با افزایش روز افزون تصاویر اشعه x پزشکی، نیاز به ابزارهای طبقه بندی کننده و بازیابی این دسته از تصاویر که دارای قابلیت و توانایی بالایی نیز باشند، افزایش یافته است. رکن اساسی بازیابی تصاویر اشعه x بر اساس محتوا، طبقه بندی آنها است. بنابراین، در صورتی که طبقه بندی موفق و مناسبی حاصل شود، بازیابی نیز موفقیت آمیز و دارای صحت بسیار بالایی خواهد بود. برای داشتن یک طبقه بندی مناسب می بایست معیارهایی که به این منظور انتخاب می شوند بسیار دقیق بوده و توصیف جامع و کاملی از تصاویر ارائه دهند. این معیارها همان ویژگی هایی هستند که از تصاویر استخراج می شوند که به سه دسته عمده شکل، بافت و رنگ تقسیم بندی می گردند. از آنجایی که تصاویر اشعه x پزشکی، تصاویر سطح خاکستری هستند و خصوصیات بافتی نسبتا مشابهی دارند، از ویژگی رنگ و تا حد بسیار بالا از ویژگی بافتی نمی توان به عنوان معیارهای مناسب برای طبقه بندی این دسته از تصاویر استفاده نمود. در این تحقیق با هدف بهبود طبقه بندی تصاویراشعه x پزشکی و در نهایت بهبود روش های بازیابی مبتنی بر محتوا که منجر به تسریع در عمل تشخیص بیماری، شناسایی بیمار و عضو آسیب دیده می شوند و با توجه به خصوصیات تصاویر اشعه x پزشکی، تمرکز بر روی ویژگی شکلی قرار گرفت و روشی برای بهبود ویژگی های متداول استخراجی از تصاویر اشعه x پزشکی پیشنهاد گردید. در نهایت یک ویژگی کاملا جدید که ترکیبی از ویژگی های شکلی و بافتی بوده و ویژگی شکلی بافتی نامیده شد، معرفی و پیشنهاد شد که توانست توانایی بالایی در طبقه بندی این دسته از تصاویر نسبت به سایر روش های استخراج ویژگی از خود به نمایش بگذارد. نرخ صحت بدست آمده از ارزیابی این ویژگی در ترکیب با دو ویژگی دیگر برای 4402 تصویر در 21 کلاس از تصاویر اشعه x پزشکی توسط ماشین بردار پشتیبان، به بیش از 94% رسیده است.

در این پایان نامه، هدف ارائه روشی جهت ناحیه بندی خودکار تصاویر تشدید مغناطیسی مغز به سه بافت ماده سفید، ماده خاکستری و مایع مغزی-نخاعی می باشد. در روش ناحیه بندی ارائه شده، الگوریتم یادگیری مبتنی بر ماشین های بردار پشتیبان با قدرت طبقه بندی بالا و خطای عمومی سازی پایین به کار گرفته می شود. در این روش، الگوریتم کمترین مربعات به منظور تخمین تابع چگالی احتمال بافت ها انتخاب شده است. به منظور کاهش هر چه بیشتر دخالت کاربر در روند ناحیه بندی، از اطلاعات اولیه اطلس جهت انتخاب نمونه های آموزشی و نیز آموزش الگوریتم یادگیری استفاده می شود. جهت بهبود دقت نتایج در روش ارائه شده، مدلی سلسله مراتبی به عنوان روش پیشنهادی دوم جهت ناحیه بندی پیشنهاد شده است. در این مدل طی سه مرحله، عملیات حذف بافت های غیر مغزی، پیش پردازش و استخراج مایع مغزی-نخاعی، و ناحیه بندی ماده سفید و ماده خاکستری انجام می گردد. پس از آن، یک روش ترکیبی به عنوان روش سوم پیشنهادی در قالب مدل سلسله مراتبی ارائه شده جهت ناحیه بندی مورد استفاده قرار می گیرد. در این روش، به منظور انجام دو مرحله اول از روش سلسله مراتبی از روش ناحیه بندی fsl-fast استفاده می شود. نتایج شبیه سازی بر داده های شبیه سازی شده و واقعی و ارزیابی های کمی و کیفی موید دقت و کارایی مدل سلسله مراتبی ترکیبی در مقایسه با روش های متداول ناحیه بندی و نیز روش fsl-fast می باشد. نتایج ناحیه بندی تصاویر مغزی به دست آمده می تواند به کمک پردازش های بعدی در تحلیل آناتومی و یا تشخیص بیماری ها و آسیب های مغزی مورد استفاده قرار گیرد.

