تشخیص هویت از دیرباز مورد نیاز انسان بوده است. روش های سنتی یا بر مبنای نشان و یا بر مبنای دانش عمل می کنند. اما عیب آنها این است که چنین شاخصه هایی قابل دزدیدن هستند و یا ممکن است فراموش شوند. در واقع در روشهای سنتی سیستم قادر نیست تا بین فرد واقعی و فرد نفوذ کننده تفاوت قائل شود و هر فردی که نشان و یا دانش مورد نظر را در اختیار داشته باشد، به عنوان فرد واقعی شناسایی خواهد شد. ولی سیستمهای تشخیص هویت بیومتریک،بصورت اتوماتیک از ویژگیهای فیزیولوژیکی و یا رفتاری بدن انسان برای تشخیص و یا تأیید هویت افراد استفاده می کنند. بنابراین بصورت ذاتی نسبت به روشهای سنتی قابل اعتمادتر بوده و از امنیت بیشتری برخوردارهستند ولی نسبت به سیستم های سنتی پیچیده تر و کندتر هستند. بیومتریک عنبیه ازکارایی و امنیت بالاتری برخوردار بوده ولی نسبت به بیومتریک های دیگر،مانند اثر انگشت، کندتر است. برای تشخیص هویت از طریق تصویر عنبیه بایستی عملیات تقطیع، استخراج ویژگی و انطباق صورت بگیرد. عملیات تقطیع 73% زمان اجرای کل الگوریتم را به خود اختصاص می دهد. و دقت سیستم بطور گسترده به دقت این بخش بستگی دارد. بنابراین با افزایش سرعت و دقت این بخش، دقت و سرعت کل الگوریتم را افزایش داد. در این پایان نامه بر اساس خواص آماری و پردازش هیستوگرام تصویر چشم، یک روش جدید برای تقطیع سریع عنبیه پیشنهاد شده است و نسبت به سایر روش ها دقت و سرعت بالاتری دارد.

اگر در حین ضبط تصویر دوربین یا شی مورد نظر دچار حرکتی شود، در این صورت تصویر مربوطه در جهت حرکت دوربین یا شی مات می‏شود. از آنجایکه زمان نوردهی دوربین (زمانی که شاتر دوربین برای ضبط تصویر باز است) بسیار کم است، می‏توان این نوع مات شدگی در اثر حرکت را مات شدگی حرکت خطی نامید. در مات شدگی حرکت خطی، دوربین یا شی مربوطه با سرعت ثابتی (بدون شتاب) و در یک جهت خاصی حرکت می‏کند. بنابراین پارامترهایی که برای شناسایی عامل ماتی باید تخمین زده شوند، طول حرکت و زاویه حرکت می‏باشند. فرآیند مات زدائی تصویر، فرآیندی بیمار گونه است. تفسیرهای متفاوتی از عبارت بیمار گونه می‏توان برداشت کرد اما مفهومی که در اینجا برای آن بیان می‏شود این است که کوچکترین تغییری در داده‏های ورودی منجر به تغییرات زیادی در خروجی، یا به عبارت دیگر منجر به خروجی کاملاً متفاوت با خروجی مورد نظر می‏شود. بنابراین برای دستیابی به تصویری که کیفیت مناسبی داشته باشد، باید این پارامترها به خوبی تخمین زده شوند. بصورت کلی تخمین این پارامترها در حالتی که نویز در تصویر مات وجود داشته باشد، کار مشکل‏تری می‏باشد. بنابراین در ابتدا فرض می‏کنیم که نویز در سیستم وجود ندارد. در این حالت دو روش برای تخمین این پارامترها پیشنهاد داده و در قسمت بعد از ترکیبی از این روش‏ها و تبدیل رادون، برای تخیمن پارامترهای تابع مات شدگی حرکت خطی در حالتی که نویز در تصویر مات وجود دارد، استفاده می‏کنیم. اگر در حین ضبط تصویر، دوربین ثابت بوده و شی حرکت کند، در این صورت فقط بخش‏هایی از تصویر مات می‏شوند. لذا قبل از تخمین عواملی که باعث مات شدن تصویر می‏گردند، باید این نواحی استخراج شوند. در نهایت با مشخص شدن عواملی که باعث مات شدن تصویر شده‏اند، به مات زدائی تصویر می‏پردازیم. الگوریتم ریچاردسون