در پردازش تصویر، یک تصویر دیجیتال در واقع مجموعه‌ای از مقادیر عددی است که اطلاعات مربوط به شدت روشنایی یا رنگ پیکسل‌ها را در خود نگه می‌دارد. از آنجا که MATLAB اساساً یک نرم‌افزار ماتریس‌محور است، کار با تصاویر در این محیط بسیار طبیعی و ساده انجام می‌شود.

پردازش تصویر چیست؟

پردازش تصویر مجموعه‌ای از روش‌ها و الگوریتم‌ها برای دریافت، اصلاح، تحلیل و استخراج اطلاعات از تصاویر دیجیتال است.

در یک پروژه پردازش تصویر ممکن است هدف تنها بهبود کیفیت تصویر باشد یا بخواهیم اطلاعات خاصی مانند لبه‌ها، اشیا، نواحی مورد نظر، رنگ‌ها یا ویژگی‌های تصویر را استخراج کنیم.

برخی از کاربردهای مهم پردازش تصویر عبارتند از:

• بهبود کیفیت تصاویر
• حذف نویز
• تشخیص لبه‌ها
• بخش‌بندی تصویر
• استخراج ویژگی
• تشخیص اشیا
• شناسایی الگو
• تحلیل تصاویر پزشکی
• پردازش تصاویر ماهواره‌ای
• بینایی ماشین
• تشخیص چهره
• کنترل کیفیت صنعتی

خواندن و نمایش تصویر در MATLAB

یکی از اولین مراحل در پروژه‌های پردازش تصویر، وارد کردن تصویر به محیط MATLAB و مشاهده اطلاعات آن است.

در MATLAB می‌توان تصاویر را از فرمت‌های مختلف خواند و سپس ابعاد، نوع داده و کانال‌های رنگی آن‌ها را بررسی کرد.

در این مرحله کاربر با مفاهیمی مانند:

• تصویر خاکستری
• تصویر رنگی RGB
• ابعاد تصویر
• پیکسل
• شدت روشنایی
• نوع داده تصویر

آشنا می‌شود.

تصاویر خاکستری و رنگی

تصاویر Gray Scale معمولاً به صورت یک ماتریس دوبعدی نمایش داده می‌شوند که هر عضو آن شدت روشنایی یک پیکسل را مشخص می‌کند.

تصاویر RGB از سه کانال رنگی قرمز، سبز و آبی تشکیل شده‌اند. بنابراین یک تصویر RGB معمولاً به صورت یک آرایه سه‌بعدی در MATLAB ذخیره می‌شود.

آشنایی با ساختار داده تصویر اهمیت زیادی دارد، زیرا بسیاری از الگوریتم‌ها ابتدا نیاز دارند تصویر به قالب مشخصی تبدیل شود.

تبدیل تصاویر رنگی و خاکستری

در برخی پروژه‌ها لازم است تصویر رنگی به تصویر خاکستری تبدیل شود تا حجم محاسبات کاهش پیدا کند یا الگوریتم مورد نظر تنها روی شدت روشنایی کار کند.

همچنین ممکن است نیاز باشد تصاویر بین فضای‌های رنگی مختلف تبدیل شوند.

این موضوع در پروژه‌هایی مانند تشخیص رنگ، بخش‌بندی و استخراج ویژگی اهمیت زیادی دارد.

بهبود کیفیت تصویر

یکی از شاخه‌های اصلی Image Processing، Image Enhancement است.

هدف از بهبود تصویر این است که اطلاعات مهم تصویر بهتر دیده شوند یا تصویر برای مراحل بعدی پردازش آماده‌تر شود.

روش‌هایی مانند موارد زیر در این حوزه کاربرد دارند:

• تنظیم کنتراست
• تغییر روشنایی
• Histogram Equalization
• افزایش وضوح
• اصلاح دامنه شدت پیکسل‌ها
• بهبود نمایش جزئیات

هیستوگرام تصویر

Histogram یکی از ابزارهای مهم برای بررسی توزیع شدت روشنایی در تصویر است.

با تحلیل هیستوگرام می‌توان متوجه شد تصویر بیش از حد روشن، تاریک یا دارای کنتراست پایین است.

