بهسازی گفتار یکی از مهمترین موضوعات در زمینه مخابرات و پردازش سیگنال می باشد. در مخابرات صوتی ، ممکن است سیگنال صحبت با نویز محیط آلوده شده، و در نتیجه کیفیت ارتباط را به دلیل کاهش قابلیت فهم گفتار تحت تاثیر قرار دهد. همچنین فشرده سازی صحبت نویزی با کد کننده های نرخ پایین صحبت، باعث کاهش قابل توجه کیفیت گفتار خواهد شد،که این امر به دلیل خطای تخمین مکرر در پارامترهای مدل تولید کننده صحبت می باشد. این مشکل را می توان تا حد زیادی با استفاده از سیستم بهسازی گفتار ( حذف نویز ) ، که با حذف مولفه های نویز در سیگنال ورودی باعث افزایش کیفیت گفتار می شود، برطرف کرد. در میان تکنیکهای بهسازی گفتار، روشهای مبتنی برتبدیل فوریه گسسته (یا stsa ) بیشتر مورد بررسی قرار گرفته اند. رایج بودن بهسازی گفتار بر اساس stsa تنها به دلیل پیچیدگی محاسباتی کم آنها نمی باشد، بلکه اخیرا تکنیکهای ارائه شده در این روش، به طور قبل توجه قادر به افزایش بهبود کیفیت گفتار می باشند.در این پایان نامه جزئیات تکنیکهای معروف بهسازی گفتار بر اساسstsa بررسی می شوند. و در انتها روشی برای بهبود عملکرد سیستم بهسازی گفتار در شرایط نویز غیر ایستان پیشنهاد می گردد.

چکیده: یکی از اهداف مهم تربیت بدنی ارتقای وضعیت بدنی، افراد جامعه از طریق فعالیت های جسمانی است. ستون فقرات به عنوان مهمترین بخش از سیستم اسکلتی، دارای نقش موثری در حفظ پایداری وضعیت بدنی است. در ستون فقرات انسان قوس هایی وجود دارند که باعث تعدیل نیروهای بوجود آمده از طرف سطح می شوند. روش های متعددی برای ارزیابی وضعیت بدن انسان وجود دارد که هر کدام دارای مزیت ها و معایبی می باشند. روش های ارزیابی راستای ستون فقرات به طور کلی به دو دسته تهاجمی و غیر تهاجمی تقسیم بندی می شوند. روش های تهاجمی خطرات اجتناب ناپذیری را به دنبال دارند. از جمله این خطرات می توان به سرطان استخوان در مردان و سرطان پستان و سقط جنین در زنان اشاره کرد. در این تحقیق یک روش دقیق برای محاسبه ی زوایای کیفوز پشتی، لوردوز کمری، شانه نابرابر و لگن نابرابر ارائه شده است، که در زمان اندک و با صرف هزینه ی معقول، قادر به اندازه گیری زوایای مربوط به این ناهنجاری ها می باشد. برای ارزیابی روش پیشنهادی، مقادیر زوایای کیفوز پشتی، شانه نابرابر، لگن نابرابر و لوردوز کمری برای 60 نفر از دانشجویان کارشناسی ارشد دانشگاه بیرجند با میانگین و انحراف استاندارد سن برابر 0.79 ± 25.35 سال، وزن 2.5±72.52 کیلوگرم و قد 1.5± 176.49 سانتیمتر با استفاده از روش پیشنهادی استخراج شد. مقادیر زوایای ناهنجاری های کیفوز و لوردوز هر آزمودنی توسط روش های دیگر از جمله خط کش منعطف و اسپاینال موس بدست آمد. و در نهایت برای اثبات دقت روش پیشنهادی، میزان همبستگی زوایای بدست آمده از هر یک از روش ها با زوایای بدست آمده از عکس های x-ray مقایسه شد. بر اساس نتایج بدست آمده، میزان همبستگی روش پیشنهادی با روش عکس های x-ray در ناهنجاری کیفوز 98/0 و برای لوردوز 96/0 می باشد. میزان همبستگی بیشتر زوایای روش پیشنهادی در مقایسه با سایر روش های اندازه گیری(خط کش منعطف و اسپینال موس) نشان از نزدیک تر بودن زوایای بدست آمده از این روش نسبت به سایر روش های اندازه گیری (اسپینال موس و خط کش منعطف) می باشد. بنابراین بر اساس میزان همبستگی (روایی) زوایای هر یک از روش ها می توان دقت روش ها را با یکدیگر مقایسه کرد. از آنجایی که میزان همبستگی روش پیشنهادی از سایر روش ها بالاتر بدست آمد، در نتیجه می توان بیان کرد که دقت روش پیشنهادی از سایر روش ها (اسپینال موس و خط کش منعطف) بالاتر است.

از نظر عملی مسئله خوشه یابی به عنوان یک هدف اولیه در بازشناسی الگو مطرح است و به علت کاربرد فراوان آن در زمینه هایی مثل داده کاوی، پردازش تصویر و ماشین بینایی توجه بسیاری از محققان را به خود جلب کرده است. تاکنون از روش های ابتکاری مختلفی به منظور خوشه یابی استفاده شده است. در اکثر روش های خوشه یابی، نیاز است تا تعداد خوشه ها از قبل توسط کاربر مشخص شود (خوشه یابی نظارت شده) که در اکثر موارد چنین اطلاعاتی در دسترس نیست و این به عنوان یکی از معایب اینگونه روش ها به حساب می آید البته الگوریتم های مختلفی برای رفع این مشکل ارائه شده است که از آن جمله می توان به dcpso، vliga، gcuk و mepso که مبتنی بر روش های هوش جمعی می باشد، اشاره کرد. در این تحقیق سعی شده است که یک روش خوشه یابی نظارت نشده به منظور خوشه یابی تصاویر با استفاده از الگوریتم بهبود یافته جستجوی گرانشی ارائه شود. در ابتدا الگوریتم جستجوی گرانشی که یک الگوریتم جدید در زمینه هوش جمعی است معرفی شده و پس از بهبود عملکرد آن، (با الهام از پدیده سیاهچاله ها در طبیعت) الگوریتم خوشه یابی مورد نظر ارائه می گردد. در پایان پس از بررسی عملکرد الگوریتم پیشنهادی بر روی تعدادی مجموعه داده آزمایشی، در دو کاربرد کوانتیزه سازی و ناحیه بندی تصویر مورد بررسی قرار می گیرد.

در سالیان اخیر استفاده از سیستم های هوشمند در علوم مهندسی به ویژه در تشخیص بیماری به طور چشم گیری افزایش پیدا کرده است. در زمینه ی تشخیص هوشمند بیماری های قلبی با استفاده از سیگنال های صوتی و سیگنال های الکتروکاردیوگراف نیز روش های متعددی ارائه شده است. از جمله ی این روش ها می توان به مدل های مبتنی بر آنالیز چند جمله ای سیگنال های قلبی، شبکه های عصبی، الگوریتم های مبتنی بر منطق فازی، ماشین های بردار پشتیبان و سایر روش های مقایسه ای بر پایه ی پارامتر های آماری اشاره نمود. علاوه بر این، روش های ترکیبی زیادی نیز بر اساس ترکیب نتایج الگوریتم های ذکر شده ی فوق مطرح شده اند. در این پایان نامه از یک الگوریتم سه مرحله ای برای تشخیص شش نوع بیماری و کارکرد طبیعی قلب با استفاده از سیگنال های صوتی قلب و نیز تشخیص چهار نوع بیماری و کارکرد طبیعی قلب با استفاده از سیگنال الکتروکاردیوگراف استفاده شده است. در روش پیشنهادی ابتدا به منظور کاهش نویز و انتخاب سیکل ضربانی شامل بیماری مورد نظر یک مرحله پیش پردازش روی سیگنال انجام می شود. در مرحله ی بعد ویژگی های زمانی و طیفی مناسب، از روی سیگنال انتخاب شده و با یکدیگر ترکیب می شوند. بردارهای ویژگی حاصل با استفاده از چند سیستم مرکب چند مرحله ای با ساختار عصبی مختلف طبقه بندی شده و تشخیص بیماری مربوط به آن سیگنال به کمک ترکیب در سطح تصمیم انجام می شود. نتایج حاصل از روش پیاده سازی در مقایسه با روش های موجود، در حد قابل ملاحظه ای بهبود یافته است. این امر نشان می دهد که ارائه ی روش های مناسب برای ترکیب در سطح تصمیم، که در حقیقت مدلی از مشاوره ی پزشکی می باشد، قادر است تشخیص بیماری را با ضریب اطمینان بیشتری انجام دهد.