لاکی و فیلتر وینر به دلیل پیاده سازی راحت و حصول نتایج مناسب، در این زمینه امروزه به تناوب مورد استفاده قرار گرفته‏اند. مشاهدات تجربی نشان می‏دهد که حتی اگر عامل ماتی به خوبی تخمین زده شود، بازهم صرفاً با استفاده از این روش‏ها نمی‏توان به تصویری با کیفیت مطلوب رسید. از دیگر مشکلات این روش‏ها این است که اگر تخمین پارامترهای عامل ماتی، حتی با خطای کوچکی همراه باشد، تصویر مات زدائی شده وضوح چندان مناسبی نخواهد داشت. برای حل این مشکل نیز روش جدید دیگری ارائه نموده ایم. در این روش، ابتدا عامل ماتی را بهینه کرده و سپس به مات زدائی تصویر می‏پردازیم. و در نهایت روشی ارائه می‏شود که بتواند مصنوعاتی را که در حین مات زدائی، حوالی لبه‏های تیز تصویر بوجود می‏آیند، تا حدی که به تصویر خروجی لطمه‏ای وارد نشود، کاهش دهد.

در این پایان نامه، یک چهارچوب نسبتاً جامع برای پراکندگی انتقال فیلتربانک هایی که تحت انتقال ـ پایا نیستند، ارائه می دهیم. در همین راستا، جابه جاگر را معرفی می کنیم که بیانگر تغییرات سیگنال خروجی هنگام جابه جاشدن عملگر انتقال و عملگر کانال فیلتربانک است. با آنالیز نرم عملگری جابه جاگر، به باند بالای بهتر برای فیلتربانک های مفروض دست پیدا می کنیم. این باند، به عنوان بدترین حالت سیگنال ها معرفی می شود. سپس، به دنبال طرحی هستیم تا پراکندگی انتقال را برای فیلتربانک های دو کاناله بررسی کنیم. علاوه براین، ارتباط بین فیلتربانک ها و موجک ها را مطرح می کنیم.

بیان های فوریه و ویولت نمونه هایی از کدینگ پراکنده به شمار می روند. در کدینگ پراکنده، سیگنال به کمک توابع پایه به صورت یک بردار پراکنده بیان می شود و در نتیجه نوعی کدینگ که به کدینگ پراکنده شهرت دارد، ایجاد می شود. بیان پراکنده در ابتدا به عنوان تعمیمی از بیان های سیگنال مانند بیان فوریه و بیان ویولت معرفی شد و می توان آن را به عنوان یک زیر فرآیند از کدینگ پراکنده به شمار آورد. در سال های اخیر بیان پراکنده توجه بسیاری از محققین را در زمینه های گوناگون به خود معطوف کرده است. یکی از زمینه هایی که بیان پراکنده در آن مطرح و به کار برده شده است، مبحث طبقه بندی اطلاعات می باشد. فرآیند نسبت دادن داده ها به یک مجموعه از دسته های از پیش تعیین شده، طبقه بندی اطلاعات نامیده می شود. طبقه بندی اطلاعات و طراحی یک طبقه بند کارآمد یکی از موضوعات مورد علاقه محققین در مبحث شناسایی آماری الگو است. در طی چند دهه گذشته روش های طبقه بندی زیادی معرفی و به کار برده شده اند. در این گزارش ما پایه ای ترین الگوریتم طبقه بندی مبتنی بر بیان پراکنده را معرفی می کنیم و بعد از آشنایی با جدیدترین طبقه بند مبتنی بر بیان پراکنده و بررسی کاستی ها و معایب آن، نوع کرنلی آن را که نرخ طبقه بندی بالاتری دارد ارائه می دهیم. در بخش دومِ تحقیق انجام شده در این پایان نامه، کارآیی جدید ترین الگوریتم انتشار برچسب مبتنی بر بیان پراکنده را مورد بررسی قرار می دهیم. در بسیاری از کاربرد های عملی در بینایی ماشین، تعداد بسیار کمی از نمونه ها برچسب دار بوده و لذا دقت طبقه بندی پایین است. از طرفی فرآیند برچسب زنی توسط انسان، فرآیندی بسیار زمان بر بوده که نیازمند کار تخصصی می باشد. در الگوریتم های یادگیری شبه ناظر که در چنین شرایطی