images Based On Structural Pattern of Bitplanes
73. A novel Hibrid Genetic-neural Approach for Breast Cancer Diagnosis on Dynamic Magnetic Resonance Imaging
74. A Parallelized and Pipelined Datapath to Implement ISODATA Algorithm for Rosette Scan ../images on a Reconfigurable Hardware
75. A Vision-Based Approach in Biomechanical Motion Analysis Using a Novel Tracker
76. An application of analysis to dehydration of pumpkin
77. Capacity Increase and Generalization of ±1 Embedding Steganographic Method
78. Developing a Method for Segmenting Palmprint into Region-Of-Interest
79. Diffusion Tensor Digital Phantom for Crossing Fibres Detection
80. Event Detection and Automatic Summarization in Soccer Video
81. Eye Detection in Color Images
82. Image Denoising with a Mixture of Gaussian Distributionswith Local Parameters in Wavelet Domain
83. Image Noise Reduction Using a Wavelet Thresholding Method Based on Fuzzy Clustering
84. Medical Image Fusion Based On Retina Model
85. Mosaicking Images with High Motion Parallax with Application to Video Compression
86. Multi-Features and Multi-Stages RBF Neural Network Classifier with Fuzzy Integral in Face Recognition
87. Semantic Image Segmentation Based on the Global Precedence Effect and Deformable Templates
88. Vehicle Velocity Detection System Based on Real-Time Motion Tracking
89 - تشخيص ارقام پلاكهاي خودرو به كمك تكنيكهاي پردازش تصوير تبديل هاف

ويرايش شده توسط Astaraki; ۰۱-۱۶-۱۳۹۳ در ساعت ۱۰:۲۴ بعد از ظهر
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
abbass_biniaz (۱۱-۳-۱۳۹۰), aimaryam (۰۸-۲۱-۱۳۸۹), alighadbak (۱۲-۱۰-۱۳۸۸), amin sma (۰۷-۱۱-۱۳۹۲), armin24 (۱۲-۱۵-۱۳۸۸), farshidkh1385 (۰۸-۴-۱۳۹۲), fereshteh78 (۰۹-۲۸-۱۳۸۹), hani-anjel (۰۱-۱۸-۱۳۹۰), m.rahmatinia (۰۹-۱۲-۱۳۹۱), manitis (۱۱-۱۰-۱۳۸۸), mardin200 (۱۰-۲۹-۱۳۸۸), mohammadbanan (۱۲-۲۰-۱۳۸۸), moien210 (۱۱-۹-۱۳۸۸), orchin (۰۸-۱۰-۱۳۹۱), pasmod (۱۱-۱-۱۳۸۸), samane.mohabbati (۱۱-۵-۱۳۹۲), samico (۰۴-۲۰-۱۳۸۹), sasol (۱۲-۱۶-۱۳۸۸), satar_hzal (۰۷-۱۸-۱۳۸۹), se7en (۰۶-۲۰-۱۳۸۹), نازنین حوا (۱۲-۱۷-۱۳۹۰), vahab60 (۰۷-۷-۱۳۹۲), warlord (۱۱-۲۶-۱۳۸۸), xtazi21 (۱۲-۱۵-۱۳۸۸)

قديمي ۱۰-۲۹-۱۳۸۸, ۰۲:۴۰ بعد از ظهر   #2 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,466
تشكرها: 754
16,236 تشكر در 3,125 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Wink