تعمیر و نگه داری برای افزایش بهره وری و کاهش زمان از کار افتادن تجهیزات که منجر به کاهش تولید می گردد، یکی از موارد مهم تاثیر گذار در بهره وری و افزایش راندمان یک سیستم صنعتی می باشد. به ویژه در صنعت برق مطالعه و پژوهشهای گوناگونی صورت گرفته است. یکی از روشهای متداول کنونی در صنعت برق بازدید بصری خطوط انتقال و شبکه توزیع می باشد. این روش علاوه بر هزینه و نیاز به نیروی انسانی با تجربه، از دقت ناچیزی برخوردار است. امروزه استفاده از فن آوری ترموویژن در صنایع، کاربردهای گوناگونی پیدا نموده است. در این پژوهش استفاده از فن آوری ترموویژن به منظور بهبود روشهای جاری تعمیر و نگه داری در صنعت برق، پیشنهاد گردیده است. با افزایش عمر خطوط توزیع و انتقال به بیشتر از ظرفیت عملکرد آنها و مشکلات پیچیده ای که در ساختن شبکه جدید وجود دارد، باید تسهیلاتی در مواجه با افزایش تقاضا برای مصرف انرژی ایجاد کنیم به طوریکه بتوانیم خطوط فعلی را در بیشترین راندمان نگه داریم برای انجام این کار بالطبع نیاز به بازرسی و نگهداری مداوم خطوط انتقال می-باشد. به دلیل در معرض عوامل جوی قرار گرفتن، مواد خاصیت الکتریکی شان را ازدست می دهند علاوه بر این معمولا مولفه ها ودستورالعملهای مهمی پیشنهاد نشده اند تا کنترل کیفیت جدی در طول فرایندهای ساخت انجام گیرد. لذا کاملا امکانپذیره که معایبی وجود داشته باشد و نیاز به بازرسی و نظارت داریم تا نقصها دیده وآشکار شوند. همچنین می توان انگیزه اقتصادی و تنزل و کاهش خطرات انسانی همراه با نگهداری و بازرسی عملیات در خطوط را مهمترین عوامل برای توسعه سیستمهای بازرسی، نگهداری دانست. با توجه به توسعه وگسترش صنعت برق و وجود سطوح مختلف در این صنعت و اهمیت و نقش کلیدی که در توسعه کشور دارد می بایست معضلات و مشکلات موجود در این بخش از صنعت با ژرف نگری بیشتری تعقیب شود. وجود نگرش جدید مبنی بر افزایش بهره وری موجب شده تا با کاستن از میزان عیوب و لذا اتخاذ تمهیداتی در این ارتباط راندمان بالاتری از این صنعت طلب شود. به خصوص در ارتباط با شبکه های توزیع که به دلیل پراکندگی وگستردگی دربسیاری موارد دسترسی به انها دشوار است، این بحث عمیق تر و ریشه دارتر می شود. بکارگیری روشهای تعمیر و نگهداری در صنایع و پایه ریزی اصول نگهداری و تعمیرات پیشگیرانه قدمتی بیش از50 سال دارد تا کنون روش های متفاوتی در ارتباط با پایش وضعیت شبکه های برق عرضه شده است از طرفی می توان به روشهایی مانند تعمیرات بعد از خرابی، نگهداری و تعمیرات پیشگیرانه و تعمیرات با دیدگاه بهره وری اشاره نمود]8 و7[. اما امروزه جدای از این روش ها دیدگاه پیشگیری قبل از خرابی به عنوان اصلی ترین دیدگاه در نظرگرفته شده در یک سیستم نگهداری وتعمیرات است. البته با توجه به پیشرفت تکنولوژی، پایش دایم وضعیت تجهیزات با دیدگاههای فوق و اجرای روشهای مراقبت وضعیت و انجام نگهداری و تعمیرات پیشگویانه از روشهای موفق و موثر جهت تحقق اهداف اشاره شده می باشد. امروزه شرکتهای بسیاری در سراسر دنیا به منظور جلوگیری از خرابی ها و بهبود قابلیت اطمینان شبکه های برق از تصویر برداری حرارتی (مادون قرمز) استفاده می کنند. درواقع بازرسی فنی تجهیزات الکتریکی توسط دوربینهای حرارتی موثرترین روش برای عیب یابی پیشگیرانه است. از طرفی درتمامی روشهای پیشگیرانه و همچنین در استفاده از تصویر برداری مادون قرمز تجزیه تحلیل و تفسیر تصاویر حرارتی به صورت سنتی و چشمی انجام می گیرد و روشی سیستماتیک که به صورت هوشمند به تشخیص نوع عیب بپردازد ارائه نگردیده است که با توجه به گستردگی، تنوع و پراکندگی شبکه های توزیع لزوم این مهم ملموستر می باشد در این پایان نامه با استفاده از تصاویر واقعی که از پستهای توزیع هوایی و زمینی در شبکه شمالغرب تهران تهیه گردیده است روشی برای تشخیص هوشمند عیوب تجهیزات الکتریکی ارائه می گردد. ادامه پایان نامه به صورت زیر است در فصل اول تحقیقات و مطالعاتی که در عیب یابی شبکه های برق انجام گرفته بررسی می گردد. در فصل دوم خطاها و معایب مرسوم در شبکه های توزیع بررسی می گردد و روشهای فعلی نگهداری و تعمیرات را معرفی می کنیم در فصل سوم نحوه طراحی سیستم هوشمند عیب یاب ارائه می شود نحوه جدا سازی عیوب تجهیزات الکتریکی و استخراج ویژگی از تصاویر در این فصل بررسی می گردد. چگونگی طراحی کلاسی فایر، نتایج شبیه سازی انجام گرفته و همچنین نحوه انتخاب ویژگی در فصل چهارم ارائه خواهد شد.

چکیده - فرآیند فلوتاسیون یکی از پیچیده ترین فرآیندهای صنعتی برای خالص سازی مواد ارزشمند معدنی است. کنترل و مدل سازی این فرآیند به خاطر تاثیر پارامترهای گوناگون بر روی آن بسیار مشکل و چالش برانگیز است. تحقیقات صورت گرفته در این زمینه حاکی از این است که ساختار ظاهری کف جمع شده بر روی سلول فلوتاسیون رابطه مستقیمی با فعل و انفعالات درونی سلول دارد، بنابراین استخراج ویژگی های ظاهری کف نقش مهمی در کنترل این فرآیند دارد. ویژگی های ظاهری کف که در کنترل فرآیند فلوتاسیون مورد استفاده قرار می گیرند شامل اندازه حباب ها، رنگ کف، شکل ظاهری حباب ها، پایداری و میزان تحرک حباب ها می باشد. بنابراین ناحیه بندی تصاویر کف به حباب های تشکیل دهنده آن گامی کلیدی برای استخراج ویژگی از تصاویر کف محسوب می شود. با پیشرفت تکنیک های پردازش تصویر دریچه ای برای کنترل این فرآیند با استفاده از تکنولوژی های جدید ماشین بینایی بر روی محققان گشوده شد. علی رغم پیشرفت های فراوانی که در زمینه اندازه گیری حباب های روی کف فلوتاسیون صورت پذیرفته ولی به دلیل ساختار بی نظم و پر هرج و مرج حباب ها هنوز روش مناسبی برای اندازه گیری دقیق حباب های ریز و درشت بطور همزمان وجود ندارد. در این پایان نامه با ارائه الگوریتمی جدید کف فلوتاسیون را به حباب های تشکیل دهنده آن ناحیه بندی نموده و با استفاده از نتایج ناحیه بندی، ویژگی های دینامیک آن مانند سرعت کف و میزان پایداری حباب ها تعیین شده و بدین طریق ویژگی های اصلی جهت کنترل فرآیند فلوتاسیون حاصل می شود.

توزیع ابعادی ذرات پس از استخراج و در مراحل مختلف خردایش (به ویژه خوراک آسیاهای خودشکن یا نیمه خودشکن) از جمله مهم ترین پارامترها به منظور شبیه سازی و کنترل فرآیندهای استخراج و فرآوری مواد معدنی می باشد. تعیین توزیع ابعادی ذرات در مدارهای صنعتی معمولاً با استفاده از نمونه برداری دستی و آنالیز سرندی انجام می گیرد که روشی زمان بر، سخت و نیازمند توقف عملیات (توقف نوار نقاله) است. امروزه با توسعه کامپیوترها، دوربین های با کیفیت بالا و نرم افزارهای پردازش تصویر، امکان اندازه گیری روی جریان ابعاد ذرات در کوتاه ترین زمان ممکن و بدون ایجاد اختلال در فرآیند باربری فراهم شده است. هدف از بررسی حاضر، تعیین دانه بندی ذرات با استفاده از شبکه های عصبی مصنوعی و ویژگی های انتخاب شده به کمک تکنیک پردازش تصویر می باشد. به دلیل پیچیدگی مساله و تاثیر عوامل مختلف مربوط به مراحل استخراج ویژگی بر دقت انداره گیری توزیع ابعادی ذرات، در این تحقیق ابتدا تحلیل جامعی روی دقت توصیف گرهای سطحی یا طولی مختلف در تخمین وزن ذرات ارائه شده است. در این مرحله، تاثیر خطاهای ناشی از ناحیه بندی تصویر با استفاده از تصویر ذرات ناهمپوشان منیزیت حذف شده است به این ترتیب که تصاویر متعددی از ذرات ناهمپوشان منیزیت تهیه شده و تخمین توزیع ابعادی آنها با استفاده از شبکه ی عصبی پرسپترون چند لایه و ویژگی های مختلف به صورت جداگانه و ادغام این ویژگی ها با استفاده از روش تحلیل مولفه ی اصلی به دست آمده است. نتایج این مرحله نشان می دهد که یک ویژگی به تنهایی قادر نیست توصیف کاملی از توزیع ابعادی ذرات ارائه نماید و ادغام ویژگی ها تخمین دقیق تری از توزیع ابعادی ذرات در اختیار می گذارد. در ادامه تحقیق و برای اعمال روش روی داده های صنعتی (تصاویر ذرات موجود روی نوار نقاله بعد از مرحله سنگ شکنی اولیه در کارخانه فرآوری معدن مس قلعه زری)، فقط از ویژگی سطح ذره استفاده شده است. نتایج نشان می دهد که با تصویربرداری مطلوب و استفاده از الگوریتم های ناحیه بندی مناسب، امکان تخمین توزیع ابعادی ذرات با دقت قابل قبول توسط شبکه ی عصبی فراهم می باشد.

