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.

بینایی ماشین
تعریف بینایی ماشین
بینایی ماشین، تبدیل داده یک دوربین به یک نمایش جدید یا یک تصمیم است. همه این تبدیلات براي رسیدن به هدف مشخصی انجام می‏شود.
داده‏ي ورودي می تواند شامل اطلاعات متنی مانند اینکه ”دوربین در یک ماشین قرار داده شده ”یا این که” تشخیص دهنده‏ي فاصله لیزري یک شیءرا در فاصله یک متري نشان می دهد“، باشد.
تصمیم نیز می تواند به طور مثال این باشد که ”شخصی در صحنه حضور دارد ” یا این که ” 14 سلول تومور در این اسلاید وجود دارد”. یک نمایش جدید نیز می تواند به معنی تبدیل یک تصویر رنگی به سیاه و سفید و یا حذف حر کت دوربین از یک مجموعه تصاویر باشد.

طبیعت معیوب بینایی

ظاهر دوبعدي اشیاء می تواند شدیداً با نقطه دید تغییر کند.
داده ها همراه با نویز و اعوجاج می‏باشد.
چشم انسان
چشم انسان تقریباً یک عدسی کروي با قطر 2.5 سانتی متر می‏باشد که از چندین لایه مختلف که درونیترین آن‏ها شبکیه نام دارد تشکیل شده است. ماهیچه‏هاي اطراف چشم اندازه لنز را تنظیم می‏کنند که این کار چشم را قادر به زوم کردن روي اشیاء می‏کند.
دوربین (Charge Coupled Device) CCD
CCD از جهت عملکرد تقریباً مانند چشم انسان کار می‏کند .نور از طریق یک عدسی وارد دوربین و برروي یک پرده مخصوص تصویر می‏شود که تحت عنوان تراشه CCD شناخته می‏شود.
تعریف پیکسل: تراشه CCD که تصاویر با استفاده از آن گرفته می‏شوند از تعداد زیادي سلول تشکیل شده که همگی در یک تراشه با الگوي خاصی مرتب شده‏اند و تحت عنوان پیکسل (pixels) شناخته می‏شوند.
گرافیک خطاي ديد

خطاي چشم انسان و عادت كردن آن به كلمات باعث ميشود تا شما، به راحتي متن صفحه قبل را نيز بخوانيد!! با وجود اينكه پر از غلط املائي است!

گرافیک خطاي ديد
در طراحي اين تصوير تماما از خطوط صاف و مستقيم استفاده شده است.

گرافیک خطاي ديد
گرافیک خطاي ديد
گرافیک خطاي ديد
گرافیک خطاي ديد
گرافیک خطاي ديد
گرافیک خطاي ديد
چشم انسان قادر است كمتر از يك تريلينيوم درصد از امواج الكترومغناطيسي كه در اصطلاح نور مرئي مي‏ناميم را ببيند.

گرافیک: طیف الکترمغناطیس
گرافیک: دروبینهای دید در شب
دوربينهاي ديد در شب قادرند از انسانها و اشياء در شب فيلم برداري كرده و به ما نشان دهند.
گرافیک: نكاتي در خصوص فيزيولوژي چشم
اندازه و ضخامت شبكيه به معادل يك تمبر پستي است.
چشم هشت پا بزرگترين چشم نسبت به جثه است.
پرندگان هشت برابر بهتر از انسان مي بينند.
چشم سنجاقك ده برابر بدتر از چشم انسان مي بيند.
چشم حشرات ده برابر بهتر از چشم انسان حركات را مي‏بيند. يك دويستم ثانيه براي ديدن يك حركت براي آن كافي است.
همه چيز در زير آب به رنگ آبي مايل به سبز است زيرا آب طيف قرمز نور را جذب مي‏كند.
احتمالا“ سگ‏ها هيچ رنگي را نمي بينند البته اين موضوع هنوز ثابت نشده است.
يك چشم سالم به طورمعمول می‏تواند ده ميليون رنگ را تشخيص دهد.
گاوها رنگ ها را نمي بينند پس پارچه‏ي قرمز در عصباني كردن گاو وحشي تاثيري ندارد.

