شروع پروژه از کجا؟ ویژگیهای تصویر

[hess]

پاسخ : شروع پروژه از کجا؟

سلام ..

در پست ابتدایی فرمودید که لازم هست یک ویژگی رو بررسی کنید و اون رو در MATLAB شبیه سازی .. اگر این هست هدفتون؛ اون فایل ها میتونن کمکتون کنن .. از توضیحات فایل PDF میتونید استفاده کنید و اسلایدهاتون رو بسازید (--حتی در اینترنت هم نمونه های مشابه زیادی میتونید بررسی کنید--) و از پیاده سازی کد MATLAB اون هم استفاده کنید و بر روی چند کلاس مختلف؛ این ویژگی رو اجرا کنید و نتایج اونها رو باهم مقایسه .. منظور دیگه ای دارید شاید؛ ندارید؟ موفق و سلامت و شاد باشید .. :smile:

[hasting_m]

پاسخ : پاسخ : شروع پروژه از کجا؟

سلام ..

در پست ابتدایی فرمودید که لازم هست یک ویژگی رو بررسی کنید و اون رو در MATLAB شبیه سازی .. اگر این هست هدفتون؛ اون فایل ها میتونن کمکتون کنن .. از توضیحات فایل PDF میتونید استفاده کنید و اسلایدهاتون رو بسازید (--حتی در اینترنت هم نمونه های مشابه زیادی میتونید بررسی کنید--) و از پیاده سازی کد MATLAB اون هم استفاده کنید و بر روی چند کلاس مختلف؛ این ویژگی رو اجرا کنید و نتایج اونها رو باهم مقایسه .. منظور دیگه ای دارید شاید؛ ندارید؟ موفق و سلامت و شاد باشید .. :smile:

سلام.خسته نباشید.هدفم بهیچ وجه این نبود که شما برام پروژه انجام بدید یا هر چیزی که فکر کردید.
رفتم پیش استاده میپرسم میگه برو بعد بیا.اینجا هم که میپرسم ...
آخه شما خودوتون گفتین بسته به اینکه تصویر چی هست ویژگی ها رو استخراج میکنیم!
الان من باید یک دونه ویژگی از یک مورد تصویر رو بررسی کنم؟؟؟
وقتی نمیدونم چی میخوام یا صورت سوال چیه pdf چی رو برم پیدا کنم؟!

[hess]

پاسخ : شروع پروژه از کجا؟ ویژگیهای تصویر

سلام ..

هرگز منظورم چنین تعبیری نبود! از سوء تعبیر پیش آمده عذر میخوام .. بعضا پیش میاد که سوال رو صحیح متوجه نمیشیم و از این بابت هست که درصدی برای بروز خطای درک مساله (صورت سوال) لازم هست که در نوشته ها وجود داشته باشه .. کاری که میتونید انجام بدید میتونه این باشه: فایل کد SIFT رو دارید .. دو یا چند کلاس متفاوت انتخاب کنید (به عنوان مثال: خودرو؛ لیوان؛ صفحه ی مانیتور) و از این کلاس ها تصاویر متنوعی رو جمع آوری کنید (از دیتابیس های آماده هم میتونید استفاده کنید .. برای مثال دیتابیس ETHZ برای آبجکت ها) .. تصاویر متنوع به این معنا که اگر در کلاس خودرو ها هستیم؛ از خودروهای با رنگ متفاوت؛ نوع متفاوت؛ شرایط نوری یا Illumination متفاوت؛ اندازه ی (سایز) متفاوت؛ امــا از یک زاویه ی دوربین (خیلی خیلی مهم هست) استفاده کنیم و این ها رو در یک فایل قرار بدیم و به اون فایل بگیم: کلاس (دسته) خودروها .. همین کار رو برای تصاویر لیوان ها هم تکرار کنید: رنگ؛ نوع؛ شرایط نوری و اندازه ی (سایز) متفاوت برای لیوان ها؛ امــا از یک زاویه ی مشخص (--شاید برای لیوان این مساله ی زاویه به اون صورت مهم نباشه به این دلیل که در انتها با یک جسم Cylindrical سر و کار داریم--) و این مجموعه ی تصاویر رو در یک فولدر قرار بدید و اونها رو کلاس (دسته) لیوان ها بنامید .. روند مشابهی رو برای تصاویر مانیتور هم مجددا تکرار کنید .. در انتها: ما سه پوشه داریم که هر کدام از اونها معرف یک کلاس به خصوص هستن .. میتونید توصیف کننده ی SIFT رو برای هر کدام از این کلاس ها (تصاویر اونها) اجرا کنید (--به عنوان ورودی الگوریتم SIFT ، تصاویر جمع آوری شده تون رو وارد کنید--) و این کار رو برای همه ی سه کلاس انجام بدید و در نهایت نتایج این سه کلاس رو باهم مقایسه کنید و دلیل بیارید که به چه و چه و چه دلیل؛ در کلاس خودروها؛ Keypoint ها برای مثال بیشتر هستن؛ یا یک قسمت های خاصی هستن؛ امــا در کلاس مانیتور ها؛ این Keypoint ها کمتر و پراکنده تر و به همین ترتیب .. از بردارهای Descriptor هم میتونید برای این تحلیل کمک بگیری (--این بردار؛ به عنوان خروجی تحویل کاربر داده میشه؛ زمانیکه الگوریتم بر روی تصویر اجرا میشه--) .. این یک قسمت کار هست که میتونید انجام بدید و کمک میکنه تا خیلی دقیق بر روی آن چیزی که در SIFT میگذره؛ تمرکز کنید .. یک قسمت دیگر کار هم "مـیـتـونـه" این باشه که دو کلاس از سه کلاس رو جدا کنید؛ یکی از اونها رو با لیبل 1+ و دیگری رو با لیبل 1- ، لیبل گذاری کنید و در نهایت یک طبقه بندی دو کلاسه یا Binary Classification انجام بدید (--میتونید از SVM نرم افزار MATLAB کمک بگیرید--) و مشاهده کنید که آیا توصیف کننده ی SIFT برای تشخیص تصاویر کلاس 1+ سودمند هستن یا اینکه؛ برعکس؛ نامفیدن .. البته در این مرحله؛ برای جلوگیری از یک مشکل مرسوم در مرحله ی آموزش؛ نیاز هست که تعداد تصاویرتون (از هر دو کلاس) زیاد باشن (--بین 150 تا 250 تصویر، حداقل--) .. به این دلیل بود که پرسیدم شاید منظور دیگه ای دارید .. چرا که هر دوی این قسمت ها رو میتونید انجام بدید .. پیروز باشید ..

