در ابتدا اثر انگشت اسکن شده به وسیله الگوریتم بخشبندی مورد تجزیه تحلیل قرار گرفته وبخش اصلی تصویر و حاشیه از هم تفکیک می شوند. مرحله بعدی تهیه میدان جهتدار اثر انگشت می باشد.عمل بهبود تصویر اثر انگشت با فیلتر گابور بهینه سازی شده انجام می شود. بهینه سازی فیلتر گابور به این صورت انجام می شود که پهنای باند فیلتر متناسب با ویژگی های تصویر در هر محل تغییر می کند. در ادامه تصویر بهبود یافته به تصویرباینری تبدیل و عمل نازکسازی بر روی آن انجام می شود.از روش نوینی برای استخراج نقاط منحصربفرد؛شناسایی نوع آنها؛استخراج نقطه مرجع و زاویه مرجع برای هر اثر انگشت استفاده می شود.نقاط منحصربفرد برای گروهبندی اثر انگشت به پنج گروه مجزا مورد استفاده قرار می گیرند.از تصویر نازکسازی شده اطلاعات جزعی مینوتیا استخراج می شود. با توجه به نقطه و زاویه مرجع برای هر مینوتیا بردار ویژگی به ابعاد4در1 تولید می شود.بردار ویژگی شامل فاصله از نقطه مرجع؛زاویه مینوتیا نسبت به زاویه مرجع؛نوع مینوتیا و در نهایت زاویه راستای مینوتیا می باشد.برای هر اثر انگشت یک بردار ویژگی که شامل بردار ویژگی مینوتیاهای آن است تولید می شود. بردار ویژگی طوری محاسبه می شود که تحت تاثیر تبدیلات چرخش و جابجایی قرار نگیرد.در نهایت برای تطبیق مینوتیاها؛مینوتیای مشخصی از یک اثر انگشت با مینوتیاهای اثر انگشت دیگر مقایسه واگر بتوانند مقادیرآستانه مشخصی را ارضاء کنند؛گفته می شود دو مینوتیا باهم تطبیق می یابند. در دو تصویر مورد تطبیق اگرتعداد مینوتیاهای تطبیق یافته از یک حد معینی بیشتر باشدگفته می شود که دو تصویر تطبیق می یابند.برای ارزیابی الگوریتم های ارائه شده در هر مرحله از دیتابیس fvc2004 استفاده می شود.

با توسعه کامپیوتر در زندگی افرار، نیاز به سازش پذیری با انسان افزایش می یابد

چکیده در روش های مبتنی بر بینایی استریو، همانند عملکرد چشم، دو تصویر از دو نقطه نظر مختلف از یک صحنه گرفته می شود و سپس با ترکیب این دو و اعمال الگوریتم های مربوطه، تصویر سه بُعدی از صحنه ایجاد می گردد. مهم ترین نکته در این راستا محاسبه ی عمق از طریق سیستم استریو می باشد. در این پایان نامه برای تشخیص مانع و تعیین عمق آن از بینایی استریو استفاده شده است. موانع مورد بررسی در این پایان نامه به دو دسته ی عمده تقسیم می گردد. دسته اول موانع مثبت است که به دو گروه موانع مثبت معمولی و پلکان گروه بندی شده و دسته ی دوم موانع منفی می باشد. در راستای تشخیص موانع مثبت، دو الگوریتم پیشنهادی مطرح شده است. اصلی ترین ایده ی الگوریتم پیشنهادی دوم آستانه گیری وفقی است که طرح زمینه، جزئیات و پیچیدگی های غیر ضروری تصویر را حدف کرده و حجم محاسبات در مرحله ی تطابق استریو کاهش داده، درنتیجه سرعت اجرای الگوریتم افزایش می یابد. تمرکز این پژوهش بر تشخیص مانع برای افراد نابینا و کم بینا می باشد در این راستا الگوریتمی برای تمریز دادن سایه از مانع ارائه شده است که مبتنی بر فضای hsi می باشد. موانع منفی از اهمیت بیشتری برخوردار است زیرا خطر رویارویی با آن ها بیشتر می باشد. برای تشخیص این دسته از موانع از تطابق استریو بهره گرفته شد که مبتنی بر تغییرات ناگهانی نگاشت اختلاف مکانی است. در نتیجه نگاشت اختلاف مکانی به دست آمده در این مرحله باید از دقت بالایی برخوردار باشد. در این راستا الگوریتم تطابق استریویی از ترکیب روش، برمبنای ویژگی و سطح پیشنهاد شده است که از دقت و سرعت لازم برخوردار می باشد. در نهایت الگوریتم پیشنهادی دوم برای موانع مثبت و الگوریتم پیشنهادی موانع منفی توأما روی تصاویر استریو اجرا شده و محدوده ی موانع، نوع و فاصله ی آن از دوربین تعیین گردیده است. الگوریتم های پیشنهادی روی 20 جفت تصویر استریو اجرا گردیده که 16 نمونه ی آن در فصل نتایج نشان داده شده و نتایج قابل قبولی به دست آمده است. نتایج الگوریتم های پیشنهادی با الگوریتم های مختلف و به روز دنیا از جهت کیفی و کمی مقایسه گردیده است. این پایان نامه می تواند گامی در جهت بهبود و افزایش استقلال در زندگی افراد نابینا و کم بینا باشد.

