Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

[aragon19]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

سلام
مرسی مرسی ، واقعا مرسی از اینکه وقتتون رو برام میذارید و کمک میکنید
بذارید من جسارت کنم و یه مثال بزنم.فرض میکنیم همون کره ی شما که دارای یه سری برامدگی و فرورفتگی است.قبلش اینو بگم میزان تغییرات برای ما مهم نیست ، خودتغییر برای ما مهمه. بیایم تغییرات رو جداگانه بررسی کنیم.
1- تغیر در جهت افقی که همانطور شما گفتید ازطریق مساحت میشه این تغییر رو فهمید.

2- تغییر در جهت عمودی که مثل همون بالاییه

3-تغییر قطری که به نظرمن همانند بالاست فقط تغییر در دو جهت افقی وعمودی همزمان صورت گرفته.(اگه اشتباه میکنم بگید).

4- تغییر در ارتفاع که اگه تغییر در کل جسم باشه بطوریکنواخت که نمیدونم چه طور میشه شناسایی کرد (درنمای روبه رو)

4-تغییردر برامدگی وفرورفتگی که باعث برهم زدن هارمونیک رنگی میشود(از خودتون یادگرفتم)،که میشه از روش های شما بررسی وشناسایی کرد.

5-تغییر در رنگ بخشی از کره : منظور اینکه فرض کنیم اگه بیایم سطح تصویر رو شطرنجی کنیم(باعلم به اینه تغییر دررنگ لزوما در نتیجه تغیرات سطحی جسم نیست و شاید درنتیجه فعل و انفعالات شیمایی و سوخته شدن و یا مثلا ایجاد لکه ای که قبلا نبوده ،پررنگ تر شدن بخشهایی از کره بدلایل گفته شده و از این قبیل..) و تغییرات رنگ هر بخش رو بشه فهمید(نمیدونم درست میگم یا نه).
فکر میکنم این 5 تغییر ت،تغییرات اساسی رو شامل بشه.
راستی اگه سطح جسم کاملا صیقلی باشه تغییر در ارتفاعش مشکلتر میشه تشخیصش داد نه؟
راست ااین روهم بگم من پردازش تصویر رو میخوام روی این پروزه (البته قسمت کوچکی ازاون ) یادبگیرم.
خواهش میکنم یه یاعلی بگید واگه میشه تا آخرش منو کمنک کنید.
یاعلی

[hess]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

سلام ...............

من متوجه نشدم .. شما میخواید صرفا تغییرات Shape رو Detect کنید؟

[aragon19]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

سلام
آره ، تغیرات ونوع تغیراتshape

[hess]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

سلام ...............

شما برای تغییرات Geometric باید متوصل بشید به روش های Geometrical .. محاسبات و روابط خاص ریاضی ..

اما در مورد پست قبلیتون .. منظورتون از شطرنجی کردن چی بود؟ متوجه نشدم ..

[aragon19]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

...سلام
ببینید خدمتون عرض کردم من تقریبا از پردازش چیز بخصوصی بلد نیستم وفقط چیزایی که به ذهنم میرسه گفتم.
وامادر مورد شطرنجی کردن ،یه تکنیکی در پرتره کشیدن از روی عکس وجود داره که میایم عکس رو با خطوط عمودی وافقی شطرنجی میکنیم.
بااین کار مرزها ی خطوط چهره مشخص میشه و میشه براحتی هم بابزرگنمایی سایز ها چهره بزرگتر رااز روی عکس اصلی بکشیم وهم چهره دقیقتری از عکس اصلی داشته باشیم...
گفتم شاید بشه ازروی این تکنیک وتلفیق آن باتکنیک های پردازش شکل روبه صورت سلولی در بیاریم تا تغییرات رنگ رو توش بهتر ودقیقتر بررسی کنیم.
راستی یه چیزدیگه برای ثبت اتوماتیک تصویر گرفته شده چی کار باید کرد.
یاعلی

[hess]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

سلام ............