گرافیک: نكاتي در خصوص فيزيولوژي چشم
يك نمونه از خطاي ديد : اگر يك عينك وارونه كن بر چشم بگذاريم بعد از يك هفته همه چيز درست ديده مي‏شود ولي اگر عينك را برداريم دوباره همه چيز به صورت وارونه در مي‏آيد.
نور مهتاب كامل يك صدوشصتم نور خورشيد است.
جغد مي‏تواند در زير نور يك شمع در فاصله چهارصد متري طعمه اش را شكار كند.
چشم گربه سانان مانند آينه عمل مي‏كند و كمترين نورها را نيز بازتاب مي‏کند.
مار زنگي اشعه مادون قرمز را مي‏بيند بنابراين، گرماي حاصل از بدن جانوران اين را به سوي خود جذب مي‏كند.
خلبانان انگليسي در جنگ جهاني دوم زياد هويج مي خوردند وقتي آلماني ها ديدند كه آن ها هدف را در شب مي‏بينند فكر كردند كه اين اثر زياد خوردن هويج است در حالي كه انگليسي ها رادار را اختراع كرده بودند.
تصاوير متحرك براي چشم ما حداقل پانزده كادر در ثانيه هستند ولي اين مگس اين تصاوير را به صورت صحنه آهسته مي بيند.
مفهوم گرافيك كامپيوتري
اولين كامپيوترها شامل سطرهاي بسياري از چراغها و كليدها بودند.
سپس دستگاههاي قابل برنامه نويسي جديدي پديد آمد كه ميتوانستند بر روي لوله كاغذ با مكانيزمي شبيه ماشين هاي تحرير از راه دور چاپ كنند.
مانيتورهاي CRT اوليه در آغاز تنها خروجي هايي براي تصاويري بودند كه تنها حروف اسكي را نمايش می‏داد.
اولين گرافيك هاي كامپيوتري كه بر روي اين خروجي ها نمايش داده ميشد دو بعدی بودند.
اصطلاح Real-time اولين بار به تصاويري كه متحرك بودند اطلاق شد.
بكارگيري اصطلاح Real-time براي گرافيك كامپيوتري بدين معناست كه كامپيوتر در حال ارائه كردن يك انيميشن يا رشته‏اي از تصاوير است كه بی‏درنگ به بعضي از ورودي ها واكنش نشان مي‏دهد.
مفهوم گرافيك كامپيوتري
اصطلاح سه بعدي (3D): به اين معناست كه يك شئ در حال نمايش، سه بعد قابل اندازه‏گيري دارد طول و عرض و عمق
گرافيك سه بعدي كامپيوتري در حقيقت تصاويري دو بعدي هستند روي يك صفحه تخت كه بعد سوم و يا خطاي ديد در عمق را مهيا ميسازند.
2D + Perspective = 3D
پرسپكتيو تنها براي خلق سيماي سه بعدي كافي است.
مصنوعات سه بعدي: دليل اينكه وقتي شما جلوي يكي از چشمانتان را مي‏پوشانيد دنيا به يكباره تخت نمی‏شود اين است كه هنوز افكت‏هاي سه بعدي زيادي حاظر هستند وقتي كه دو بعدي تماشا ميشوند. اين افكت‏ها (تاثيرات) به اندازه‏اي هستند كه باعث شوند مغز شما به راحتي مسافت و عمق را تشخيص دهد. مسلم ترين چيز اينست كه اشيا نزديك‏تر بزرگتر از اشيا دور نمايان مي‏شوند.
اين افكت پرسپكتيو Foreshortening ناميده ميشود . اين افكت و تغييرات رنگ و تكسچرها و نورها و اختلاف در شدت رنگ همه با هم به ادراك ما يك تصوير سه بعدي را اضافه ميكنند.
مفهوم گرافيك كامپيوتري
مهمترين ابزار خروجي كه مي تواند به مفهوم گرافيك كامپيوتري عينيت ببخشد، صفحه نمايش (Monitor) است كه امروزه با روشهاي متفاوت در اندازه‏ها و كيفيت‏هاي مختلفي توليد می‏شوند.
تعریف پیکسل (Pixel=Picture cell/Element): در معماري سخت‏افزار گرافيك كامپيوتري امروزي (و كارت هاي گرافيكي در راس آنها) تصاوير به صورت مجموعه اي از نقاط در نظر گرفته مي شوند. هر نقطه ، رنگ و مشخصات خاص خود را دارد و كوچكترين جز قابل رويت يك تصوير محسوب مي شود. به اين نقاط در اصطلاح پيكسل گفته می‏شود.
تعریف صفحه نمایش (Screen): به مجموعه پيكسل هايي كه در هر لحظه از طريق ابزارهايي مانند صفحه نمايش ترسيم مي شود صفحه تصوير گفته می‎‏شود.
صفحه نمايش دو بعدي در نظر گرفته مي شود و معمولاً پيكسل هايي كه در اين دو بعد وجود دارند از طريق مختصات آنها مانند يك ماتريس قابل دسترسي می‏باشند.
مفاهیم پایه
تفكيك پذيري (resolution):
وضوح تصاوير يا تفكيك پذيري به مجموعه پيكسلهاي افقي و عمودي اطلاق مي‏شود كه صفحه نمايش قادر به نمايش آن است
پيكسل (pixel):
پيكسل كوچكترين عنصر تصويري است كه به صورت نقطه كوچكي روي صفحه نمايش قابل رويت مي‏باشد وبا توجه به تعداد و ميزان تراكم اين نقاط در صفحه نمايش، كيفيت تصاوير به نمايش در آمده متفاوت خواهند بود.
ماتريس كاراكتر:
ماتريس كاراكتر مجموعه اي از نقاط روشن و خاموش در صفحه نمايش مي باشد كه يك كاراكتر را نمايش مي دهند، هر چه تعداد پيكسلهاي موجود در ماتريس كاراكتر بيشتر باشد، وضوح تصاوير و كاراكترها نيز بيشتر خواهد بود.
مد متني (Text Mode):
در اين مد كوچكترين جز تصوير كاراكتر است . صفحه نمايش به چند سطر و ستون تقسيم مي شود . ابعاد صفحه در اين مد مي تواند 40*25 یا 80*25 باشد.

