خانه » پروژه » گرافیک وهنر » دانلود پروژه پردازش تصویر دیجیتال
دانلود پروژه پردازش تصویر دیجیتال

دانلود پروژه پردازش تصویر دیجیتال

مقدمه ای بر پردازش تصویر دیجیتال
فهرست مطالب
۱-۱ : مقدمه ۵
۱-۲ : مراحل اساسی پردازش تصویر ۶
۱-۳ : یک مدل ساده تصویر ۸
۴-۱: تشخیص صورت ۹
۱-۵ : تشخیص و تعبیر ۱۱
فصل دوم : ۱۴
۱-۱-۲: چکیده ۱۵
۲-۱-۲ : فیلتر پوست ۱۶
۲-۱-۳  :  تشخیص صورت در نواحی پوست ۲۰
۲-۲ : الگوریتم تشخیص صورت بر مبنای مکان یابی ویژگی های صورت ۲۴
۲-۲-۱ : چکیده ۲۵
۲-۲-۲ : الگوریتم تشخیص صورت ۲۵
۲-۲-۳ : جبران سازی نور و تشخیص رنگ و تن پوست ۲۶
۲-۲-۴ : مکان یابی ویژگی های مربوط به صورت ۲۷
۵-۲-۲ : نتایج ۳۰
۲-۳: یک متد آماری برای تشخیص اجسام سه بعدی ۳۱
۲-۳-۱ : چکیده ۳۱
۲-۳-۲ : تشخیص بر مبنای ظاهر ۳۲
۲-۳-۳ : قانون تصمیم آماری ۳۳
۲-۳-۳-۱ : احتمال بر اساس نتایج آماری ۳۴
۲-۳-۳-۲ : تجزیۀ ظاهر به فضا،فراوانی و جهت ۳۶
۲-۳-۳-۳ : نمایش نمونه ها با زیر مجموعۀ ضریب موج ۳۷
۲-۳-۳-۴ : فرم نهایی تشخیص دهنده ۴۰
۲-۳-۴ :  جمع آوری آمار ۴۰
۲-۳-۵ : کاربرد تشخص دهنده ها ۴۱
۲-۳-۶ : صحت تشخیص صورت با چرخش خارج از محدوده ۴۲
۲-۴ : تشخیص صورت با استفاده از روش مسافت هاسدورف ۴۵
۲-۴-۲ : تشخیص جسم با روش هاسدورف ۴۶
۲-۴-۲-۲ : تشخیص بر پایۀ مدل ۴۶
۲-۴-۳ : توضیح سیستم ۴۷
۲-۴-۳-۱ : دوره تشخیص ۴۸
۲-۴-۳-۲ : پالایش ۴۸
۲-۴-۳-۳ : انتخاب مدل ۴۹
۲-۵ : مدل ژنتیک بهینه سازی مکان یابی چهره به روش هاسدورف بر پایه مسافت ۵۱
۲-۵-۱ : مقدمه ۵۲
۲-۵-۲ : چکیده ۵۲
۲-۵-۳ :  تشخیص صورت با روش  هاسدورف بر پایه مسافت ۵۳
۲-۵-۴ : مدل ژنتیک ۵۵
-۵-۲۴-۱ : کد های مدل ۵۵
۲-۵-۴-۲ : توابع تناسب ۵۶
۲-۵-۴-۳ : پارامتر های مورد نیاز ۵۷
۲-۵-۴-۴ : مقداردهی اولیه ۵۸
۲-۵-۵ : نتایج آزمایشات ۵۸
فصل سوم : ۶۳
۳-۱ : استفاده از رنگ به عنوان ابزار پردازش تصاویر رنگی ۶۴
۳-۱-۱ : مبانی رنگ ۶۵
۳-۲ : تشخیص پوست ۶۶
۳-۳ : مدل های رنگ ۶۷
۳-۳-۱ : مدل رنگ RGB 68
۳-۳-۲ : مدل رنگ CMY 70
۳-۳-۳ : مدل رنگ YIQ 70
۳-۳-۵ : مدل رنگ  YCbCr 73
۳-۳-۵-۱: تبدیلات بین RGB   و YCbCr 75
۳-۳-۷ : نتیجه گیری از فضاهای رنگ ۷۷
۳-۴ : ساختن مدل برای پوست ۷۸
فصل چهارم : ۸۰
۴-۱ : شناسائی صورت ۸۱
۴-۱-۲ : تاریخچه ۸۱
۴-۱-۳ : روش های برجسته ۸۲
principle component analysis : 1-3-1-4 83
-۳-۱-۴۳:  Elastic Bunch Graph Matching 84
۴-۱-۴ : ارزیابی دولت ایالات متحده امریکا ۸۵
:۶-۱-۴ نتیجه گیری ۸۷
۴-۲ : قرارداد فرت برای الگوریتم شناسایی صورت ۸۸
۴-۲-۳ : تست سپتامبر ۹۶ فرت ۸۹
۴-۲-۴ : مدل تحقیق ۹۳
۴-۲-۵ : نتایج تحقیق ۹۵
۴-۲-۶ : نتیجه گیری ۱۰۱
فصل پنجم : ۱۰۳
۵-۱ : مقدمه ۱۰۴
۵-۲ : مدل کردن رنگ پوست ۱۰۴
۵-۳ : جداسازی پوست ۱۰۸
۵-۴ : نواحی پوست ۱۱۱
۵-۴-۱ : یافتن تعداد سوراخ های یک ناحیه ۱۱۲
۵-۴-۲ : مرکز حجم ۱۱۳
۵-۴-۳ : جهت ۱۱۴
۵-۴-۴ : عرض و ارتفاع ناحیه ۱۱۵
۵-۴-۵ : نسبت ناحیه ۱۱۵
۵-۴-۶ : الگوی صورت ۱۱۶
۵-۵ : تطبیق الگو ۱۱۶
۵-۶ راهکارهای پیشرفت این پروژه: ۱۲۱
۵-۷ نتایج  : ۱۲۲
فهرست منابع ۱۲۵
