ساختار های چند لایه ای بسیار نازک پوشش مناسبی برای نیمه هادیها بوده و در عین حال نقش بسیار مهمی در صنایع نیم رسانا ها و تجهیزات میکروالکترومکانیک و نانوالکترومکانیک دارد. اطلاع از خواص تشعشعی ساختار های چند لایه ای شامل سیلیکون و مواد مرتبط مانند دی اکسید سیلیکون، نیترید سیلیکون با پارامترهای متفاوت، جهت کاربردهای سیستمهای کوچک ضروری است. لایه های نیترید سیلیکون، از جهات متفاوتی در علم مواد حائز اهمیت می باشد این لایه ها دارای خواص مختلفی نطیر سختی زیاد، پایداری حرارتی بالا، خواص دی الکتریک مناسب، مقاومت الکتریکی بسیار بالا و ضریب انبساط حرارتی بسیار پایین می باشند. لایه های نیترید سیلیکون در موارد بسیاری از جمله دروازه دی الکتریک در ترانزیستورهای با لایه نازک، حافظه های تصادفی دینامیکی و به عنوان لایه های ضد بازتاب در سلولهای خورشیدی و ... کاربرد دارند. این پایان نامه اثر پارامترهای گوناگون بر روی خواص تشعشعی ساختارهای چند لایه ای نانو مقیاس را شرح می دهد. از سیلیکون آلاییده کم استفاده شد و همچنین روش همدوس اعمال شد. بیانهای تجربی برای ثابت های نوری سیلیکون آلاییده کم مورد استفاده قرار گرفت بهینه سازی ضرایب بازتاب، عبور و جذب با استفاده از الگوریتم کلونی مورچگان با زیر لایه ثابت سیلیکون آلاییده کم و پوششهای نیترید سیلیکون و دی اکسید سیلیکون بدست آورده شد. نتایج نشان داد که پوشش دی اکسید سیلیکون و نیترید سیلیکون, مانند یک ضد بازتاب عمل می کند و این پوشش ها منجر به کاهش ضریب بازتاب نسبت به زیر لایه سیلیکون می گردند. اگر ضخامت پوشش غیر فلزی افزایش یابد، ضریب بازتاب کاهش و ضریب عبور افزایش می یابد. با توجه به نیاز سیستمهای فضایی، به ضریب صدور بیشینه جهت کنترل دما و کارایی بالاتر و مناسبتر، می توان با افزایش تعداد لایه های پوشش داده شده، به این مهم دست یافت. تغییرات خواص تشعشعی تابع پیچیده ای از طول موج می باشد که با افزایش تعداد لایه ها بر اثر پدیده تداخل امواج این پیچیدگی و وابستگی به طول موج بیشتر می‏گردد. تاثیر افزایش تعداد لایه ها جهت کنترل خواص تشعشعی از تاثیر تغییر ضخامت بیشتر است. به عنوان مثال در یک ضخامت ثابت، می توان با افزایش تعداد لایه ها به ضریب صدور بزرگتری دست یافت. این مطالعه فوایدی جهت رشد و توسعه فناوری پوشش در صنایع نیم رسانا ها و به ویژه برای توسعه وسایل میکروالکترومکانیک و نانوالکترومکانیک دارد.