در این پایان نامه، هدف ارائه روشی جهت ناحیه بندی خودکار بافت جمجمه و فونتانل از تصاویر ct می باشد. جمجمه ی نوزادان از چند قسمت استخوانی تشکیل شده است که این قسمت ها توسط یک غشای فیبری به نام فونتانل بهم متصل شده اند و کنتراست پایین تری نسبت به بافت استخوانی در تصاویر ct دارند. تعیین مکان دقیق فونتال ها در کاربردهایی مانند حل مسأله معکوس مکانیابی منابع سیگنال های الکتریکی مغزی (eeg) و یا بررسی الگوی رشد سر مهم است. از آنجا که فونتانل ها بصورت شکافی بین استخوان های جمجمه ای دیده می شوند لذا باید بطور غیر مستقیم تخمین زده شوند. در این پایان نامه جهت تخمین جمجمه و فونتانل از الگوریتم ناحیه بندی سطوح همتراز مبتنی بر مدل اولیه جمجمه استفاده می شود. برای کنترل تأثیر مدل در الگوریتم ناحیه بندی، ضریبی برای وزن دهی مدل بکار می رود که در این پایان نامه محاسبه آن به سه روش پیشنهاد شده است. این ضریب باید به گونه ای انتخاب شود که تابع ضمنی در مکان استخوان جمجمه ای به سمت استخوان و در مکان فونتانل به سمت مدل حرکت کند. در روش اول ? بصورت یک ضریب ثابت در نظر گرفته شد، اما انتخاب یک ? ثابت بطوریکه شرایط مطلوب برای حرکت تابع ضمنی را فراهم کند کار دشواری است. از این رو در دو روش دیگر ضریب ? بصورت محلی تعیین گردید. در روش دوم از طریق پنجره با اندازه متغیر مکان فونتانل ها تخمین زده شد و از آن بعنوان ضریب محلی در الگوریتم ناحیه بندی استفاده گردید. در روش سوم از اطلاعات آناتومیکی فونتانل برای بدست آوردن ضریب محلی استفاده شد. نتایج ناحیه بندی برای بافت های استخراج شده و بافت های معیار متناظر با آن ها و ارزیابی های کمی و کیفی موید دقت و کارایی روش ارائه شده برای ناحیه بندی تصاویر است. در این بین با توجه به استفاده از اطلاعات مدل آماری بعنوان ضریب محلی، نتایج بدست آمده دقت بالاتر این روش در مقایسه با دو روش دیگر را نشان می دهد.

‎‎یکی از مشخصات اساسی تصاویر اشعه ‎x‎ پزشکی، وجود تغییرات سطوح روشنایی در طول یک کلاس و شباهت های قابل توجه بین کلاس های مختلف است و این امر موجب می گردد که طبقه بندی این نوع تصاویر مشکل گردد. به منظور مقابله با این مشکل، در برخی روش های قبل، افزایش ویژگی های مورد استفاده یا زیاد نمودن الگوهای آموزشی پیشنهاد گردیده است که هر دو آن ها مستلزم صرف وقت و هزینه اضافی می باشد. با توجه به این محدودیت ها، یک روش جدید مبتنی بر قوانین فازی با هدف فهرست نمودن پربازده این نوع تصاویر پیشنهاد شده است که از مجموعه ویژگی های پیشنهادی تحت عنوان الگوهای باینری محلی متقارن مرکزی‎ مبتنی بر‎‎ تبدیل کانتورلت ccs-lbp ‎‎استفاده می کند. لازم به ذکر است که مطالعات زیادی روی الگوهای باینری محلی ‎lbp و اصلاح یافته های آن شامل ‎cs-lbp‎ با تمرکز بر استفاده از پیکسل های تصویر به عنوان توصیف کننده ها در حال انجام است. روش طبقه بندی پیشنهادی شامل سه مرحله است. در مرحله اول، ویژگی های محلی با تقسیم هر تصویر به ‎ 25‎ زیرتصویر همپوشان، اعمال تبدیل به هر زیر تصویر و استخراج cs-lbp‎ از هر زیر باند حاصل از اعمال تبدیل استخراج می گردد. در مرحله بعد جهت مشخص نمودن درجه عضویت زیر تصاویر به کلاس های مختلف از منطق فازی بهره گیری شده است. در نهایت به منظور تخصیص تصاویر به گروه های متناظرشان، پیشنهاد گردید که از توابع عضویت به عنوان ورودی طبقه بندی کننده ماشین بردار پشتیبان استفاده شود و این امر منجر به دستیابی به یک طبقه بندی کننده کارا و توانمند گردید. به منظور ارزیابی این روش، ‎ 25‎ کلاس مختلف انتخاب گردید و مجموعه ای آزمایشات جامع بر روی آن ها انجام شد. آزمایشات نشان می دهد که نتایج روش پیشنهادی بدون نیاز به تعداد زیادی الگوهای آموزشی‏، رضایت بخش بوده و می تواند برای طبقه بندی موثر تصاویر اشعه x ‎پزشکی مورد استفاده قرار گیرد.