آشکارسازی لبه یکی از مراحل اساسی در پردازش تصاویر است. با وجود اینکه تا کنون روش های زیاد و متنوعی برای آشکارسازی لبه ارائه شده اند، اما یک روش جامع و قابل کاربرد در زمینه های گوناگون و انواع مختلف لبه ها ارائه نشده است. در این پایان نامه دو روش برای آشکارسازی لبه پیشنهاد شده است؛ روش نخست یک روش حساس به جهت چند مقیاسی است که هر یک از مراحل پردازشی آن بر اساس عملکرد ساختار مربوطه در سیستم بینایی انسان طراحی گشته است. در مدل پیشنهادی، مقادیر آستانه برای عملکرد سلول ها به صورت سازگار و بر اساس وسعت میدان دریافت در چارچوب یک تابع غیرخطی دو پارامتری محاسبه می شوند. مدل سازی حساسیت جهتی سلول های بینایی سیستم بینایی انسان با استفاده از توابع گابور حساس به جهت انجام شده است؛ در نهایت یک سیستم فازی برای مدل سازی تحلیل چند مقیاسی و ترکیب نتایج مقیاس های مختلف به کار رفته است. روش دوم با استفاده از تفاضل پاسخ دو سلول ساده ی متعامد و سپس آستانه گیری غیرخطی عمل آشکارسازی را انجام می دهد. برای مقایسه ی نتایج، یک روش نوین بر پایه ی الگوریتم ژنتیک معرفی شده است. نتایج پیاده سازی روش های پیشنهادی روی طیف وسیعی از تصاویر مختلف با نتایج مربوط به آشکارساز لبه ی کنی مقایسه شده است. نتایج به دست آمده نشان می دهد که الهام از عملکرد سیستم بینایی بهبود چشمگیری در آشکارسازی لبه به دنبال داشته است.

چکیده شناسایی اشیاء برجسته یک مرحله ی اساسی در تجزیه و تحلیل تصویر می باشد. در این پژوهش یک روش ترکیبی برای آشکارسازی شئ برجسته پیشنهاد شده است. در روش ارائه شده، با استفاده از مدل پاسخ سلول های مرکز روشن و مرکز خاموش سیستم بینایی انسان در قالب فیلتر تفاضل گوسی حساس به جهت و به دنبال آن آستانه گذاری غیرخطی، برای هر ویژگی تصویر ورودی یک نقشه ی برجستگی محاسبه می شود. این مدل علی رغم سادگی و پیچیدگی محاسباتی کم قادر است نقشه ی برجستگی را برای طیف وسیعی از تصاویر به خوبی استخراج کند. همچنین مدل عملکرد سیستم بینایی به حساسیت تباین برای برجسته کردن لبه های رنگ استفاده شده است. علاوه بر این، با توجه به این پیش فرض که شئ برجسته به طور معمول در مرکز تصویر قرار دارد یک خوشه بندی موثر از تصویر ورودی با استفاده از الگوریتم k-means به دست آمده و به خوشه های واقع در مرکز تصویر وزن بیشتری اختصاص می یابد. نقاط مربوط به شئ برجسته با استفاده از ادغام مناسب اطلاعات خوشه بندی پردازش شده، اطلاعات نقشه ی برجستگی و اطلاعات تباین رنگ استخراج شده و در نهایت اعمال آستانه گذاری، آشکار شده اند. برای یکپارچه شدن نقاط آشکار شده از پس پردازش های مورفولوژی استفاده شده است. نتایج پیاده سازی روی تصاویر متفاوت نشان می دهد که روش ارائه شده در مقایسه با روش های مشابه قادر است محل شئ برجسته را به خوبی آشکار نماید.

تصاویر mri ی مغز مهم ترین ابزار مورد نیاز برای مطالعه و بررسی آسیب های مغزی می باشد. تجربه نشان می دهد که استخراج اطلاعات برای تشخیص بیماری های مختلف از روی تصاویر mriبه خوبی توسط پزشک قابل انجام است. در سال های اخیر استفاده از امکانات بینایی ماشین در پردازش تصاویر پزشکی توجه محققین زیادی را به خود جلب کرده است. با توجه به تحلیل کیفی و همراه با خطای سیستم بینایی انسان، استفاده از تحلیل های کمی و بالا بردن دقت این تحلیل ها در قالب الگوریتم های مختلف پردازش تصویر به تشخیص بهتر بیماری کمک می کند. در زمینه بررسی ضایعات مغزی از روی تصاویر mriتا کنون کارهای زیادی انجام شده است. برای این منظور مراحل مختلف پردازشی انجام می شود. دقت در هر کدام از این مراحل می تواند نتیجه ی تشخیص را تحت تأثیر قرار دهد. در این تحقیقابتدا با استفاده از فیلتر های موجود در پردازش تصویر عمل رفع نویز و هموار سازی صورت پذیرفته است. سپس عملکرد این فیلترها از نظر هموار سازی و از بین بردن نویز هایی که روند کار تشخیصی را با مشکل مواجه می کند، باهم مقایسه شده و بهترین فیلتر مورد استفاده قرار گرفته است. پس از آندو روش جدید برای استخراج ناحیه ی مربوط به مغز انسان از میان بافت استخوان و چربی و ناحیه بندی آن به نواحی بافت سالم و سرطانی ارائه شده است. در ادامه، تصاویر مورد نظر از دو پایگاه داده با مشورت پزشک بدست آمدهاست. این تصاویر با استفاده از الگوریتم خوشه بندیk-meanو آستانه یابی مبتنی بر آنتروپیناحیه بندی شده که توسط آن حجم و موقعیت ناحیه بافت سرطانی آشکارسازی شده است. در مرحله تشخیص و تفکیک تصاویری که شامل بافت سرطانی و نرمال می-باشند، یک روش مبتنی بر عدم تقارن برای استخراج ویژگی از روی نواحی مربوط به بافت های سرطانی ارائه شده است. نتایج شبیه سازی ها نشان می دهند که یک طبقه بندی کننده ی عصبیبه خوبی قادر است با استفاده از ویژگی های استخراج شده ی قبلی برای تشخیص موارد سکته آموزش ببیند و موارد سکته را به خوبی تشخیص دهد.

افزایش روزافزون تصاویر دیجیتال از اماکن و محیط ها و اشیای مختلف و هزینه پائین ذخیره سازی و سهولت کار در اینترنت و وب سایت ها، نیاز به طراحی یک ماشین جستجوگر تصویر، با توانایی پرداخت به تمام نیازهای کاربر، در سال های اخیر به شدت افزایش داده است. بازیابی تصویر رشته ای است که با جستجوی دیجیتال تصاویر از پایگاه های داده تصاویر سروکار دارد. امروزه تلاش های بسیاری برای افزایش سرعت و بازدهی بازیابی تصاویر انجام می شود. هدف این پایان نامه، ارائه سیستمی مناسب برای بازیابی تصاویر دیجیتال مبتنی بر محتوای تصاویر است که در پایگاه های داده متفاوت بازدهی بیشتری داشته باشد و تصاویر مشابه با تصویر مورد سوال را به بهترین نحو افزایش دهد. در این پایان نامه چند سیستم جدید برای بازیابی تصاویر مبتنی بر محتوا با ترکیب ویژگی های رنگ و بافت و استفاده از تکنیک های مختلف ارائه شده است. از تبدیل موجک گسسته و تبدیل کسینوسی گسسته برای استخراج ویژگی های بافت تصویر و از روش های کلاسه بندی و روش های کاهش بعد در سیستم های بازیابی مبتنی بر محتوای پیشنهادی استفاده کرده ایم. پس از اعمال روش های پیشنهادی بر روی سه پایگاه داده متفاوت، نتایج را با چند روش بازیابی بکار رفته در استاندارد mpeg-7 و تحقیقات و مقالات مقایسه کرده ایم. در بخش نتایج نشان داده ایم که در هر پایگاه داده، یکی از روش های بازیابی بازدهی بهتری نسبت به دیگر روش ها دارد به این معنا که یک روش وجود ندارد که در هر سه پایگاه داده بهترین بازدهی را از خود نشان دهد. در ادامه در هر پایگاه داده سه روشی را که بازدهی بهتری نسبت به بقیه روش ها دارد لیست کرده ایم که نشان می دهد روش پیشنهادی ترکیب hdwt2 و dct جزء سه روش برتر در هر پایگاه داده است.

