هدف از پی ریزی این پژوهش، مقایسه توانایی مدل شبکه عصبی و رگرسیون در پیش بینی رضامندی زناشویی بر اساس ویژگیهای شخصیتی بوده است. همچنین در این تحقیق به بررسی مهم ترین عوامل شخصیتی موثر در رضامندی زناشویی پرداخته می شود. جامعه آماری شامل کلیه ساکنین خوابگاههای متاهلین دانشگاههای استان تهران است. به روش نمونه گیری تصادفی (چند مرحله ای) از میان دانشجویان 4 دانشگاه، تعداد 600 نفر (300 زوج) به عنوان گروه نمونه انتخاب شدند. ابزارهای اندازه گیری عبارتند از پرسشنامه 5 عاملی شخصیت neo-ffi و پرسشنامه رضایت زناشویی انریچ و پرسشنامه اطلاعات فردی. برای تجزیه و تحلیل داده ها از رگرسیون چندگانه، آزمون غیر پارامتریک مک نمار ، منحنی roc ، آزمون معناداری ضریب همبستگی پیرسون، آزمونt مستقل، تحلیل واریانس یکراهه و آزمون تعقیبی توکی hsd استفاده شده است. نتایج نشان داد که چهار عامل «مسئولیت پذیری مرد»، «مسئولیت پذیری زن»، «روان آزرده گرایی مرد» و «سازگاری مرد» می توانند 2/29% واریانس رضایت زناشویی مردان را بطور معناداری تبیین کنند (03/0 >p) و ویژگیهای شخصیتی«مسئولیت پذیری زن»، «روان آزرده گرایی زن» و «روان آزرده گرایی مرد» می توانند 27% از تغییرات رضایت زناشویی زنان را بطور معناداری تبیین نمایند (002/0 > p). همچنین یافته حاکی از آن است که شبکه عصبی(mlp) بطور معناداری موفقتر از رگرسیون چندگانه می تواند رضایت زناشویی مردان/زنان را پیش بینی نماید( 05/0 p < ). علاوه بر یافته های فوق، در این تحقیق به بررسی نقش عوامل فردی- اجتماعی بر رضامندی زناشویی نیز پرداخته شده است. در مجموع، در صورت طراحی مدل پویای شبکه عصبی با قابلیت پیش بینی رضامندی زناشویی، کمک شایانی به بهبود و ارتقاء کیفیت مشاوره های خانواده در کشور خواهد شد.

با استفاده وسیع از کامپیوترها تقریبا در تمام فعالیت‏های اقتصادی، صنعتی و فردی، نیاز به حفظ اطلاعات بیش از پیش احساس می‏گردد. استفاده از الگوی کلیدزنی برای تائید هویت کاربر، بر خلاف اکثر روش‏های بیومتریک، نیازی به سخت افزار خاص ندارد. در تأیید هویت با متن آزاد، الگوی کلیدزنی کاربر در تمام طول کار با کامپیوتر بررسی می‏شود و تنها به زمان ورود کاربر به کامپیوتر محدود نمی‏شود. برای تأیید هویت متن آزاد، اطلاعات کلیدزنی متن ورودی، صرف نظر از عبارات تایپ شده، با متن‏های آموزشی سیستم مقایسه می‏شود. یکی از راهکارهای مقایسه نمونه‏ها، به کارگیری معیارهای سنجش فاصله است. در این پایان‏نامه ابتدا با بررسی یک شیوه مطرح محاسبه فاصله بین دو متن، مبتنی بر مقایسه ترتیب سرعت تایپ دو حرفی‏ها در یک متن نسبت به متن دیگر، روشی برای بالا بردن دقت تعیین فاصله پیشنهاد می‏شود. در این روش ، فاصله به گونه‏ای اصلاح می‏شود که تغییر سرعت تایپ یک دو حرفی در دو متن، کمترین اثر را در بررسی میزان تغییر ترتیب سرعت تایپ سایر دوحرفی‏ها داشته باشد. در ادامه معیار فاصله‏ دیگری معرفی خواهد شد که با استفاده از زمان‏های کلیدزنی دوحرفی‏ها در نمونه‏های آموزشی، تابع چگالی احتمال زمان کلیدزنی آن‏ها را تخمین می‏زند. در این روش، هر کدام از دو‏حرفی‏های موجود در متن آزمون به طور جداگانه با الگوی کلیدزنی آن دو‏حرفی در نمونه‏های آموزشی کاربر مقایسه می‏شود. به دلیل اینکه دو متن با هم مقایسه نمی‏شوند، استفاده از این معیار فاصله برای تائید هویت، در شرایطی که طول نمونه‏ی آزمون کوتاه است، موثر است. با ترکیب این دو معیار فاصله، الگوریتم پیشنهادی تائید هویت با متن آزاد ارائه می‏گردد. این الگوریتم روی مجموعه‏ی داده‏های کلیدزنی 21 کاربر آزمایش شده است و مقادیر far و frr به ترتیب برابر با 0.143% و 1.587% به دست آمده است که نسبت به شکل اصاح نشده دقیق‏تر است.

هدف از این پایان نامه مدل سازی رفتار کاربران در وب به منظور پیش بینی رفتار آن هاست. پیش بینی صفحات وب در سال های اخیر مورد توجه پژوهشگران و شرکت های تجاری بزرگ قرار گرفته است و به منظور شخصی سازی صفحات وب، راهنمایی و هدایت کاربر و همچنین پیش واکشی صفحات وب بکار می رود. با پیش بینی رفتار کاربر می توان، صفحات وب را با نیاز وی تطبیق داد و اطلاعات بهتری در اختیار کاربر نهاد. پیش واکشی اطلاعات نیز از مواردی است که بر پایه پیش بینی صفحات وب کار می کند. مدل ما بصورت برخط ساخته می شود و نیازی به پیش پردازش اطلاعات ندارد. الگوریتم های lzw و lz78 برای مدل سازی استفاده شده اند. برای کوچک سازی هر بیشتر مدل های ساخته شده، دو الگوریتم حرص نیز ارائه شده است. روش های ارائه شده بر روی داده های سایت nasa آزمایش شدند. نتایج نشان می دهد که lzw ضمن داشتن دقت مناسب در پیش بینی رفتار کاربر، دارای اندازه بسیار کوچکتری است و زمان صرف شده برای ساختن مدل نیز از روش های پیشین کمتر است. بیشتر مدل های پیش بینی از ساختار درخت برای مدل سازی رفتار کاربر استفاده می کنند. وقتی اندازه درخت مربوط به روش lzw با روش های دیگر برابر باشد، دقت در پیش بینی حدود 10 درصد بهتر خواهد. این درحالی است که با توجه به کوچک تر بودن مدل lzw، سرعت اجرای آن نیز بیشتر است. lz78 کوچک ترین مدل را می سازد ولی دقت پیش بینی را اندکی کاهش می دهد. مهمترین ویژگی الگوریتم های ارائه شده، کوچک بودن مدل نسبت به سایر مدل ها است. آزمایشات نشان داده است که مدل ساخته شده با lzw بین 40 تا 80 در صد از سایر روش ها کوچک تر است. برای کنترل بیشتر حجم مدل ها، می توان از روش های حرص ارائه شده استفاده کرد.

