وبلاگ دیجی پروژه

پروژه و ترجمه های هوش مصنوعی

وبلاگ دیجی پروژه

پروژه و ترجمه های هوش مصنوعی

وبلاگ دیجی پروژه

دیجی پروژه را در کانال تلگرام دیجی پروژه دنبال نمایید
https://telegram.me/DigiProjects

آخرین نظرات

۱۶ مطلب با موضوع «بینایی ماشین» ثبت شده است

۱۴
تیر

FEATURE EXTRACTION METHODS FOR COLOR IMAGE SIMILARITY

روش‌های استخراج ویژگی برای تشابه تصاویر رنگی

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 11 صفحه

دانلود اصل مقاله رایگان

قیمت : 1۵۰۰۰ تومان


چکیده مقاله

ما در این مقاله، روی سیستم بازیابی تصویر در روزهای اولی که بسیاری از سیستم‌های تعامل کاربر با مفاهیم پایه کار می‌کردند تمرکز کردیم اما چنین سیستم‌هایی به خصوصیات کاربر نمی‌رسند و توسط کاربر جذب نشده‌اند، پس بسیاری از تحقیقات در سال‌های اخیر با خصوصیات جدید انجام شده است. روش‌های اخیر کاربرانی دارند که به روش‌های تعاملی ساده علاقه‌مند هستند و بسیاری از آنها روی بهبود این روش‌ها تمرکز کرده‌اند. در این سیستم پیشنهادی، ما روی بازیابی تصاویر در یک مجموعه‌ی بزرگ از تصاویر بر اساس انتخاب رنگ تمرکز می‌کنیم و روش‌های مختلف ریاضی معرفی و بری بازیابی تصاویر اعمال می‌شود. قبل از اعمال روش‌های پیشنهادی، تصاویر با استفاده از مقادیر آستانه، به زیر گروه‌هایی تقسیم می‌شوند، در این مقاله از ترکیبات RGB برای بازیابی تصاویر استفاده می‌شود و در روش‌های پیشنهادی پیاده‌سازی می‌شود و نتایج مقایسه با روش‌های قبلی ارائه می‌شوند.

۰۷
خرداد

هدف: بررسی تقطیع مبتنی برلبه

کد: کد این پروژه را به زبان c++ و با کمک opencv

گزارش: فایل گزارش در قالب pdf می باشد و حاوی پاسخ به سوالات زیر می باشد.کدهای استفاده شده در گزارش توضیح داده نشده است.

حتما توجه داشته باشید که برای اجرای کد باید OPENCV بر روی ویژوال استادیو نصب شده باشد.

بخش ۱

الف) لبه یاب سوبل و نواتیا ببو را باهم مقایسه کرده و مزایا و معایبشان را به طور خلاصه ذکر کنید. نتیجه اعمال این دو لبه یاب را بر تصویر دلخواه نشان دهید. فیلترهای نواتیا ببو در ادامه آمده است.

1

2

3

ب) به طور خلاصه توضیح دهید لبه یاب کنی چگونه عمل می کند. هدف از کرنل گوسی در این لبه یاب چیست؟ این لبه یاب را بر تصویر شماره ۴ اعمال کنید.

4

ج) لبه یاب کنی سه پارامتر دارد، تغییر مقدار این پارامترها چه تاثیری بر نتیجه حاصله دارد؟ اندازه کرنل ۳،۵ و ۷ را بر تصویری ،دلخواه اعمال کرده ونتیجه را مقایسه کنید. اگر آستانه بالا را از ۲۵۵ به ۱۲۸ تغییر دهیم چه تغییری بر تصویر نهایی ایجاد می شود؟ نتیجه تغییر آستانه پایین از ۱ به ۲۲۰ چیست؟

5

د) لبه یاب کنی نسبت به لبه یاب های کلاسیک (مثل سوبل و نواتیا ببو) چه مزایا و معایبی دارد؟ نتیجه این دو روش را مقایسه کنید.


بخش ۲

الف) یکی از روش های تشخیص خط، استفاده از تبدیل هاف است. معمولا ورودی تبدیل هاف چیست؟ تبدیل هاف را بر تصویری شامل خطوط اعمال کرده و خطوط بدست آمده را رسم کنید.