امروزه افزایش وسایل نقلیه و جوابگو نبودن سیستم های کنترل سنتی، باعث ایجاد سیستم های کنترل ترافیک به صورت هوشمند شده است. که این عامل، سبب کنترل و مدیریت بهتر شهری و افزایش ضریب اطمینان جاده ها و بزرگراه ها می شود. هدف کلی این پروژه تشخیص و طبقه بندی و ردیابی وسایل نقلیه با استفاده از تکنیک های بینایی دوربین می باشد. در این تحقیق ما از یک دوربین ثابت که در ارتفاعی تقریباً نزدیک به سطح جاده و با زاویه کم می باشد برای کارهای نظارت ترافیکی استفاده کرده ایم. برای انجام روش های ارائه شده، یک قسمت از بزرگراه را انتخاب می کنیم تا پردازش های لازم در محدوده موردنظر انجام گیرد. الگوریتم استفاده شده شامل سه مرحله کلی می باشد. ابتدا با تکنیک های پردازش تصویر وسایل نقلیه متحرک در صحنه های ترافیک تشخیص داده می شود. در مرحله بعدی وسایل نقلیه نزدیک به دوربین انتخاب شده و عمل پردازش و استخراج ویژگی های موردنظر انجام می گردد. این ویژگی ها در برداری به شبکه عصبی اعمال می گردد، به صورتی که خروجی شبکه عصبی نوع وسیله نقلیه عبوری را مشخص می کند. مدل ارائه شده قادر به طبقه بندی وسایل نقلیه در سه دسته موتورسیکلت، خودروهای سبک و سنگین می باشد. مرحله آخر وسایل نقلیه عبوری را ردیابی می کنیم. الگوریتم های پیشنهاد شده قادر به ردیابی همزمان کلیه وسایل نقلیه عبوری در زمان واقعی می باشند. ردیابی در زمان واقعی جزء مزیت های یک سیستم نظارتی می باشد. برای این منظور ما از دو روش استفاده کردیم. روش اول استفاده از مجموع تفاضل قدرمطلق (sad) بود. الگوریتم دیگر ارائه شده استفاده از ردیابی شارنوری هرن و شانک می باشد. برای این کار با محاسبه مشتقات تصویر در راستای مکان و زمان، سرعت را برای هر پیکسل بدست آوردیم. در نهایت سیستم کلیه وسایل نقلیه عبوری را در زمان واقعی تشخیص و ردیابی کرد.

بسیاری از پدیده های طبیعی- اقلیمی نظیر بارش از تغییرپذیری بالایی برخوردارند. این ویژگی در رخداد حالات مختلف بارش به خوبی نمایان است. یکی از این حالات، عدم رخداد بارش در امتداد زمان و طی روزهای سال است، که تداوم آن موجب بروز روزهای خشک و به دنبال آن پدیده خشکسالی می شود. در این پژوهش سعی شده است با نشان دادن تصویر کلی از مشخصات عمومی بارش در پهنه ایران، به پیش بینی روزهای خشک پرداخته شود. در پژوهش حاضر با استفاده از داده های روزانه بارش کشور در طول دور? آماری (2008-1961) با به کارگیری الگو زنجیره مارکوف به تعیین الگوی احتمالاتی روزهای خشک پرداخته شود. سپس به منظور انجام عملیات پهنه بندی و افراز نواحی مشابه و نیز پرهیز از انجام تحلیل بر روی تک تک ایستگاه ها، با استفاده از تحلیل خوشه ی، محاسبه فاصله اقلیدسی و روش ادغام وارد مناطق همگن به لحاظ روزهای پیش بینی شده با مدل مارکوف تشخیص داده شد. در نهایت 7 گروه برای پهنه ایران به دست آمده و نماینده هر یک از گروه ها انتخاب گردید. سپس به منظور تعیین زمان تاخیرهای لازم برای برازش الگوی شبکه عصبی و با به کارگیری تکنیک تحلیل طیفی برای نماینده هر یک از گروه ها، چرخه های معنادار برآورد گردید. در نهایت، با استفاده از طول دوره آماری (2008-1976) و نیز بر اساس آزمون و خطای تاخیرهای مورد نظر در نرم افزار matlab و شاخه neural network به پیش بینی روزهای خشک پرداخته شد. شبکه مورد استفاده در این پژوهش، شبکه چند لایه پس انتشار feed-forwad با الگوریتم مارکوارت- لونبرگ و تابع انتقال خطی در لایه خروجی و تانژانت سیگموئید در لایه میانی می باشد. نتایج به دست آمده نشان داد که در بیش تر ایستگاه های مورد بررسی شبکه عملکرد بالایی داشته و توانسته پیش بینی نزدیک به واقعیت داشته باشد. اما در ایستگاه رشت پاسخ مطلوبی برای وقوع روزهای خشک نداده است. نتایج مقایسه پیش بینی روزهای خشک حاصل از زنجیره مارکوف و شبکه عصبی نشان داد که دو مدل صلاحیت بالایی در برآورد روزهای خشک ایران زمین دارند.

این رساله مبتی است بر تحقیق، بررسی و ارائه روشی مناسب تخمین سمت ورود در یک صفحه. (random array) با موقعیت تصادفی (omni-directional) آرایه ای با سنسورهای همه جهته در این تحقیق، بررسیِ مشخص بودن مکان سنسورها، همزمانی داده برداری، اطلاع از موقعیت اولیه اهداف (far-field) و یا دور (near-field) نسبت به آرایه، ابهام های احتمالی آرایه و همچنین مدلهای میدان نزدیک امواج دریافتی مدنظر قرار می گیرد. و یا سایر روشهای پردازش (time delay) در این روش می تواند بر پایه الگوهای تخمین تاخیر زمان و یا روشهای آماری همچون music،(optimum beamforming) آرایه ای همانند شکل دهی پرتو بهینه باشد. در ادامه به کمک این روش در کنار تخمین سمت هدف (maximum likelihood)ml حداکثر احتمال (زاویه)، موقعیت نسبی آن مشخص شود. در جهت جلوگیری از پیچیدگی روشها بدون از دست دادن عمومیت آنها، نوع هدف باند باریک فرض خواهد شد. معیار ارزیابی بررسی دقت روش پیشنهادی بر حسب و تعداد نمونه های دریافتی خواهد بود. تحقیق شامل مطالعات (snr) توان سیگنال نسبت به توان نویز کتابخانه ای، بررسی روشهای موجود در پردازش آرایه ای و آرایه های تصادفی و در نهایت شبیه سازی روش های مذکور در کاربرد سونار و آکوستیک زیرآب می باشد.