با توجه به رشد روز افزون اطلاعات، توانایی یک سایت در پاسخ گویی سریع به بازدید کنندگان و هدایت موفقیت آمیز آنها به سمت اطلاعات مفید و مناسب، عاملی کلیدی در موفقیت نهایی سایت ها و کسب و کارهایشان به حساب می آید. شخصی سازی ، یکی از رویکردهای امید بخش برای پیش بینی نیاز های کاربران به منظور بهبود کارائی و حفظ کاربران و مشتریان وفادار وب سایت ها، می باشد. شخصی سازی از دانش حاصل از تحلیل رفتار دسترسی کاربران استفاده کرده و محتوا و ساختار سایت‏های وب را متناسب با نیازهای کاربران فراهم می سازد. یکی از این کارکردها، پیشنهاد دهیِ مرتبط ترین صفحات با توجه به صفحات مشاهده شده توسط کاربر می باشد. خوشه یابی جلسات وب ، یکی از روش های های مورد توجه در استخراج الگوهای رفتاری می باشد. نکت? کلیدی در خوشه یابی، استفاده از معیارمشابهت مناسب جهت تعریف خوشه ها می باشد. در این تحقیق، ابتدا معیار مشابهت ترکیبی جدیدی متشکل از دو معیار درجه علاقه فازی s-شکل و فاصله کسینوسی را معرفی نموده و پس از آن موتور شخصی سازی ترکیبی را برای ارائه پیشنهاد صفحات بعدی به کاربر، توسعه می دهیم. ارزیابی پیشنهادهای ارائه شده بوسیل? معیارهای صحت ، پوشش و f1 نشان می دهد که معیار مشابهت ترکیبی در مقایسه با معیارهای منفرد درجه علاقه فازی و فاصله کسینوسی پیشنهادهای با معنی تر و دقیق تری را ارائه می دهد.

فرش گوهر یکدانه فرهنگ و تمدن ایران است. بسیاری از نقشه ها ی فرش در اکناف مرز و بوم ما پراکنده است. عدم ثبت نقشه های اصیل فرش ایرانی و باز بودن راه تقلید از طرح های آن یکی از علل تنزل موقعیت فرش ایرانی است. از این جهت لازم است بانک اطلاعات جامع نقشه فرش ایجاد شود و طرح ها و نقوش اصیل ایرانی در مراجع قانونی جهانی به ثبت برسد. برای قدم برداشتن در این راه، ابتدا باید نقشه فرش به تصویری قابل پردازش توسط رایانه تبدیل شود تا بتوان پردازش های مورد نیاز را در کوتاه ترین زمان ممکن روی آن انجام داد. گام اول در خواندن خودکار نقشه فرش، آشکارسازی خطوط افقی و عمودی آن است. در نقشه های فرش گره ها از تقاطع این خطوط حاصل می شوند. در این پایان نامه روش هایی برای یافتن خطوط در نقشه های دستی و چاپی فرش پیشنهاد می شود. برای به دست آوردن نتیجه مطلوب بهتر است موقعیت خطوط را در مناطقی از نقشه استخراج کنیم که خطوط واضح تری دارند. در نقشه های دستی از تصویر خاکستری نقشه استفاده می شود. با استفاده از عملگر سوبل لبه های افقی و عمودی را در پنجره های تصادفی در تصویر آشکار می کنیم. سپس با چهار روش پیشنهادی، تصویر لبه را بهسازی می کنیم و موقعیت خطوط نقشه را در این پنجره ها به دست می آوریم. پس از انتخاب بهترین پنجره، با استفاده از الگوریتم شانه گذاری خطوط را به کل تصویر تعمیم می دهیم. در نقشه های چاپی از مناسب ترین مولفه رنگی تصاویر به دو روش استفاده می شود؛ در روش اول پس از تعیین فراوان ترین رنگ در تصویر، بزرگ ترین مولفه اصلی آن را در نظر می گیریم. در روش دوم مقادیر پیکسل های هر یک از مولفه های قرمز، سبز و آبی تصویر با یک آستانه مشترک مقایسه می شوند تا نواحی شاخص هر رنگ در تصویر آشکار شود. برای این منظور، پس از آستانه گذاری از عملگر گسترش مورفولوژی برای هموار کردن نواحی استفاده می شود و در نهایت بزرگترین ناحیه انتخاب می-شود. در چهارچوب محیطی این ناحیه، از بهترین روش بکار رفته در نقشه های دستی برای بهسازی لبه ها و آشکارسازی خطوط استفاده می شود. مجموعه تصاویر شامل 40 قطعه تصویر از 10 عدد نقشه دستی و 40 قطعه تصویر از 10 عدد نقشه چاپی است که هر کدام دارای 60 خط افقی و عمودی هستند. در روش های مختلف حساسیت تشخیص خطوط برای نقشه های دستی از92% تا 98% و برای نقشه های چاپی بین 97% تا 99% تغییر می کند. معیار fdr برای نقشه های دستی بین 7/1 % تا 3/8% و برای نقشه های چاپی بین 8/0% تا 3/1% به دست آمده است. همچنین میزان frr در نقشه های دستی از 2% تا 8% و در نقشه های چاپی از 1% تا 8/2% متغیر است.

