کاهش حجم ذخیره سازی تصاویر با استفاده از تحلیل مؤلفههای اصلی دو بعدی تُنُک
Authors
Abstract:
تحلیل مؤلفههای اصلی یکی از روش‌هایی است که در پردازش اطلاعات و کاهش ابعاد مجموعه داده موفق عمل کرده است؛ اما در زمان اعمال این الگوریتم به تصاویر، بایستی آن‌ها را به شکل یک بردار درآورد که سبب از بین رفتن همبستگی مکانی پیکسل های مجاور می‌گردد. برای حل این مشکل، تحلیل مؤلفههای اصلی دوبعدی مطرح شده که فرآیند تبدیل تصویر به بردار را نیاز ندارد. نکته‌ی دیگر، تُنُک نبودن بردارهای پایه ی تحلیل مؤلفههای اصلی و هم ارزش نبودن تمامی آنان است. اخیراً تحلیل مؤلفههای اصلی تُنُک مطرح گردیده که با حفظ خواص تحلیل مؤلفههای اصلی استاندارد، سعی می‌کند تعداد زیادی از درایه های بردارهای پایه را صفر کند. در این مقاله تحلیل مؤلفههای اصلی دوبعدی تُنُک جهت بهره گیری همزمان از دو الگوریتم فوق بررسی خواهد شد. الگوریتم Least Angle Regression- Elastic Net با استفاده از قید نُرم یک و نُرم دو، محاسبه‌ی مؤلفههای اصلی یک بعدی تُنُک را محقق می سازد. در این مقاله با اندک تغییراتی در ورودی الگوریتم مذکور، حالت دوبعدی آن را تحقق می بخشیم. عملکرد تحلیل مؤلفههای اصلی دوبعدی تُنُک جهت فشرده‌سازی یک تصویرکه به بلوک های 8×8 تقسیم گردیده، ارزیابی شده و در مقایسه با عملکرد تحلیل مؤلفههای اصلی دوبعدی، نتایج مناسبی بدست آمده است. همچنین با استفاده از ماتریس کوواریانس بلوک‌های 8×8 از 60 تصویر متفاوت، مؤلفههای اصلی دوبعدی تُنُک به گونه‌ای محاسبه گردیده که امکان استفاده از آن‌ها برای هر تصویر آزمون دیگری میسر می‌باشد.
similar resources
تحلیل منطقهای بار رسوب معلق با استفاده از روش رگرسیون مؤلفههای اصلی در حوضة آبخیز سفیدرود
رسوب ناشی از فرسایش خاک به عنوان مهم‌ترین نمایة تخریب اراضی، چالشی مهم در بحث توسعۀ پایدار و تهدیدی بر زیست بوم‌ها تلقی می‌شود. لذا برآورد معتبر رسوب خروجی از آبخیزها بسیار حائز اهمیت می‌باشد. گستردگی آبخیزها و کمبود ایستگاه‌های سنجش رسوب باعث شده است تا از روش‌های تحلیل منطقهای جهت برآورد بار رسوب معلق در آبخیز فاقد و یا کمبود آمار استفاده شود. هدف از این تحقیق تحلیل منطقهای بار رسوب معلق با...
full textکاهش متغیرهای ورودی در فرآیند مدل سازی تصادفات آزادراهها با استفاده از روش تجزیه و تحلیل مؤلفه های اصلی
هدف اصلی در این مقاله استفاده از روش تجزیه و تحلیل مؤلف ههای اصلی برای شناسایی متغیرهای تأثیرگذار در فرآیند مدل سازی تصادفات در آزادراههای برون شهری است. با توجه به توانایی مدل شبکه های عصبی در پیش بینی تصادفات رانندگی، مدل تعداد تصادفات آزادراههای برون شهری کشور با استفاده از مدلهای شبکه های عصبی توسعه داده شده و متغیرهای مربوط به جریان ترافیک، سهمیه بندی بنزین و متغیرهای محیطی نیز به عنوان مت...
full textارائه یکروش جدید فشرده‌سازی تصاویر چهره با استفاده از نمایش تنک سیگنالو الگوریتم یادگیری دیکشنریRLS-DLA
رشد فناوری و افزایش تصاعدی اطلاعات نیاز به حجم ذخیرهسازی بیشتر دادههای اطلاعاتی گوناگون را افزایش داده است. در این راستا فشرده‌سازی تصویر به‌عنوان ابزاری کارآمد جهت کاهش افزونگی و صرفهجویی در حجم ذخیرهسازی و کاهش پهنای باند انتقالی دادههای تصویری به کار میآید. هنگامیکه فشرده‌سازی یک دسته یا خانواده از تصاویر، مانند پایگاه داده تصاویر چهره یک سازمان یا مؤسسه یا پایگاه داده MRI یک بیمارستا...
full textکاهش نویز تصاویر سی‌تی با اشعه‌ی مخروطی با استفاده از تحلیل مؤلفههای مستقل
حذف نویز یکی از مهم‌ترین مراحل در پردازش تصاویر دیجیتال است. امروزه از تصاویر سی‌تی با اشعه‌ی مخروطی به صورت گسترده در تصویربرداری از ناحیه‌ی فک و صورت استفاده می‌شود. این تصاویر به دلیل الگوریتم بازسازی متفاوت و اعمال دوز بسیار کمتر در مقایسه با سی‌تی، دارای نویز و آرتیفکت‌های مختلف هستند. از همین رو، استفاده از روش‌های کاهش نویز در این تصاویر برای افزایش نسبت سیگنال به نویز در آن‌ها، ضروری اس...
full textارزیابی مدلهای تبدیل دو بعدی در هم مرجع سازی تصاویر استریو ماهواره‌ای
هم مرجع سازی تصویر یک فرآیند اساسی در پردازش تصویر بوده و هدف از آن، تعیین دقیق‌ترین مطابقت میان دو یا چند تصویر از یک منظره‌ی یکسان است. مدلهای تبدیل دو بعدی نقش اساسی در هم مرجع سازی تصاویر ایفا می‌کنند. در این تحقیق قابلیت انواع مختلف از مدلهای تبدیل دو بعدی شامل 9 تبدیل متشابه، پروژکتیو، چندجمله‌ای از درجات 1 تا 4، مدل تبدیل قطعه‌ای خطی، Multiquaderic (MQ) و Pointwise (PW) در هم مرجع...
full textMy Resources
Journal title
volume 4 issue 1
pages 57- 69
publication date 2017-06-22
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023