This paper proposes a new automatic image enhancement method by improving the image dynamic range. The improvement is performed via modifying the Gamma value of pixels in the image. Gamma distortion in an image is due to the technical limitations in the imaging device, and impose a nonlinear effect. The severity of distortion in an image varies depends on the texture and depth of the objects. The proposed method locally estimates the Gamma values in an image. In this method, the image is initially segmented using a pixon-based approach. Pixels in each segment have similar characteristics in terms of the need for Gamma correction. Then the Gamma value for each segment is estimated by minimizing the homogeneity of co-occurrence matrix. This feature can represent image details. The minimum value of this feature in a segment shows maximum details of the segment. The quality of an image is improved once more details are presented in the image via Gamma correction. In this study, it is shown that the proposed method performs well in improving the quality of images. Subjective and objective image quality assessments performed in this study attest the superiority of the proposed method compared to the existing methods in image quality enhancement. Manuscript profile

در اين مقاله روشي براي انتخاب اتوماتيک تصوير مرجع در تطبيق هيستوگرام ارائه شده است. تطبيق هيستوگرام يکي از ساده‌ترين روش‌هاي مکاني بهبود تصوير است که با توجه به هيستوگرام تصوير مرجع، کنتراست تصوير اوليه را بهبود مي‌دهد. در روش‌هاي معمول تطبيق هيستوگرام، کاربر براي يافتن مناسب‌ترين تصوير مرجعي که بهتر از ساير تصاوير هدف، کنتراست تصوير را بهبود ببخشد، نيازمند انجام چندين آزمايش با عکس‌هاي گوناگون روي تصوير اوليه است اما اين مقاله، روشي براي انتخاب اتوماتيک تصوير مرجع در تطبيق هيستوگرام ارائه مي‌دهد. روش کار بدين صورت است که براي تجزیه مؤلفه روشنایی از رنگ، ابتدا تصاوير از فضاي رنگي RGB به فضاي HSV انتقال مي‌يابند. سپس تصوير مرجع مناسب براي بهبود تصوير اوليه، توسط يک معيار شباهت با سنجش ميزان شباهت بين هيستوگرام مؤلفه روشنایی تصاوير موجود در پايگاه داده و هيستوگرام مؤلفه روشنایی تصوير اوليه انتخاب مي‌شود. به عبارت ديگر، تصويري که هيستوگرام آن شباهت بيشتري به هيستوگرام تصوير اوليه دارد در بهبود کنتراست تصوير اوليه، موفق‌تر عمل مي‌کند. انجام اين کار علاوه بر به دست آوردن نتيجه مطلوب، کاربر را از دغدغه انتخاب يک تصوير مرجع مناسب براي بهبود تصوير اوليه نيز بي‌نياز مي‌کند. همچنين روش ارائه‌شده قابل استفاده روي تصاوير هر دو حوزه RGB و خاکستري نيز مي‌باشد. Manuscript profile

در بسیاری از کاربردها از جمله کاربردهای نظارتی، حالت و زاویه قرارگیری شخص نسبت به دوربین از اطلاعات مهم می‌باشد. این اطلاعات می‌تواند در ارزیابی رفتاری شخص مورد استفاده قرار گیرد. از دشواری‌های این تشخیص می‌توان به کیفیت پایین دوربین‌های نظارتی، نویز و پس‌زمینه‌های پیچیده در تصویر اشاره نمود. در روش‌های موجود برای تشخیص زاویه از ویژگی‌هایی نظیر هیستوگرام گرادیان‌های جهتی استفاده می‌شود. در این توصیف‌گر محاسبه هیستوگرام‌ها بر اساس نواحی محلی انجام می‌گیرد که دارای نقاط ضعفی در تشخیص زاویه می‌باشد. یکی از اطلاعات مفید که می‌تواند در تشخیص زاویه مورد استفاده قرار گیرد لبه‌های احاطه‌کننده یک شیء در تصویر است که بدان کانتور شیء اطلاق می‌گردد. در این مقاله تعمیمی از کانتور ارائه می‌شود که به کمک آن می‌توان به صورت سلسله‌مراتبی تخمینی از کانتور محاط‌شده به تصویر شخص را ارائه داد. این کانتورها از روی یک مدل سه‌بعدی انسان تولید می‌شوند. کانتور تخمین زده شده همانند یک ویژگی سطح بالا در کنار ویژگی‌های سطح پایین نظیر هیستوگرام گرادیان‌های جهتی به عنوان ویژگی نهایی در نظر گرفته می‌شود. در تولید این ویژگی از ترکیب خطی چندین نوع کانتور مربوط به بخش‌های مختلف بدن استفاده شده است. به منظور نشان‌دادن تأثیر ویژگی جدید در تشخیص زاویه، کلاس‌بند ماشین بردار پشتیبان با استفاده از ترکیب دو ویژگی بالا آموزش داده شده و سپس بر روی مجموعه داده‌های VIPeR مورد ارزیابی قرار گرفته است. نتایج آزمایشات انجام‌شده نشان می‌دهد که استفاده از ویژگی ارائه‌شده، دقت تشخیص زاویه را حدود 4% بهبود می‌بخشد. Manuscript profile

