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

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


 
تبليغات سايت
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 ۱۱-۱-۱۳۹۱, ۱۰:۴۴ بعد از ظهر   #1 (لینک دائم)
Super Moderator
 
آواتار raha_hakhamanesh
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: دنیا
پست ها: 281
تشكرها: 28
251 تشكر در 147 پست
My Mood: Zodranj
Lightbulb فشرده سازی فرکتالی تصاویر دیجیتال

فشرده سازی فرکتالی تصاویر دیجیتال




کلیه حقوق این اثر متعلق به وب سایت Artificial.ir می باشد

بخش اول: مقدمه ای بر فرکتالها
هندسه فرکتالی اولین بار توسط آقای پروفسور مندلبروت (Benoit Mandelbrot) در 1975 ارائه شد، این تئوری که به دلیل ناتوانی هندسه اقلیدسی در محاسبه و توصیف اجسام فرکتالی بیان شده است و بخوبی می تواند این اجسام را توصیف کند؛ فرکتالها (در فارسی: برخال) دارای ساختارهایی هستند که خود را در مقیاس کوچکتر تکرار می کنند این یکی از ویژگی های مهم فرکتال ها می باشد. بطور کلی تعریف فرکتال به شرح زیر است:
هر شیی که دارای سه ویژگی زیر باشد فرکتال می باشد
1- دارای ساختاری خودمتشابه باشد، یعنی قسمتهایی از تصویر همانند بخش های بزرگتری از تصویر باشد مانند گل کلم
2- بصورت تکراری قابل تولید باشد یعنی با تکرار بتوان آن شی را بازتولید کرد
3- بُعد آن شی اعشاری باشد (برای درک بهتر باید بدانیم خط دارای بعد یک است، صفحه بعد دو دارد و اشیاء یا حجم بعد سه دارند)
به ویژگی اول Self-Similarity ویژگی دوم Iterative Formation و ویژگی سوم Fractional Dimension می گوییم.
تشابه:
در واقع تشابه به یکسانی اجسام در اندازه های متفاوت گفته می شود بعبارت ساده تر اگر بتوان دو جسم را با کوچک یا بزرگ کردن بر هم منطبق کرد گوییم آن دو جسم متشابه هستند. باید توجه داشت شرط تشابه برای فرکتالها شرط لازم ولی غیرکافی است یعنی اجسام زیادی وجود دارند که متشابه هستند ولی فرکتال نیستند. تصویر1، خودتشابهی در یک پدیده فرکتالی را نشان می دهد.



شکل 1: خودتشایهی پدیده های فرکتالی



معرفی چند فرکتال مشهور
فرکتالهای بسیاری از توجه ویژه برخوردارند در این میان نمونه های Sierpinski, Koch, Contour, Julia set که می توانید به سادگی تصاویر بسیاری زیادی از این فرکتالها را در اینترنت بیابید.

معرفی چند فرکتال مشهور
فرکتالهای بسیاری از توجه ویژه برخوردارند در این میان نمونه های Sierpinski, Koch, Contour, Julia set که می توانید به سادگی تصاویر بسیاری زیادی از این فرکتالها را در اینترنت بیابید.