من در پست اول خدمتتون عرض کردم که برای تحلیل تصویر در حیطه ی رنگ روشی که به وفور استفاده میشه Histogram Analysis هست به این معنا که تصویر Gray Scale شده رو زیر تحلیل هیستوگرام ارزیابی میکنن .. در نتیجه میتونید از اون روش ها استفاده کنید .. موارد مثالش خیلی زیاده و متدهاش هم خیلی مختلفه .. میتونید با یک جستجو به منابع و اطلاعات ارزشمندی دست پیدا کنید .. همون Key Word ای که گفتم خدمتتون میتونه کمکتون کنه برای جستجو .. موفق باشید ..

[hess]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

سلام .......................

در پست قبل خدمتتون عرض کردم که برای تحلیل تغییرات رنگی میتونید از تحلیل گراف Histogram استفاده کنید اما وارد جزئیاتش نشدم .. در این پست یه مثال براتون میزنم که متوجه هیستوگرام و نوع تحلیل تصویر با اون بشید .. در پایان هم یه Feature دیگه رو بررسی میکنیم که خیلی میتونه بهتون کمک کنه ..

خب اول تصویر زیر رو باهم میبینیم ..



اونچیزی که توی تصویر بالا بیش از همه ی موارد به چشم میاد، فضای رنگی اونه که Gray Level هست .. یعنی چی؟ یعنی بارگذاری رنگها توسط محدوده ی 0 تا 255 انجام میشه .. در حقیقت ماتریس این تصویر یه ماتریس دو بعدیه که اعداد اون باز گو کننده ی تغییرات رنگی از 0 تا 255 هست .. برای روشن شدن موضوع شکل زیر رو ببینید .. این شکل بریده ای از ماتریس تصویرمون هست که میتونید محدوده ی تغییرات رنگی رو در اون ببینید ..



اما اگه بخوایم این تغییرات رنگی رو بر حسب پیکسل ها بیان کنیم میتونیم از تحلیل گراف هیستوگرام استفاده کنیم .. اما این نمودار دقیقا چیه؟ این نمودار دو محور افقی و عمودی داره مثل همه ی نمودارهای دو بعدی .. محور افقی اون بازگو کننده ی تغییرات رنگی از 0 تا 255 هست و محور عمودی اون هم فراوانی پیکسل هایی که به هر عدد نسبت داده میشه .. در حقیقت گراف هیستوگرام یک بیان متفاوت از تصویر رو بیان میکنه اون هم در حوزه ی رنگی .. برای تصویری که در شکل اول مثال زدیم اگه بخوایم گراف هیستوگرام رو رسم کنیم میتونیم به شکل زیر استناد کنیم ..



خب همون طور که میبینید طیف رنگی خاکستری در محور افقی نمایان هست و بازگو میکنه که تغییرات رنگی خواهیم داشت از 0 تا 255 (یعنی از سیاه تا سفید ..) میبینید که به راحتی به مولفه های رنگی تصویر دست پیدا کردیم بدون اینکه کار خاصی انجام بدیم .. حالا اگه تصویر حتی در یک پیکسل هم تغییر رنگی داشته باشه به راحتی میتونیم این تغییرات رو تشخیص بدیم .. اما روش های جالبی هم برای تحلیل این گراف وجود داره .. یکی از روش هایی که زیاد استفاده میشه روش Local Mean هست به این معنا که میانگین های محلی رو حساب میکنه و در دگرگونی های رنگی بعدی از روی تغییر این میانگین ها به تفاوت در رنگ تصویر پی میبره .. به این ترتیب میتونیم متوجه بشیم که تصویر در میزان رنگ تغییرات داشته ..