مغز انسان هر روزه حجم وسیعی از داده‎های با ابعاد زیاد همچون تصاویرو گفتگوها را به صورت مستمر پردازش و بازشناسی می‎کند. با آنکه ماشین‎ها سرعت محاسباتی بالایی دارند اما از این حیث از انسان بسیار ضعیف‎تر هستند. الگوریتم‎هایی که قادر بر تقلید و بازسازی روش‎های محاسباتی و یادگیری مغز باشند، راه حل بر‎طرف کردن ضعف ماشین‎ها در این زمینه هستند. در این پروژه نیز هدف، رسیدن به مدلی از ادراک بینایی برای تشخیص شیء است و سعی براین است که با استفاده از ترکیب مباحث پردازش تصویر و طبقه‎‎بندی‎کننده‎ها مدلی با رفتار مشابه مغز در فرآیند بازشناسی و تشخیص شیء ارائه گردد. مسیر حرکت در این پروژه با پیاده‎سازی مدل استاندارد بازشناسی شیء (hmax) شروع می‎شود. از پایگاه داده‎ی caltech برای محک مدل های پیشنهادی استفاده شد، به نظر می‎رسد مغز انسان در مواجهه با این چنین تصاویر از دو رویکرد پردازشی و تحلیلیِ تصویر استفاده می‎کند که به بررسی این دو رویکرد پرداخته شده است. در نهایت یک ساختار سلسله مراتبی متأثر از ساختار سلسله مراتبی سیستم بینایی در مغز انسان و ترکیب دو رویکرد مورد بررسی، ارائه و با انجام آزمایشات، نشان‎داده‎شد که این ساختار در بازشناسی اشیاء به طور مقاوم عمل می‎کند. دو مدل اولیه و مدل نهایی ارائه شده، نمایانگر این است که پردازش های چندگانه موجود در مدل به بازشناسی دقیق تر اشیاء منجر می شوند. به احتمال زیاد چنین رفتارهایی در ماژول‎های مغز انسان نیز وجود دارد. ساختار نهایی طراحی شده در این پروژه بر طبق انتظار ما توانسته مولفه‎های پیچیده‎ در تصاویر پایگاه داده‎ی caltech را استخراج کنند و درکی از آن داشته باشد.

هدف یک سیستم بازشناسی الگو قراردادن الگوها با کمتـرین خطـا، در کـ?س مربـوط بـه خودشـان اسـت. بازشناسی ارقام دستنویس فارسی یکی از مسائل مهم در حوزه بازشناسی الگو می-باشد. تحقیقات در این زمینه چندین دهه است که آغاز شده است و هنوز هم در حال پیشرفت می-باشد. در?سیستم های معمولی بازشناسی الگو از یـک طبقـه بنـد اسـتفاده مـی شـود کـه ?زمـه آن، بکـارگیری یـک مـدل? طبقه بندی پیچیده یا استفاده از ویژگی های پیچیده است که زمان پردازش را طو?نی می کند. در اوایـل دهـه 90?می?دی، ایده استفاده از ترکیب چند طبقه بند سادهتر بجای یک طبقـه بنـد پیچیـده مطـرح شـد. در ایـن ایـده، ایجـاد? طبقه بندهای پایه و انتخاب قاعده ترکیب مناسب، دو موضـوع اساسـی بـرای طراحـی سیـستم دسته بند چندگانه هستند. در این پایان نامه با استفاده از دسته بندهای پایه مختلف و رویکرد زیر نمونه، گوناگونی در سیستم طبقه بند مرکب افزایش یافت. همچنین روش رای گیری حداکثری برای ترکیب دسته بندهای پایه استفاده شد. خروجی طبقه-بندها به صورت خروجی مطلق می باشد. از دو روش کاهش ابعاد ویژگی، آنالیز مولفه اصلی(pca) و تحلیل تفکیک کننده خطی (lda) برای کاهش بعد بردار ویژگی استفاده شده است. در این تحقیق، از چهار طبقه بند شبکه عصبی، طبقه بند بیز، طبقه بند k همسایه نزدیکتر و طبقه بند کمترین فاصله به عنوان طبقه بند پایه استفاده شده است. از هشت روش استخراج ویژگی متفاوت به منظور استخراج ویژگی از ارقام دستنویس فارسی استفاده شده است که عبارتند از: ویژگی مکان مشخصه، ناحیه بندی، تبدیل کسینوسی گسسته(dct)، هیستوگرام افقی، هیستوگرام عمودی، تبدیل موجک(dwt)، فاصله(distance)، شمارش تلاقی(cross count). نتایج بدست آمده نشان می دهد که با استفاده از ویژگی های مختلف و طبقه بندهای پایه مختلف می توان نرخ بازشناسی کلی یک سیستم دسته بند چندگانه را افزایش داد.

چکیده برای توسع? الگوریتم های پردازش و تحلیل تصویر و بینایی ماشین، کامل ترین سیستم که بتوان از آن الهام گرفت سیستم بینایی انسان است. در این تحقیق با مطالع? سیستم بینایی انسان و جانوران هم به لحاظ فیزیولوژیک و هم به لحاظ روان بینایی، سعی شده است تا نحو? استخراج عوامل موثر در بینایی سطح پایین مانند: لبه، خط، بافت، حساسیت به کنتراست و کانتور مبتنی بر اثر بازدارندگی میدان دریافت غیر مرسوم، با استفاده از روش های تحلیل سیگنال و فیلتر های مخصوص مانند فیلتر گابور مدل شود. همچنین برای بهبود کارایی بعضی از عوامل فوق روش های ابتکاری ارائه شده است. در این مورد می توان به طراحی آشکار ساز خط مبتنی بر مدل سلول های مرکز- اطراف شبکیه، طراحی آشکارساز دقیق لبه با قابلیت اصلاح مکان لبه در مقیاس های مختلف اشاره کرد. این آشکارساز لبه با استفاده از روش جدید ارائه شده تحت عنوان الگوریتم ادغام منقبض شوند? پاسخ های گرادیان، به اصلاح موقعیت لبه ها برای مقیاس های بزرگتر، می پردازد. این الگوریتم بر اساس سیر از مقیاس بزرگتر به سوی مقیاس های کوچکتر ابداع شده است. همچنین برای یکپارچه سازی سیستم بینایی سطح پایین و ارائه یک خروجی مطلوب مانند نقش? مرز اشیاء برای تصاویر طبیعی، از شبک? عصبی و رهیافت یادگیری الگوهای محلی ویژگی های تصویر استفاده شده است. تصویر خام ورودی به عوامل تصویر تجزیه می شود و این عوامل به صورت ویژگی به شبک? عصبی داده می شوند تا شبک? عصبی با ادغام این ویژگی ها، در مورد نقش? نهایی مرز اشیاء تصمیمگیری کند. آموزش این شبک? عصبی توسط تصاویر طبیعی و نقش? گراندتروث مربوطه به عنوان نقش? هدف، انجام می شود. برای تعیین وزن های این شبک? عصبی از الگوریتم بهینه سازی جمعیت ذرات استفاده شده است. نتایج حاصل شده بیانگر این است که الهام از سیستم بینایی برای ابداع الگوریتم های پردازش تصویر و بینایی ماشین، به بهبود روش های قبلی و خلق روش های جدید کمک می کند. کلید واژه ها: سیستم بینایی سطح پایین، عوامل بینایی، مدل سازی، تابع گابور، شبک? عصبی.

آشکارسازی لبه یکی از مراحل اساسی در پردازش تصویر است.با وجود اینکه تا کنون روش های متنوعی برای آشکارسازی لبه ارائه شده اند، اما یک روش جامع و قابل کاربرد در زمینه های گوناگون و انواع مختلف لبه ها ارائه نشده است. در این تحقیق سعی شده است که با استفاده از نتایج تحقیقات انجام شده در این زمینه، یک مدل جامع عصبی برای آشکارسازی لبه ارائه شود. مدل ارائه شده به گونه ای است که قابلیت حذف نویز و تحلیل چندمقیاسی لبه را داشته باشد. آموزش این مدل با استفاده از تصاویر ساختگی که مقدار مشخصی نویز به آن ها اضافه شده انجام شده است. نتایج پیاده سازی روش پیشنهادی روی تعدادی از تصاویر ساختگی و تصاویر منظره در مقادیر مختلف نویز قابلیت مدل عصبی ارائه شده در برجسته سازی لبه های تصاویر در حضور نویز را نشان می دهد.

یکی از مهم ترین معیارهای شناسایی و تایید هویت اسناد تجاری، بازشناسی و اعتبارسنجی امضاء می باشد. کارهای انجام شده در این زمینه به دو دسته ی برون خط (ایستا) و برخط (پویا) تقسیم می شوند. دسته بندی دیگری که در این زمینه انجام می شود، تقسیم به دو حوزه ی جدا ولی بسیار وابسته ی بازشناسی و اعتبارسنجی است. در این پایان نامه تمرکز اصلی برروی حوزه ی برون خط خواهد بود. همچنین در هر دو زمینه ی بازشناسی و اعتبارسنجی، روش های جدیدی ارائه می گردند. سه روش ارائه شده، در دو مرحله ی استخراج ویژگی های بهینه و طبقه بندها، دارای مزیت هایی نسبت به دیگر روش های موجود می باشند. روش اول مبتنی بر درنظرگرفتن نقاط کلیدی پایدار مبتنی بر گوشه های یک امضاء به عنوان ویژگی های بهینه می باشد. این ویژگی ها مستقل از مقیاس، چرخش، نقطه ی دید و تغییرات شدت روشنایی می باشند. طبقه بند استفاده شده در این روش، انواع نزدیک ترین همسایه ی ساده و نسبی می باشد. در روش دوم با شبیه سازی سیستم بینایی انسان، سیستمی نوین طراحی گردیده است که منجر به بهبود هر دو نرخ دقت و سرعت گردیده است. در روش سوم نیز، به ترکیب دو روش قبلی به صورت سلسله مراتبی پرداخته می شود. روش های پیشنهادی بر روی سه بانک دادهی معتبر و بانک داده ی جمع آوری شده توسط مولفان، پیاده سازی شده است. نتایج شبیه سازی، کارایی چنین روش هایی را نشان می دهد.

