Image Processing

حرية الوصول المقاله

1 - تقویت محور مرکزی ساختارهای لوله‌ای و کاربرد آن در استخراج محور مرکزی سیاهرگ پورتال
امیرحسین فروزان رضا آقایی زاده ظروفی یوشی نبو ساتو ماساتوشی هوری هوری

در این مقاله با ارائه توصیف جدیدی از ویژگی نقاط محور مرکزی ساختارهای لوله‌ای، روشی برای تقویت این ساختارها پیشنهاد شده‌است. در این روش، در یک چارچوب چندمقیاسی و با استفاده از بردارهای ویژه ماتریس هسین نقاط تصویر، فاصله هر نقطه را از لبه‌های تصویر به‌دست می-آوریم. برای ن أکثر

در این مقاله با ارائه توصیف جدیدی از ویژگی نقاط محور مرکزی ساختارهای لوله‌ای، روشی برای تقویت این ساختارها پیشنهاد شده‌است. در این روش، در یک چارچوب چندمقیاسی و با استفاده از بردارهای ویژه ماتریس هسین نقاط تصویر، فاصله هر نقطه را از لبه‌های تصویر به‌دست می-آوریم. برای نقاطی که روی محور مرکزی قرار دارند این فاصله از دوسر هر راستای دلخواه متقارن است. در این مرحله با نمونه‌برداری فاصله هر نقطه از لبه‌های تصویر در راستاهای مختلف، به نقاطی که تقارن بیشتری دارند مقدار بیشتری نسبت می‌دهیم. در مرحله بعد برای تقویت محور مرکزی لوله‌ها، از یک فیلتر براساس روش Pock استفاده می‌کنیم. ارزیابی روش پیشنهادی با استفاده از تصاویر فانتوم دوبعدی و سه‌بعدی و داده-های پزشکی به صورت کیفی و کمی با معیارهای حداکثر خطای تعیین محور مرکزی و نرخ آشکارسازی انجام گرفته است که مزیت این روش را به روش‌های موجود نشان می‌دهد. تفاصيل المقالة

حرية الوصول المقاله

2 - On-road Vehicle detection based on hierarchical clustering using adaptive vehicle localization
Moslem Mohammadi Jenghara Hossein Ebrahimpour Komleh

10.7508/jist.2015.04.004

Vehicle detection is one of the important tasks in automatic driving. It is a hard problem that many researchers focused on it. Most commercial vehicle detection systems are based on radar. But these methods have some problems such as have problem in zigzag motions. Im أکثر

Vehicle detection is one of the important tasks in automatic driving. It is a hard problem that many researchers focused on it. Most commercial vehicle detection systems are based on radar. But these methods have some problems such as have problem in zigzag motions. Image processing techniques can overcome these problems.This paper introduces a method based on hierarchical clustering using low-level image features for on-road vehicle detection. Each vehicle assumed as a cluster. In traditional clustering methods, the threshold distance for each cluster is fixed, but in this paper, the adaptive threshold varies according to the position of each cluster. The threshold measure is computed with bivariate normal distribution. Sampling and teammate selection for each cluster is applied by the members-based weighted average. For this purpose, unlike other methods that use only horizontal or vertical lines, a fully edge detection algorithm was utilized. Corner is an important feature of video images that commonly were used in vehicle detection systems. In this paper, Harris features are applied to detect the corners. LISA data set is used to evaluate the proposed method. Several experiments are applied to investigate the performance of proposed algorithm. Experimental results show good performance compared to other algorithms . تفاصيل المقالة

حرية الوصول المقاله

3 - Drone Detection by Neural Network Using GLCM and SURF Features
Tanzia Ahmed Tanvir Rahman Bir Ballav Roy Jia Uddin

10.52547/jist.9.33.15

This paper presents a vision-based drone detection method. There are a number of researches on object detection which includes different feature extraction methods – all of those are used distinctly for the experiments. But in the proposed model, a hybrid feature extrac أکثر