اما روش دیگه ای که وجود داره استفاده از یه Feature به نام Rectangle Feature هست .. درسته که این روش شاید در ابتدا خیلی نامطلوب به نظر برسه اما در نتیجه، بسیار به تحلیل ما کمک میکنه و یه Feature خوب تلقی میشه .. نمیخوام این Feature رو زیاد بازش کنم اما اگه بخوایم خیلی مختصر اون رو بررسی کنیم میتونیم بگیم که این Feature به این روش عمل میکنه که یه مستطیل رو میذاریم روی بخشی از تصویر (گوشه ی چپ .. بالا ..) و از اونجا شروع میکنیم به جاروب کردن تصویر .. یعنی به اندازه ی اون مستطیل، تصویر رو اسکن میکنیم تا برسیم به انتهای اون .. اما در هر مرحله ی اسکن چه کار میکنیم؟ خب این مستطیلی که در نظر گرفتید رو از وسط (وسط طول رو بگیرید..) نصف کنید .. بعد مجموع پیکسل های یک نیمه رو به دست بیارید و همین کار رو با نیه ی بعدی هم انجام بدید .. بعد از این مرحله اعداد به دست اومده رو از هم کم میکنید و عدد حاصل رو در یک آرایه دخیره میکنید .. این کار رو برای تمام مستطیل هایی که روی تصویر قرار دارن اعمال میکنید و یه بردار به دست میارید که بهش میگن بردار ویژگی یا همون Feature Vector .. حالا اگه تصویر دچار تغییر رنگ بشه با یه قیاس ساده بین مجموعه ی برداریتون میتونید تغییرات رنگی رو به راحتی به دست بیارید .. البته این Feature محدودیت ها و مزایایی داره که جای مطرح کردنش اینجا نیست (باعث انحراف بحث میشه ..).. یه نمونه از اونهارو میتونید در شکل زیر ببینید .. امیدوارم مطالب براتون مفید باشه ..



فایل زیر رو هم ببینید میتونه بهتون کمک کنه .. موفق باشید ..

http://dip.sun.ac.za/~hanno/tw444/lesings/lesing_3.pdf

[aragon19]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

...حسام جون خیلی آقایی،هرجی بیشتر کمک کنه بیشت مزاحمت میشم.این اولیش
اولین اینکه poen source image j دارید؟یا اینکه کد یا الگوریتمی که تصویر روبصورت اتوماتیک ازدوربین توی pc دانلود کنه (به صورت مرتب )؟
درمورد تکنیک wevelet iage fusion توضیحات فارسی دارید؟
برای detect لبه چیکار میشه کرد.

[hess]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

سلام ..............

اولین اینکه poen source image j دارید؟یا اینکه کد یا الگوریتمی که تصویر روبصورت اتوماتیک ازدوربین توی pc دانلود کنه (به صورت مرتب )؟

منظورتون رو از Open Source متوجه نشدم .. اما یه حدسایی از قسمت بعدی سوالتون زدم .. :nerd: ببینید شما میخواید یه فایل ویدئو رو از وبکم بگیرید و توی متلب لود کنید و درنهایت پردازش درسته؟ اگه منظورتون این باشه که میتونم بهتون فایل ضمیمه شده در لینک زیر رو پیشنهاد بدم .. دقیقا همین کاری که میخواید انجام شده .. همون جایی که از دستور getsnapshot استفاده شده ..

http://www.eca.ir/forum2/index.php?topic=9899.0

درمورد تکنیک wevelet iage fusion توضیحات فارسی دارید؟

در مورد Wavelet منبع فارسی سراغ ندارم .. نمیدونم توی دانلود سنتر سایت شاید یه نمونه باشه .. اجازه بدید ببینیم ....
نه ... پیدا نکردم .. شرمنده ..

برای detect لبه چیکار میشه کرد.

سوالتون خیلی کوتاهه اما جوابش خیلی طولانیه .. برای مثال میتونید از لینک زیر استفاده کنید .. اونجا همین بحث دنبال شده ..

http://www.eca.ir/forum2/index.php?topic=21118.0

موفق باشید ..

[aragon19]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

مرسی ، فقط میتونم همینو بگم .امیدوارم بتونم جبران کنم.
و امیدوارم بتونم منتظر پاسخ به سئوالات دیگه ام باشم (خیلی که اذیت نمیشید )
یاعلی

[hess]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

سلام ................

یه مطلب در مورد موجک ها (همون Wavelet ) پیدا کردم گفتم شاید براتون مفید باشه ..

