مقدمه :

روش های ارتقا و بازیابی تصویر برای پردازش تصاویر اسیب دیده اشیا ی غیر قابل بازیافت یا تصاویر ازمایش هایی که تکرار انها بسیار پرهزینه است . به کار می روند . در باستان شناسی نیز روش های پردازش تصویر برای بازیابی عکس ها ی مات شده ای که تنها باقی مانده اثار هنری نادر هستند ، مورد استفاده قرار می گیرند . در فیزیک و زمینه های مرتبط ، فنون رایانه ای بار ها تصاویر ازمایش های مربوط به موضوعاتی نظیر پلاسمای پر انرژی و تصاویر ریز بینی الکترونی را ارتقا داده اند . کاربرد های موفق دیگری از پردازش تصویر را نیز می توان در نجوم ، زیست شناسی ، پزشکی هسته ای، اجرای قانون ، دفاع و صنعت بیان کرد . در این گزارش به موضوع ارتقا گر لبه بر مبنای شبکه های عصبی ، برخی روش های ارتقای لبه و معرفی انها برای اشنایی بیشتر با این مبحث پردازش تصویر و توصیف کوتاهی از این روش ها و در مورد یکی از روش های معرفی شده ارتقای لبه و پیاده سازی ان و گرفتن تصاویر خروجی بحث می کنیم . در همه ی فصل ها ، هدف ارتقای لبه در تصاویر سیاه وسفید و برجسته کردن لبه های تصویر برای واضح تر شدن انها در کاربرد های خاص است .

فهرست مطالب :

مقدمه                                                                                                       2

فصل اول : کلیات

1-1کاربرد ها                                                                                          4

1-2سابقه                                                                                               5

1-3ساختار گزارش                                                                                 5

پس پردازش با استفاده از پراکندگی مجازی برای ارتقای لبه1

فصل دوم : بررسی ارتقا گر لبه یبرای ارتقای لبهی تحت سرپرست از تصاویر نویزی

مقدمه :

یک ارتقا گر لبهی جدید مبتنی بر شبکه عصبی بر شبکه عصبی چند لایه اصلاح شده را مطرح می کنیم که برای ارتقای لبه های مورد نیاز به طور واضح از تصاویر نویزی ، یک ارتقا گر لبه ی عصبی نامیده می شود . NEE یک ارتقاگر لبه ی مورد نظر است : به واسطه انجام اموزش بتی ک سری از تصاویر نویزی ورودی و لبه های اموزشی ، NEE تابعی از یک ارتقاگر لبهی مورد نیاز بدست می اورد . تصاویری ورودی از تصاویر بدون نویز با اضافه کردن نویز تشکیل می شوند . لبه های اموزشی از تصاویر بدون نویز با اجرای ارتقا گر لبه ی مطلوب ساخته شده است . برای بررسی عملکرد و کارایی ، ما ازمون هایی برای ارتقای لبه ها از تصاویر طبیعی و مصنوعی نویزی انجام می دهیم .با مقایسه ارتقا گر های لبه ی مرسوم ، در ذیل اثبات شده است : NEE برخلاف نویز قوی است ، توانایی ارتقای لبه های پیوسته از تصاویری نویزی را دارد و ارتقا گر های لبه یمرسوم مانند لبه های مطلوب برتر هستند . با کسب اطلاعات در هسته غیر خطی NEE ، ما تحلیل هایی روی NEE اموزش دیده اجرا می کنیم . نتایج اشاره می کنند بر اینکه NEE اموزش دیده ، عملگر های گرادیان جهت دار با همسو سازی را بدست می اورد .از این گذشته ، یک روش برای مکان یابی لبه برای NEE مطرح می کنیم . NEE را همراه با روش مکان یابی لبه پیشنهاد شده ، با یک اشکار ساز لبه بارز مقایسه میکنیم . NEE ازمایش شده ، برای ارتقای لبه ها از تصاویر نویزی مفید است .ارتقای لبه یکی از اساسی ترین عملکردها در انالیز (تحلیل ) تصویر است و احتمالا الگوریتم های زیادی برای ارتقای و اشکار سازی لبه ها در مقالات متنوع برای هر موضوع مجزا وجود دارد . لبه ها شکل اجمالی یا نمای کلی یم شی را می سازند و یک لبه مرز بین شی و زمینه است . اگر لبه ها در یک تصویر به درستس شناسایی شوند انگها همه اشیا در تصویر مکان یابی و اشکار و ویژ گی های اساسی مانند سطح ،محیط پیرامون وکادر تصویر اندازه گیر ی می شوند . اشکار سازی لبه در مجموع دو قسمت را در بر می گیرد .اول ارتقای لبه ، که یک فرایند برای محاسبه اندازه و شدت لبه در هر پیکسل است ، و دوم مکان یابی لبه ، که یک فرایند برای تعیین مکان لبه ی حاصل است . وقتی لبه ای به طور صحیح ارتقا یافته باشد ، جای لبه به درستی شناسایی می شود .بنابراین ، کارایی اشکار سازی لبه به چگونگی ارتقای لبه وابسته است . چون که اشیا بدست امده از صحنه های واقعی در یک تصویر عموما با نویز پوشانده شده اند ارتقای قدرتمند در مقابل نویز برای روش های ارتقای لبه مورد نیاز است . در مجموع ، معیار های متنوعی مانند جهت یابی ها ، شدت و اندازه لبه ها در تصویر وجود ندارد .