روش‌های مبتنی بر هیستوگرام در بهبود کیفیت تصویر و Thresholding کاربرد فراوانی دارند.

نویز در تصویر

تصاویر واقعی ممکن است در هنگام تصویربرداری، انتقال یا ذخیره‌سازی دچار نویز شوند.

وجود نویز می‌تواند عملکرد الگوریتم‌های بعدی مانند لبه‌یابی، بخش‌بندی و تشخیص اشیا را کاهش دهد.

برخی از نویزهای رایج شامل:

• Gaussian Noise
• Salt & Pepper Noise
• Speckle Noise

هستند.

در MATLAB می‌توان نویزهای مختلف را شبیه‌سازی کرد و سپس عملکرد فیلترهای مختلف را در حذف آن‌ها بررسی کرد.

فیلتر کردن تصاویر

فیلترها یکی از ابزارهای اصلی در پردازش تصویر هستند.

با استفاده از فیلتر می‌توان تصویر را هموار کرد، نویز را کاهش داد، لبه‌ها را تقویت کرد یا جزئیات خاصی را استخراج نمود.

فیلترها به طور کلی می‌توانند در حوزه مکان یا حوزه فرکانس اعمال شوند.

از جمله فیلترهای متداول می‌توان به موارد زیر اشاره کرد:

• Mean Filter
• Median Filter
• Gaussian Filter
• فیلترهای هموارساز
• فیلترهای Sharpening

Median Filter

فیلتر میانه یکی از روش‌های معروف برای حذف نویز Salt & Pepper است.

این فیلتر به جای میانگین‌گیری از مقادیر همسایه، مقدار میانه آن‌ها را انتخاب می‌کند و به همین دلیل در بسیاری از موارد می‌تواند نویز ضربه‌ای را بدون تخریب شدید لبه‌ها کاهش دهد.

تشخیص لبه

Edge Detection یکی از مراحل مهم در بسیاری از پروژه‌های بینایی ماشین و پردازش تصویر است.

لبه‌ها معمولاً مرز میان نواحی مختلف تصویر را مشخص می‌کنند و اطلاعات مهمی درباره شکل و ساختار اجسام در اختیار ما قرار می‌دهند.

الگوریتم‌های مختلفی برای لبه‌یابی وجود دارند، از جمله:

• Sobel
• Prewitt
• Roberts
• Canny

هر روش دارای ویژگی‌ها و حساسیت متفاوتی نسبت به نویز و جزئیات تصویر است.

Thresholding و تبدیل تصویر به دودویی

در بسیاری از کاربردها لازم است تصویر به دو گروه اصلی تقسیم شود؛ برای مثال پیکسل‌های متعلق به شیء و پیکسل‌های مربوط به پس‌زمینه.

در این حالت از روش‌های Thresholding استفاده می‌شود.

خروجی این مرحله معمولاً یک تصویر Binary است که پیکسل‌های آن دارای دو مقدار اصلی هستند.

تصاویر دودویی در بسیاری از مراحل بعدی مانند شمارش اشیا، اندازه‌گیری نواحی و عملیات مورفولوژیکی کاربرد دارند.

بخش‌بندی تصویر

Image Segmentation یکی از مهم‌ترین موضوعات در پردازش تصویر است.

هدف بخش‌بندی، تقسیم تصویر به نواحی معنی‌دار است.

برای مثال در یک تصویر پزشکی ممکن است هدف جدا کردن بافت مورد نظر از سایر بخش‌ها باشد یا در یک تصویر صنعتی بخواهیم قطعه را از پس‌زمینه جدا کنیم.

روش‌های بخش‌بندی می‌توانند بر اساس موارد زیر انجام شوند:

• شدت روشنایی
• رنگ
• لبه‌ها
• نواحی
• خوشه‌بندی
• ویژگی‌های تصویر

عملیات مورفولوژیکی

Morphological Operations ابزارهای مهمی برای پردازش تصاویر Binary هستند.