لف) تاریخچه:

ایده ی نمایش یک تابع برحسب مجموعه ی کاملی از توابع اولین بار توسط ژوزف فوریه، ریاضیدان و فیزیکدان بین سال های ۱۸۰۶-۱۸۰۲ طی رساله ای در آکادمی علوم راجع به انتشار حرارت، برای نمایش توابع بکار گرفته شد. در واقع برای آنکه یک تابعf(x) به شیوه ای ساده و فشرده نمایش داده شود فوریه اساسا ثابت کرد که می توان از محور هایی استفاده کرد که بکمک مجموعه ایی نامتناهی از توابع سینوس وار ساخته می شوند. بعبارت دیگر فوریه نشان داد که یک تابع f(x) را می توان بوسیله ی حاصل جمع بی نهایت تابع سینوسی و کسینوسی به شکل sin(ax) و cos(ax) نمایش داد. پایه های فوریه بصورت ابزار هایی اساسی، با کاربردهای فوق العاده متواتر در علوم، در آمده اند، زیرا برای نمایش انواع متعددی از توابع و در نتیجه کمین های فیزیکی فراوان بکار می روند. با گذشت زمان ضعف پایه های فوریه نمایان شد مثلا دانشمندان پی بردند پایه های فوریه و نمایش توابع سینوس وار در مورد سیگنال های پیچیده نظری تصاویر، نه تنها ایده آل نیستند بلکه از شرایط مطلوب دورند، بعنوان مثال به شکل کارآمدی قادر به نمایش ساختارهای گذرا نظیر مرزهای موجود در تصاویر نیستند. همچین آنها متوجه شدند تبدیل فوریه فقط برای توابع پایه مورد استفاده قرار می گیرد و برای توابع غیر پایه کار آمد نیست.(البته در سال ۱۹۴۶ با استفاده از توابع پنجره ای، که منجر به تبدیل فوریه ی پنجره ای شداین مشکل حل شد.)

در سال ۱۹۰۹ هار اولین کسی بود که به موجک ها اشاره کرد. در سال های ۱۹۳۰ ریاضیدانان به قصد تحلیل ساختارهای تکین موضوعی به فکر اصلاح پایه های فوریه افتادند. و بعد از آن در سال ۱۹۷۰ یک ژئوفیزیکدان فرانسوی به نام ژان مورله متوجه شد که پایه های فوریه بهترین ابزار ممکن در اکتشافات زیر زمین نیستند، این موضوع در آزمایشگاهی متعلق به الف آکیلن منجر به یکی از اکتشافات تبدیل به موجک ها گردید.

در سال ۱۹۸۰ ایومیر ریاضیدان فرانسوی، نخستین پایه های موجکی متعامد را کشف کرد(تعامد نوعی از ویژگی ها را بیان می کند که موجب تسهیلات فراوانی در استدلال و محاسبه می شود، پایه های فوریه نیز متعامدند.) در همین سال ها مورله مفهوم موجک و تبدیل موجک را بعنوان یک ابزار برای آنالیز سیگنال زمین لزره وارد کرد و گراسمن فیزیکدان نظری فرانسه نیز فرمول وارونی را برای تبدیل موجک بدست آورد.

در سال ۱۹۷۶ میرو و مالت از پایه های موجک متعامد توانسنتد آنالیز چند تفکیکی را بسازند و مالت تجزیه موجک ها و الگوریتم های بازسازی را با بکار بردن آنالیز چند تفکیکی بوجود آورد. در سال ۱۹۹۰ مورنزی همراه با آنتوان موجک ها را به دو بعد و سپس به فضاهایی با ابعد دیگر گسترش دادند و بدین ترتیب بود که آنالیز موجکی پایه گذاری گردید.

ب) آشنایی

آنالیز موجک (Wavelet Analysis) یکی از دستاوردهای نسبتا جدید و هیجان انگیز ریاضیات محض که مبتنی بر چندین دهه پژوهش در آنالیز همساز است، امروزه کاربردهای مهمی در بسیاری از رشته های علوم و مهندسی یافته و امکانات جدیدی برای درک جنبه های ریاضی آن و نیز افزایش کاربردهایش فراهم شده است.

در آنالیز موجک هم مانند آنالیز فوریه با بسط تابع ها سروکار داریم ولی این بسط برحسب «موجک ها» انجام می شود.