بعنوان یک راه کار خوب مورد استفاده قرار می گیرند، از گراف های همسایگی و نزدیکترین همسایه برای ساخت یک گراف شباهت استفاده می شود. این گراف ها نه تنها حساسیت بالایی نسبت به نویز دارند بلکه تعیین پارامتر های بهینه و برای آن ها مشکل است. برای غلبه بر این معایب، در برخی الگوریتم های طبقه بندی، از بیان پراکنده استفاده شده است. با وجود برتری هایی که بیان پراکنده دارد، این تئوری در طی فرآیند کدینگ، اطلاعات محلی را در نظر نگرفته و حل آن نیازمند یک فرآیند بهینه سازی سنگین و زمان بر است. کدینگ llc راه حلی برای در نظر گرفتن اطلاعات محلی در حین فرآیند کدینگ می باشد. در این مقاله ما کارآیی استفاده از اطلاعات محلی را در قالب یک الگوریتم انتشار برچسب مورد بررسی قرار داده و سه الگوریتم انتشار برچسب جدید ارائه نموده ایم. نتایج آزمایش بر روی سه دیتاست آزمایشی از uci، دو دیتابیس چهره و یک دیتابیس بیومتریک نشان می دهد که الگوریتم های ما نرخ طبقه بندی بالاتری نسبت به دیگر الگوریتم ها دارند.

کیفیت تصاویر دیجیتال در طی اعمالی نظیر انتقال، فشرده سازی، ذخیره سازی و پردازش های گوناگون دیگر تحت تاثیر قرار می گیرد. لذا در دسترس بودن الگوریتم های سنجش کیفیت تصویر در هر مرحله از پردازش امری ضروری به حساب می آید. این الگوریتم ها درای نقش بسزایی در زمینه های مختلف پردازش تصویر اعم از بهینه سازی سیستم های پردازش تصویر و نیز کنترل و تنظیم کیفیت تصویر بصورت پویا می باشند. بطور کلی الگوریتم های سنجش کیفیت تصاویر به دو دسته الگوریتم های ذهنی و الگوریتم های عینی طبقه بندی می شوند. به سبب وقت گیر بودن و هزینه بالای الگوریتم های ذهنی، توجه زیادی به ابداع و طراحی الگوریتم های عینی برای سنجش کیفیت تصاویر شده است. مشکل اصلی در بحث سنجش کیفیت تصاویر عدم وجود یک الگوریتم عینی که در بیشتر اعوجاج ها عملکرد قابل قبولی داشته باشد، است. ابداع الگوریتم های عینی مبتنی بر نظریه اطلاعات، با وجود پیچیدگی و بار محاسباتی بالای آنها، میتواند به عنوان روشی برای غلبه بر این مشکل به حساب آید. با توجه به افزایش کاربردهای مبتنی بر تصویر در زندگی روزمره، سنجش کارآمد و قابل اطمینان کیفیت تصاویر از اهمیت ویژه ای برخوردار است. هدف در مبحث سنجش کیفیت تصویر، ارزیابی کیفیت تصاویر بطور خودکار می باشد بنحویکه حداکثر تطابق را با قضاوت انسان ها در مورد کیفیت داشته باشد. تاکنون روش های متعددی برای رسیدن به این هدف پیشنهاد داده شده اند. در این پایان نامه، مروری بر روش های مختلف سنجش کیفیت تصاویر خواهیم داشت. تمرکز این پایان نامه بر روی دسته خاصی از روش های سنجش کیفیت است و تعدادی از روش های برجسته در این زمینه بطور جامع توضیح داده شده اند. ما در این پایان نامه به معرفی دو روش متفاوت برای سنجش کیفیت تصاویر سیاه-سفید می پردازیم و عملکرد این دو روش را با روش های برجسته موجود در این زمینه مقایسه می کنیم. این دو روش مبتنی بر مدلسازی ریاضی نظرات افراد در مورد کیفیت تصاویر می باشند. نتایج شبیه سازی بر روی پایگاه های داده موجود نشان می دهند که روش های پیشنهادی ما در عین سادگی، عملکردی نزدیک و در بعضی موارد بهتر از بیشتر روش ها دارند، و همچنین از نظر زمان محاسبه، در ردیف سریع ترین روش ها قرار می گیرند.