در سال های اخیر اطلاعات به دست آمده از تصاویر پزشکی تهیه شده از بیماران نقش عمده ای را در تصمیم گیری پزشک معالج در درمان ایفا می کند. در میان روش های تصویربرداری مختلف، تصویربرداری تشدید مغناطیسی(mr) یکی از دقیق ترین و رایج ترین روش های تهیه تصویر از بدن بیمار به شمار می رود. یکی از دلایل استفاده بسیار از این تصاویر mr در میان پزشکان، اطلاعات بسیار زیاد و مختلفی است که میتوان از این تصاویر تهیه کرد. در نتیجه با کاربردهای بسیاری که انواع تصویربرداری پزشکی در درمان بیماری ها و کنترل پیشرفت بیماریها پیدا کرده اند، استفاده از دانش پردازش تصویر برای استخراج اطلاعات کمی و کیفی از این تصاویر بسیار مورد توجه محققین قرار گرفته است . یکی از پرکاربردترین زمینه ها پردازش تصویر بر روی تصاویر پزشکی ناحیه بندی می باشد.بیماری های قلبی عامل بسیاری از مرگ و میرها و معلولیت های جسمی سنگین در دنیا می باشند. تشخیص و درمان ابتدایی نارسایی های قلبی نقش بسیار مهمی در کاهش مرگ افراد و کاهش به وجود آمدن معلولیت های جسمی خواهد داشت. در سالهای اخیر استفاده از روش های مختلف تصویربرداری در تهیه داده های قلبی مناسب برای پزشکان بسیار موثر و کارآمد می باشد. تشخیص و درمان این بیماری های قلبی می تواند با استفاده از تصاویر تهیه شده از قلب انجام گیرد.می توان این گونه بیان نمود که بطن چپ مهم ترین بافت قلب بوده و عملکرد آن بسیار حیاتی تر از بطن راست به شمار میاید.به همین دلیل بر روی ناحیه بندی این بافت حیاتی متمرکز شده ایم. در این پایان نامه هدف ارائه روشی به منظور ناحیه بندی خودکار بطن چپ از تصاویر تشدید مغناطیسی (mri) قلبی می باشد. جهت ناحیه بندی و استخراج بطن چپ، از الگوریتم سطوح همتراز استفاده میشود. در الگوریتم پیشنهادی ابتدا محدوده قلب با کمک روش mip تعیین می گردد. در ادامه با استفاده از مدل مخلوط گوسی و آستانه گذاری بر روی هیستوگرام ناحیه بدست آمده بطن چپ با تقریبی مناسب استخراج می گردد. در پایان نیز بطن چپ با استفاده از مدل های فعال ناحیه ای استخراج می شود.ارزیابی کیفی و کمی نتایج به دست آمده توسط این روش نشان از کارایی مناسب این روش برای ناحیه بندی بطن چپ دارد.همچنین مقایسه این روش با سایر روش های موجود نشان از بهبود نتایج حاصله توسط روش ارائه شده توسط این پایان نامه دارند.

در این پایان نامه هدف ارائه روشی خودکار به منظور ناحیه بندی تصاویر تشدید مغناطیسی مغز انسان به سه بافت مختلف ماده سفید، ماده خاکستری و مایع مغزی-نخاعی بر اساس الگوریتم سطوح همتراز می باشد. از مهمترین چالش ها در ناحیه بندی خودکار تصاویر تشدید مغناطیسی مغزی وجود نویز و نایکنواختی شدت روشنایی می باشد. در روش پیشنهاد شده در این پایان نامه با استفاده از الگوریتم سطوح همتراز، به طور همزمان ناحیه بندی تصاویر تشدید مغناطیسی مغزی، اصلاح نایکنواختی شدت روشنایی و حذف نویز انجام می گیرد. بدین منظور تابعی ای پیشنهاد شده است که از توزیع گوسی به همراه محاسبه اطلاعات میانگین و واریانس محلی بهره می جوید. در این روش با مدل کردن نایکنواختی شدت روشنایی تصاویر تشدید مغناطیسی مغزی به صورت یک مدل ریاضی به اصلاح آن در زمینه ناحیه بندی این گونه تصاویر پرداخته می شود. همچنین در روش پیشنهادی از میدان تصادفی مارکوف (مدل مارکوف) برای مدل سازی همبستگی مکانی بین پیکسل ها/ وکسل های تصاویر تشدید مغناطیسی استفاده شده است. نتایج اعمال الگوریتم پیشنهادی بر روی داده های شبیه سازی شده و واقعی تصاویر تشدید مغناطیسی و همچنین ارزیابی های کیفی و کمی کارایی و دقت بالای روش پیشنهادی در مقایسه با روش های ارائه شده در سال های اخیر مانند lgdf و fsl را نشان می دهد. کلمات کلیدی: تصویر تشدید مغناطیسی، ناحیه بندی مغز، الگوریتم سطوح همتراز، مدل مارکوف، ناهمگنی شدت روشنایی

در روش پیشنهادی ابتدا لازم است که تمامی اطلس های موجود بر یکدیگر منطبق شوند که این منطبق سازی بصورت خطی انجام می گیرد. سپس میزان شباهت تمامی اطلس های موجود را پس از انطباق، دو به دو با هم مقایسه کرده و این مقایسه با استفاده از معیار فاصله اقلیدسی محاسبه می گردد و مقادیر بدست آمده در یک ماتریس ذخیره می شود. ماتریس بدست آمده، به الگوریتم خوشه بندی lr{affinity propagation} } وارد شده تا اطلس های مشابه در خوشه های یکسان قرار بگیرند و بهترین اطلس ها جهت نماینده خوشه شدن انتخاب گردند. پس از خوشه بندی و مشخص شدن نماینده هر خوشه، شبیه ترین اطلس نماینده را به تصویر هدف جستجو می کنیم که این کار بوسیله محاسبه معیار شباهت lr{nmi} بین تصویر هدف و نتایج عملیات تطبیق بر روی اطلس ها انجام می گیرد و سپس شبیه ترین خوشه به تصویر هدف برای ورود به روند ناحیه بندی انتخاب می گردد. پس از انتخاب مناسب ترین خوشه، تمامی اطلس های درون آن خوشه بصورت غیرخطی بر تصویر هدف منطبق و برچسب های بدست آمده از هر اطلس، به تصویر هدف منتقل می شود. روی برچسب های بدست آمده، عمل متوسط گیری انجام می گیرد و اطلس برآیند محاسبه می گردد. در مرحله آخر تصویر هدف، بوسیله سه بافت متوسط بدست آمده در قسمت قبل ناحیه بندی می گردد. در پایان نتایج ناحیه بندی به روش پیشنهادی با نتایج حاصل از 5 نرم افزار مختلف و تعدادی از نتایج موجود در پایگاه داده ibsr و 4 روش موجود در مقالات مشابه مقایسه شد، که تمامی نتایج بهبود روش ناحیه بندی را نشان می دادند. جهت ارزیابی روشهای ارائه شده، دو پایگاه داده متفاوت lr{ibsr} و lr{loni} استفاده شد. این دو پایگاه داده، داده های با سطوح مختلف نویز و نایکنواختی شدت روشنایی را فراهم می آورند. نتایج ارائه شده چه به طور کیفی چه به طور کمی نشان دهنده دقت ناحیه بندی در ماده سفید و ماده خاکستری است.