از جمله عملیات پرکاربرد می‌توان به موارد زیر اشاره کرد:

• Erosion
• Dilation
• Opening
• Closing
• پر کردن حفره‌ها
• حذف اجسام کوچک

این عملیات به‌خصوص بعد از Thresholding و Segmentation برای اصلاح شکل نواحی و حذف خطاهای کوچک بسیار مفید هستند.

استخراج ویژگی

در بسیاری از پروژه‌ها هدف نهایی خود تصویر نیست، بلکه می‌خواهیم تعدادی ویژگی عددی از آن استخراج کنیم.

این ویژگی‌ها می‌توانند اطلاعاتی درباره شکل، اندازه، بافت یا شدت روشنایی تصویر ارائه دهند.

برای مثال:

• مساحت
• محیط
• مرکز جرم
• ویژگی‌های هندسی
• ویژگی‌های بافت
• ویژگی‌های رنگی

پس از استخراج ویژگی می‌توان آن‌ها را به الگوریتم‌های دسته‌بندی، شبکه عصبی یا یادگیری ماشین داد.

پردازش تصویر و یادگیری ماشین

در بسیاری از سیستم‌های هوشمند، پردازش تصویر مرحله اولیه یک سیستم Machine Learning است.

ابتدا تصویر پردازش و ویژگی‌های مناسب استخراج می‌شوند و سپس این ویژگی‌ها برای آموزش یک مدل دسته‌بندی یا پیش‌بینی مورد استفاده قرار می‌گیرند.

برای مثال می‌توان از این ساختار در مسائل زیر استفاده کرد:

• تشخیص بیماری از تصاویر پزشکی
• شناسایی چهره
• تشخیص پلاک خودرو
• طبقه‌بندی تصاویر
• تشخیص عیب صنعتی
• شناسایی اشیا

پردازش تصویر در پروژه و پایان‌نامه

MATLAB یکی از محیط‌های محبوب برای پیاده‌سازی سریع ایده‌های پردازش تصویر در پروژه‌های دانشگاهی است.

دانشجویان می‌توانند ابتدا الگوریتم را در متلب پیاده‌سازی و آزمایش کنند و سپس در صورت نیاز آن را توسعه دهند.

این موضوع در رشته‌هایی مانند مهندسی برق، کامپیوتر، پزشکی، مکاترونیک، رباتیک و هوش مصنوعی کاربرد زیادی دارد.

این آموزش برای چه افرادی مناسب است؟

این دوره می‌تواند برای افراد زیر مناسب باشد:

• دانشجویان مهندسی برق
• دانشجویان کامپیوتر
• دانشجویان هوش مصنوعی
• پژوهشگران پردازش تصویر
• دانشجویان مهندسی پزشکی
• علاقه‌مندان بینایی ماشین
• دانشجویان مکاترونیک و رباتیک
• افرادی که برای پروژه یا پایان‌نامه به پردازش تصویر نیاز دارند
• افرادی که قصد یادگیری Image Processing Toolbox در MATLAB را دارند

پیش‌نیاز پیشنهادی

برای استفاده بهتر از آموزش، آشنایی مقدماتی با MATLAB توصیه می‌شود.

به‌خصوص آشنایی با موضوعات زیر مفید است:

• ماتریس‌ها
• بردارها
• Script
• Function
• حلقه‌ها
• دستورات شرطی

از آنجا که تصاویر در MATLAB به صورت آرایه و ماتریس ذخیره می‌شوند، تسلط نسبی بر عملیات ماتریسی یادگیری پردازش تصویر را بسیار ساده‌تر می‌کند.

هدف آموزش

هدف این دوره آن است که کاربر با مفاهیم اصلی پردازش تصویر و نحوه پیاده‌سازی آن‌ها در MATLAB آشنا شود.

پس از یادگیری این مباحث، کاربر می‌تواند تصاویر را وارد MATLAB کند، آن‌ها را پردازش و بهبود دهد، نویز را کاهش دهد، لبه‌ها و نواحی مختلف را استخراج کند و مقدمات لازم برای توسعه پروژه‌های پیشرفته‌تر پردازش تصویر و بینایی ماشین را به دست آورد.

پردازش تصویر در متلب

نوشته آموزش پردازش تصویر در MATLAB 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.