سیستم شناسایی علائم راهنمایی و رانندگی با دریافت تصاویر از دوربین نصب شده روی اتومبیل، علائم راهنمایی و رانندگی را تشخیص می دهد و آنها را به راننده هشدار می دهد. به کمک این سیستم می توان آمار حادثه های ناشی از بی توجهی رانندگان نسبت به علائم را کاهش داد. اکثر سیستم های موجود شامل دو فاز یافتن و دسته بندی علائم هستند. روش تشخیص الگوی مبتنی بر تقاطع خطوط مرور که در این تحقیق معرفی می گردد، روشی کاملاً ابتکاری است که برای فاز دسته بندی علائم استفاده می شود. برای شناسایی دقیق علائم، نیازی به پردازش تمام قسمت های علائم وجود ندارد و تنها خطوط خاصی از علائم مورد تجزیه و تحلیل قرار می گیرند که در علائم مختلف منحصر به فرد می باشند. بر اساس تست-های انجام شده با استفاده از روش پیشنهادی بر روی 211 عدد از علائم راهنمایی و رانندگی کشور سوئد، به طور میانگین زمانی 230 میلی ثانیه و دقت شناسایی 88.02 درصد برای فاز دسته بندی علائم بدست آمد. از خصوصیات بارز این روش مستقل بودن از اندازه، جهت و چرخش و سادگی در تغییر بانک اطلاعاتی علائم برای استفاده در سایر کشورها می باشد.

با توسعه سریع در حیطه شناسایی الگو و استفاده از آن در زمینه های مختلف (مثل شناسایی صورت، شناسایی امضاء)، اهمیت استفاده از این تکنولوژی در نواحی مختلف و سازمانهای بزرگ روزبه روز در حال افزایش است. در همین راستا در این پایان نامه سعی براین شده است تا سیستمی ارائه گردد که حضور و غیاب افراد در کلاس را به صورت خودکار انجام دهد. سیستم های پیشنهادی در این پایان نامه برای حضور و غیاب افراد از تکنیک های شناسایی اشیاء و کشف چهره استفاده می کنند. سستم های مذکور شناسایی افراد در کلاس را به سه روش مختلف و با کارایی های متفاوتی انجام می دهند. در روش اول حضور و غیاب به صورت صندلی ثابت بوده و از علامت های که بر روی صندلی افراد نصب گردیده، برای حضور و غیاب استفاده می شود. روش دوم نیز به صورت صندلی ثابت انجام می شود، ولی در این سیستم از محدوده ی چهره ی افراد برای شناسایی استفاده می گردد، درحالیکه در روش سوم افراد در انتخاب صندلی برای نشستن آزاد هستند. در دو سیستم اول از الگوریتم های شناسایی اشیاء، مثل همبستگی متقابل نرمال شده و معیار فاصله هاسدورف استفاده شده است، اما در روش سوم علاوه بر این الگوریتم ها، از متدهای کشف چهره مثل pca، ica و fisherfaceنیز بهره برده شده است. در این روش با استفاده از یک دوربین نصب شده در سقف کلاس، تصویر کل کلاس گرفته می شود و با پردازش تصویرِ بدست آمده، چهره های افراد شناسایی شده و نتایج در لیست حضور و غیاب اعمال می گردد. نتایج پیاده-سازی نشان می دهد که سیستم ارائه شده در روش اول بالاترین سرعت پردازش و بیشترین دقت را دارد، ولی محدودیتهای که به سیستم اعمال می گردد از سایر روش ها بیشتر بوده، به عنوان مثال، می توان نصب علامت های ویژه بر روی صندلی افراد جهت شناسایی را ذکر کرد. در روش دوم محدودیت های سیستم کمتر شده، ولی انجام محاسبات در زمان بیشتری صورت می پذیرد. در روش سوم هیچ محدودیتی به سیستم اعمال نمی گردد ، این در حالی است که دقت سیستم پیشنهادی در این روش در مقایسه با دو روش دیگر کمتر و زمان محاسبات بالاتر است. از مهمترین مشکلاتی که هر سه سیستم پیشنهادی با آن مواجه اند و همواره برای سیستم های بینایی ماشین مشکل ساز می گردد، پوشیدگی اشیاء هدف است. این پوشیدگی سبب از بین رفتن اطلاعات شیء هدف شده و امر شناسایی را با اختلال مواجه می کند. از دیگر مشکلاتی که در این پایان نامه با آن مواجه هستیم، زمان پردازش محدود است که اجازه استفاده از بسیاری از روش های کاراتر شناسایی چهره و کشف اشیاء را نمی دهد. ا گرچه تا رسیدن به یک سیستمی که شناسایی افراد را 100% و بدرستی انجام دهد فاصله زیادی وجود دارد ولی استفاده از روش های قویتر در قسمت های مختلف می تواند به بهبود نرخ شناسایی افراد و دقت سیستم کمک کند.

