تصاویر دیجیتال به دلیل کاربردهای فراوانی که دارند از اهمیت خاصی برخوردارند. اما مشکلی که در این زمینه وجود دارد این است که این تصاویر ممکن است تحت تاثیر عوامل گوناگونی در معرض نویز قرار گرفته و یا به عبارت دیگر تخریب شوند. از آنجایی که این تخریب کارایی دیگر حوزه های کار با تصویر از جمله بخش بندی تصاویر، بازشناسی الگو و دیگر پردازش های تصویر را مختل می کند، فیلترهای بسیاری به منظور بهبود تصاویر تخریب شده در حوزه های مختلف تا به امروز ارائه شده اند. از طرفی با توجه به ماهیت تصادفی بودن نویزهای موجود در تصاویر و عدم قطعیتی که دارند، علاقه مندی به منطق فازی و به طبع آن فیلترهای فازی در بهبود تصاویر رو به افزایش است. فیلتر میانه- میانگین فازی یکی از فیلترهای کارامد در حذف نویز ضربه از تصویر است. اما هنگامی که میزان چگالی نویز در تصویر بالا رود، فیلتر فازی عملکرد خوبی از خود نشان نمی دهد. برای غلبه بر این مشکل روشی پیشنهاد شده که در ترکیب با فیلتر فازی مورد نظر کارایی بسیار خوبی را از خود نشان می دهد. ایده ی این روش به این صورت است که یک همسایگی در اطراف پیکسل نویزی مرکزی در نظر گرفته و مقدار میانگین پیکسل های غیرنویزی همسایگی جایگزین پیکسل مرکزی می شود. برای پیکسل های نویزی در همسایگی این روال ادامه پیدا می کند تا جایی که دیگر پیکسل نویزی در همسایگی پیکسل مرکزی وجود نداشته باشد. با ترکیب این ایده با فیلتر میانه- میانگین فازی، فیلتر میانه- میانگین فازی بهبود یافته به دست خواهد آمد. فیلتر فازی به دست آمده در رفع نویز ضربه به خصوص در تصاویری که به شدت و با درصدهای نویز بالا تخریب شده اند، بسیار کارآمد است. به منظور مقایسه فیلتر مورد نظر با روش های دیگر حذف نویز، از معیارهای شناخته شده استفاده شده است. همچنین به کمک الگوریتم nam عملکرد فیلتر مزبور در حفظ جزییات مورد ارزیابی قرار گرفته است.

در تصاویر پزشکی به علت وجود نویز در داده ها ی دریافتی، به طور محسوس عدم قطعیت در داده ها را داریم. مخصوصاً مرز بین بافت ها دقیقاً مشخص نیست و عضویت در هر ناحیه ذاتاً فازی است. بخش بندی دستی تصاویر یک فرآیند زمان بر است و خطاهای انسانی در آن نقش زیادی دارد. ام آر آی یکی از انواع مهم تصاویر پزشکی است که امروزه پیشرفت های زیادی در بخش بندی خودکار آن صورت گرفته است. یکی از روش های معمول و متداول بخش بندی تصاویر ام آر آی، استفاده از الگوریتم خوشه بندی فازی است. این الگوریتم به پیکسل ها این امکان را می دهد که با درجه عضویت های مختلف در دسته های متفاوت قرار بگیرند، اما الگوریتم پایه خوشه بندی فازی دارای ضعف های فراوانی است که منجر به کاهش دقت بخش بندی خواهد شد. یکی از این ضعف ها عدم استفاده از اطلاعات مکانی پیکسل ها در بخش بندی است. در نتیجه این الگویتم بسیار حساس به نویز است. در این تحقیق به منظور جبران ضعف الگوریتم خوشه بندی فازی، تنها به مقادیر شدت روشنایی پیکسل ها اکتفا نشده و از اطلاعات پیکسل های همسایه نیز استفاده شده است. سپس از یک شبکه عصبی به عنوان طبقه بند در کنار الگوریتم خوشه بندی فازی استفاده می شود تا به این وسیله ضعف های الگوریتم خوشه بندی فازی تا حدودی مرتفع گردد. به منظور ارزیابی و سنجش کارایی روش های پیشنهادی شبیه سازی های فراوانی صورت گرفت. نتایج کمی و کیفی اجرای الگوریتم ها روی داده های واقعی و شبیه سازی شده حاکی از برتری روش های پیشنهادی بر روش های شناخته شده قبلی در بخش بندی تصاویر ام آر آی است. روش های پیشنهادی روی داده های شبیه سازی شده به خصوص در برش های بالایی و پایینی که طبقه بندی آن دشوارتر می باشد در مقایسه با یکی از روش های مورد مقایسه قبلی که بهترین نتیجه را داشته است حدود 3 تا 4 درصد بهبود داشته است. همچنین روی داده های واقعی نیز روش های پیشنهادی در قطعه بندی بافت ماده سفید در مقایسه با یکی از جدیدترین روش های ارائه شده (2011 - cswtsom) افزایش هشت درصدی را نشان می دهد.