تاکنون شبیه سازهای مختلفی برای شبیه سازی تصاویر mri مغزی بزرگسالان ساخته شده است. از آنجا که شبیه سازی تصاویر در این شبیه سازها بر اساس فانتوم ساخته شده از آناتومی سر بزرگسالان می باشد قادر به شبیه سازی تصویر mri خردسالان نیستند. از طرف دیگر در شبیه سازی تصاویر تنها تعداد محدودی از تکنیک های توالی پالس شبیه سازی شده اند. در این پایان نامه شبیه ساز تصاویر mri برای مغز خردسالان طراحی شده است. این شبیه ساز، توانایی شبیه سازی شش تکنیک توالی پالس براساس حل گسسته ی معادلات بلاخ را دارد. دو فانتوم دیجیتال خردسالان با رزولوشن های 1 میلی متری با 9 بافت و 5/0 میلی متری با 6 بافت به دو صورت گسسته و فازی طراحی شده است. آرتیفکت های مختلفی از جمله نویز حرارتی و انحراف شیمیایی نیز شبیه سازی شده اند. تصاویر شبیه سازی شده می توانند به عنوان یک داده ی مرجع جهت مقایسه ی الگوریتم های مختلف آنالیز تصویر مانند ناحیه بندی مورد استفاده قرار گیرند.

مهمترین چالش در بحث تخصیص کانال و کنترل توان شبکه های رادیو شناختگر این است که نه تنها تداخل وارد بر کاربران اولیه کاهش یابد و کیفیت سرویس این کاربران حفظ شود، بلکه کاربران ثانویه نیز بتوانند با حداکثر تعداد و با کیفیت مطلوب به مخابره اطلاعات بپردازند. حل بهینه مسأله فوق با استفاده از روش های برنامه ریزی خطی امکانپذیر است. اما پیچیدگی محاسباتی بالا سبب می شود که استفاده از راه حل های بهینه در عمل امکانپذیر نباشد. به همین خاطر، روشهای زیر- بهینه عملی، از جمله روشهایی بر مبنای تئوری گراف، پیشنهاد شده اند. در این پایان نامه ما توجه خود را بر الگوریتمی به نام diga متمرکز می کنیم. ضمن بررسی دقیق آن چهار الگوریتم ediga ، lcigmin، digmin و digmax را پیشنهاد می دهیم که به ترتیب، انتخاب کاربران ثانویه را بر اساس بسط گراف، کاستن از پیچیدگی، تعریف متفاوت درجه رئوس گراف وحذف بیشترین درجه رئوس گراف، محقق می سازند. در پایان نیز نتایج شبیه سازی ها و کارایی هر کدام از الگوریتم ها در قیاس با یکدیگر ارائه می-گردد.

طبقه بندی بافت از مهم ترین مسائل مطرح در پردازش تصویر و بینایی ماشین است. روش های متنوعی برای استخراج ویژگی از تصاویر بافتی ارائه شده اند. در سالهای اخیر دو دسته ی کلی از این روش ها عملکرد بهتری از خود نشان داده اند. روش های گروه اول مبتنی بر مدل bows هستند و نرخ طبقه بندی بالایی دارند اما زمان بر می-باشند. روش های گروه دوم مبتنی بر الگوی باینری محلی (lbp) بوده و نرخ طبقه بندی کمتری نسبت به گروه اول دارند، اما بسیار سریع تر و مناسب کاربرد های بلادرنگ هستند. در این تحقیق، با اصلاح و ترکیب متناسب روش های گروه دوم و با حفظ نسبی سرعت پردازش، نرخ طبقه بندی در حد بهترین روش های گروه اول افزایش یافته است. بدین منظور، با توجه به اینکه پیش تر استفاده از فیلترهای گوسی و ترکیب ویژگی های مقیاس های مختلف باعث بهبود عملکرد lbp شده است، در ابتدا روشی برای انتخاب مناسب شعاع lbp در مقیاس های مختلف و فیلترهای گوسی متناظر با این شعاع ها پیشنهاد شده، که عملکرد بهتری نسبت به روش مشابه دارد. سپس، روشی برای کد کردن اندازه ی اختلافات محلی به عنوان مکمل lbp ارائه شده، که نسبت به روش های دیگری که از اندازه ی اختلافات محلی استفاده می کنند عملکرد بهتری دارد. همچنین، با توجه به اینکه در روش lbp تنها از هیستوگرام الگوها استفاده می شود، روشی برای استخراج اطلاعات توزیع مکانی الگوها و بر اساس ماتریس هم رخدادی پیشنهاد شده که باعث بهبود عملکرد lbp شده است. در نهایت سه ترکیب مختلف از روش های بالا برای بهبود هرچه بیشتر کارایی lbp ارائه شده است. شبیه سازی ها نشان می دهند که این روش های ترکیبی نتایجی در حد بهترین روش های موجود در مقالات تولید می کنند، در حالی که به مراتب سریع تر هستند.