سیستم بینایی انسان قادر است که بافت ها را بصورت کاملاً خودکار و با درجه ی دقت بالایی ناحیه بندی کند. بنابراین برای ناحیه بندی بافت ها روش های متعددی مبتنی بر عملکرد سیستم بینایی انسان ارایه شده است که تمام آنها تلاش می کنند یک مدل محاسباتی بر اساس عملکرد سیستم بینایی انسان در ناحیه بندی بافت ها ارایه کنند. روش های اخیر برای مدل کردن سیستم بینایی انسان در تحلیل بافت مبتنی براستخراج مولفه های فرکانسی در باندهای گوناگون با استفاده از فیلتر گابور است. به هرحال هیچ یک از روش هایی که تا به الآن با استفاده از این فیلتر ارایه شده است سازگار و از لحاظ محاسباتی به صرفه نبوده اند. در این پایان نامه یک الگوریتم ناحیه بندی ارایه شده است که در تحلیل بافت کاملاً نزدیک به عملکرد سیستم بینایی انسان است. الگوریتم استخراج ویژگی پیشنهاد شده مبتنی بر مدل کردن انرژی تصویر توسط مدل مخلوط گوسی در حوزه ی فرکانس است. در این روش بعد از پیش پردازش مولفه های فرکانسی تصویر اصلی؛ فیلتر گوسی از طریق مدل کردن توسط مدل مخلوط گوسی در حوزه ی فرکانس به دست می آید. سپس گرادیان های بافت محاسبه می شوند و با یکدیگر جمع می شوند تا تصویر گرادیان محتوای بافت حاصل شود. نقشه ی ناحیه بندی سرانجام با اعمال تبدیل حوضچه روی تصویر گرادیان محتوای بافت حاصل می شود. نتایج پیاده سازی نشان می دهد که الگوریتم ناحیه بندی که از ویژگی های پیشنهاد شده استفاده کرده است دارای نقشه ی ناحیه بندی مناسب با حجم محاسباتی کمتر است.

الگو یک شی انتزاعی است که با استفاده از یک سری ویژگی ها تعریف شود، بازشناسی الگو سیستمی می باشد که قادر خواهد بود الگوی ناشناخته ای را تشخیص و در دسته مربوطه قرار دهد. یکی از مهمترین بخشهای سیستم بازشناسی الگو، مرحله ی استخراج ویژگی میباشد. استخراج بردار ویژگی مناسب از الگوی ورودی با ویژگی هایی مستقل از یکدیگر، سبب عدم گمراهی طبقه بند در طبقه بندی داده ها شده در نتیجه علاوه بر امکان استفاده از طبقه بندهای ساده تر و کاهش هزینه های محاسباتی، افزایش نرخ بازشناسی را در پی خواهد داشت. بافت تصویر را شاید بتوان یکی از مهمترین و موثرترین المان ها در پردازش و بازشناسی تصاویر دانست. در بازشناسی تصاویر بافت، با استفاده از بردار ویژگی استخراج شده از تصویر، بافت ناشناخته ورودی به یکی از خوشه های معلوم نسبت داده می-شود، بنابراین دو معیار چگونگی استخراج ویژگی از تصویر و استفاده از طبقه بند مناسب، نقش بسزایی را در نرخ بازشناسی ایفا خواهند کرد. هدف این پایان نامه ارائه روش هایی به منظور استخراج ویژگی های کارآمد و بهینه سازی بردار ویژگی در جهت بهبود نرخ بازشناسی تصاویر بافت و کاهش هزینه های محاسباتی میباشد. پیاده سازی چنین سیستمی نیاز استفاده از طبقه بند های پیچیده را از میان خواهد برد.

کاربرد روزافزون شبکه های عصبی پرسپترون چندلایه (mlp) در حلِّ مسائل مهندسی و سیستم های هوشمند، سبب گرایش محقّقین به سمت ابداع روش های آموزش و طرّاحی معماری کارامدتر شبکه های عصبی شده است. معماری شبکه ی عصبی شامل تعداد لایه های مخفی، تعداد نرون ها در لایه های مخفی و نوع تابع تحریک است و هر یک از این پارامترها بر روی عمل کرد شبکه ی عصبی تأثیر مستقیم و بسزایی دارد. از سوی دیگر، کارایی شبکه های عصبی به وزن های آن نیز وابسته است که این مطلب به نوبه ی خود اهمّیّت فرایند آموزش شبکه ی عصبی را آشکار می کند. تعیین دستی پارامترهای شبکه ی عصبی موجب سختی طرّاحی و هم چنین عدم اطمینان از عمل کرد بهینه ی آن می شود زیرا شبکه ی عصبی با اندازه ی خیلی کوچک بطور کامل قادر به یادگیری تمام داده های آموزشی نیست؛ هم چنین شبکه ی عصبی با اندازه ی خیلی بزرگ، جنبه های نامربوط داده های آموزشی را می آموزد بنابراین بیش برازندگی رخ می دهد. علاوه بر این،متداول ترین الگوریتم آموزشی شبکه های عصبی، پس انتشار خطا است که هم گرایی کند و توقّف در نقاط بهینه ی محلّی از نقطه ضعف های آن است. در این پایان نامه علاوه بر بهبود الگوریتم جست وجوی هماهنگی (hs) جهت جست وجوی قدرتمندتر در فضاهایی با ابعاد بسیار زیاد، برای طرّاحی معماری و آموزش هم زمان شبکه های عصبی چندلایه نیز از آن استفاده شده است. شبکه های عصبی طرّاحی شده با روش پیشنهادی به منظور طبقه بندی مجموعه ی داده های آماده به خدمت گرفته شده اند. نتایج آزمایش های متعدّد و وسیع، حاکی از آن است که روش پیشنهادی در طرّاحی بهینه و خودکار شبکه های عصبی - هم از نظر آموزش و هم از نظر معماری- عمل کرد مطلوبی دارد.

یکی از مراحل پردازشی مهم در سیستم بینایی انسان آشکارسازی نقشه برجستگی شیء می باشد. تاکنون روش های زیادی برای به دست آوردن نقشه برجستگی شیء ارائه شده است. با توجه به اینکه نقشه برجستگی شیء می تواند در الگوریتم هایی مانند ناحیه بندی شیء، فشرده سازی فعال و بازیابی شیء کاربرد داشته باشد، ارائه یک مدل کارآمد از این جنبه سیستم بینایی انسان مورد توجه محققین قرار گرفته است. علیرغم این که تا کنون کارهای زیادی در این زمینه انجام شده است، تا کنون یک مدل موثر و کارآمد که بتواند با محاسبات کم نقشه برجستگی شیء را آشکار کند ارائه نشده است. در این تحقیق یک مدل کارآمد برای آشکارسازی نقشه برجستگی شیء ارائه شده است. از ویژگی های برجسته این الگوریتم این است که علیرغم سادگی روش و محاسبات کم، در مقایسه با روش های موجود قادر است عملکرد بهتری داشته باشد. نتایج پیاده سازی روش پیشنهادی روی پایگاه داده مایکروسافت عملکرد خوب این مدل را نشان می دهند. علیرغم اینکه روش پیشنهادی عملکرد بهتری در استخراج نقشه برجستگی دارد، محاسبات آن به دلیل انتخاب یک کانال از سه کانال حاوی اطلاعات برجستگی، هزینه محاسباتی روش به کمتر از یک سوم روش های قبلی کاهش یافته است.

فرآیند فلوتاسیون یکی از مهم ترین روش های جداسازی ماده معدنی با ارزش از باطله می باشد. شرایط کاری مختلف این فرآیند، خروجی های متفاوتی از نظر عیار و درصد بازیابی ماده معدنی به دنبال دارد. کاربران خبره قادرند شرایط کاری بهینه فرآیند فلوتاسیون را از روی ظاهر کف تشخیص دهند. در دسترس نبودن مدل جامعی از این فرآیند و عدم توفیق در توصیف کامل شرایط کاری مختلف فرآیند از روی ظاهر کف باعث شده که بسیاری از روش های ارائه شده برای کنترل خودکار فرآیند فلوتاسیون از کارایی مناسبی برخوردار نباشند. در این مقاله ابتدا شاخص های جدیدی برای توصیف موثر تصاویر کف فلوتاسیون در شرایط کاری مختلف این فرآیند ارائه شده است. شاخص های ارائه شده از روی دنباله ویدیویی از تصاویر کف فلوتاسیون در یک مدار صنعتی (کارخانه تغلیظ سنگ آهن چادرملو) استخراج شده و در شرایط کاری مختلف این فرآیند با یکدیگر مورد مقایسه و ارزیابی قرار گرفته اند. در ادامه یک سیستم فازی طراحی شده است که قادر است با استفاده از شاخص های به دست آمده از روی تصاویر ویدئویی کف فلوتاسیون، شرایط کاری فرآیند و عیار ماده معدنی را تشخیص دهد. نتایج پیاده سازی این سیستم فازی روی مدار فلوتاسیون معدن سنگ آهن چادرملو نشان می دهد که سیستم فازی پیشنهادی به خوبی قادر است کلیه شرایط کاری درنظر گرفته شده به همراه عیار آن برای فرآیند را با استفاده از شاخص های جدید ارائه شده در این تحقیق از یکدیگر تفکیک کند.

