ناحیه بندی یک گام ابتدایی و بسیار مهم در مباحث تحلیل تصویر است که نقش اساسی در تشخیص، طرح ریزی جراحی، و ارزیابی های مختلف پزشکی ایفا می کند. ناحیه بندی تصاویر پزشکی به دلیل ناهمگونی بافت، اثر حجم جزئی، نویز، آرتیفکت و تنوع ساختار بیماری های مختلف در بیماران گوناگون با مشکل مواجه است. برای حل مشکلات مذکور روش مدل های دگرشکل پذیر سطح پیشنهاد شده است. هدف از این رساله بررسی مدل های دگرشکل پذیر برای ناحیه بندی تصاویر پزشکی و ارائه الگوریتم مناسب به منظور رفع پاره ای از مسائل و مشکلات مذکور در این زمینه است. در میان مدل های دگرشکل پذیر در ناحیه بندی تصویر، مدل دو مرحله ای سریع ftc، یک مدل کارآمد و همچنین سریع می باشد. اما کارایی این مدل بسیار وابسته به منحنی اولیه می-باشد بطوریکه نیازمند مداخله کاربر برای انتخاب این منحنی است. یک متد جدید در این رساله برای تسهیل در ناحیه بندی تصاویر پزشکی پیشنهاد شده است که ترکیبی از الگوریتم ناحیه بندی فازی مبتنی بر کرنل با محدودیت مکانی skfcm و مدل ftc است. این رویکرد شامل دو مرحله پی در پی می باشد. ابتدا، از متد skfcm بمنظور انتخاب خودکار منحنی اولیه برای مرحله بعد استفاده می شود. سپس مدل ftc برای ناحیه بندی تصویر توسط تکامل منحنی مبتنی بر مجموعه سطح بکار گرفته می شود. درجه عضویت فازی علاوه بر انتخاب منحنی اولیه، در عبارت سرعت مبتنی بر داده مدل ftc برای بالا بردن قدرت و دقت الگوریتم پیشنهادی آمیخته گردید. ارزیابی عملکرد الگوریتم پیشنهادی در چندین نوع متفاوت از تصاویر پزشکی انجام شده است. نتایج تجربی مزایای الگوریتم پیشنهادی را در دقت، زمان محاسباتی و مقاومت در برابر نویز در مقایسه با پنج متد رایج دگرشکل پذیر برای ناحیه بندی تصاویر پزشکی نشان می دهد که عمل ناحیه بندی، با دقتی برابر با 95% در تصاویر نویزی با واریانس گاوسی 5% انجام می گیرد.

لبه یابی یکی از بخش های مهم ناحیه بندی تصاویر است که در پیداکردن اشیاء در تصاویر و پردازش تصویر نقش اساسی دارد. از آنجا که بیشتر لبه یابها، لبه ها را بصورت پیکسلهای جدا از هم استخراج می کند و لبه های اطراف اشیاء موجود در تصویر منفصل می باشند و بعضی از آنها که لبه ها را به صورت پیوسته استخراج می کنند، لبه های اضافی دیگری را نیز تولید می کند. تمام تلاش محققان بر این بوده است تا قدرت تشخیص تصاویر را به بینایی انسان نزدیک کنند. در این پژوهش سعی شده است تا اندکی در راستای نیل به این هدف گام برداشته شود. برای اینکه سیستم های کامپیوتری بتوانند لبه های اشیاء را در تصویر تشخیص دهند، ابتدا لازم است فضای رنگی تصویر را مشخص نمایند و در ادامه تصویر را تا حدودی هموار کنند و اثر نویزهای روی تصویر را از بین ببرند. برای هموار کردن تصویر به یک عمل پیش پردازش برای کاهش نویز احتیاج است که تا حدودی تصویر را هموارتر نماید و لبه ها را با استفاده از یک فیلتر آشکارساز لبه نمایان کند. در این رساله از تبدیل موجک گسسته haar بر روی تصویر استفاده شده است تا لبه ها را در سه زاویه 0° و 45° و 90° پیدا کند. سپس موجک dt_cwt بر روی تصویر اعمال شده است تا لبه ها را در شش جهت مختلف که شامل زوایای ±15° و ±45° و ±75° است، آشکار نماید؛ آنگاه با استفاده از تکنیک چند مقیاسی لبه ها متصل و بهبود داده می شوند؛ از یک لبه یاب canny برای حذف لبه های اضافی یافته شده استفاده شده است؛ در ادامه تصاویر به نواحی مختلفی توسط لبه ها تقسیم می شوند؛ سپس نقطه دانه هر ناحیه را مشخص کرده و با گسترش نقطه دانه ها، ناحیه ها را بسط داده تا زمانی که منجر به ترکیب دو ناحیه مجزا نگردد. نتایج ارزیابی الگوریتم پیشنهادی نشان می-دهد که این الگوریتم عملکرد بهتری نسبت به الگوریتم های لبه یابی ژنتیکی دارد.

گسترش تصاویر دیجیتالی و ارائه نرم افزارهای قدرتمند در زمینه پردازش تصویر باعث افزایش چشم گیر جعل در تصاویر دیجیتالی شده است. نفوذ تصاویر جعلی در حوزه های مختلف مانند امنیت ملی، سیاسی، علمی، تبلیغاتی، قانونی و... باعث کاهش اعتماد عمومی به تصاویر دیجیتالی و عدم استفاده از آن در کاربردهای حساس شده است. در مقابله با جعل، روش هایی برای محافظت از تصاویر دیجیتال ارائه شده است تا بتواند بخشی از اعتماد سلب شده را بازگرداند. روش های تشخیص جعل به دو دسته فعال و غیر فعال تقسیم می شود. روش های فعال که شامل روش های واترمارکینگ و امضاء دیجیتال می باشند، بر اساس قرار دادن کدی در تصویر قبل از توزیع آن بنا شده اند. امروزه روش بررسی اصالت تصویر با تشخیص آثار دستکاری بدون استفاده از هرگونه کد تعبیه شده در آن (غیر فعال) مورد توجه قرار گرفته است. کپی و انتقال یکی از مطرح ترین روش های جعل است. این عمل با کپی بخشی از تصویر و انتقال آن به قسمت دیگری از همان تصویر صورت میپذیرد. روش جعل کپی و انتقال با هدف پنهانسازی و یا تکرار نواحی خاص انجام می گردد. به منظور شناسایی این بخش ها از همبستگی بین مناطق اصلی و کپی شده بهره برده می شود. به طور کلی برای این گونه روش ها دو دسته اصلی مبتنی بر بلوک و مبتنی بر نقاط کلیدی در نظر گرفته می شود. در روش های مبتنی بر بلوک، وجود تعداد زیاد بردارهای استخراج شده سبب افزایش هزینه محاسباتی و مصرف حافظه می شود. از سوی دیگر، با وجود عملکرد خوبی که روش های مبتنی بر نقاط کلیدی در تشخیص مناطق جعلی و زمان اجرا دارند، در تشخیص جعل در مناطق هموار به دلیل عدم وجود (تعداد کافی) نقاط کلیدی با مشکل مواجه می شوند. در این نوشتار، یک روش ترکیبی براساس نکات مثبت دو روش موجود ارائه شده است، که افزون بر تغییرات اساسی به منظور دستیابی به بازده بالا (تشخیص بهتر)، به واسطه ارائه راه کاری نوین در بخش پس پردازش باعث کاهش تشخیص کاذب می شود. این راه کار یکی از مهم ترین چالش های روش های مبتنی بر بلوک که همان میزان بالای تشخیص کاذب است را مرتفع می نماید. نتایج حاصل از این آزمایشات حاکی از عملکرد موفق روش پیشنهادی نسبت به دیگر روش ها می باشد، که علاوه بر هزینه محاسباتی قابل قبول، تمام بخش های تصویر مشکوک تحت بررسی قرار می گیرند.

تجزیه مقادیر منفرد برای رنج وسیعی از کاربردها، مانند واترمارکینگ دیجیتال، فشرده سازی، کاهش ابعاد و روش های ارزیابی کیفیت استفاده می شود. در برخی تکنیک های واترمارکینگ مبتنی بر svd، مقادیر ویژه واترمارک درون بردارهای ویژه تصویر پوششی گنجانده می شود و بردارهای ویژه به عنوان اطلاعات جنبی استفاده می شود. این نوع از روش ها ایمن نیستند چون بردارهای ویژه اصلی در فرآیند استخراج مورد استفاده قرار می گیرند. به عبارت دیگر، تعدادی از تکنیک های واترمارکینگ برپایه svd به اندازه کافی غیرقابل مشاهده نیستند. در این پایان نامه، یک تکنیک واترمارکینگ کور با کیفیت بالا مبتنی بر svd معرفی شده است. این روش با استفاده از اصلاح بردارهای منفرد داده میزبان پیاده سازی شده است. در کنار مقاومت پذیری قابل قبول در برابر حملات مختلف، تصویر واترمارک شده کیفیت ادراکی قابل قبولی دارد. نتایج توسط تغییر بردارهای ویژه بلوک ها با پیچیدگی ساختاری بالا به دست آمده است.