تصاویر حاصل از ماهواره های سنجش از دور، دارای دقت مکانی و طیفی یکسان نیستند. بدین معنی که بعضی از تصاویر دقت طیفی بالایی دارند ولی در عوض دقت مکانی پایینی دارند و برعکس. برای دست یابی به تصویری با دقت طیفی و مکانی بالا به صورت توأم در سنجش از دور از روش های ادغام تصاویر استفاده می کنند. نتیجه ادغام، تصویری است که اطلاعات مکانی و طیفی این تصاویر را در خود جای داده است. در فرآیند ادغام تصاویر، دو یا چند تصویر را که هم مختصات شده اند به یک تصویر ‏تبدیل می شود. در این پایان نامه قصد داریم که روشی جدیدی برای ادغام تصاویر ابر طیفی سنجنده hyperion با دقت تفکیک ?? متر را با تصویر تک رنگ سنجنده ikonos با دقت تفکیک مکانی 1 متر ارائه کنیم. برای این کار از روش های تبدیل تحلیل مولفه اصلی و تبدیل فیلتر بالا گذر، تبدیل موجک، تبدیل شدت، رنگ، اشباع (ihs) و روش های ترکیبی از روش های مذکور و روش پیشنهادی استفاده شده است. در بین روش های رایج موجود تبدیل مولفه اصلی دقت تفکیک مکانی و تبدیل موجک دقت طیفی را خوب حفظ می کند. لذا ما در روش پیشنهادی با روشی کنترل شده روی داده ها این دو تبدیل را در امتداد یکدیگر به کار می گیریم، برای بهبود روش ادغام به روش موجک از گسترش تصویر و نیز یک حلقه بهینه یاب برای یافتن میزان درصد ضرایب تقریب و جزئیات هر کدام از تصاویر مورد نظر، بهره برده ایم. نتایج حاصل از ادغام با این روش ها دارای ضریب هم بستگی طیفی و مکانی بهتری نسبت به روش های پیشین می-باشد.

بر اساس تحقیقات بدست آمده به علت تخریب لایه ازن، میزان پرتو مضر نور خورشید در حال افزایش است و باعث افزایش تعداد مبتلایان به بیماری های پوستی می شود. ملانوم که یکی از سرطان های پوستی کشنده و در حال گسترش می باشد. دانشمندان نشان داده اند که در صورت تشخیص به موقع قابل پیشگیری و درمان می باشد اما در صورت پیشرفت، سرطان می تواند منجر به مرگ بیمار شود. در این پایان نامه تصاویر پوستی با ضایعات رنگ دانه ای که منجر به سرطان پوست از نوع ملانوم بدخیم می شوند، مورد طبقه بندی قرار می گیرند. روش های کلی طبقه بندی تصاویر پوست شامل سه شیوه است. این سه شیوه عبارت از یافتن ویژگی های لبه، شکل و بافت ناحیه مشکوک می باشد. در ابتدا بر روی تصویر پیش پردازش های لازم انجام می گیرد و ناحیه ی مشکوک با استفاده از الگوریتم های مختلفی مشخص می شود. الگوریتم-های اشاره شده در این پایان نامه عبارتند از آستانه گذاری وفقی هیستوگرام، میانگین متحرک ناهمسان گرد فازی (amfcm)، ضرایب موجک، مرز فعال و همگونی می باشد. پس از استخراج ناحیه مشکوک ویژگی های لبه و شکل آن استخراج می شوند. در ادامه از محتوای ناحیه ی مشکوک ویژگی های بافتی با روش هایی نظیر glcm، glrlm، فیلتر بانک های گابور، ممان های زرنیک، فیلتر بانک وفقی، فیلتر بانک پیشنهادی حوزه ی فرکانس و موجک بسته ای ویژگی استخراج می شود. از معیار فیشر جهت آموزش فیلتر بانک های وفقی به وسیله ی داده های آموزشی و جهت کاهش ویژگی استفاده می شود. سپس این ویژگی ها با یکدیگر مقایسه می شوند و ویژگی های با ارزش اطلاعاتی بیشتر با یکدیگر ادغام می گردند تا سریع تر و با دقت بیشتر طبقه بندی انجام پذیرد و در جهت تشخیص وفق داده شوند و الزاماً کامل ترین روش جهت استخراج ویژگی ها نمی باشد. در نهایت این روش ها به صورت جداگانه و با ادغام ویژگی ها، مورد طبقه بندی قرار می گیرند. روش ارائه شده در این پایان نامه دارای دقت، اعتبار، و پارامترهای roc طبقه بندی بالاتری نسبت به نمونه های قبل می باشد.