یکی از مسائل مهم و قابل توجه در سیستم های هوشمند و بینایی ماشین ردیابی اهداف است. هدف ما در این پایان نامه رهگیری مقاوم و موثر خودروهای مشاهده شده از دنباله تصاویر گرفته شده توسط دوربین ثابت است. شناسایی اهداف اولین مرحله در الگوریتم های ردیابی است. بدین منظور از روش های تفاضل پس زمینه استفاده نموده ایم. برای مدل کردن پس زمینه از روش های تفاضل فریم ها و تفاضل زمینه استفاده شده است. پس از به دست آوردن مدل زمینه، پیش زمینه متحرک حاصل می شود. ویژگی-های مورد استفاده در ادبیات تحقیق رنگ و الگوی باینری محلی می باشند و از این ویژگی ها جهت ردیابی وسایل نقلیه به همراه الگوریتم جابه جائی میانگین استفاده شده است. یکی از مشکلات اساسی در ردیابی، هم پوشانی دو خودرو با یکدیگر است. برای رفع مشکل هم پوشانی اهداف، از فیلتر کالمن به همراه روی-کرد جابه جائی میانگین استفاده شده است. مزیت استفاده از فیلتر کالمن در این است که اگر اشیای مشابه در ناحیه ی جستجو وجود داشته باشند، فیلتر کالمن این مسئله را مدیریت می کند. نتایج به دست آمده بیان گر آن است که روش پیشنهادی قابلیت ردیابی مطمئن شی، با وجود هم پوشانی جزیی و تغییرات تدریجی در رنگ و بافت شی و زمینه را خواهد داشت و تغییرات در اندازه شی را به خوبی جبران می کند.

قطعه بندی تصویر، یک مساله پایه در بینایی ماشین است. در روش مبتنی بر برش نرمالیزه گراف (ncut)، حل این مساله به انتخاب بردار ویژه متناظر با دومین کوچکترین مقدار ویژه یک ماتریس خاص می انجامد. در این پایان نامه، ضمن بیان هم ارزی رابطه ریاضی حاکم بر مساله ی بدون مربیِ ncut با معیار fisher-rao در طبقه بندیِ با مربی، از نگاهی نو به مساله ی انتخاب بردار ویژه پرداخته شده است. در این پژوهش با پیشنهاد معیاری کارا از دیدگاه fisher-rao، به گزینش و مرتب سازی بردارهای ویژه در مساله هم ارز ncut آن پرداختیم. نتایج آزمایش هم ارزی قطعه بندی تصویر برپایه این دو معیار، ارایه قطعه بندی با اندازه ncut کمتر و گوناگونیِ ارزش گذاریِ بردارهای ویژه را نشان می دهد. همچنین در این پایان نامه، یک الگوریتم یادگیری اصلاح شده برای شبکه های توابع اساسی شعاعی پیشنهاد شده است که منجر به تعداد نرون های لایه میانی کمتری می شود در حالی که دقت طبقه بندی شبکه های توابع اساسی شعاعی را حفظ می کند. برای این منظور از روش خوشه بندی مبتنی بر برش نرمالیزه برای ساخت طبقه بندی کننده ی شبکه توابع اساسی شعاعی استفاده شده است. وزن های بین لایه ی نهان و لایه ی خروجی با استفاده از روش شبه معکوس محاسبه شده است.دقت روش پیشنهادی با روش متداول آموزش شبکه های توابع اساسی شعاعی مبتنی بر k-means مقایسه شده است. نتایج آزمایش ها نشان می دهد که روش پیشنهادی در کاهش تعداد نرون های لایه میانی موثر است در حالی که دقت طبقه بندی را ثابت نگه می دارد. همچنین با استفاده از شبکه تابع اساسی شعاعی به قطعه بندی تصویر پرداختیم.

بهبود کنتراست یکی از شاخه های جالب و مورد توجه در زمینه ی بهبود تصاویر است و کاربردهای گسترده ای در بسیاری از زمینه های علمی مانند پردازش تصویر و بینایی ماشین پیدا کرده است. به طور کلی نامناسب بودن کنتراست تصویرها/ویدیوها به عوامل زیادی ازجمله کیفیت پایین ابزارهای اندازه گیری و حسگرهای بکار رفته در آن ها، نداشتن تجربه کافی کاربرها در تصویر برداری و همچنین چگونگی نورپردازی و شرایط محیطی نامناسب وابسته است. این عوامل منجر به محو شدن برخی از جزییات مهم، تیره یا روشن شدن بیش از اندازه و در نهایت غیر طبیعی بودن تصویر/ویدیو خواهد شد. بروز این عوامل در گستره ی وسیعی از تصاویر مانند تصاویر دیجیتالی سطح خاکستری و رنگی، تصاویر ماهواره ای و از راه دور، تصاویر بیولوژیکی، پزشکی و تصاویر چهره و نیاز به بهبود آن ها باعث شده تا روش های گوناگونی جهت بهبود کنتراست در سال های اخیر ارایه شود. این روش ها به دو دسته ی کلی مستقیم و غیرمستقیم تقسیم می گردند. روش غیرمستقیم در حوزه ی مکان به اصلاح هیستوگرام و گسترش بازه ی دینامیکی تصاویر می پردازد و به دلیل پردازش های ساده و مبتنی بر درک، توجه زیادی را به خود جلب کرده است. روش های ارایه شده در این شاخه به دلیل عدم کنترل بر اندازه ی کنتراست تصاویر، منجر به بروز آثار نامطلوبی مانند تغییرات زیاد روشنایی، محو اطلاعات مفید، پدیدار شدن لکه های نویزی در نواحی هموار و غیرطبیعی به نظر رسیدن آن ها می شود. در نتیجه در این پایان نامه طی رویکردی غیرمستقیم برای کنترل میزان افزایش کنتراست و آثار نامطلوب آن دو راهکار پیشنهاد شده است. در روش نخست به کمک اطلاعات محلی توزیع سطوح خاکستری که از روی هیستوگرام دوبعدی به دست می آید طی یک مساله بهینه سازی مناسب به اصلاح هیستوگرام تصویر می پردازیم. در روش دوم، با ارایه تفسیر دیگری از مساله اصلاح هیستوگرام طی یک مساله بهینه سازی بازنویسی شده، هیستوگرام تصویر بهبود یافته را به طور هم زمان به هیستوگرام اصلی تصویر و توزیع یکنواخت نزدیک می کنیم. نتیجه ی آزمایش ها بر روی تصویرهای گوناگون کارایی مناسب روش های پیشنهادی را نشان می دهد.