یکی از مناسب‌ترین بیومتریک‌ها برای شناسایی افراد، رگ‌های انگشت دست می‌باشد. در این مقاله روش جدیدی ارائه شده است که به شناسایی افراد از طریق رگ‌های خونی انگشت دست با دقت بالا می‌پردازد. این مقاله ابتدا از آستانه‌گذاری آنتروپی محلی برای قطعه‌بندی و استخراج رگ‌ها از تصاویر انگشت استفاده می‌نماید. آستانه‌گذاری آنتروپی محلی رگ‌ها را به خوبی استخراج می‌کند اما تصاویر حاصل از آن نویزی هستند به این مفهوم که رگ‌های استخراج‌شده ممکن است به صورت خطوط متقاطع ظاهر شوند. برای کم‌کردن حساسیت مرحله شناسایی نسبت به نویزهای موجود در تصاویر قطعه‌بندی شده، از تبدیل رادون استفاده می‌کنیم. تبديل رادون به علت داشتن ماهيت انتگرالي، نسبت به نويزهاي موجود در تصوير حساس نيست و بنابراین در مقایسه با سایر روش‌ها نسبت به نویز از مقاومت بیشتری برخوردار است. همچنین با استفاده از این تبدیل علاوه بر این که به استخراج خطوط رگ به طور دقیق نیاز نیست، دقت و سرعت شناسایی نیز افزایش می‌یابد. برای استخراج ویژگی از تصاویر رگ انگشت، الگوهای فضایی مشترک به بلوک‌های تبدیل رادون اعمال می‌شوند. در مرحله شناسایی نیز از دو روش نزدیک‌ترین همسایهNN) -1) و شبکه عصبی پرسپترون چندلایه (MLP) استفاده می‌شود. آزمایش‌های انجام‌شده روی مجموعه تصاویر رگ انگشت پایگاه داده دانشگاه پکینگ نرخ موفقیت 6753/99 درصد در شناسایی افراد را نشان می‌دهد. Manuscript profile

در دهه اخیر، مطالعات بسیاری بر روی طبقه‌بندی دانه‌ریز اشیا صورت گرفته است. در این نوع طبقه‌بندی گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است و شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار می‌گیرد. این مسئله به دلیل وجود تعداد کلاس‌های زیاد، تفاوت درون کلاسی بسیار و تفاوت بین کلاسی کم از مسایل طبقه‌بندی دشوار به شمار می‌رود. علاوه بر این معمولاً سرعت سیستم‌های شناسایی اشیا با افزایش دقت، کاهش می‌یابد و چنان که می‌بینیم یکی از چالش‌های مهم در شبکه‌های عصبی عمیق به عنوان یک ابزار قدرتمند بینایی ماشین، سرعت پردازش است. در این مقاله ابتدا روشی مبتنی بر بخش برای شناسایی نوع و مدل خودرو مختصراً معرفی می‌گردد و سپس یک الگوریتم آبشاری برای بهبود توأمان سرعت و دقت این سیستم ارائه می‌شود. الگوریتم آبشاری پیشنهادی، طبقه‌بندهای موجود در سیستم را به صورت ترتیبی به تصویر ورودی اعمال کرده تا از حجم پردازش بکاهد. چند معیار مناسب برای رسیدن به یک ترتیب کارا از طبقه‌بندها معرفی شده و در نهایت ترکیبی از آنها در الگوریتم پیشنهادی به کار گرفته شده است. نتیجه آزمایشات انجام‌شده بر روی مجموعه داده کاملاً متفاوت BVMMR و CompCars، نشان از دقت بالای سیستم شناسایی نوع و مدل خودرو دارد. پس از اعمال الگوریتم آبشاری به سیستم مورد بحث، سرعت پردازش تا 80% افزایش یافته است در حالی که دقت سیستم تنها کاهش جزئی داشته است. Manuscript profile