انواع صفحه‏هاي نمايش
صفحه كريستال مايع (LCD):
از اين نوع سابقاً در كامپيوترهاي كيفي و قابل حمل استفاده مي شده و اكنون به صورت رايج براي تمام كامپيوترها استفاده مي شود. اين صفحه نمايش حجم و وزن كمي دارد. عبور يكسري جريانات خاص باعث نوراني شدن پيكسل هاي آن مي شود.
لامپ اشعه كاتدي (CRT):
اين نوع لامپ تصوير، كيفيت خوبي را ارائه مي‏دهد و حجم و توان مصرفي بالايي دارد. در گذشته از اين نوع مانيتور براي كامپيوترهاي شخصي استفاده مي‏شد. تفاوت عمده تلويزيون با مانيتور در اين است كه تلويزيون داراي تيونر بوده و قادر است كانالهاي مختلف تلويزيوني را از طريق آنتن دريافت كند.

مشخصات كارت‏هاي گرافيكي
مشخصات كارت‏هاي گرافيكي
MDA: متن را بدون لرزش و با دقت زياد به يكي از زبانهاي سبز، خاكستري و سفيد نمايش مي‏دهد.
HERCULES: اين كارت رنگي نيست ولي براي كارهاي گرافيكي مي‏توان از آن استفاده نمود.
CGA: متن و گرافيك را با 4 رنگ توليد مي‏كند. اين كارت مي تواند خروجي خود را علاوه بر مانيتور به تلويزيون هم بدهد. هر چند در اين تعويض 80 ستون در مانيتور به 40 ستون در تلويزيون تبديل مي‏شود .
EGA: گرافيك و متن را خيلي خوب توليد مي‏كند و چهار حالت گرافيكي قابل نمايش است.
VGA: اين كارت كليه چهار حالت گرافيكي EGA را توليد مي‏كند و دقت آن براي كارهاي اداري عالي و براي كارهاي چاپي و طراحي خوب است.
اصطلاحات علمی
تفاوت بین پردازش تصویر با بینایی ماشین:

Image processing

Machine vision
اصطلاحات علمی
اصطلاحات بینایی کامپیوتر (computer vision)، درک تصویر (image understanding) و آنالیز تصویر (image analysis) اغلب مورد استفاده قرار می‏گیرد که به معنای بینایی ماشین (machine vision) می‏باشد.
سازماندهی سیستم بینایی ماشین

نمونه‏ای از مرحله اندازه‏گیری ویژگی‏ها
اجزای یک سیستم ماشین بینایی
یک و یا چند دوربین دیجیتال یا آنالوگ (سیاه-سفید یا رنگی) با اپتیک مناسب برای گرفتن عکس.
واسطه ای که عکس‌ها را برای پردازش آماده می‏سازد. برای دوربین‌های آنالوگ این واسطه شامل یک دیجیتال کننده عکس است. هنگامی که این واسطه یک سخت‌افزار جدا باشد، به آن Frame grabber (کارتی که برای دریافت سیگنال تصویری و فرستادن آن به کامپیوتر استفاده می‏شود) می‏گویند.
یک پردازشگر گاهی یکPC یا پردازنده تعبیه شده (Embedded Processor ) مانند DSP
نرم‌افزار Machine visionاین نرم‌افزار امکاناتی برای توسعه یک برنامه نرم‌افزاری که برای کاربردی مشخص است را فراهم می‏کند.
اجزای یک سیستم ماشین بینایی
سخت‌افزار ورودی / خروجی (مثلاً I/O دیجیتال) یا حلقه‌های ارتباطی مثلا ارتباط شبکه ای یا (RS-232) برای گزارش نتایج.
یک دوربین هوشمند: یک وسیله ساده که همه موارد فوق را داراست.
لنزهایی که بتواند به مقدار مطلوبی روی سنسور تصویر زوم کند.
منابع نوری مناسب و گاهی خیلی مخصوص ( مثلا چراغهای LED، فلورسنت، لامپهای هالوژن و . . . )
یک برنامه مشخص که بتواند تصاویر را پردازش کرده و مشخصه‌های مربوط و مناسب را شناسایی کند.
یک سنسور همزمان ساز برای شناسایی اجزا (گاهی یک سنسور نوری و یا یک سنسور مغناطیسی): این سنسور برای راه اندازی سیستم استخراج و پردازش تصویر می‏باشد.

حالت کلی عملکرد دستگاه
سنسور همزمان ساز تعیین می‌کند که چه زمانی یک بخش (که معمولاً روی یک حمل کننده حرکت می کند) در موقعیتی قرار گرفته است که باید مورد بررسی واقع شود. این سنسور هنگامیکه از زیر دوربین می‏گذرد و یک پالس نوری برای ثابت نگهداشتن تصویر ایجاد می‌کند، دوربین را برای گرفتن عکس فعال می‏کند. نوری که برای روشن کردن آن بخش به کار می رود در واقع برای آن است که مشخصه‌های مطلوب را برجسته و مشخصات نامطلوب (مثل سایه‌ها و یا انعکاس‏ها) را به حداقل برساند. معمولاً پنل‌های LED با اندازه و طراحی مناسب برای این هدف مورد استفاده قرار می گیرند. تصویر دوربین یا توسط یک frame grabber و یا توسط یک حافظه کامپیوتری (که در آن ازframe grabber استفاده نشده است) گرفته می‏شود.
حالت کلی عملکرد دستگاه
frame grabber یک وسیله دیجیتال کننده است (یا در داخل دوربین هوشمند و یا بطور جداگانه) که خروجی دوربین را به فرمت دیجیتال تبدیل کرده (معمولاً این فرمت از یک آرایه دو بعدی از اعداد تشکیل شده که هر عدد متناظر شدت روشنایی نقطه متناظر در آن تصویر می‏باشد. به این نقاط پیکسل می گویند.) و سپس تصویر را به منظور پردازش توسط نرم‌افزارٍ Machine vision در حافظه کامپیوتر ذخیره می‏کند. به طور معمول نرم‌افزار، اقدامات متفاوتی را برای پردازش تصویر انجام می‏دهد. گاهی در ابتدا تصویر برای کاهش نویز و یا تبدیل سایه‌های خاکستری به ترکیب ساده ای از رنگهای سیاه و سفید دستکاری می‌شود (Binarization) در قدم بعدی نرم‌افزار عمل شمردن، اندازه گیری و شناسایی اجسام، ابعاد، کاستی‌ها و مشخصات دیگر تصویر را انجام می دهد.