افزایش کاربرد توجه بینایی در زمینه¬های مختلف علوم کامپیوتر و بینایی ماشین سبب ایجاد انگیزه¬های بیشتر برای طراحی این مکانیزم شده¬ است، از جمله این کاربردها می¬توان به بخش¬بندی هوشمند تصویر، بازیابی هدف در تصویر، فشرده¬سازی تصویر و غیره اشاره¬ کرد. توجه بینایی خصوصاً در 25 سال اخیر بسیار مورد اهمیت قرار گرفته است و مدل¬های متنوعی از آن نیز ایجاد گردیده است. توجه بینایی یک مفهوم کلی است که همه عواملی را که مکانیزم¬های انتخاب را متاثر می¬سازند پوشش می¬دهد چه آنها یک عامل بالا به پایین و یا عامل پایین به بالا باشند. بیشتر مدل¬های توجه، وابسته به عامل پایین به بالا است و واژه نواحی برجسته به این مدل¬ها اطلاق می¬شود و اکثریت در این حوزه به دلیل وجود روش¬های استاندارد و سادگی پیاده¬سازی آن¬ها می¬باشد. از این رو در این پایان نامه، تلاش شده است با ارائه دو روش پیشنهادی شناسایی نواحی برجسته 1- مبتنی بر تبدیل موجک ایستان و 2- مبتنی بر فیلتر میان گذر به بهبود روش-های گذشته بپردازیم و نتایج حاصل از این دو روش را با روش¬های دیگر مقایسه کنیم. نتایج شبیه¬سازی نشان می¬دهند که روش پیشنهادی1 علاوه بر دقت شناسایی مناسب توانسته از نظر سرعت نسبت به روش های نظیر بهتر باشد. همچنین نتایج حاصل از روش پیشنهادی2 بیانگر دقت بالای شناسایی نواحی برجسته در صحنه¬های ساده و شلوغ می¬باشد.

در این پایان نامه روشی جهت شناسایی عنبیه در شرایط غیرایده آل ارائه شده است. کیفیت تصاویر اخذ شده در شرایط غیر ایده آل بواسطه عوامل نویز مختلف از جمله انعکاس نور، تغییر فاصله، عدم انطباق چشم با دوربین تصویر برداری، مات شدن تصویر بواسطه حرکت و انسداد توسط پلک ها و مژه ها، به شدت تنزل می یابد. در این پایان نامه، جهت شناسایی عنبیه در شرایط غیر ایده آل، ابتدا تصاویر مربوط به چشم های چپ و راست از یکدیگر جدا می شوند. بدین ترتیب فضای جستجو و به دنبال آن نرخ خطا کاهش می یابد. در مرحله بعد اندازه عنبیه تصاویر مختلف، بدون نرمالیزه کردن و نگاشت آن به نوار مستطیلی که یکی از بخش های اصلی شناسایی عنبیه در سایر روش هاست، یکسان سازی می شود. بدین ترتیب از به هم خوردن شدید بافت عنبیه به ویژه در مورد تصاویری که از فواصل دور اخذ شده اند، جلوگیری می شود. در مراحل بعد شناسایی عنبیه بر اساس ویژگی های ناحیه عنبیه صورت می گیرد. بدین منظور ابتدا ویژگی های مبتنی بر رنگ و در فضاهای رنگی مختلف، سپس ویژگی های آماری بافت عنبیه و همچنین ویژگی های مبتنی بر فیلتر گابور یک بعدی لگاریتمی و الگویمحلی جهت شناسایی عنبیه استخراج می شود. نتایج بدست آمده بر روی پایگاه داده nice2 نشان می دهد، روش پیشنهادی بر اساس معیار های ارزیابی مختلف، نسبت به سایر روش ها عملکرد بسیار بهتری دارد.