رشد روز افزون تکنولوژی چندرسانه ای و اینترنت در دهه های اخیر، باعث نیاز گسترده به سیستم های بازیابی اطلاعات شده است. در این میان، تصاویر به عنوان یکی از مهمترین منابع اطلاعاتی نقش بزرگی در زندگی بشر ایفا می کنند. به دلیل ظهور ابزارهای عکاسی و تصویربرداری دیجیتال، تعداد تصاویر روی وب به صورت نمایی در حال افزایش است. لذا مسئله اصلی، پیدا کردن تصاویر نیست، بلکه چگونه پیداکردن آنها به صورت بهینه و کارا می باشد. به دلیل پاسخگو نبودن سیستم های مبتنی بر متن در بازیابی کارای تصاویر، سیستم های بازیابی تصویر مبتنی بر محتوا (content based image retrieval) ارائه شدند. در این سیستم ها عمل بازیابی تنها با اطلاعاتی که از محتوای خود تصاویر قابل استخراج است (به نام ویژگی ها)، انجام می گردد. این سیستم ها (cbir) به دلیل افزایش تقاضا برای سیستم های اطلاعاتی چندرسانه ای، بسیار مورد توجه قرار گرفته اند. در این نوع سیستم های بازیابی، ویژگی های اولیه تصویر مانند رنگ، بافت و شکل به طور اتوماتیک از تصاویر استخراج شده و به عنوان بردار ویژگی در پایگاه داده ای جهت مقایسه تصاویر در نظر گرفته می شوند. سپس بازیابی تصویر با استفاده از این بردارهای ویژگی انجام می شود. یک سیستم cbir باید به گونه ای موثر و کارا عمل بازیابی تصویر پرس وجو از پایگاه داده تصاویر را انجام دهد. بنابراین پارامترهای مهم در سیستم های cbir، دقت و سرعت بازیابی تصاویر می باشند. هدف از تدوین این پایان نامه، ارائه روش هایی برای بازیابی تصویر مبتنی بر محتوا است به گونه ای که این روش ها دقت و سرعت خوبی داشته باشند. در این پایان نامه، 4 روش بازیابی براساس ویژگی شکل پیشنهاد شده اند. سپس این روش ها، با 9 توصیفگر شکل دیگر مقایسه شده و نتایج نشان می دهند که دقت بازیابی روش های پیشنهادی بسیار مناسب می باشد. به منظور افزایش سرعت بازیابی، گام های استخراج ویژگی تصاویر و همچنین اندازه گیری میزان شباهت تصاویر، به صورت موازی و با استفاده از پردازنده های گرافیکی پیاده سازی شده اند. به دلیل موازی سازی این قسمت ها، تسریع مناسبی بدست آمده و سرعت بازیابی تصویر بسیار بهتر شده است.