علیرغم کاربردها و تحقیقات فراوان در بیومتریک، شناسایی فرد از روی راه رفتن تقریباً به تازگی مطرح شده و مورد توجه قرار گرفته است. در بسیاری از کاربردهای تشخیص هویت ، بخش فراوانی از خصوصیات بیومتریکی، مخدوش یا مبهم هستند. بعنوان مثال، صورت ممکن است مخفی شده باشد یا وضوح تصویر پایین باشد، کف دست مبهم باشد یا گوش ها غیر قابل رویت باشند. ولی با این وجود، انسان باید راه برود و راه رفتن معمولاً قابل رویت است و این مسئله باعث تشویق استفاده از راه رفتن به عنوان یک بیومتریک می شود. . نحوه ی راه رفتن توانایی شناسایی هویت انسان را از فاصله دور نیز فراهم می سازد. شناسایی انسان از روی راه رفتن شامل سه مرحلهی پیش پردازش، استخراج ویژگی و طبقه بندی می باشد که هر کدام از اهمیت خاص خود برخوردارند. در این پایان نامه در مرحله اول یعنی پیش پردازش، استانداردسازی دیتا بیس انجام شده است. در مرحله ی دوم، با توجه به مطالعه کارهای صورت گرفته، سعی شده تا ویژگی انتخاب شده تقریباً تمامی حرکات و جزئیات بدن فرد در حین راه رفتن را در بر بگیرد. با توجه به این نکته ویژگی اصلی و مورد نظر کانتور بدن فرد در هر تصویر انتخاب شده است. از آنجائیکه تعداد نقاط اطراف بدن فرد، زیاد می باشد و در اینجا به 400 نقطه محدود شده است لذا می بایست ابعاد ماتریس بدست آمده را کاهش داد. برای کاهش ابعاد ماتریس بدست آمده از روش های pca و lda استفاده شده است. بعد از مرحله استخراج ویژگی و کسب ویژگی های مربوط به هر شخص از طبقه بندی کننده های nn و svm برای طبقه بندی افراد استفاده شده است.

فشرده سازی تصویر از یک سو در کاربردهای گسترده ای مانند چندرسانه ای، اینترنت، حوزه ارتباطات و نقل و انتقالات واز طرفی دیگر بعلت محدویت در ذخیره سازی اطلاعات، بسیار با ارزش و دارای اهمیت است. در این پایان نامه با توجه به نیاز به تصاویر با کیفیت قابل قبول در سطح فشرده سازی بالا، از استاندارد جدید فشرده سازی تصویر که بر اساس تبدیل موجک می باشد، استفاده شده است. در این استاندارد، فشرده سازی تصاویر به میزان زیاد امکان پذیر می باشد در حالی که کیفیت تصویر بازسازی شده ی بهتری نسبت به استانداردهای پیشین مانند استاندار د بر پایه ی تبدیل کسینوسی گسسته (dct) در نرخ های فشرده سازی برابر بدست می آید. بخشی از استاندارد که این امکان را فراهم می کند، مرحله بدست آوردن ضرایب تبدیل است که از مهمترین بخش های این استاندارد محسوب می شود و بر اساس تبدیل موجک گسسته (dwt) می باشد. وظیفه ی این مرحله ارائه بهترین کیفیت تصویر می باشد. به این معنی که با توجه به میزان فشرده سازی مورد نیاز، با روشی موثرتر، فایل خروجی با حجم و با کیفیت مطلوب تشکیل می شود. که بر روی پردازنده سیگنال دیجیتالی(dsp) برای شبیه سازی بکار گرفته شده است.در این روش ضرایب dwt ابتدا کوانتیزه شده، سپس ضرایب با استفاده از کدکننده به رشته بیت تبدیل می شود. در این پایان نامهروشی جدید مبنی بر کاهش ضرایب dwtقبل از انجام عمل کوانتیزه بر روی تصویر باز سازی شده، ارایه شده است. میزان تاثیر باندهای مختلف تبدیل موجک بر کیفیت تصویر بازسازی شده، متفاوت است. در این روش می توان در مرحله ی تبدیل و روش معادل، ضرایب باندهایی را که دارای تاثیر کمتر هستند، به میزان بیشتری حذف نمود و ضرایب باندهایی را که دارای تاثیر بیشتر هستند را برای داشتن اغتشاش کمتر نگه داری کرد.همچنین نتایج الگوریتم فشرده سازی با الگوریتم موجک درخت صفر ادغام شده ezw)) برای شبیه سازی بر روی dsp مورد بررسی و نتیجه گیری قرارگرفته است. این الگوریتم دارای پیچیدگی محاسباتی کمتر و کیفیت تصویر مناسب می باشد. پیاده سازی مراحل فشرده سازی تصویر با کد تبدیل موجک، مرتب سازی و رمزگذار ezwو مراحل استخراج تصویر از بیت فشرده شده، بر روی شبیه ساز tms320c6713ti dsp مورد ارزیابی قرار گرفته است. در این پایان نامه با طراحی سخت افزار مناسب جهت اجرای الگوریتم فشرده سازی بی درنگ از پردازندهti dsp tms320c6713 استفاده شده است. همچنین تراشهfpga altera cycloneiiبرای امکان توسعه سخت افزار، سرعت بخشیدن در اجرای محاسبات بصورت موازی،در طراحی سخت افزار بکار رفته است.