2-1مقدمه                                                                         8

2-2مساله ای ارتقای لبه در ارتقا گر لبه ی عصبی                                                 11

2-2-1معماری                                                                                              12

2-2-2یادگیری                                                                                            14

2-2-3مقایسه شبکه عصبی پیشنهادی با یک شبکه عصبی مرسوم                        15

2-2-4ازمون هایی با تصاویر مصنوعی نویزی و ترکیب کردن تصاویر مصنوعی    18

2-2-5نتایجی از ارتقای لبه                                                                             20

2-2-6مقایسه اشکار ساز های لبه ی معمولی                                                     23

2-2-7تحلیل NEE اموزشی                                                                           26

پس پردازش با استفاده از پراکندگی مجازی برای ارتقای لبه2

فصل سوم :بررسی برخی روش های ارتقای لبه

مقدمه :

مشکلات مکرری که در نزدیکی های معمول پیدا می شود. جابه جایی اشتباه لبه است ، مانند جابه جایی ناچیز گوشه ها وتار شدگی (یا حتی محو شدگی ) لبه ها . مشروح پیاده اسزی ، یک تصویر معقولی از ظرفیت شبکه های عصبی برای کاهش دادن یا جلوگیری برخی از این مشکلات در تصاویر طبیعی و نرکیبی ارایه میکند. اشکار سازی تغییرات ناگهانی در تصاویر رقمی سیاه وسفید مهم به نظر می رسد و موضوع تحقیق سه دهه اخیر است . چندین کاربرد می تواند با کار لبه و اشکار سازی لبه ها مانند بخش بندی مناظر ، تعیین نقاط مرجع برای محاسبه حرکت و حجم و فشرده سازی تصویر مربوط شود .بیشتر اشکار ساز های لبه سنتی مبتنی بر دو مرحله پردازش مجزا هستند . مر حله اول که باید توسط ارتقای لبه معین کنیم ، نوعا ترکیبی از هموار سازی و تقویت متغیر های سطح خاکستری محلی است . این دو سعی در متعادل کردن میل به ارتقای لبه ها و کاهش نویز فرکانس بالا دارند . اولین مرحله معتبر بودن اشکار سازی است . یعنی نتایج نهایی بین وجود یا عدم وجود لبه که روی تصویر ارتقا یافته لبه ساخته می شود .از ان جاییکه مرحله دوم ظاهرا غیر خطی است ، مورد اول غالبا خطی است . چندین فیلتر برای ارتقا ی لبه های تصویر طراحی شده اند . برخی از انها به طور بهینه نیازمندی ها را بر اورده می کنند ، و برخی از انها ارضا کننده بهینه نیازمندی ها هستند .هدف در این فصل نشان دادن برخی نتایج تجربی است . که فیلتر های غیر خطی وقتی برای ارتقای لبه به کار می روند می توانند عملکرد بهتری نسبت به فیلتر های خطی که به طور عمومی استفاده می شوند داشته باشند . یک مشکل عمده که با سیستم های غیر خطی همراه است این است که چون لنها فاقد یک نظریه قوی هستند طراحی مشکلی دارند .