بخش بندی تصویر یکی از مسائل مهم در حوزه پردازش تصویر است که تاکنون بدان پرداخته شده است. با توجّه به تمام تلاش هایی که در این حوزه صورت گرفته است، امّا این موضوع همچنان به عنوان یکی از چالش های حل نشده در پردازش تصویر به شمار می رود. از جمله حوزه های مهم کاربرد بخش بندی تصویر می توان به موارد ذیل اشاره نمود: پزشکی، تشخیص الگو، دید روبات و بازیابی مبتنی بر محتوای تصویر. هدف اصلی بخش بندی تصویر، تجزیه تصویر به اشیاء و نواحی های سازنده تصویر می باشد که تاکنون الگوریتم های زیادی برای این منظور ارائه شده است. یکی از جامع ترین دسته بندی که در این حوزه موجود است شامل دو دسته است: 1) روش های مبتنی بر لبه یابی تصویر و 2) روش های مبتنی بر ناحیه بندی تصویر. در دسته اول هدف اصلی یافتن لبه ها و به عبارت دیگر مرزبندی اطراف اشیای موجود درون تصویر است. در روش دوم برخلاف روش اول هدف اصلی یافتن لبه های اشیای موجود در تصویر به انضمام پیکسل های درون لبه های بسته که شی را شامل می شود، است. الگوریتم های موجود در این دسته خود به چهار زیر بخش اصلی تقسیم می شود که عبارتند از: آستانه گیری، خوشه بندی، رشد ناحیه ای و تقسیم بندی و ادغام. در روش های آستانه گیری و خوشه بندی اغلب هدف اصلی یافتن مقدار بهینه یک تابع است. در روش های خوشه بندی از آنجایی که حجم اطلاعات، در اینجا همان تعداد پیکسل های درون تصویر، بسیار زیاد است مسئله مورد نظر به مسئله ای با پیچیدگی محاسباتی بالا تبدیل می شود. به طور کلّی برای حل مسائل بهینه سازی یکی از تکنیک های مشهور که در حال حاضر بسیار مورد استقبال قرار گرفته است، استفاده از الگوریتم های ملهم از طبیعت مانند الگوریتم ژنتیک، الگوریتم بهینه سازی دسته ای ذرّات و موارد دیگر می باشد. از طرف دیگر، علی رغم عملکرد مناسب الگوریتم های تکاملی امّا این الگوریتم ها خود با مشکلاتی از جمله افتادن در بهینگی محلی و یا میزان همگرایی پایین مواجه هستند. هدف اصلی در این پژوهش، استفاده از قابلیت های دو الگوریتم ژنتیک و بهینه سازی دسته ای ذرّات و ارائه یک الگوریتم تلفیقی جدید که بتواند دقّت و همگرایی دو الگوریتم مذکور را افزایش دهد، می باشد. پس از آن الگوریتم پیشنهادی خود را وارد حوزه آستانه گیری تصویر نموده و این الگوریتم را بر روی سه تابع آتسو، کاپور و حداقل آنتروپی قطع پیاده سازی نمودیم. عملکرد مناسب و همگرایی بالای الگوریتم پیشنهادی در تمامی نتایج کاملاً مشهود می باشد. در مرحله بعد الگوریتم پیشنهادی خود را وارد حوزه خوشه بندی تصویر نموده و مشابه حالت قبل برای سه تابع k-means، dunn و davies&bouldin پیاده سازی انجام گرفت. با توجّه به نتایج، عملکرد تابع k-means و dunn مشابه یکدیگر و بهتر از davies&bouldin بود. از آنجایی که الگوریتم های خوشه بندی، به دلیل پردازش تمامی پیکسل ها در هر اجرا، بسیار زمانگیر می باشد از پردازنده گرافیکی شرکت nvidia استفاده نمودیم تا بتوانیم زمان اجرا را کاهش دهیم. در این راستا به تسریع های مختلفی دست یافتیم، به عنوان نمونه در الگوریتم k-means به تسریع حداکثر مقدار 68 و در شاخص dunn به حداکثر تسریع 222 و در شاخص davies&bouldin به حداکثر تسریع 268 رسیدیم.