طراحي کم توان asic براي عملگر فراخش در پردازش تصوير دودويي

پردازش مورفولوژيکي بيدرنگ از مهمترين تکنيکهاي آناليز و بررسي اشكال موجود در يک تصوير است و از کاربردهاي آن ميتوان به آشارسازي لبه، حذف نويز، ناحيه- بندي و هموارسازي تصوير اشاره کرد. از آنجا که در بسياري از کاربردهاي پردازش تصوير، نياز به پردازشهای مورفولوژيک داريم، پژوهشهاي زيادي براي پياده سازي بي- درنگ عملگرهاي مورفولوژي صورت گرفته است. در اين مقاله يک ساختار جديد براي پياده سازي بی درنگ عملگر فراخش مورفولوژي دودويی با استفاده از معماري خط- لوله اي تموجي تركيبي ارائه ميشود. اين ساختار با استفاده از کدVerilog HDL درتكنولوژي 0/18 μm CMOS پيادهسازی ميگردد. با تغيير تعداد محدودی از گيتهای پايه در اين ساختار ميتوان از آن براي اجراي عملگر فرسايش و در نتيجه عملگرهاي بستن و گشايش نيز استفاده نمود. نتايج شبيه سازي نشان ميدهد كه معماري خط لوله اي تموجي تركيبي نسبت به ساختار خط لوله اي معمولي كه عموماً در پياده سازي عملگرهاي مورفولوژي استفاده ميشود، داراي سرعت بالاتر، پيچيدگي سخت افزاري كمتر و توان مصرفي پايينتر است. همچنين اين معماري نسبت به ساختار خط لوله اي تموجي سريعتر است و مشكلات اين معماري مانند محدوديتهای تعيين حداقل و حداكثر فركانس پالس ساعت و متعادل كردن تأخير مسيرها را ندارد. اين تراشه قادر است يك تصوير با ابعاد* 1024 1024 را استفاده از يك عنصرساختاري21*21 در مدت 214/64μs فراخش دهد و تا فركانس 5. GHz كار كند. توان مصرفي در فرکانس 4/167 GH با منبع تغذيه V 1/8 برابر mW 410 و سطح تراشه برابر mm 0/075 است. اين ساختار نسبت به ساختار خط لوله ای معمولی، 1/55 % بهبود در کاهش سطح تراشه، 71% بهبود در کاهش توان مصرفی و 20% بهبود در افزايش سرعت دارد.
فايل ضميمه
نوع فايل: pdf 61.pdf (330.7 كيلو بايت, 2176 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
armin24 (۱۲-۱۵-۱۳۸۸), behrouz6763 (۰۴-۲۸-۱۳۹۰), farshidkh1385 (۰۸-۴-۱۳۹۲), farzadgh (۰۹-۵-۱۳۹۲), mardin200 (۱۰-۲۹-۱۳۸۸), moien210 (۱۱-۹-۱۳۸۸), samico (۰۴-۲۰-۱۳۸۹), satar_hzal (۰۷-۱۸-۱۳۸۹), نازنین حوا (۱۲-۱۷-۱۳۹۰)
قديمي ۱۰-۲۹-۱۳۸۸, ۰۴:۱۸ بعد از ظهر   #3 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,466
تشكرها: 754
16,236 تشكر در 3,125 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Cool

طبقه بندي بافت مستقل از دوران و مقياس با استفاده از تبديل Curvelet

در اين مقاله، روش جديدي براي استخراج ويژگيهاي مستقل از دوران و مقياس بافت، با استفاده از تبديل Curvelet و ماتريسهاي ،Co-occurrenve ارائه شده است. در فاز طبقه بندي، طبقه بند Support Vector Machine با هسته RBF به منظور طبقه بندي 20 کلاس بافت از بانک استاندارد Brodatz مورد استفاده قرار گرفته است. به منظور اثبات کارايي اين روش، در مجموع 14480 بافت در 12 زاويه و 4 مقياس متفاوت مورد بررسي قرار گرفته اند که از بين آنها ده درصد کل تصاوير به صورت تصادفي جهت آموزش طبقه بند SVM و مابقي به منظور تست انتخاب شده اند. نتايج تجربي نشان دهنده نرخ طبقه بندي بالا در استفاده از اين روش مي باشد.
فايل ضميمه
نوع فايل: pdf 36.pdf (449.5 كيلو بايت, 1736 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
behrouz6763 (۰۴-۲۸-۱۳۹۰), farshidkh1385 (۰۸-۴-۱۳۹۲), farzadgh (۰۹-۵-۱۳۹۲), moien210 (۱۱-۹-۱۳۸۸), samico (۰۴-۲۰-۱۳۸۹), satar_hzal (۰۷-۱۸-۱۳۸۹), نازنین حوا (۱۲-۱۷-۱۳۹۰)
قديمي ۱۰-۳۰-۱۳۸۸, ۰۹:۲۶ بعد از ظهر   #4 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,466
تشكرها: 754
16,236 تشكر در 3,125 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Wink