در سال های اخیر تصویر برداری nirs جای خود را بین تصویر برداری های پزشکی باز کرده است. هزینه کم، غیر تهاجمی بودن و امکان بررسی عملکرد بافت ها، این تصویر برداری را به عنوان یکی از مناسب ترین روش ها در تصویر برداری از سینه، سر و پروستات تبدیل کرده است. برای تشکیل تصویر nirs نیاز به حل مسئله مستقیم و معکوس است. منظور از مسئله مستقیم، مدل سازی و بررسی انتشار نور در داخل محیط است و مسئله معکوس به معنی بازسازی ویژگی های نوری محیط به وسیله داده های گرفته شده از گیرنده ها می باشد. جهت حل مسئله مستقیم از مدل پخش برای مدل سازی انتشار نور در بافت استفاده شده و همچنین روش المان محدود برای حل معادله پخش مورد استفاده قرار گرفته است. حل مسئله معکوس نهایتاً به حل یک مسئله مینیمم سازی می انجامد. در این پایان نامه این مسئله به روش تیخونوف حل شده است. همچنین با بهبود ماتریس ضرایب در فرایند مینیمم سازی، روش سریعی را جهت بازسازی ویژگی های نوری محیط ارائه نموده ایم.

یافتن مرز دقیق شکل در ناحیه بندی تصاویر یکی از چالش های مهم در زمینه ناحیه بندی است. روش سطوح همتراز یکی از رایج ترین روش های ارائه شده در این زمینه می باشد. با توجه به تعداد زیاد ضرایب روش سطوح همتراز، کارکرد صحیح این روش نیازمند تعیین مقادیر مناسب این ضرایب است. برای تعیین ضرایب دو مسئله را باید در نظر داشت: اول اینکه این ضرایب با توجه به نوع تصویر مقادیر متفاوتی به خود می گیرند و دوم اینکه با توجه به تعداد زیاد این ضرایب وبازه قابل قبول برای تغییرات آن ها، فضای جستجوی بزرگی خواهیم داشت. از این رو استفاده از روش آزمون و خطا برای یافتن این ضرایب ممکن به نظر نمی رسد. یکی از ابزارهای ساده و در عین حال کارآمد برای جستجو استفاده از الگوریتم های تکاملی می باشد. در این پایان نامه با ارائه یک تابع هزینه مناسب و همچنین با کنترل پارامترهای الگوریتم تکاملی تفاضلی به روش خود تطبیق توانسته ایم مقدارصحیح ضرایب را تعیین کنیم و در نتیجه مرز دقیقی از شکل را بدست آوریم. الگوریتم ارائه شده به دسته های متنوعی از تصاویر اعمال شده است. نتایج بدست آمده نشان دهنده ی کارایی الگوریتم است.

مغز انسان شامل عدم¬تقارن¬های ساختاری و عملکردی است. مطالعات انجام شده بر روی نوزادان نشانه¬هایی از وجود عدم¬تقارن را گزارش نموده¬اند. رشد جمجمه و به طبع آن رشد مغز نوزادان از طریق بافت غضروفی(شامل فونتانل و دیگر بافت¬های متصل به آن) که در میان جمجمه قرار دارد انجام می¬شود. با توجه به اینکه کنترل رشد و تکامل مغز در نوزادان از بروز اختلالات احتمالی جلوگیری می¬کند، لذا بررسی امکان وجود عدم¬تقارن در بافت فونتانل نوزادان ضروری است. اولین گام در بررسی عدم تقارن ساخت اطلس می باشد. با توجه به وجود عدم¬تقارن در تصاویر استفاده شده در فرآیند ساخت اطلس، اطلس¬های ساخته شده تاکنون نامتقارن می¬باشند. استفاده از این اطلس¬های نامتقارن در مطالعات عدم¬تقارن، سبب ایجاد ابهام می¬شود. در نتیجه، مناسب است که در کابردهای مطالعه عدم¬تقارن بین دو نیمکره از اطلس¬های متقارن استفاده کرد. فونتانل نوزادان در تصاویر ct قابل¬مشاهده است، لذا نیاز به ساخت یک اطلس ct متقارن در بررسی عدم¬تقارن فونتانل می¬باشد. با توجه به قابل¬مشاهده بودن بافت¬های نرم در تصاویر mri بایستی اطلس ct نیز در فضای اطلس mri قرار گیرد. بدین منظور برای اولین بار یک اطلس ترکیبی ct-mri برای نوزادان 39 تا 42 هفته ساخته شده¬است. با استفاده از یک الگوریتم خودکار بافت فونتانل از سایر بافت-های متصل استخراج شده¬است. در ادامه امکان وجود عدم¬تقارن در فونتانل نوزادان در دو فضای واقعی تصویر و فضای یکسان¬سازی شده به اطلس متقارن بررسی شده¬است.

فشرده سازی تصاویر sar در کاهش حجم داده برای ذخیره کردن تصویر و انتقال آن در شبکه های با پهنای باند محدود نقش بسیار مهمی دارد. این پایان نامه الگوریتمی با ساختاری ساده ارائه می دهد که کیفیت تصویر بازسازی شده در یک نرخ بیت ثابت را نسبت به الگوریتم های مطرح موجود بهبود می بخشد. الگوریتم ارائه شده دارای مقیاس پذیری کیفیت می باشد به این مفهوم که با کد کردن یک مرتبه تصویر می توان کیفیت های مختلفی از تصویر را بازسازی کرد. همچنین این الگوریتم از کد کردن ناحیه مورد علاقه(roi) پشتیبانی می کند. الگوریتم ارائه شده بر مبنای اصلاح الگوریتم ezbc است. نظر به آنکه الگوریتم ezbc رویکرد بلوکی در کد کردن تصویر دارد و هر زیرباند را به صورت مجزا کد می کند، هنگام کد کردن ضرایب بین زیرباند های مختلف ارتباط برقرار نمی کند. از اینرو برای تصاویری که دارای پیچیدگی های بافتی زیادی هستند، مناسب می باشد. در الگوریتم ارائه شده برای نمایش بهتر لبه ها و ساختار بافتی تصویر بجای تبدیل موجک از بسته موجک استفاده شده است. با مرتب کردن زیرباندها در بسته موجک بر اساس میزان انرژی و اولویت دادن در کد کردن بلوک های با انرژی بیشتر، الگوریتم برای تصاویر sar بهبود می یابد. نتایج بدست آمده بیانگر بهبود نتایج الگوریتم ارائه شده نسبت به سه الگوریتم مطرح spiht ، speck و ezbc می باشد.