طبق آمار سرطان ریه شایع ترین نوع سرطان با کمترین شانس بهبود است. سه عامل اساسی در تشخیص سرطان ریه شامل حجم تومور، نزدیکی تومور به غدد لنفاوی و انتشار سرطان در دیگر بافت ها است و تصاویر پزشکی مهمترین ابزار پزشکان برای بررسی و تشخیص این عوامل هستند. تصاویر پزشکی نیاز به انجام کالبد شکافی و یا نمونه برداری بافتها برای تشخیص را به شدت کاهش داده اند. در دهه های اخیر با پیشرفت فناوری تهیه تصاویر سه بعدی و تصاویر دارای دقت بسیار بالا امکان پذیر شده است ولی با بالا رفتن دقت و یا حجم اطلاعات ثبت شده در تصویر قدرت انسان برای تفسیر آنها کمتر می شود. تشخیص به کمک رایانه از زمینه هایی است که در آن سعی شده است تا حد زیادی کاربردهای روشهای پردازشی و هوشمند را در علم پزشکی افزایش دهد. در بسیاری از موارد پزشکان برای تشخیص تغییرات سرطان ریه از تصاویر تهیه شده در بازه های زمانی متفاوت که نشانگر تغییرهای بیماری در جهت بهبود و یا پیشرفت هستند استفاده می کنند. یکی از مشکلات مقایسه تصاویر تهیه شده در بازه های زمانی متفاوت تغییر شرایط تصویربرداری است. ممکن است تفاوت وضعیت بیمار و یا تنظیمات متفاوت دستگاه تصویربرداری باعث تفاوت میزان اعوجاج در تصویربرداری و تفاوت موقعیت های مکانی و حتی شکل بافتها در تصویر شود. در این تحقیق سه روش جدید بر اساس ثبت انعطاف پذیر خودکار و نیمه خودکار تصویر به صورت چند مرحله ای برای برطرف کردن عواملی مانند اعوجاج حرکتی، تفاوت شرایط تصویربرداری، تغییرهای وضعیت بیمار و حرکت داخلی بافت ها ارائه شده است. با استفاده از ویژگی های تصاویر پزشکی مانند انحنا، شدت روشنایی تصویر، فاصله دگرگونی، زاویه دگرگونی و اطلاعات دریافت شده از کاربر سعی شده است تناظر و ارتباط واقعی بین تصاویر را بازیابی کرده و بر اساس این ارتباط تفاوتهای واقعی تصاویر را مشخص کرد. با دگرگونی تصویر با استفاده از تابع های تبدیل هندسی thin-plate spline و b-spline و بر اساس اطلاعات راهنمای ارائه شده توسط کاربر و ویژگیهای استخراج شده از تصویر به صورت محلی، تفاوتهای ناشی از عوامل خارجی و حرکت داخلی بافت ها برطرف می شود. طبق آزمایش های انجام شده در این تحقیق بر روی تصاویر تهیه شده قبل و بعد از دوره درمان از بیماران مبتلا به سرطان ریه روش های پیشنهاد شده با متوسط خطای 2.3 میلیمتر توانایی بازیابی تناظر این تصاویر را دارند. متوسط زمان پردازش با استفاده از پردازشگر pentium 4 با قدرت پردازشی 2 گیگا هرتز و با مقدار حافظه 3 گیگا بایت برای هر برش از تصاویر 50 ثانیه بوده است. تصاویر استفاده شده از نوع ct و با قدرت تفکیک 512x512 با متوسط ضخامت 3 میلیمتر برای هر برش تصویر، که از 16 بیمار مبتلا به سرطان ریه تهیه شده است. همچنین برای پیاده سازی روش های پیشنهاد شده از زبان برنامه نویسی c++ استفاده شده است. پس از بازیابی تناظر تصاویر با مقایسه آنها تغییرات بافت ها مشخص شده و برای بررسی وضعیت بیمار و همچنین تشخیص بهتر و درمان بیماری مورد استفاده قرار می گیرد.

ملانوما بدخیم ترین سرطان پوست است. این سرطان کشنده به سرعت پیشرفت می کند و با پیشرفت ضایعه، احتمال زنده ماندن فرد کاهش می یابد. بنابراین تشخیص سریع این سرطان آمار مرگ و میر ناشی از آن را به طور قابل ملاحظه ای کاهش می دهد. ضایعات رنگدانه ای پوست به سه دسته ضایعات خوش خیم، دیسپلاستیک و ملانوما (بدخیم) تقسیم می شوند. ضایعه دیسپلاستیک، مرحله قبل از ابتلا به سرطان ملانوما است و افرادی که دارای ضایعه دیسپلاستیک هستند، بیش از دیگران در معرض خطر می باشند. ضایعات دیسپلاستیک در بعضی موارد شبیه ضایعات خوش خیم و در برخی موارد شبیه ضایعات ملانوما بوده که این امر نه تنها تشخیص آن ها را برای متخصصین پوست دشوار می کند بلکه حتی به کمک روش های کامپیوتری نیز دقت تشخیص این گروه از ضایعات کم است. حال آن که تشخیص به موقع این ضایعات منجر به تشخیص تعداد زیادی از ضایعات ملانومای قابل درمان می شود. بنابراین در این تحقیق با استفاده از ترکیب خروجی طبقه بندها، روشی برای افزایش دقت تشخیص ضایعات دیسپلاستیک و ملانوما ارائه شده است. در ابتدا به منظور حذف آرتیفکت ها و بهبود تباین تصویر، پیش پردازش هایی روی تصاویر درماتوسکوپی اعمال شد و به کمک آستانه گذاری مناسب، مرز ضایعه با پوست سالم اطراف آن تعیین گردید. در مرحله بعد، 42 ویژگی شامل 14 ویژگی شکل، 20 ویژگی رنگ و 8 ویژگی بافت از ضایعه استخراج شدند. بعد از نرمال سازی ویژگی ها و کاهش تعداد آن ها از 42 ویژگی به 12 ویژگی توسط تبدیل آنالیز اجزای اصلی، pca، طبقه بندهای شبکه عصبی، k همسایه نزدیک تر، k-nn، ماشین بردار پشتیبان، svm، بیز ساده و آنالیز تفکیک پذیری خطی، lda، پیاده سازی شده و حالات متفاوت ترکیب خروجی این طبقه بندها با ویژگی های یکسان و ویژگی های متفاوت برای هر یک از طبقه بندها بررسی شد. نتایج بررسی ها نشان داد که با اعمال 20 ویژگی رنگ به طبقه بند k-nn و 12 ویژگی کاهش یافته توسط تبدیل pca از بین 42 ویژگی شکل، رنگ و بافت به طبقه بندهای svm و lda و ترکیب خروجی این طبقه بندها با روش ترکیب کلیشه تصمیم، دقت تشخیص ضایعات دیسپلاستیک و ملانوما نسبت به حالت استفاده از یک طبقه بند، به ترتیب 20% و 14/71% افزایش یافته ولی دقت تشخیص ضایعات خوش خیم 6/59% کاهش یافته است و در عین حال دقت طبقه بندی کل به میزان 2/37% بهبود داشته است. روش پیشنهادی روی 436 تصویر درماتوسکوپی شامل 280 ضایعه خوش خیم، 112 ضایعه دیسپلاستیک و 44 ضایعه ملانوما اعمال شده است. با استفاده از روش پیشنهادی در این تحقیق، دقت تشخیص ضایعات خوش خیم 85%، دقت تشخیص ضایعات دیسپلاستیک 67/73%، دقت تشخیص ضایعات ملانوما 83/53% و دقت طبقه بندی کل 80/46% بدست آمد.

در تکنولوژی فناوری اطلاعات تائید هویت افراد بر اساس استخراج ویژگیهای حروف دستنوشته،یکی از زمینه های تحقیقاتی بسیار مهم می باشد. یکی از ویژگی های حروف در زبان فارسی،داشتن یک دایره در انتهای آنها است. این حروف مانند سین آخر تنها ، لام آخر تنها به دلیل داشتن ویژگی های مشترک ساختاری در دایره انتهایی خود هدفی مناسب برای محققان شناسایی حروف و تایید هویت نویسنده می باشند. الگوریتم معرفی شده در این پایان نامه به تشخیص این خصوصیات ظاهری پرداخته و آن ها را به عنوان ویژگی های حروف برای الگوریتم تایید هویت نویسنده استفاده می کند.در این روش پیشنهادی از مجموعه200 دستنوشته که شامل 50 نویسنده که هر کدام 4 دست نوشته دارند استفاده شده است. خصوصیات ظاهری مشخص شده روی این گونه حروف شش نقطه ویژه هستند که به کمک آن ها الگورتیم تایید می تواند شکل دایره ای حرف را شبیه سازی کند. این شبیه سازی به کمک زبان برنامه نویسی متلب می تواند به ما در تایید یکسان بودن نویسنده دو دست نوشته کمک کند. الگوریتم تایید هویت نویسنده ، دو دست نوشته را دریافت و به کمک پردازش هایی روی آن ها مشخص می کند که آیا نویسند گان آن ها یکسان هستند یا اینکه توسط دو فرد مختلف نوشته شده است. در نهایت نیز نتایج و آمار حاصله به کمک جدول نتایج،دقت الگوریتم را تعیین می نماید،که نتایج آزمایش برابر با 67% بوده است.

