در این پایان نامه از یک روش کدینگ چند نسخه ای (mdc) برای کد کردن ویدیو در قالب استاندارد ویدیویی h.264 بهره گرفته شده و روشی برای پنهان سازی خطا در دکدکننده در صورت از دست رفتن یک توصیف ارائه می گردد. روش های کدینگ mdc عموماً برای کانال های on-off مورد استفاده قرار می گیرند. در این روش کدینگ، محتوی مورد نظر را به چند توصیف یا نسخه با ارزش یکسان تبدیل کرده، به طوری که بین نسخه های مختلف مقداری همبستگی اطلاعاتی وجود داشته باشد. در این صورت با از دست رفتن کامل یک نسخه، محتوی آن را می توان از روی نسخه های دیگر تخمین زد و به نتیجه قابل قبولی دست یافت. در این پایان نامه یک رشته ویدیویی با زیرنمونه برداری از سطرهای آن به دو نسخه تبدیل می گردد. از آنجایی که نقاط نزدیک به هم در تصاویر دارای همبستگی اطلاعاتی زیادی هستند، می توان از سطرهای یک نسخه، سطرهای مابین آنها را که در نسخه دیگر قرار دارند تخمین زد. میزان این همبستگی نیز با استفاده از تکنیک دنباله صفر کنترل می شود. در سوی گیرنده از سه دکدکننده استفاده می شود: یک دکدکننده مرکزی و دو دکدکننده جانبی. دکدکننده مرکزی: در صورت دریافت سالم هر دو توصیف آن دو را با هم ترکیب کرده و بالاترین کیفیت را ممکن می سازد. در این پایان نامه دکدکننده های جانبی معرفی می شوند که با بهبود روش های ساده پنهان سازی خطا و میانگین گیری از پیکسل های مجاور، و همچنین با استفاده از راستای گرادیان و لبه ها در توصیف دریافت شده سالم، راستاهایی را برای تخمین اندازه پیکسل ها در توصیف مخدوش شده تعیین کرده و با درون یابی و یا برون یابی در این راستاها، مقادیر این پیکسل ها را تخمین می زنند. نتایج به دست آمده نسبت به روش میانگین گیری ساده نشانگر بهبود در معیارهای کیفیت عددی و بهبود کیفیت دیداری خروجی به دست آمده هستند.

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.

مسئله ی شناسایی آتش همواره از اهمیت بالایی برخوردار بوده است، چرا که این مسئله مستقیما با امنیت مردم در ارتباط می باشد. سیستم های شناسایی آتش تقریبا مهم ترین جزء سیستم های حفاظتی و نظارتی می باشند. هر چند که در سال های اخیر، تکنیک های شناسایی آتش بر مبنای ویدئو پیشرفت-های چشم گیری داشته است ولی همواره مسئله ی هشدار اشتباه در سیستم های شناسایی آتش مورد توجه بوده است. امروزه از تصاویر نورمرئی و مادون قرمز و تکنیک های بینایی ماشین برای شناسایی و موقعیت یابی آتش استفاده می شود. ادغام تصاویر مرئی و مادون قرمز نقش بسیار مهمی در شناسایی آتش ایفا می کند، زیرا هر یک از تصاویر مرئی و مادون قرمز نمی توانند به تنهایی اطلاعات کامل و واضح از صحنه ارائه دهند. استفاده از اطلاعات مکمل هر یک از تصاویر مرئی و مادون قرمز برای کاهش نرخ هشدار اشتباه، مورد توجه محققین قرار گرفته است. در حالت کلی شناسایی آتش در ویدئو به دو صورت، یعنی شناسایی دود و شعله انجام می گیرد که چون دود در آتش سوزی قبل از شعله ظاهر می شود شناسایی دود در سیستم های نظارتی بسیار مهم می باشد. دود در تصاویر مادون قرمز قابل مشاهده نمی باشد، از این رو از همین خاصیت غیردیداری آن برای کاهش هشدار اشتباه استفاده می شود. در این پایان نامه از ادغام اطلاعات تصاویر نورمرئی و مادون قرمز برای شناسایی دود در فواصل نزدیک استفاده می کنیم. به طوری که از غیبت دود در تصاویر مادون قرمز، برای تفکیک دود از پدیده های متحرک هم رنگ دود استفاده شده است. روش پیشنهادی از دو فاز تشکیل شده است که در فاز اول با استفاده از اطلاعات مرئی و مادون قرمز، ماسک دود به دست می-آید. سپس در فاز دوم معیارهای بی نظمی و محاسبات انرژی مورد استفاده قرار می گیرند تا برای کاهش نرخ هشدار اشتباه، ماسک دود مورد بررسی های بیشتر قرار گیرد. روش پیشنهادی در تشخیص دود بسیار توانا بوده و از دقت بالایی برخوردار می باشد چنان که نتایج شبیه سازی، برتری این روش را نسبت به روش های قبلی نشان می دهد.