با توجه به کاهش هزینه تهیه و نگهداری تصاویر دیجیتالی و گسترش روز افزون استفاده از این تصاویر، در سال های اخیر، حجم و تعداد مجموعه تصاویر فردی و عمومی بخصوص در شبکه جهانی اینترنت، رو به افزایش نهاده است. این امر، نیاز به جستجوی تصاویر دیجیتالی را مطرح ساخته است. در این میان، جستجوی تصاویر و توسعه سیستم های با قابلیت بازیابی تصاویر بر اساس محتوا و مشابه درک انسانی توجه محققین را به خود جلب نموده و به یکی از موضوعات مهم پردازش تصویر مبدل شده است. از آنجا که معیار اولیه انسان برای تشخیص محتوا ویژگی دیداری است، تقریبا در تمامی این سیستم ها از این ویژگی ها استفاده شده است. در این پایان نامه، ساختاری برای پیاده سازی یک سیستم بازیابی تصاویر بر اساس ویژگی های اولیه انسانی (ویژگی های سطح پایین) ارائه می شود. در این سیستم به ویژگی های رنگ و بافت برای بازیابی تصاویر توجه می شود. به طوری که برای استخراج ویژگی رنگ از هیستوگرام رنگ و توصیفگر چیدمان رنگ (cld) و برای استخراج ویژگی بافت از تبدیل موجک و بانک فیلتری استفاده شده است. پس از اعمال روش پیشنهادی بر روی دو پایگاه داده متفاوت، نتایج را با چندین روش بازیابی به کار رفته در مقالات و تحقیقات مقایسه کردیم و نشان دادیم که روش پیشنهادی بازدهی بهتری نسبت به سایر روش ها دارد.

در این تحقیق یک روش اصلاح شده برای حذف نوفه های موجود در تصاویر نجومی بر اساس تئوری بیشینه آنتروپی ارائه شده است. در این روش به جای استفاده از فیلتر پایین گذر ایده آل مورد استفاده در روش بیشینه آنتروپی، از صافی پایین گذر گاوسی برای بازسازی تصویر استفاده شده است. مقایسه دیداری تصاویر بازسازی شده نشان می دهند که صافی پایین گذر گاوسی ضمن اینکه از نظر حذف نوفه عملکرد بهتری از خود نشان می دهد، از بروز پدیده رینگینگ نیز جلوگیری می کند. در ادامه، اثر اصلاحی این روش حذف نوفه بر روی تصاویر نجومی گرفته شده از سیستم دوتایی ss ari در رصدخانه دکتر مجتهدی دانشگاه بیرجند اجرا گردیده و منحنی های نوری حاصل با منحنی های نوری این سیستم که اصلاح روی آن ها انجام نشده، مقایسه شده است.

در دو دهه گذشته به کارگیری الکتروکاردیوگرام در حوزه بیومتریک در تحقیقات بسیاری پیشنهاد شده است. از آنجا که جراحات و یا اختلالات قلبی نسبت به جراحاتی که سایر بیومتریک های سنتی با آن مواجه اند شایع نیستند، امکان سنجش سیگنال قلب در هر نقطه ای از بدن و به کارگیری آن به عنوان ابزاری جهت تشخیص هویت در همه حالات تضمین شده است. این بیومتریک ها ذاتاً مرتبط با فعالیت های بیولوژیکی انسان هستند و جعل آن ها به صورت قابل توجهی دشوار است. در این تحقیق رویکردی موثر به منظور بازشناسی هویت با استفاده از انتخاب ویژگی های ادغام شده موجک، ضرایب انعکاسی و تبدیل فوریه که از آنالیز سیگنال الکتروکاردیوگرام به دست آمده، ارائه شده است. در فرآیند انتخاب ویژگی با استفاده از الگوریتم ژنتیک دست به پالودن ویژگی ها می زنیم تا ضمن کاهش ابعاد آن ها از طریق حذف ویژگی های ناکارآمد، نهایتاً بهترین و موثرترین ویژگی ها در دسته بندی را بیابیم. دقت دسته بندی زیر مجموعه های به دست آمده نتایج مطلوبی را در مقایسه با مجموعه داده اصلی ایجاد کرده است. یک فرآیند پیش پردازش نیز قبل از مرحله استخراج ویژگی روی الکتروکاردیوگرام اعمال گردیده و از شبکه های عصبی پروسپترون چندلایه برای امر طبقه بندی استفاده شده است. قابلیت تعمیم سامانه بازشناسی پیشنهادی به سایر بانک های داده در این تحقیق پیش بینی شده است. آزمایشات توسط سه بانک داده مشهور موجود در وب سایت physionet معتبرسازی شده اند. نتایج آزمایش، حاکی از راندمان و کارایی قابل توجه این روش و نرخ بازشناسی چشم گیر آن است.

در این پژوهش ابتدا یک الگوریتم سریع برای بازشناسی هویت با استفاده از تصاویر مادون قرمز چهره شخص ارائه شده است. الگوریتم پیشنهادی مبتنی بر محاسبه سریع میزان تشابه دو تصویر حرارتی چهره با استفاده از معیار شباهت برگرفته از مفهوم ضرب داخلی سیگنال های دوبعدی توسعه یافته است. همچنین برای بهبود نتایج مربوط به بازشناسی هویت روشی برای ترکیب اطلاعات تصاویر مادون قرمز و تصاویر مرئی نیز ارائه شده است. در این روش ابتدا یک الگوریتم تثبیت برای یکسان سازی اندازه تصاویر مرئی و حرارتی پیشنهاد شده است. در ادامه با اعمال تبدیل موجک گسسته بر روی تصاویر مرئی و حرارتی، مولفه های جزئیات و ضرایب تقریب محاسبه شده و سپس تلفیق اطلاعات مرئی و حرارتی با توجه به وزن های اختصاص یافته به این ضرایب انجام می شود. با اعمال معکوس موجک روی ضرایب تلفیقی، بهترین تصویر ترکیب جهت بازشناسی انتخاب می شود. روش پیشنهادی برای بازشناسی هویت با استفاده از تصاویر مادون قرمز چهره بر روی دو بانک داده ی terravic و utk-iris آزمایش شده است. نرخ بازشناسی برای بانک داده terravic، 6/96% و برای بانک داده utk-iris، 89% به دست آمده است. در ادامه با تلفیق اطلاعات مرئی و حرارتی نرخ بازشناسی برای بانک داده utk-iris به 5/95% افزایش یافته است. نتایج شبیه سازی ها نشان می دهند که الگوریتم ارائه شده علیرغم محاسبات کم، در مقایسه با سایر الگوریتم های موجود، از دقت بالاتری برخوردار می باشد.

واژۀ بیومتریک از دو کلمه یونانی bios به معنای زندگی و metron به معنای اندازه گیری می آید. این واژه به روش¬های شناسایی افراد بر اساس یک یا چند مشخصه ساختاری یا رفتاری شخص اشاره دارد. در سال های اخیر، تشخیص عنبیه به دلیل قابلیت اطمینان، یکتایی و پایداری بالا به یکی از زمینه های داغ فنّاوری بیومتریک برای شناسایی اشخاص تبدیل شده است. عموماً یک سیستم تشخیص عنبیه شامل چهار مرحلۀ ناحیه بندی، نرمالیزه کردن، استخراج ویژگی و تطبیق می باشد. این پایان نامه به دو مرحلۀ ناحیه¬بندی و استخراج ویژگی از مراحل یک سیستم تشخیص عنبیه پرداخته است. در مرحله ناحیه¬بندی از تبدیل هاف دایره ای و عملگرهای ساختاری استفاده شده و در مرحله استخراج ویژگی از الگوریتم تبدیل ویژگی مستقل از مقیاس ، بهره گرفته شده است. هدف این پایان نامه بهبود نرخ ناحیه¬بندی عنبیه و بهبود نرخ بازشناسی با استفاده از تبدیل ویژگی مستقل از مقیاس می باشد. پایگاه های داده ای که برای آزمایش ها از آن ها استفاده شده، پایگاه های casia v.1 ، casia v.4 و upol می باشند. در پایگاه casia v.1 که شامل 756 تصویر از 108 نفر (هر نفر 7 تصویر) می باشد، 324 تصویر به عنوان نمونه های آموزش و 432 تصویر به عنوان نمونه های آزمایش استفاده شده است. در پایگاه داده casia v.4 از زیر مجموعۀ interval آن استفاده شده است. در مرحله ناحیه¬بندی، دقت 100درصدی حاصل شده است و نرخ بازشناسی 96.3 تا 100درصد (بسته به پایگاه های داده) به دست آمده است.