حالت کلی عملکرد دستگاه
در نهایت با توجه به ضوابط و معیارهای برنامه ریزی شده ممکن است بخشی را بپذیرد و یا رد کند. اگر یک بخش رد شد، نرم‌افزار به یک دستگاه مکانیکی فرمان می دهد تا آن بخش را خارج کند و همچنین سیستم خط تولید را قطع کرده و به کارگر هشدار می دهد تا مشکلی که باعث ایجاد خطا شده را رفع نماید. اگرچه اکثر Machine vision‌ها بر مبنای دوربین‌های سیاه–سفید بنا نهاده شده اند، استفاده از دوربین‌های رنگی در حال رایج شدن است. همچنین امروزه شاهد شیوع فراوان استفاده از تجهیزات دوربین‌های دیجیتال به جای یک دوربین و یک frame grabber جداگانه در Machine vision هستیم. استفاده از یک دوربین دیجیتال به منظور برقراری ارتباط مستقیم، باعث صرفه جویی در هزینه و نیز سادگی سیستم خواهد شد. دوربین‌های هوشمند که در داخل آنها embedded processor‌ها تعبیه شده اند، در حال تسخیر سهم بالایی از بازار Machine vision‌ها هستند.
حالت کلی عملکرد دستگاه
دوربین‌های هوشمند که در داخل آنها embedded processor‌ها تعبیه شده‏اند، در حال تسخیر سهم بالایی از بازار Machine vision‌ها هستند. استفاده از یک embedded processor و یا یک پردازنده بهینه نیاز ما به frame grabber و یک کامپیوتر خارجی را از بین می‏برد. به همین خاطر این پردازنده‌ها باعث کاهش هزینه، کاهش پیچیدگی سیستم و همچنین اختصاص توان پردازشی مشخص به هر دوربین می‏شود. دوربین‌های هوشمند معمولاً ارزان تر از سیستمهای شامل یک دوربین و یک برد و یک کامپیوتر خارجی هستند. همچنین توان بالای embedded processor و DSP ‌ها منجر به بالا رفتن عملکرد و توانایی آنها نسبت به سیستمهای مرسوم ( که بر مبنای PC هستند) شده است.
کاربردهای بینایی ماشین
تولید صنعتی در مقیاس بزرگ.
ساخت اجزایی که نیاز به زمان تولید مشخصی دارند.
سیستمهای ایمنی موجود در محیط‌های صنعتی.
بررسی مواد اولیه تولید (مثلا کنترل کیفیت و بررسی وقوع خطا)
کنترل موجودی انبار و سیستمهای مدیریتی ( شمارش، بارکد خواندن و ذخیره اطلاعات در سیستمهای دیجیتال)
کنترل رباتهای تعقیب خطی که برای حمل بار در کارخانه‌های صنعتی استفاده می شوند.
کنترل کیفیت و بهبود محصولات غذایی.
ماشینی کردن اجزای کوچک صنعتی.

روش‌های پردازش
شمارش پیکسل:
شمردن تعداد پیکسل‏های روشن و تاریک.
تعیین آستانه:
تبدیل یک عکس با قسمت‌های خاکستری به یک عکس سیاه و سفید به این طریق که با قرار دادن آستانه‏ای پیکسل‌های روشن تر از آن را سفید و پیکسل‌های تیره‏تر از آن را سیاه در نظر می گیریم.
بخش‏بندی کردن: (Segmentation)
تبدیل تصویر ورودی به بخش‌های مختلف برای موقعیت یابی و شمارش پیکسل‏ها.
تشخیص و شناسایی لکه‌ها و دستکاری:
بررسی یک عکس برای یافتن گسسته از بین تمامی پیکسل‏ها. (به عنوان مثال یک حفره سیاه رنگ در درون یک جسم خاکستری) این لکه‌ها به عنوان نشان اختصاصی عکس خواهند بود.

روش‌های پردازش
تشخیص و شناسایی توسط اجزاء موجود:
استخراج اجزاءی خاص از یک تصویر ورودی مثلا عکس.
تشخیص وشناسایی الگو به طور مداوم در برابر تغییرات:
به این معنا که موقعیت جسمی که ممکن است چرخانده شود یا اندازه اش تغییر کند یا قسمتی از این جسم توسط جسم دیگر پوشانده شود، را به طور دقیق شناسایی کند.
خواندن بارکد:
شناسایی و تعیین کدهای یک بعدی و دو بعدی اسکن شده توسط ماشین‌ها طراحی شده است.
تشخیص و شناسایی کاراکتر نوری:
خواندن خودکار یک متن (مثال: یک رشته اعداد پشت سرهم).

روش‏های پردازش
اندازه گیری:
اندازه گیری ابعاد یک جسم (بر حسب میلی متر یا اینچ).
تشخیص و شناسایی لبه ها:
پیدا کردن لبه‌های یک جسم در یک تصویر.
تشخیص و شناسایی از طریق تطبیق الگو:
پیدا کردن، مطابقت دادن و شمارش اشکال خاص در یک تصویر.

در اکثرموارد یک سیستمMachine vision به منظور بررسی کامل یک تصویر، از زنجیره مرکبی از این تکنیک‏های پردازش استفاده می‏کند. به عنوان مثال می‏توان به سیستمی اشاره کرد که بارکد را می‏خواند و هم سطح جسم را برای خراش احتمالی مورد بررسی قرار می‏دهد و هم ممکن است طول و عرض آن وسیله را اندازه گیری کند.

فرآیند یک سیستم بینایی ماشین
مثال: تشخیص ارقام دست نوشته
مثال: تعیین موقعیت سر
پردازش تصویر: تصویر دیجیتالی
پردازش تصویر: تشکیل تصویر دیجیتالی
نمودار تابع به ازای مقادیر پیوسته و گسسته
پردازش تصویر: تشکیل تصویر دیجیتالی
برای یک پیکسل دو نوع همسایگی می‏توان تعریف نمود:
همسایگی چهارگانه
همسایگی هشت‏گانه

پردازش تصویر: تشکیل تصویر دیجیتالی
شدت روشنایی دریافت شده توسط حسگر در پیکسل (m,n) از تصویر باید کوانتیزه شود.
در بینایی ماشین با دو نوع تصویر سروکار داریم:
تصویر باینری و تصویر خاکستری

نمونه‏ای از کاربردهای بینایی ماشین
بازی مشت زنی
بازی تیس روی میز
video
تصویر رنگی و خاکستری
از دید بینایی ماشین هریک از رنگ‏های قرمز و سبز و آبی یک کانال رنگ نامیده می‏شود. یعنی برای ایجاد تصویر رنگی باید به ازای هر پیکسل مقادیر هریک از کانال‏های قرمز، سبز و آبی را به طور مجزا ذخیره نمود.
در بیشتر مسائل بینایی ماشین تصاویر رنگی را به خاکستری طبق فرمول زیر تبدیل می‏کنند.

عملیات نقطه‏ای
عملیات نقطه‏ای از عملیات پیش‏پردازش می‏باشد که تنها بر روی یک پیکسل از تصویر اعمال می‏گردد. با اعمال عملیات نقطه‏ای مقدار جدید یک پیکسل تنها تابعی از مقدار فعلی آن پیکسل خواهد بود.

اگر عملیات نقطه‏ای بر روی دو تصویر اعمال شوند، مقدار جدید پیکسل تابعی از مقادیر پیکسل‏های متناظر در دو تصویر ورودی خواهد بود.

عملیات محلی:کانولوشن تصویر
عملیات محلی:هموار‏کردن تصویر (فیلتر میانگین و فیلتر گاوسین)
فیلتر میانگین:
1/(w*H)

عملیات محلی:هموار‏کردن تصویر (فیلتر میانگین و فیلتر گاوسین)

فیلتر گاوسین

فرمول فیلتر هموارکننده با استفاده از فیلتر گاوسین
هیستوگرام تصویر
فرمول هیستوگرام

نرمالیزه کردن هیستوگرام

تقطیع (بخش‏بندی) تصویر
به طورکلی تقطیع شامل چهار نوع عمل می‏باشد:
لبه یابی
آستانه‏گیری
تفکیک
یافتن نقاط بارز

تقطیع (بخش‏بندی) تصویر:لبه‏یابی براساس مشتق اول تصویر
تقطیع (بخش‏بندی) تصویر:فیلترهای لبه‏یابی براساس مشتق اول تصویر
تقطیع (بخش‏بندی) تصویر:فیلترهای لبه‏یابی براساس مشتق اول تصویر
تقطیع (بخش‏بندی) تصویر:لبه‏یابی براساس مشتق دوم تصویر
تقطیع (بخش‏بندی) تصویر:لبه‏یابی براساس مشتق دوم تصویر
تقطیع (بخش‏بندی) تصویر:لبه‏یاب کنی (canny)

تقطیع (بخش‏بندی) تصویر:آستانه گیری از تصویر
تقطیع (بخش‏بندی) تصویر:آستانه گیری از تصویر (تعیین سطح آستانه مبتنی بر شکل هیستوگرام)
تقطیع (بخش‏بندی) تصویر:آستانه گیری از تصویر (تعیین سطح آستانه مبتنی بر شکل هیستوگرام)
تقطیع (بخش‏بندی) تصویر:آستانه گیری از تصویر (تعیین سطح آستانه مبتنی بر شکل هیستوگرام)
تقطیع (بخش‏بندی) تصویر:آستانه گیری از تصویر (آستانه‏گیری سطح آماری)
مهمترین روش‏های تعیین سطح آستانه آماری به سه حالت تقسیم می‏گردد:
بهینه
عمومی
اتسو
تقطیع (بخش‏بندی) تصویر:آستانه‏گیری سطح آماری: روش آستانه‏گیری بهینه
تقطیع (بخش‏بندی) تصویر:آستانه‏گیری سطح آماری: روش آستانه‏گیری عمومی
تقطیع (بخش‏بندی) تصویر:آستانه‏گیری سطح آماری: روش آستانه‏گیری اتسو
با فرض وجود دو کلاس (زمینه و پس زمینه)، روش کلی اتسو مینیمم کردن واریانس داخل کلاسی می‏باشد. یعنی یافتن مقدار مینیمم رابطه زیر:

تقطیع (بخش‏بندی) تصویر:آستانه‏گیری سطح محلی
تقطیع با روش یادگیری ماشین:تقطیع تصویر با روش k means
تقطیع با روش یادگیری ماشین:تقطیع تصویر با روش k means
تقطیع با روش یادگیری ماشین:تقطیع تصویر با روش k means
تقطیع با روش یادگیری ماشین:تقطیع تصویر با روش k means
تقطیع با روش یادگیری ماشین:تقطیع تصویر با استفاده از الگوریتم شیفت میانگین
تقطیع با روش یادگیری ماشین:تقطیع تصویر با استفاده از الگوریتم شیفت میانگین
تقطیع با روش یادگیری ماشین:تقطیع تصویر با استفاده از الگوریتم شیفت میانگین
تقطیع با روش یادگیری ماشین:تقطیع تصویر با استفاده از الگوریتم شیفت میانگین
تقطیع با روش یادگیری ماشین:تقطیع تصویر با استفاده از الگوریتم شیفت میانگین
تقطیع با روش یادگیری ماشین:تقطیع تصویر با استفاده از الگوریتم شیفت میانگین
تقطیع با روش یادگیری ماشین:تقطیع تصویر با استفاده از الگوریتم شیفت میانگین
تقطیع با روش یادگیری ماشین:تقطیع تصویر با استفاده از الگوریتم شیفت میانگین
تقطیع با روش یادگیری ماشین:تقطیع تصویر با استفاده از الگوریتم شیفت میانگین
تقطیع با روش یادگیری ماشین:تقطیع تصویر با استفاده از الگوریتم شیفت میانگین
تقطیع تصویر با استفاده از الگوریتم واترشید
تقطیع تصویر با استفاده از الگوریتم واترشید
تقطیع تصویر با استفاده از الگوریتم واترشید
تقطیع تصویر با استفاده از الگوریتم واترشید
تقطیع مبتنی بر تقسیم و ترکیب
تقطیع مبتنی بر تقسیم و ترکیب
تقطیع مبتنی بر تقسیم و ترکیب
تقطیع مبتنی بر تخمین حرکت
برچسب زنی اجزای متصل
برچسب زنی اجزای متصل
برچسب زنی اجزای متصل
برچسب زنی به روش پیمایش سطحی
برچسب زنی به روش پیمایش عمقی
برچسب زنی دو مرحله‏ای
برچسب زنی اجزای متصل به روش سطحی
برای پیاده‏سازی الگوریتم پیمایش گراف به صورت سطحی از یک صف استفاده می‏کنیم.
ریشه را به صف اضافه کن و flag آن را ست کن
تا زمانی که صف خالی نشده است تکرار کن
گره سرصف را برداشته، در خروجی چاپ کرده و همه فرزندان آن را که flag آنها ست نشده باشد، به انتهای صف اضافه کن
flag همه گره‏های فرزندان اضافه شده به صف را ست کن. ست کردن flag بدین منظور انجام می‏گیرد که هر گره تنها یکبار به صف اضافه شود
برچسب زنی اجزای متصل به روش سطحی
برچسب زنی اجزای متصل به روش عمقی
برای پیاده سازی الگوریتم پیمایش گراف به صورت عمقی از یک پشته استفاده می‏کنیم.
ریشه را به پشته اضافه کرده و فلگ آن را ست کن
تا زمانی که پشته خالی نشده است، تکرار کن
گره بالای پشته را برداشته (Pop)، آن را در خروجی چاپ کرده و همه فرزندان آن را که فلگ آنها ست نشده باشد، به پشته اضافه کن (Push)
فلگ همه گره های فرزندان اضافه شده به صف را ست کن. ست کردن فلگ بدین منظور انجام می گیرد که هر گره تنها یکبار به صف اضافه شود.
برچسب زنی اجزای متصل به روش عمقی
مثال: برچسب زنی اجزای متصل به روش عمقی و سطحی
برچسب زنی اجزای متصل به روش دومرحله‏ای (تکراری)
برچسب زنی به روش تکراری یک روش دو مرحله ای است که در مرحله اول با پیمایش تصویر از بالا به پایین و از چپ به راست به هر پیکسل شی ای، بر اساس شرایط زیر برچسبی را انتساب می دهد:
در همسایگی 4گانه پیکسلp(i,j) ، اگر پیکسل بالایی p(i-1,j) و پیکسل سمت چپی p(i,j-1) دارای برچسب X باشند، پیکسل p(i,j) نیز برچسب X خواهد داشت.
در همسایگی 4گانه پیکسلp(i,j) ، اگر پیکسل بالاییp(i-1,j) یا پیکسل سمت چپی p(i,j-1) دارای برچسب X باشند، پیکسل p(i,j) نیز برچسبX خواهد داشت.
در همسایگی 4گانه پیکسلp(i,j) ، اگر پیکسل بالایی p(i-1,j) برچسب X و پیکسل سمت چپیp(i,j-1) دارای برچسبY باشند (X وY باهم برابر نیستند)، برچسب پیکسلp(i,j) را برابر X قرار داده و در جدول معادل هاX و Y را وارد می کنیم.
در همسایگی 4گانه پیکسلp(i,j) ، اگر پیکسل بالاییp(i-1,j) و پیکسل سمت چپی p(i,j-1) هیچیک دارای برچسب نباشند، به پیکسل p(i,j) برچسب جدیدی برابر Z قرار می‏دهیم.

