در بسیاری از کاربردهای پردازش سیگنال، مانند آنالیز سیگنال eeg، اغلب نیاز است که سیگنال غیر ایستان به بخش¬های کوچکتر تقسیم شود. این عمل با یافتن مرزهای سیگنال در لحظات زمانی تغییر مشخصات آماری آن، از قبیل دامنه یا فرکانس، انجام می¬شود. به طورکلی، دو روش برای سگمنت¬کردن سیگنال وجود دارد، سگمنت¬کردن با طول ثابت و سگمنت¬کردن تطبیقی. در روش¬ سگمنت¬کردن با طول ثابت، سیگنال eeg به تکه¬هایی با طول ثابت تقسیم می¬¬شود. روش¬ سگمنت¬کردن با طول ثابت به سادگی انجام می¬شود، ولی در این روش تنها به طور تصادفی می¬توان مرزهایی یافت که در نقاط تغییر مشخصات آماری سیگنال واقع شده¬اند. بنابراین این روش در سگمنت کردن موفق نخواهد بود. با توجه به ضعف روش سگمنت¬کردن با طول ثابت، ضروری است که روشی به کار برده شود که مرز سگمنت¬ها به طور خودکار تشخیص داده شوند که از روش سگمنت¬کردن تطبیقی برای برآوردن این هدف استفاده می¬شود. در این روش، مرز سگمنت¬ها به طور خودکار و بر اساس تغییر در مشخصات آماری سیگنال تشخیص داده می¬شوند. در این پژوهش، روش سگمنت¬کردن تطبیقی جدیدی بر اساس بُعد فرکتال و تبدیل ویولت معرفی شده است. در روش پیشنهادی، در ابتدا سیگنال اصلی توسط تبدیل ویولت تجزیه می¬شود. سپس، بُعد فرکتالی سیگنال تجزیه شده توسط یک پنجره لغزان محاسبه می¬شود و از تغییرات بُعد فرکتالی برای سگمنت کردن تطبیقی استفاده می شود. در این پژوهش، برای افزایش دقت روش پیشنهادی معیاری جهت انتخاب طول مناسب پنجره لغزان معرفی شده است. این در حالی است که در روش¬های سگمنت¬کردن موجود، معیاری جهت انتخاب طول مناسب پنجره لغزان ارائه نشده است. عملکرد روش پیشنهادی با تعدادی از روش¬های سگمنت کردن موجود با استفاده از داده های ساختگی و واقعی eeg مقایسه شده است. برای مقایسه الگوریتم¬های سگمنت¬کردن، از معیار roc استفاده شده است و نتایج شبیه¬سازی بیانگر کارایی بالای روش پیشنهادی نسبت به روش¬های موجود می¬باشد. به علاوه، نشان داده شده است که روش پیشنهادی به زمان کوتاهی برای آنالیز یک سیگنال نیاز دارد، بنابراین می¬توان از روش پیشنهادی در سیستم¬های آنلاین استفاده کرد. در این پژوهش دو کاربرد دیگر روش سگمنت¬کردن تطبیقی نیز نشان داده شده است. در یکی از این کاربردها، روش سگمنت¬کردن تطبیقی برای بررسی تغییرات درخشندگی اجسام کهکشانی مورد استفاده قرار گرفته است که یکی از موضوعات مهم در نجوم برای بررسی رفتار اجسام کهکشانی می¬باشد. در کاربرد دیگر، الگوریتم سگمنت¬کردن تطبیقی در تشخیص ناهنجاری در سیگنال ترافیک شبکه کامپیوتری مورد استفاده قرار گرفته است. این کاربرد می¬تواند در مواردی همچون کمک به مدیریت شبکه، و بهبود عملکرد شبکه مفید باشد.

در این پایان نامه به بررسی یک تئوری در پردازش تصویر می پردازیم. این تئوری، برای اولین بار، در سال 2004 توسط jianhua luo و yuemin zhu در حوزه ی پردازش تصویر، ارائه شد. روش فوق ، بازتابیست از یک ایده در ریاضیات و دنیای ماتریس ها. شایان ذکر است که نویسندگان فوق تنها بازدهی متد خود را روی تصاویر mri بررسی نموده و طی سالهای متمادی سعی در بهبود روش فوق داشته اند و آخرین مقاله ی آنها با نام "نویز زدایی از تصاویر پزشکی با بکارگیری مکانیزم میانگیری از تصاویر باز سازی شده" در سال 2012 به چاپ رسیده است. مزیت ارائه شده در این ایده، بازسازی المانهای فرکانس بالای تصویر است که در قالب روشهای نویز زدایی از دست می دهیمشان. در ابتدا، روش را روی تصاویر خاکستری متداول در مبحث پردازش تصویر، نظیر lena ، barbara ، boat و ... که با نویز گاوسی میانگین صفر، تخریب شده اند پیاده سازی می کنیم و سپس ، تغییرات لازم را در جهت دستیابی به پاسخ بهینه، اعمال می نماییم. در فصل یک، انواع نویز و تابع چگالی احتمالشان به اختصار توضیح داده می شود و در ادامه، در فصل دو ، روشهای نویز زدایی، متداول و موجود، مورد بحث قرار گرفته و در فصل 3 روش مورد نظر به همراه چند مورد کاربرد آن از نظرتان خواهد گذشت. فصل 4 به بررسی این ایده روی تصاویر مرجعمان پرداخته و بهینه سازیهای لازم، صورت می پذیرد و نهایتا در فصل 5 ، نتایج حاصل، با روشهای متداول مقایسه گردیده و پاسخ مورد تحلیل قرار می گیرد.

در این پایان¬نامه روشی برای حذف نویز از تصاویر تخریب شده توسط نویز ضربه ارائه شده است. نویز ضربه در تصاویر، ابتدا به¬وسیله آشکارساز نویز شناسایی و پیکسل¬های تصویر به دو دسته نویزی و غیرنویزی تقسیم-بندی شده است.پیکسل¬های نویزی پس از تشخیص، فیلتر می¬شوند. آشکارساز نویز ضربه، از نوع شبکه عصبی رو به جلو است. فیلترهای استفاده شده، از نوع اصلاح شده¬ی فیلترهای میانگین و میانه هستند. به این علت که تنها پیکسل های نویزی تحت عمل فیلتر قرار می¬گیرند و پیکسل¬های سالم و غیرنویزی رها می¬شوند، سرعت عملیات بیشتر خواهد شد. نتایج شبیه¬سازی عملکرد آشکارساز با فاکتور far و عملکرد فیلترها با فاکتور psnr ارزیابی شده است. نتایج نشان می¬دهد که عملکرد آشکارسازها و فیلترها پیشرفت قابل توجهی نسبت به دیگر روش¬های قبلی داشته است.

حس بینایی درگاه ورود بسیاری از اطلاعات و در نتیجه افزایش کارایی سیستم می باشد. یکی از علومی که در راستای افزایش کارایی حس بینایی در سیستم های هوشمند به کار گرفته می شود، علم ماشین بینایی است. کشف و استخراج متن در تصویر یکی از مسائل بسیار مهم در زمینه ماشین بینایی می باشد. یکی از علوم مهمی که باعث افزایش درک مفهوم تصاویر متن دار برای سیستم می شود، استخراج متن آن است. بطور کلی متن، وزن زیادی از مفهوم تصویر را به همراه دارد، که با استخراج و تشخیص آن سیستم می تواند تصمیم گیری بهتری، در راستای رسیدن به هدف مورد نظر داشته باشد.