آگاهی از فرآیند رشد مغز در هفته های ابتدایی پس از تولد با استفاده از تصاویر غیر تهاجی تشدید مغناطیسی (mr) در تشخیص، پیشگیری و درمان بیماری های سیستم عصبی و همچنین تغییرات مورفولوژی ناشی از آنها و یا حتی تغییرات ناشی از سن و جنسیت در زمان نوزادی بسیار حائز اهمیت است. وجود یک مدل هندسی مناسب برای مطالعات مورفولوژی لازم است که انتخاب و تخمین بازه زمانی مناسب برای ساخت این مدل وابسته به سن با توجه به نرخ رشد مغز نوزادان و به منظور تحلیل رشد مغز موضوع مهمی است که هیچ تحلیلی مبتنی بر این امر در پژوهش های انجام شده در زمینه ساخت اطلس نوزادان ارائه نشده است. در این رساله، با توجه به نمودارهای رشد سر نوزدان در هفته های پس از تولد، دو بازه زمانی دو هفته ای بعنوان تفکیک پذیری زمانی مدل های هندسی وابسته به سن برای مطالعه رشد مورفولوژی در سطح ماکروسکوپی در هفته های پس از تولد فرض شد. بدین منظور دو بازه سنی 40-39 و 42-41 هفتگی از زمان شروع بارداری (ga) در نظر گرفته شده و دو مدل هندسی مبتنی بر تصاویر mr با وزن t1 در این بازه های سنی ساخته شد. سپس انحراف مکانی و پراکندگی برخی نشانگرهای آناتومی و میانگین متوسط و بیشینه طول بردار دگردیسی مکانی در 30 تصویر آزمون یکسان سازی شده به مدل های هندسی مقایسه و بررسی شدند. نتایج آزمون manova تفاوت معنی دار در انحراف مکان ویژگی های آناتومی و میانگین متوسط و بیشینه طول بردار دگردیسی مکانی را در این دو بازه سنی نشان داد. همچنین تحلیل کمی پراکندگی داده های یکسان سازی شده بین دو بازه سنی، تفاوت معنی دار بین ویژگی های مذکور و تاثیر یکسان سازی به مدل هندسی پویا را در مواردی که آزمون manova منجر به عدم رد فرضیه پوچ می شود نیز تایید کرد. با توجه به نتایج مطروحه در رنج سنی 42-39 هفتگی ga می توان نتیجه گرفت که فاصله زمانی دو هفته، کمینه فاصله زمانی در هفته های پس از تولد برای ساخت مدل هندسی وابسته به سن به منظور بررسی رشد مغز در سطح ماکروسکوپی می-باشد. سپس در این رساله، به کمک نگاشت گروهی بهبود یافته و با استفاده از 16 تصویر mr با وزن t1، دو اطلس مغز بدون بایاس و بدون تارشدگی در بازه های سنی مذکور ، 40-bt39 و 42-bt41، ساخته شد. بزرگتر بودن اطلاعات متقابل بین اطلس های ایجاد شده و تصاویر نگاشت یافته به آنها بدلیل شباهت بیشتر بین آنها در مقایسه با اطلس های موجود برای نوزادان و اطلس های ایجاد شده با روش نگاشت گروهی معمولی می باشد. بعلاوه نتایج نشان می دهد که اطلس مغزی نوزادان ایجاد شده در این رساله حاوی اطلاعات آناتومی غنی تری در مقایسه با دیگر اطلس های موجود برای نوزادان می باشد. با استفاده از اطلاعات دگردیسی و دترمینان ژاکوبین حاصل از یکسان سازی تصاویر به اطلس ها و یکسان سازی دو اطلس 40-bt39 و 42-bt41 به یکدیگر، تحلیل رشد مغز نوزادان در بازه زمانی مورد نظر انجام شد. بطور مثال، با استفاده از همپوشانی دترمینان ماتریس ژاکوبین حاصل از یکسان سازی اطلس مغزی 40-bt39 به اطلس مغزی 42-bt41 می توان نواحی که تغییر حجم بزرگتر و یا کوچکتر از تصویر مرجع در یکسان سازی دارند را مشخص کرد.