تصاویر اغلب توسط اختلالات نویز ضربه ای در حسگرهای نویزی یا کانال های ارتباطی نابود می شوند. نویز ضربه ای کیفیت تصویر را کاهش می دهد و باعث خرابی جزئیات تصویر می شود. هدف، حذف اختلالات در حین نگهداری اطلاعات و جزئیات تصویر می باشد. با توجه به اینکه anfis یک شبکه فازی-عصبی با قابلیت تطبیق می باشد، همچنین دارای قابلیت یادگیری با نظارت است، دارای کارایی بهتری نسبت به نمونه های ساده فیلترمی باشد. ازاین رو، در این تحقیق از سیستم استنتاج فازی عصبی تطبیقی برای کاهش نویزهای تصویراستفاده شده است، که در مرحله اول پیکسل های نویزی بویسله آشکار ساز anfis شناسایی می شوند و در مرحله بعد پیکسل های نویزی مذکور یکبار توسط فیلتر میانه و بار دیگر توسط فیلتر میانگین حذف می شوند، و این بار مقادیر بدست آمده از فیلتر میانه و میانگین و مقادیر بدست آمده از پیکسل های نویزی که توسط آشکار ساز تخمین زده شده است، به عنوان 3 ورودی و تصویر اصلی به عنوان خروجی به anfis داده می شود و anfis، با توجه به اینکه anfis پیکسل های نویزی را به عنوان ورودی دریافت کرده بین مقادیر 2 ورودی دیگر مقداری که احتمال دهد به تصویر اصلی نزدیک است جایگزین پیکسل نویزی می کند. عملکرد روش پیشنهادی تحت شرایط نویزهای مختلف روی چندین تصاویر رایج، مورد آزمایش قرار گرفته است. از طرف دیگر فیلتر پیشنهادی با چند فیلتر مختلف مقایسه شده است که عملکرد بهتری را نسبت به سایر روشها نشان می دهد. به این معنا که در سرکوب نویز و حفظ جزئیات تصویر به خصوص وقتی چگالی نویز بالاست نتایج رضایت بخشی دارد.

این پژوهش نشان می دهد که چگونه می توان از آنتروپی جهت تنظیم وزن مولفه های بردار ویژگی به منظور بهبود تابع شباهت، در بازیابی تصاویر مبتنی بر محتوا بهره برد. اهمیت یافته ی این تحقیق، ارائه ی دقت بازیابی بالاتر نسبت به روش های مرسوم و مبتنی بر انحراف معیار و میانگین است. در روش پیشنهادی ابتدا فیلتر گابور، ممان رنگ و هیستوگرام راستای لبه، به ترتیب جهت استخراج بافت، رنگ و لبه ی تصویر محاسبه می شوند. سپس کلیه ی تصاویر پایگاه داده ی مورد نظر، توسط بردار ویژگی حاصل ایندکس می شوند. در فرایند بازخورد ربط، ماتریس تصاویر مرتبط ایجاد می گردد. در ادامه به منظور تنظیم وزن مولفه های بردار ویژگی و بهبود تابع شباهت، آنتروپی مولفه های بردار ویژگی محاسبه می گردد. یک پیاده سازی کارامد از متد یاد شده صورت گرفت و تصاویر پایگاه داده ی استاندارد corel جهت ارزیابی به کار گرفته شدند. نتایج آزمایشی نشان می دهند که روش پیشنهادی از لحاظ معیارهای فراخوانی و دقت نسبت به روش های موفق موجود تا ده درصد بهتر عمل می کند. نهایتاً از این پژوهش می توان به این واقعیت پی برد که دخیل کردن آنتروپی در مقوله ی بازخورد کاربر، خردمندانه و سودمند است.

