نقشه های فرش شامل دو دسته ی چاپی و دستی هستند. نقشه های دستی به دو گروه پیش از نقطه گذاری و پس از نقطه گذاری تقسیم می شوند. در چند سال اخیر، کارهایی درباره خواندن خودکار نقشه های چاپی گزارش شده است. در این رساله روش هایی برای خواندن خودکار نقشه های چاپی و دستی ارائه می شود که سرعت و دقت ویرایش دستی را فزونی می بخشد. الگوریتم خواندن خودکار نقشه های پیش از نقطه گذاری از 8 مرحله ی اصلی تشکیل شده است: کاهش رنگ اولیه، تعیین نواحی تصویر، تک رنگ کردن هر ناحیه ساده، تعیین پالت رنگ اولیه، تخصیص رنگ های پالت به رنگ پیکسل های تصویر، اصلاح پالت رنگ، تعیین رنگ نواحی باقیمانده و کاهش رنگ نهایی با روش c-میانگین. نوآوری اصلی این رساله طراحی یک روند کاهش رنگ است که برای نواحی نزدیک به مرزهای نقشه، حاصل از آشکارسازی لبه ها، روشی متفاوت از روش کاهش رنگ در نواحی ساده نقشه بکار می برد. الگوریتم خواندن خودکار نقشه های نقطه گذاری شده از 4 مرحله ی اصلی تشکیل شده است: کاهش رنگ اولیه، تک رنگ کردن هر خانه نقشه، تک رنگ کردن مولفه های پیوسته و کاهش رنگ نهایی با روش c-میانگین. الگوریتم خواندن خودکار نقشه های چاپی از 2 مرحله ی اصلی تشکیل شده است: تک رنگ کردن هر خانه نقشه، کاهش رنگ با روش یادگیری تقویت شده. مجموعه دادگان این رساله، شامل 170 قطعه از 17 نقشه ی پیش از نقطه گذاری، 90 قطعه از 9 نقشه ی پس از نقطه گذاری و 60 قطعه از 5 نقشه چاپی است. اندازه ی این قطعه ها از 300 در 300 تا 1000 در 1000 پیکسل متفاوت است. درجه تفکیک تصویرها 300 dpi است و به صورت میلیون ها رنگ روبش شده اند. فضای رنگ نقشه ها rgb است. هر قطعه بین 7 تا 16 رنگ دارد. این نقشه ها از اقلیم های کرمان، اصفهان، تبریز، نائین، مشهد، کاشان، قم و همدان هستند. 50% از قطعات برای آموزش و بقیه برای آزمون استفاده شده اند. روش های ارائه شده، به دلیل متناسب بودن آن ها با کاربرد مورد نظر، بر روی دادگان تهیه شده، تصاویر بسیار خوبی برای ویرایش دستی فراهم می کنند. در این روش ها تعداد رنگ نقشه دانسته فرض می شود. همچنین تعداد رنگ به بیش از حدود 1.4 برابر تعداد اصلی کاهش داده نمی شود. حاصل کار به صورتی است که ویرایش دستی برای رسیدن به تعداد رنگ اصلی بسیار آسان است.

تشخیص ملانوما در مراحل نخست بیماری می تواند بطور چشم گیری از مرگ ناشی از این سرطان مهلک پوست جلوگیری نماید. از آنجایی که تشخیص این بیماری در مراحل نخست، حتی توسط متخصصین خبره بسختی انجام می پذیرد ارائه روشی که تشخیص ملانوما را در مراحل اولیه آسان نماید بسیار مفید و ارزنده است. در این تحقیق بر آن شده ایم که با استخراج ویژگی هایی از تصویر و طبقه بندی کردن آن ها به ایجاد الگوریتمی بپردازیم که به تشخیص ملانوما کمک نماید. برای استخراج ویژگی های مناسب، مرزبندی دقیق بین ضایعه و زمینه از اهمیت بالایی برخوردار است. نشان داده ایم برای بالا بردن دقت مرزبندی می توان از فیلتر پلاریزه با زاویه مناسب بعنوان پیش پردازشی مناسب استفاده نمود. اعمال فیلتر پلاریزه با زوایای مختلف برای بدست آوردن بهترین تصویر امری قابل انجام ولی دشوار است. از این رو شبیه سازی فیلتر پلاریزه و اعمال آن بر روی تصویر بعنوان یک ابزار پردازشی مناسب پیشنهاد می گردد. سپس الگوریتم مرزبندی بر روی بهترین تصویر اعمال می شود تا مرزبندی دقیق بین ضایعه و زمینه انجام گردد. سپس می توان به استخراج ویژگی های ضایعه پرداخت. ویژگی های استخراج شده به کمک طبقه بند، طبقه بندی می گردند تا الگوریتم تکمیل گردد. در حالتی که از طبقه بند svm استفاده گردد این الگوریتم تا حدود 91 درصد در تشخیص ملانوما موفق می باشد.