عنوان مقاله
+ مقاله پردازش تصویر دیجیتال
فهرست مطالب
+
- فصل اول – مقدمه ای بر پردازش تصویر دیجیتال
- ۱-۱ مقدمه
- ۱-۲ مراحل اساسی پردازش تصویر
- شکل ۱-۱ مراحل اساسی پردازش تصویر دیجیتال
- ۱-۳ یک مدل ساده تصویر
- ۴-۱ تشخیص صورت
- ۱-۵ تشخیص و تعبیر
- فصل دوم – بررسی دقیق تر برخی از روش های معرفی شده توسط سایر محققین در زمینه تشخیص صورت
- ۲-۱ تشخیص صورت در تصاویر رنگی با استفاده از فیلتر پوست
- ۱-۱-۲ چکیده
- ۲-۱-۲ فیلتر پوست
- شکل۲-۱ تصویر اصلی RGB
- شکل۲-۲ نقشه بافت
- شکل۲-۳ تصویر رنگمایه
- شکل۲-۴ تصویر اشباع
- شکل۲-۵ نقشه پوست
- ۲-۱-۳ تشخیص صورت در نواحی پوست
- شکل۲-۶ ادغامنقشه پوست با تصویر خاکستری
- شکل ۲-۷ تصویر مثبت برچسب گذاری شده
- شکل۲-۸ تصویر منفی
- شکل ۲-۹ نتیجه نهایی
- ۲-۲ الگوریتم تشخیص صورت بر مبنای مکان یابی ویژگی های صورت
- مقدمه
- ۲-۲-۱ چکیده
- ۲-۲-۲ الگوریتم تشخیص صورت
- شکل۲-۱۰ الگوریتم تشخیص صورت بر مبنای مکان یابی ویژگی های صورت
- ۲-۲-۳ جبران سازی نور و تشخیص رنگ و تن پوست
- شکل۲-۱۱ (الف) تصویر با تن زرد؛ (ب) تصویر جبران سازی شده اثر نور؛
- (ج) نواحی پوست تصویر الف؛ (د) واحی پوست تصویر ب
- ۲-۲-۴ مکان یابی ویژگی های مربوط به صورت
- شکل ۲-۱۲ پیاده سازی مکان یابی چشم برای دو نمونه
- شکل۲-۱۳ پیاده سازی مکان یابی دهان برای دو نمونه
- شکل۲-۱۴ مرز صورت و مثلث دهان- چشم
- ۵-۲-۲ نتایج
- ۲-۳ یک متد آماری برای تشخیص اجسام سه بعدی
- مقدمه
- ۲-۳-۱ چکیده
- ۲-۳-۲ تشخیص بر مبنای ظاهر
- شکل۲-۱۵ نمونه های آموزشی جهت
- شکل ۲-۱۶ نمونه های آموزشی جهت
- ۲-۳-۳ قانون تصمیم آماری
- ۲-۳-۳-۱ احتمال بر اساس نتایج آماری
- ۲-۳-۳-۲ تجزیۀ ظاهر به فضا،فراوانی و جهت
- ۲-۳-۳-۳ نمایش نمونه ها با زیر مجموعۀ ضریب موج
- جدول ۱ نمایش موج یک تصویر
- ۲-۳-۳-۴ فرم نهایی تشخیص دهنده
- ۲-۳-۴ جمع آوری آمار
- ۲-۳-۵ کاربرد تشخص دهنده ها
- ۲-۳-۶ صحت تشخیص صورت با چرخش خارج از محدوده
- شکل ۲-۱۷ نمونه هایی از نتایج
- ۲-۴ تشخیص صورت با استفاده از روش مسافت هاسدورف
- مقدمه
- ۲-۴-۱ چکیده
- ۲-۴-۲ تشخیص جسم با روش هاسدورف
- ۲-۴-۲-۱ تعریف
- ۲-۴-۲-۲ تشخیص بر پایۀ مدل
- ۲-۴-۳ توضیح سیستم
- شکل ۲-۱۸ ویرایش تصویر
- ۲-۴-۳-۱ دوره تشخیص
- ۲-۴-۳-۲ پالایش
- شکل ۲-۱۹ گامهای قطعه بندی و موضعی کردن در تشخیص صورت بالا دوره تشخیص با مدل صورت؛ پایین پالایش اولیه با مدل چشم