دودویی کردن تصویر یکی از مراحل مهم در تحلیل اسناد متنی است و کیفیت انجام آن، کارایی کل سیستم تحلیل اسناد متنی را تحت تاثیر قرار می‏دهد. بسیاری از خطاهای موجود در بازشناسی متن به دلیل خطاهای مرحله دودویی کردن تصویر به وجود می آیند. با وجود اینکه روش‏های آستانه‏یابی متنوعی پیشنهاد شده است، این روش‏ها برای دودویی کردن تصاویر با آسیب های مختلف فاقد کارایی لازم هستند و دودویی کردن تصاویر متنی یکی از چالش‏های بزرگ تحلیل اسناد متنی است. در این رساله پیکسل های تصویر را به فضای ویژگی دو بعدی نگاشت داده و با ترکیب وزن دار وفقی این ویژگی های در سطح پیکسل و مولفه های متصل تمایز متن و زمینه را افزایش می دهیم. چهار روش مختلف را برای یافتن مرز جدایش متن از زمینه پیشنهاد می دهیم. در روش های خودفراگیر و طبقه بندی تکراری فضای ویژگی از خروجی یک روش آستانه یابی محلی و خواص آن برای پیدا کردن مرز استفاده می شود. در روش آموزش - محور پس از افراز فضای ویژگی به نواحی کوچک، به آن نواحی توسط یک طبقه بند برچسب متن یا زمینه زده می شود. برای آموزش طبقه بند از یک مجموعه تصویر برچسب خورده استفاده می شود. در روش چهارم، روش های خودفراگیر و آموزش- محور را با هم ترکیب کرده و بدین وسیله از مزایای هر دو روش بهره می بریم. همچنین دو روش بر مبنای مدل جریان آب برای دودویی کردن تصاویر متنی پیشنهاد کرده ایم. مقایسه نتایج روش های پیشنهادی با پنج روش معروف آستانه یابی نشان داد که ترکیب دو روش خودفراگیر و آموزش- محور نسبت به سایر روش ها از کارایی بیشتری برخوردار است. این روش بر روی مجموعه تصاویر استفاده شده در مسابقه دودویی کردن تصاویر متنی سال 2009 میلادی آزمایش شد و در مقایسه با سایر روش های شرکت کننده در آن مسابقه نتایج بهتری را بدست آورد.

هدف این پایان نامه، یافتن و استخراج ویژگی هایی است که بر مبنای آن بتوان دست خط فارسی را خوشه بندی کرد. در این کار، در ابتدا بر روی ویژگی های مبتنی بر بافت، تمرکز شده است. این ویژگی ها شامل دو دسته ویژگی آماری ماتریس باهم آیی و ویژگی مبتنی بر تبدیل گابور است. برای استخراج این ویژگی ها، یک بافت مناسب در ابعاد 1024×1024 مستقل از محتوای سند، از تصویر دستنوشته ایجاد می شود. از ویژگی های دیگری که در این کار از آن ها استفاده شده است، تعدادی ویژگی ساختاری مبتنی بر منحنی پیرامونی است. این ویژگی ها را از هر یک از تصاویر موجود در یک مجموعه داده از 97 دستنوشته فارسی که دارای متون متفاوتی بودند، استخراج کردیم و از الگوریتم k میانگین و شبکه عصبی نگاشت ویژگی خود سامان، برای خوشه بندی این ویژگی ها استفاده شده است. برای ارزیابی این ویژگی ها، یک روش ارزیابی بر مبنای الگوریتم خوشه بندی k میانگین، طراحی کرده ایم. در این الگوریتم از معیار مقایسه باینری ژاکارد استفاده کرده ایم، هم چنین برای محاسبه مراکز خوشه در هر دوره تکرار از الگوریتم k میانگین، از روش انتخاب داده چرخ رولت، بهره گرفته ایم. نتایج بدست آمده، نشان می دهد با ترکیب دو نوع از ویژگی های مبتنی بر منحنی پیرامونی، نرخ خوشه بندی، 75درصد است که نسبت به سایر روش های مورد استفاده در این کار، نرخ بهتری را در برداشته است. کلید واژه: سبک نگارش، خوشه بندی، بافت، فیلتر گابور، ماتریس با هم آیی، منحنی پیرامونی، ژاکارد، چرخ رولت ?

در این پایان نامه، به بازنمایی و توصیف گل های قالی می پردازیم. مجموعه گل های موجود در 14 کلاس طبقه بندی شده اند. از آنجایی که گل ها دارای چرخش، تغییر مقیاس و انتقال هستند، توصیفگر مطلوب باید نسبت به این تغییرات پایا باشد. در این پایان نامه از دو توصیفگر موجک و فوریه-ملین استفاده شده است. در توصیفگر موجک از انحراف معیار زیرباندها استفاده شده است. برای ارزیابی توصیفگرهای به کار رفته، گل ها را بازشناسی می کنیم. برای بازشناسی از روش نزدیک ترین همسایه استفاده شده که بیشترین نرخ بازشناسی با معیار فاصله ی مانهاتان بدست آمد. برخی از گل ها با جزییات داخلی آنها از هم تفکیک می شوند که در این پایان نامه مد نظر قرار داده شده است. برای روشی که قبلا براساس کانتور گل ها و توصیفگر فوریه بوده نرخ بازشناسی 69.4 درصد گزارش شده است و برای روش فوریه-ملین که جزییات داخلی نیز مد نظر بود نرخ بازشناسی 81.5 درصد حاصل شد.