در این پژوهش به ارائه روش های دقیق و بهبود یافته در هر مرحله از سیستم های تشخیص می پردازیم. در ابتدا مرحله پیش پردازش انجام می شود در این مرحله با حذف پیش زمینه و استخراج ریه ها با ترکیبی از روش های آستانه گیری و روش های تشخیص لبه و روش های بر پایه کانتور تصویر ورودی قابل فهم تر وبهینه ای را به عنوان ورودی به سیستم داده می شود. در مرحله قطعه بندی ما با ارائه یک روش قطعه بندی دقیق امکان آنالیز آسانتر تصاویر ct را فراهم می کنیم. با روش پیشنهادی ارائه شده برای قطعه بندی کاندیدای نودال به صورت چشمگیری کاهش پیدا می کند. بدین ترتیب میزان خطای مثبت سیستم که ناشی از شناسایی کاندیدای غلط غیر نودال به جای نودال است کاهش می یابد که این کار از حجم محاسبات آتی و احتمال تشخیص نادرست نودال می کاهد.برای رسیدن به این هدف پژوهش ارائه شده با ارائه دو راهکار مناسب که اولی بهبود یافته الگوریتم قطعه بندی moving k-means با نام imkm و دیگری الگوریتم بهبود یافته با pso قطعه بندی دقیق تر و حساس تر از تصویر ارائه می دهد. در مرحله کلاسه بندی نودال ها که یک مسئله داده با کلاس نامتوازن است از الگوریتم های کلاسه بند ترکیبی برای داده های نامتوازن استفاده کرده ایم. در این پژوهش از الگوریتم های کلاسه بند ترکیبی gentel boost وlogitboost استفاده شده است. این الگوریتم ها با دادن وزن بیشتر به داده های کلاس اقلیت که همان نودال های ما هستند دقت بیشتری را به این داده های اقلیت که اهمیت بیشتری نیز برای ما دارند اختصاص می دهد .علیرغم موفقیت های این الگوریتم ها، تنظیم پارامترهای آن ها به صورت دستی انجام شده و لذا بر روی کارائی آن تأثیر می گذارد. در این پژوهش با استفاده از الگوریتم pso به تخمین پارامترهای هزینه با هدف افزایش معیار auc پرداخته شده است.

شناسایی اجزای چشم (رگ های خونی، اعصاب اپتیک و لکه های موجود در شبکیه) یک گام اساسی در تشخیص اتوماتیک برخی از بیماری های چشم است. این تصاویر نقش موثری در تشخیص مراحل اولیه بیماری ها نظیر دیابت بازی می کند. این تشخیص با مقایسه ی حالت رگ های خونی در طول زمان انجام می شود. مشخصات ذاتی تصاویر شبکیه به نوعی است که عمل تشخیص رگ های خونی را با مشکل همراه می سازد. دلیل انتخاب مسئله قطعه بندی عروق در پایان نامه حاضر، اهمیت و تأثیر بالای این موضوع در تشخیص بیماری های چشمی بوده، افزایش دقت روش های موجود و رشد روزافزون روش های جداسازی می تواند دلیل خوبی بر این پژوهش باشد. هدف اصلی این پژوهش ارائه ی روشی جدید با دقت بالا و قابل مقایسه با روش های موجود در این زمینه است. در این پایان نامه ابتدا روش های کلی موجود در قطعه بندی عروق چشم بررسی می گردند. سپس به پیاده سازی برخی روش های مهم به کمک نرم افزار matlab در این زمینه می پردازیم. در فصل بعدی به ارزیابی و مقایسه روش های قبلی، بررسی مزایا و معایب این روش ها پرداخته و یک روش کلی را به عنوان روش قابل قبول انتخاب می نماییم، این روش، چارچوب کلی این تحقیق را در بر می گیرد. ایده های اصلی بکار رفته در این پژوهش، طرح یک روش جدید آستانه گذاری محلی به کمک درخت چهارگانه (برای مرحله بخش بندی تصویر)، استفاده از روش کانتور فعال در جداسازی رگ و در نهایت بیان یک روش جدید بدون بکار بستن محاسبات سنگین ریاضی برای جداسازی رگ می باشد. همچنین در فاز جداسازی روش های فیلتر تطبیقی و خوشه بندی با نظارت با پیش پردازش پیشنهادی بهبود یافتند. برای ارزیابی طرح پیشنهادی در این پایان نامه، از پایگاه داده تصاویر آنژیوگرام استاندارد به نام drive استفاده نمودیم. نتایج عملی بر روی این پایگاه داده نشان می دهد که رگ های خونی تصاویر شبکیه با اعمال پیش پردازش پیشنهادی به خوبی از پس زمینه قابل تشخیص هستند. به دلیل اینکه فرایند جداسازی رگ در مراحل مختلفی صورت می گیرد لذا سعی بر این بوده که در هر مرحله، اصلاحات و پیشنهاد های مفیدی ارائه گردد ودر مجموع باعث بالا رفتن کارایی فرایند جداسازی رگ و کسب نتایج بهتر نسبت به روش های کنونی گردد. با استفاده از پیش پردازش پیشنهادی دقت الگوریتم فیلتر تطبیقی 3% و خوشه بندی با نظارت را 2% بهبود یافتند. با استفاده از الگوریتم کانتورفعال به دقت 0.9382 و الگوریتم پیشنهادی دوم به دقت 0.9581 رسیدیم. مقادیر فوق قابل مقایسه با روش های موجود هستند. در مجموع می توان ادعا کرد که حاصل این پژوهش منجر به بالا رفتن دقت جداسازی، تا حدود 3 درصد (بطور متوسط) می گردد.