شناسایی اشکال هندسی در تصاویر دیجیتال یکی از موضوع های کاربردی در زمینه ی پردازش تصویر است. تکنیک های تشخیص اشیاء به دو دسته ی تکنیک های قطعی و غیرقطعی تقسیم می شوند. تبدیل هاف یکی از تکنیک های قطعی است. در این تکنیک هر یک از نقاط لبه به فضای پارامتریک منتقل می شوند. این تکنیک برای مسائلی با ابعاد بالا مناسب نمی باشد؛ زیرا حجم محاسبات و حافظه ی زیادی نیاز دارد و از مرتبه زمانی است. الگوریتم ژنتیک از جمله تکنیک های غیرقطعی برای یافتن پاسخ بهینه و یا شبه بهینه است. این الگوریتم اغلب با مصرف حافظه ی قابل قبولی به راه حل مناسبی می رسد. بنا بر اهمیت و کاربرد دایره و بیضی در شناسایی مرزهای عنبیه چشم و تشخیص علائم هشداردهنده ی سرعت در تصاویر جاده ای، این پایان نامه به معرفی روشی برای شناسایی این اشکال هندسی با استفاده از الگوریتم ژنتیک می پردازد. در این روش ابتدا یک پیش پردازش تشخیص لبه با استفاده از الگوریتم کنی انجام می شود. دو پارامتر مهم الگوریتم کنی آستانه ی پایین و بالا می باشند. پارامترهای الگوریتم کنی به طور تصادفی به ازای هر یک از اعضای جمعیت نسل اول تولید می شوند. سپس تشخیص لبه به ازای هر یک از اعضا با توجه به پارامترهای مربوط به الگوریتم کنی، به طور مستقل صورت می گیرد. در ادامه برای هر یک از اعضای جمعیت، ضرایب چندجمله ای درجه دوم دایره با استفاده از سه، و ضرایب مربوط به بیضی توسط پنج نقطه ی تصادفی از لبه به دست می آیند. این ضرایب با جایگذاری هر یک از نقاط در رابطه ی مربوط به اشکال هندسی یادشده و حل دستگاه معادله های چند مجهولی محاسبه می شوند. بنابراین در روش پیشنهادی هر یک از اعضای جمعیت، از ضرایب چندجمله ای درجه دوم و پارامترهای الگوریتم کنی تشکیل شده اند. در ادامه کارایی و مقدار برازندگی هر یک از اعضای جمعیت، با استفاده از یک تابع برازندگی مناسب به دست می آید. سپس اعضای جدید مربوط به نسل های بعدی الگوریتم، با استفاده از عملگرهای ژنتیکی تولید می شوند. اجرای الگوریتم ژنتیک تا مرحله ای ادامه می یابد که مقدار برازندگی به یک حد آستانه برسد. سرانجام ضرایب چندجمله ای منحنی های درجه دوم تصویر به دست می آیند. نتایج آزمایش ها نشان می دهد که الگوریتم پیشنهادی در شناسایی دایره و بیضی کارا می باشد.

این پایان نامه با ایده اولیه امکان نحوه انجام قسمتی از امور کاداستر خارج از محدوده سیستم بانک اطلاعاتی از سوی محقق انتخاب و نهایتاً تصویب گردید. پس از این مرحله، مدل سیستم های پایگاهی نامتمرکز براساس مدل [1995] ozsu ، تدوین شد و مدل تحقیق مناسب برای تحقیق بر مبنای 4 فرضیه طراحی گردید، که شرح آن در فصل اول گزارش، با عنوان کلیات تحقیق ارائه شده است. در فصل دوم به معرفی پیشینه پژوهش های انجام شده داده ، فن آوری اطلاعات و اهمیت توسعه پایدار و کاداستر و نیز محیط های پایگاه داده های غیر متمرکز و انجام سیستماتیک پردازشها اشاره شده است. و دیدگاههای صاحبنظرانی چون دکتر عباس رجبی فرد و دکتر ازسو و دکتر رانکوهی ، اسلپندل، آجزن، و... تشریح گردیده است. در این تحقیق نحوه طراحی و ایجاد محیط های توصیفی و استاندارد سازی (اعمال استانداردهای موجود در کاداستر) محیط های گرافیکی و محیط اطلاعات توصیفی بیان شد. ضمن در نظر گرفتن فیلدها و جداول بانک کاداستر به ویژگیهای فیلدها و جداول طراحی شده توجه شده و خروجیهای مورد نیاز از پردازش اطلاعات در خارج از بانک کاداستر دست یافته و نتایج بدست آمده را با دو روش سنتی (دستنویس) و کاداستر از جهات مختلف مقایسه نمودیم .همچنین به نحوه ورود اطلاعات پردازش شده به بانک اطلاعاتی کاداستر پرداختیم. در پایان نیز با استفاده ار نتایج حاصله، پیشنهادهای لازم به منظور انجام سایر فرایندها در سیستم پایگاه داده های غیر متمرکز داده شد.