موسیقی از توالی خردمندانه و خلاقانه نت ها شکل می گیرد و آغازه به لحظه نواخته شدن نت ها گفته می شود. بازشناسی سیگنال موسیقی، اغلب با شناسایی نت ها و لحظه نواخته شدنشان شروع شده و نتیجه، برای مراحل بعد همچون تشخیص ریتم و آوانگاری، استفاده می شود. به طور کلی آغازه در دو شکل "سخت" و "نرم" قابل مشاهده است. نت سخت با تغییر ناگهانی انرژی در لحظه ی نواخته شدن نت همراه است در حالی که برای نت نرم این جهش ناگهانی چشمگیر نیست. با توجه به این تقسیم بندی، سه رویکرد اساسی را در آشکارسازی آغازه می توان مشاهده کرد: روش های انرژی پایه، فاز پایه و فرکانس پایه. هدف از این تحقیق، پیشنهاد روشی تازه برای آشکارسازی آغازه در تکنوازی ساز تار است. موسیقی ایرانی به دلیل برخورداری از پشتوانه تاریخی و فرهنگی، از ویژگی های ممتازی برخوردار است. جدای از فاصله ربع پرده که مشخصه ظاهری موسیقی شرقی و ایرانی است، تکنیک های متعدد نوازندگی ، مقامات و گوشه ها، بافت غنی موسیقی ایرانی را شکل می دهد. تار به عنوان یکی از سازهای اصلی موسیقی ایران، دارای ظرایف و تکنیک های متعدد اجرایی است که بسته به مهارت نوازنده، هر دو نوع آغازه نرم و سخت در آن قابل مشاهده است. روشی را که برای آشکارسازی آغازه در ساز تار پیشنهاد کرده ایم از ترکیب دو مشخصه انرژی و فرکانس برای تعیین دقیق تر آغازه بهره می گیرد. با ترکیب این دو ویژگی، تابع آشکارساز، قابلیت تفکیک و جداسازی بهتر نت های مجاور هم را یافته است. این ویژگی به خصوص در مواردی که فاصله زمانی اجرای دو نت پشت سر هم بسیار کوتاه است، بسیار اهمیت دارد. نکته دیگری که در شناسایی آغازه در تار مد نظر بوده، شناسایی نت ریز است. نت ریز از چند نت هم فرکانس، متوالی بازمان اجرایی کوتاه تشکیل شده است. در آوانگاری موسیقی، تنها اولین نت از این مجموعه، اهمیت داشته و دیگر نت ها در نوشتار موسیقی نمی آید. برای آشکارسازی نت ریز، همزمان با آشکارسازی اولیه آغازه ها، با استفاده از یک روش تطبیق کلیشه ای بهبود یافته، فرکانس پایه سیگنال تعیین و از تطبیق آغازه با فرکانس پایه نظیر ، آشکارسازی نهایی آغازه ها انجام می شود

در سالهای اخیر مبحث بازشناسی چهره در زمینه های تحقیقاتی مرتبط با بیومتریک، شناسایی الگو و بینایی ماشین بسیار مورد توجه قرار گرفته است. اگرچه روش های مختلفی برای بازشناسی چهره ارائه شده است، اما وجود پارامترهای محدود کننده ای مانند چرخش سر، تغییر حالات چهره و تغییرات نورپردازی، باعث شده که مبحث بازشناسی چهره همچنان به عنوان مسأله ای حل نشده مطرح باشد. با توجه به اینکه کنترل شرایط نورپردازی در کاربردهای واقعی بسیار دشوار است، تغییرات نورپردازی یکی از مهمترین چالش های بازشناسی چهره محسوب می شود. چرا که تفاوت دو تصویر از یک فرد تحت نورپردازی های متفاوت می تواند بیشتر از تفاوت میان تصاویر دو فرد مختلف باشد. در این رساله به مسأله غلبه بر اثرات تغییر نورپردازی در تصاویر چهره پرداخته و روش های جدیدی را در هر سه فاز پیش پردازش، استخراج ویژگی و تطبیق الگو مطرح کرده ایم. الگوریتم های استخراج ویژگیِ ارائه شده در این رساله، به دانستنِ اطلاعات اولیه ای از شرایط نورپردازی چهره و نیز مجموعه آموزشی که شامل تصویرهای گوناگونی از هر فرد در شرایط مختلف نورپردازی باشد، نیازی ندارند. تعیین دسته نوری مبتنی بر روشهای یادگیری، فضایی مناسب برای جبران تطبیقی اثرات نورپردازی در تصاویر چهره ایجاد نموده و جبران آگاهانه اثرات نورپردازی توسط الگوریتم نگاشت نوری تطبیقی، که برای نخستین بار در این رساله مطرح شده است، ضمن حفظ ویژگی های تصویر، بازنمایی مناسبی از چهره در نورپردازی های مختلف ارائه می دهد. استخراج الگوی سایه مبتنی بر تبدیل h-minima، اطلاعات مفیدی را در زمینه شکل سایه و لبه های ناشی از آن ارائه داده که ضمن بهبود عملکرد روشهای موجود، منجر به نوآوری در مرحله تطبیق الگو نیز گردیده است. نتایج آزمایش های مختلفِ الگوریتم های پیشنهادی و مقایسه آن با الگوریتم های مطرحِ موجود در این زمینه، نشان می دهد که رویکرد پیشنهاد شده در این رساله، با نرخ بازشناسی متوسط 3/99% روی پایگاه های تصویری yaleb و extended yaleb از توانایی مطلوبی در بازنمایی تصاویر چهره تحت شرایط نورپردازی مختلف برخوردار است.

برای بازشناسی نت نوشته موسیقی، دو رویکرد بازشناسی برخط و برون خط وجود دارد. در این پایان نامه، روش هایی برای بازشناسی برخط نت نوشته موسیقی ارائه شده است. ابتدا نرم افزاری برای جمع آوری برخط نت نوشته ها در محیط labview طراحی شد. سپس 24 نت نوشته اصلی موسیقی انتخاب و 55 نمونه دست خط از 30 نفر جمع آوری شد. با استفاده از سه دسته ویژگی جدید و تعدادی ویژگی شناخته شده در زمینه بازشناسی برخط دست نوشته، توصیف مناسبی از هر نت ارائه شده است. دو نوع درخت تصمیم برای بازشناسی معرفی می شود. درخت نوع اول ابتدا در چند مرحله تعدادی از کلاس ها را حذف و در مرحله نهایی الگوی ورودی و کلاس های منتخب را به فضای ویژگی نگاشت می کند. بر اساس فاصله اقلیدسی، الگوی ورودی به نزدیک ترین کلاس اختصاص داده می شود. درخت نوع دوم ابتدا الگوی ورودی و تمام کلاس ها را به فضای ویژگی نگاشت کرده و بر اساس فاصله آنها، تعدادی از کلاس های نزدیک به الگوی ورودی را برنده اعلام می کند. در مرحله بعد، فرایند جدیدی با نام گروه بندی و پاداش اعمال و تعدادی از کلاس ها از رقابت حذف می شوند. در ادامه با استفاده از سایر ویژگی ها برخی از کلاس ها حذف و الگوی ورودی به کلاس مشخصی اختصاص داده می شود. بسته به فضای ویژگی نگاشت در هر درخت، سه نوع طبقه بند پایه داریم. برای بهبود نتایج طبقه بندهای پایه از وزن دهی به ویژگی ها استفاده شده است. در مرحله ترکیب تصمیم، نتایج دو درخت به روش های گوناگون با هم ترکیب شده و نرخ بازشناسی افزایش یافته است. با معرفی توابع ساده خطی و نمایی، معیارهایی برای نمره دهی به کلاس های منتخب هر طبقه بند ارائه شده است. از میان مجموعه داده، 30 نمونه به عنوان داده های تمرین و 30 نمونه به عنوان داده های آزمون انتخاب شده اند. نرخ بازشناسی برای داده های آزمایشی، با استفاده از ترکیب ویژگی ها 89% بوده است. در نهایت سامانه ی وابسته به نویسنده بر اساس این دو درخت طراحی شده است. در این سامانه از فرد مورد نظر 10 نمونه دست خط جمع آوری شده که 2 نمونه نخست آن به عنوان داده های تمرین و 8 نمونه دیگر به عنوان داده های آزمون به سامانه اعمال شده؛ نرخ بازشناسی برای این سامانه 91% بوده است.

فرش یکی از یادگارهای فرهنگ و هنر ایران است و با تاریخ کهنسال این کشور پیوندی ناگسستنی دارد. عدم ثبت نقشه های اصیل فرش ایرانی و باز بودن راه تقلید از طرحهای مزبور با کیفیت نامرغوب آن یکی از علل تنزل جایگاه فرش ایرانی است. از این جهت لازم است در ایران بانک اطلاعات جامع نقشه فرش ایجاد شود و طرحها و نقوش اصیل ایرانی در مراجع قانونی جهانی به ثبت برسد تا امکان هر گونه تقلید غیر مجاز و ارائه آنها در بازارهای مختلف جهان از بین برود. برای قدم برداشتن در این راه، ابتدا باید نقشه فرش به تصویری قابل پردازش توسط رایانه تبدیل شود تا بتوان بازسازی نقوش اصیل و قدیمی را در کوتاهترین زمان ممکن انجام داد و پردازش های مورد نیاز را روی این نقشه ها اعمال کرد. در زمینه کاهش رنگ نقشه چاپی فرش قبل از این کار، تنها یک روش ارائه شده است. در این پایان نامه روش های دقیق تری برای نیل به این هدف ارائه می شود. روش پیشنهادی در این پایان نامه شامل سه مرحله است. در هر مرحله نیز روش های مختلفی آزموده شده است. در مرحله اول به تک رنگ کردن گره های نقشه می پردازیم. در مرحله دوم از اطلاعات همسایگی گره ها استفاده می کنیم و به ادغام رنگ گره های همسایه ای که رنگ مشابه دارند می پردازیم و در مرحله سوم باکمک شبکه عصبی som رنگ های نهایی نقشه بدست می آید. برای این پایان نامه از نقشه هایی که به وسیله چاپگر یا دستگاه چاپ تهیه شده اند، استفاده شده است. این نقشه ها به وسیله روبشگر با درجه تفکیک 200dpi و به صورت میلیون رنگ روبش شده است. روش های پیشنهادی روی 23 قطعه تصویر از 6 نقشه چاپی آزمایش شده اند. میزان تشخیص رنگ صحیح بین 7/98% تا 100% تغییر می کند.

در این تحقیق سعی می شود تصاویر ذخیره شده چک های بانکی پردازش شده و مبلغ چک به حروف دستنویس تشخیص داده شده شود. با استفاده از خصوصیات هندسی حروف فارسی و قطعه بندی تصاویر به صورت های دکارتی و قطبی ،بردار ویژگی ها برای کلمات تعیین می شود. بردار ویژگی های استخراج شده به عنوان ورودی یک طبقه mlp قرار می گیرد. جهت تشخیص کلمات 42 کلاس در نظر گرفته می شود.در این تحقیق از 120 نمونه در هر کلاس استفاده شده است که برای 70 نمونه به عنوان تمرین از هر کلمه میزان بازشناسی 95.24%بدست آمده است و برای مجموعه آزمایش متشکل از 50 نمونه از هر حرف 89.25% کلمات بطور صحیح بازشناسی شده اند.

درحالی که برای گنجاندن حسّ بینایی و شنوایی در تحقّق مفهوم واقعیت مجازی و شبکه های برخط تلاش زیادی شده، حسّ بویایی، تشخیص و انتقال برخط بو کمتر مورد توجه قرار گرفته است. بینی الکترونیکی، به عنوان مهمترین ابزار مصنوعی شناسایی بو، نقشی کلیدی در تحقّق این هدف دارد. طبقه بندی نمونه های بویایی براساس سیگنالهای خروجی حسگرهای گاز، مرسوم ترین مسئله در حوزه شناسایی بو است. نتایج پژوهشهای مختلف در حوزه بینی الکترونیکی نشان می دهد تعداد زیاد ویژگی ها و وجود ویژ گی های زائد از مهمترین مشکلات شناسایی بو هستند. منشأ ویژگی های زائد در بینی الکترونیکی، گزینش چندگانه آرایه حسگرهای شیمیایی است که تأثیر قابل توجهی در کارایی طبقه بندی دارد. مهمترین رویکرد برای حل این مشکل، انتخاب زیرمجموعه ویژگی است. زیرمجموعه ویژگی به عنوان ورودی مرحله طبقه بندی استفاده می شود. از نگاه بازشناسی الگو، طبقه بندی نمونه های گاز با تعداد بیشتر از دو طبقه، طبقه بندی چندطبقه ای محسوب می شود. راهکاری کارا برای حل این مسائل، تجزیه آنها به مجموعه ای از مسائل دو طبقه ای و حل هر مسئله دوطبقه ای با طبقه بندی دودویی و درنهایت ادغام شورای طبقه بندها است. این راهکار که دودویی سازی طبقه نامیده می شود، کارایی بالایی در بسیاری از مسائل مختلف نشان می دهد. در پژوهشهای حوزه بینی الکترونیکی، یک زیرمجموعه ویژگی انتخاب شده و به عنوان ورودی مرحله طبقه بندی استفاده می شود. ازاین رو، زمانی که راهکار دودویی سازی طبقه برای طبقه بندی مسئله ای چندطبقه ای به کار گرفته شود، زیرمجموعه ویژگی انتخاب شده برای تمایز تمام مسائل دوطبقه ای یکسان است. هر چند این رویه ویژگی هایی به دست می دهد که به طور میانگین کارایی خوبی برای حل مسائل طبقه بندی دودویی دارد، اما لزوماً این ویژگی ها، ویژگی های بهینه برای حل تمام مسائل طبقه بندی دودویی نیستند. در این رساله، با واکاوی فرایند انتخاب ویژگی در مسائل طبقه بندی چندطبقه ای، روشی جدید برای طبقه بندی نمونه های گاز پیشنهاد و ارزیابی شده است. در روش پیشنهادی، به جای ایجاد هر طبقه بند دودویی با تمام ویژگی های موجود و یا با استفاده از یک مجموعه ویژگی ثابتِ از پیش انتخاب شده، هر طبقه بند با استفاده از ویژگی هایی ایجاد می شود که بیشترین کارایی را برای تمایز نمونه های دو فراطبقه مرتبط داشته باشد. طبقه بندهای دودویی که بدین صورت انتخاب می شوند، صحّت طبقه بندی بیشتری خواهند داشت و درنهایت، ادغام این طبقه بندها، صحّت نهایی بهتری را به دست می دهد. مقایسه نتایج روش پیشنهادی با سایر روشها، کارایی روش پیشنهادی را در طبقه بندی الگوهای بویایی رساله نشان می دهد. در ادامه با تعمیم رویکرد پیشنهادی، قابلیت آن برای حل مسائل طبقه بندی عمومی ارزیابی شده است. در این مرحله، روشهای پیشنهادی با تعداد زیادی مجموعه داده تراز ارزیابی شده و با استفاده از آزمونهای آماری با روشهای مرسوم دودویی سازی طبقه مقایسه شده است. تحلیل نتایج آماری، برتری روشهای پیشنهادی را در مقایسه با روشهای مرسوم دودویی سازی طبقه نشان می دهد.

امروزه استاندارد طلایی جهت تشخیص بیماری سرطان، نمونه برداری و به دنبال آن آزمایش هیستوپاتولوژی است. علیرغم توانایی های بسیار آزمایش هیستوپاتولوژی در تشخیص های بالینی، این روش در اجرا با مشکلاتی همچون تهاجمی بودن، زمان پاسخ طولانی و نتایج وابسته به فرد روبروست. لذا تا کنون تحقیقات بسیاری در توسعه روشهای جایگزین، به ویژه روشهای نوری، به دلیل قابلیت به کارگیریشان به صورت غیر تهاجمی، صورت گرفته است. در این میان طیف سنجی رامان از آنجا که به ساختارهای مولکولی حساس است، قابلیت بسیاری در تشخیص سرطان از خود نشان داده است. علیرغم توانایی های این روش، همچنان یکی از مهمترین چالش های این تکنیک در زمینه پزشکی، کاربردی شدن این تکنیک در تشخیص های بالینی می باشد که به دلیل وجود مشکلاتی همچون عدم پایداری الگوریتم های تشخیصی ارائه شده نسبت به تغییرات سیستم و بافت و نیز عدم حساسیت الگوریتم های تشخیصی ارائه شده در تکمیل طبقه بندی سرطان در سطح سارکوم و کارسینوم، تا کنون عملی نشده است. هدف از این تحقیق، توسعه الگوریتمی است که قادر به تشخیص سرطان به صورت مستقل از سیستم طیف سنجی و بافت باشد و از حساسیت لازم در طبقه بندی سرطان در سطح سارکوم و کارسینوم برخوردار باشد. در راستای دستیابی به چنین الگوریتمی، سه مساله تنوع سیستمی، تنوع بافتی و نوع بدخیمی هر یک در بخشهای جداگانه ای در این پژوهش مورد آنالیز و بررسی قرار گرفته اند. در بررسی مساله تنوع سیستمی، سه سیستم طیف سنجی رامان متفاوت در بررسی تشخیص سرطان پستان در سه کلاس نرمال، ضایعه خوش خیم و ضایعه بدخیم (سرطان) بکار گرفته شده است. سپس با آنالیز تفاوتهای طیفی ناشی از تفاوتهای سیستمی موجود بین این سیستم ها، الگوریتم جامعی به منظور رفع تفاوتهای سیستمی در عین حفظ تفاوتهای بین کلاسی ارائه شده و کارایی آن در حالت های مختلف ممکن مورد ارزیابی قرار گرفته است. در بررسی مساله تنوع بافتی، پنج بافت، شامل پستان، روده بزرگ، پانکراس، تیروئید و پوست مورد بررسی قرار گرفته و نشانگرهای رامان متمایز کننده حالت نرمال از سرطانی در آنها جستجو شده اند. سپس به یافتن نشانگرهای مشترک سرطان و بررسی وجود سطح تمایز مشترک بین حالت نرمال و سرطانی در این بافتها اقدام شده است. این بررسیها به معرفی چهار نشانگر مشترک سرطان در تمام بافتهای مورد مطالعه بجز بافت پوست منجر شده است، که هر یک به تنهایی قادر به تمایز نمونه های نرمال از سرطانی در چهار بافت نخست با صحتی بیش از 90% بوده اند. همچنین در ادامه با ترکیب این نشانگرها در یک گام و اصلاح روشهای استخراج ویژگی در گام بعد با شمول بافت پوست نیز درجه تمایزی برابر با 91.7% در تمایز نمونه های نرمال از سرطانی بدست آمده است. سرانجام در سومین بخش از پژوهش، در راستای تکمیل طبقه بندی سرطان، نشانگرهای متمایز کننده دو نوع اصلی سرطان یعنی سارکوم و کارسینوم، مورد بررسی قرار گرفته است. این مطالعه بر روی دو نوع سارکوم ویک نوع کارسینوم نشان داده است که میزان مشارکت پیوندهای متناظر با چربیها می تواند به عنوان نشانگر متمایز کننده این دو نوع سرطان (با صحتی بیش از90%) بکار گرفته شود. به طوریکه میزان چربی در نمونه های سارکوم نسبت به کارسینوم کمتر است.

چکیده از جمله چالشهای مهم در زمینه ی خواندن پلاک خودرو وضعیت های نامناسبی همچون وجود لکه یا کثیفی،تغییر شکل فیزیکی و میخ پرچ در پلاک است ، که تشخیص پلاک خودرو را دشوار می کند. بهسازی تصویر می تواند تاثیر زیادی در نرخ بازشناسی تصاویری که کیفیت پایینی دارند داشته باشد . در این پایان نامه برای حل چالش های موجود ، ابتدا پیش پردازش هایی روی پلاک ورودی انجام داده و سپس روشی ترکیبی برای باینری سازی تصویر پیشنهاد می دهیم . در آخر نیز با انجام پس پردازش هایی سعی در بهبود کیفیت تصویر خروجی می کنیم . در این پایان نامه سعی بر این است که همه ی پردازش هایی که روی تصویر انجام می شود به صورت وفقی و با توجه به ویژگی های استخراجی از خود تصویر باشند تا روی انواع تصاویر،کارایی مطلوبی داشته باشیم . روش پیشنهادی روی 100 تصویر پلاک خودرو اجرا شده و وضعیت تصویر خروجی به صورت کیفی ارزیابی شده است .

بر خلاف بیشتر تحقیقات انجام شده در زمینه توصیف شکل کلی کلمات، که به استخراج ویژگی‏های یکسان از تمام کلمات می‏پردازند، در این رساله، هر زیر-کلمه بر اساس خصوصیات شکلی آن توصیف می‏شود. در روش پیشنهادی، ابتدا بخش‏هایی از شکل زیر-کلمه به عنوان مناطق مهم انتخاب می‏شوند و سپس، از این مناطق برای ارائه توصیف مناسب آن زیر-کلمه استفاده می‏شود. مناطق مهم، بخش‏هایی از شکل زیر-کلمه هستند که بین نمونه‏های آن بیشترین شباهت را دارند و در عین حال بیشترین تفاوت را با نمونه‏های سایر زیر-کلمات ایجاد می‏کنند. در این تحقیق، دو روش را برای تعیین این مناطق پیشنهاد می‏کنیم. در روش اول، حروف تشکیل دهنده زیر-کلمات را با استفاده از معیار آنتروپی بررسی کرده و حروف اول هر زیر-کلمه را به عنوان حرف شاخص آن انتخاب می‏کنیم. از این حروف، در ارائه توصیف مناسب زیر-کلمات استفاده می‏شود. در روش دوم، به جای بررسی حروف، مناطق مختلف محلی شکل را، با استفاده از معیارهای سنجش بازیابی، بررسی کرده و مناطق شاخص زیر-کلمات را تعیین می‏کنیم. با استفاده از این مناطق، روش دیگری را، مبتنی بر گراف، برای توصیف شکل زیر-کلمات ارائه می‏کنیم. روش‏های پیشنهادی برای توصیف شکل زیر-کلمات را، در سه سامانه مختلف کاهش اندازه دیکشنری به کار می‏بریم. در هر سه سامانه، روش‏های توصیف سراسری و محلی شکل، به نحوی موثر با هم ترکیب شده‏اند. سامانه‏های پیشنهادی، روی مجموعه‏های مختلفی از تصاویر زیر-کلمات اعمال شده و نتایج بررسی شدند. در اعمال روش‏های پیشنهادی روی یک دیکشنری 6895 عضوی از تصاویر بدنه زیر-کلمات چاپی فارسی، بیشترین میزان کاهش اندازه دیکشنری معادل 83/97% در دقت حدود 100% به دست آمد.

نقشه های فرش شامل دو دسته ی چاپی و دستی هستند. نقشه های دستی به دو گروه پیش از نقطه گذاری و پس از نقطه گذاری تقسیم می شوند. در چند سال اخیر، کارهایی درباره خواندن خودکار نقشه های چاپی گزارش شده است. در این رساله روش هایی برای خواندن خودکار نقشه های چاپی و دستی ارائه می شود که سرعت و دقت ویرایش دستی را فزونی می بخشد. الگوریتم خواندن خودکار نقشه های پیش از نقطه گذاری از 8 مرحله ی اصلی تشکیل شده است: کاهش رنگ اولیه، تعیین نواحی تصویر، تک رنگ کردن هر ناحیه ساده، تعیین پالت رنگ اولیه، تخصیص رنگ های پالت به رنگ پیکسل های تصویر، اصلاح پالت رنگ، تعیین رنگ نواحی باقیمانده و کاهش رنگ نهایی با روش c-میانگین. نوآوری اصلی این رساله طراحی یک روند کاهش رنگ است که برای نواحی نزدیک به مرزهای نقشه، حاصل از آشکارسازی لبه ها، روشی متفاوت از روش کاهش رنگ در نواحی ساده نقشه بکار می برد. الگوریتم خواندن خودکار نقشه های نقطه گذاری شده از 4 مرحله ی اصلی تشکیل شده است: کاهش رنگ اولیه، تک رنگ کردن هر خانه نقشه، تک رنگ کردن مولفه های پیوسته و کاهش رنگ نهایی با روش c-میانگین. الگوریتم خواندن خودکار نقشه های چاپی از 2 مرحله ی اصلی تشکیل شده است: تک رنگ کردن هر خانه نقشه، کاهش رنگ با روش یادگیری تقویت شده. مجموعه دادگان این رساله، شامل 170 قطعه از 17 نقشه ی پیش از نقطه گذاری، 90 قطعه از 9 نقشه ی پس از نقطه گذاری و 60 قطعه از 5 نقشه چاپی است. اندازه ی این قطعه ها از 300 در 300 تا 1000 در 1000 پیکسل متفاوت است. درجه تفکیک تصویرها 300 dpi است و به صورت میلیون ها رنگ روبش شده اند. فضای رنگ نقشه ها rgb است. هر قطعه بین 7 تا 16 رنگ دارد. این نقشه ها از اقلیم های کرمان، اصفهان، تبریز، نائین، مشهد، کاشان، قم و همدان هستند. 50% از قطعات برای آموزش و بقیه برای آزمون استفاده شده اند. روش های ارائه شده، به دلیل متناسب بودن آن ها با کاربرد مورد نظر، بر روی دادگان تهیه شده، تصاویر بسیار خوبی برای ویرایش دستی فراهم می کنند. در این روش ها تعداد رنگ نقشه دانسته فرض می شود. همچنین تعداد رنگ به بیش از حدود 1.4 برابر تعداد اصلی کاهش داده نمی شود. حاصل کار به صورتی است که ویرایش دستی برای رسیدن به تعداد رنگ اصلی بسیار آسان است.

نقشه های فرش علاوه بر کاربرد فراوانی که در بافت فرش دارند خود نیز از آثار هنری کشور ما محسوب می شوند. برخی از این نقشه ها به مرور زمان از بین رفته اند یا در حال تخریب هستند. با الکترونیکی کردن این نقشه ها می توان جلوی این مشکل را گرفت. علاوه بر این با الکترونیکی کردن نقشه ها می توان کتابخانه ای از طرح ها در اختیار داشت که در طراحی نقشه ی فرش توسط رایانه کمک بزرگی خواهد کرد. یکی از مشکلات الکترونیکی کردن نقشه های فرش تعداد بالای رنگ تصاویر اسکن شده ی آن ها است. بدین منظور در این پایان نامه روشی برای کاهش رنگ نقشه های فرش پیش از نقطه گذاری ارائه شده است. در روش پیشنهادی نسبت به روش های پیشین بر روی پیوستگی نواحی تمرکز بیشتری شده است. روش پیشنهادی ترکیبی از الگوریتم های ناحیه بندی تصویر و کاهش رنگ است. در روش پیشنهادی کاربر در ابتدای کار تعداد رنگ نقشه ی فرش را اعلام می کند و پس از آن دیگر هیچ دخالتی در اجرای الگوریتم نخواهد داشت. در اولین مرحله از این روش، به منظور کاهش بار محاسباتی یک کاهش اولیه رنگ توسط الگوریتم کمینه ساز واریانس صورت می پذیرد. در مرحله ی دوم نواحی ساده تعیین شده و در مرحله ی سوم رشد داده می شوند. مرحله ی چهار مربوط به ناحیه بندی نواحی مرزی است. بعد از مشخص شدن تمام نواحی تصویر، در مرحله ی پنجم نواحی همسایه ی مشابه با یکدیگر ادغام می شوند. در مرحله ی آخر کاهش رنگ نهایی به 3برابر تعداد اعلام شده توسط کاربر صورت می پذیرد. در این روش مراحل اول و آخر مسئول کاهش رنگ و مراحل میانی مسئول پیوسته سازی نواحی هستند. روش پیشنهادی بر اساس یک روش پایه نوشته شده است که با اصلاح برخی از مراحل آن و افزودن الگوریتم های پیشنهادی نتایجی یکتا با نواحی پیوسته تر حاصل شده اند. ارزیابی روش پیشنهادی به صورت کیفی و کمی انجام شده است. ارزیابی های کمی با استفاده از دو قطعه ی برچسب گذاری شده از دو نقشه ی متفاوت صورت گرفته اند. این دو قطعه دارای اندازه های397*402 و 404*357 پیکسل و درجه تفکیک dpi300 هستند. بر اساس ارزیابی های کمی دقت الگوریتم در کاهش رنگ 86.55 درصد و در تشخیص صحیح نواحی 80.96 درصد است.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.