با رشد مجموعه های حجیم تصاویر دیجیتال در زمینه های مختلفی مانند دولتی، علمی و پزشکی وجود سیستم های بازیابی تصویر لازم به نظر می رسد. در اولین ایده ها برای بازیابی تصویر کاربران با استفاده از کلمات کلیدی مورد نظر خود به تصاویر مربوطه دسترسی داشتند که به این روش، بازیابی تصویر مبتنی بر متن گفته می شود ولی این روش ها به میزان کافی گویا نیستند. در ابتدای دهه 90 میلادی، با افزایش حجم تصاویر موجود در پایگاه داده و برای غلبه بر مشکلات سیستم های بازیابی تصویر مبتنی بر متن، توسعه سیستم های بازیابی تصویر مبتنی بر محتوا (content based image retrieval) پیشنهاد شدند که وظیفه استخراج تصاویر به صورت اتوماتیک و با استفاده از ویژگی های دیداری نظیر رنگ، بافت و شکل تصویر را به عهده داشتند. در این پایان نامه، برای پیاده سازی روش های پیشنهادی، هر تصویر به مجموعه ای از بلوک هایی که بر روی یکدیگر هم پوشانی ندارند، تقسیم بندی می شود. سپس به ازای هر بلوک، گشتاورهای رنگ، کنتراست، انتروپی، بیشترین مقدار از میان مجموعه ای از کمترین مقادیر پیکسل های تصویر، مجموع اختلاف مقدار هر پیکسل از مجموع مقادیر پیکسل ها در سه جهت افقی، عمودی و مورب محاسبه می شود و با اعمال فیلترینگ، لبه بلوک های تصویر تشخیص داده می شود. سپس تعدادی ویژگی بافت از تصاویر موجود در پایگاه داده، استخراج می شود. سیستم بازیابی تصویر پیشنهادی دارای میانگین دقت بازیابی 385/71% است که این میزان دقت بازیابی، کارایی روش پیشنهادی در مقایسه با سایر روش ها را نشان می دهد. در این پایان نامه چندین سیستم بازیابی تصویر با استفاده از توصیف گرهای رنگ، شکل و بافت پیشنهاد داده شده است و این سیستم های بازیابی تصویر بر روی پردازنده گرافیکی پیاده سازی شده اند. با توجه به اینکه پردازشگرهای گرافیکی بستر مناسبی برای الگوریتم های موازی ایجاد کرده اند، با پیاده سازی سیستم های بازیابی تصویر بوسیله ابزار برنامه نویسی cuda و اعمال بر روی تصاویر مختلف، نشان داده شده است که زمان اجرا با استفاده از gpu نسبت به اجرا بر روی cpu، بسیار کمتر است. همه نتایج به دست آمده نشان می دهند که دقت و سرعت بازیابی که دو پارامتر مهم سیستم بازیابی تصویر هستند، در روش های پیشنهادی لحاظ و به سطح مناسب رسیده اند. به دلیل پیاده سازی موازی الگوریتم پیشنهادی نهایی بر روی پردازنده گرافیکی، زمان استخراج ویژگی های دیداری تصاویر، نسبت به اجرای الگوریتم بر روی پردازنده مرکزی، 98/53 ثانیه کاهش یافته است و این کارایی و تسریع روش پیشنهادی را نشان می دهد. همچنین میانگین تسریع در زمان بازیابی تصاویر در الگوریتم پیشنهادی نهایی 72/15 می باشد.

نهان¬نگاری تصاویر در حوزه dct مخصاوصا برای تصاویر رنگی با وضوح بالا که کاربرد آن¬ها نیز رشد پیدا کرده، دارای پیچیدگی محاسباتی بالایی می¬باشد. بدین جهت، در این پایان¬نامه، یک الگوریتم نهان¬نگاری dct برای تصاویر رنگی انتخاب و اصلاح می¬شود و روی fpga و gpu پیاده¬سازی می¬شود تا زمان اجرای آن کاهش یابد. برای پیاده¬سازی روی fpga، یک سیستم نهان¬نگاری سخت افزاری و برای پیاده سازی روی gpu، یک الگریتم نهان¬نگاری موازی سازی شده پیشنهاد می¬شود. برای سیستم سخت افزاری، ابتدا یک معماری سخت افزاری جدید برای محاسبه حاصلضرب داخلی پیشنهاد می¬شود که نیازی به هیچ¬گونه حافظه و یا مدارات پیچیده محاسبه اعشاری ندارد. همچنین این معماری پیشنهادی خط لوله¬شده دوبعدی می¬باشد تا فرکانس کاری بالایی بدست آید. علاوه بر این با استفاده از این معماری، یک ماژول تبدیل dct طراحی می¬شود و از آن برای سیستم نهان¬نگاری سخت افزاری استفاده می¬شود. معماری سخت افزاری پیشنهادی روی fpga virtex 7 و spartan 3 سنتز می¬شود. همچنین الگوریتم موازی سازی شده نهان¬نگاری مبتنی بر gpu، روی geforce gt 540m و gtx 580 پیاده سازی شد. نتایج تجربی نشان می¬دهد با پیاده¬سازی معماری dct روی virtex 7، بیشینه فرکانس کاری بدست آمده 79/1329 مگاهرتز بدست می¬آید، بطوریکه نرخ پردازش پیکسل و پردازش بلاک¬های 8×8 به ترتیب برابر 94/518و 11/8 مگاهرتز می¬باشد. همچنین، معماری dct پیشنهادی، نرخ پردازش داده بالاتری نسبت به کارهای پیشین دارد. تسریع حاصل از پیاده¬سازی الگوریتم نهان¬نگاری روی gpu gtx 580m نسبت به پیاده سازی روی cpu، بین 46 تا 73 برابر برای موارد مطالعاتی گوناگون می¬باشد. علاوه براین، تسریع بدست آمده بوسیله پیاده-سازی سخت افزاری روی virtex 7 بین 484 تا 503 برابر می¬باشد. این نشان می¬دهد بواسطه معماری پیشنهادی برای الگوریتم نهان¬نگاری تصاویر رنگی در حوزه dct، کارایی fpga به مراتب بالاتر از gpu می¬باشد. اگرچه پیاده سازی سخت افزاری روی gpu دارای دقیت پایین تری است و مقداری خطا به صورت خطای نمک فلفلی روی تصویر بازیابی شده ایجاد می¬شود. هرچند از انجایی که الگوریتم اراده شده در مقابل نویز مقاوم می¬باشد، سیستم با شکست مواجه نمی¬شود و تصویر بازیابی شده قابل تشخیص است.