امروزه تصاویر ابرطیفی یکی از مهمترین ابزارهای علم سنجش از دور هستند. استفاده از این تصاویر در کاربردهای مختلف مانند کشاورزی، جنگلداری، مطالعه پوشش های گیاهی، شناسایی آلودگی ها، اکتشاف منابع طبیعی و معدنی، زمین شناسی، کاربردهای نظامی نتایج قابل توجهی را کسب کرده است. با توجه به پیشرفت سنجنده های فضایی، دقت تفکیک طیفی آنها به چند صد باند در تصاویر ابرطیفی افزایش یافته است که تعداد زیاد این باندها به صورت بالقوه جدایی پذیری کلاس ها را افزایش می دهد. اما با افزایش تعداد باندها و بالا رفتن بعد فضای داده ها باید داده های آموزشی متناسب با تعداد باندها برای تخمین دقیق پارامترهای طبقه بند را داشته باشیم تا این مزیت بالفعل شود. بدون داشتن داده های آموزشی متناسب با تعداد باندها دچار پدیده هیوز در طبقه بندی نظارت شده می شویم که می گوید با داده آموزشی محدود، با افزایش تعداد باندها ابتدا دقت طبقه بندی افزایش و بعد از رسیدن به یک بیشینه رو به کاهش می گذارد. در این رساله یک اثبات تحلیلی برای این پدیده فراهم شده است. از آنجا که جمع آوری داده های آموزشی در تصاویر ابرطیفی بسیار گران، زمان بر و گهگاه مقدور نمی باشد در طبقه بندی نظارت شده آنها دچار پدیده هیوز می شویم. کاهش ویژگی یکی از راهکارهای غلبه بر پدیده هیوز است. بنابراین هدف این رساله پیشنهاد روش های انتخاب باند و استخراج ویژگی مناسب برای داده های ابرطیفی می باشد. داده های ابرطیفی دارای ممان های مرتبه بالاتر از دو و خصوصیات غیرخطی می باشند که باید در انتخاب شاخص و نگاشت کاهش بعد داده ها به این خصوصیات توجه کرد. در این رساله شاخص بیشینه ارتباط-کمینه افزونگی را که پیش از این برای انتخاب باند استفاده شده است را اصلاح و برای انتخاب باند و استخراج ویژگی در تصاویر ابرطیفی استفاده کرده ایم. این شاخص جدایی پذیری بر حسب ترم های اطلاعات متقابل می باشد که از اطلاعات تمام ممان های داده ها استفاده می کند. نگاشت های خطی، خطی تعمیم یافته و یک پرسپترون دو لایه به عنوان یک نگاشت غیرخطی توانمند برای استخراج ویژگی استفاده شده اند. در تمام روش های انتخاب باند و استخراج ویژگی پیشنهادی، پارامترهای آزادی وجود دارد تا بتوانیم با تنظیم آنها پیچیدگی شاخص و نگاشت های استفاده شده را مهار کرده و با تعداد داده آموزشی محدود، تخمین دقیقتری از پارامترهای بهینه نگاشت کاهش ویژگی داشته باشیم. روش استخراج ویژگی خطی پیشنهادی برای تصویر ایندیانا صحت طبقه بندی 84% دارد در صورتی که برای روش های سنتی مانند pca و lda به ترتیب 67% و 75% است. روش استخراج ویژگی غیرخطی پیشنهادی نیز صحت طبقه بندی برابر با 90% می باشد در صورتی که برای روش های سنتی مانند kpca و gda به ترتیب 81% و 84% است