لبه در یک تصویر معمولا در اثر تغییرات سریع در سطوح خاکستری تصویر به وجود می آید. این تغییرات دلایل زیادی مثل هندسه ی تصویر، نورپردازی تصویر یا سطوح بازتاب دهنده در تصویر خواهند داشت. از دیدگاه ریاضی ، خصوصیات یک لبه ی مطلوب را می توان با فاکتور هایی مشخص کرد. در عمل، سیستم ادراک مغز انسان نقش مهمی در تصمیم گیری برای اینکه یک پیکسل لبه هست یا نه بازی می کند. انتقال این درک به ماشین مسأله ای چالش برانگیز است. تشخیص لبه یک مرحله ی کلیدی در پردازش تصویر، بینائی ماشین، شناسایی الگو و سایر زمینه های مربوط به هوش مصنوعی می باشد. الگوریتم های زیادی برای مسأله ی تشخیص لبه معرفی شده است. این الگوریتم ها از روش های متنوعی شامل روش های آماری، روش های مبتنی بر مشتق، روش های پارامتری و برازش منحنی استفاده می کنند. در این پایان نامه از یک روش جدید بهینه سازی برای تشخیص لبه در تصاویر دیجیتال استفاده شده است. برای این منظور با در نظر گرفتن مسأله ی تشخیص لبه به عنوان یک مسأله ی بهینه سازی، به هر تصویر از لبه ها یک مقدار هزینه اختصاص می یابد. در واقع در این روش ما با تابع هزینه ای روبرو هستیم که می بایست کمینه شود. این تابع هزینه با توجه به معیار های موجود برای یک لبه ی ایده آل تعریف شده است. پیکر بندی تصویر لبه ها به صورت یک ماتریس دوبعدی است که به هر پیکربندی یک کشور در فضای راه حل مسأله اطلاق می شود و هر کشور هزینه ی متناظر با پیکربندی خود را دارد. با استفاده از سازو کار های موجود در الگوریتم رقابت استعماری یعنی همسان سازی و انقلاب، تابع هزینه کاهش داده شده و بهترین جواب مسأله که بهترین تصویر لبه های تصویر اصلی است به دست آورده می شود. تصاویر لبه به دست آمده از این روش نشان دهنده ی کیفیت لبه های به دست آمده می باشد. در واقع این موضوع بیانگر این است که الگوریتم رقابت استعماری، ابزار قدرت مندی برای جستجو در فضای راه حل مسائلی با پیچیدگی و گستردگی زیاد می باشد.

کاهش نویز از تصاویر نویزی نقش مهمی در پردازش تصویر دارد. این مسئله در تقسیم¬بندی تصویر، تشخیص شی، تشخیص لبه و فشرده¬سازی را تحت تاثیر قرار داده است. به طورکلی، فیلتر میانه و یا فیلترهای غیرخطی برای کاهش نویز استفاده شده است اما این روش¬ها بافت طبیعی و اطلاعات مهم در تصویر مانند لبه¬ها را از بین می¬برد. در این تحقیق، برای از بین بردن نویز¬ از تصاویر نویزی، از روش ترکیبی مبتنی بر اتوماتای سلولی (ca )و منطق فازی که اتوماتای سلولی فازی (fca ) نامیده می¬شود در دو مرحله استفاده می¬شود. در مرحله اول، بر اساس اطلاعات آماری، پیکسل¬های نویزی توسط اتوماتای سلولی شناسایی شده و سپس با استفاده از این اطلاعات، پیکسل¬های نویزی توسط اتوماتای سلولی فازی تغییر خواهد کرد. به طور کلی، اتوماتای سلولی برای سیستم¬هایی با اجزاء ساده که در آن رفتار هر جزء بر اساس همسایگان آن به روز می¬شوند. روش ترکیبی ارائه شده جزئیات مهم تصویر را به صورت ساده، قوی و موازی حفظ می¬کند. روش ارائه شده بر روی تصاویر مقیاس خاکستری آزمایشی معروف پیاده-سازی شده که در مقایسه با سایر الگوریتم¬های متعارف و معروف، موثرتر است.

با گسترش روزافزون داده های ویدئویی، نیاز به الگوریتم های هوشمند به منظور تحلیل و تفسیر این اطلاعات نیز افزایش یافته است. بازشناسی خودکار کنش های انسانی در حال رخداد در یک دنباله ویدئویی، کاربردهای فراوانی در حوزه های مختلف از جمله سیستم های نظارت هوشمند، نمایه گذاری و بازیابی ویدئو بر مبنای محتوا و طراحی واسط های پیشرفته کاربر-رایانه دارد. همین امر توجه بسیاری از پژوهش گران فعال در حوزه بینایی ماشین را به این زمینه جلب کرده است. در این پایان نامه دو رویکرد برای بازشناسی کنش های انسانی بر مبنای ترکیب ویژگی های محلی با ویژگی های سراسری ارائه می شود. به منظور استخراج ویژگی های سراسری، از ممان های هفت گانه lr{hu} و هیستوگرام کد زنجیری برای توصیف تصویر سیاه نما در هر فریم استفاده شد. در نهایت با استفاده از مدل کیسه واژگان یک بازنمایی نهایی از ویدئو بر مبنای ویژگی های سراسری به دست می آید. هم چنین با استفاده از آشکارساز نقاط کلیدی lr{harris3d} و توصیف گر lr{hog/hof} و مدل کیسه واژگان یک بازنمایی نهایی بر مبنای ویژگی های محلی ساخته می شود. در پایان دو بردار ویژگی حاصل با هم الحاق شده و از یک ماشین بردار پشتیبان برای طبقه بندی بردار ویژگی نهایی استفاده می شود. در رویکرد دوم سعی شد تا با استفاده از هیستوگرام های محلی، ضعف مدل کیسه واژگان در ضبط اطلاعات هندسی بین ویژگی ها تا حدودی پوشش داده شود. ابتدا حول هر نقطه ویژگی یک هیستوگرام محلی محاسبه شده و سپس با استفاده از این هیستوگرام ها و مدل کیسه واژگان یک بازنمایی جدید از ویدئو ساخته می شود. در پایان بردار ویژگی حاصل با بردار ویژگی حاصل از رویکرد قبل الحاق می شود تا یک بردار ویژگی با قدرت متمایزکنندگی بالاتر به دست آید. به منظور ارزیابی روش پیشنهادی از دو پایگاه داده lr{kth} و lr{weizmann} استفاده شده است. دقت طبقه بندی برای این دو پایگاه داده به ترتیب 92.1 و 95.2 بدست آمد که قابل مقایسه با نتایج گزارش شده توسط سایر مقالات ارائه شده در زمینه بازشناسی کنش است.

امروزه برای کسب اطلاعات دقیق و صحیح از عکس برداری هوایی استفاده می شود. عکس های هوایی همه ی عوارض و پدیده های طبیعی را آن گونه که هستند نشان می دهند. از هر نقطه در روی زمین، از بالای ارتفاعات و قلّه-های پوشیده از برف، از کویر و اقیانوس های بزرگ در هر زمان می توان عکس برداری نمود. در نتیجه،داده ها و اطلاعات حاصله کاملاً جدید و تازه خواهند بود. یکی از مهم ترین کاربردهای تصاویر هوایی در مدیریت فضای سبز شهری است. در مدیریت فضای شهری تعداد درختان و شناسنامه ی آن ها معمولاً از زمره ی اطلاعات پایه به شمار می رود. شمارش تعداد درختان به صورت دستی علاوه بر نیاز به نیرو، هزینه و زمان بالا؛ احتمال خطای بالایی نیز دارد. جداسازی مؤثر درختان از ساختمان ها نیز یک چالش عمده در تشخیص خودکار درختان در تصاویر هوایی است و معمولاً تشخیص بین دو کلاس درخت و ساختمان کار دشواری است. در این پایان نامه روشی برای آشکارسازی درختان در تصاویر هوایی با استفاده از ویژگی های رنگ و بافت ارائه شده است. درمرحله¬ی اول با استفاده از چند تصویر رنگی هوایی تکسچرهایی ایجاد شده است. سپس ویژگی های ممان رنگ و تامورا از تکسچرها استخراج شده و در پایگاه داده ذخیره شده است. برای آزمون تصاویر ابتدا خوشه بندی k-means بر روی آن ها اعمال شده است. ویژگی های ممان رنگ و تامورا از قطعات حاصل از این خوشه بندی نیز استخراج شده و در پایگاه داده ذخیره می شود. از طبقه بند ماشین بردار پشتیبان (svm) برای آموزش و تشخیص استفاده شده است. برای ارزیابی روش پیشنهادی از 40 تصویر رنگی هوایی استفاده شده است. نتایج ارزیابی نشان دهنده ی مؤثرتر بودن روش پیشنهادی نسبت به روش های مشابه است. میزان صحت این روش 91 درصد است.