با توجه به افزایش گسترده و روزافزون شبکه های حسگری دیداری، مساله حفظ امنیت داده های انتقالی در این شبکه اهمیت ویژه ای پیدا می کند. اما با توجه به محدودیت پردازنده ها و منابع انرژی، باید روش هایی برای تامین امنیت به کار گرفته شود که تا حد امکان پیچیدگی محاسباتی آنها کم باشد. دو هدف امنیتی درنظر گرفته شده در این پایان نامه حفظ حق مالکیت و جلوگیری از دسترسی افراد غیرمجاز به تصاویر انتقالی هستند که به صورت ترکیبی از رمزنگاری و نشانه گذاری، برآورده می شوند. به هریک از تصاویر تهیه شده توسط حسگرها، دو تصویر مخفی افزوده می شود. یکی از آنها نشان دهنده ی مالکیت داده ها و دیگری نشان دهنده زمان دسترسی مجاز کاربر موردنظر به داده ها است. این دو نشانه با استفاده از روش رمزنگاری دیداری و بر اساس مشخصات تصویر میزبان، به سه سهم تقسیم می شوند. این سهم ها به تنهایی بی معنی به نظر می رسند، اما از ترکیب هر دو سهم با یکدیگر، یکی از تصاویر نشانه آشکار می شود. علاوه بر ایجاد سطح بالای امنیتی مزیت های دیگر استفاده از رمزنگاری دیداری، عدم ایجاد تغییر در تصویر میزبان و سادگی پیاده سازی آن در فرستنده و گیرنده است. برای ساختن سهم ها با ایجاد به هم ریختگی در این ضرایب، کل تصویر غیر قابل دیدن می شود. گیرنده مجاز با دانستن کلید گشایش رمز، تصویر مورد نظر را دریافت کرده و صاحب داده ها با ترکیب سهم هایی که در دست دارد مالکیت خود را به اثبات می رساند. روش پیشنهادی در این پایان نامه در مقایسه با روش های مشابه، تصاویر نشانه را در تعداد سهم های کمتری تقسیم کرده است، مقاومت بالاتری نسبت به حملات نشان می دهد و پیچیدگی محاسباتی آن کمتر است.

مشخصه های چهره شامل ابرو، چشم، بینی و لب، نقاطی هستند که در فریم های متوالی تعقیب می شوند تا اطلاعات مکانی آنها با استفاده از کلاس بندها برای تشخیص حالت چهره مورد استفاده قرار گیرند. مشخصه های چهره دارای حرکات غیرصلب فراوانی هستند. همچنین تغییرات روشنایی و انسداد های مختلف کار تعقیب را دچار چالش اساسی می نمایند. فیلتر ذره ای به جای تحلیل مستقیم چگالی تغییرات، نمونه های برداشته شده از آن را مورد آنالیز قرار می دهد. در این پایان نامه فیلتر ذره ای از نوع کمکی مورد استفاده قرار گرفته است. مشخصه های مختلف به طور مستقل مورد تعقیب قرار می گیرند تا ابعاد فضای حالت کاهش یابد. همچنین در ساختار مدل مشاهده ای از تبدیلات فوریه استفاده شده تا نسبت به تغییرات روشنایی مقاوم باشد. هنگامی که در چند فریم متوالی مشخصه ها مسدود شده و تعقیب نقاط ویژگی از دست می رود، بعد از رفع انسداد سیستم سعی در بازیابی و تخمین محل مشخصه ها دارد. در این راستا، سوراخ های بینی به عنوان مشخصه های مرجع مورد استفاده قرار گرفته اند. با توجه به اینکه اساس الگوریتم بر مقادیر سطح خاکستری استوار است، از نوعی فیلتر متقارن برای برجسته تر کردن مشخصه ها استفاده شده است. به عبارت دیگر، این فیلتر باعث می شود تا تفاوت مقدار شدت روشنایی نواحی مشخصه و غیر مشخصه بیشتر شود. اساس این فیلتر، تابع چگالی احتمال گوسی است. با انتخاب مناسب انحراف معیار کرنل گوسی، یک ماسک 5×5 ایجاد شده و تصاویر بانک اطلاعاتی از آن عبور داده می شوند.

آنالیز خودکار حالت چهره یک مسئله ی چالش برانگیز با کاربرد های فراوان می باشد. تشخیص حالت چهره از ویدئو یک زمینه ی تحقیقاتی ضروری در حوزه ی واسط های انسان-کامپیوتر می-باشد. سیستم های تشخیص حالت چهره از سه بخش تشکیل شده اند: آشکارسازی چهره، استخراج ویژگی و تشخیص حالت. در این پایان نامه، سیستم تشخیص حالت چهره شش حالت احساسی پایه را تشخیص می دهد و تغییر مکان نقاط کلیدی چهره بین فریم اول و فریم آخر بردار ویژگی را تشکیل می دهند. برای ردیابی، فیلتر ذره ای مورد استفاده قرار گرفته است. از آن جا که همه ی نقاط ویژگی صورت بر روی لبه یا گوشه قرار دارند، در این پایان نامه به منظور بهبود عمل کرد فیلتر ذره-ای، مقادیر ویژه ی ماتریس کوواریانس گرادیان شدت روشنایی نقاط ویژگی مورد استفاده قرار گرفته اند. ماتریس کوواریانس گرادیان بر اساس رابطه ی بین مقادیر ویژه ی خود سه برچسب پس-زمینه (نه لبه و نه گوشه)، لبه و گوشه به هر پیکسل اختصاص می دهد. الگوریتم فیلتر ذره ای مورد استفاده در این پایان نامه این برچسب ها را برای تشخیص این که پیکسل ها بر روی لبه یا گوشه قرار دارند استفاده می کند و به این پیکسل ها با اختصاص وزن های بزرگ تر تقدم و ارزش بیشتری می-دهد. با استفاده از این روش دقت ردیابی نقاط ویژگی افزایش می یابد در حالی که پیچیدگی زیادی به سیستم تحمیل نمی شود. با استفاده از بردار های ویژگی حاصل و ماشین بردار پشتیبان بهبود نسبی در نرخ تشخیص حالات چهره به دست می آید.

رتینوپاتی دیابتی عارضه ای ناشی از دیابت است و جزء خطرناک ترین و شایع ترین بیماری های سیستم بینایی انسان به شمار می آید. میکروآنوریسم ها اولین نشانه ی بالینی این بیماری هستند و به شکل لکه های قرمز رنگ کوچکی بر روی تصاویر فوندوس شبکیه ظاهر می شوند. تعداد میکروآنوریسم ها نشان دهنده ی شدت بیماری و تشخیص زودهنگام آنها به منزله ی تشخیص رتینوپاتی دیابتی در مراحل اولیه ی ابتلا است که می تواند به کاهش بروز نابینایی کمک کند. پردازش تصویر به عنوان یکی از روش های تشخیص رتینوپاتی دیابتی استفاده می شود. به علت اهمیت فراوان آشکار سازی میکروآنوریسم ها در تشخیص خودکار و نیمه خودکار بیماری رتینوپاتی، تحقیقات زیادی در این زمینه انجام شده است. هدف این پایان نامه، توسعه ی یک روش خودکار برای تشخیص میکروآنوریسم ها است که می تواند به متخصصین چشم در فرآیند غربالگری رتینوپاتی دیابتی کمک کند تا علائم این بیماری را سریع تر، آسان تر و با هزینه ی کمتر تشخیص دهند. روش کلی ارایه شده به این صورت است که ابتدا روی تصاویر شبکیه ی چشم پیش پردازش انجام می دهد؛ سپس نواحی کاندید میکروآنوریسم ها تعیین و در مرحله ی بعد با استخراج ویژگی ها به صورت دقیق تشخیص داده می شوند. در این تحقیق ترکیب فیلترهای میانه و همومورفیک و هم چنین استفاده از ویژگی های ماتریس هم رخدادی، نتایج را بهبود بخشیده است. برای این که بتوان نتایج حاصل از الگوریتم ارایه شده را ارزیابی کرد، تصاویر مورد استفاده به وسیله ی یک چشم پزشک مورد بررسی قرار گرفته و نقاط مربوط به میکروآنوریسم به صورت دستی علامت گذاری شده است. مطابق این روش، نرخ حساسیت 93.54% و تشخیص 94.05% به دست آمده است که آن را از زمره دقیق ترین الگوریتم های این حوزه قرار می دهد.

در سالهای اخیر، پایداری کشاورزی از لحاظ اقتصادی و زیست محیطی اهمیت بیشتری پیدا کرده است، که باعث شده رغبت به استفاده از کنترل مکانیکی علفهای هرز بیشتر شود. راهبری دستی وجین کن بین ردیف توسط راننده مستلزم تمرکز بیشتر جهت حفظ دقت لازمه بوده و لذا کاری دشوار و پر تنش میباشد. بنابراین وجود یک روش بینایی کمکی که بتواند راننده را در امر راهبری یاری رساند، مفید خواهد بود. در این تحقیق سامانه ای مبتنی بر ماشین بینایی ارایه شده که میتواند برای دنبال کردن ردیف ها و راهبری اتوماتیک کولتیواتور ردیفی مورد استفاده قرار گیرد. این سامانه قادر بود اطلاعات راهبری را از ساختار ردیف محصول بیابد. این سامانه روی یک شاسی آزمایشگاهی متحرک، در آزمایشگاه و مزرعه مورد آزمون قرار گرفت. یک دوربین ویدیویی روی دستگاه و متمایل به سمت ردیف نصب شد تا تصاویر برخط واقعی از ردیف های محصول را گرفته و برای پردازش به کامپیوتر بفرستد. به منظور تقسیم تصاویر به دو بخش گیاه و خاک، عمل بخش بندی روی تصاویر اعمال شد. دو الگوریتم تبدیل هاف و ابداعی مورد استفاده قرار گرفت که معادلات خطوط ردیف را ارایه میکردند. روش ابداعی که مبتنی بر اطلاعات معلوم قبلی از مشخصات هندسی ردیف محصول و کالیبراسیون دوربین بود، همه خطوط ممکنه ردیف را مورد آزمون قرار داده و بهترین را انتخاب میکرد. جابجایی جانبی واحد حامل دوربین محاسبه شده و به کنترلر انتقال می یافت. کنترلر نیز واحد متحرک حامل دوربین را طوری جابحا میکند، که مقدار انحراف جانبی بهبود یابد. روشهای یاد شده در سه مزرعه ذرت، چغندرقند و نخود مورد آزمون قرار گرفتند. الگوریتم هاف قادر بود ردیف محصول چغندرقند را با متوسط خطای mm12 و انحراف معیار mm20 بیابد. روش جدید نتایج بهتری را نشان داده و ردیف محصول چغندرقند را با متوسط خطای mm 5/9 و انحراف معیار mm12 یافت.