آشکارسازی لبه در تصاویر دیجیتالی با استفاده از تبدیل ویولت

thesis
abstract

چکیده فرآیند آشکارسازی لبه یکی از مهمترین تکنیکهای کارآمد و مفید در پردازش تصویر و بینایی ماشین به ویژه در جداسازی و شناسایی چارچوب اصلی تصویر می باشد. آشکارسازی لبه یک گام مهم در تشخیص الگو تقسیم بندی تصویر و آنالیزتجزیه و تحلیل صحنه است در یک تصویر تغییرات فیزیکی به صورت تغییررنگ و تغییر شدت روشنایی به صورت لبه نمایان می شوند . در صورتیکه لبه های یک تصویر مشخص شوند مکان تمام اشیاء موجود در تصویر مشخص شده و خواص اساسی آنها از قبیل سطح محیط و غیره به راحتی قابل اندازه گیری خواهند بود نظریه پایه در بیشتر روش های آشکارسازی لبه محاسبه یک عملگر مشتق محلی است گام بعدی اعمال یک آستانه برای کشف نقاطی که بخشی از یک لبه هستند است .با استفاده از خصوصیت تمرکز در زمان و فرکانس ویولت امکان مقیاس و شیفت سیگنال ها و حفظ ضرائب ( اطلاعات) مهم برای تجزیه و تحلیل (بعد از تبدیل) وجود دارد. همچنین با استفاده از روش های گوناگون مقدار بهینه آستانه تخمین زده می شود. بر خلاف دیگر روش های آشکارسازی لبه که در گام اول هموارسازی تصویر با یک فیلتر گوسی کاهش اثر نویز است و گام بعدی تشخیص لبه است , در ویولت این دو گام در یک مرحله ترکیب شده و بنابراین تکنیک های بر پایه ویولت دقیق تر و محاسباتی هستند و بیشتر کار آمد می باشند. روش ارائه شده ثابت می کند که آشکارسازی لبه در تصاویر دیجیتالی با استفاده از تبدیل ویولت نتیجه بهتری نسبت به روش های مرسوم می دهد وبه عنوان ابزار کارآمدی در آنالیز پردازش تصویر می باشد. کلمات کلیدی: ویولت , تبدیل ویولت , لبه , آشکارسازی لبه

similar resources

درونیابی و حذف همزمان نویز فلفل نمکی تصاویر دیجیتال با استفاده از تبدیل ویولت مختلط

اکثر روش‌های درونیابی تصویر موجود، تصویر را بدون نویز فرض می‌کنند. حال آنکه این فرضیه در عمل معتبر نیست. روش متداول برای درونیابی تصاویر نویزدار حذف یا کاهش نویز در قدم اول و سپس درونیابی تصویر فاقد نویز است. فرآیند حذف نویز ممکن است بسیاری از جزئیات تصویر را هموار ‌کند و همچنین آثار نامطلوب ناشی از آن مانند تاری و بلوکی شدن، در مرحله درونیابی تقویت نیز می‌شوند. در این مقاله، الگوریتمی همزمان ب...

full text

درونیابی و حذف همزمان نویز فلفل نمکی تصاویر دیجیتال با استفاده از تبدیل ویولت مختلط

اکثر روش‌های درونیابی تصویر موجود، تصویر را بدون نویز فرض می‌کنند. حال آنکه این فرضیه در عمل معتبر نیست. روش متداول برای درونیابی تصاویر نویزدار حذف یا کاهش نویز در قدم اول و سپس درونیابی تصویر فاقد نویز است. فرآیند حذف نویز ممکن است بسیاری از جزئیات تصویر را هموار ‌کند و همچنین آثار نامطلوب ناشی از آن مانند تاری و بلوکی شدن، در مرحله درونیابی تقویت نیز می‌شوند. در این مقاله، الگوریتمی همزمان ب...

full text

لبه یابی تصاویر نویزی با استفاده از ویولت گابور

چکیده: در این پروژه ابتدا در فصل اول به عنوان مقدمه به معرفی لبه در تصاویر پرداخته شده است و همچنین تاثیر نویز بر روی لبه. در فصل دوم به معرفی مختصر تبدیل ویولت و تبدیل ویولت دو بعدی پرداخته شده است، در فصل سوم ویولت گابور و شبکه های فازی و همچنین شبکه های عصبی مورد بررسی قرار گرفته اند. در فصل چهارم روشی برای حذف کردن نویز تصاویر پیشنهاد شده که با ارائه نتایج شبیه سازی با روش های دیگر مقایسه گ...

15 صفحه اول

درونیابی و حذف همزمان نویز فلفل نمکی تصاویر دیجیتال با استفاده از تبدیل ویولت مختلط

اکثر روش های درونیابی تصویر موجود، تصویر را بدون نویز فرض می کنند. حال آنکه این فرضیه در عمل معتبر نیست. روش متداول برای درونیابی تصاویر نویزدار حذف یا کاهش نویز در قدم اول و سپس درونیابی تصویر فاقد نویز است. فرآیند حذف نویز ممکن است بسیاری از جزئیات تصویر را هموار کند و همچنین آثار نامطلوب ناشی از آن مانند تاری و بلوکی شدن، در مرحله درونیابی تقویت نیز می شوند. در این مقاله، الگوریتمی همزمان بر...

full text

بازیابی تصاویر با استفاده از تبدیل ویولت وفقی

افزایش روزافزون تصاویر دیجیتال از اماکن و محیط ها و اشیای مختلف و هزینه پائین ذخیره سازی و سهولت کار در اینترنت و وب سایت ها، نیاز به طراحی یک ماشین جستجوگر تصویر، با توانایی پرداخت به تمام نیازهای کاربر، در سال های اخیر به شدت افزایش داده است. بازیابی تصویر رشته ای است که با جستجوی دیجیتال تصاویر از پایگاه های داده تصاویر سروکار دارد. امروزه تلاش های بسیاری برای افزایش سرعت و بازدهی بازیابی تص...

15 صفحه اول

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

دانشگاه آزاد اسلامی - دانشگاه آزاد اسلامی واحد یزد - دانشکده مهندسی برق

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023