  ۱-۱ : مقدمه
پردازش تصویر دیجیتال  دانش جدیدی است که سابقه آن به پس از اختراع رایانه های دیجیتال باز می گردد . با این حال این علم نوپا در چند دهه اخیر از هر دو جنبه نظری و عملی پیشرفت های چشمگیری داشته است . سرعت این پیشرفت به اندازه ای بوده است که هم اکنون و پس از این مدت نسبتاً کوتاه ، به راحتی می توان رد پای پردازش تصویر دیجیتال را در بسیاری از علوم و صنایع مشاهده نمود . علاقه به روش های پردازش تصویر دیجیتال از دو محدوده کاربردی اصلی نشات می گیرد که آن محدوده ها عبارتند از : بهبود اطلاعات تصویری به منظور تعبیر انسانی و پردازش داده های صحنه برای ادراک ماشینی مستقل .
چند دسته مهم از کاربرد های پردازش تصویر به شرح زیر می باشد [ ۱ ] :
الف ) کاربردهای عکاسی مانند ارتقاء ، بازسازی تصاویر قدیمی ، بازسازی تصاویر خراب شده با نویز و بهبود ظاهر تصاویر معمولی.
ب ) کاربرد های پزشکی مانند ارتقاء ویژگی های تصاویر اشعه ایکس ، تولید تصاویر MRI  و
CT-scan.
ج ) کاربرد های امنیتی مانند تشخیص حرکت ( در دزد گیر ها ) ، تشخیص اثر انگشت ، تشخیص چهره و تشخیص امضاء.
د ) کاربرد های نظامی مانند تشخیص و رهگیری خودکار اهداف متحرک یا ثابت از هوا یا از زمین.
ه ) کاربرد های سنجش از راه دور مانند ارتقاء و تحلیل تصاویر هوایی و ماهواره ای (برداشته شده از مناطق مختلف جغرافیایی) که در کاربرد های نقشه برداری ، کشاورزی ، هوا شناسی و موارد دیگر مفید هستند .
و ) کاربرد های صنعتی مرتبط با خودکار سازی صنایع مانند تفکیک محصولات مختلف بر اساس شکل یا اندازه ، آشکارسازی نواقص و شکستگی های موجود در محصولات ، تعیین محل اشیاء و اجرای فرایند تولید با استفاده از روبات ها و بینایی ماشینی .
ز ) کاربرد های فشرده سازی تصویر مانند ذخیره سازی ، ارسال تصاویر تلویزیون با کیفیت بالا و ارسال تصاویر متحرک و زنده از روی شبکه اینترنت و یا خط تلفن.
ح ) موارد متفرقه دیگری نیز مانند تصویر برداری از اسناد و ارسال آنها توسط دور نگار و تشخیص خودکار نویسه در ردیف کاربرد های پردازش تصویر قرار دارند.
  ۱-۲ : مراحل اساسی پردازش تصویر
پردازش تصویر دیجیتال محدوده وسیعی از سخت افزار ، نرم افراز و مبانی نظری را در بر می گیرد . در این قسمت مراحل اساسی مورد نیاز برای اجرای یک پردازش روی تصویر را نام می بریم که در شکل ۱-۱ نمایش داده شده است .
 شکل ۱-۱ : مراحل اساسی پردازش تصویر دیجیتال
 مرحله اول این فرایند ، تصویر برداری  – یعنی به دست آوردن تصویر دیجیتال –  است . انجام دادن چنین کاری نیازمند یک حسگر تصویر بردار  و قابلیت دیجیتال سازی سیگنال خروجی حسگر می باشد . پس از اینکه تصویر دیجیتال به دست آمد ، مرحله بعدی پیش پردازش آن است . وظیفه اصلی پیش پردازش ، بهبود تصویر به روش هایی است که امکان توفیق سایر پردازش ها را نیز افزایش دهد . پیش پردازش ، به طور معمول به روش هایی برای ارتقاء تمایز ، حذف نویز و جداسازی آن نواحی که زمینه شان نشان دهنده احتمال وجود اطلاعات حرفی –  عددی است ، می پردازد . مرحله بعدی به بخش بندی  