الف- تغييرات طيف توان لحظهای نويز نسبت به مقدار ميانگين

• عبارات ضرب متقاطع[1] سيگنال و نويز
• نگاشت غيرخطی تخمينهای طيف که زير آستانه معينی قرار مي‎گيرد.

غالباً صحبت و نويز محيطی با هم همبستگی ندارند و بنابراين مقدار عبارت ضرب متقاطع صفر است؛ بنابراين مورد (ب) اهميتی ندارد. معمولاً منبع اعوجاج غالب در اين سه نوع، مورد آخری مي‎باشد. اين اعوجاج يک نويز صوتی فلزي[2] توليد مي‎کند که به نام نويز موزيکال (که قبلاً اشاره شد) مشهور است. اين نويز از سيگنالهای باند باريكی كه دامنه و فركانس آنها با زمان تغيير مي‎كند، تشكيل شده است. موفقيّت الگوريتمهای تفريق طيفی به توانايی آنها در کاهش تغييرات نويز و برداشتن اعوجاج حاصل از پردازش بستگی دارد.

نويز باقيمانده در بدترين حالت که حالت معمول آن مي‎باشد، دو فرم زير را دارد:

• يک درّه يا قلّه در طيف سيگنال
• باندهای فرکانسی باريک مجزا از هم

اين درّه‌ها و قلّه‌ها اگر در مجاورت فرکانسهايی که دامنة بزرگ دارند قرار داشته باشند، غالباً بوسيله انرژی بالای سيگنال پوشيده[3] و نامحسوس مي‎شوند. علّت اصلی تنزل محسوس کيفيت صحبت، مؤلّفه‌های فرکانسی گسسته نويز هستند که در شکل (3-7) مشاهده مي‎شود.

[1] Cross-product Terms

[2] Metallic

[3] Mask

3-5-1  اثر تفريق طيفی روی توزيع سيگنال

شکل (3-8) اثر اعوجاج تفريق طيفی روی توزيع دامنة طيف سيگنال را نشان مي‌دهد. در اين شکل ما حالت ساده که در آن طيف سيگنال به دو بخش تقسيم شده را در نظر مي‎گيريم: يک باند فرکانسی پايين  و يک باند فرکانسی بالا. هر نقطه شکل (3-8) ترسيمی از طيف فرکانس بالا بر حسب طيف فرکانس پايين در فضای دو بعدی سيگنال مي‎باشد. شکل (a) توزيع مفروضی از نمونه‌های طيفی يک سيگنال در فضای دو بعدی اندازه- فرکانس را نشان مي‎دهد. همان طور که در شکل (b) نشان داده شده است، اثر نويز تصادفی افزايش ميانگين و واريانس طيف مي‌باشد. ميزان اين افزايش بستگی به ميانگين و واريانس طيف اندازة نويز دارد. افزايش ميانگين طيف اندازه را مي‎توان از طريق تفريق طيفی حذف کرد؛ ليکن افزايش در واريانس سبب اعوجاج غيرقابل برگشت مي‌گردد[8]. شکل (c) اثر اعوجاج تفريق طيفی روی توزيع طيف سيگنال را نشان مي‌دهد. همان طور که مي‌بينيم، به دليل افزايش واريانس طيف سيگنال در اثر نويز، پس از تفريق طيف متوسط نويز، يک نسبت از تجمع سيگنال بخصوص قسمتهايی که دارای SNR کم هستند منفی شده و بايد به مقادير غيرمنفی تبديل شوند. اين پروسه توزيع بخشی از طيف که دارای SNR پايين است را اعوجاج مي‌دهد.

3-5-2 کاهش نويز مانده

روشهای زيادی برای کاهش نويز مانده پيشنهاد شده اند که از جمله آنها مي‎توان به ميانگينگيری از سيگنال نويزي، استفاده از خاصيت تصادفی بودن قاب به قاب نويز مانده، فيلتر کردن به روش Soft-Decision [50]، اعمال محدوديتهای شکل شناختی روی طيف سيگنال[57] و … نام برد. در بخشهای زير برخی از روشهای کاهش نويز مانده مورد بررسی قرار مي‎گيرد.