برچسب زنی اجزای متصل به روش دومرحله‏ای (تکراری)
هنگام انتساب برچسب به پیکسل ها معمولا از مقادیر عددی استفاده می کنیم. جدول معادل ها نیز شامل همه برچسب های معادل هم خواهد بود. در مرحله دوم برچسب های معادل با هم ادغام شده و برچسب منحصربفردی را برای هریک از اشیا تولید می‏کند. اگرX و Yدو برچسب معادل از جدول معادل‏ها باشند، زمانی کهX

استخراج کانتور تصویر
مثالی از توصیف کانتور لب
مثالی از توصیف کانتور لب
مثالی از توصیف کانتور لب
مثالی از توصیف کانتور لب (فرآیند جداسازی)
مثالی از توصیف کانتور لب (تست آزمایشگاهی )
مثالی از توصیف کانتور لب (تست آزمایشگاهی )
نقاط بارز و ویژگیهای سطح پایینگوشه یابی در تصویر
معیارهای مهم در آشکارسازی گوشه:
همه گوشه ها آشکار شوند.
هیچ گوشه اشتباهی یافت نشود.
نقاط گوشه پیدا شده باید در موقعیت درستی محل‏بایی شوند.
آشکاساز گوشه باید در مقابل نویز مقاوم باشد.

نقاط بارز و ویژگیهای سطح پایینگوشه یابی در تصویر
نقاط بارز و ویژگیهای سطح پایینگوشه یابی در تصویر
نقاط بارز و ویژگیهای سطح پایینگوشه یابی در تصویر
نقاط بارز و ویژگیهای سطح پایینگوشه یابی در تصویر
نقاط بارز و ویژگیهای سطح پایینتبدیل ویژگی مقاوم در برابر تغییر مقیاس: تبدیل هاف دایره‏ای
نقاط بارز و ویژگیهای سطح پایینتبدیل ویژگی مقاوم در برابر تغییر مقیاس: تبدیل هاف دایره‏ای
نقاط بارز و ویژگیهای سطح پایینتبدیل ویژگی مقاوم در برابر تغییر مقیاس: تبدیل هاف دایره‏ای
نقاط بارز و ویژگیهای سطح پایینتبدیل ویژگی مقاوم در برابر تغییر مقیاس: تبدیل هاف دایره‏ای
الگوریتم تبدیل هاف دایره‏ای:
یافتن لبه‏ها
برای هر نقطه لبه تبدیل هاف شروع می‏شود: یک دایره با مرکزیت نقطه لبه با شعاع r رسم می‏شود و در انباره تمام مختصاتی که محیط دایره از آنها عبور می‏کند، افزایش می‏یابند.
نقاط ماکزیمم در انباره پیدا می‏شود و تبدیل هاف تمام می‏شود.
پارامترهای پیدا شده (r,a,b) مطابق با نقاط ماکزیمم روی تصویر اصلی مشخص می‏شوند.
مثالی از تبدیل هاف دایره‏ای
مثالی از تبدیل هاف دایره‏ای
نقاط بارز و ویژگیهای سطح پایینتبدیل ویژگی مقاوم در برابر تغییر مقیاس: تبدیل هاف خط
نقاط بارز و ویژگیهای سطح پایینتبدیل ویژگی مقاوم در برابر تغییر مقیاس: تبدیل هاف خط
نقاط بارز و ویژگیهای سطح پایینتبدیل ویژگی مقاوم در برابر تغییر مقیاس: تبدیل هاف خط
نقاط بارز و ویژگیهای سطح پایینتبدیل ویژگی مقاوم در برابر تغییر مقیاس: تبدیل هاف خط
مثالی از تبدیل هاف خط
مثالی از تبدیل هاف خط
عملیات مورفولوژیکی: عملگرهای مجموعه ای
عملگر اجتماع