رشد نامحدود و غیرقابل کنترل سلول¬ها باعث پیداش تومور در مغز می¬شود. اگر تومورهای مغزی به سرعت شناسایی و بطور مناسب درمان نشوند، می¬توانند باعث آسیب مغزی دائم و یا حتی مرگ بیمار شوند. در سال¬های اخیر تصویربرداری تشدید مغناطیسی (mri) نسبت به سایر روش¬های تصویربرداری پزشکی، برای معاینه و تشخیص کمکی تومورهای مغزی بطور گسترده مورد استفاده قرار گرفته است که علاوه بر داشتن کنتراست بالا برای بافت¬های نرم، هیچ یک از آسیب¬های اشعه¬ی رادیواکتیو را برای انسان ندارد. پزشکان با قطعه¬بندی تومور در تصاویر mri مغز می¬توانند اطلاعاتی از موقعیت و اندازه¬ی تومور بدست آورند و با استفاده از تجربه و دانش خود برنامه¬ی درمانی بیمار را مشخص کنند. انجام قطعه¬بندی به صورت دستی برای حجم عظیمی از تصاویر mri کاری زمان¬بر و خسته¬کننده بوده و ممکن است باعت اشتباه در تشخیص مرزهای تومور توسط پزشک گردد؛ از طرفی این کار، عملی ذهنی است و به تجربه و اطلاعات پزشک بستگی دارد. بنابراین توسعه¬ی یک سیستم تشخیصی اتوماتیک یا نیمه اتوماتیک به کمک کامپیوتر در درمان¬های پزشکی واقعی مورد نیاز است تا بتواند حجم کاری پزشکان را کاهش داده و دقت را با دادن نتایج عینی بهبود بخشند. این مشکل یک مبحث داغ در زمینه¬ی مهندسی پزشکی است و الگوریتم¬های بسیاری در جهت تلاش برای حل آن پیشنهاد شده¬اند، اما متاسفأنه بدلیل دقت و قدرت کم الگوریتم¬های موجود، هنوز این مشکل حل نشده است. در این تحقیق دو روش کاملاً اتوماتیک برای قطعه¬بندی تومور مغزی در تصاویر mri ارائه شده است که نیازی به دخالت انسان در طول فرآیند ندارند. در هر دو روش ابتدا بافت¬های داخلی مغز استخراج می¬شوند و کار قطعه¬بندی بر روی این بافت¬ها انجام می¬گیرد. با این کار حجم محاسبات و زمان کل فرآیند قطعه¬بندی کاهش پیدا می¬کند. روش اول بر اساس طبقه¬بندی کننده¬ی svm یک کلاسه است که برای تصاویر mri سطح خاکستری طراحی شده است. در این روش پس از مرحله¬ی پیش پردازش، با اعمال روش fbb ناحیه¬ی تومور با یک چهار ضلعی محدود شده روی تصویر مشخص می¬گردد. از این ناحیه به عنوان مجموعه¬ی آموزشی برای آموزش طبقه¬بندی کننده¬ی svm یک کلاسه استفاده می¬شود. میانگین مقادیر بدست آمده برای معیارهای accuracy، si، of و ef در این روش به ترتیب13/99%، 978/0، 9864/0 و 009/0 هستند. در روش دوم تصاویر سطح خاکستری mri پس از مرحله¬ی پیش پردازش به تصاویر رنگی تبدیل شده و برای انجام قطعه¬بندی به الگوریتم ترکیبی pso+k-means داده می¬شوند. الگوریتم بهینه سازی تراکم ذرات (pso)، نقطه دانه¬های اولیه¬ی مورد نیاز الگوریتم خوشه¬بندی k-means را فراهم می¬کند. میانگین مقادیر بدست آمده برای معیارهای accuracy، si، of و ef در این روش به ترتیب 05/99%، 983/0، 992/0 و 25/0 هستند. در نهایت با استفاده از نتایج حاصل از روش¬های فوق که تومور قطعه¬بندی شده است، مرز ناحیه¬ی تومور در تصویر mri اصلی مشخص می¬شود. تصاویر مورد استفاده در این تحقیق از مرکز mri زنجان تهیه شده است. تعداد بیمارانی که مورد بررسی قرار گرفتند 30 مورد بوده و مجموع تصاویر mri مغز از نوع وزن¬دار t2 و flair به ترتیب 270 و 90 تصویر هستند.

از دیرباز تا امروز بشر همواره برای رسیدن به آسایش هر چه بیشتر و حمل و نقل آسان تر، در تلاش بوده و این امر سبب ایجاد وسایل نقلیه گردیده است. نیاز به کنترل آنها به منظور جلوگیری از تصادفات تا حد ممکن و در نتیجه کاهش تلفات جانی و مالی فراوان کاملاً احساس می شود. بخش بسیار عمده ای از وظیفه کنترل و هدایت وسایل نقلیه در خیابان ها و جاده ها توسط علائم راهنمایی و رانندگی انجام می شود. از طرف دیگر آمار نشان می دهد که خواب آلودگی راننده یکی از عوامل اصلی تصادفات و تلفات جانی در جاده ها می باشد. لذا در این پایان نامه سعی بر طراحی سیستمی برای تشخیص خستگی راننده و شناسایی علائم رانندگی داریم.سیستم طراحی شده برای تشخیص خستگی دارای سه مرحله کلی می باشد. در مرحله اول به کمک فضاهای رنگی مختلف ناحیه صورت را تشخیص می دهیم، مشکل اصلی در این بخش متغیر بودن فضاهای رنگی به شدت تغییرات نور می باشد، بنابراین انتخاب یک فضای رنگی مناسب و حد آستانه از وظایف مهم این بخش است. در مرحله بعدی پردازش هایی جهت شناسایی مکان دقیق چشم ها صورت گرفته و با حذف چین و چروک اطراف چشم تصویر برای پردازش در مرحله بعدی بهبود می یابد. در مرحله آخر با توجه به فاصله پلک ها و تعداد پیکسل های سفید خستگی راننده را تشخیص می دهیم. هم چنین از یک سیستم دو بخشی برای تشخیص و شناسایی علائم رانندگی استفاده کرده ایم. در مرحله اول از طریق رنگ حاشیه و بررسی پیوستگی پیکسل های شیئ، وجود علائم را تشخیص داده و با استفاده از فیلتر میانه نویز را حذف می کنیم. سپس برای بالا بردن سرعت در شناسایی از طریق روش هایی چون تبدیل هاف و ماشین بردار پشتیبان علائم را بر اساس شکل آن ها دسته بندی می کنیم. در نهایت با استفاده از چندین الگوریتم تطبیق الگو به تفسیر نوع علامت می پردازیم.