6

ب) نویز چه تاثیری بر تبدیل هاف دارد؟ برای بررسی این سوال، به تصویر حاصل از لبه یاب ، نویز گوسی اضافه کرده و تبدیل هاف  را اعمال کنید. تبدیل هاف تا چه واریانسی از نویز گوسی را میتواند تحمل کند و خطوط را تشخیص دهد؟ (تصویر شماره ۵)

7

ج) تبدیل دایره هاف را بر تصویری شامل اشکال دایره ای اعمال کرده و پارامترهای آن را به گونه ای تنظیم کنید که دایره ها را بیابد.

8


بخش ۳

الف) کانتور چیست؟ در openCV  چه توابعی برای پیدا کردن کانتور و یافتن خصوصیات آن تعریف شده است؟ به طور خلاصه توضیح دهید.

ب) تابع findContour از چه روشی برای تعیین پیرامون استفاده می کند؟ پارامتر های این تابع چیست؟ این تابع را بر روی یک تصویر اعمال کرده و نتیجه را نشان دهید.

9


بخش ۴

با استفاده از آنچه در این بخش از درس خواندید (تقطیع مبتنی بر لبه) تصویر شماره ۶ را قطعه بندی کنید. روش مورد استفاده خود را به طور خلاصه توضیح دهید. به چه علتی این روش را انتخاب کردید؟

19

۰۶
خرداد

هدف: بررسی عملیات نقطه ای و محلی

کد: کد این پروژه را به زبان c++ و با کمک opencv

گزارش: فایل گزارش در قالب pdf می باشد و حاوی پاسخ به سوالات زیر می باشد.کدهای استفاده شده در گزارش توضیح داده نشده است.

حتما توجه داشته باشید که برای اجرای کد باید OPENCV بر روی ویژوال استادیو نصب شده باشد.

بخش ۱:

الف) عملگر Contrast Stretching یا Normalization چیست؟  برای تصویر شماره ۱ این عملگر را اعمال کنید. عملگر چه تاثیری داشته است؟

1

1

ب) این عملگر در چه تصاویری تغییر ایجاد کرده و برای کدام تصاویر بی اثر است؟ نمونه ای از تصویری که این عملگر بر روی آن بی اثر است تهییه کرده و نتیجه را تحلیل کنید.

flower-h

2

ج) Histogram Equalization چیست؟ برای تصویر شماره ۱ این عملگر را اعمال کنید. عملگر چه تاثیری داشته است؟

4

د) تفاوت دو عملگر فوق، Contrast Stretching و Histogram Equalization در چیست؟ از نظر کارایی و سرعت با هم مقایسه کنید.

ه)  هیستوگرام تصاویر حاصل از اعمال Contrast Stretching و Histogram Equalization را بر روی یک تصویر با هم مقایسه کنید.

5

بخش ۲:

الف) تفاوت فیلترهای میانه، میانگین و گوسی در چیست؟ تصویری را نویزی کرده و هر سه فیلتر را به آن اعمال کنید. در سوالات این بخش شدت نویز را به گونه ای تنظیم کنید که تاثیر فیلتر ها قابل مشاهده باشد.

6

ب) اثر دو فیلتر میانه و میانگین را بر نویزهای گوسی، نمک فلفلی و یکنواخت مقایسه کنید. برای اینکار تصویری را هر بار با یکی از نویزها آغشته کرده و سپس هر دو فیلتر را اعمال کنید. کدام یک در حذف نویز گوسی بهتر عمل می کنند؟ چرا؟

7

ج) سرعت اجرای کدام فیلتر بهتر است؟ برای مقایسه سرعت از تصویری با رزولوشن بالا استفاده کرده، آن را نویزی کنید و سرعت اجرا را تست کنید.

د) اندازه پنجره فیلتر چه تاثیری دارد؟ اندازه های ۳*۳ و ۵*۵ و ۷*۷ را برای دو فیلتر گوسی و میانه بر روی تصویر نویزی بررسی کنید.

