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.

چکیده :

در این مقاله الگوریتمی که از بهینه سازی ازدحام ذرات برای جستجوی چهره در تصویر استفاده می کند پیشنهاد شده است. این الگوریتم از ماشین برداری پشتیبان ( SVM ) خطی به عنوان یک طبقه بندی سریع و دقیق به منظور جستجوی چهره در فضای دو بعدی استفاده می کند. با استفاده از الگوریتم PSO ، جستجوی کامل در تمام ترکیبات ممکن از مختصات دوبعدی مسئله اجتناب می شود و همین امر باعث صرفه جویی در زمان و کاهش محاسبات پیچیده خواهد شد. علاوه براین ، SVM های خطی اثبات کرده اند که برای رفع مشکلات حاصل از طبقه بندی بخصوص در برنامه های کاربردی بسیار موثر اند.نتایج بدست آمده از آزمایش براساس شرایط ثبت تصویر واقعی از پایگاه داده ی BioID است و این امید را می دهد که می توان از الگوریتم پیشنهادی برای کاربرد های واقعی استفاده کرد.

اصل مقاله

http://poseidon.csd.auth.gr/papers/PUBLISHED/CONFERENCE/pdf/Marami10a.pdf

دانلود ترجمه

face detection[matlab1.ir]

نوشته تشخیص چهره با استفاده از PSO & SVM اولین بار در ايران متلب. پدیدار شد.

مرحله‌ی اول فيلتر كردن تصوير اوليه و حذف نويز از تصويره . برای این منظور فيلتر گوسين با يهماسك ساده قابل استفاده ست که به طور انحصاري در الگوريتم Canny استفاده می‌شه.

مرحله دوم یافتن لبه‌های قوی با استفاده از gradient magnitudeدر هر نقطه ست که برای این منظور معمولاً از ماسک سوبل استفاده میشه.

|G|=|Gx|+|Gy|

مرحله سوم بدست آوردن جهت لبه هاي تصوير، با استفاده از مقدار gradient در راستای x و yکه در مرحله قبل محاسبه شده. فرمول زیر برای محاسبه جهت لبه‌ها استفاده میشه.

theta = invtan (Gy / Gx)

مرحله چهارم اختصاص دادن جهت‌های قابل قبول در تصوير به جهت‌های بدست آمده ست. برايهر پيكسل در تصوير فقط 4 جهت 0 و 45 و 90 و 135 درجه امکان‌پذیر می‌کنیم. بنابراين جهت‌هایبدست آمده رو به يكي از اين 4 جهت Map می‌کنیم.

مرحله پنجم suppression nonmaximum است. اين مرحله جهت لبه‌ها را بررسي می‌کنه و از بین آن‌ها، لبه‌هایی را كه نمی‌شه به عنوان لبه در نظر گرفت رو حذف می‌کنه. اين مرحله يك خطباريك رو در تصوير نهايي می‌ده.

مرحله ششم آستانه گیری در تشخیص لبه ست. در Canny از روشی به نام hysteresisاستفاده میشه. برای این منظور دو آستانه بالا و پایین تعریف می‌کنیم هر پیکسل که دارایgradient بیشتر از حد بالا باشه به عنوان لبه پذیرفته می‌شه و در صورتی که دارای مقدار کمتر از حد پایین باشه رد می‌شه و در صورتی که دارای مقداری بین این دو حد باشه در صورتی پذیرفته می‌شه که یکی از همسایه های آن پذیرفته شده باشه.

الگوریتم canny در مقایسه با الگوریتم های دیگه از دقت بالای برخورداره ولی پیچیدگی محاسباتی داره و یکمی کنده.

جهت دانلود آموزش جامع پردازش تصویر در متلب بر روی تصویر بالا کلیک فرمایید

نوشته الگوریتم لبه یابی canny اولین بار در ايران متلب. پدیدار شد.

جعبه ابزار پردازش تصویر نرم افزار matlab چهار نوع تصویر را تعریف  می کند.این انواع ،  نحوه تفسیر عناصر ماتریس داده تصاویر به وسیله matlab را مشخص می کنند. بر این اساس تصاویر به چهار نوع Binary(bilevel)  ،Indexed(pseudocolor)  ، Grayscale(intensity) ، Truecolor(RGB)  تقسیم می شوند.

Binary images

در یک تصویر باینری، هر پیکسل تنها یکی از دو مقدار گسسته صفر و یک را اختیار می کند. ماتریس داده هر تصویر باینری از نوع logical است. طبق قرارداد برای اشاره به نوع باینری از نام BW استفاده می شود. شکل زیر نمونه ای از یک تصویر باینری همراه با مقادیر تعدادی از پیکسل ها را نشان می دهد.

Indexed images

Indexed image یا یک تصویر اندیس گذاری شده از یک ماتریس داده و یک ماتریس جعبه رنگ تشکیل می شود. ماتریس جعبه رنگ یک ماتریسm-by-3 از نوع double است که مقادیر بین [0,1] را اختیار می کند. هر ردیف این ماتریس ارزش رنگ قرمز و سبز و آبی برای هر رنگ خاص را مشخص می کند. در یک تصویر اندیس گذاری شده مقدار هر پیکسل نمایشگر رنگ خاصی می باشد که با نگاشت مقدار آن پیکسل در ماتریس جعبه رنگ به دست می آید. بنابراین مقادیر ماتریس داده باید مقادیر صحیح باشند. مقدار 1 به اولین ردیف ماتریس و مقدار 2 به دومین ردیف ماتریس جعبه رنگ اختصاص دارد. شکل زیر ساختار یک تصویر اندیس گذاری شده را شرح می دهد. مقادیر پیکسل ها در تصویر بوسیله اعداد صحیح مقدار دهی شده اند که هر کدام نشانگر رنگ خاصی در جعبه رنگ هستند.