3-5-2-1 متوسط گيری طيف

 از آنجا که خطای طيفی معادل است با اختلاف بين طيف نويز در هر قاب و متوسط طيف نويز تخمين زده شده؛ بنابراين برای کاهش مقدار آن مي‎توان از طيف سيگنال نويزی متوسط محلی گرفت. به بيان رياضی برای نويز سفيد با واريانس σ_n² مي‌توان نشان داد که واريانس طيف توان نويز N(f) برابر است با

(3-16)

و واريانس ميانگين هر k مؤلّفة طيفی مستقل، عبارتست از:

(3-17)

با توجّه به معادلة بالا مي‌بينيم که تغييرات نويز را مي‎توان با متوسط گيری زمانی از اجزاء فرکانسی سيگنال نويزی کاهش داد. محدوديت اساسی اين راهکار اينست که فرآيند متوسط گيری علاوه بر کاهش واريانس نويز، اثر نامطلوبی نيز روی تغييرات زمانی طيف سيگنال دارد؛ بنابراين در فرآيند متوسط گيری مصالحهای بين ميزان کاهش واريانس نويز و درجه تفکيک زمانی رخدادهای طيفی غير ايستان بايد صورت گيرد. اين مسئله مهمی است؛ زيرا درجه تفکيک زمانی نقش مهمی در کيفيت و فهم سيگنالهای صوتی بازی مي‌کند. در تفريق طيفی سيگنال نويزی y(m) به بلوکهای N نمونهای بخش بندی شده و هر بلوک با دستور DFT به بلوکهايی با N نمونه طيفی Y(f) تبديل مي‌شود. بلوکهای متوالی نمونه‌های طيفي، ماتريس دوبعدی زمان-فرکانسی را بوجود مي‌آورند که با Y(f,t) نشان داده مي‌شود. (t :انديس بلوکها که نمايشگر بعد زمانی است.) سيگنال Y(f,t) را مي‌توان حاصلجمع سيگنال متغير با زمان X(f,t) با نويز تصادفی N(f,t) در نظر گرفت. يک راه برای کاهش تغييرات نويز، فيلتر کردن پايين گذر طيف اندازه در هر فرکانس مي‌باشد. برای مثال يک فيلترينگ ساده از نوع پايين گذر بازگشتی از مرتبه يک با رابطة زير داده مي‌شود:

(3-18)

که در آن ضريب هموار سازي[1] ρ ، پهنای باند و ثابت زمانی فيلتر پايين گذر را کنترل مي‌کند.

روش مشابه ديگری که در عمل کاربرد زيادی برای کاهش نويز موزيکال دارد، ميانگين‎گيری وزن‎دار  مي‌باشد[40]. اين فرآيند در اصل واريانس نويز را روی سيگنال صحبت نويزی کاهش مي‌دهد، از طرفی محتويات طيفی صحبت را نيز تقويت مي‌کند؛ بنابراين از تفريق مخرب جلوگيری مي‌کند. در اينجا هم، به واسطه ايستان بودن کوتاه مدت صحبت، تعداد قابهای همسايه برای ميانگين‎گيری محدود است. حالت کلّی عمل ميانگين‎گيری وزن‎دار به صورت رابطة زير است:

(3-19)

که در آن i انديس قاب و W_j ضرايب مورد استفاده برای وزن دهی قابها است. وقتی W_j=1 (به ازای هر j ) است، ميانگين‎گيری از نوع ساده آن مي‌شود و در غير اينصورت ميانگين‎گيری وزن‎دار خواهد بود[40].