تومور مغزی تشکیل شده از سلول هایی است که نمایشگر رشد بیرویه در مغز می باشند. طبیعت تومورهای مغزی بدخیم است، زیرا با اشغال فضای مغز جای بافت هایی را که برای اعمال حیاتی بدن نیاز است را می گیرند. به علت طبیعت تهاجمی تومورهای مغزی، این تومورها بر مهم ترین عضو بدن (مغز) اثر می¬گذارند. تشخیص اولیه تومور و تخمین پیشرفت آن برای درمان بهتر این بیماری، امری بسیار حیاتی می باشد. در حال حاضر در برنامه های کاربردی کلینیکی محدوده تومور در عکس مغز به صورت دستی تعیین می شود، درنتیجه زمانی که حجم اطلاعات زیاد است، روش دستی غیرقابل اجرا می باشد. قطعه¬بندی تومور یا ناحیه غیر طبیعی تصاویر رزونانس مغناطیسی (mri) می تواند نقش مهمی در تحقیقات سرطان و عملیات¬های بالینی بازی کند. اگر چه قطعه¬بندی دقیق تومور توسط رادیولوژیست¬ها ایده¬آل است، اما بسیار وقت¬گیر است. تجربه نشان می دهد که به منظور شاخص¬گذاری بانک-های اطلاعاتی mri، قطعه¬بندی های تقریبی می توانند کافی باشند. در این پایان نامه، یک روش خودکار برای پیدا کردن محدوده دقیق ناحیه غیرطبیعی مغز در تصویر mri مورد بررسی قرار گرفته است. این الگوریتم مبتنی بر ترکیب آنالیز تقارن و طبقه بندی کننده فازی است که برای تشخیص تومور درتصاویر پزشکی مغز استفاده می شود. الگوریتم آنالیز تقارن مغز توانایی فراوانی در تشخیص سریع نواحی با بافت ناهمگون و نامتقارن در تصویر پزشکی دارد، اما قادر به استخراج محدوده دقیق تومور نمی باشد. در مقابل روش طبقه بندی کننده فازی پیکسل ها، می تواند محدوده تومور را بر اساس شدت روشنایی پیکسل به دقت مشخص کند اما در شرایطی که با مرزهای نویزی و ضعیف روبه رو می شود، دچار اختلال می گردد. خصوصا با توجه به اینکه از رابطه مکانی بین پیکسل ها استفاده نمی کند، پس در محدوده های بزرگ که دارای بافت های گوناگون و سطوح روشنایی مختلف هستند امکان تشخیص اشتباه زیاد می شود. بدین جهت نیاز به بررسی نتایج و انتخاب تومور توسط یک متخصص اجتناب ناپذیر است. با ترکیب دو روش، ابتدا ناحیه جستجو به طور دقیق مشخص شده که خود منجر به کاهش تعداد پیکسل های ورودی به طبقه بندی کننده می شود. علاوه بر این دیگر نیازی به انتخاب تومور توسط کاربر انسانی نیست. لذا با ترکیب همزمان این دو روش، نیازی به مشخص کردن محدوده تومور به صورت دستی نیست و کل الگوریتم به صورت خودکار اجرا می شود. الگوریتم ارائه شده می تواند نقش مفیدی در نمایه سازی و ذخیره سازی داده های فراوان mri بازی کند. در این تحقیق بعد از به دست آوردن ناحیه ی شامل تومور جهت پیدا کردن مرز تومور از 4 الگوریتم قطعه بندی sfcm، fcm، fpcm و kmeans استفاده کرده ایم. در بخش نتایج مراحل مختلف اجرای الگوریتم به صورت جزء به جزء نشان داده شده است و الگوریتم ها روی یازده تصویر واقعی اعمال گردید. نتایج بیانگر آن است که الگوریتم sfcm موفق تر از سه الگوریتم دیگر عمل کرده است.