در این مقاله با تزریق پالس مربعی به شبکه‌های قدرت ولتاژ پایین و بهره‌گیری از روش‌های پردازش سیگنال، امپدانس شبکه در محدوده فرکانسی kHz 2 تا kHz 150 تخمین زده می‌شود. امپدانس شبکه از دید یک نقطه به صورت نسبت سیگنال ولتاژ به جریان عبوری از آن نقطه در حوزه فرکانس محاسبه می‌شود. در شرایط نویزی دقت تخمین امپدانس با انرژی سیگنال تزریقی رابطه مستقیم دارد. به منظور تخمین امپدانس باید سیگنال‌های تزریقی انرژی کافی در محدوده فرکانسی مورد اندازه‌گیری را داشته باشد. در روش ارائه‌شده، ابتدا تعدادی پالس مربعی با عرض متفاوت به کمک الگوریتم ژنتیک انتخاب می‌شوند. پس از تزریق سیگنال‌های انتخاب‌شده به شبکه و اندازه‌گیری پاسخ شبکه به هر تزریق، سیگنال‌های اندازه‌گیری حذف نویز می‌شوند و بنابراین دقت تخمین امپدانس بیشتر می‌شود. اگر مدت زمان اندازه‌گیری سیگنال‌ها کم باشد، همه حالت گذرای شبکه اندازه‌گیری نشده و تخمین امپدانس نادرست خواهد بود. بنابراین در این مقاله روشی مبتنی بر توزیع‌های زمان- فرکانس به منظور تعیین مدت زمان لازم برای اندازه‌گیری پیشنهاد می‌شود. نتایج آزمایش روش پیشنهادی بر روی چندین شبکه نشان‌دهنده توانایی و دقت روش پیشنهادی در تخمین امپدانس شبکه می‌باشد. Manuscript profile

متون کوتاه رسانه‌های اجتماعی مانند توییتر اطلاعات زیادی در مورد موضوع‌های داغ و افکار عمومی ارائه می‌دهند. برای درک بهتر اطلاعات دریافتی از شبکه‌های اجتماعی، شناسایی و ردیابی موضوع امری ضروری است. در بسیاری از روش‌های ارائه‌شده در این زمینه، تعداد موضوع‌ها باید از پیش مشخص باشد و نمی‌تواند در طول زمان تغییر کند. از این منظر، این روش‌ها برای داده‌های در حال افزایش و پویا مناسب نیستند. همچنین مدل‌های تکاملی موضوعی غیر پارامتری به دلیل مشکل کمبود داده‌ها، بر روی متون کوتاه عملکرد مناسبی ندارند. در این مقاله، یک مدل خوشه‌بندی تکاملی جدید ارائه کرده‌ایم که به طور ضمنی از فرایند رستوران چینی وابسته به فاصله (dd-CRP) الهام گرفته است. در روش ارائه‌شده برای حل مشکل کمبود داده‌ها، از اطلاعات شبکه اجتماعی در کنار شباهت متنی، برای بهبود ارزیابی شباهت بین توییت‌ها استفاده شده است. همچنین در روش پیشنهادی، برخلاف اکثر روش‌های مطرح‌شده در این زمینه، تعداد خوشه‌ها به صورت خودکار محاسبه می‌شود. در واقع در این روش، توییت‌ها با احتمالی متناسب با شباهتشان به هم متصل می‌شوند و مجموعه‌ای از این اتصال‌ها یک موضوع را تشکیل می‌دهد. برای افزایش سرعت اجرای الگوریتم، از یک روش خلاصه‌سازی مبتنی بر خوشه‌بندی استفاده نموده‌ایم. ارزیابی روش بر روی مجموعه داده واقعی که در طول دو ماه و نیم از شبکه اجتماعی توییتر جمع‌آوری شده است، انجام می‌شود. ارزیابی به صورت خوشه‌بندی متون و مقایسه بین آنها می‌باشد. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی نسبت به روش‌های مقایسه‌شده دارای انسجام موضوعی بهتری بوده و می‌تواند به طور مؤثر برای تشخیص موضوع بر روی متون کوتاه رسانه‌های اجتماعی استفاده گردد. Manuscript profile