امروزه از روش رهگیری نور در ساختن تصاویر واقعی به کمک کامپیوتر استفاده می شود. این تصاویر دو بعدی از تبدیل مدل های فرضی سه بعدی به وسیله رهگیری نور بدست می آیند. این روش با بهره گیری از خصوصیات نور، نور وارد شده به چشم یا دوربین را پیگیری می کند تا تصویری با کیفیت بالا ایجاد کند. در تصویر ساخته شده توسط این روش سایه، انعکاس و شکست نور به خوبی قابل مشاهده است. این روش باید میلیون ها نور را شبیه سازی و پیگیری کند و به علت محاسبات بالا برای پیدا کردن نزدیکترین برخورد نور با عناصر صحنه، رهگیری نور بسیار کند اجرا می-شود. راهکارهایی برای تسریع رهگیری نور ارائه شده است، یکی از این راهکارها، استفاده از ساختارهای تسریعی است که عناصر صحنه را نگهداری می کنند. در این پایان نامه از ساختار تسریع kd-tree استفاده شده است. این ساختار به دلیل برتری هایی که نسبت به ساختارهای دیگر دارد بیشتر مورد توجه محققین قرار گرفته است. درخت-های زیادی می توان ساخت ولی باید درختی ساخته شود که مناسب آن صحنه باشد تا برای برای پیدا کردن نزدیکترین برخورد نور سریع پیمایش شود. محققین روشی را برای ساخت درخت مناسب ارائه کردند که sah نامیده می شود. این روش با استفاده از یک تابع هزینه، درختی را می سازد که کمترین هزینه را دارد. در ساخت تصاویر با دو هزینه روبرو هستیم: زمان ساخت درخت و زمان پیمایش-برخورد (زمان پیدا کردن نزدیکترین برخورد نور با عناصر صحنه در درخت). زمان لازم برای ساخت تصویر مجموع این دو زمان می باشد. در این پایان نامه این دو هزینه بررسی شده اند و روش هایی ارائه شده اند تا زمان ساخت تصویر را کاهش دهند. در روش اول زمان ساخت درخت افزایش ولی زمان پیمایش- برخورد کاهش یافته است و تصویر سریع تر ساخته می شود، این روش فقط برای صحنه های کوچک کارا خواهد بود و در صحنه های بزرگ کارا نیست. برای رفع مشکل روش اول روشی دوم را ارائه دادیم، در روش دوم در تمام صحنه های بزرگ زمان ساخت درخت کاهش چشمگیری نسبت به روش sah استاندارد داشته است و تصویر سریع تر ساخته می شود. مشکل روش دوم پیدا کردن پارامتر k است چون در این روش به صورت تجربی مقدار دهی شده است. توانستیم مقدار k را به صورت وفقی تخمین بزنیم. در این پایان نامه راهکار دیگری برای تسریع رهگیری نور ارائه شده است. به علت مستقل بودن نور های خارج شده از چشم یا دوربین، هر نور به صورت جداگانه روی پردازنده های مختلف اجرا می شوند. موازی سازی بر روی رهگیری نور بسیار خوب عمل کرده است به طوری که در تمام صحنه ها زمان ساخت تصویر حدود 50 درصد کاهش یافته است.

اگرچه عوامل بسیاری در ارتباط با وقوع مشکل در قدرت و میزان باروری یک مرد دخالت دارند، اما بررسی نمونه منی، اولین و ساده ترین روش برای تعیین وضعیت باروری مردان است. البته بررسی نمونه منی طیف گسترده ای از روش ها را در بر می گیرد: از حالت های فیزیکی نمونه که با چشم غیر مسلح قابل تشخیص است تا آزمایش های پیچیده شیمیایی و عملکردی. از مهم ترین شاخص های یک نمونه منی که همه آزمایشگاه ها آن ها را مدنظر قرار می دهند (صرف نظر از روش های متفاوت بررسی) غلظت اسپرم ها در نمونه، وضعیت حرکت اسپرم های موجود در نمونه و وضعیت ریخت شناختی آن ها می باشد. در واقع آنچه که در بررسی چشمی این خصوصیات نمونه منی مشکل ساز می شود، وابستگی نتایج به دقت و تجربه و خبرگی آزمایشگر است. علاوه بر آن، وقتی که اسپرم های با حرکت سریع در نمونه منی وجود داشته باشند، نویزهایی در تصویر وجود داشته باشد و یا ابزارهای پیشرفته و امکانات ویژه برای آنالیز نمونه منی وجود نداشته باشد، خطاهای این بخش از آنالیز بیشتر خود را آشکار می سازد. اصلی ترین علت حضور کامپیوتر در آزمایشگاه های تشخیص طبی، یکسان سازی و استاندارد نمودن و مستقل کردن نتایج آزمایشگاه ها از آزمایشگر یا همان کاربر است به گونه ای که بتوان نتایج آنالیز را برای تشخیص باروری و مقایسه استفاده نمود. با در نظر گرفتن ضرورت و اهمیت این موضوع، هدف این پایان نامه شناخت سیستم های پیشین آنالیز کامپیوتری اسپرم ، بررسی معایب آن ها و به کارگیری تکنیک های هوش مصنوعی و همچنین اجرای الگوریتم های کامپیوتری جهت بهبود شاخص ها و پارامترهای مرتبط با مورفولوژی اسپرم های موجود در نمونه در سیستم های ارائه شده ی پیشین است. هدف این تحقیق در بیانی خاص تر، اعمال تکنیک های پردازش تصویر و بازشناسی الگو روی تصاویر ورودی است تا با کمک به استخراج شاخص ها از روی خصوصیات اصلی نمونه منی، تصمیم گیری در مورد وضعیت باروری آن فرد امکان پذیرتر باشد. در این تحقیق همه خصوصیت های نمونه منی بررسی شده و روی خصیصه سوم نمونه ها از این خصوصیت های اصلی تاکید و بهبود صورت پذیرفته است. به منظور قابل استفاده بودن بهبودها و پیشنهادهای این تحقیق در آنالیز و تشخیص خصوصیات یک اسپرم زنده و حذف پیش نیاز ابزارها و امکانات آزمایشگاه ویژه، برای ثبت تصاویر، از میکروسکوپ های معمولی و نمونه منی خام (بدون رنگ آمیزی) استفاده شده است (برخلاف اکثر سیستم های آنالیز کامپیوتری اسپرم). در روش هایی که روی نمونه منی خام عمل می کنند، برای تعیین خصوصیات اسپرم های موجود در نمونه منی، ابتدا پیش پردازش هایی روی تصاویر بدست آمده از لام های میکروسکوپی صورت می گیرد تا کیفیت تصویر بهبود یافته و خطاهای تشخیص اسپرم کاهش یابد. عمده ناتوانی های سیستم ها در این بخش است، چرا که استفاده از تکنیک های مرسوم و ایستای پردازش تصویر به عنوان مرحله پیش پردازش، همیشه کارا نبوده و نیاز برای روشی پویا و انعطاف پذیر همواره لمس می شود. از این رو، یک روش بهبود یافته ی ارتقاء تصاویر ورودی مبتنی بر تکنیک های مورفولوژی ریاضی برای تصاویر معرفی و بکار گرفته شد. با استفاده از نتایج این روش ها و آستانه سازی ترکیبی آنالیز هیستوگرام- fcm، اسپرم ها شناسایی و استخراج گردید و به این ترتیب شرایط برای بررسی غلظت اسپرم های نمونه منی نیز امکان پذیر شد. به دلایلی مانند در اختیار نداشتن نمونه های استاندارد و یا حتی بخشی از نمونه های روش های قبل، عدم دست یابی به الگوریتم کلی روش های پیشین، برداشت های اقتصادی از آنالیز اسپرم و مقایسه های کلی بین نتایج روش ها (شامل بررسی هر سه خصوصیت اصلی نمونه ها)، امکان بررسی مستقیم اثر بهبودهای ارائه شده با نتایج قبلی وجود نداشت و مقایسه ها به کمک فرد خبره یا به صورت بخشی و بیان بر اساس پارامترهای یکسان صورت پذیرفته است. با توجه به اینکه نهایتاً نتایج آنالیز نمونه منی، به صورت یک نتیجه گیری تشخیصی کلی برای هر فرد بیان می شود، در قسمتی از این پایان نامه، ایده ای جدید برای بهبود استخراج ویژگی ارائه شد که با آزمایش های ابتدایی نتایج بهتری را نشان می دهد. و در نهایت چنین نتیجه گرفته می شود که می توان با به کارگیری پیش پردازش های مناسب و بدون نیاز به روش های رنگ آمیزی که زمان بر بوده و برای اسپرم زنده امکان پذیر نیست و همچنین بدون نیاز به ابزارهای پیشرفته و پرهزینه و با تکیه بر روش های پویا و تطبیقی در تشخیص اسپرم ها در تصاویر به نتایج تشخیصی مناسبی دست یافت.

تفکیک درست و دقیق تصاویر از جمله اهداف مهم روش های متنوع پردازش تصویر و بطور خاص قطعه بندی تصاویر به ویژه تصاویر پزشکی است. روش هایی که بتوانند با بررسی کامل تصویر در دسترس، نواحی موجود در تصویر را تشخیص و تفکیک نمایند. به دلیل میزان تنوع سطوح خاکستری بسیاری از تصاویر مورد بررسی، پیشنهاد روشی به منظور کاهش مناسب سطوح خاکستری به کار رفته در تصاویر می تواند مقدمه ای بسیار مطلوب برای بسیاری از روش های ارائه شده باشد. در این مقاله شبکه عصبی خودسازمانده با توجه به ویژگی های رقابتی و تک خروجی بودن آن در نقش کاهش دهنده سطوح رنگی معرفی شده است و روش خوشه بندی k نزدیکترین متوسط بر روی تصاویر خروجی شبکه عصبی اعمال شده است. تصاویر ورودی شبکه عصبی به منظور دقت بیشتر شبکه در چندین مرحله بهبود یافته و تصحیح شده اند. این روش بر روی تصاویر سی.تی.اسکن کبد انسان مورد آزمایش قرار گرفته است. نتایج بدست آمده با نتایج بدست آمده از نظر فرد خبره مورد ارزیابی قرار گرفت و دقت 90.85 درصدی از این روش بدست آمد. نظر فرد خبره با روش رشد ناحیه و نتایج بدست آمده از روش ارائه شده با روش آستانه گذاری چندتایی استخراج شده و مورد ارزیابی قرار گرفتند.

اینترنت و در دل آن فناوری های وب2.0 اجازه می دهند تا سازمان ها برای کمک و خدمت به کاربران کارآمدتراز گذشته باشند. با توجه به گسترش فناوری اطلاعات و افزایش استفاده از اینترنت در سیستم دانشگاهی کشور می توان از این ابزار مهم فرای اطلاع رسانی و مکانیزاسیون امور مختلف، در زمینه های علمی و آموزشی در دانشگاه ها بهره برد.امروزه با رشد سریع وب2.0 و استفاده از ابزارها و فناوری های تعاملی توسط سازمان های اطلاع رسانی و پدیدار شدن نیازهای جدیدکاربران در فضای وب، موجب گرایش به سوی نسل نوین کتابخانه های دانشگاهی موسوم به(کتابخانه دانشگاهی2.0)گردیده که به عنوان آواتارجدیدکتابخانه های دانشگاهی با بهره گیری از قدرت وب2.0 می باشد. خدمات وب2.0 با رویکرد به سوی مدل های توسعه باز، انعطاف پذیر و مشارکت جودرسیستم های تولیدمحتوا موجب کاهش هزینه های تولید و پردازش اطلاعات، مشارکت بیشترکاربران در تولید محتوا، بهبود فرآیند انتشار اطلاعات، بهبود ارتباط با کاربران، تقویت خردجمعی، شفافیت بیشتر درگردش اطلاعات، تمرکززدایی، افزایش آگاهی عمومی، افزایش کارایی سیستم هامی گردند. هدف از انجام این تحقیق امکان سنجی بهره گیری از قابلیت های وب2.0 در وب سایت کتابخانه دانشگاه ها جهت سودجستن از مزایای آن می باشد.برپایه نتایج بدست آمده ازاین تحقیق مشخص گردید که توسعه خدمات وب2.0 در کتابخانه ها متناسب با نیازهای دانشگاه های ایران می باشد بطوریکه به ترتیب میزان مشارکتی بودن، همگرایی، تعاملی بودن، تشریک مساعی و بازبودن خدمات وب2.0 متناسب با نیاز دانشگاه ها و عواملی مهم در کاربردپذیری این خدمات می باشند و درنهایت خدمات وب2.0 کاربردپذیر از منظر کاربران و کتابداران تعیین و اولویت بندی گردیدند.

با پیشرفت تجهیزات پزشکی در ایجاد تصاویر پزشکی دیجیتال، روزانه حجم وسیعی از این تصاویر در مراکز پزشکی تولید شده و در پایگاه داده ی تصاویر ذخیره می شود. در این تحقیق، روشی جهت بازیابی کارای این تصاویر از پایگاه داده، با استفاده از تکنیک های پردازش تصویر و الگوریتم ژنتیک ارائه می شود. نخست، تعدادی ویژگی در زمینه ی بازیابی بافت، از تصاویر استخراج شده و پایگاه داده ی ویژگیها ایجاد می گردد. سپس، با ارائه ی تصویر پرس و جو، ویژگیهای موردنظر برای این تصویر نیز استخراج می گردد. با مقایسه ی ویژگیهای تصویر پرس و جو با پایگاه داده ی ویژگیها، ماتریس شباهت بدست می آید. با استفاده از عملگرهای ژنتیکی و اعمال تابع برازندگی مناسب، عملیات انتخاب ویژگی و تعیین میزان وزن هر ویژگی انجام می شود. سپس، از میان زیرمجموعه ی ویژگیهای بهینه، زیرمجموعه ای که بیشترین مقدار برازندگی را داشته باشد، انتخاب می شود. بدین ترتیب، ویژگیهای بهینه و وزنهای بهینه ی آنها استخراج می گردد. با توجه به مجموع وزنهای بهینه ی ویژگیها، تصاویر به ترتیب کمترین مقدار فاصله و یا بیشترین مقدار شباهت، در خروجی قرار می گیرند. با مقایسه ی صورت گرفته بین سه سری از ویژگیها، در سری سوم میانگین دقت، بیش از 94 درصد و میانگین زمان بازیابی، 6.29 ثانیه در پایگاه داده ی شامل 17500 تصویر می باشد. نتایج حاصل از آزمایشات ما نشان می دهند، سری سوم نسبت به دو سری دیگر از لحاظ دقت و زمان بازیابی بهتر عمل می نماید.

مسئله تقسیم بندی تصاویر magnetic resonance imaging(mri)به صورت اتوماتیک یک مسئله پیچیده می باشد. در این گزارش روش جدیدی جهت پیدا کردن تعداد قسمت های تصاویر مغز و تقسیم بندی اتوماتیک جهت تصاویر mri مغزی نرمال و غیر نرمال ارائه گردیده است. هدف در روش اتوماتیک قسمت بندی تصویر این است که تعداد قسمت های یک تصویر با توجه به آنتروپی آن تشخیص داده شود و دیگر اینکه با تشخیص صحیح تعداد قسمت های تصویر دقت تقسیم بندی نیز افزایش یابد. با توجه به اینکه تعیین اتوماتیک تعداد قسمت های یک تصویر و همچنین مراکز قسمت های حدس زده شده به صورت اتوماتیک مستلزم امتحان حالات زیادی می باشد جهت رفع این مشکل و بالا نگه داشتن دقت از ترکیب روش ژنتیک با روش fcm استفاده نموده ایم. در این روش سعی شده که با تغییر روش fuzzy c-means(fcm)به عنوان تابع هدفبا بکارگیری فاصله های درون کلاسی و برون کلاسی و ترکیب این روش ها با الگوریتم ژنتیک مسئله تقسیم بندی تصویر را دقیق تر انجام دهیم. در این روش علاوه بر در نظر گرفتن کمترین فاصله بین داده ها و مرکز، دور بودن آن داده ها از سایر مراکز نیز لحاظ می گردد.به منظور کاهش اثر نویز در تقسیم بندی از همسایه های محلی و غیر محلی استفاده شده است. روش معرفی شده بر روی تصاویر ام.آر.آی بدست آمده از سایت brainweb و همچنین 10 تصویر ام.آر.آی واقعی آزمایش گردیده است.آزمایشات ما نشان می دهند که روش ارائه شده در مقایسه با روش های مشابه، بهبود قابل توجهی را در صحت تقسیم بندی تصاویر به همراه دارد.