با پیشرفت جامعه ی اطلاعاتی، تصاویر از اهمیت بیش تری برخوردار شدند. در این میان، آشکارسازی پوست در بسیاری از کاربردهای حوزه ی پردازش تصویر و بینایی ماشین از جمله ردیابی چهره، آنالیز ژست و غیره نقش مهمی ایفا می کند. آشکارسازی پوست به معنی تمیز دادن پیکسل های پوستِ انسان از پیکسل های غیر پوست، در یک تصویر دیجیتال است. در این پژوهش، از مدل هیستوگرام دو بعدی و روش تصمیم گیری بیز به منظور آشکارسازی استفاده شده است. با استفاده از مدل هیستوگرام دو بعدی و وارد نمودن اطلاعات محلی در محاسبات، فرآیند آشکارسازی در برابر شرایط نورپردازی متغیر، مقاوم شده است. هم چنین انتخاب ویژگی های مناسب جداساز و رهیافت ادغام ویژگی ها، کارایی الگوریتم را به مقدار قابل توجهی ارتقا داده است. با بررسی ویژگی های آماری تصاویرِ پوستِ انسان در مجموعه داده های مختلف، ماسکی ارائه نموده ایم که می تواند نتیجه ی نهایی آشکارسازی را بهبود چشمگیری بخشد. نتایج الگوریتم پیشنهادی در این پایان نامه و روش های مورد مقایسه نشان می دهد روش پیشنهادی از کارایی بالاتری نسبت به روش های پیشین برخوردار است.

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

نهان نگاری دیجیتال به موضوع نهفته سازی پیام های دیجیتال در رسانه های دیجیتال می پردازد. از این میان، نهان نگاری تصویر و ویدئو دارای کاربردهای فراوانی در ارتباطات سری، حفاظت از حق تالیف، حفاظت در مقابل جعل و تحریف و کپی برداری غیرمجاز، پخش تلویزیون دیجیتال و اینترنت است. روش های متداول نهان-نگاری دیجیتال در تصویر، یا در حوزه ی فضا یا مکان و یا در حوزه ی تبدیل عمل می کنند. روش های حوزه ی فضا دارای سادگی و سرعت هستند اما در برابر پردازش های تصویری مقاومت کمی دارند. روش های حوزه ی تبدیل مقاوم تر بوده ولی دارای پیچیدگی های زیادی هستند. در این پایان نامه، روشی برای نهان نگاری ویدئوی دیجیتال در حوزه ی تبدیل ارائه شده است.

در این پایاننامه روشی جدید برای ادغام تصاویر چندفوکوسه بر مبنای مدل همدوسی فاز ارایه شده است. الگوریتم پیشنهاد شده دارای دو مرحله است. در مرحله ی نخست، اندازه اطلاعات تصاویر ورودی با استفاده از مدل همدوسی فاز استخراج می شود. ایده اصلی کار در این مرحله بر پایه این حقیقت است که ویژگی های تصویر از جمله لبه ها در نقاطی از تصویر که مولفه های فرکانسی در آن نقاط در هم فازی بیشینه هستند، قرار دارند. در مرحله ی دوم به تصمیم گیری برای انتخاب ویژگی های برتر و در نتیجه ادغام تصاویر پرداخته می شود. درادامه برای افزایش سرعت الگوریتم در مرحله تصمیم گیری، بلوک های مطلوب با تعیین آستانه مناسب و بلوک های دیگر طی یک فرآیند تکراری با استفاده از الگوریتم خوشه بندی k-meansانتخاب شده و عملیات ادغام انجام می شود. آزمایش ها و بررسی های انجام شده بر روی تصاویر گوناگون حاکی از آن است که الگوریتم پیشنهادی نسبت به دیگر روش های موجود، برتری چشم-گیری دارد.