با استقرار شبکه های خودرویی در آینده ای نزدیک، یک پروتکل مسیریابی کارآمد می تواند نقشی کلیدی در موفقیت این تکنولوژی ایفا کند. ارائه پروتکلی که بتواند از ارتباطات بین خودرو با خودرو و ارتباطات بین خودرو با واحدهای کنارجاده ای، پشتیبانی کند و نیز توانایی مسیریابی داده به نقاط دوردست را داشته باشد، بسیار حائز اهمیت است. در این تحقیق، روشی جهت بهبود نرخ تحویل داده به نقاط دوردست پیشنهاد داده ایم که از شبکه واحدهای کنار جاده ای برای مسیریابی داده به نقاط دوردست و از شبکه خودروها برای مسیریابی داده به نقاط نزدیک استفاده می نماید. این روش مناسب کاربرانی می باشد که در فاصله زیادی از یکدیگر قرار دارند و در عین حال خواستار برقراری ارتباط با یکدیگر می باشند. روش پیشنهادی شامل ترکیب مسیریابی در شبکه خودروها و مسیریابی در شبکه واحدهای کنار جاده- ای می باشد. تنها خودروهای موجود در یک ناحیه قادر به برقراری ارتباط با یکدیگر می باشند و جهت برقراری ارتباط با خودروهای خارج از ناحیه، این امر توسط واحدهای کنار جاده ای امکان پذیر می باشد. ارزیابی های صورت گرفته بر روی این روش در مقایسه با پروتکلی مشابه، با استفاده از شبیه ساز ns-2، کارآمدی و موثر بودن این روش را در افزایش نرخ تحویل و کاهش نرخ از دست دادن بسته نشان می دهد.

استفاده از یک سرویس دهنده واحد در شبکه های ابری می تواند معایب زیادی برای کاربران به همراه داشته باشد. از مصرف بیش از اندازه انرژی گرفته تا کم شدن رضایت کاربران از سرویس های دریافتی و همچنین قیمت خدمت ارائه شده به آنها. از این رو کارگزار به عنوان واسط بین کاربران و سرویس دهنده ها می تواند نقش کلیدی را برای بالا بردن رضایت کاربران و کم کردن انرژی مصرفی دیتاسنتر هایی که در اقصی نقاط جغرافیایی قرار دارند ایفا نماید. در این پژوهش سعی در ارائه الگوریتمی نموده ایم که توسط رتبه بندی دیتاسنترهای مختلف اقدام به تخصیص سرویس دهنده به کاربران می نماید. الگوریتم در دو فاز عملیاتی تشریح می شود؛ فاز پیش درآمد و فاز اجرا. در فاز پیش درآمد برا اساس اطلاعات اولیه مربوط به مراکز داده ای که در محور زمان قابل تغییر نیستند رتبه بندی ایستا انجام می گیرد. در فاز اجرا نیز بر اساس میزان ترافیک روی هر مرکز داده ای رتبه پویا محاسبه شده و رتبه کلی هر مرکز داده ای در نهایت محاسبه می شود. در میان رتبه های بدست آمده سه منبع برتر بر اساس سیاست کارگزار به کاربران تخصیص داده خواهد شد. این الگوریتم توسط cloudsim پیاده سازی شده و بر اساس شبیه سازی انجام گرفته و مقایسه با سایر الگوریتم های موجود می تواند تا 60 درصد در مصرف انرژی و تا 15 درصد در هزینه مصرفی کاربران صرفه جویی نماید.