می پردازد . در تعریف وسیع ، بخش بندی فرایندی است که تصویر ورودی را به قسمت ها یا اجزای تشکیل دهنده اش تقسیم می کند . به طور کلی بخش بندی یکی از مشکل ترین کارها در پردازش تصویر دیجیتال است . از طرفی یک شیوه قوی بخش بندی ، تا حد زیادی فرایند را به حل موفق مساله نزدیک می کند . از طرف دیگر الگوریتم های ضعیف یا خطا دار بخش بندی ، تقریباً  همیشه باعث خرابی اتفاقی  می شوند . خروجی مرحله بخش بندی معمولاً ، داده های پیکسلی خام است که یا مرز یک ناحیه یا تمام نقاط درون آن ناحیه را تشکیل می دهند . در هر دو حالت باید داده ها را به شکل مناسب برای پردازش رایانه ای تبدیل نمود . اولین تصمیمی که باید گرفته شود این است که آیا داده ها باید به صورت مرز یا به صورت یک ناحیه کامل نمایش داده شود . نمایش مرزی وقتی مفید است که مشخصات  خارجی شکل نظیر گوشه ها یا خمیدگی ها مورد نظر باشد . نمایش ناحیه ای وقتی مفید است که خواص درونی بخش های تصویر نظیر بافت یا استخوان بندی شکل مورد توجه باشد . در هر حال در بعضی کاربرد ها هر دو نمایش به کار می رود . انتخاب یک روش نمایش ، تنها قسمتی از راه تبدیل داده های خام به شکل مناسب برای پردازش بعدی رایانه ای است . توصیف  ، که انتخاب ویژگی  نیز خوانده می شود ، به استخراج ویژگی هایی که مقداری از اطلاعات کمی مورد نظر را به ما می دهند یا برای تشخیص گروهی از اشیاء از گروه دیگر ، اساسی هستنند ، می پردازد . مرحله آخر شکل ۱-۱ شامل تشخیص و تعبیر است . تشخیص  فرایندی است که بر اساس اطلاعات حاصل از توصیف گرها یک برچسب را به یک شی منتسب می کند . تعبیر  شامل انتساب معنا به یک مجموعه از اشیاء تشخیص داده شده است . دانش به شکل پایگاه داده دانش  در درون سامانه پردازش تصویر ، ذخیره می شود . این دانش ممکن است ، تنها دانستن محل نواحی دارای جزئیات مورد علاقه باشد . بنابراین جستجوی مورد نیاز برای آن اطلاعات محدود می شود . پایگاه دانش ممکن است کاملاً پیچیده باشد ، نظیر فهرست به هم مرتبط تمام نقایص اصلی ممکن در یک مساله بازرسی مواد یا یک پایگاه داده تصویری که حاوی تصاویر ماهواره ای تفکیک بالا از یک منطقه در ارتباط با کاربرد های آشکارسازی تغییر  باشد . پایگاه دانش علاوه بر هدایت عمل هر واحد پردازش ، بر تعامل بین واحد ها نیز نظارت می کند . این نمودار نشان می دهد که ارتباط بین واحد های پردازش اغلب براساس دانش قبلی در مورد نتیجه پردازش است . این پایگاه دانش نه تنها عمل هر واحد را هدایت می کند ، بلکه به عملیات بازخورد  بین واحد ها نیز کمک می کند [۱].
   ۱-۳ : یک مدل ساده تصویر
عبارت تصویر به تابع دو بعدی شدت نور که به صورت   نوشته می شود ، اشاره دارد که مقدار یا دامنه  در مختصات مکانی   ، شدت روشنایی تصویر در آن نقطه می باشد . چون نور صورتی از انرژی است ،   باید بزرگتر از صفر و متناهی باشد ، یعنی
 تصاویر دریافتی در فعالیت های روزانه معمولاً نور منعکس شده از اشیا است . طبیعت پایه ای    را می توان با دو عامل مشخص نمود : (۱) مقدار نور تابشی از منبع روی صحنه ای که دیده می شود و (۲) مقدار نور منعکس شده به وسیله اشیاء صحنه .