تخمين آستانه با استفاده از قوانين فازي جهت نويززدايي در حوزه موجک


آستانه گيري در حوزه موجک يک روش مؤثر براي حذف نويز است. به همين دليل يافتن مقدار مناسب آستانه, يکي از موضوعات تحقيقاتي سالهاي اخير بوده است. در اين مقاله, محاسبه مقدار آستانه به صورت يک مسأله بهينه سازي مطرح شده است. سپس با توجه به قابل فهم بودن قوانين فازي براي انسان, از الگوريتم Wang-Mendel استفاده شده است. در مرحله نخست, مجموعه قوانين لازم براي محاسبه آستانه از يک تصوير استخراج شده است. براي اين منظور, ويژگيهاي آماري آن تصوير در حوزه موجک مورد استفاده قرار گرفته است. در مرحله بعد, همان ويژگيهاي آماري براي تصوير آزمايشي محاسبه ميشوند و با استفاده از مجموعه قوانين توليد شده در مرحله نخست, مقدار آستانه محاسبه مي- شود و عمل نويززدايي انجام ميشود. مجموعه قوانين فازي به دست آمده, براساس ويژگيهاي تصوير در سطوح مختلف تبديل موجک است و براي هر يک از زيرباندهاي افقي, عمودي و قطري در سطوح مختلف حوزه موجک, آستانه جداگانه محاسبه ميشود؛ در نتيجه مقدار آستانه به طور وفقي براي زيربندهاي مختلف, تغيير ميکند. همچنين روش پيشنهادی بر خلاف بسياری از روشهای موجود به اندازه تصوير وابسته نيست و به تخمين واريانس نويز و يا ساير پارامترها نيازی ندارد. باتوجه به موارد فوق, نتايج آزمايش روش ارائه شده بر روي تصاوير مختلف نشان داد که روش پيشنهادي در مقايسه با روشهاي موجود داراي دقت مناسبي است؛ علاوه براين که حجم محاسباتي آن کمتر از روشهايي است که خطاي کمي دارند.
فايل ضميمه
نوع فايل: pdf 50.pdf (429.2 كيلو بايت, 1908 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
behrouz6763 (۰۴-۲۸-۱۳۹۰), farshidkh1385 (۰۸-۴-۱۳۹۲), farzadgh (۰۹-۵-۱۳۹۲), moien210 (۱۱-۹-۱۳۸۸), samico (۰۴-۲۰-۱۳۸۹), satar_hzal (۰۷-۱۸-۱۳۸۹), نازنین حوا (۱۲-۱۷-۱۳۹۰)
قديمي ۱۰-۳۰-۱۳۸۸, ۰۹:۳۵ بعد از ظهر   #5 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,466
تشكرها: 754
16,236 تشكر در 3,125 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Exclamation

تخمين آستانه با استفاده از برنامه نويسي ژنتيک جهت نويززدايي در حوزه موجک

مسأله حذف نويز از داده ها مدتهاست که موضوع تحقيقات در علوم مختلف است. يکي از بخشهاي مورد توجه در اين زمينه، نويززدايي از تصوير است که کاربردهاي فراواني دارد. در سالهاي اخير با توجه به قدرت تبديل موجک, روشهاي حذف نويز در حوزه موجک مطرح شده اند که نسبت به روشهاي قبلي نتايج بهتري را به دنبال داشته اند. در روشهاي حذف نويز در حوزه موجک, بايد از مقدار آستانه و تابع آستانه گيري مناسبي استفاده کرد. گروهي از روشهاي حذف نويز در حوزه موجک, با استفاده از راهکارهاي گوناگون مقدار آستانه را براي حذف ضرائب مربوط به نويز را تخمين ميزنند و گروهي ديگر سعي در يافتن تابع آستانه گيري مناسب دارند. در اين مقاله با توجه به توانايي روش برنامه نويسي ژنتيک, رابطه اي براي محاسبه مقدار آستانه براي حذف نويز از تصوير به دست آمده است؛ از آنجا که اين رابطه به ويژگيهاي تصوير وابسته است, ميتوان مقدار مناسب آستانه را با حجم محاسباتي اندک به دست آورد. همچنين روش پيشنهادي بر خلاف بسياري از روشهاي موجود به اندازه تصوير وابسته نيست و به تخمين واريانس نويز و يا ساير پارامترها نيازي ندارد. نتايج آزمايش روش ارائه شده بر روي تصاوير مختلف نشان داد که روش پيشنهادي علاوه بر دقت مناسب, سريعتر از بسياري از روشهاي رايج است و ميتواند براي پردازش بلادرنگ تصاوير به كار رود
فايل ضميمه
نوع فايل: pdf 49.pdf (457.5 كيلو بايت, 1619 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
behrouz6763 (۰۴-۲۸-۱۳۹۰), farshidkh1385 (۰۸-۴-۱۳۹۲), farzadgh (۰۹-۵-۱۳۹۲), mohamadian (۰۱-۲۶-۱۳۹۰), moien210 (۱۱-۹-۱۳۸۸), samico (۰۴-۲۰-۱۳۸۹), satar_hzal (۰۷-۱۸-۱۳۸۹), sorkh2001 (۱۰-۲۵-۱۳۹۰), نازنین حوا (۱۲-۱۷-۱۳۹۰)
قديمي ۱۰-۳۰-۱۳۸۸, ۰۹:۳۸ بعد از ظهر   #6 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,466
تشكرها: 754
16,236 تشكر در 3,125 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Cool