3-5-2-2 فيلتر کردن اعوجاجهای ناشی از پردازش

سيگنالهای صوتی مانند صحبت و نويز، ترکيبی از رشته رخدادهای آکوستيکی غيرايستان هستند. رخدادهای آکوستيکی طول عمر متغيری دارند و با شدّتها و ترکيبهای فرکانسی مختلفی ظاهر شده و محو مي‌شوند. طبيعت متغير با زمان سيگنالهای صوتي، نقش مهمی در انتقال اطلاعات و کيفيت آن دارد. نويز موزيکال حاصل از تفريق طيفی نيز متغير با زمان است. ليکن تفاوتهای مهمی بين اغلب سيگنالهای صوتی و نويز موزيکال وجود دارد که اين وجه افتراق مي‌تواند در شناسايی و حذف برخی از مؤلّفه‌های اعوجاج که آشکارتر هستند، بکار گرفته شود. شناسايی نويز موزيکال ممکن است با بررسی تغييرات سيگنال در حوزه‌های زمان و فرکانس صورت گيرد. مشخّصه اصلی نويز موزيکال اينست که اين نويز شبيه انفجارهای تصادفی مجزا از هم با طول عمر نسبتاً کوتاه از سيگنالهای باند باريک که اندازه‌های نسبتاً کوچکی دارند مي‌باشد. برای مثال بررسی نشان مي‌دهد اگر طول بلوکها 128 نمونه و فرکانس نمونه برداری ^kHz20 باشد، اکثريت قريب به اتفاق مؤلّفه‌های نويز موزيکال بيش از سه قاب دوام ندارند. در حالی که مؤلّفه‌های سيگنال خالص دارای طول عمر بسيار بزرگتری هستند. اين موضوع پايه يک سيستم کارای حذف نويز موزيکال مي‌تواند باشد. شکل (3-9) روشی برای شناسايی نويز موزيکال ارائه مي‌دهد. هر مؤلّفة طيف حاصل از تبديل فوريه گسسته برای شناسايی رخدادهای فرکانسی با عمر کوتاه، بررسی مي‌شود. اگر يک مؤلّفة فرکانسی دارای طول عمر کمتر از پنجره زمانی از پيش تعيين شده باشد و اندازهای کمتر از يک ميزان آستانه داشته باشد و از طرفی با اجزای سيگنال در مؤلّفه‌های فرکانسی مجاور پوشيده[2] نشود، در اين صورت به عنوان اعوجاج شناخته شده و حذف مي‌گردد.

3-5-2-3 استفاده از خاصيت تصادفی بودن قاب به قاب نويز مانده

  اين روش بر مبنای جانشينی مقدار قاب حاضر با مقدار مينيممی از قابهای مجاور مي‌باشد[3]. اگر برای برخی از مؤلّفه‌های فرکانس، اندازة طيف صحبت تخمينی در قاب mام کمتر از ماکزيمم نويز مانده باشد و اگر از قاب به قاب ديگر متفاوت باشد، در اينصورت اين احتمال وجود دارد که طيف صحبت در آن فرکانس ناشی از نويز باشد؛ بنابراين نويز مي‌تواند توسط گرفتن حدّاقل مقدار مابين قابهای مجاور قاب m، کاهش يابد. اگر طيف صحبت تخمينی در آن فرکانس کمتر از ماکزيمم نويز مانده بود و تقريباً بين قابهای همجوار ثابت بود، در اينصورت احتمال زيادی وجود دارد که طيف فرکانس صوتی با انرژی پايين را ارائه بدهد؛ بنابراين با گرفتن مينيمم محتوای اطلاعات تحت تأثير قرار نخواهد گرفت. از طرف ديگر اگر طيف صحبت تخمينی در آن فرکانس بيشتر از اندازة ماکزيمم نويز مانده بود، در اينصورت در آن محل طيف، صحبت وجود دارد؛ بنابراين کم کردن صوت مزاحم کافی است[3][5]. به بيان رياضي:

(3-20)

که در آن،

(3-21)

ضريب l برای جلوگيری از اعوجاج صحبت اضافه شده است. مقدار آن معمولاً 6/0 انتخاب مي‌شود[45].

3-5-2-4 تعيين کف طيفي[3]

روش ديگر کاهش نويز مانده، اجتناب از مؤلّفه‌های طيفی پردازش شده که زير يک آستانه معين قرار مي‌گيرند، مي‌باشد[55]. رابطة زير نحوة اين عمل را نشان مي‌دهد. اين رابطه به‎جای عمل يکسوسازی مقادير منفی بکار مي‌رود.