۰۵
فروردين

برای دانلود اصل مقاله و همچنین کد متلب ان میتوانید بر روی  لینک ذیل کلیک نمایید


دانلود اصل مقاله و کد برنامه

۰۵
فروردين

استخراج ویژگی‌های حالت چهره بر اساس FastLBP

Facial Expression Feature Extraction Based on FastLBP

این پروژه پیاده سازی مقاله فوق بوده (استخراج ویژگی برای تشخیص حالت چهره با استفاده از الگوهای باینری محلی و تحلیل مولفه اصلی) که اصل مقاله به زبان اصلی را می توانید بصورت رایگان از طریق لینک ذیل دانلود نمایید

دانلود مقاله به زبان اصلی

کد برنامه » متلب(Matlab)

فایل ترجمه : WORD and PDF

گزارش پیاده سازی : WORD and PDF

همراه با POWERPOINT برای ارائه حضوری

سال چاپ مقاله :  2013

این پروژه شامل کد برنامه به زبان متلب می باشد که 85 درصد مقاله پیاده سازی شده است.این پروژه شامل کد برنامه ، ترجمه مقاله، گزارش پیاده سازی و بهمراه یک پاورپوینت برای ارائه می باشد.

دریافت کامل کد برنامه،ترجمه مقاله ، گزارش پیاده سازی و بهمراه فایل ارائه پاورپوینت( ایمیل خود را با دقت وارد نمایید)

قیمت : 40000 تومان

دریافت ترجمه مقاله( ایمیل خود را با دقت وارد نمایید)

قیمت : ۲۵۰۰۰ تومان

چکیده

روش‌های استخراج ویژگی حالت چهره بر اساس LBP قدیمی، دارای معایبی همچون پیچیدگی و بعد بالای بردارهای ویژگی است که ممکن است کارایی فرایندهای تشخیص بعدی را کاهش دهند. این مقاله، برای حل این مشکلات، یک الگوریتم LBP بهبود یافته به نام (FastLBP (FLBP پیشنهاد می‌کند. FLBP بردارهای ویژگی توصیف شده توسط هیستوگرام LBP را فشرده می‌کند تا پیچیدگی الگوریتم را کاهش دهد. این روش، کارایی آموزش و تست در تشخیص حالات چهره را افزایش داده و دقت تشخیص را نیز تضمین می‌کند. نتایج آزمایشی نشان می‌دهند که FLBP پیشنهادی ارائه شده در این مقاله، سریع و کاراست.

 

۰۳
فروردين
سال انتشار: ۱۳۹۴
کد COI مقاله: TEDECE01_310
زبان مقاله: فارسی

دانلود مقاله

حجم فایل: ۴۳۶.۰۹ کلیوبایت
۰۳
فروردين
سرفصل ارائه مقاله: هوش مصنوعی
سال انتشار: ۱۳۹۲
کد COI مقاله: NCCEB01_090
زبان مقاله: فارسی

دانلود مقاله
حجم فایل: ۲۲۸.۳۷ کلیوبایت                                            
۰۳
فروردين

 استخراج ویژگی LBP برای تشخیص حالت چهره - پیاده سازی مقاله

LBP Feature Extraction for Facial Expression Recognition

این پروژه پیاده سازی مقاله فوق بوده (استخراج ویژگی برای تشخیص حالت چهره با استفاده از الگوهای باینری محلی) که اصل مقاله به زبان اصلی را می توانید بصورت رایگان از طریق لینک ذیل دانلود نمایید

دانلود اصل مقاله

کد برنامه » متلب(Matlab)

فایل ترجمه : WORD and PDF

گزارش پیاده سازی : WORD and PDF

همراه با POWERPOINT برای ارائه حضوری

سال چاپ مقاله :  2011

این پروژه شامل کد برنامه به زبان متلب می باشد که 95 درصد مقاله پیاده سازی شده تمام گزارشات و نتایج مقاله محاسبه شده ، میزان دقت پیاده سازی در اکثر موراد از مقاله بالاتر می باشد.این پروژه شامل کد برنامه ، ترجمه مقاله، گزارش پیاده سازی و بهمراه یک پاورپوینت برای ارائه می باشد.