سیستم شناسایی چهره¬ ما دارای سه مرحله¬ می¬باشد: 1) پیش¬پردازش، مرحله¬ ایست که در آن چهره از تصاویر چهره استخراج شده و قسمت¬های غیر چهره حذف می¬شود. 2) استخراج ویژگی¬ها که در این مرحله، بردار ویژگی¬ها از تصاویر پیش پردازش شده، استخراج می¬شود. در این پایان نامه، استخراج ویژگی¬ها توسط چهار روش¬: هرم جهت گرادیان، الگوی باینری محلی، تبدیل ویولت گسسته و ترکیب ویولت گسسته با جهت گرادیان انجام می¬شود که تبدیل ویولت گسسته و ترکیب ویولت گسسته با جهت گرادیان، روش¬های پیشنهادی جدید ما هستند. 3) شناسایی که در این مرحله برای کاهش ابعاد ویژگی¬ها، روش pca (principal component analysis ) را به بردار ویژگی اعمال کرده و شناسایی را توسط فاصله اقلیدسی بین بردارهای ویژگی انجام می¬دهیم ( به غیر از روش الگوی باینری محلی، که در آن شناسایی، توسط فاصله¬ی chi square بین بردارها انجام می¬شود). نتایج آزمایشات روی بانک داده fg-net ارائه می¬شود و در ادامه به مقایسه¬ی عملکرد روش¬های پیاده سازی شده می¬پردازیم. نتایج آزمایشات نشان می¬دهد که روش ترکیب تبدیل ویولت گسسته با جهت گرادیان دارای بهترین عملکرد با دقت شناسایی 83/49% می¬باشد و پس از آن به ترتیب روش هرم جهت گرادیان با دقت شناسایی 31/45%، روش الگوی باینری محلی با دقت شناسایی 34/42% و در آخر روش تبدیل ویولت گسسته با دقت 99/12% کار شناسایی چهره غیر وابسته به سن را انجام می¬دهند.

تمام سلول های موجود زنده چند سلولی توالی های ژنتیکی مشابهی دارند، اما با بیان ژن مخصوص خود برنامه ریزی می شوند. این امر به انواع سلول های مجزا با عملکردهای تخصصی مختلف منجر می شود. بیان ژن توسط مکانیزم های اپی ژنتیک مثل تغییرات هیستون کارگردانی می گردد. در سلول های یوکاریوتیک، توالی dna به طول 147 جفت باز به دور پروتئین های هیستونی هشت تایی پیچیده می شوند. این پروتئین های هیستونی دارای دُم هایی هستند که می توانند از لحاظ بیوشیمیایی دچار تغییر شوند و در نتیجه با تحت تأثیر قرار دادن ماشین آلات رونویسی، بیان ژن را تنظیم کنند. پیشرفت تکنولوژی های ریز آرایه و توالی یابی dna، محققان را به سوی شناسایی الگوهای اپی ژنتیک سوق داده است. مطالعات آن ها نشان داده است که الگوهای اپی ژنتیکی مهم با مراحل رشد و نمو و بعضی بیماری ها مثل سرطان مرتبط هستند. این مطالعات به طور عمده به الگوهای اپی ژنتیکی کانونی محدودشده اند و روش های آنالیز در سطح کل ژنوم هنوز هم ناقص می باشد. در قیاس با کدهای ژنتیکی، فرض شده است که کدهای اپی ژنتیکی کنترل کننده بیان ژن نیز وجود دارند. این کدها، در واقع الگوهایی از تغییرات هیستون ها هستند. بعضی مطالعات نشان داده اند ژن هایی که در یک چرخه تنظیمی مشابه حضور دارند دارای الگوهای مشابه از تغییرات هیستون هستند. شناسایی الگوهای ناشناخته که به طور متناوب در توالی dna اتفاق می افتد، یکی از مسائل چالش برانگیز در علم بیوانفورماتیک است. این پژوهش روی مدل های محاسباتی برای پیش بینی تغییرات هیستون و اشغال نوکلئوزوم در کل ژنوم مخمر و استفاده از الگوی کدهای اپی ژنتیک (یعنی، کد هیستون) برای دسته بندی ژن های چرخه ppar و ژن های تصادفی خارج از این چرخه در ژنوم انسان تمرکز می کند. این پایان نامه ابتدا، یک روش مبتنی بر یادگیری ماشین برای دسته بندی توالی های dna با سطح بالا و پایین تغییرات هیستون را پیشنهاد می دهد. طرح پیشنهادی در یک دیتاست استاندارد با روش های دیگر مقایسه شده است. مقایسه نشان می دهد که طرح پیشنهادی 30% دقت تشخیص روش های قبلی را افزایش داده است. در ادامه به شناسایی الگوهای تغییرات هیستون در ژن های چرخه ppar و استفاده از این الگوها برای دسته بندی ژن ها می پردازیم. روش پیشنهادی اولین پژوهشی است که از اطلاعات اپی ژنتیک (الگوهای تغییرات هیستون) برای دسته بندی ژن ها استفاده می کند و دقت دسته بندی آن 92.8% است.