(3-22)

که در آن b پارامتر تعيين کف طيفی است و مقدار آن بين صفر و يک مي‌باشد. بکارگيری کف طيفی سبب مي‎شود با کم کردن خطای طيفي، درصد قلّه‌ها و درّه‌های باريک طيفی به حدّاقل برسد. مؤلّفه‌های طيفی که زير مقدار  قرار داشته باشند، حذف مي‌شوند. وقتی b>0 باشد، درّه‌های بين قلّه‌ها به اندازة حالت b=0 عميق نيستند؛ بنابراين خطای طيف کمتر خواهد بود و بنابراين از مقدار نويز موزيکال کاسته خواهد شد. تفسير ديگر برای b اينست که وقتی b>0 باشد، مقدار قلّه‌های نويز باقيمانده با مؤلّفه‌های طيفی مجاور خود پوشش داده مي‌شوند. اين مؤلّفه‌های مجاور در واقع نويز پهن باند هستند که به واسطه تعيين کف طيفی ظاهر شده‌اند. به ازای b<<1 نويز اضافه شده پهن باند نيز بسيار کمتر از تفريق طيفی ساده با يکسوسازی نيم موج (b=0) خواهد بود[55]. کف طيفی را کسری از طيف توان نويز اوّليه در نظر مي‎گيرند تا نويز پهن باند کاهش يابد؛ در اين صورت b را مي‎توان ضريب تضعيف نويز ناميد. برای مثال با b=0.01 ،20 دسیبل تضعيف در نويز پهن باند بوجود مي‌آيد. مقادير مختلف a (فاکتور فوق تفريق) و b مصالحهای بين مقدار نويز پهن باند باقی مانده و سطح نويز موزيکال بوجود مي‌آورند. اين مورد در قسمت 3-5 بررسی شده است. شگرد ديگر برای پوشش دادن به نويز موزيکال اينست که مقدار کمی (مثلا حدود 5%) از طيف سيگنال نويزی اوّليه را به طيف بهبود يافته اضافه کرد[40]. اين عمل بهتر است پس از اعمال روشهای ديگر کاهش نويز موزيکال صورت گيرد تا نويز مانده نهايی بوسيله آن پوشيده شود.

3-5-2-5 کاهش اضافی سيگنال در بازه‌های سکوت

در طول بازه‌هايی که سکوت تشخيص داده شده، بهتر است سطح سيگنال تضعيف گردد. اين عمل سبب تضعيف کيفی نويز مي‌گردد، از طرفی صفر کردن سيگنال در اين بازه‌ها درست نيست؛ زيرا سبب تقويت کيفی نويز در طول بازه‌های صحبت مي‌گردد. بنابراين بهتر است تخمين طيف خروجی در اين بازه‌ها ضريب تضعيفی داشته باشد. دليل آنرا مي‎توان به اين صورت بيان کرد که از آنجا که نويز موجود در بازه‌های صحبت تا حدی با صحبت پوشش داده مي‌شود، مقدار باقيمانده آن بايد با مقداری نويز در طول بازه‌های سکوت متوازن شود[3][54].

[1] Smoothing Coefficient

[2] Mask

[3] Spectral Floor

لینک دانلود فایل کامل

نوشته اعوجاجهای ناشی از پردازش اولین بار در ايران متلب. پدیدار شد.

کتاب حاضر به بررسی پردازش تصادفی و سیگنال دیجیتالی که در ارتباطات بی سیم مانند مدل سازی ریاضی، نظریه تشخیص، نظریه برآورد و تکنیک های مدولاسیون ایجاد می شوند می پردازد. همچنین، برای فهم بیشتر، مباحثی مانند زمان منسجم، فرکانس منسجم، گسترش داپلر، گسترش تاخیر، بیز (Bays)، مینی حداکثر، نیمن-پیرسون (Neyman-Pearson)، MMSE, MMAE, MAP، فیلتر وینر (Wiener)، فیلتر کالمن (Kalman)، MIMO، OFDM، و تکنیک های تنوع با استفاده از Matlab به صورت تصویری بکار رفته اند. کتاب به نحوی نگاشته شده است تا برای مبتدیان علاقمند به تحقیق در زمینه ی ارتباطات بی سیم مناسب باشد.