موجک تابع مشخص مفروضی با میانگین صفر است و بسط برحسب انتقالها و اتساعهای این تابع انجام می گیرد، بر خلاف چند جمله ای های مثلثاتی، موجک ها در فضا بصورت موضعی بررسی می شوند و به این ترتیب ارتباط نزدیکتری بین بعضی توابع و ضرایب آن ها امکان پذیر می شود و پایداری عددی بیشتری در باز سازی و محاسبات فراهم می گردد. هر کاربردی را که مبتنی بر تبدیل سریع فوریه است می توان با استفاده از موجک ها فومول بندی کرد و اطلاعات فضایی (یا زمانی) موضعی بیشتری بدست آورد. بطور کلی، این موضوع بر پردازش سیگنال و تصویر و الگوریتم های عددی سریع برای محاسبه ی عملگرهای انتگرالی اثر می گذارد.

آنالیز موجک حاصل ۵۰ سال کار ریاضی (نظریه ی لیتلوود – پیلی و کالدرون – زیگموند) است که طی آن، با توجه به مشکلاتی که در پاسخ دادن به ساده ترین پرسش های مربوط به تبدیل فوریه وجود داشت، جانشینهای انعطاف پذیر ساده تری از طریق آنالیز همساز ارائه شدند. مستقل از این نظریه که درون ریاضیات محض جای دارد، صورتهای مختلفی از این رهیافت چند مقیاسی (multi Scale) را در طی دهه ی گذشته در پردازش تصویر، آکوستیک، کدگذاری(به شکل فیلترهای آیینه ای متعامد و الگوریتمهای هرمی)، و استخراج نفت دیده ایم.

ج) کاربردها

آنالیز موجک همراه با تبدیل سریع فوریه در تحلیل سیگنالهای گذرایی که سریعا تغییر می کنند، صدا و سیگنالهای صوتی، جریان های الکتریکی در مغز، صداهای زیر آبی ضربه ای و داده های طیف نمایی NMR، و در کنترل نیروگاههای برق از طریق صفحه ی نمایش کامپیوتر بکار رفته است. و نیز بعنوان ابزاری علمی، برای روشن ساختن ساختارهای پیچیده ای که در تلاطم ظاهر می شوند، جریان های جوی، و در بررسی ساختارهای ستاره ای از آن استفاده شده است. این آنالیز به عنوان یک ابزار عددی می تواند مانند تبدیل سریع فوریه تا حد زیادی از پیچیدگی محاسبات بزرگ مقیاس بکاهد، بدین ترتیب که با تغییر هموار ضریب، ماتریس های متراکم را به شکل تنکی که به سرعت قابل محاسبه باشد در آورد. راحتی و سادگی این آنالیز باعث ساختن تراشه هایی شده است که قادر به کدگذاری به نحوی بسیار کارا، و فشرده سازی سیگنالها و تصاویرند.

آنالیز موجک امروزه کاربردهای فراوانی پیدا کرده است که از آن جمله می توان به کاربرد آن در تصویر برداری پزشکی (MRI) و سی تی اسکن (CAT)، جداسازی بافت های مغزی از تصاویر تشدید مغناطیس، تشخیص خودکار خوشه های میکروکلسیفیکاسیون، تحلیل تصاویر طیفی تشدید مغناطیسی (MR Spectrorscopy) و عملکردهای تشدید مغناطیسی (F MRI) اشاره نمود.

[aragon19]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

...نمیدونم چی بگم
یه چیز دیگه ،بیبن حسام جون در مورد wavelet من شنیدم (از یکی از اساتید) یکی از بهترین تکنیک ها در ترکیب تصاویر است ،شما تایید میکنید؟
به نظرتون (البته به این پروژه ربط نداره) اگه ما چند تصویر مثلا از 3 وجه یک دیوار داشته باشیم وبخواهیم اونا رو باهم ترکیب کنیم طوری یه تصویر واحد داشته باشیم ،بااکثر خصوصیات هر کدام ازتصاویر ، آیا امکان پذیر است؟(خودتون خواستد :redface
مرسی
میخوام در پست بعدی اطلاعاتم رو دسته بندی کنم ، یا علی میگید.
یاعلی

[hess]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

سلام .............

پاسخ سوال اولتون .. ببینید استفاده از Wavelet میتونه کمک کنه به ما که بسیاری از کارها رو از بنیه ی ساختاریشون کنترل کنیم .. یعنی چی؟ یعنی یه سری ابزار پایه بهمون دادن و گفتن با اینها میتونی بسازی اونچیزی رو که میخوای .. مثل فوریه .. فوریه اومد چیکار کرد؟ اومد ادعا کرد که یه سیگنال رو میشه با استفاده از سیگنال های خاص که سینوسی و کسینوسی بودن؛ ساخت .. حالا این کجا به دردمون میخوره؟ خیلی جاها .. مثلا .. موقعی که میخوایم روی سیگنال محاسبات انجام بدیم اما اطلاعات درستی ازش نداریم .. مثلا نمیدونیم چجوری ازش مشتق بگیریم .. اما فوریه این مشکل رو با این ایده حل کرد .. گفت بیایم بگیم سیگنال ما متشکل هست از یک سری سینوس و کسینوس .. حالا میشه به راحتی از این المانها مشتق گرفت .. انتگرالشون رو حساب کرد .. حد مطلق و نسبی براشون تعرف کرد و بسیاری کارهای دیگه .. یه تعبیر قشنگی داره گونزالس از تبدیل فوریه که دلم نمیاد نگم .. گونزالس توی کتابش تعبیری که از این تبدیل داره اینه .. میگه : فرض کنید سیگنال به مثابه ی نوری هست که داریم اونرو میبینیم و خیلی دوست داریم که بفهمیم از چه عناصری تشکیل شده .. یه منشور بر میداریم و میذاریم سر راه این نور و از اونطرف نتیجه رو نگاه میکنیم .. طیفی که گسسته شده و از هم باز شناخته میشه و در واقع تفکیک نوری ای هست از مجموعه ی نور .. حالا مشابه سازی .. این نور اولیه همون سیگنالیه که به ما دادن و گفتن تحلیلش کن .. باز سازیش کن .. یا هر کار دیگه ای که در ارتباط مستقیم با محاسبه ی فاکتورهای سیگنال باشه انجام بده .. منشوری که گذاشتیم؛ همون تبدیل فوریه هست .. و اون طیف های گسسته و به اصطلاح پایه هم توابع سینوس و کسینوس هستن .. حالا میبینیم که فوریه چه کار بزرگی کرده ..

خب از بحث منحرف نشیم .. گفتید که ............. Wavelet .. توی این تحلیل هم تقریبا وضع به همین منواله با این تفاوت که یه سری سیگنال و موج پایه داریم که با اونها باید کار کنیم .. مثلا توی Image Compression یکی از روش ها استفاده از همین تحلیله .. یعنی ویژگی های تصویر رو استخراج میکنن و با اون موجک ها متناظر میکنن .. در نتیجه یک سری اطلاعات Redundant حذف میشه به این معنا که در اون تناظر یا جای نگرفته یا اینکه چندین نمونه بر هم منطبق شده .. (به صورت خیلی کلی خدمتتون توضیح دادم ..) بنابراین میشه در ترکیب هم از این روش استفاده کرد .. در ضمن اگه استادتون گفتن خوبه که دیگه من چیکارم؟!! منم یه دانشجو ام مثل شما ..

در مورد ترکیب تصاویر .. خب این سوالی که مطرح کردید جوابش خیلی مفصله .. منم خیلی وارد این حیطه نشدم .. چون به کل دنیاش فرق میکنه .. اما به طور کلی میشه یه همچین کاری رو انجام داد .. اما بستگی به Application شما داره .. مثال میزنم .. الان یه روشی هست که از این متد برای Segmentation تصویر استفاده میکنن .. به اون تکنیک میگن Level Set Theorem .. یعنی چی؟ کجا کاربرد داره؟ توی بحث جداسازی تصاویر پزشکی MRI خیلی مهمه که بتونن با بهترین دقت تشخیص هاشون رو انجام بدن .. بهش میگن Medical Diagnosis یا همون تشخیص های پزشکی .. توی یکی از روش هایی که منطبق بر Level Set هست (اساسا یک روش Non-Parametric هست ..) میان و در سه زاویه ی مختلف از مغز بیمار عکسبرداری میکنن و با توجه به ویژگی های هر تصویر، یک فضاسازی سه بعدی انجام میدن که تحلیل پزشک ها رو خیلی راحت تر از قبل میکنه .. روش کارش خیلی مفصله و در این جا نمیخوایم ادامش بدیم .. فقط چون پرسیدید که ممکن هست یا نه؛ خواستم یکی از مثال هاش رو براتون ذکر کرده باشم .. توی این زمینه اگه خواستید مطالعه کنید میتونید دنبال 3D Shape Modeling باشید .. اطلاعات فوق العاده خوبی در این زمینه وجود داره .. موفق باشید ..

