در سالهای اخیر مسئله تشخیص الگو از اهمیت خاصی در کامپیوتر برخوردار بوده است در خیلی از مسائل تشخیص الگو ما نیاز داریم تا بهترین مجموعه خصیصه را انتخاب وآن را با مناسبترین دسته بند دسته بندی کنیم, در سیستم های کلاسبندی چندگانه به جای انتخاب بهترین خصیصه ها به دنبال بهترین مجموعه از دسته بند ها می رویم و بهترین روش ترکیب بین این روشها برای نتیجه ی نهایی انتخاب می کنیم, در این تحقیق هفت تا مجموعه خصیصه ودوتا الگوریتم کلاسبندی استفاده کردیم با روش رای گیری اکثریت برای ترکیب , الگوریتم های استفاده شده برای این مسئله فاصله اقلیدسی و روش نوین بافت خصیصه است که یک روش جدیدی که مبتنی بر نگاشت خصیصه از فضای عدد به فضای بافت ؛ روش دسته بندی چندگانه نتایج بسیار امیدوار کننده ی به ما داد برای بهینه سازی عمل دسته بندها از الگوریتم ژنتیک استفاده کردیم ونتایج باز هم بهتر شده است 95%.واز کلاسبندی تکی که بهترین جواب آن 85% بوده است خیلی بهتراست.

چکیده امروزه سیستمهای کامپیوتری به نام casa برای کمک به پزشکان در آنالیز منی طراحی میشوند. بیشتر این سیستمها از دقت کافی برخوردار نیستند و یا قیمت بالایی دارند، به طوری که معمولا متخصصان از روش های دستی برای تجزیه تحلیل استفاده میکنند. اگر چه برخی از شرکتها در این زمینه به دقت بالایی دست یافته اند اما روشها و الگوریتمهایشان انحصاری میباشد. دو پارامتر مهم در میزان باروری فرد، کثرت و میزان جنبندگی اسپرمها در واحد حجم است. هدف در این پروژه، ارائه الگوریتمهای قابل استفاده در casa ها برای تجزیه تحلیل این دو پارامتر بوده است. casaها برای به دست آوردن این دو فاکتور، نیاز به الگوریتمی برای تشخیص اسپرمها در هر فریم از تصویر ویدئویی و ردگیری آن ها در فریمهای متوالی دارند. این تصاویر ویدئویی، به کمک یک سیستم اتصال دهنده میکروسکوپ به کامپیوتر به دست میآید. در این پروژه بعد از حذف نویز تناوبی موجود در هر فریم به کمک فیلتر میان نگذر باترورس ، الگوریتمی برای تشخیص و تقطیع اسپرمها ارائه شده است. در این الگوریتم از روش های ریخت شناسی و تشخیص بیضی در پردازش تصویر برای تقطیع اسپرم ها استفاده شده که با وجود صحت بالا از نظر زمانی نیز قابل قبول میباشد. زمان مورد نیاز برای تقطیع، بسته به تعداد اسپرمها بین 15 تا 60 ثانیه برای یک فریم بوده و با صحتی در حدود 95 درصد عمل می کند. سپس برای ردگیری اسپرم های تقطیع شده از روش –هزینه بهینه جریان حداکثر- که روشی قدرتمند در ردگیری اشیاء با تعداد زیاد و هم شکل در تصویر است، استفاده شده است. روش ردگیری استفاده شده با سرعتی قابل قبول صحتی بیش از 98 در صد برای اسپرمهای تشخیص داده شده عمل می کند. البته در بخش ردگیری تعداد زیادی فریم مورد تقطیع قرار میگیرندو از این رو از روش ساده تری برای تقطیع استفاده شده تا زمان کمتری بگیرد که این روش تقطیع صحتی حدود 90 در صد دارد. درنهایت، با توجه به اینکه اسپرم های تشخیص داده نشده در بخش ردگیری به صورت تصادفی هستند می توان ادعا نمود که نتایج تجزیه و تحلیل فقط بر مبنای اسپرمهای تشخیص داده شده صحیح و قابل اعتماد میباشند، در نتیجه روش ارائه شده، روشی کاربردی برای تحلیل جنبندگی میباشد.