این دو عامل به ترتیب مولفه های روشنائی و انعکاس  نامیده می شوند و به ترتیب با   و
   نشان داده می شوند . توابع   و   به شکل حاصل ضرب ترکیب می شوند تا     ایجاد شود :
  معادله بیان می کند که ضریب انعکاس به بازه عددی صفر (جذب کامل) و یک (انعکاس کامل) محدود می شود . طبیعت   توسط منبع نور و   نیز توسط مشخصات اشیای صحنه معین می شود .
 شدت تصویر تکرنگ    در مختصات   را سطح خاکستری   تصویر در آن نقطه می نامیم .
 بازه   محدوده خاکستری نامیده می شود . معمولاً تلاش می شود که این بازه را به بازه   که در آن   بیانگر سیاه و    بیانگر سفید است ، تغییر دهیم . تمام مقادیر میانی سایه های خاکستری هستند که به طور پیوسته از سیاه تا سفید تغییر می کنند[۱] .
   ۴-۱: تشخیص صورت
یکی از مهم ترین کاربرد های پردازش تصویر دیجیتال در زمینه ی تشخیص صورت است . تشخیص صورت ، محبوبیت و اهمیت زیادی را در جامعه بصری کامپیوتری  بدست آورده است . با حضور همزمان تکنولوژی اطلاعاتی جدید و رسانه های گروهی ، روش های موثر تر و آشنا تری برای برهم کنش های انسان – کامپیوتر  (HSI) توسعه داده می شوند ، واسط های انسان – کامپیوتر که بر مبنای حالات چهره و حرکات بدن انسان می باشند ، به عنوان روش هایی مورد استفاده قرار گرفته اند که جایگزین واسط های سنتی از قبیل صفحه کلید ،‌ ماوس و نمایشگر ها شده اند . تحقیقات در حال گسترش در ارتباط با پردازش صورت بر این اساس هستند که اطلاعاتی درباره هویت ، موقعیت و مقصود یک کاربر از تصاویر قابل استخراج باشند و متعاقباً کامپیوتر متناظر هم بتواند واکنش نشان دهد . تلاش های صورت گرفته در پردازش صورت ، شامل شناسایی صیورت ، ردیابی صورت ، شناسایی حالت چهره ، تصدیق صورت و تشخیص صورت می باشد . برای ساختن سیستم های خودکاری که اطلاعات قرار کرفته در تصاویر صورت را آنالیز کنند ، الگوریتم های موثر و قدرتمندی از تشخیص صورت مورد نیاز است . با داشتن یک تصویر مجزا ،‌ هدف تشخیص صورت ، تعیین تمام نواحی صورت است که شامل صورت می باشند ، با صرف نظر کردن از وضعیت سه بعدی تصویر ، جهت و شرایط روشنایی آن . در سالهای اخیر فعالیت های بسیاری در زمینه ی شناسایی و تشخیص صورت انجام گرفته است . کاربردهای نظارتی و کنترلی و تجاری بسیاری در حوزه این فعالیت ها ،‌توسعه داده شده اند . تکنیک های بیشماری برای تشخیصی صورت در تصاویر مجزا پیشنهاد شده اند . این روش ها به دو دسته کلی تر مبتنی بر ویژگی و تصویر تقسیم بندی شده اند . که هر یک مزایا و معایب خاص خود را دارند . از بین این روش ها ، روش مبتنی بر رنگ و شبکه ی عصبی و ماشین بردار حمایتی (SVM)  ، رایج تر هستند و کارایی آنها به مراتب بیشتر از سایر روش هاست . تکنیک های مبتنی بر رنگ اغلب خیلی مطمئن هستند ،‌ اما ممکن است که منجر به تشخیص های غلط بی شماری شوند ، در نتیجه نیاز به آن دارند که با سایر روش ها ترکیت شوند . شیوه های شبکه ی عصبی و ماشین بردار حمایتی که مبتنی بر الگوریتم های یادگیری و رده بندی