ردیابی شیء یکی از مسائل مهم مطرح در حوزه ماشین بینایی است . الگوریتم ارائه شده در این تحقیق قادر به ردیابی اشیاء متحرک در محیط های نسبتاً پیچیده می باشد و در تصاویری که شامل سایه و تغییرات شدت روشنایی هستند، به خوبی عمل می کند. این الگوریتم بر خلاف سایر الگوریتم های موجود که تنها برای یک کاربرد خاص طراحی شده اند، قادر خواهد بود در رنج وسیعی از ویدئوهای مختلف عملیات ردیابی را انجام دهد و کاربرد آن به یک موضوع خاص محدود نمی شود. روش ارائه شده در این تحقیق بر اساس ترکیب دو روش قدرتمند بنا نهاده شده است، اولین روش ردیابی بر مبنای هیستوگرام بافت و رنگ می باشد. بافت در این روش توسط الگوی دودویی محلی (lbp) استخراج می شود. الگوی دودویی محلی یکی از بهترین روش های موضعی بیان گر بافت می باشد که پیکسل های یک تصویر را برچسب می زند و به هر پیکسل مقداری از بافت را نسبت می دهد. با استفاده از هیستوگرام تصویری که با این روش به دست می آید، می توان عملیات ردیابی را انجام داد. روش دوم ردیابی بر اساس مفهمومی به نام شار نوری است. شار نوری عبارت است از حرکت ظاهری روشنی هر پیکسل در تصویر. در حالت ایده آل شار نوری مطابق حرکت شیء می باشد. ترکیب دو روش فوق باعث ایجاد الگوریتمی قدرتمند خواهد شد که با دقت بیشتری عملیات ردیابی را بخصوص در حرکت های طولی انجام می دهد. نتایج شبیه سازی موید ادعای فوق هستند.

یکی از عوامل بسیار تأثیر گذار در توسعه تجارت الکترونیک و تجارت تحت وب، امنیت آن می باشد. اما متناسب با توسعه تجارت الکترونیک، مقوله فیشینگ و سرقت اطلاعات بانکی افراد به تهدید بسیار جدی در این حوزه بدل شده است. روش های متنوعی در شناسایی وب سایت فیشینگ مورد بررسی و تحلیل قرار گرفته اند. در اکثر روش ها توجهی به طول عمر کوتاه وب سایت فیشینگ و تلاش برای کاهش حجم محاسباتی صورت نگرفته است. از این جهت، در این پژوهش رویکرد جدیدی در شناسایی وب سایت های فیشینگ در بانکداری اینترنتی با ارائه ایده انتخاب ویژگی ها براساس مجموعه قوانین مبتنی بر دانش و پیاده سازی الگوریتم جستجوی گرانشی مطرح گردیده است. مقایسه نتایج حاصله از این رویکرد جدید با بهترین روش های موجود، اثبات کننده توانایی این رویکرد در شناسایی وب سایت های فیشینگ می باشد.

ردیابی هدف یکی از موضوعات مهم در بینایی ماشین می باشد. از جمله الگوریتم های مورد استغاده برای تعقیب هدف در پردازش تصویر فیلتر کالمن و فیلتر ذره ای هستند.با افزایش ابعاد مسائل مهندسی دیگر روش های معمول قادر به حل این مسائل نبودن و روش های ابتکاری که برگرفته از طبیعت و کاملا تصادفی هستند جایگزین شدند. در این پایان نامه برای تعقیب هدف از روش های ابتکاری به طور مستقل استفاده شده است.دو الگوریتم مورد استفاده در این پایان نامه :الگوریتم بهینه سازی ازدحام جمعیت و الگوریتم بهینه سازی صفحات شیب دار هستند.هر دو این الگوریتم قادر به پیدا کردن هدف در فریم های مختلف هستند اما الگوریتم صفحات شیبدار در بعضی فریم ها نتایج بهتری را بدست آورده است.همه تصاویر مورد استفاده از نوع تصاویر خاکستری بوده اند.

مدل سازی توانا?? س?ستم ب?نا?? انسان در بازشناس? راحت و سر?ع اش?اء در صحنه های پ?چ?ده، توجه محقق?ن ز?ادی را به خود جلب نموده است. ب?شتر مدل های ارائه شده در ا?ن زم?نه رفتار س?ستم ب?نا?? انسان در بازشناس? اش?اء را در چند?ن مرحله و به صورت سلسله مراتب? تقل?د م? کنند. مغز انسان هر روزه حجم وسیعی از داده های با ابعاد زیاد مانند تصاویر و گفتگوها را به صورت مستمر پردازش و بازشناسی میکند. با آن که ماشین ها سرعت محاسباتی بالایی دارند اما از این حیث از انسان بسیار ضعیف تر هستند. راه حل بر طرف کردن ضعف ماشینها در این زمینه، ایجاد الگوریتمهایی است که قادر بر تقلید و بازسازی روشهای محاسباتی و یادگیری مغز باشند، در این تحقیق مدل استاندارد بازشناسی شیء (hmax) در بخش استخراج patch هدفمند شده است. از پایگاه دادهی caltech برای محک مدل های پیشنهادی استفاده شده است. باتوجه به تعداد زیاد patchها در مدل استاندارد hmax که به طور تصادفی استخراج میشوند، در این پروژه، انتخاب patchها هدفمند شده است به طوری که از نواحی پس زمینه نباشند. دلیل اهمیت مسأله استخراج هدفمند patchها این است که در مرحله ی پایانی مدل hmax، یک مقایسه بین تصویر ورودی و زیرتصویرهای ذخیره شده صورت می گیرد. در روش پیشنهادی، با حذف پس زمینه، تنها قسمت هایی از تصویر که شامل شیء مورد نظر هستند به عنوان patch استخراج می شوند. ساختار نهایی طراحی شده در این تحقیق مطابق انتظار توانسته مولفه های پیچیده در تصاویر پایگاه داده ی caltech را استخراج و در مقایسه با مدل اولیه درک بهتری از آن داشته باشد.

توزیع ابعادی ذرات از جمله مهمترین پارامترها در شبیه¬سازی و بهینه¬سازی مدارهای خردایش است. روش مرسوم اندازه گیری توزیع ابعادی ذرات در صنعت نمونه برداری دستی و آنالیز سرندی است که با توجه به تناژ بالای مواد و درشت بودن ابعاد ذرات امری دشوار و زمان بر می باشد. در سال های اخیر با توسعه کامپیوترها و نرم افزارهای پردازش تصویر تحقیقات گسترده ای در زمینه اندازه گیری روی جریان ابعاد ذرات به کمک تکنیک بینایی ماشین انجام شده است. هدف از پژوهش حاضر، تعیین روی جریان توزیع ابعادی ذرات خوراک آسیای نیمه¬خودشکن کارخانه تغلیظ 2 مجتمع مس سرچشمه به روش پردازش تصویر (به کمک نرم افزار wipfrag) و بررسی ارتباط بین شاخص¬های ابعادی و پارامترهای عملیاتی آسیا از قبیل توان مصرفی ویژه و ظرفیت مدار میباشد. نتایج این تحقیق نشان داد که مقدار متوسط خطای نسبی تخمین توزیع ابعادی ذرات ورودی آسیای نیمهخودشکن با نرم¬افزار wipfrag در حدود 19 درصد است. نتایج 5 روز نمونه¬برداری از خوراک آسیای نیمهخودشکن نشان داد که مقادیر شاخص¬های ابعادی 33/0±10/2=d20، 72/0±46/3=d50 و 90/1±6=d80 سانتیمتر میباشند. نتایج ارتباط شاخص¬های ابعادی با پارامترهای عملیاتی آسیا به¬¬ویژه توان مصرفی ویژه و ظرفیت مدار خردایش نشان داد که افزایش شاخص¬های ابعادی و یا درشت¬تر شدن خوراک آسیا باعث افزایش مقدار انرژی مصرفی و همچنین کاهش ظرفیت مدار خردایش می¬گردد. بنابراین با فراهم نمودن خوراکی با دانهبندی نسبتاً دانه¬ریز از طریق بهینه¬سازی الگوی استخراج و آتشباری، تغییر در شرایط عملیاتی مدار سنگشکنی و همچنین کنترل در نحوه خوراک¬دهی مواد از انبار درشت و یا سیلوهای تغذیه¬کننده، می¬توان کارآیی عملیاتی فرآیند خردایش در آسیای نیمه¬خودشکن را بهینه نمود.

هدف از این تحقیق ارائه ی روشی دیگر برای شناسایی های مبتنی بر بیومتریک است. هندسه دست بیومتریکی است که جایگاه خود را در بین بیومتریک ها چه در بخش تائید و چه در بخش تعیین هویت به اثبات رسانده است. هزینه جمع-آوری اطلاعات نسبتا پائین، مقبولیت و قابلیت اطمینان بالا از شاخص های این بیومتریک است. در این تحقیق تصاویر ورودی از پایگاه iitd و از دست چپ(266نمونه از 60 نفر)می باشد.ابتدا یک مرحله پیش پردازش که شامل باینری شدن، حذف نویز و لبه یابی می باشد، روی تصاویر انجام شده است.در بخش استخراج ویژگی از ویژگی هایی شامل طول و عرض انگشتان، عرض کف دست و نسبت سه انگشت به هم استفاده شده است که در مجموع 26 ویژگی برای سیستم مطرح می شود. برای استخراج این ویژگی ها ابتدا نقاط حفره و نوک انگشت شناسایی می شوند. بدین منظور از الگوریتم chvd برای پیدا کردن نقاط اساسی در دست استفاده شده است. در انتها برای بخش طبقه بند، مقایسه ای بین knn و svm صورت گرفته است.روش پیشنهادی ارائه شده، استفاده از الگوریتم ژنتیک در وزن-دهی ویژگی ها بود که باعث افزایش چشم گیر نرخ بازشناسی به مقدار 86/82 درصد شد.