تخمين نقاط کنترل در تصاوير شبه ايزومتريک با خوشه بندي نواحي هم رنگ

در اين مقاله روش نويني جهت تخمين نقاط کنترل 1در تصاويري که نسبت به هم تبديلات شبه ايزومتريک 2 دارند ارائه مي گردد. اساس اين روش خوش هبندي 3 نواحي همرنگ از تصوير مرجع با نواحي همرنگ و متناظر از تصوير دوم ميباشد. بدليل حجم محاسبات کم در اين روش و قابليت پردازش موازي در آن، اين تکنيک ميتواند بسيار سريع عمل کند و لذا در تطبيق تصاوير متوالي که نسبت به هم تغييرات شبه ايزومتريکي دارند کاربرد موثر دارد. در اين روش ابتدا رزولوشن 4 يکي از خصوصيات سه گانه رنگ در دستگاه hsi به انداره کافي کاهش يافته و سپس با استخراج ويژگيهاي نواحي همرنگ تناظر يک به يک بين آنها بروش خوشه يابي مشخص ميشود، نهايتاً مراکز ثقل اين نواحي بعنوان نقاط کنترل مشخص ميگردند. اين روش بر خلاف روشهايي که نقاط کنترل را در نواحي داراي اکسترم مهاي شديد رنگ همچون لب هها، کنجها و ميزان انحناء در خطوط تخمين ميزنند، بر حسب بافتهاي همرنگ عمل ميکند و مراکز ثقل نواحي متناظري که رنگ نقاط در آنها بين دو آستانه معين است را بعنوان نقاط کنترل مشخص مي کند از اين نظر اين تکنيک متفاوت از اين روشها عمل مي کند. همچنين اين روش در مقايسه با روشهايي که بر اساس جستجوي همبستگي خطي بين نواحي عمل ميکنند نسبت به ميزان چرخش و تغييرات الاستيکي محدود کاملاً مقاوم است. کارآمدي اين تکنيک در انتها با چند مثال نشان داده خواهد شد.
فايل ضميمه
نوع فايل: pdf 27.pdf (402.5 كيلو بايت, 1571 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
behrouz6763 (۰۴-۲۸-۱۳۹۰), farshidkh1385 (۰۸-۴-۱۳۹۲), farzadgh (۰۹-۵-۱۳۹۲), moien210 (۱۱-۹-۱۳۸۸), samico (۰۴-۲۰-۱۳۸۹), satar_hzal (۰۷-۱۸-۱۳۸۹), نازنین حوا (۱۲-۱۷-۱۳۹۰)
قديمي ۱۱-۳-۱۳۸۸, ۱۰:۲۰ بعد از ظهر   #7 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,466
تشكرها: 754
16,236 تشكر در 3,125 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Talking