هستند عمدتاً شامل پارامتر های بی شماری هستند که نیار به تنظیم دارند که مسلماً این عملیات وقت گیر است . با داشتن یک تصویر دلخواه به عنوان ورودی ، که می تواند از ویدئو و یا یک عکس بی جانی ، ‌حاصل آمده باشد ، هدف تشخیص صورت ، تعیین این مساله است که آیا صورتی در تصویر وجود دارد یا خیر ، و اگر وجود داردموقعیت و محدوده ی هر صورت را برمی گرداند . فعالیت هایی که در زمینه ی تشخیص صورت ، انجام گرفته به اوایل سال ۱۹۷۰ بر می گردد . هر چند برای بیشتر از بیست سال است که این امر توسط مهندسان و روانشناسان مورد مطالعه ی جدی قرار گرفته است ،‌و مخصوصاً از سال ۱۹۹۵ ، روش های بسیاری در تلاش برای حل این مسئله ، توسعه داده شده اند . در حقیقت ما تصاویری را که فقط حاوی قورت باشد را دریافت نمی کنیم . به سیستمی نیاز هست که صورت ها را در تصاویر درهم ، تشخیصی ،‌تعیین موقعیت و جدا کند و در نتیجه ی آن ، این صورت های جداسازی شده می توانند به عنوان ورودی به سیستم های تشخیص  چهره تحویل داده شوند . عمل تشخیص صورت برای مغز بشری ، یک عمل جزئی و کم اهمیت است ، در حالی که هنوز چالش ها و مشکلات سختی را برای آنکه کامپیوتر قادر به انجام تشخیص صورت ،‌ باشد باقی گذاشته است . چالش هایی که با تشخیص صورت مرتبط هستند را در موارد زیر خلاصه می کنیم :
– وضع  صورت : تصاویر یک صورت متناظر با وضعیت های مختلف قرار گیری دوربین – صورت ، همچون روبرو ، تمام رخ ، ۴۵ درجه ، وارون و …. تغییر می کنند . کل این وضعیت ها را به بالا ، پایین و عادی تقسیم می کنیم که قرار گیری صورت نسبت به محور مستقیم دوربین را نشان می دهند .
– وجود یا عدم وجود مولفه های ساختاری : مولفه های اضافی مرتبط با صورت همچون سبیل ، ریش ، کلاه و عینک هستند که ممکن است وجود داشته باشند یا نداشته باشند . این مولفه ها در صورت وجود تغییرات زیادی را موجب می شوند .
برای خرید اطلاعات خود را وارد کنید
  • کلیه پرداخت های سایت از طریق درگاه بانک سامان انجام می گیرد.هر مرحله از خرید می توانید مشکل خود را با پشتیبان و فرم تماس با ما در جریان بگذارید در سریعترین زمان ممکن مشکل برطرف خواهد شد
  • پس از پرداخت وجه ، فایل محصول هم قابل دانلود می باشد و هم به ایمیل شما ارسال می گردد .
  • آدرس ایمیل را بدون www وارد نمایید و در صورت نداشتن ایمیل فایل به تلگرام شما ارسال خواهد شد .
  • در صورت داشتن هرگونه سوال و مشکل در پروسه خرید می توانید با پشتیبانی سایت تماس بگیرید.
  • پشتیبان سایت با شماره 09383646575 در هر لحظه همراه و پاسخگوی شماست
  • اشتراک گذاری مطلب

    راهنما

    » فراموش نکنید! بخش پشتیبانی مقاله آنلاین ، در همه ساعات همراه شماست

    اطلاعات ارتباطی ما پست الکترونیکی: Article.university@gmail.com

    تماس با پشتیبانی+ ایدی تلگرام 09383646575

    برای سفارشتان از سایت ما کمال تشکر را داریم.

    از اینکه ما را انتخاب نمودید متشکریم.

    معادله فوق را حل نمایید *

    تمام حقوق مادی , معنوی , مطالب و طرح قالب برای این سایت محفوظ است