This paper presents a vision-based drone detection method. There are a number of researches on object detection which includes different feature extraction methods – all of those are used distinctly for the experiments. But in the proposed model, a hybrid feature extraction method using SURF and GLCM is used to detect object by Neural Network which has never been experimented before. Both are very popular ways of feature extraction. Speeded-up Robust Feature (SURF) is a blob detection algorithm which extracts the points of interest from an integral image, thus converts the image into a 2D vector. The Gray-Level Co-Occurrence Matrix (GLCM) calculates the number of occurrences of consecutive pixels in same spatial relationship and represents it in a new vector- 8 × 8 matrix of best possible attributes of an image. SURF is a popular method of feature extraction and fast matching of images, whereas, GLCM method extracts the best attributes of the images. In the proposed model, the images were processed first to fit our feature extraction methods, then the SURF method was implemented to extract the features from those images into a 2D vector. Then for our next step GLCM was implemented which extracted the best possible features out of the previous vector, into a 8 × 8 matrix. Thus, image is processed in to a 2D vector and feature extracted from the combination of both SURF and GLCM methods ensures the quality of the training dataset by not just extracting features faster (with SURF) but also extracting the best of the point of interests (with GLCM). The extracted featured related to the pattern are used in the neural network for training and testing. Pattern recognition algorithm has been used as a machine learning tool for the training and testing of the model. In the experimental evaluation, the performance of proposed model is examined by cross entropy for each instance and percentage error. For the tested drone dataset, experimental results demonstrate improved performance over the state-of-art models by exhibiting less cross entropy and percentage error. تفاصيل المقالة

حرية الوصول المقاله

4 - گرافولوژي دست‎نوشته فارسي به کمک کامپيوتر
علي بهرامي شريف احسان‌اله کبیر

گرافولوژي، علم مطالعه و بررسي شخصيت و خصوصيات فردي براساس نحوه نوشتن است. در جهان غرب مهمترين كاربرد گرافولوژي، گزينش متقاضيان استخدام است. با استخراج و تجزيه و تحليل سريع و دقيق ويژگي‌هاي دست‌نوشته به کمک کامپيوتر، مي‌توان کمک قابل توجهي به گرافولوژيست‌ها کرد. مهمترين أکثر

گرافولوژي، علم مطالعه و بررسي شخصيت و خصوصيات فردي براساس نحوه نوشتن است. در جهان غرب مهمترين كاربرد گرافولوژي، گزينش متقاضيان استخدام است. با استخراج و تجزيه و تحليل سريع و دقيق ويژگي‌هاي دست‌نوشته به کمک کامپيوتر، مي‌توان کمک قابل توجهي به گرافولوژيست‌ها کرد. مهمترين ويژگي‌هاي دست‌نوشته كه در گرافولوژي استفاده مي‌شوند عبارتند از: شكل حاشيه‌هاي سفيد صفحه، فاصله بين سطرها، كجي سطرها، كجي كلمات، زاوية كشيدگي حروف به بالا و پايين، تيزي گوشه‌ها در حروف، ميزان درشت‌نويسي، فشردگي متن، سرعت نوشتن و نظم در نوشتن. در اين مقاله، روش‌هايي براي استخراج خودکار برخي از اين ويژگي‌ها پيشنهاد مي‌شود و نتايج حاصل از اجراي اين روش‌ها بر 118 نمونه دست‌نوشته افراد مختلف ارائه مي‌شود. تفاصيل المقالة

حرية الوصول المقاله

5 - طراحي عملگر گسترش تصاوير دو سطحي در تكنولوژي CMOS با توان كم و سرعت بالا
مهدیه حاجی‌رحیمی احسان‌اله کبیر عبدالرضا نبوي

در اين مقاله روش جديدي براي پياده‌سازي و اجراي سريع عملگر گسترش ریخت‌شناسی با استفاده از معماري خط‌لوله‌اي تموجي تركيبي ارائه مي‌شود. با تغيير كوچكي در اين ساختار مي‌توان از آن براي عملگر فرسايش و در نتيجه عملگرهاي بستن و گشايش نيز استفاده كرد. در اين معماري از فليپ‌فلا أکثر