- ۲-۴-۳-۳ انتخاب مدل
- ۲-۴-۴ صحت
- شکل ۲-۲۰ خطای نسبی؛ (الف) نشان دادن رابطه بین موقعیت انتظاری (Clو Cr) و مکان تخمینی چشم ها () (ب) نمایش خطای نسبی
- ۲-۴-۵ نتایج
- ۲-۵ مدل ژنتیک بهینه سازی مکان یابی چهره به روش هاسدورف بر پایه مسافت
- ۲-۵-۱ مقدمه
- ۲-۵-۲ چکیده
- ۲-۵-۳ تشخیص صورت با روشهاسدورفبر پایه مسافت
- شکل ۲-۲۱ پروسه پیدا کردن صورت
- ۲-۵-۴ مدل ژنتیک
- -۵-۲۴-۱ کد های مدل
- ۲-۵-۴-۲ توابع تناسب
- ۲-۵-۴-۳ پارامتر های مورد نیاز
- شکل ۲-۲۳ عملگر تقاطع برای مدل دو بعدی
- ۲-۵-۴-۴ مقداردهی اولیه
- ۲-۵-۵ نتایج آزمایشات
- شکل ۲-۲۴ نمونه هایی برای مقداردهی تصادفی الگوریتم ژنتیک
- شکل ۲-۲۵ نمونه هایی برای مقداردهی الگوریتم ژنتیک به روش لبه متوسط
- شکل ۲-۲۶ نمونه هایی برای مقداردهی الگوریتم ژنتیک به روش دستی
- نمودار یک تابع توزیع فاصله نسبی چشم برای مجموعه تصاویر (الف) XM2VTSو (ب) BIOID با به کارگیری بهترین مدل در هر سه روش
- شکل ۲-۲۷ مدل حاصله
- نمودار دو تابع توزیع مسافت به دست آمده برای مجموعه تصاویر XM2VTSو BIOID
- ۲-۵-۶ نتیجه گیری
- فصل سوم
- تشخیص صورت بر مبنای رنگ پوست
- ۳-۱ استفاده از رنگ به عنوان ابزار پردازش تصاویر رنگی
- ۳-۱-۱ مبانی رنگ
- ۳-۲ تشخیص پوست
- ۳-۳ مدل های رنگ
- ۳-۳-۱ مدل رنگ RGB
- شکل ۳-۱ مکعب رنگی RGB ، نقاط در طول قطر اصلی، مقادیر خاکستری از سیاه در مبدأ تا سفید در نقطه (۱ , ۱ ,۱) دارند
- ۳-۳-۲ مدل رنگ CMY
- ۳-۳-۳ مدل رنگ YIQ
- ۳-۳-۴ مدل رنگ HSI
- شکل ۳-۲ (الف) مثلث رنگی HSI ، (ب) هرم گونه رنگی HSI
- ۳-۳-۵ مدل رنگYCbCr
- شکل ۳-۳ مکعب رنگ YCbCr
- ۳-۳-۵-۱ تبدیلات بین RGB و YCbCr
- شکل ۳-۴ مکعب رنگ RGB در مکعب رنگ YCbCr فضای YCbCr بزرگتر از RGB به نظر می رسد، اما در حقیقت، ۷۵ در صد از ارزش هایش کمربندی شده اند، آن هم بدین علت است که تمام نمایشگرها RGBهستند، در نتیجه هر ارزش غیر معتبر RGB نمی تواند استفاده شود
- ۳-۳-۶ مدل های رنگ دیگر
- ۳-۳-۷ نتیجه گیری از فضاهای رنگ
- ۳-۴ ساختن مدل برای پوست
- فصل چهارم
- شناسایی صورت در یک پایگاه داده اختیاری
- ۴-۱ شناسائی صورت
- ۴-۱-۱ مقدمه
- ۴-۱-۲ تاریخچه
- ۴-۱-۳ روش های برجسته
- principle component analysis ۱-۳-۱-۴
- ۲-۳-۱-۴Linear discriminant analysis