در سیستم های رادار معمولی صرفاً وجود هدف و مختصات محل قرارگیری هدف نسبت به رادار تعیین می شود. اما در سیستم های مدرن قابلیت تشخیص نوع هدف و طبقه بندی آن نیز فراهم می شود که این اطلاعات می تواند در کاربردهای مختلف مورد استفاده قرار گیرد. خصوصاً در رادارهای نظامی می تواند برای تعیین درجه تهدید اهداف بکار گرفته شود. در این پایان نامه شناسایی اهداف هوایی با استفاده از اطلاعات فاصله با حدتفکیک بالا مدنظر قرار گرفته است. از میان روشهای مختلفی که برای تشخیص هدف براساس اطلاعات فاصله با حدتفکیک بالا وجود دارند کاملترین روش که مبتنی بر روش بیز می باشد انتخاب شده و عملکرد این روش جهت تشخیص اهداف هوایی براساس اطلاعات فاصله با حدتفکیک بالا مورد بررسی قرار داده می شود. نکته مهمی که در این روش و کلاً روشهای تشخیص وجود دارد تولید بانک اطلاعات است. جهت تولید اطلاعات فاصله از نرم افزاری استفاده شده که بر پایه روابط الکترومغناطیس می باشد. این نرم افزار با در نظر گرفتن هدف بصورت قسمت های کوچکتر با بدست آوردن برگشتی مربوط به هر جزء، اطلاعات فاصله را بصورت تقریبی تولید می کند. در روش بیز نیاز است که از یک توزیع آماری احتمال برای اطلاعات فاصله استفاده شود که در این پایان نامه با فرض مدل های قطعی ، گوسی و گاما تحلیل ها انجام گرفته است. نتایج شبیه سازی های انجام گرفته در این پایان نامه بیانگر دقت عملکرد مدل قطعی می باشد ولی باید گفت که مدل های گاما و گوسی دارای بانک اطلاعات کوچکتری می باشند که این باعث می شود که سرعت این مدل ها در تشیخص اهداف از مدل قطعی بالاتر باشد.

امروزه تصاویر بافت در گستره ی وسیعی از علوم، از پزشکی تا صنایع فضایی، کاربرد وسیعی یافته اند. یکی از مهم ترین مسائل مرتبط با این تصاویر، چگونگی ناحیه بندی دقیق آنها می باشد. شیوه های متنوعی تا کنون برای این منظور ابداع شده است و هر روز نیز شیوه های جدید تری ارائه می شوند. عموما ناحیه بندی بافت، شامل دو مرحله می شود: اول ویژگی های تصویر استخراج می شوند و سپس با استفاده از یک سری معیارها، ناحیه بندی انجام می شود. قلب یک روش ناحیه بندی استخراج ویژگی ها می باشد و هر چه ویژگی های استخراجی دقیق تر باشند، ناحیه بندی انجام شده به حالت ایده آل نزدیک تر خواهد بود. ثابت شده است که ویژگی های استخراج شده از اعمال عملگر سلول شبکه ای به تصویر، در مقایسه با سایر عملگرهای موجود، دقیق تر می باشند. اما پیاده سازی ها نشان می دهند که اعمال این عملگر مستلزم محاسبات نسبتا پیچیده بوده و زمان بر می باشد و بنابراین هم شبیه سازی آن و هم پیاده سازی آن با استفاده از مدارات عملی، مشکل می باشد. استفاده از تبدیلات موجک به واسطه ی داشتن ویژگی های کاربردی، روز به روز رایج تر می شود. از جمله این ویژگی ها می توان به توانایی این تبدیلات در آنالیز یک سیگنال در اندازه و رزولوشن های مختلف و نیز وجود مدارات عملی و ساختار های کاربردی vlsi برای پیاده سازی آنها اشاره نمود. در این پایان نامه، هدف طراحی موجک، با توانایی استخراج ویژگی های مشابه با ویژگی های مستخرج شده از عملگر سلول شبکه ای می باشد. بنابراین می توان از خصوصیات تبدیل موجک و مخصوصا سادگی پیاده سازی های عملی آن برای ناحیه بندی بافت استفاده نمود. برای این منظور ابتدا موجک های با طول محدود b-spline را که مشابه با اعمال فیلترهای گابور عمل می کنند، پیدا می کنیم و سپس با استفاده از ساختار lifting و ویژگی های آن، عملگر سلول شبکه ای پیاده سازی می شود. در پایان نتایج پیاده سازی و اعمال این موجک ها به تصاویر دلخواه نشان داده می شود و این نتایج با نتایج حاصل از اعمال عملگر سلول شبکه ای، مقایسه می شود. نتایج نشان دهنده ی این است که ویژگی های به دست آمده از موجک های طراحی شده، مشابه با ویژگی های عملگر سلول شبکه ای می باشد.

داده های پلاریمتری سار به دلیل اطلاعات گسترده ای که در مورد منطقه تصویربرداری شده ارائه می¬دهند امروزه بسیار مورد توجه قرار گرفته¬اند. به دلیل اطلاعاتی که سار پلاریمتری ارائه می¬دهد یکی از کاربردهای اصلی این نوع داده ها استفاده برای طبقه بندی تصاویر می¬باشد. داده های پلاریمتری سار حجم زیادی را اشغال می¬کنند و این حجم زیاد باعث مشکلاتی مانند کم شدن سرعت پردازش، پایین آمدن سرعت انتقال داده، نیاز به پهنای باند زیاد برای انتقال و نیاز به فضای ذخیره سازی زیاد می¬گردد. برای حل این مشکل در این پایان نامه روشی برای فشرده سازی داده های پلاریمتری سار ارائه شده است. در روش پیشنهادی به منظور تعیین ناحیه مورد علاقه تصاویر پلاریمتری توسط الگوریتم طبقه بندی اچ/ای/آلفا طبقه بندی می¬شوند، ناحیه مورد علاقه انتخاب می¬شود و این ناحیه و بقیه تصویر به کمک الگوریتم فشرده سازی به نحوی فشرده سازی می¬شوند که کیفیت ناحیه مورد علاقه بیشتر از ناحیه زمینه باشد. سادگی پیاده سازی الگوریتم و کیفیت بالای فشرده سازی ناحیه مورد علاقه و ناحیه زمینه بر اساس معیار کیفیت معرفی شده در متن از ویژگی های این روش می¬باشد.