این پژوهش به موضوع فرا تفکیک پذیری که به فر آیند تولید تصویر رزولوشن بالا از یک یا چندین تصویر رزولوشن پایین گفته می شود، می پردازد. هدف اصلی این پژوهش علاوه بر بزرگ نمایی تصاویر دیجیتال، بازیابی جزئیات فرکانس بالای از دست رفته است. اغلب تحقیقات در زمینه فرا تفکیک پذیری به فرا تفکیک پذیری چند فریمی می پردازد که در آن اطلاعات غیر تکراری در بین مشاهدات رزولوشن پایین شیفت یافته بین پیکسلی چند گانه برای تولید تصویر رزولوشن بالا استفاده می شود. اخیراً برخی از تکنیک های فرا تفکیک پذیری تک تصویر ارائه شده است که در آن ها از یک تصویر مشاهده شده برای بازسازی استفاده می شود. روش های فرا تفکیک پذیری تک تصویری به طور کلی به سه دسته روش های مبتنی بر بازسازی، مبتنی بر مثال و مبتنی بر درون یابی تقسیم می شوند. اغلب این تکنیک ها براساس روش های ماشین بینایی و مبتنی بر یادگیری می باشند که در آن ها جزئیات فرکانس بالای از دست رفته در تصویر رزولوشن پایین، از داده های آموزشی آموخته می شوند. در این پژوهش، علاوه بر تعریف و آنالیز تکنیک های مشهور فرا تفکیک پذیری تک تصویر، سه روش جدید برای بازسازی تصویر رزولوشن بالا از یک مشاهده رزولوشن پایین را با به کاربردن یک مجموعه آموزشی پیشنهاد می دهیم. در روش اول، با الگوریتم های بهینه سازی تراکم ذرات و الگوریتم ژنتیک به مینیمم کردن تابع هزینه برای پیدا کردن پارامتر های یک روش مبتنی بر یادگیری می پردازیم؛ که تنظیم دقیق این پارامتر ها در کیفیت تصویر خروجی بسیار تأثیر دارد. این روش به طور میانگین معیار نسبت سیگنال به نویز را حدود 2/2 دسی بل افزایش می دهد. در روش دوم با استفاده از الگوریتم رقابت استعماری به جستجوی مقادیر مطلوب وزن های بازسازی برای همسایگی های هر تکه رزولوشن پایین با مینیمم کردن خطای بازسازی می پردازیم. تولید تکه رزولوشن بالا به طور همزمان به چندین همسایگی نزدیک خود در مجموعه آموزشی وابسته می باشد. ترکیب این همسایگی ها با یک ضریب وزنی، تکه رزولوشن بالا را می سازند. همچنین، به این دلیل که این روش بالا قادر به کنترل کردن اثر لرزشی در لبه ها نمی باشد، ما از روش انتشار به عقب خطا به عنوان گام پس پردازش برای حفظ صافی و لبه های افقی و عمودی استفاده می کنیم. الگوریتم پیشنهادی، معیار های اندازه گیری نسبت سیگنال به نویز و متوسط ریشه مربع خطا را به طور میانگین به ترتیب 8/2 دسی بل و 2/3 افزایش می دهد. کار دیگر ما در این پژوهش بررسی اثر داده های آموزشی بر روش مبتنی بر مثال می-باشد. یکی از محدودیت های این روش ذخیره سازی و جستجو در داده های آموزشی بزرگ است. ما روش های متفاوتی برای تولید مجموعه آموزشی و ساختار تکه های آموزشی پیشنهاد می دهیم و به بررسی اثر هرکدام می پردازیم. در مقایسه با دیگر تکنیک های بهبود تصویر، طرح پیشنهادی نسبت سیگنال به نویز و متوسط ریشه مربع خطا را به ترتیب 8/0 دسی بل و 65/0 بهبود می دهد. واژه های کلیدی: فرا تفکیک پذیری، رزولوشن، داده های آموزشی.

. مغز انسان بعنوان پیچیده ترین و حساس ترین بخش بدن نیز مانند سایر اعضا از گزند بیماری ها و مشکلات محفوظ نبوده و در نتیجه پزشکان زیادی سعی در درمان این بخش مهم از بدن بیماران را دارند. بیماری های مغزی بسیار متعدد و پیچیده و بعضا ناشناخته هستند. درمان این بیماری ها فقط در صورت تشخیص مناسب و به موقع آن ها امکان پذیر است. از این رو روش های تشخیص بیماری های مغز بسیار مهم و حیاتی هستند. امروزه ابزار های تصویر برداری مختلفی مثل اشعه ایکس، فراصوت، سی تی (ct) پزشکان را در رسیدن به این هدف یاری می کند. یکی از بهترین ابزار های تشخیص بیماری های مغزی تصویر برداری تشدید مغناطیسی(mri) است که با توجه به ویژگی های منحصر به فرد آن برای بافت های نرم مثل مغز بسیار مورد استفاده قرار می گیرد. پزشکان معمولان از این ابزار برای تشخیص بیماری برنامه ریزی جهت درمان و یا جراحی و همچنین بررسی نتایج درمان و جراحی استفاده می کنند. یکی از مشهور ترین روش های بخش بندی تصاویرmri روش آستانه گیری است. در این پایان نامه ما به منظور ارزیابی عملکرد، روش های اتسو و کاپور را که مبتنی بر انتخاب آستانه مناسب برای بخش بندی هستند را با الگوریتم های مختلف بهینه سازی مورد آزمایش قرار داده ایم. نتایج نشان می دهد که این روش ها با استفاده از الگوریتم کلونی زنبور عسل عملکرد بهتری را نسبت به سایر الگوریتم ها دارد. از آنجا که روش های مبتنی بر آستانه گیری از هیچ گونه اطلاعات فضایی موجود در تصویر استفاده نمی کنند، این روش ها در مقابله با نویز عملکرد ضعیفی را از خود نشان می دهند.روش دیگری که در این پایان نامه مورد بررسی قرار گرفت، روش خوشه بندی فازیfcm است که این روش نیز بسیار حساس به نویز است اما ما با دخالت دادناطلاعات فضایی تصویر در الگوریتم fcm توانستیم بهبود هایی را در هنگام مواجه شدن با نویز ایجاد کنیم. با توجه به اینکه استفاده از اطلاعات فضایی محلی آنگونه که باید الگوریتم مذکور را نسبت به نویز ایمن نمی کند، ما ابتدا از اطلاعات فضایی غیر محلی تصویر، برای این منظور بهره می بریم. در نهایت با توجه به اینکه پیکسل های محلی تصویر حامل اطلاعات با ارزشی برای تبیین همسایگی خود هستند، ما از ترکیب اطلاعات فضایی محلی و غیر محلی برای مقابله با نویز در fcm بهره می بریم. نتایج حاصل از اعمال این روش به تصاویر مختلف که به نویز های گوناگون آلوده شده اند نشان می دهد که استفاده از این اطلاعات الگوریتم fcm را نسبت به نویز مقاوم می کند.