3-1نتایجی از لبه توسط شبکه عصبی                                                                 34

3-1-1مقدمه                                                                                                   34

3-1-2نمایش لبه ها                                                                                          35

3-1-3توپولوژی شبکه عصبی                                                                            36

3-1-4نتایج شبیه سازی                                                                                     40

3-2عملگر های شکل شناسی فازی برای اجرای ارتقای لبه ی تصاویر                      42

3-2-1مقدمه                                                                                                    42

3-2-2عملگر ارتقا دهنده ی شکل شناسی فازی                                                   43

3-2-3نتیجه ی شبیه سازی                                                                                 46

3-3ارتقای لبه با استفا ده از روش های استنباط فازی                                              47

3-3-1مقدمه                                                                                                      47

3-3-2فرایند استنباط فازی ارتقای تصویر                                                              48

3-3-3نتیجه گیری                                                                                             50

3-4یک چارچوب کلی برای فیلتر های ولترا به منظور ارتقای لبه                              51

3-5انالیز سفالو متری برای تشخیص ناهنجاری های ارتودنسی                                   55

3-5-1بدست اوردن نقشه لبه به صورتی بهبود یافته                                                 55

3-5-2تیز سازی و ردیابی لبه ها                                                                            57

پس پردازش با استفاده از پراکندگی مجازی برای ارتقای لبه3

فصل چهارم : استفاده از روش پراکندگی مجازی برای ارتقای لبه در تصاویر

مقدمه :

در اینجا روشی برای افزاب=یش کارایی اشکار کننده ها ی لبه بر اساس گرادیان ، با استفاده از پس پردازش معرفی می کنیم . این روش کارایی اشکار کننده های لبه رابا افزودن جمله هایی که شبیه پراکندگی مجازی در روش های حل عددی معادلات دیفرانسیل جزیی هذلولی است ، افزایش می دهد . این جمله به خروجی اشکار کننده لبه اضافه می شود .لبه هایی که به وسیله اشکار کننده لبه پیدا نشوند یا محو نشوند با افزودن جملات پراکدگی مجازی مجددا ساخته می شوند . لبه های ی نیزکهبه درستی به وسیله اشکار کننده ی لبه پیدا شده اند ، حفظ می شوند . نظریه پراکندگی مجازی و چگونگی بهبود کیفیت اشکار گر لبه را بعدا توضیح خواهیم داد و کارایی ان را با استفاده از تصاویر گوناگون اثبات خواهیم کرد . وقتی معادلات دینامیک سیال تراکم پذیر با روش اختلاف میانی حل شوند ، جملات پراکندگی مجازی به دو دلیل اصلی به ان افزوده می شوند . یک دلیل حذف کردن نوسان ها در همسایگی گسستگی ها است و دلیل دوم تعدیل کردن فرکانس های بالا برای رسیدن به همگرایی قابل قبول در حالت پایدار است . این موارد با افزون اختلاف های کراندار درجه دوم و چهارم به ترتب کامل می شود .می دانیم که بخش های فرکانس لبه ها را مشخص می کنند در مقایسه با دینامیک سیال ، جملات پراکندگی مجازی برای تعدیل فرکانس های بالا استفاده نمی شود بلکه بری پیدا کردن و تقویت پیکسل هایی که با بخش های فرکانس بالا مشخص می شوند . در روش های تشخیص لبه ، از قبیل عملگر سوبل ، روش کنی موج های ضربه ای کوچک یکی از قدم ها استفاده ار ماسک های صاف کننده و پیچیش با تصویر است . هموار کردن سبب از دست دادن مولفه های فرکانس بالا و درنتیجه از دست دادن دقت پیکسل های لبه می شود.با استفاده از پراکندگی مجازی ، می توانیم این لبه ها را مجددا احیا کنیم . بنابراین ، جملات پراکندگی مجازی با عکس علامت استفاده می شوند به گونه ای که لبه هارا دقیق تر میکنند نه هموار تر . با این وجو ما به استفاده از همان لفظ پراکندگی مجازی ادامه می دهیم تا استفاده از غیر پراکندگی ، تا با نماد گذاری استفاده شده در سایر متون هماهنگی داشته باشیم . محتویات بقیه این بحش بدین قرار است :در بخش 2-4مجموعه ای از عملگر های پراکندگی مجازی تعریف می شود.مدل پراکندگی مجازی و وابستگی ان به معادلات دیفرانسیل در بخش 4-2-3توضیح داده شده اند .در بخش 4-4انتخاب ضرایب مدل پراکندگی را مورد بحث قرار می دهیم .عملکرد روش را در همان بخش به اثبات می رسانیم .