عملگر اشتراک
عملیات مورفولوژیکی: عملگرهای مجموعه ای
عملگر تفاضل

عملگر تک عملوندی مکمل

گسترش باینری مورفولوژیکی
سایش باینری مورفولوژیکی
استخراج اسکلت بندی اشیاء
استخراج اسکلت بندی اشیاء
مثال: تشخيص محل پلاک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی
مثال: تشخيص محل پلاک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی
مثال: تشخيص محل پلاک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی
مثال: تشخيص محل پلاک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی
مثال: تشخيص محل پلاک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی
مثال: تشخيص محل پلاک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی
مثال: تشخيص محل پلاک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی: بررسی معیار تراکم
مثال: تشخيص محل پلاک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی: بررسی معیار تراکم
استخراج ویژگی
ویژگی‏های شکل
ویژگی‏های مبتنی بر ناحیه
ویژگی‏های مبتنی بر شدت روشنایی
ویژگی‏های مبتنی بر بانک فیلتر گابور
شمای کلی یک سیستم بازیابی تصویر
استخراج ویژگی‏های محتوایی تصاویر براساس رنگ
ویژگی‏های تصویر از لحاظ نحوه توصیف‏گر به سه دسته تقسیم می‏گردد:
ویژگی‏های عمومی یا سطح پایین (رنگ و بافت)
ویژگی‏های معنایی
وِیژگی‏های مختص کاربردهای خاص
استخراج ویژگی‏های محتوایی تصاویر براساس رنگ
انواع فضاهای رنگی در استخراج رنگ:
RGB
HSV
L*a*b*
استخراج ویژگی‏های محتوایی تصاویر براساس رنگ
روش‏های استخراج رنگ:
ممان رنگ
هیستوگرام رنگ
هیستوگرام برچسب رنگ
بردار ارتباط رنگ
همبستگی نگاشت رنگ
رنگ غالب
بردار وابستگی

استخراج ویژگی‏های محتوایی تصاویر براساس رنگ
نمونه‏ای از روش‏های استخراج ویژگی بافت:
ماتریس Co-occurrence
ویژگی ‏های Tamura
ویژگی‏های فیلتر گابور
ویژگی‏های تبدیل موجک
مثالی برای استخراج ویژگی
مثال1: استخراج ویژگی در تصاویر رنگی با استفاده از اتوماتای سلولی فازی
در این مثال از دو ویژگی رنگ غالب فازی و رنگ غالب فازی با در نظر گرفتن وابستگی مکانی پیکسل ها استفاده شده است و ساختار مبتنی بر اتوماتای سلولی برای استخراج ویژگی بکار رفته است.

تابع عضویت وضعیت قرار گرفتن یک پیکسل در همسایگی 8 از نطر رنگ پیکسل‏های همسایه

مثال1: استخراج ویژگی در تصاویر رنگی با استفاده از اتوماتای سلولی فازی
نحوه نگاشت سلول‏های اتوماتا بر پیکسل‏های تصویر

مثال1: استخراج ویژگی در تصاویر رنگی با استفاده از اتوماتای سلولی فازی
مثال1: استخراج ویژگی در تصاویر رنگی با استفاده از اتوماتای سلولی فازی
مثال1: استخراج ویژگی در تصاویر رنگی با استفاده از اتوماتای سلولی فازی
مثال1: استخراج ویژگی در تصاویر رنگی با استفاده از اتوماتای سلولی فازی
مثال1: استخراج ویژگی در تصاویر رنگی با استفاده از اتوماتای سلولی فازی
مثال1: استخراج ویژگی در تصاویر رنگی با استفاده از اتوماتای سلولی فازی
مثال2: تشخیص دست‏نوشته با استفاده از ماشین اتوماتا و منطق فازی
مثال2: تشخیص دست‏نوشته با استفاده از ماشین اتوماتا و منطق فازی
الگوریتم کار:
محاسبه زاویه حرکت دست از روی نقاط پیدا شده
شناسایی حرکت مطلوب توسط سیستم فازی
قرار دادن نام حرکت روی نوار اتوماتا جهت تغییر وضعیت آن
شناسایی وضعیت نهایی اتوماتا و حرف نوشته شده

مثال2: تشخیص دست‏نوشته با استفاده از ماشین اتوماتا و منطق فازی
محاسبه زاویه حرکت دست:

مثال2: تشخیص دست‏نوشته با استفاده از ماشین اتوماتا و منطق فازی
مثال2: تشخیص دست‏نوشته با استفاده از ماشین اتوماتا و منطق فازی
فرمول یافتن مختصات جدید زاویه حرکت دست:

یافتن مکان کنونی دست با استفاده از لبه‏یابی:
مثال2: تشخیص دست‏نوشته با استفاده از ماشین اتوماتا و منطق فازی
مدل فازی تشخیص جهت حرکت دست از روی زاویه حرکت به دست آمده
مثال2: تشخیص دست‏نوشته با استفاده از ماشین اتوماتا و منطق فازی
ماشین های اتوماتای DFA(Deterministic Finite Automata)
یکDFA به صورت تعریف می شود، که در آن:
Q یک مجموعه متناهی است که نام State های ماشین در آن قرار دارد.
Ʃ یک مجموعه متناهی است که نام Symbol های زبان ماشین در آن قرار دارد.
δ تابع انتقال (تغییر وضعیت) ماشین که به صورت تعریف می شود.
q0 عضوی از می باشد که به عنوان State شروع می باشد.
F زیر مجموعه ای از که به عنوان State (های) نهایی (پذیرش) می باشد.

مثال2: تشخیص دست‏نوشته با استفاده از ماشین اتوماتا و منطق فازی

دانلود نسخه کامل

machine.vision2 [matlab1.ir]

محصولات مرتبط

بر روی هر تصویر کلیک کنید تا توضیحات کامل هر قسمت را مشاهده فرمایید

نوشته بینایی ماشین اولین بار در ايران متلب. پدیدار شد.