چکیده تقطیع یا بخش بندی تصویر یکی از ابزارها و مراحل مهم در تجزیه و تحلیل تصویر و تشخیص اشیا بوده، جزء مباحث پایه ای در سیستم های هوشمند بینایی ماشین به حساب می آید. بخش بندی مبتنی بر بافت تصویر، زیر مجموعه ایی از بخش بندی تصویر است و عبارت است از افراز تصویر به چندین زیر ناحیه به گونه ای که هر زیر ناحیه از ویژگی بافتی یکسانی برخوردار باشد. بخش-بندی بافت تصویر می تواند به کاربردهای مختلفی از جمله درک صحنه های پیچیده که متکی بر تشخیص اشیاء مبتنی بر بافت هستند گسترش یابد. این روش ها هم چنین می توانند در کلیه ی کاربردهایی که مستلزم تجزیه و تحلیل، دسته بندی، و بخش بندی بافت است، مانند بازرسی صنعتی، سنجش از دور، و تحلیل تصاویر پزشکی، با کمی تغییر مورد استفاده قرار گیرند. با وجود پیشرفت های بسیاری که در زمینه بخش بندی بافتی تصویر صورت گرفته است، هنوز هم تقطیع نادرست و توام با خطای یک تصویر در بیشتر الگوریتم های بخش بندی، اجتناب ناپذیر است و در بسیاری از مسائل و برای اغلب تصاویر طبیعی راهی برای تقطیع دقیق تصویر پیشنهاد نشده است. در روش های بخش بندی مبتنی بر دسته بندی یک وجه اشتراک وجود دارد و آن پیدا کردن مهم ترین ویژگی های بصری نواحی مختلف در تصویر است که نواحی را از یکدیگر متمایز می سازد. بافت در بسیاری از تصاویر طبیعی، یکی از ویژگی هاای اصلی بوده و نقش بسیار مهمی را در ماشین بینایی و شناسایی الگو ایفا می کند. تصاویر طبیعی معمولاًدارای بافت های نامنظم وتصادفی اند به همین دلیل تصمیم-گیری در مورد دسته بندی و بخش بندی آن ها، کار ساده ای نیست. از طرفی بافت یک مفهوم ذاتی است و نمونه های مختلف از یک بافت می توانند گونه ی ریز و درشت، جابه جایی و چرخش در اجزا را به همراه داشته باشند. یکی از چالش های موجود در الگوریتم ها، استخراج ویژگی هایی از بافت تصویر است که بیشترین پایداری را در برابر چرخش، تغییر مقیاس و جابه جایی اجزای تصویر از خود نشان دهد. زیرا که معمولاًاکثر الگوریتم-ها از فقدان این قابلیت ها رنج می برند. به همین منظور، در این پژوهش الگوریتمی بنام hmax به منظور استخراج ویژگی های بافتی انتخاب شده است. این الگوریتم با سیستم بینایی طبیعی منطبق است و از سیستم بیولوژیکی مغز و بینایی انسان در فرایند تشخیص اشیا ایده می گیرد و به طور قابل توجهی در برابر تغییر مقیاس، جابه جایی و چرخش اجزای تصویر پایدار است. این تحقیق به سه بخش کلی دسته بندی، بخش بندی، و بهینه-سازی پارامترهای بخش بندی تقسیم بندی شد که بر مبنای دو روش استخراج ویژگی پیشنهادی hmax و پایه انجام گردیده است. روش استخراج ویژگی پایه از بانک فیلترهای گابور جهت مقایسه و ارزیابی نتایج حاصل از الگوریتم پیشنهادی، بهره گرفته است. به منظور آزمایش الگوریتم های پیشنهادی در دسته بندی و بخش بندی، از ترکیب های متفاوتی از تصاویر بافتی طبیعی و تصادفی موجود در مجموعه داده استاندارد vistex استفاده شده است. از آن جایی که تصاویر بافتی مورد استفاده در این پژوهش ساختار تصادفی و پیچیده ای دارند و ذاتاً از نظم و قاعده ی خاصی پیروی نمی کنند، الگوریتم پیشنهادی توانسته است دقت مناسبی در متمایز ساختن دسته های بافتی و برچسب گذاری صحیح تصاویر آزمایشی از خود نشان دهد. در پی دسته بندی موفق، آزمایش های مربوط به بخش بندی مبتنی بر دسته بندی در سه مرحله-ی کلی استخراج ویژگی بوسیله ی الگوریتم hmax، اعمال شبکه عصبی بر فضایی از ویژگی های به دست آمده و در نهایت دو روش برچسب گذاری تک تک پیکسل های تصویر و اختصاص آن ها به بافت های مختلف تشکیل دهنده ی تصویر، انجام شده است. بخش بندی پیشنهادی از درصد مناسب تشخیص نواحی بافت های مختلف برخوردار است و دقت قابل توجهی در تفکیک بافت های مشابه در مرزها از خود نشان داده است. همچنین بهینه سازی پارامترهای بخش بندی، تا حدی افزایش دقت و کاهش حجم محاسبات سیستم را به همراه داشت. نتایج بدست آمده هم از لحاظ بصری و هم از لحاظ محاسباتی نشان دهنده ی آن است که روش پیشنهادی hmax در بیشتر آزمایش ها در مقایسه با روش بانک فیلتر های گابور دقت بالاتری داشته است.