[aragon19]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

سلام ، شبت بخیر
این یسری از جمع بندیها ازاون روشهایی که برام گفتید.امیدوارم اشتباه نکرده باشم
-1 برای تحلیل تغیرات رنگی :الف - از تحلیل گراف هیستگرام مشخصا بخش local mean استفاده میکنیم، ب-ازتکنیک rectangle استفاده کنیم(خیلی با این روشت حال کردم،بنظر روش کارا و جالبی . ولی نمیدونم زمان پردازش رو خیلی طولانی میکنه یانه،به هر حال از میخوام یه مرجع (علاوه بر خودتون) وترجیحا فارسی بهم معرفی بکنید.(البته اگه وجودداره).
2-تحلیل تغییرات فرورفتگی و برامدگی که فرمودیداز همون تحلیل گراف هیستگرام قابل تشخیص است.
3- تحلیل تغیرات اندازه وابعاد: از عملگرهای ریاضی ، فیلترها و... استفاده شود،ب-تکنیک geomatric trasformation (که احساس میکنم اینم خیلی باید جالب باشه، برای اینم منبع یامقاله فارسی میخوام (زحمتون که نمیشه)).
راستی این تکنیک آخری تمام تغییرات فیزیکی (بعد و برامدگی و...) رو پوشش میده؟
واینکه این اصطلاح in focus areas یعنی چی؟
درآخر اینکه این 5 تکنیک رو از کجا میتونم مطالعه کنم.وتقاضای آخر (توی این پست :mrgreen نمونه کدهای این روشها روخودتون دارید یاجایی رو سراغ داریدکه داشته باشه.ممنونم میشم همچنان منو تحمل کنید. :nerd:
یاعلی

[hess]

پاسخ : Frequently Asked Questions -- مـبـاحـث و سـوالات مـتـداول

سلام ................

حقیقتش برای منبع فارسی هیچ اطلاعی ندارم .. اما منابعی که مدنظر هستن ..

برای تحلیل هیستوگرام میتونید از فصل 3 گونزالس استفاده کنید .. خیلی خوب این مبحث رو باز کرده ..

برای Rectangle Feature همین عبارت رو در اینترنت سرچ کنید ؛ اطلاعات خوبی به دست میارید .. اما منبع اصلی چند تا رفرنس خوبه که عرض میکنم ..
-- Paper آقایون Viola و Jones هست که خیلی کاربردی این مبحث رو توی Face Detection بررسی کرده ..
-- Integral Image .. یه PDF کامل از این مبحثه که کاملا دقیق وارد Detail موضوع شده و ادامه داده ..
-- Haar Like Feature هم یه عنوان دیگه هست که باید برید دنبالش (البته بعد از منابع بالا..) ..

برای سرعت هم که فرمودید باید بگم خیر .. از نظر Implementation خیلی سرعت محاسبه رو پایین میاره .. نگران اون موضوع نباشید .. از این Feature برای پردازش های On-Line استفاده میشه .. میبینید که اصلا جای نگرانی نیست ..

در مورد فرورفتگی وبرآمدگی تحلیل هیستوگرام Accuracy بالایی نداره .. باید برید سراغ روش های Geometric .. پیشنهاد میکنم توی اون محدوده یه جستجو بفرمایید ..

راستی این تکنیک آخری تمام تغییرات فیزیکی (بعد و برامدگی و...) رو پوشش میده؟

متوجه نشدم ..

اون اصطلاحی که ازش صحبت کردید مربوط میشه به ROI .. یعنی Region Of Interest (البته تا حدودی ..) میتونم بپرسم کجا بهش برخوردید؟ در ضمن در مورد نمونه کدها باید بگم موارد اول کدنویسیش زیاد کار سختی نیست .. اما روش های Geometric یک مقدار ریزه کاری دارن که باید برای کدنویسی از منابع خاص مثل Paper هایی که توی اینزمینه وجودداره و Source Code های ایمپلمنت شده استفاده کنید .. موفق باشید ..