باتوجه به گستردگی روش های موجود در حذف نویزهای ضربه ای از تصاویر دیجیتال انتخاب روش بهینه حذف نویز یکی از دغدغه های اصلی دانش پژوهان فعال در زمینه پردازش تصاویر است. لذا در پایان نامه پیش روی روش های حذف نویزهای ضربه ای فلفل نمکی و ضربه ای با مقادیر تصادفی از تصاویر دیجیتال به صورت اجمالی مورد بررسی قرار گرفته و با مقایسه کمی و کیفی روش ها، راهکاری مطلوب در انتخاب روش بهینه ارائه گردیده است. از سوی دیگر ، با ارائه راهکارهای جدید، کیفیت تصاویر بازسازی شده نسبت به سایر راهکارهای موجود ارتقاء یافته است. در روش های ارائه شده با بازشناسی و تحلیل نوع نویزهای تاثیر گذار بر تصاویر، ابتدا نوع آسیب طبقه بندی شده و در گام بعدی بازسازی متناسب با نوع نویز، بر پیکسل آسیب دیده اعمال می گردد. با مقایسه های کمی و کیفی صورت پذیرفته، بهبود ??? الی ??? بازسازی تصاویر، قابل مشاهده است. همچنین در اکثر روش های ارائه شده مقوله زمان اجرای الگوریتم کمتر مورد توجه قرار گرفته است. لذا اکثر روش ها از پیچیدگی زمانی نسبتا بالایی برخوردارند. در راهکار ارائه شده سعی گردیده است با به کارگیری روش های مختلف زمان اجرای الگوریتم تاحد قابل توجهی کاهش یابد.

یکی از کاربردهای مهم پردازش تُنُک سیگنال ها که مورد توجه زیادی قرار گرفته است‏، سنجش فشرده می باشد. سنجش فشرده‎‎‎ (که تحت عناوین حسگری فشرده‎‏، نمونه برداری فشرده‎ و یا نمونه برداری تُنُک‎ نیز شناخته می شود)‎‎ تکنیک نو ظهوری است که امکان نمونه برداری و فشرده سازی هم زمان سیگنال را در نرخی به مراتب کمتر از نرخ نمونه برداری شانون-نایکوئیست‏، با استفاده از نگاشتی خطی به یک پایه تصادفی‏، فراهم می سازد. همچنین سنجش فشرده این قابلیت را فراهم می سازد که سیگنال نمونه برداری شده‏، تحت شرایطی خاص‏ و با استفاده از معادله خطی فرومعین حاصله‏، به طور دقیق از روی تعداد بسیار کم نمونه های تصادفی‏ قابل بازیابی باشد.‎‎ در این پایان نامه‏، ابتدا مروری مختصر داریم بر تعدادی از الگوریتم های موجود برای کدینگ تُنُک‏، همراه با کلیات سنجش فشرده. سپس تبدیل چند مقیاسه جهتدار کرولت را همراه با آموزش واژه نامه و همچنین مسأله نویززدایی از تصاویر با استفاده از نمایش تُنُک‏ را مرور خواهیم کرد. در ادامه دو الگوریتم جدید برای بازیابی تصاویر سنجش فشرده شده بلوکی معرفی می کنیم؛ یکی‎‎‎‎‎‎‎ با استفاده از روش تکرارهای آستانه گذاری-‎انقباضی شتابی و دیگری با به کارگیری تبدیل کرولت. شبیه سازی ها حکایت از عملکرد بهتر الگوریتم های معرفی شده نسبت به الگوریتم های متداول دارد. در ادامه روشی نوین را برای بازیابی تصاویر ویدئویی سنجش فشرده با استفاده از آموزش واژه نامه‏، معرفی می کنیم. شبیه سازی ها روی دنباله های ویدئویی مختلف‏، برتری عملکرد کیفی روش پیشنهادی را در برابر روش های موجود نشان می دهد.

چکیده ندارد.