4-1مقدمه                                                                       60

4-2عملگر های پراکندگی مجازی                                                                       62

4-2-1مفهوم اصلی مدل                                                                                      62

4-2-2تعریف عملگر های پراکندگی مجازی                                                         63

4-2-3مدل پراکندگی مجازی و توصیف معادلات مشتق جزیی                                67

3-4توعیف مبتنی بر معاذلات مشتق جزیی از لبه های سقفی                                      74

4-4انتخاب ضرایب                                                                                             79

4-4-1انتخاب دقیق تر و مقادیر                                                                            81

فصل پنجم : نتیجه گیری و پیشنهادات

نتیجه گیری                                                                                                           89

پیشنهادات                                                                                                             94

مراجع                                                                                                                    27

چکیده انگلیسی                                                                                                       49

فهرست جدول ها

12-1ارزیابی کمی کارایی با استفاده از خظا ی بین لبه ی ا یده ال و لبه های ارتقا یافته با ارتقاگر و اشکار ساز لیه

3-1قواعد فازی برای استخراج استانه

فهرست شکل :

2-1معمایر ارتقا گر لبه عصبی ( NEE ) در NEE شبکه عصبی چند لایه                           12

2-2مقایسه مشخصه شبکه عصبی مورد نیاز با شبکه ی عصبی معمولی                               17

2-3مقایسه لبه ها ارتقا یافته به وسیله NEE با لبه های ارتقا یافته توسط اشکار سازی لبه       19

2-4مقایسه کارایی NEE در عدم استقامت نسبت به نویز با اشکار ساز های لبه ی معمولی    21

2-5تصاویر طبیعی استفاده شده در ازمایش                                                                    22

2-6تصویر ورودی و لبه های ایده ال ان ، که برای اموزش استفاده نشده                             23

2-7مقایسه لبه های ارتقا یافته به وسیله NEE با لبه های ارتقا یافته توسط اشکار ساز های لبه    24

2-8لبه های ارتقا یافته به وسیله NEE برای تصاویر بدون اموزش                                   26

2-9نتایج اعمال NEE اموزشی بایک تصویر طبیعی به تصاویر منسوج                            28

2-10نتیجه بهینه سازی واحد هایی در لایه ورودی NEE ا                                           29

2-11تنبدیل یافته شبکه NEE اموزشی برای تحلیل                                                    30

2-12وزن های اصلاح شده A شبکه تقریبی NEE اموزشی                                       31

3-1نمایش عناصر لبه مبتنی بر مکان های درون –پیکسل                                             36

3-2موقعیت های شکاف                                                                                        36

3-3تصویر ترکیبی برای اموزش شبکه عصبی                                                           36

3-4حد فاصل مطلوب تصویر ترکیبی استفاده شده برای اموزش شبکه عصبی              38

3-5تصویر ترکیبی استفاده شده برای از مایش شبکه عصبی                                    40

3-6خروجی شبکه ی عصبی به کار رفته روی تصویر                                               40

3-7حد فاصل مطلوب تصویر تر کیبی برای ازمایش شبکه ی عصبی استفاده شده       41

3-8حد فاصل مطلوب تصویر ترکیبی با اشکار ساز لبه ی کنی پردازش شده با б =1   41

3-9فرایند ارتقای لبهی شکل شناسی فازی                                                              43

3-10ارتباط بین ارتقای لبه یشکل شناسی فازی و پارامتر های ان                              44

3-11عملگر اذتقا دهنده لبه ی شکل شناسی فازی برای تصویر طبیعی                     45

3-12پنچره ی 3×3                                                                                         48

3-13تعلق ذوزنقه ای ورو دی ها وخرو جی                                                         49

3-14نتیجه ی ازمایش شده                                                                               51

3-15بلوک دیاگرام تکنیک ماسک گذاری غیر دقیق                                           53

3-16مراکز فیلتر برای سه عملگر لاپلاسی                                                           53

4-1نمونه اشکار سازی                                                                                       64

4-2اثر پراکندگی مجازی                                                                                  69

4-3اثر پراکندگی مجازی                                                                                  70

4-4اثر پراکندگی روی لبه                                                                                 71

4-5اثر پراکندگی مجازی                                                                                   72

4-6لبه ی پله                                                                                                    72

4-7خروجی نهایی بازسازی لبه                                                                          73

4-8 U(X.T) و لبه سقفی                                                          76

4-9لبه ی سقفی                                                                  76

4-10تغییرات ، زمانی که پراکندگی مجازی اضافه شده                                        77

4-11لبه سقفی                                                                   78

4-12لبه ی سقفی                                                                       78

4-13روسری باربارا                                                                                         83

4-14بار بارا                                                                84

4-15روسری                                                            84

4-16ماشین                                                                        86

4-17اشیا                                                                      86


 مقطع کارشناسی ارشد

بلافاصاله بعد از پرداخت به ایمیلی که در مرحله بعد وارد میکنید ارسال میشود.


فایل pdf غیر قابل ویرایش

قیمت25000تومان

 

قیمت45000تومان