ماتریس جعبه رنگ معمولاً همراه تصویر ذخیره می شود و با فراخوانی تصویر در matlab همراه تصویر load می شود. لازم به ذکر است که لزوماً محدود به استفاده از  جعبه رنگ یا colormap پیش فرض نیستید و می توانیدcolormap دلخواه خود را انتخاب کنید.

نوع ارتباط بین ماتریس تصویر و colormap به نوع قالب ماتریس تصویر بستگی دارد. اگر قالب تصویر از نوع double باشد مقدار 1 به ردیف اول ماتریسcolormap اشاره میکند و به همین ترتیب… . اگر قالب تصویر از نوع uint8 or uint16 باشد، مقدار 0 به اولین ردیف و مقدار 1 به دومین ردیف colormapاشاره  می کند و به همین ترتیب… .

Grayscale Images

یک تصویر grayscale از یک ماتریس داده تشکیل می شود که نمایش دهنده شدت نور در یک گستره خاص است. این ماتریس می تواند از نوع uint8،uint16 ،int16 ،single ،double باشد. در حالیکه این نوع تصویر به ندرت همراه یک colormap ذخیره می شود، matlab برای نمایش آن ها از colormapاستفاده       می کند. برای یک ماتریس از قالب single یا double با استفاده ازcolormap پیش فرض، شدت نور 0، نمایشگر رنگ سیاه و شدت نور 1، نمایشگر رنگ سفید است. برای ماتریس از نوع uint8 ،uint16 ،int16 شدت نور intmin(class(i))  نمایشگر رنگ سیاه و شدت نور intmax(class(i))نمایشگر رنگ سفید است.

شکل زیر یک تصویر grayscale از قالب double را نشان می دهد.

True color (RGB)images

یک تصویر truecolor تصویری است که مقدار هر پیکسل آن به وسیله سه مقدار مشخص می شود که هر کدام آن ها برای ارزش رنگ قرمز و آبی و سبز برای هر پیکسل هستند. Matlab یک تصویر truecolor را بعنوان یک ماتریسm-by-n-by-3 ذخیره می کند(یعنی سه ماتریس دو بعدی) که  ارزش رنگ های قرمز و آبی و سبز را برای هر پیکسل خاص معرفی می کند. این نوع تصویر ازcolormap استفاده نمی کند. رنگ هر پیکسل از تصویر از ترکیب شدت رنگ های قرمز و سبز و آبی آن پیکسل تشخیص داده می شود.

 فرمت فایل های گرافیکی، تصویر RGB را بعنوان تصویر 24 بیتی ذخیره می کند، چراکه مقادیر قرمز و آبی و سبز هرکدام 8 بیتی هستند. حاصل آن داشتن گستره ای متشکل از شانزده میلیون رنگ مختلف است. یک تصویرRGB می تواند از قالب های uint8، uint16  ، single ، double باشد.

در ماتریس یک تصویر RGB از نوع double یا single عناصر هر رنگ مقادیری بین [0,1] به خود می گیرند. یک پیکسل که مقادیر رنگ آن(0,0,0)است، سیاه نمایش داده می شود و پیکسلی که مقادیر رنگ آن(1,1,1)است، سفید نمایش داده می شود.

 برای مثال مقدار رنگهای قرمز و سبز و آبی برای پیکسل(10,5) به ترتیب درRGB(10,5,3),RGB(10,5,2),RGB(10,5,1) ذخیره می شود. شکل زیر یک تصویر RGB از قالب double  را نمایش می دهد.

برای اینکه عمیق تر مفهوم سه رنگ متفاوت و ترکیب آن ها، که در این نوع تصاویر استفاده می شود را نشان دهیم؛ مثال زیر می تواند مفید باشد. تصویری به نام spectrum خوانده می شود و سپس با دستوراتی که در خطوط بعدی مشاهده        می کنید، ماتریس های رنگ قرمز و سبز و آبی آن را جدا کرده و هرکدام را جداگانه مشاهده می کنید. figure1 ، figure2 ، figure3 به ترتیب هرکدام شدت رنگهای قرمز و سبز و آبی تشکیل دهنده تصویر اصلی را نشان می دهند و در نهایت figure4 ترکیب این سه ماتریس را نشان می دهد.

جهت دانلود آموزش جامع پردازش تصویر در متلب بر روی تصویر بالا کلیک فرمایید

نوشته انواع تصاویر در جعبه ابزار متلب اولین بار در ايران متلب. پدیدار شد.

دریافت فایل

جهت دانلود فیلم آموزشی پردازش تصویر بر روی تصویر بالا کلیک کنید

نوشته دانلود جزوه آموزش پردازش تصویر با MATLAB اولین بار در ايران متلب. پدیدار شد.