استفاده از تصاویر درموسکوپی یکی از راه های تشخیص ضایعات پوستی است. ناحیه بندی یکی از مهم ترین مراحل تشخیص سرطان به کمک تصاویر درموسکوپی است که نقش مهمی در مراحل بعدی تشخیص دارد. در این پایان نامه روشی برای ناحیه بندی تصاویر درموسکوپی براساس منحنی های فعال و شبکه عصبی ساختار جنگلی پیشنهاد شده است. به منظور ناحیه بندی با استفاده از منحنی های فعال ابتدا به حذف مو، تشخیص سایه و حذف آن پرداخته می شود. در مرحله بعد به کمک الگوریتم های بهینه سازی، تصویری با بیشترین کانتراست جهت ناحیه بندی انتخاب می شود. سپس به کمک روش مالتی اتسو کانتور اولیه انتخاب می شود. در نهایت ناحیه بندی با منحنی های فعال انجام خواهد شد. نتایج پیاده سازی نشان می دهد که روش پیشنهادی دقت بهتری نسبت به روش های ارایه شده دارد. در این پایان نامه روش دیگری برای ناحیه بندی تصاویر درموسکوپی براساس شبکه های عصبی ساختار درختی و الگوریتم بهینه سازی تجمع ذرات پیشنهاد شده است. در مرحله پیش پردازش بعد از حذف مو، ضرایب بهینه تصویر بدست می آیند. یک ناحیه بندی اولیه روی تصویر با ضرایب بهینه با استفاده از مالتی اتسو انجام می شود. در مرحله ناحیه بندی ابتدا ناحیه بندی اولیه اصلاح می شود. برای شکل گیری شبکه عصبی ساختار جنگلی، نمونه های بهینه با استفاده از الگوریتم بهینه سازی تجمع ذرات انتخاب می شوند. نتایج پیاده سازی نشان می دهد الگوریتم ارایه شده دقت بهتری نسبت به الگوریتم های آستانه گذاری اتسو و k-means دارد.

روند پیچیده ای که سرانجام منجر به دریافت فن آوری در قالب یکی از قراردادها یا ترکیبی از آنها می گردد، شامل مرحله هایی است که از شناخت فن آوری و هم چنین از واگذارکنندگان آن در سطح بین المللی آغاز شده و در پایان به نظارت بر حسن انجام مفاد قرارداد خاتمه می یابد. در این بین مرحله های انتخاب ، مذاکره و عقد و امضای قراردار هر یک از اهمیت ویژه ای برخوردار است که عدم توجه به آن ها می تواند عاملی در انحراف از هدف دست یابی به فن آوری مورد نظر باشد. لازم به یادآوری است که در تمامی مرحله هایی این روند، افراد کاردان و سازمان کارآمدی لازم است که بتواند در رویارویی با طرف واگذار کننده (که در واقع هوده ی خود را در نظر دارد) از عهده ی تامین و حفظ هوده ی طرف دریافت کننده ی فن آوری برآید. در مرحله ی شناخت و انتخاب ، ابتدا باید مشخص کرد که چه می خواهیم سپس منابع تامین فن آوری در سطح جهانی راشناسایی کرده و در آخر، با توجه به مالی و انسانی و هم چنین پیشنهادهای منابع تامین ویژه از طرف آنها، گزینه ای مطلوب را از بین منابع مشخص کینم. این مرحله، در قراردادهای انتقال فن آوری، مهم ترین مرحله است ، چرا که اگر این مرحله به درست صورت پذیرد، این امکان را فراهم می کند که امر انتقال به گونه ای مطلوب انجام شود. پس از مرحله ی شناخت ، مرحله ی مذاکره است . میزان تسلط عناصر مذاکره کننده بر مسایل فنی مالی و حقوقی، در یان مرحله اثر بسیار مهمی در انتقال مطلوب فن آوری دارد. بایستی از روش ها، قوانین و هم چنین از حیله های مورد استفاده ی شرکت های چند ملیتی در تنظیم قردادهای فن آوری آگاه بود تا بتوان بیش ترین امتیازها را برای کشور به دست آورد. شکی نیست که افراد شرکت کننده در این مرحله باید از تجربه ی دانش و توان علمی و فنی، در حد مطلوب ، برخوردار باشند. مرحله ی بعدی، مرحله ی عقد و امضای قرارداد و مرحله ی نظارت بر حسن انجام کار و مفاد قرارداد است . کشورهای واگذارکننده ای فن آوری، به گونه های مختلف ، سعی می کنند که با استفاه از راه های گونه گون از انتقال مطلوب فن آوری جلوگیری کنند. بررای نمونه، محدودیت های منع صادرات ، منع بالابردن میزان صادران، منع بالابردن میزان تولید یا جلوگیری از نوآوری یا دریافت انواع حقوق بابت علامت های تجاری، از جمله راه هایی است که واگذارکنندگان فن آوری بدان متوسل می شوند. در مرحله های مختلف قراردادهای انتقال فن آوری، لازم است که چگونگی انتقال، بسته به نوع قرارداد مورد توجه کافی قرار گیرد. آشنایی به قوانین صنعتی، حقوقی و مالی کشور و واگذار کننده ی فن آوری و هم چنین، دانش و تجربه ای کافی در زمینه ی فن آوری مورد درخواست ضروری است .