در اين مقاله روش جديدي براي پياده‌سازي و اجراي سريع عملگر گسترش ریخت‌شناسی با استفاده از معماري خط‌لوله‌اي تموجي تركيبي ارائه مي‌شود. با تغيير كوچكي در اين ساختار مي‌توان از آن براي عملگر فرسايش و در نتيجه عملگرهاي بستن و گشايش نيز استفاده كرد. در اين معماري از فليپ‌فلاپ‌هاي کمتري نسبت به معماري خط‌لوله‌اي معمولي استفاده مي‌شود و با قراردادن واحدهاي تأخير در مسير پالس ساعت، بار پالس ساعت کمتر و توزيع آن آسان‌تر مي‌شود. اين معماري نسبت به معماري خط‌لوله‌اي معمولي سرعتی بالاتر، پيچيدگي سخت‌افزاري كمتر، سطح اشغالي و توان مصرفي پايين‌تری دارد. ساختار خط‌لوله‌اي تموجي تركيبي نسبت به معماري خط‌لوله‌اي تموجي نيز سريع‌تر است و مشكلات اين معماري مانند تعيين پريود پالس ساعت مناسب و متعادل‌كردن تأخير مسيرها را ندارد. معماري پيشنهادي براي پردازش تصاوير دودويی به‌صورت سه تراشه ASIC در تكنولوژي µm CMOS 18/0 با verilog شبیه‌سازی شده است. اين تراشه‌ها قادرند يك تصوير با ابعاد 1024×1024 را با استفاده از يك عنصرساختاري 21×21 در مدت µs 58/256 گسترش دهد و تا فركانس GHz 882/5، GHz 5 و GHz 167/4 كار كنند. توان مصرفي در فرکانس GHz 167/4 با منبع تغذيه V 8/1 برابر mW 597، mW 478 و mW 410 و سطح تراشه‌ها 2mm 118/0، 2mm 087/0 و 2mm 075/0 است. تفاصيل المقالة

حرية الوصول المقاله

6 - بهبود تخمین سن از تصاویر پانورامیک دندان مبتني بر اصلاح کنتراست تصویر با روش آنتروپی مکانی
معصومه محسنی حسین منتظری کردی مهدي ازوجي

در دندان‌پزشکی قانونی، تخمین سن با استفاده از رادیوگراف دندان صورت می‌گیرد. هدف ما، خودکارکردن این مراحل با استفاده از پردازش تصویر و تکنیک‌های تشخیص الگو است. با داشتن رادیوگراف دندان، کانتور استخراج شده و ویژگی‌هایی مانند عرض اپکس (apex) و طول دندان از آن استخراج می‌ش أکثر

در دندان‌پزشکی قانونی، تخمین سن با استفاده از رادیوگراف دندان صورت می‌گیرد. هدف ما، خودکارکردن این مراحل با استفاده از پردازش تصویر و تکنیک‌های تشخیص الگو است. با داشتن رادیوگراف دندان، کانتور استخراج شده و ویژگی‌هایی مانند عرض اپکس (apex) و طول دندان از آن استخراج می‌شود که در تخمین سن مورد استفاده قرار می‌گیرد. افزایش بهینه وضوح تصاویر رادیوگرافی، مرحله مهمی در استخراج کانتور و تخمین سن است. در این مقاله، هدف بهبود وضوح تصویر به منظور استخراج ناحیه مناسب و قطعه‌بندی مناسب دندان است که در نتیجه منجر به تخمین سن بهتری می‌شود. در این مدل، به دلیل پایین‌بودن وضوح تصاویر رادیوگراف، به منظور افزایش دقت استخراج ناحیه مورد نظر هر دندان (ROI)، وضوح تصویر با استفاده از آنتروپی مکانی که مبتنی بر توزیع مکانی شدت روشنایی پیکسل‌هاست، به همراه روش‌های افزایش وضوح دیگر مانند هرم‌های لاپلاسین، افزایش می‌یابد. افزایش وضوح تصویر، منجر به استخراج ROI مناسب و حذف نواحی ناخواسته می‌شود. پایگاه داده مورد استفاده در این پژوهش، 154 رادیوگراف پانورامیک نوجوانان است که 73 نفر آن مرد و 81 نفر آن زن هستند. این پایگاه داده از دانشگاه علوم پزشکی بابل تهیه شده است. نتایج نشان می‌دهد با استفاده از روش‌های قطعه‌بندی دندان ثابت و فقط با اعمال روش پیشنهادی مؤثر در بهبود وضوح تصویر، استخراج ROI مناسب از 66% به 78% افزایش یافت که بهبود خوبی را نشان می‌دهد. سپس ROI استخراج‌شده، تحویل بلوک قطعه‌بندی و استخراج کانتور می‌شود و پس از استخراج کانتور، تخمین سن صورت می‌گیرد. تخمین سن صورت‌گرفته با استفاده از روش پیشنهادی، در مقایسه با روشی که از الگوریتم پیشنهادی در افزایش وضوح تصویر استفاده نمی‌کند، به مقدار تخمین دستی سن نزدیک‌تر است. تفاصيل المقالة