امروزه با پیشرفت‏های انجام شده در زمینه ساخت سیستم‏های میکرو‏الکترومکانیکی (mems)، استفاده از قطعات میکروالکترومکانیکی rf، به‏د‏لیل عملکرد عالی، اندازه کوچک و قابلیت مجتمع شدن، در سیستم‏های ارتباطی بی‏سیم کاربرد گسترده‏ای یافته است. در این پژوهش ابتدا یک فیلتر میکرومکانیکی if برای کاربرد در فرستنده-گیرنده‏های بی‏سیم gsm با فرکانس مرکزی mhz 7/10 و پهنای باند khz 200 طراحی و مدل‏سازی می‏شود. سپس با توجه به مدل ارائه شده، افزایش ضریب کیفیت تشدیدگرهای میکرومکانیکی سازنده فیلتر موردنظر، برای بهبود مشخصات فیلتر استفاده می‏شود. بنابراین، با توجه به غالب بودن مکانیزم اتلاف تکیه‏گاه در فرکانس‏ها و مد ارتعاشی مورد نظر، رابطه ضریب کیفیت اتلاف تکیه‏گاه در مد ارتعاشی خمشی محاسبه و طرح جدیدی برای افزایش ضریب کیفیت اتلاف تکیه‏گاه در فیلتر میکرومکانیکی مورد نظر پیشنهاد می‏شود. در این طرح، از تیرهای t شکل به جای تیرهای نگهدارنده معمولی استفاده شده و تمام روابط آن استخراج و مدل‏سازی شده اند. محاسبات انجام شده نشان می دهند که ضریب کیفیت تشدیدگرهای t شکل در حدود 5/1 برابر افزایش یافته و در نتیجه عملکرد فیلتر میکرومکانیکی ساخته شده با این تشدیدگرها از نظر اتلاف الحاقی بهبود می‏یابد.

در این پژوهش یک الگوریتم سریع برای بازشناسی هویت با استفاده از تصاویر چهره شخص ارائه شده است. الگوریتم پیشنهادی مبتنی بر محاسبه سریع میزان تشابه دو تصویر چهره با استفاده از معیار شباهت برگرفته از مفهوم ضرب داخلی سیگنال های دوبعدی توسعه یافته است که با الگوپذیری از سیستم بینایی انسان در تشخیص افراد و بدون استخراج ویژگی و به طور مستقیم با مقایسه نواحی مختلف صورت انجام می گیرد. مراحل پیاده سازی روش پیشنهادی بدین صورت است که در ابتدا تصویر چهره از تصویر پس زمینه استخراج شده است، در مرحله بعد بهنجارسازی هندسی و سپس بهنجارسازی در مقادیر شدت روشنایی تصویر انجام می شود. در ادامه یک معیار شباهت کلی ارائه شده و با استفاده از محاسبه این معیار در نواحی مختلف تصویر چهره مانند چشم ها، لب ها و دهان، بینی و کل تصویر چهره، بازشناسی چهره برای مجموعه های داده مختلف انجام شده است. نتایج شبیه سازی ها نشان می دهد که معیار شباهت ارائه شده به خوبی قادر است بازشناسی چهره با استفاده از شباهت های کلی محاسبه شده در هر یک از این چهار ناحیه را انجام دهد.

در این تحقیق، ابعاد و توزیع ابعادی حباب های تولید شده در یک سلول فلوتاسیون مکانیکی آزمایشگاهی با روش نوین، سریع و دقیق تفرق اشعه لیزری اندازه گیری شده است. در ادامه پارامترهای موثر بر ابعاد حباب ها نظیر سرعت روتور، نرخ هوادهی، غلظت و نوع کف ساز، دما و ph محلول بررسی شده اند. همچنین نتایج حاصل از اندازه گیری ابعاد حباب ها با روش تفرق اشعه لیزری با روش آنالیز تصویری مقایسه شده است.

در پژوهش های سرطان همیشه تعداد نسبتا کم نمونه ها در داده های میکروآرایه باعث ایجاد مشکلاتی در طراحی طبقه بندها می شود. در این پایان نامه یک روش جدید و کارآمد بر پایه الگوریتم bmopso و شبکه عصبی mlp برای انتخاب ژن و طبقه بندی آن ها پیشنهاد شده و عملکرد این روش بر داده های سرطان پستان پایگاه داده seer ارزیابی شده است. در ابتدا با استفاده از الگوریتم تک هدفه ژنتیک و الگوریتم aco ، و در پایان با الگوریتم های چندهدفه nsga-ii و bmopso عمل انتخاب ویژگی انجام داده شده است. در انتها عمل طبقه بندی با استفاده از دو طبقه بند knn و bayesian، برای مقایسه با روش پیشنهادی انجام شده است. نتایج برتری روش پیشنهادی را نشان می دهد.

در این پایان نامه برای اولین بار از دو الگوریتم بهینه سازی جستجوی گرانشی و الگوریتم بهینهسازی صفحات شیب دار در تولید الگوهای تست اتوماتیک برای مدارات ترتیبی سنکرون استفاده شده است. همچنین الگوریتم های جدیدی برای انتخاب خطای هدف، تولید الگوی تست و فشرده سازی مجموعه تست ارائه شده است و نتایج با دیگر الگوریتمهای تولید الگوی تست اتوماتیک برای مدارات ترتیبی مقایسه شده است که نتایج حاکی از موفقیت این الگوریتم ها در تولید الگوی تست با بالاترین درصد پوشش در کوتاه ترین زمان نسبت به الگوریتم های پیشین است. همچنین به منظور مقایسه دقیق تر بین این دو الگوریتم جدید و الگوریتم های پیشین یک ضریب به نام ضریب کارآمدی تعریف شده است که معیاری از سرعت، درصد پوشش و طول رشته تست تولید شده توسط هر یک از این الگوریتم های تولید کننده الگوی تست برای مدارات ترتیبی است که نتایج نشان دهنده برتری این دو الگوریتم نسبت به دیگر الگوریتم ها بر اساس مقادیر بدست آمده برای ضریب کارآمدی است.

تشخیص به موقع تومور مغزی در میزان موفقیت درمان تأثیر بسیار بالایی دارد. مکان یابی دقیق ناحیه تومور نیز می تواند در انتخاب نوع درمان و دنبال کردن روند بیماری در طول درمان کمک کند. الگوریتم های موجود برای آشکارسازی ناحیه تومور مغزی از نظر عملکرد خوب روی بازه وسیعی از تصاویر مغزی با کیفیت های مختلف و نیز از نظر حساسیت نتایج به پارامترهای معرفی شده در الگوریتم با مشکلاتی مواجه هستند. در این پژوهش یک سیستم تصمیم یار که توانایی تشخیص و بخش بندی دقیق تومور مغزی در تصاویر تشدید مغناطیسی را دارد، ارائه شده است. این سیستم شامل دو بخش تشخیص و بخش بندی تومور است. وظیفه بخش اول جداسازی تصاویر تشدید مغناطیسی حاوی تومور از تصاویر نرمال است و بخش دوم وظیفه استخراج ناحیه تومور از تصاویر توموردار را بر عهده دارد. این سیستم جهت بخش بندی دقیق ناحیه تومور از یک الگوریتم سلسله مراتبی موثر استفاده می کند. روش سلسله مراتبی پیشنهادی ترکیبی از دو روش بخش بندی مبتنی بر آستانه و روش بخش بندی حوضچه مبتنی بر نشانه می باشد. در این روش ابتدا پیش پردازش های لازم روی تصویر انجام می شود و با روش بخش بندی مبتنی بر آستانه موقعیت تومور مکان یابی می شود. با توجه به اینکه در این مرحله تأکید زیادی بر آشکارسازی دقیق ناحیه تومور نیست، انتخاب مقادیر آستانه در بازه بزرگی از مقادیر در نتایج نهایی تأثیری نخواهد داشت. استفاده از روش بخش بندی حوضچه مبتنی بر نشانه آشکارسازی دقیق ناحیه تومور را به دنبال خواهد داشت. نتایج پیاده سازی ها نشان می دهد که روش پیشنهاد شده قابلیت تشخیص و بخش بندی دقیق تومور مغزی در بازه وسیعی از تصاویر mri را دارد.

هدف از این پایان نامه یافتن الگوریتم هایی مناسب جهت بازیابی تصاویر در پایگاه داده، با الهام از سیستم بینایی انسان می باشد تا علاوه بر دقت بالای بازیابی، باعث کاهش فاصله معنایی شود. مطالعات ما روی سیستم بینایی انسان و روش های گوناگون استخراج ویژگی های سطح پایین رنگ و بافت که در بازیابی تصویر براساس محتوا وجود دارند انجام شده است.

a significant problem in multicarrier communication systems is the necessity to reduce the value of papr (peak-to-average power ratio) of transmitting signal. in this thesis we study the effect of the system parameters such as coding and modulation types on papr and ultimate ber in a mc-cdma system. in this study we consider fading channel as well as the nonlinearity of transmitter’s amplifier to show how the control of the papr in different approaches can actually affect on the overall quality of the received signal. we study some different papr reduction techniques and propose a new method of papr reduction in mc_cdma system which is based on phase perturbation after spreading process. this method follows the fact that the papr of the mc-cdma signal is highly dependent on the related phase of the subcarriers.