لینک دانلود

نوشته پردازش سیگنال های دیجیتال برای ارتباطات بی سیم با استفاده از Matlab اولین بار در ايران متلب. پدیدار شد.

روش های قطعی با به کارگیری یک روش جستجوی تکراری برای یافتن ماکزیمم محلی تابع هزینه شباهت بین تصویر الگو و تصویر جاری به شدت مورد استفاده قرار می گیرد. معیارهای اندازه گیری بهتر و بهینه تری همچون الگوریتم انتقال میانگین و الگوریتم ردیابی مبتنی بر مدل[3] به عنوان تابع هزینه مورد استفاده قرار می گیرد. روش های قطعی از روش های اکتشافی حرکت کیفی به منظور محدود کردن مشکل تطابق استفاده می کنند و شی ردیابی شده را در هر فریم به وسیله جستجوی تکراری برای یک ناحیه که بیشترین شباهت بین این ناحیه و پنجره شی وجود دارد را نمایش می دهد. این روش ها از نظر محاسباتی کارا هستند و به در هم ریختگی پس زمینه، نویز ، انسداد و حرکت سریع اشیا حساس هستند. از طریف دیگر روش های تصادفی به طور واضح و صریح اندازه گیری شی را انجام می دهند و از فضای حالت به منظور مدلسازی حرکات سیستم های ردیابی استفاده می نمایند. در مدل گوسین و خطی از فیلتر کالمن استفاده می شود که فیلتر کالمن میانگین و کوواریانس توزیعات را منتشر کرده و به روزرسانی می نمایند. برای مسائل غیر خطی و غیرگوسین این امکان وجود ندارد که توزیع ها را به صورت تحلیلی مورد ارزیابی قرار داد به همین دلیل الگوریتم های متعددی برای تخمین این توزیع ها به وجود آمده است. از جمله این الگوریتم ها و روش ها فیلتر ذره یا روش مونت کارلو ترتیبی است.

روش فیلتر ذره یک روش عددی است که اجازه می دهد یک راه حل تقریبی جهت تخمین پی در پی پیدا شود و برای مسائل غیرگوسین و غیرخطی می تواند بسیار موفق باشد. ایده اولیه فیلتر ذره در سال 1949 توسط آقای متروپلیس مطرح شد که بررسی جزییات مجموعه ای از ذره ها را به جای یک ذره را مورد مطالعه قرار داد[4]. اما در سال 1945 یکی از اولین ایده های اصلی تر و پایه و اساس فیلتر ذره با محاسبه و بکارگیری الگوریتم مونت کارلو توسط آقایان همرسلی و مورتون ارائه گردید. فیلتر ذره یک مبحث کاملا آماری می باشد و دلیل مطرح شدن آن این است که بتواند برای مسائلی به کار گرفته شود که تخمین آنها توسط فیلتر کالمن مشکل باشد.

[1] Deterministic method

[2] Scholastic method

[3] Model based tracking

[4] Metropolis, Nicholas, and Stanislaw Ulam. “The monte carlo method.” Journal of the American statistical association 44.247 (1949): 335-341.

لینک دانلود فیلم آموزشی کامل فیلتر ذره

در چند قسمت اول این فیلم آموزشی تئوری فیلتر ذره توضیح داده می شود. اسلایدهای استفاده شده در این آموزش از سیمنار پیاده سازی الگوریتم های مختلف توسط شرکت mathworks در ژاپن استخراج شده اند.

قسمت های پایانی اختصاص به برنامه نویسی متلب فیلتر ذره دارد و چندین مثال از ردیابی شی در ویدئو آورده می شود.