- شکل ۴-۱ نمونه هایی از شش کلاس در LDA
- -۳-۱-۴۳ Elastic Bunch Graph Matching
- شکل ۴-۲ Elastic Bunch Graph Matching
- ۴-۱-۴ ارزیابی دولت ایالات متحده امریکا
- ۴-۱-۵ نظر اجمالی به استاندارد ها
- ۶-۱-۴ نتیجه گیری
- ۴-۲ قرارداد فرت برای الگوریتم شناسایی صورت
- ۴-۲-۱ مقدمه
- ۴-۲-۲ چکیده
- ۴-۲-۳ تست سپتامبر ۹۶ فرت
- ۴-۲-۴ مدل تحقیق
- ۴-۲-۵ نتایج تحقیق
- نمودار سه نتایج پراب FB (a) الگوریتم ها در سپتامبر ۱۹۹۶ مورد آزمایش قرار گرفته اند (b) الگوریتم ها در مارس ۱۹۹۷ مورد آزمایش قرار گرفته اند
- نمودار چهار نتایج پراب المثنی (a) الگوریتم ها در سپتامبر ۱۹۹۶ مورد آزمایش قرار گرفته اند (b) الگوریتم ها در مارس ۱۹۹۷ مورد آزمایش قرار گرفته اند
- نمودار پنج نتایج پراب fc (a) الگوریتم ها در سپتامبر ۱۹۹۶ مورد آزمایش قرار گرفته اند (b) الگوریتم ها در مارس ۱۹۹۷ مورد آزمایش قرار گرفته اند
- نمودارشش نتایج پراب المثنی(a) الگوریتم ها در سپتامبر ۱۹۹۶ مورد آزمایش قرار گرفته اند (b) الگوریتم ها در مارس ۱۹۹۷ مورد آزمایش قرار گرفته اند
- نمودار هفت نتایج اجرای الگوریتم ها روی هر دسته از پراب ها
- ۴-۲-۶ نتیجه گیری
- فصل پنجم
- روش انجام کار
- ۵-۱ مقدمه
- ۵-۲ مدل کردن رنگ پوست
- شکل۵-۲ نقاب حاصله
- شکل ۵-۳ توزیع گاوسی
- ۵-۳ جداسازی پوست
- شکل ۵-۴ (الف) تصویر رنگی اصلی (ب) تصویر احتمالی پوست
- شکل ۵-۵ حاصله از آستانه گیری
- شگل ۵-۶ نمونه ای از اجرای روش فوق
- ۵-۴ نواحی پوست
- شکل ۵-۷ (الف) نواحی قسمت بندی شده (ب) ناحیه احتمالی صورت
- ۵-۴-۱ یافتن تعداد سوراخ های یک ناحیه
- ۵-۴-۲ مرکز حجم
- ۵-۴-۳ جهت
- ۵-۴-۴ عرض و ارتفاع ناحیه
- ۵-۴-۵ نسبت ناحیه
- ۵-۴-۶ الگوی صورت
- ۵-۵ تطبیق الگو
- شکل ۵-۱۰ (الف) الگوی اصلی (ب) الگوی تغییر سایز یافته
- شکل ۵-۹ )الف) ناحیه احتمالی صورت (ب) ناحیه بدون سوراخ (ج)نتیجه ادغام تصویر مقیاس خاکستری با (ب)
- شکل ۵-۱۱ (الف) الگوی دوران داده شده (ب) تصویر حاصل از حذف نواحی اضافی در لبه های (الف)
- شکل ۵-۱۲ تصویر در مقیاس خاکستری هم سایز با تصویر اصلی شامل الگوی ویرایش یافته
- شکل ۵-۱۳ نمونه ای از روند کار
- ۵-۶ راهکارهای پیشرفت این پروژه
- ۵-۷ نتایج
- فهرست منابع
======
:
Persian
Arabic
Chinese (Simplified)
Dutch
English
French
German
Italian
Portuguese
Russian
Spanish
دیدگاهتان را بنویسید