حرية الوصول المقاله

7 - یک سیستم بینایی هوشمند برای نظارت خودکار بر آتش‌سوزی جنگل‌ها
محمدصادق کیهان‌پناه بهروز کوهستانی

مقابله با آتش‌سوزی جنگل‌ها برای جلوگیری از خطرات بالقوه آنها و همچنین حفاظت از منابع طبیعی به عنوان یک چالش در میان محققان مطرح است. هدف از این تحقیق، تشخیص ویژگی‌های آتش و دود از تصاویر بصری پهپاد برای دسته‌بندی، تشخیص شیء و قطعه‌بندی تصاویر است. از آنجا که جنگل‌ها محی أکثر

مقابله با آتش‌سوزی جنگل‌ها برای جلوگیری از خطرات بالقوه آنها و همچنین حفاظت از منابع طبیعی به عنوان یک چالش در میان محققان مطرح است. هدف از این تحقیق، تشخیص ویژگی‌های آتش و دود از تصاویر بصری پهپاد برای دسته‌بندی، تشخیص شیء و قطعه‌بندی تصاویر است. از آنجا که جنگل‌ها محیط‌های بسیار پیچیده و غیر ساختاری هستند، استفاده از سیستم بینایی همچنان با مشکلاتی نظیر شباهت ویژگی‌های شعله با نور خورشید، گیاهان و حیوانات و یا پوشش شعله با دود مواجه است که باعث هشدارهای اشتباه می‌شوند. روش پیشنهادی در این تحقیق، استفاده از شبکه‌های عصبی کانولوشنی از روش‌های یادگیری عمیق است که به صورت خودکار، توانایی استخراج یا تولید ویژگی در لایه‌های مختلف خود را دارند. ابتدا به جمع‌آوری داده و افزایش آنها با توجه به روش‌های داده‌افزایی پرداخته شده و در ادامه، استفاده از یک شبکه ۱۲ لایه برای دسته‌بندی و همچنین روش یادگیری انتقالی برای قطعه‌بندی تصاویر پیشنهاد می‌شود. نتایج به دست آمده نشان می‌دهند که روش داده‌افزایی به کار برده شده با توجه به تغییر اندازه و آماده‌سازی تصاویر ورودی به شبکه از کاهش شدید ویژگی‌های موجود در تصاویر اولیه جلوگیری کرده و همچنین شبکه‌های عصبی کانولوشنی مورد استفاده می‌توانند به خوبی ویژگی‌های آتش و دود موجود در تصاویر را استخراج کنند و نهایتاً به تشخیص و محلی‌سازی آنها بپردازند. تفاصيل المقالة

حرية الوصول المقاله

8 - ارزیابی روند پیشرفت بیماری سوختگی شمشاد در جنگل‌های شمال ایران با استفاده از تكنیك‌های پردازش تصاویر ماهواره‌ای‌
مرضيه قويدل پیمان بیات محمد ابراهيم فراشياني