سرفصل مطالب :

حلقه بزرگ در پیاده سازی الگوریتم

فیلتر ذره چیست ؟

چگونه یک شی را در ویدئو ردیابی کنم ؟

چگونه کد فیلتر ذره particle filter را در متلب پیاده سازی کنیم ؟

چرا از معادلات دیفرانسیل برای پیش بینی مکان بعدی شی استفاده نکنیم و از فیلتر ذره استفاده می کنیم ؟

مدل فضای حالت فیلتر ذره

مدل سیستم system

مدل مشاهده observation

هدف از فیلتر ذره چیست؟

تعداد ذرات فیلتر کم یا زیاد خوب است ؟

الگوریتم فیلتر ذره

پیش بینی prediction

فیلتر filtering

میعار انتخاب ذرات چیست؟

شباهت فیلتر ذره و الگوریتم بهینه سازی تجمعی ذرات PSO

معرفی سمبل های مورد استفاده در تئوری فیلتر ذره

میعار likelihood

نحوه تغییر شش ذره در فیلتر ذره به صورت نموداری

رابطه محاسبه موقعیت و سرعت جدید ذرات

فرق بین متغییر state و متغییر observable

برنامه نویسی متلب فیلتر ذره

توضیح خط به خط کد

معرفی پارامترهای خروجی دستور خواندن ویدئو

فرمول update ذرات

تاثیر فاصله دوربین

تاثیر محو شدن هدف در تصویر

تاثیر تعداد ذرات در نتیجه فیلتر ذره

تاثیر انحراف معیار موقعیت و سرعت

پیش نمایش 1 :

لینک دانلود پیش نمایش 1 (کیفیت اصلی)

لینک مشاهده در آپارات

لینک تخته سفید

لینک یوتیوب youtube

پیش نمایش 2 :

لینک دانلود پیش نمایش 2 (کیفیت اصلی)

لینک مشاهده در آپارات

لینک تخته سفید

لینک یوتیوب youtube

نوشته آموزش فیلتر ذره particle filter اولین بار در ايران متلب. پدیدار شد.

پردازش تصویر روشی برای تبدیل یک تصویر به فرم دیجیتال و انجام عملیات بر روی آن ، تا یک تصویر بهبود یافته بدست آمده و اطلاعات مفیدی از تصویر استخراج شود.

تصویر یک سیگنال دو بعدی می باشد. لذا پردازش تصویر به نوعی یک پردازش سیگنال می باشد. خروجی آن می تواند تصویر یا خصوصیتی در مورد تصویر باشد.

پردازش تصویر امروزه یکی از موضوعات بسیار پرکاربرد در علوم مختلف می باشد.

کاربردهای پردازش تصویر دیجیتال

بازسازی و افزایش کیفیت تصویر

مهندسی پزشکی

شناسایی از راه دور remote sensing

انتقال و کدگذاری

بینایی ماشین و ربات

پردازش رنگ

شناسایی الگو

پردازش ویدئو

آنالیز تصاویر میکروسکوپی

کاربردهای اصلی پردازش تصویر دیجیتال در پزشکی به صورت زیر است :

تصویربرداری اشعه گاما

اسکن PET

تصویر برداری X Ray

CT اسکن

تصویربرداری UV

اهداف پردازش تصویر

میتوان به پنج گروه آنرا تقسیم کرد :

تصویر سازی (visualization) : مشاهده قسمت هایی از تصویر که قابل مشاهده نیست.

بازسازی و افزایش کیفیت (image sharping and restoration) : برای ایجاد تصویر بهتر .

بازیابی تصویر (image retrieval) : جستجو برای تصویر مورد علاقه .

اندازه گیری الگو (measurement of pattern) : اندازه گیری اشیای مختلف داخل تصویر.

شناسایی تصویر (image recognition) : تمایز دادن اشیای داخل تصویر.

هدف از تهیه این فیلم آموزشی :

به موازات گسترش كاربردهاي پردازش تصویر، نياز به فراگيري آن برای علاقه مندان به وجود آمده است. اما کتاب های زیادی در این زمینه نوشته شده اما در اکثر آنها تئوری با فرمول و روابط پیچیده بیان شده است و علاقه مندان با مراجعه به آنها از ادامه مسیر یادگیری نا امید می شوند. در اکثر این کتاب ها جنبه کاربردی بودن کمتر مورد توجه قرار گرفته است.