آشكار سازي بازيكنان در تصاوير فوتبال

در تجزيه وتحليل تصاوير ويديويي مسابقات فوتبال که به منظور بررسي رفتار تيمي و استراتژي بازي انجام مي گيرد عموما تصاوير برداشت شده از نماي دور مورد توجه قرار مي گيرند. در اين گونه تصاوير حرکات دوربين و اندازه کوچک بازيکنان و تباين پايين رنگ ها درتصاوير ضبط شده از مهمترين عواملي هستند که باعث مي شوند بازکنان به دقت از تصوير پس زمينه تفکيک داده نشوند. در اين مقاله روشي ارايه مي‌شود که به کمک آن مي‌ توان در تصاوير برداشت شده از نماي دور بازکنان را به دقت از تصوير پس زمينه تفکيک داد. در ادامه ابتدا مروري بر سابقه تحقيقات انجام گرفته در اين زمينه خواهيم داشت، سپس با بررسي مشکلات موجود، راهکار مناسب ارايه مي شوند. در انتها نيز نتابج آزمايش ها مورد بحث و بررسي قرار گرفته اند.
فايل ضميمه
نوع فايل: pdf 60[1].pdf (949.8 كيلو بايت, 3258 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
behrouz6763 (۰۴-۲۸-۱۳۹۰), farshidkh1385 (۰۸-۴-۱۳۹۲), farzadgh (۰۹-۵-۱۳۹۲), moien210 (۱۱-۹-۱۳۸۸), samico (۰۴-۲۰-۱۳۸۹), satar_hzal (۰۷-۱۸-۱۳۸۹), slh (۰۸-۲۶-۱۳۹۱), tiuam (۰۵-۹-۱۳۹۰), نازنین حوا (۱۲-۱۷-۱۳۹۰), سخت افزار (۰۳-۲۳-۱۳۸۹)
قديمي ۱۱-۳-۱۳۸۸, ۱۰:۲۲ بعد از ظهر   #8 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,466
تشكرها: 754
16,236 تشكر در 3,125 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Red face

آشكارسازي چشم ها و دهان در تصويرهای دیجیتالی

يافتن محل ويژگيهاي صورت از قبيل چشم ها، ابروها و دهان امري لازم در شناسايي چهره مي باشد. در اين تحقيق از تفاوت زياد ميان سفيدي چشم با تيرگي مردمك چشم براي يافتن محل چشمها بهره برداري ميگردد. براي رسيدن به اين هدف از الگوريتم تجزية درختي براي تقسيم بندي صورت استفاده شده است. سپس مناطق تقسيم بندي شده تا رسيدن به نواحي دلخواه با هم ادغام مي شوند، و نهايتاً با استفاده از عمل مورفولوژيكي محل چشم ها يافت ميشود. براي تعيين محل دهان در تصاوير رنگي، پس از يافتن ناحية شامل دهان، محل دقيق دهان به وسيلة هيستوگرام افقي و عمودي تصوير استخراج ميشود. اين روش بر روي 200 تصوير رنگي و سياه و سفيد آزمايش شده است، كه حدود 84 % براي آشكارسازي چشم ها موفقي تآميز بوده است. روشي كه براي يافتن دهان به كار رفته است، با آزمايش روي تصاوير رنگي حدود 95 % پاسخ مطلوب داده است.
فايل ضميمه
نوع فايل: pdf 2.pdf (457.0 كيلو بايت, 3210 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
behrouz6763 (۰۴-۲۸-۱۳۹۰), farshidkh1385 (۰۸-۴-۱۳۹۲), farzadgh (۰۹-۵-۱۳۹۲), moien210 (۱۱-۹-۱۳۸۸), pegah (۰۱-۱۲-۱۳۸۹), samico (۰۴-۲۰-۱۳۸۹), satar_hzal (۰۷-۱۸-۱۳۸۹), tiuam (۰۵-۹-۱۳۹۰), مهرخ (۰۱-۶-۱۳۸۹), نازنین حوا (۱۲-۱۷-۱۳۹۰), سخت افزار (۰۳-۲۳-۱۳۸۹)
قديمي ۱۱-۳-۱۳۸۸, ۱۰:۲۳ بعد از ظهر   #9 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,466
تشكرها: 754
16,236 تشكر در 3,125 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Wink