در چند سال ‌‌اخیر، بیماری سوختگی ‌شمشاد به یکی از مهم‌ترین نگرانی‌های مدیران منابع طبیعی کشور و دوستداران محیط زیست تبدیل شده است. به منظور کاهش خطر انقراض این گونه، نیاز به تشخیص زود‌هنگام و تهیه نقشه پراکنش بیماری است و در این راستا، داده‌‌های ‌سنجش از دور می‌توانند ن أکثر

در چند سال ‌‌اخیر، بیماری سوختگی ‌شمشاد به یکی از مهم‌ترین نگرانی‌های مدیران منابع طبیعی کشور و دوستداران محیط زیست تبدیل شده است. به منظور کاهش خطر انقراض این گونه، نیاز به تشخیص زود‌هنگام و تهیه نقشه پراکنش بیماری است و در این راستا، داده‌‌های ‌سنجش از دور می‌توانند نقش مهمی را ایفا کنند. در این پژوهش برای بررسی میزان تخریب از ادغام تصاویر پانکروماتیک با قدرت تفکیک مکانی بالا و چندطیفی با قدرت تفکیک مکانی پایین استفاده گردیده و همچنین به طور هم‌زمان در تصاویر استخراج‌شده از ماهواره لندست 8، ویژگی‌های طیفی و بافتی مورد توجه قرار گرفته و در نهایت با استخراج ویژگی‌های مؤثر از فضای توصیف کاندیدا با کمک الگوریتم ژنتیک و به کارگیری طبقه‌بند مناسب در قالب به کارگیری هم‌زمان خوشه‌بندی فازی و طبقه‌بندی بیشینه شباهت، کلاس پوشش منطقه با دقت مطلوبی بین سال‌های 2014 تا 2018 استخراج نهایی شده است. نتایج ارزیابی و ضریب تبیین مدل‌‌ها‌، اعتبارسنجی روش را در برآوردهای آینده مورد تأیید قرار می‌دهد. تفاصيل المقالة

حرية الوصول المقاله

9 - Comparing the Semantic Segmentation of High-Resolution Images Using Deep Convolutional Networks: SegNet, HRNet, CSE-HRNet and RCA-FCN
Nafiseh Sadeghi Homayoun Mahdavi-Nasab Mansoor Zeinali Hossein Pourghasem

10.61186/jist.39680.11.44.359

Semantic segmentation is a branch of computer vision, used extensively in image search engines, automated driving, intelligent agriculture, disaster management, and other machine-human interactions. Semantic segmentation aims to predict a label for each pixel from a giv أکثر

Semantic segmentation is a branch of computer vision, used extensively in image search engines, automated driving, intelligent agriculture, disaster management, and other machine-human interactions. Semantic segmentation aims to predict a label for each pixel from a given label set, according to semantic information. Among the proposed methods and architectures, researchers have focused on deep learning algorithms due to their good feature learning results. Thus, many studies have explored the structure of deep neural networks, especially convolutional neural networks. Most of the modern semantic segmentation models are based on fully convolutional networks (FCN), which first replace the fully connected layers in common classification networks with convolutional layers, getting pixel-level prediction results. After that, a lot of methods are proposed to improve the basic FCN methods results. With the increasing complexity and variety of existing data structures, more powerful neural networks and the development of existing networks are needed. This study aims to segment a high-resolution (HR) image dataset into six separate classes. Here, an overview of some important deep learning architectures will be presented with a focus on methods producing remarkable scores in segmentation metrics such as accuracy and F1-score. Finally, their segmentation results will be discussed and we would see that the methods, which are superior in the overall accuracy and overall F1-score, are not necessarily the best in all classes. Therefore, the results of this paper lead to the point to choose the segmentation algorithm according to the application of segmentation and the importance degree of each class. تفاصيل المقالة

حرية الوصول المقاله

10 - مقایسه شبکه ‏های عمیق Faster RCNN و RetinaNet جهت تشخیص خودرو در آب‌وهوای نامساعد
یاسر جمشیدی راضیه سادات اخوت

تشخيص وسايل نقليه و رديابی آن، نقش مهمی در اتومبیل‏های خودران و سيستم‌هاي حمل‌ونقل هوشمند ايفا می‌کند. شرايط آب‌وهوايی نامساعد مانند حضور برف سنگين، مه، باران و گرد و غبار با کاهش ديد دوربين، محدوديت‌هاي خطرناکی ايجاد کرده و بر عملکرد الگوريتم‌هاي تشخيصی استفاده‌شده در أکثر