[hasting_m]

پاسخ : پاسخ : شروع پروژه از کجا؟ ویژگیهای تصویر

سلام شرمنده عذرخواهم که بد برداشت کردم.گفتم شاید سوالام زیادی زیاد و ..بود که شما خسته شدید.بهم حق بدید با این دانشگاهی که هستم نه چیزی یاد میدند و نه اجازه پرسیدن سوال داریم!گفتم شاید شما هم حس اون استاد بهتون دست داد.
بهر حال ببخشید.میرم باز ببینم چی پیش میاد

[hasting_m]

پاسخ : پاسخ : شروع پروژه از کجا؟ ویژگیهای تصویر

امــا از یک زاویه ی مشخص

سلام.دلیل اینکه گفتید از یک زاویه به این ربط داره که در تصویر فاز مهمه؟؟یا نه؟

از یک استاد تصویر 7رسیدم کتاب
feature-extraction-image-processing-second-edition
(صفحه115آن به بعد)رو معرفی کرد.میگفت مثلا

motivation-edge detection-image curvatureویژگی هستند.درست گفته؟اینا پس باید ویژگی های ظاهری که گفتید باشند.بله؟؟

[hess]

پاسخ : شروع پروژه از کجا؟ ویژگیهای تصویر

سلام ..

منظور از زوایه؛ View Point یا زاویه ای هست که دوربین از آبجکت، تصویر برداری میکنه .. برای مثال تصاویر زیر رو باهم بررسی کنیم ..

همونطور که در تصاویر بالا هم میبینیم؛ به دلیل تفاوتی که بین ویژگی های قابل بررسی یک آبجکت وقتی از زوایای مختلف مورد نگاه قرار میگیره؛ وجود داره؛ مهم هست که تصاویر دیتابیس شما؛ از یک زاویه (View Point) باشن تا اطلاعاتی که توصیف کننده؛ به عنوان بردار ویژگی یک کلاس، به عنوان خروجی اعلام میکنه؛ قابل اعتماد و تحلیل صحیح باشه .. بسیاری از ویژگی هایی که الان وجود دارن؛ به دلیل نوع تعریف؛ نمیتونن مساله ی View Point رو به راحتی بیان کنن و در نتیجه از متدهای دیگه ای مثل مدل های سه بعدی و ساختاری خاص؛ یا حتی تکنیک های آموزش (Learning) خاص استفاده میکنن و از این جهت هم هست که مساله ی تشخیص Multi-View هنوز یک مساله ی باز هست (--حتی اگر تا جای خیلی خوبی پیش رفته باشه--) و مداما برای اون راه حل ها و ایده های تازه ای هم داده میشه .. قسمت دوم سوالتون هم خیلی ناواضح بود؛ متوجه نشدم چه هست اصلا! پیروز باشید ..