سیگنال صوتی تولید شده ناشی از فعالیت مکانیکی قلب، اطلاعات مفیدی در رابطه با عملکرد دریچه های قلبی فراهم می کند. از این رو، گوش کردن به قلب از دیر باز روش متداولی در ارزیابی سیستم قلب-عروقی بوده است. از مزایای این روش می توان به سریع، ارزان و غیر تهاجمی بودن آن اشاره کرد. متاسفانه به دلیل محدودیت شنوایی انسان و نیز ماهیت گذرا و غیر ایستان صدا های قلب (pcg)، تشخیص بر مبنای صدا های شنیده شده از طریق گوشی پزشکی کار دشواری بوده و نیاز به تمرین و تکرار زیادی دارد. بنابراین، ارائه روشی جهت تشخیص خودکار این ناهنجاری ها با تحلیل صدا های قلبی ضبط شده از طریق گوشی پزشکی می تواند بسیار مفید واقع شود. هدف از انجام این تحقیق، آشکارسازی سوفل های سیستولیک که از شایعترین صدا های اضافی قلب هستند، می باشد. بدلیل محتوای تشخیصی بالای سوفل ها در هر دو حوزه زمان و فرکانس، تبدیلات زمان-فرکانس مناسبترین روش برای پردازش این صدا های غیر طبیعی بشمار می روند. ما دراین تحقیق یکی از تکنیک های پردازشی زمان-فرکانس رایج در آنالیز صوت یعنی روش ضرایب کپستروم فرکانس مل (mfcc) را در کنار پردازش های تخمین طیف توان و تبدیل موجک برای استخراج ویژگی بکار گرفته ایم. این روش با نگاشت سیگنال به فضای مبتنی بر فرکانس مل ویژگی های آکوستیکی سیگنال را استخراج می کند. طبقه بندی در دو حالت، حالت اول دسته بندی کلاس سالم و نا سالم و حالت دوم دسته بندی چهار کلاسه بین کلاس سالم و تشخیص نوع بیماری انجام گرفته است. در مرحله ی طبقه بندی نیز برای بررسی تاثیر انتخاب طبقه بند مناسب از چهار طبقه بند مختلف knn، svm، ml و mlp استفاده کرده ایم. برای بهبود نتایج، از روش تلفیق بهترین ترکیب ویژگی و طبقه بند با رویکرد حداکثر آرا بهره جسته ایم. روش پیشنهادی بر روی داده های واقعی کلینیکی صدای قلب متشکل از 40 فرد سالم، 20 فرد مبتلا به بیماری vsd، 21 فرد مبتلا به بیماری ps و 12 فرد مبتلابه بیماری asd مورد ارزیابی قرار گرفته است. با استفاده از الگوریتم پیشنهادی توانستیم به صحت 72/96% در تشخیص صدای سالم و ناسالم و صحت 5/92% در تشخیص صدای سالم و نوع بیماری دست یابیم. روش پیشنهادی ما با سرعت پردازشی مطلوب و سادگی در محاسبات و همچنین دست یابی به صحت قابل مقایسه با کار های مشابه، می تواند در پردازش های آن لاین و سیستم های خودکار بکار گرفته شود.

در این تحقیق ، از ویژگیهای زمینه ( بافت ) تصویر به منظور ناحیه بندی تصاویر ‏‎mri‎‏ مغز انسان استفاده شده است . روشهای مختلف استخراج ویژگی های بافت مانند روش های آماری و ساختاری معرفی شده اند .روش ؛ بانک فیلتر گابور ؛ بدلیل عملکرد مناسب ، انتخاب وپیاده سازی شده است . این فیلتر از یک تابع سینوسی تشکیل شده که برروی یک پوش گوسی مدوله شده است . سه روش عمده طراحی فیلتر های گابور بررسی شده است : روش : طراحی فیلتر ؛ ، روش ؛ موجک گابور ؛ و روش ؛ بانک فیلتر گابور ؛ با توجه به بهینه بودن روش بانک فیلتر گابور از نظر دقت و حجم محاسبات ، این روش پیاده سازی شده است . در ادامه ، ویژگیهای استخراج شده ، به روش های خوشه بندی ‏‎k-means‎‏ وخوشه بندی ‏‎fcm‎‏ ، طبقه بندی شده است و در انتها تصاویر ناحیه بندی شده با روش های سنتی مقایسه شده است . نتایج بدست آمده ، عملکرد مناسب ویژگی های استخراج شده را تایید می کند .