اتوماسیون برش گل زعفران بااستفاده از پردازش تصویر

يکي از محصولات صادراتي مهم ايران زعفران ميباشد که بدليل استفاده ازروشهاي سنتي درمراحل توليد، قابليت رقابت اقتصادي آن دربازارهاي جهاني کم است. مکانيزه کردن واتوماسيون اين مراحل گامي در راستاي بالا بردن اين قابليت مي باشد. در اين تحقيق قسمتي ازاين اتوماسيون که شامل جداسازي گل زعفران از دم آن مي باشد، به کمک ماشين بينايي مورد بررسي قرارگرفته است. سيستم تدوين شده توصيف شده است و نتايج حاصل ازآن گزارش شده است. نتايج نشان دهنده امکان پذير بودن اين تفکيک بصورت قابل قبول مي باشد.
فايل ضميمه
نوع فايل: pdf 70.pdf (282.9 كيلو بايت, 1944 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
andoukhti (۰۲-۱۲-۱۳۹۰), behrouz6763 (۰۴-۲۸-۱۳۹۰), farshidkh1385 (۰۸-۴-۱۳۹۲), farzadgh (۰۹-۵-۱۳۹۲), masood (۱۲-۱۵-۱۳۹۰), moien210 (۱۱-۹-۱۳۸۸), pegah (۰۱-۱۲-۱۳۸۹), saba.baktash (۱۱-۱-۱۳۹۰), samico (۰۴-۲۰-۱۳۸۹), نازنین حوا (۱۲-۱۷-۱۳۹۰)
قديمي ۱۱-۳-۱۳۸۸, ۱۰:۲۷ بعد از ظهر   #10 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,466
تشكرها: 754
16,236 تشكر در 3,125 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Wink

ارائه روشي جديد در "به هم پيوستن تصاوير" (Image Stitcher) و كاربردهاي آن در تهيه تصاوير ويدئويي وسيع

در اين مقاله طراحي و پياده سازي روش اتصال تصاوير 1 را كه براي متصل نمودن تصاوير رنگي استفاده ميشود، بررسي ميكنيم. تصاوير طي دو مرحله به هم متصل ميگردند. مرحله اول شامل ثبت كردن دو تصوير با به كارگيري روش مينيمم قدرمطلق فاصله مي باشد. مرحله دوم ؛ كنتراست تصاوير به هم پيوسته را با به كارگيري روش درون يابي خطي از اختلاف شدت بين دو تصوير ، تنظيم مي كند. سپس تصاوير توسط روش استيچر 2 ، به هم متصل شده و يك تصوير واحد حاصل مي شود. روش استيچر را ميتوان براي كاربردهاي مختلفي از جمله افزايش دامنه ديد، فيلمبرداري ساختاري و ساير كاربردهاي جديد علمي و پژوهشي به كار برد.
فايل ضميمه
نوع فايل: pdf 56.pdf (370.7 كيلو بايت, 1919 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
amin sma (۰۷-۱۱-۱۳۹۲), behrouz6763 (۰۴-۲۸-۱۳۹۰), farzadgh (۰۹-۵-۱۳۹۲), moien210 (۱۱-۹-۱۳۸۸), samico (۰۴-۲۰-۱۳۸۹), satar_hzal (۰۷-۱۸-۱۳۸۹), shadi.mahmoudi (۰۷-۱۳-۱۳۹۱), sorkh2001 (۱۰-۲۵-۱۳۹۰), نازنین حوا (۱۲-۱۷-۱۳۹۰)
پاسخ



كاربران در حال ديدن تاپيک: 1 (0 عضو و 1 مهمان)
 
ابزارهاي تاپيک
نحوه نمايش

قوانين ارسال
You may not post new threads
You may not post replies
You may not post attachments
You may not edit your posts

BB code is فعال
شکلکها فعال است
كد [IMG] فعال است
كدهاي HTML غير فعال است
Trackbacks are فعال
Pingbacks are فعال
Refbacks are فعال


فرادرس




زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۱۰:۱۸ بعد از ظهر ميباشد.


Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2017, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.

Teach and Learn at Hexib | Sponsored by www.Syavash.com and Product In Review

استفاده از مطالب انجمن در سایر سایت ها، تنها با ذکر انجمن هوش مصنوعي به عنوان منبع و لینک مستقیم به خود مطلب مجاز است

Inactive Reminders By Icora Web Design