دریافت کامل کد برنامه،ترجمه مقاله ، گزارش پیاده سازی و بهمراه فایل ارائه پاورپوینت( ایمیل خود را با دقت وارد نمایید)

قیمت : 60000 تومان

دریافت ترجمه مقاله( ایمیل خود را با دقت وارد نمایید)

قیمت : 25000 تومان

چکیده

مطالعه‌ی استخراج ویژگی چهره بر اساس الگوهای باینری محلی (LBP) در این مقاله ارائه می‌شود. LBP به عنوان یک توصیفگر غیر پارامتری و محاسباتی ساده، به طور گسترده در تشخیص حالت چهره به دلیل ثابت بودن آن در تبدیلات سفید و سیاه مورد استفاده قرار می‌گیرد. هدف تشخیص حالت چهره و خصوصیات ویژگی‌های محلی و سراسری چهره مورد تحلیل قرار می‌گیرد. سپس، چندین روش استخراج ویژگی LBP بر اساس ویژگی‌های مختلف چهره توصیف می‌شوند و آزمایشات مربوطه بر اساس روش‌های مختلف استخراج ویژگی چهره LBP انجام می‌شود. در نهایت، نتیجه‌گیری بر اساس ارزیابی نتایج آزمایشی انجام می‌شود.

 

۲۸
اسفند

Medical Image Compression

فشرده­ سازی تصاویر پزشکی

فرمت  گزارش  : word ، PDF و پاورپوینت

تعداد صفحات گزارش : 68صفحه

تعداد اسلایدهای گزارش : 52 اسلاید

دانلود منابع گزارش به رایگان :

دانلود اصل مقاله 1 – رایگان

دانلود اصل مقاله 2 – رایگان

دانلود اصل مقاله 3 – رایگان

قیمت : 35000 تومان

چکیده

از آنجایی که در شاخه علم پزشکی از راه دور، ذخیره­سازی و انتقال تصاویر پزشکی، اهمیت بسیار زیادی پیدا می­کند، با توجه به محدودیت در پهنای باند و ظرفیت ذخیره­سازی، یک تصویر پزشکی می­تواند قبل از انتقال یا ذخیره­سازی، به فشرده­سازی نیازمند باشد. در میان روش­های مختلف فشرده­ سازی، تکنیک­هایی بر پایه تبدیل[1]، که یک تصویر را از حوزه مکان به داده­هایی در دامنه طیف تبدیل می­کنند، بسیار موثر هستند.

با توجه به گستردگی استفاده از تبدیل گسسته کسینوسی[2]  در روش­های فشرده­سازی، در گزارش مطالعاتی پیش­رو، ابتدا نوعی از تبدیل گسسته کسینوسی، به عنوان تبدیل گسسته‌ی کسینوسی پیچشی[3] بررسی می­شود، که برای فشرده­سازی تصویر دو بُعدی استفاده و نشان داده شده است که به انجام بهتر تبدیل گسسته کسینوسی در نرخ بیت­های بالا می پردازد. همچنین از آنجایی که در فشرده­سازی مبتنی بر تبدیل گسسته کسینوسی، برای سادگی محاسباتی، تصویر را به بلوک های کوچکتر، تقسیم می­کند و بلوک ها بر اساس محتوای اطلاعات طبقه­ بندی شده­اند تا نسبت فشرده­سازی بدون به خطر انداختن اطلاعات به حداکثر برسد، در بخشی از کار مطالعاتی، تکنیکی همراه با الگوریتم محاسباتی برای دسته­بندی بلوک­ها، بر اساس مقدار آستانه و واریانس تطبیقی ارائه می­شود. نتایج موثر این روش تطبیقی که برای تمامی تصاویر پزشکی قابل اجرا است، با اعمال آن به تصاویر سی.تی، اشعه ایکس و سونوگرافی و مقایسه نتایج در برابر تصاویر JPEG از نظر شاخص­های مختلف با کیفیت هدف نشان داده است.

مبحث آخری که در این گزارش بررسی خواهد شد، فشرده­سازی تصاویر سه بُعدی با استفاده از کدگذار تبدیل وِیولِت می­باشد. چهار الگوریتم تبدیل وِیولِت در اولین مرحله با چند نوع کدگذار در مرحله دوم استفاده خواهد شد، و سپس ترکیب بهینه وِیولِت-کدگذارها تعیین می­گردد. برای تبدیل وِیولِت، دو نسخه تبدیل وِیولِت متقارن و مجزا بررسی می­شود.