ضایعه های پوستی رنگدانه شامل دو فرم خوش خیم و بدخیم می باشند. از نمونه های فرم خوش خیم می توان به خال های معمولی اشاره کرد و از فرم بدخیم می توان ملانوما را معرفی نمود. ملانوما به عنوان یکی از سرطان های بدخیم و کشنده پوست در سراسر جهان شناخته شده است. تشخیص ملانوما در مراحل نخست بیماری می تواند به طور چشمگیری از مرگ ناشی از این سرطان مهلک جلوگیری نماید. از آنجایی که تشخیص این بیماری در مراحل نخست، حتی توسط پزشکان کارآمد به سختی انجام می پذیرد، ارائه روشی که تشخیص ملانوما را در مراحل اولیه آسان نماید، بسیار مفید و ارزنده است. در این پژوهش به معرفی یک روش جدید بر اساس روش های هوشمند و مبتنی بر اصول پزشکی از راه دور با دقت بالا، موثر و کم هزینه برای تفکیک خوش خیم یا بدخیم بودن ضایعه های پوستی رنگدانه پرداخته می شود. هدف از انجام این پژوهش، تولید یک نرم افزار قابل استفاده توسط متخصصان و غیر متخصصان در پزشکی از راه دور و عموم مردم می باشد که به وسیله آن می توان دقت تشخیص متخصصان را بالا برده و همچنین عموم مردم بدون نیاز به دانش درماتولوژی بتوانند تشخیص های اولیه ضایعه های پوستی را بدون مراجعه به پزشک انجام دهند. روش بررسی: در این تحقیق با استخراج ویژگی های مناسب از تصویر بدست آمده از دوربین استاندارد و طبقه بندی آن ها و ترکیب با ریسک فاکتورهای جمع آوری شده از بیمار، تشخیص نوع ضایعه انجام می گردد. پیش از استخراج ویژگی های مناسب از تصویر، پیش پردازش به جهت آماده سازی تصویر و ارتقای کیفی آن برای استفاده در مراحل بعد، انجام شده، سپس به مرزبندی دقیق بین ضایعه و زمینه و در مرحله بعد به استخراج ویژگی های ضایعه پرداخته می شود. به منظور تفکیک دقیق آسیب های پوستی و کاهش زمان آموزش الگوریتم های طبقه بند، کاهش ابعاد ویژگی های مختلف انجام شده و تشخیص اولیه صورت می گیرد، در نهایت به کمک یک سیستم پشتیبان تصمیم پزشکی و با استفاده از ریسک فاکتورها نتیجه نهایی تعیین می شود. نتیجه گیری: روش پیشنهادی، برای تشخیص سرطان پوست ملانوما به عنوان بدخیم ترین نوع ضایعه پوستی از سایر ضایعه های خوش خیم دارای صحت حدود 92% می باشد. این روش به عنوان روشی ایمن، قابل دسترس، موثر، غیر تهاجمی و مبتنی بر اصول پزشکی از راه دور با دقت بالا و قیمت مناسب می باشد. توسط این سامانه نرم افزاری افراد می توانند تشخیص های اولیه ضایعه های پوستی شان را بدون مراجعه به پزشک انجام داده و متخصصین از آن به عنوان دستیاری هوشمند، سریع و دقیق استفاده کنند.

چکیده ندارد.