توضیحات

پردازش تصویر دیجیتال

پردازش تصویر دیجیتال[۱] 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:………….

 1-2 : 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[۱] – یعنی به دست آوردن تصویر دیجیتال –  است . انجام دادن چنین کاری نیازمند یک حسگر تصویر بردار[۲] 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[۳] 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 [۴]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[۵] ، که انتخاب ویژگی[۶] 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[۷] فرایندی است که بر اساس اطلاعات حاصل از توصیف گرها یک برچسب را به یک شی منتسب می کند . تعبیر[۸] شامل انتساب معنا به یک مجموعه از اشیاء تشخیص داده شده است . دانش به شکل پایگاه داده دانش[۹] 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[۱۰] 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[۱۱] بین واحد ها نیز کمک می کند [۱].

   1-3 : 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[۱۲] نامیده می شوند و به ترتیب با  و

  نشان داده می شوند . توابع  و  به شکل حاصل ضرب ترکیب می شوند تا    ایجاد شود :

 که

و

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] .

  4-1: 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[۱۳] 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[۱۴](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…………………………

-۵-۴ : مدل ژنتیک

به دلیل پیچیدگی های محاسباتی، نمونه های موجود برای مدل احتیاج به بهینه سازی دارند. از میان متد های متفاوت پذیرفته شده برای بهینه سازی، الگوریتم ژنتیک [۱]بیشتر مورد قبول واقع شده است. زیرا تحت آزمایش قرار گرفته و کارائی آ ن در زمینه های مختلف ثابت شده است.

الگوریتم ژنتیک از زمان اختراع به وسیله Holland  [36]، به عنوان یک راه حل برای بهینه سازی چند بعدی شناخته شده است. در این روش از الگوریتم ژنتیک و الگوریتم ژنتیک ساده[۲]   که به وسیله Goldberg  ایجاد شده [۳۷]، استفاده شده است. برای پیاده سازی مکان یابی چهره به صورت یک الگوریتم ژنتیک، باید کد های مدل چهره[۳] و تابع مناسب تعریف شود. هم چنین پارامتر های مورد نیاز از قبیل اندازه جمعیت و…. مشخص شوند که در بخش بعدی به تفصیل به آن می پردازیم

-۵-۲۴-۱ : کد های مدل 

کدهای مدل صورت به وسیله طرح باینری دوبعدی  صورت گرفته است. فرض می شود مدل صورت در طول محور عمودی می باشد و فقط برای سمت چپ مدل کد نوشته می شود. البته این فرض برای یک چهره منفرد کاملا درست نمی باشد، اما برای هدف ما کافی می باشد.

۲-۵-۴-۲ : توابع تناسب

 توابع تناسب[۴] اعدادی با ارزش حقیقی را به مدل داده شده نسبت می دهند. برای درجه بندی یک مدل، آن را روی تعدادی از تصاویر نمونه از چهره امتحان می کنند. این مجموعه تصاویر نمونه باید به اندازه  کافی بزرگ باشند تا نماینده صورت های مختلف باشند و هم چنین به اندازه کافی کوچک باشند تا متناسب سازی سریع صورت گیرد. مقدار تناسب یک مدل را به نسبت تعداد چهره های کشف شده به تعداد کل چهره های موجود در مجموعه تعریف می شود. یک چهره هنگامی پیدا شده محسوب می شود که فاصله اندازه گیری شده بین موقعیت واقعی و موقعیت پیدا شده، کمتر از مقدار مرز آستانه معین باشد. در این روش از مقدار d_eye استفاده می شود [۳۳].

_L d و d _r  به ترتیب نمایانگر فاصله بین موقعیت صحیح مراکز چشم، C _L و C _r که عضو  R ²هستند و موقعیت چشم مورد نظر می باشند.

بنابراین نسبت فاصله به صورت رو به رو تعریف می شود :………………….

…………………………………………………….

۵-۴ : نواحی پوست[۱]

در این مرحله می خواهیم نواحی مربوط به نمای تمام رخ صورت انسان را از نواحی مشخص شده در مرحله قبل تشخیص دهیم. بدین منظور باید تعداد نواحی مشخص شده مربوط به پوست تعیین گردد.

هر ناحیه بسته[۲]  در تصویر که شامل یک سوراخ[۳] یا بیشتر باشند، یا حتی فاقد سوراخ باشند، به عنوان یک ناحیه پوست در نظر گرفته شده است. در تصویر باینری نواحی پوست با مقدار یک و بقیه با مقدار صفر (سیاه ) مشخص می شوند. هر کدام از این نواحی را می توان چند ناحیه به هم پیوسته در نظر گرفت.[۸۹]

برای مشخص کردن تعداد نواحی از برچسب گذاری[۴]  استفاده می کنیم. هر برچسب یک مقدار صحیح است.

در این برنامه ما به منظور برچسب گذاری از یک همسایگی ۸ متصله[۵]  استفاده کردیم. در یک همسایگی ۸ متصله تمام همسایه های یک پیکسل در نظر گرفته می شوند. اگر هر کدام از همسایه ها دارای یک برچسب باشند، پیکسل مورد نظر هم با همان برچسب، برچسب گذاری می شود. در غیر این صورت از یک برچسب جدید استفاده می شود.

در نهایت با شمارش تعداد برچسب ها، تعداد نواحی در تصویر مشخص می گردند.

در برنامه برای مشخص کردن نواحی متمایز، هر ناحیه با رنگ متفاوتی نشان داده می شود.

شکل ۵-۷ نتایج این مرحله را نشان می دهد………………………..

بلافاصله بعد از پرداخت موفق لینک دانلود این پروژه فعال خواهد شد.

قیمت اختصاصی و استثنایی این پروژه درپایان نامه دات کام : تنها , ۱۱۲۰۰ تومان