این پژوهش به موضوع نهان نگاری در تصاویر دیجیتال با مفهوم ارسال پنهانی اطلاعات همراه با تصویر می پردازد. هدف اصلی این پژوهش ارائه یک طرح جامع نهان نگاری با امنیت بالا در مقابل حملات نهان کاوی است. در این طرح، نهان نگار قادر است هر داده با اندازه بزرگ را با امنیت بالایی در تصاویر پنهان نماید. دلیل انتخاب مسئله نهان نگاری مقاوم در پایان نامه حاضر، امنیت پایین روش های نهان نگاری موجود و رشد روزافزون روش های بررسی وجود پیام مخفی و در نتیجه ناامن بودن تصاویر حاوی پیام است. در این پایان نامه ابتدا روش هایی برای نشان گذاری اطلاعات مهم در تصویر و نهان کاوی تصاویری که به روش بیت کم ارزش نهان نگاری شده اند ارائه می کنیم. سپس به طراحی سیستم نهان نگاری تطبیقی با محتوای تصویر می پردازیم که از دو بخش مهم و مجزا تشکیل شده است. بخش اول آن طراحی الگوریتم جایگذاری با راندمان بالا است که در آن از کدهای بررسی توازن کم چگالی (ldpc) برای جایگذاری بیت های پیام استفاده می کنیم. در بخش دوم به طراحی قاعده گزینشی در حوزه مکان می پردازیم تا مکان های مناسب برای پنهان کردن پیام را مشخص کنیم، به طوری که جایگذاری بر اساس آن، امنیت طرح نهان نگاری را بالا برد. طرح نهان نگاری پیشنهادی در این پایان نامه با استفاده از یک پایگاه داده تصاویر استاندارد به نام boss با الگوریتم های دیگر نهان نگاری مورد مقایسه قرار گرفته است. در این مقایسه نشان داده شده است که طرح پیشنهادی دقت شناسایی روش های بررسی وجود پیام پنهان را حدود 10 درصد کاهش و ظرفیت نهان نگاری را حدود 1/5 برابر افزایش می دهد. به این ترتیب می توان از طرح نهان نگاری پیشنهادی برای پنهان کردن داده محرمانه تا نرخ 0/44به صورت امن استفاده نمود. واژه های کلیدی: امنیت، ارتباط محرمانه، نهان نگاری، قاعده گزینش، اثر جایگذاری، نهان کاو.

با توجه به گسترش تکنیک های چندرسانه ای دیجیتال ،نیاز به محافظت در برابر کپی برداری از اطلاعات چند رسانه ای ضروری به نظر می رسد.برای پاسخ به این نیاز تکنیک های مختلف نشان گذاری مطرح شده اند. این پژوهش به موضوع نشان گذاری در تصاویر دیجیتال با مفهوم جای گذاری پنهانی اطلاعات در تصویر می پردازد. هدف اصلی این پژوهش بررسی روش های موجود و یافتن روش بهینه در راستای نشان گذاری مقاوم به حملات هندسی می باشد.دلیل انتخاب مسئله نشان گذاری مقاوم در این پایان نامه اهمیت حملات هندسی در تخریب اطلاعات نشان گذاری شده است. در این پایان نامه ابتدا با روش های موجود در حوزه ی نشان گذاری اطلاعات درتصویر آشنا می شویم.تعدادی از روش ها پیاده سازی شده اند و نتایج مقایسه گردیده اند،سپس طرح نشان گذاری پیشنهادی مطرح می گردد که بر اساس نوع نشان، شامل دو روش می باشد،در روش اول نشان،تصویر باینری است و در روش دوم از یک رشته باینری تصادفی به عنوان نشان استفاده شده است.در مرحله ی تعبیه ی نشان،از ترکیب تبدیل های کسینوسی گسسته،موجک و تجزیه مقدار تکین بهره گرفته ایم ودر بخش تشخیص نشان،سعی در یافتن تصویراولیه از تصویری داریم که مورد حمله قرار گرفته است ،در ادامه نیز توضیح کاملی از روش k-means ارائه می دهیم.در نهایت الگوریتم های پیشنهادی با الگوریتم های دیگر نشان گذاری مورد مقایسه قرار گرفته اند .در این مقایسه ها نشان داده شده است که طرح پیشنهادی مقاومت بالاتری نسبت به حملات هندسی دارد به طوری که در روش اول کمترین مقدار nc بدست آمده 0.920 می باشد، همچنین در روش دوم نشان داده شده است که روش ما دارای بالاترین ظرفیت(1024بیت) نشان گذاری است و در حملات برش نرخ خطای بیت مقدار صفر داشته و در سایر حملات نیز از مقدار خوبی برخوردار می باشد.به این ترتیب می توان از طرح نشان گذاری پیشنهادی برای پنهان کردن اطلاعات به صورت مقاوم استفاده نمود.

امروزه تصاویر ویدیویی کاربرد های بسیاری داشته و از اهمیت بالایی برخوردارند.با توجه به حجم بالای این نوع از تصاویر وهمچنین محدودیت های حافظه و پهنای باند،مبحث فشرده سازی در این تصاویر دارای اهمیت بسیار است.اصلی ترین بخش فشرده سازی تصاویر ویدیویی، تخمین حرکت می باشد. روش های بسیاری برای تخمین حرکت وجود دارد که در این پایان نامه دو مورد از مهمترین آنها مورد بررسی قرار گرفته و تلاش شده است تا بهبود هایی در این روش ها صورت گیرد.

چکیده ندارد.

چکیده ندارد.