لذا گروه برنامه نویسی ایران متلب تصمیم گرفت یک فیلم آموزشی جامع ، بر اساس سالها تجربه خود در پروژه های مختلف پردازش تصویر، برای استفاده علاقه مندان تهیه کند.

یک عکس هم از گروه بینایی ماشین شرکت mathworks که برنامه نویسان توابع پردازش تصویر متلب هستند را براتون پیدا کردم که در قسمت زیر میتونید آنها ببینید :

مخاطبین :

اين فيلم آموزشي توسط هر فردي كه دوست دارد تا با پردازش تصویر آشنا بشود قابل استفاده است و توسط دانشجويان تمامي رشته ها قابل استفاده است.

سرفصل ها : ( به مرور تکمیل می شود)

توضیح با جزییات دستور imread

چه فرمت هایی imread پشتیبانی می کند؟

کلاس خروجی unit8 و unit16

انواع تصاویر در تولباکس پردازش تصویر متلب

Binary و indexed و gray level و True Color

تصاویر DICOM

کاربرد تصاویر indexed

دستور dicominfo

دلیل 4 بعدی خروجی تصاویر DICOM

پارامتر NumberOfFrames

تبدیل فرمت تصاویر

نمایش چند تصویر در یک پنجره(عمودی و افقی)

قرار دادن عنوان برای پنجره

هشدار (warning) نمایش تصویرهای خیلی بزرگ

فرمت NITF

فرمت analyze 7.5

فرمت interfile

تصاویر HDR (High Dynamic Range)

دستور tonemap

معرفی دستورات تبدیل فرمت تصاویر

دستور rgb2gray

تبدیل تصویر خاکستری به رنگی rgb

دستور im2bw

تعیین حد آستانه باینری کردن

دستور graythresh

دستور index2gray

دستور rgb2gray

کاربرد hsv در شناسایی چهره

تبدیل به فرمت double

تنطیمات تولباکس پردازش تصویر

Initial magnification

Border Style در imshow

نمایش Axes تصویر

مختصات فضایی (x,y) در تصویر

گزینه Copy Figure

Border Style نوع Tight

ذخیره سازی تصویر

گزینه Enable Hardware Optimization

گزینه imtool

پنجره Inspect Pixel Values

کاربرد imtool در پروژه های برنامه نویسی

ابزار measure distance

نمایش فیلم یا multiframe

نمایش تصاویر gif به صورت فیلم

ساخت فیلم با تصاویر متوالی

دستور immovie

دستور implay

کار با movie player متلب

تبدیلات هندسی

دستور imcrop

برش یا بریدن بخشی از تصویر

گزینه Copy Position در imcrop

کاربردهای imcrop در استخراج ویژگی

ارتباط regionprops و imcrops

دستور تغییر اندازه تصویر imresize

کابردهای imresize

چند برابر کردن تصویر

تغیییر اندازه تصویر به مقدار یک مشخص

تغییر اندازه تصویر به تعداد سطر مشخص و تعداد ستون نامشخص

تئوری تغییر اندازه تصویر

روش nearest neighbor

روش bilinear

روش bicubic

روش box shape kernel

روش مثلثی triangular

روش cubic

روش lanczos

چرخش تصویر imrotate

تصحیح پرخش تصویر

کاربرد در شناسایی حروف

دستور imtranslate

جابجایی مکانی تصویر

پر کردن اطراف تصویر با عدد خاصی

گزینه FilledValues

دستور impyramid

گزینه reduce

گزینه expand

معیارهای کیفیت تصویر SSIM

دستور imwrap

دستور affline2d

توضیح عناصر ماتریس affline

دستور imshowpair

محاسبه اتوماتیک tform

تصحیح کجی تصویر

دستور fitgeotrans

تبدیل affine

تبدیل projective

تبدیل شباعت غیر reflective

تبدیل Piecewise Linear

تبدیل Local Weighted Mean (میانگین وزندار محلی)

تبدیل چند جمله ای polynomial

کمترین تعداد نقاط لازم برای affine

تاثیر چرخش تصویر در الگوریتم

دستور imfuse

انداختن دو تصویر بر روی هم

دستور imref2d

دستور imregconfig

توابع registration

گزینه های رجسیتر

(تعداد کل تکرارها ، حداقل و حداکثر طول گام ، تلورانس اندازه گرادیان ، فاکتور relaxation )

دستور imregister

نوع translation

نوع rigid

نوع similarity

نوع affine

توضیح فلوچارت registration

توابع افزایش contrast تصویر

افزایش کیفیت تصویر

تابع imadjust

تخصیص بازه برای imadjust

Imadjust برای تصاویر رنگی

استفاده از []

تابع imcontrast

کار با ابزار Adjust Contrast

تغییر مینیمم و ماکزیمم کنتراست تصویر

دستور imsharpen

تمایز دادن لبه ها

حذف ماتی و بلوری تصویر

یکسان سازی هیستوگرام

تفاوت histeq و adapthisteq

نحوه انتخاب تابع یکسان سازی هستوگرام

imhistmatch

تغییر هیستوگرام بر مبنای هیستوگرام تصویر مرجع

تعیین حد پایین imadjust

تایع stretchlim

اضافه کردن نویز به تصویر

چرا نویز به تصویر اضافه می کنیم؟

تابع imnoise

انواع نویز (Gaussian و localvar و poisson و salt @ pepper و speckels )

( گایوسین و واریانس محلی و پواسون و نمک و فلفل و اسپکلز)

پارامترهای میانگین و واریانس نویز گایوسین

پارامترهای نویز سفید گایوسین میانگین-صفر

پارامترهای نویز نمک و فلفلی

رابطه کلی نویز speckels

نکاتی در مورد نویز در تصویر

طریقه بیان نتایج حذف نویز در مقاله

فیلتر ها در تصویر

مفعوم convolution

مفهوم correlation

پنجره یا window در فیلترها

توضیج کانالوشن با مثال

توضیح correlation با مثال

حرکت sliding پنجره فیلترینگ

کرنل یا kernel در فیلترینگ

Convolution یا correlation کدام مناسب تر است؟

مفهوم padding

مقدار padding چقدر می تواند باشد ؟

حرکت distinct پنجره فیلترینگ

پیکسل مرکزی یا center pixel در پردازش تصویر

Sliding یا distinct کدام مناسب تر است؟

تابع nlfilter

تابع blockproc

کاربرد imfilter

ساخت فیلتر با fspecial

فیلتر میانگین average

فیلتر میانگین دایره ای circular

فیلتر پایین گذر گایوسین lowpass filter gaussian

فیلتر لاپلاسین laplacian

فیلتر گایوسین لاپلاسین

فیلتر تقریب حرکت خطی دوربین motion

فیلتر prewitt

فیتلر sobel

یافتن لبه های عمودی

یافتن لبه های افقی

استخراج لبه های عمودی و افقی با هم

خصوصیات کرنل فیلتر

اعمال فیلتر به تصویر

دستور imadd

تنظیم اندازه پنجره فیلتر میانگین

برای حذف نویزهای ضربه ای چه کار کنیم؟

تابع imgaussfilt

لینک دانلود

دانلود و مشاهده قسمت اول :

لینک دانلود قسمت اول (کیفیت اصلی)
لینک مشاهده قسمت اول در آپارات
لینک مشاهده قسمت اول در تخته سفید
لینک مشاهده قسمت اول در یوتیوب

دانلود و مشاهده قسمت دوم :

لینک دانلود قسمت دوم (کیفیت اصلی)
لینک مشاهده قسمت دوم در آپارات
لینک مشاهده قسمت دوم در تخته سفید
لینک مشاهده قسمت دوم در یوتیوب

نوشته فیلم آموزشی پردازش تصویر در متلب MATLAB اولین بار در ايران متلب. پدیدار شد.