چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

تبدیل رادن کاربردهای زیادی در زمینه پردازش تصویر و توموگرافی دارد و می توان آنرا در حالت پیوسته و گسسته تعریف کرد. محاسبه تبدیل معکوس رادن یکی از مسائل مشکل در پردازش تصویر می باشد. مسئله محاسبه تبدیل رادن معکوس همان مسئله بازسازی تصویر با استفاده از نگاشتهای آن می باشد. روش های مختلفی جهت محاسبه تبدیل رادن وجود دارد که در بین این روشها، روش کانولوشن نگاشت برگشتی بیشتر مورد استفاده قرار دارد که این روش دو اشکال به همراه دارد اول آنکه در آن از فیلتر بالا گذر استفاده شده که باعث تقویت نویز در فرکانسهای بالا می گردد و دوم اینکه برای داشتن کیفیت بالا نیاز به تبدیل رادن از زاویه صفر تا 180 درجه به صورت متوالی می باشد. در این پایان نامه با بدست آوردن ارتباط بین تبدیل رادن و تبدیل کسینوس گسسته و همچنین خاصیت کدگذاری منطقه ای، روشی ارائه گردیده که با داشتن تبدیل رادن در تعداد زوایای کمتر و بدون استفاده از فیلتر، عمل بازسازی تصویر با استفاده از نگاشتهای آن ارائه می گردد. سپس روش مذکور با استفاده از شبکه عصبی هوپفیلد نیز پیاده سازی شده که نتایج بهتری را نشان می دهد.

با پیشرفت علم، تصویر به عنوان یک وسیله جهت درک اطلاعات از محیط اطراف ، مورد توجه قرار گرفته است . مشاهده یک تصویر میتواند اطلاعاتی به حجم دهها صفحه نوشتار، دراختیار قرار دهد. پیشرفت روزانه نمایشگرها، تاکیدی بر لزوم بررسی بیشتر پردازش تصویردارد. از اینرو افزایش وضوح تصاویر، از مسائل، مهم در تصاویر مورد مشاهده میباشد. در رساله حاضر، روشهای موجود در مورد افزایش وضوح لبه های تصاویر به منزله تفکیک بهتر نواحی مختلف آنان و هموارسازی تصاویر همراه با نویز، به عنوان افزایش وضوح در این گونه تصاویر، بررسی میشوند. روشهای مختلف رسم نقشه لبه های یک تصویر، در راستای افزایش وضوح لبه های آن، از جمله مباحث دیگر رساله میباشد . طرح یک آشکارساز لبه بر مبنای استفاده از فیلترهای میانی جدایی پذیر برگشتی پیشنهاد میشود، که آشکارساز لبه مطلوبی جهت تغییرات پله ای روشنایی باشد.

با پیشرفت فنآوری تصویربرداری پزشکی و افزایش حجم اطلاعات تولید شده توسط این دستگاهها برای ارسال و ذخیره این تصاویر احتیاج به آلگوریتم های سریعتر و حافظه های جانبی بیشتری می باشد.در تمام مراحل، اعم از انتقال تصاویر یا ذخیره سازی آنها به منظور صرفه جویی در وقت و هزینه عملیات فشرده سازی روی تصاویر اعمال می شود .معمولا تصاویر پزشکی به گونه ای هستند که تمام تصویر دارای اهمیت یکسانی نیست، بدین دلیل در رساله حاضر سعی در فشرده سازی ناحیه های مختلف با کیفیتهای متفاوت می باشد تا ضریب فشرده سازی بالاتری بدست آید. همچنین از آنجا که پس زمینه تصویر می تواند نویز محسوب شود با استفاده از سطح آستانه مناسب، صفر می شود. در این پایان نامه سعی شده با ایجاد قابلیت انتخاب نواحی به شکل چندضلعی های نامنظم و حذف پس زمینه به روش جدید و استفاده از تبدیل موجک با حفظ کیفیت تصویر ، ضریب فشرده سازی مطلوب فراهم گردد.

در این رساله پدیده خاموش شوندگی فلورسنس در مخلوط الیفا از قبل رنگرزی با مواد رنگزای فلورسنت و سفید کننده نوری و همچنین رنگ همانندی آنها با استفاده از شبکه عصبی مورد مطالعه قرار گرفته است.در هنگام استفاده از رنگهای فلورسنت و همچنین سفید کننده های نوری مقدار نور بازتاب شده ناشی از وجود پدیده فلورسنت تا مرحله ای با افزایش غلظت ماده فلورسنت افزایش و پس از آن کاهش می یابد. در تحقیق فعلی وقوع این پدیده در مخلوط الیاف از قبل رنگشده با این مواد بررسی و با فراهم نمودن نمونه های مشابهی که با مقدار یکسانی از این مواد در هنگام رنگرزی مخلوط گردیده بودند، اختلاف بین نمونه های مشابه بررسی گردید.نتایج غالبا متفاوتی از حیث مقدار خاموش شوندگی در دو دسته ذکر شده مشاهد گردید.در برخی نمونه های مخلوط الیاف از قبل رنگشده ارتفاع پیک صدور فلورسنت بالاتر بود در حالیکه در اکثر نمونه ها این ارتفاع برای مخلوط مواد رنگزا بیشتر بود ضمن آنکه در بعضی نمونه ها نظیر در دو دسته تشابه بسیار زیادی در منحنی های مربوط به فاکتور تشعشعات کلی مشاهده گردید.در دنباله کار پژوهشی انجام شده رنگ همانندی مخلوط الیاف از قبل رنگشده با مواد رنگزای فلورسنت و سفید کننده نوری صورت گرفت . رنگ همانندی مواد رنگزای فلورسنت بدلیل عدم تبعیت رنگها از نظریه رایج کیولکا مانک به سادگی میسر نیست و این مشکل در صورت اختلاط الیاف از قبل رنگشده مضاعف می گردد. در این پروژه از شبکه های عصبی برای پیشگویی رنگ اینگونه مخلوط ها استفاده گردید. دو سری شبکه عصبی با معماری متفاوت مورد بررسی قرار گرفتند به نحویکه در یکی از آنها ورودیهای شبکه مقادیر فاکتور انعکاس کلی نمونه ها و خروجی آن مقادیر در صد اجزا مخلوط ها بودند. در شبکه دیگر ورودی ها مقادیر محرکه های سه گانه در فضا رنگ ‏‎ciel*a*b*‎‏ بوده و خروجی ها مشابه شبکه قبل درصد حضور اجزا موجود در مخلوط ها بودند. شبکه های مزبور با نمونه های تهیه شده آموزش داده شدند و از انها در پیشگویی درصد حضور هر لیف رنگین در مخلوط های متفاوت استفاده گردید.نتایج نشان داد : استفاده از مقادیر انعکاسی کلی نمونه ها بعنوان ورودی های شبکه مناسبتر از روش آموزش با استفاده از مقادیر محرکه های سه گانه بوده است. انتخاب وفقی الگوها با توجه به موقعیت قرارگیری آنها در فضا رنگ ‏‎l*a*b*‎‏ علاوه ر کاهش مقدار خطا برای برخی از نمونه ها از تعداد تکرارها نیز به نحو محسوسی کاسته شده است. عبور مقادیر خروجی از توابع خطی (نرمالیز کردن غلظتها) نتایج مناسبتری را نسبت به حالتی که از غلظتهای اولیه استفاده می گردد ، بدست می دهد.