محاسبه بُعد فرکتالی
روش های زیادی (بیش از 6 روش) برای محاسبه بعد فرکتالی موجود می باشد که ساده ترین آنها روش Box Counting (شمارش جعبه) می باشد که بشرح زیر می باشد.
تصویر شیی را در نظر بگیرید و آن تصویر را چنان مشبک فرض کنید که اندازه هر سلول برابر s (واحد) باشد، سپس سلول هایی را که شی یا بخشی از شی در آن قرار دارد را بشمارید تا مثلا عدد x1 بدست آید، سپس در گام دوم همین کار را مجدد تکرار کنید بنحویکه مقدار s را تغییر داده اید (مثلا دوبرابر شود) پس از حداقل 3 مرتبه، آنچه حاصل می شود شمارش باکس هایی است که با اندازه های متفاوت محاسبه شده اند.
فرض کردیم با سه مقیاس s1, s2, s3 کار شمارش جعبه های متاثر از شی را شمردیم و سه مقدار x1, x2, x3 را بدست آوردیم سپس مقدار log(x) و log(s) را برای هر سه مقیاس محاسبه میکنیم و در دستگاه متناظر رسم می کنیم، شیب خط گذرنده از نزدیکترین فاصله ممکن از این سه نقطه برابر بعد فرکتالی جسم موجود در آن تصویر می باشد. در این باره ویکیپدیا را ببینید.
در جزئیات پیاده سازی توجه کنید که معمولا شی را از پس زمینه در تصویر جدا می کنیم و سپس بُعد فرکتالی آن را محاسبه می کنیم با این حال می توان با یک حدآستانه بسادگی مفهومی مشابه (ولی نه چندان صحیح!) را به اجرا درآورد.
قطعه کد زیر یک الگوریتم مقدماتی و بهینه نشده برای محاسبه بُعد فرکتالی تصاویر می باشد، توجه شود بدلیل آنکه قصد نداشتیم به بحث تشخیص و جداسازی اشیاء وارد شویم از حد آستانه 128 در تصاویر دیجیتال استفاده کرده ایم.

كد:
clear all;
clc;
 
InPic=imread('C:\test.jpg');
[MM,NN,ZZ] = size(InPic);
if(ZZ>1)
  pic=uint8(rgb2gray(InPic));
else
  pic=uint8(InPic);
end;
%========================================================
% Preprocessing: Binarized input image
%========================================================
for i=1:MM-40
for j=1:NN-40
if(pic(i+20,j+20)<128)
          imgBinary(i,j)=0;
end;
if(pic(i+20,j+20)>=128)
          imgBinary(i,j)=255;
end;
end;
end;
%========================================================
% Computing fractal dimension with 5 scales
%========================================================
imgBinary=mat2gray(imgBinary);
imshow(imgBinary); 
[M,N]=size(imgBinary);
for k=1:5   % scale
  Sz=2*k;
  sum=0;
for i=1:Sz:M-Sz
for j=1:Sz:N-Sz
          flag=0;
          mask((1:Sz),(1:Sz))=imgBinary((1:Sz)+i-1,(1:Sz)+j-1);
for p=1:Sz
for q=1:Sz
if(mask(p,q)==0)                    
                      flag=flag+1;
end;
end;
end;
if(flag>=Sz)
              sum=sum+1;
end;
end;
end;
  w(k,1)=Sz;
  w(k,2)=sum;
  x(k,1)=log10(1/Sz);
  y(k,1)=log10(sum);
end;
 
m = robustfit(x,y) ;
%figure,plot(x,y,'o');
%figure,plot(x,y,'-');
result=m(2,1);
disp(result);


بخش دوم: پدیده فرکتال در تصاویر طبیعی
عكس ضميمه
نوع فايل: jpg Fig1-FIC.jpg (30.9 كيلو بايت, 5 نمايش)
__________________
.
.
.
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)

ويرايش شده توسط raha_hakhamanesh; ۱۱-۱-۱۳۹۱ در ساعت ۱۰:۴۶ بعد از ظهر
raha_hakhamanesh آفلاين است   پاسخ با نقل قول
از raha_hakhamanesh تشكر كرده اند:
Astaraki (۱۱-۲-۱۳۹۱), sara.jatan (۰۹-۲۹-۱۳۹۳)

  #ADS
نشان دهنده تبلیغات
تبليغگر
 
 
 
تاريخ عضويت: -
محل سكونت: -
سن: 2010
پست ها: -
 


نشان دهنده تبلیغات is online  
قديمي ۰۳-۷-۱۳۹۷, ۰۵:۲۵ بعد از ظهر   #2 (لینک دائم)
عضو جدید
 
آواتار mahnaz1363
 
تاريخ عضويت: خرداد ۱۳۹۷
پست ها: 1
تشكرها: 0
0 تشكر در 0 پست
پيش فرض

سلام من عکس ر و نمی تونم ببینم میشه کمک کنید
mahnaz1363 آفلاين است   پاسخ با نقل قول
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




زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۱۱:۰۸ بعد از ظهر ميباشد.


Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2018, 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