تشخيص وسايل نقليه و رديابی آن، نقش مهمی در اتومبیل‏های خودران و سيستم‌هاي حمل‌ونقل هوشمند ايفا می‌کند. شرايط آب‌وهوايی نامساعد مانند حضور برف سنگين، مه، باران و گرد و غبار با کاهش ديد دوربين، محدوديت‌هاي خطرناکی ايجاد کرده و بر عملکرد الگوريتم‌هاي تشخيصی استفاده‌شده در سيستم‌هاي نظارت بر ترافيک و برنامه‌هاي رانندگی خودکار تأثير می‌گذارد. در این مقاله از شبکه عمیق تشخیص اشیای Faster RCNN با هسته 50ResNet و شبکه RetinaNet استفاده شده و دقت این دو شبکه جهت تشخیص خودرو در آب‌وهوای نامساعد مورد بررسی قرار می‏گیرد. پایگاه داده مورد استفاده، فایل DAWN می‌باشد که شامل تصاویر دنیای واقعی است و با انواع مختلفی از شرایط آب‌وهوایی نامطلوب جمع‌آوری شده‌اند. نتایج به‌دست‌آمده نشان می‏دهند که روش ارائه‌شده در بهترین حالت، دقت تشخیص را از %2/0 به %75 افزایش داده و بیشترین میزان افزایش دقت نیز مربوط به شرایط بارانی می‌باشد. تمام پردازش‏ها به زبان پایتون و در گوگل کولب انجام شده است. تفاصيل المقالة

حرية الوصول المقاله

11 - برآورد منحنی دانه‌بندی رسوبات درشت‌دانه سطحی با استفاده از سیستم تصویربرداری طراحی‌شده
امیرحسین طبعی علی کرمی خانیکی علی‌اکبر بیدختی کامران لاری

شناخت رسوبات از مباحث پایه در مهندسی سواحل و رودخانه می‌باشد. یکی از پارامترهای شناسایی رسوبات، دانه‌بندی آنها است. برای تعیین دانه‌بندی، همواره از روش‌های سنتی همانند الک کردن رسوبات استفاده می‌شود، که دقیق، اما زمان‌بر است. پردازش تصاویر این قابلیت را فراهم می‌ساز أکثر

شناخت رسوبات از مباحث پایه در مهندسی سواحل و رودخانه می‌باشد. یکی از پارامترهای شناسایی رسوبات، دانه‌بندی آنها است. برای تعیین دانه‌بندی، همواره از روش‌های سنتی همانند الک کردن رسوبات استفاده می‌شود، که دقیق، اما زمان‌بر است. پردازش تصاویر این قابلیت را فراهم می‌سازند که با استفاده از کوچک‌ترین واحد تصویر دیجیتال(پیکسل)، به جداسازی و ردیابی اهداف (دانه‌های رسوبی) در تصاویر پرداخت. در این مقاله سیستمی به‌صورت یکپارچه برای تصویربرداری از رسوبات میدانی درشت‌دانه و ارائه منحنی دانه‌بندی از آن ساخته و مورد آزمایش قرار می‌گیرد. پردازش و آنالیز رسوبات با نرم‌افزارImageJ انجام و مقایسه نتایج با نتایج روش الک، برای صحت سنجی انجام شد. نمونه‌های تصاویر از رسوبات شنی و ماسه‌ای، آزمایشگاهی و طبیعی برداشت شد. یافته‌ها نشان می‌دهد توزیع به‌دست‌آمده از تصاویر رسوبات سطحی درشت‌دانه (بزرگ‌تر از یک میلی‌متر) و یکنواخت، همبستگی خوبی با توزیع به‌دست‌آمده از روش الک دارد و زمان را حداقل به یک‌دهم و هزینه کل را پایین می‌آورد. تفاصيل المقالة

فهرس المقالات Image Processing

رایمگ

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية