یکی از روشهای بهبود تصویر، ترمیم کیفیت آن بر اساس تخمین یک مدل تخریب است. در چنین رهیافتی، تخمین صحیح تابع تخریب نقشی اساسی در بازیابی کیفیت تصویر خواهد داشت. عوامل مختلفی در ایجاد تخریب موثرند. یکی از عوامل پدیدآورنده تخریب در زمینه پردازش تصویر که در اکثر کاربردهای عملی تصویربرداری اتفاق می افتد حرکت دوربین در زمان ثبت تصویر است که باعث مات شدگی تصویر خواهد شد. کیفیت ترمیم تصویر مات شده در اثر حرکت بستگی زیادی به صحت تخمین پارامترهای مربوط به تابع تخریب دارد. پارامترهای مربوط به تابع تخریب این نوع مات شدگی شامل جهت و گستره است. در راستای تخمین تابع تخریب مات شدگی روشهای مختلفی در حوزه مکان و حوزه فرکانس توسط پژوهشگران مختلف پیشنهاد شده است. اکثر روشهای حوزه مکان از خاصیت نرم شدن لبه های تصویر در جهت مات شدگی استفاده کرده اند واغلب روشهای حوزه فرکانس از ویژگی نمونه های منظم صفرهای متناوب در طیف تصویر بهره برده اند. در این پژوهش یک روش نو برای تعیین جهت و گستره مات شدگی پیشنهاد شده است که دقت تخمین پارامترها را نسبت به روشهای مشابه بهبود داده است. روش پیشنهادی بر پایه تبدیل فوریه مضاعف است. در روش پیشنهادی برای تخمین جهت مات شدگی، از تصویر مات شده تبدیل فوریه مضاعف گرفته می شود و سپس عملیاتی نظیر باینری کردن و عملگرهای ریخت شناسی و عملگر توصیف گر ناحیه ای به کار برده می شود. برای تعیین گستره نیز از چرخاندن تصویر و محاسبه ی ماکزیمم های نسبی استفاده شده است. برای بررسی کارآیی روش پیشنهادی از معیارهای کیفیت بصری تصویر بازیابی شده و همچنان معیار پیک سیگنال به نویز در مقایسه با روشهای دیگر استفاده شده است. این روش روی تصاویر استاندارد شبیه سازی شده به کار برده شده است و نتایج نشان دهنده این است که الگوریتم پیشنهادی با خطای تخمین جهت تقریبا 1.5درجه و خطای تخمین گستره 1پیکسل، دقت بالاتری را در تخمین جهت و گستره از خود نشان می دهد و همچنین عملکرد بهتر این روش در محدوده وسیعتری از تغییرات طول و جهت،در مقایسه با روشهای دیگر قابل توجه است.

در عرصه هوش مصنوعی تکنیک هایی به طور گسترده به عنوان الگوریتم های تکاملی (eas) طبقه بندی شده اند و حدود چهار دهه است، مورد تحقیق و بررسی قرارگرفته اند. از مهم ترین تکنیک های تکاملی که به صورت وسیع مورد بررسی قرارگرفته اند الگوریتم های ژنتیک (ga) هستند. الگوریتم های ژنتیک تکنیک های جست وجویی بر پایه ی نظریه ی داروین هستند که در حل مسائل بهینه سازی دشوار مفید هستند. چندبعدی بودن مسائل بهینه سازی، منجر به ایجاد فضای جست وجوی دشوار با ویژگی هایی از جمله چندوجهی بودن، غیرمنظم بودن، فریبنده بودن و ... می شود که با وجود تمامی دشواری های مطرح شده الگوریتم ژنتیک از عهده ی چنین مسائلی نیز بر آمده است. سخت افزار تکامل پذیر و حل مسائل مرتبط با gps ها را می توان به عنوان دو کاربرد الگوریتم ژنتیک در خارج از جو نام برد. بر این اساس نیاز است که الگوریتم ژنتیک همانند سایر بخش های دیگر مدار بر روی سخت افزار پیاده سازی شود. از آنجایی که پرتوها 45% از عوامل خرابی مدارها در فضا را به خود اختصاص می دهند، بخش الگوریتم ژنتیک همانند سایر بخش های مدار در برابر خطاهای مذکور مقاوم نیست.seu ها سبب تغییر یک یا چند بیت در حافظه یا ثبات ذخیره کننده ی اطلاعات می شوند و بیش ترین اثر را (80%) در خرابی مدارها در خارج از جو دارند که توسط تکنیک های تحمل پذیر خطا قابل کنترل هستند. تکنیک های تحمل پذیر خطا به سه دسته ی نرم افزاری و سخت افزاری و یا ترکیبی از آن ها تقسیم می شوند. در این میان روش های نرم افزاری به دلیل کم هزینه بودن از اهمیت ویژه ای برخوردارند. اگر چه، روش های ترکیبی نیز مزایای قابل توجهی دارند ولی در هر صورت نیاز است که یک روش نرم افزاری خوب پیشنهاد شود. در این میان خانواده ای از الگوریتم ژنتیک با نام الگوریتم ژنتیک سلولی (cga) به دلیل مناسب بودن این ساختار در پیاده سازی روی تراشه و زمانی که سیستم دچار خطاهای حین اجرا می شود و همچنین به دلیل داشتن عملکرد بالا، سهولت در امر پیاده سازی و داشتن ساختاری فشرده و موازی، بیشتر مورد توجه پژوهشگران قرار گرفته است که هدف این پایان نامه طراحی الگوریتم ژنتیک سلولی مقاوم در برابر خطا است. در پژوهش های پیشین با استفاده از روش های کوچ جدید و ویژگی های ذاتی الگوریتم ژنتیک که عبارت بود از: اندازه و شکل همسایگی، اندازه و شکل جمعیت، عملگرهای ژنتیکی و ... به مقاوم سازی الگوریتم ژنتیک پرداخته شد که توانستند الگوریتم ژنتیک سلولی را تا 40% در برابر خطا مقاوم کنند. در این پایان نامه با استفاده از ترکیب روش های کُدگذاری و خواص ذاتی الگوریتم ژنتیک سلولی و روش های کوچ ابتکاری، به مقاوم سازی الگوریتم ژنتیک می پردازد. نتایج آزمایش ها نشان داده است که روش های پیشنهادی بسیار در برابر خطای seu مقاوم است تا جایی که اگر 100% از عنصرهای پردازشی دچار خطا شوند روش های پیشنهادی می توانند مقاومتشان را در برابر خطا نشان دهند. همچنین نتایج آزمایش ها بیانگر این موضوع است که شرایط مختلفی می تواند روی عملکرد الگوریتم ژنتیک سلولی تأثیر بگذارد که این شرایط عبارت اند از: اندازه جمعیت، ابعاد جامعه، توابع آزمون، درصد خطای اعمال شده بر عنصرهای پردازشی و ... که در این پایان نامه با در نظر گرفتن شرایط مذکور دو ساختار دوبعدی و سه بعدی هر کدام از روش های پیشنهادی، باهم مقایسه شدند.

امروزه بیشتر وسایل نقلیه زیرآبی هوشمند، کنترل از راه دور و زیردریایی ها برای گرفتن داده های تصویری به دوربین های نوری مجهز هستند. داده های تصویری شامل عکس ها و فیلم هایی از مین های زیرآبی، کشتی های غرق شده، صخره های مرجانی، خطوط لوله و کابل های مخابراتی موجود در دریاها و اقیانوس ها و غیره است. این در حالی است که به علت خواص فیزیکی محیط آب مانند جذب و انکسار، تصاویر رنگی گرفته شده با این دوربین ها در زیرآب دارای کیفیت دیداری ضعیف، مات شدگی، سبز فام یا آبی فام بودن، کنتراست کم و نویز گوسی هستند. در این پایان نامه سعی شده الگوریتمی مناسبی برای بهبود انواع گوناگونی از تصاویر زیرآب ارائه گردد. در این روش ابتدا نویز گوسی و مات شدگی با استفاده از فیلتر وینر وفقی از میان برداشته می شود. پس از آن تصاویر به سه دسته، سبز فام، آبی فام و دارای توازن رنگ مطلوب تقسیم می گردند. سپس با تغییراتی در روش مولفه تاریک جدید، مه و غبار آن ها برطرف می گردد. پس از آن با توجه به نتایج یک نظرسنجی، تصاویر سبز فام به وسیله همسان سازی هیستوگرام بر روی دو مولفه سبز و آبی و تصاویر آبی فام با استفاده از گسترش هیستوگرام بر روی دو مولفه سبز و آبی، به توازن رنگی کلی در این دو مولفه می رسند. سپس دو رابطه جدید برای افزایش میزان مولفه قرمز اعمال می شود. در پایان با افزودن ضریبی از گرادیان تصویر لبه ها را تقویت می نماییم. این روش بر روی تصاویر متنوعی از مقالات گوناگون اعمال شده است و نتایج بهبود چشم گیری نسبت به دیگر روش ها داشته اند. ارزیابی های دیداری و عددی گوناگون نشان دهنده ی کارایی این روش بر روی تصاویر گوناگون زیرآبی است. ارزیابی ها نشان می دهند که این روش در برابر نویز گوسی نسبت به دیگر روش ها مقاوم تر است.

یکی از بزرگ ترین حوزه های تحقیق و توسعه در صنعت خودرو ایمنی در جاده ها است. سیستم تشخیص خطوط جاده ازجمله تجهیزاتی است که برای خودروهای هوشمند در نظر گرفته شده و وسیله نقلیه را در بین خطوط جاده راهنمایی می کنند، همچنین در جلوگیری از انحراف خودرو و تصادفات، اهمیتی ویژه دارد. در پروژه ی پیش رو، هدف تشخیص و شناسایی جاده و خطوط موازی سطح جاده در تصاویر ویدئویی است. در این پایان نامه ابتدا سعی می شود ناحیه جاده از بقیه تصویر جداشده و شناسایی خطوط جاده تنها روی این ناحیه انجام گیرد. ازجمله ویژگی های اصلی جاده که از آن ها برای شناسایی استفاده شده است رنگ و لبه جاده ها است که با توجه به انواع جاده ها از یکی از این دو ویژگی استفاده می شود. سپس خطوط موازی کشیده شده روی جاده ها نیز با استفاده از ویژگی های رنگ، لبه، شکل هندسی و امتدادشان شناسایی می شوند. در این پروژه در روش نخست بعد از تشخیص جاده از ویژگی لبه برای تشخیص خطوط جاده استفاده شده و تبدیل هاف نیز در انتها برای علامت گذاری این خطوط بکار رفته است. در راه حلی دیگر که مربوط به جاده های پیچ درپیچ با خطوط انحنادار می شود ابتدا هیستوگرام و کنتراست تصویر تنظیم شده و بهبود می یابد به طوری که نیاز به تشخیص جاده هم نباشد و سپس از دو ویژگی رنگ و شکل هندسی خطوط برای تشخیص آن ها استفاده می شود. پیاده سازی این دو روش روی پایگاه های داده ی متفاوتی صورت گرفته و نتایجی مطلوبی در برداشته و سیستمی دقیق و پرسرعت برای تشخیص خطوط جاده را فراهم می کند.