کلمات کلیدی:

پزشکی از راه دور، رادیولوژی از راه دور، فشرده ­سازی تصاویر پزشکی، فشرده­ سازی داده­ها، تبدیل کسینوسی گسسته (سه بُعدی)، تبدیل کسینوسی گسسته پیچشی (سه بُعدی)، تبدیل وِیولِت متقارن، تبدیل وِیولِت مجزا

Keywords:

Telemedicine, Teleradiology, Medical image compression, Data compression, 3-D SPIHT, 3-D SPECK and 3-D, BISK, Symmetric wavelet transform, Decoupled wavelet transform, Discrete cosine transform (DCT), Warped discrete cosine transform (WDCT)

[1] Transform-based

[2] Discrete cosine transform (DCT)

[3] Warped discrete cosine transform (WDCT)

۲۸
اسفند

Facial expression recognition based on Local Binary Patterns

بررسی تشخیص حالت چهره با استفاده از الگوهای باینری محلی

فرمت  گزارش  : word ، PDF و پاورپوینت

تعداد صفحات گزارش : 83 صفحه

تعداد اسلایدهای گزارش : 46 اسلاید

دانلود منابع گزارش به رایگان :

دانلود اصل مقاله1 – رایگان

دانلود اصل مقاله 2 - رایگان

دانلود اصل مقاله 3 - رایگان

قیمت : 38000 تومان

چکیده

تحلیل اتوماتیک حالت چهره، یک مسئله‌ی جالب و چالش‌برانگیز است و روی کاربردهای مهم در بسیاری از نواحی مانند تعامل انسان کامپیوتر و انیمیشن مبتنی بر داده، تأثیر گذار است. استخراج یک نمایش مؤثر چهره از تصاویر اصلی صورت، یک گام حیاتی برای تشخیص موفق حالت چهره است. در این گزارش، به طور تجربی، نمایش چهره را بر اساس ویژگی‌های محلی آماری، الگوهای باینری محلی، برای تشخیص مستقل از شخص حالت چهره ارزیابی می‌شود. روش‌های مختلف یادگیری ماشین روی پایگاه‌داده‌های متعدد بررسی شده‌اند. آزمایشات وسیعی نشان می‌دهد که ویژگی‌های LBP برای تشخیص حالت چهره، مؤثر و کاراست.  LBP تقویت شده  نیز فرمول سازی می‌گردد تا متمایزترین ویژگی‌های LBP را استخراج گردد و بهترین کارایی تشخیص با استفاده از طبقه‌بندهای ماشین بردار پشتیبان با ویژگی‌های LBP تقویت شده بدست می‌آید. به علاوه،  ویژگی‌های LBP را برای تشخیص حالت چهره با وضوح پایین بررسی می­شود که یک مسئله‌ی حیاتی است اما به ندرت در کارهای موجود به آن پرداخته شده است.  در آزمایشات مشاهده می‌کنیم که ویژگی‌های LBP به طور ثابت و محکم و در محدوده‌ی وضوح پایین تصاویر چهره کار می‌کنند و منجر به کارایی خوبی در دنباله‌های ویدئویی با وضوح پایین فشرده شده و گرفته شده در محیط‌های جهان واقعی می‌شوند.

تحقیقات در زمینه‌ی تشخیص حالت چهره، در تصاویر چهره تنها به صورت دید روبرو انجام شده است. تلاش‌هایی برای تولید طبقه‌بندهای حالت چهره‌های متغیر انجام شده است. با این حال، اکثر این تلاش‌ها تنها تغییرات افقی تا 45 درجه را در نظر گرفته‌اند که همه‌ی چهره مشخص است. کارهای اندکی برای بررسی پتانسیل ذاتی حالات مختلف برای تشخیص حالت چهره انجام شده است. این امر عمدتاً به دلیل پایگاه داده‌های موجود است که تنها تصاویری از چهره از دید روبرو را می‌اندازند. پایگاه داده‌های اخیر BU3DFE و multi-pie تحقیقات تجربی تشخیص حالت چهره برای زوایای دید مختلف را اجازه می‌دهند. یک روش دو مرحله‌ای برای طبقه‌بندی حالت و طبقه‌بندی حالت چهره مستقل از دید در نظر گرفته شده است. الگوهای باینری محلی (LBP) و تغییرات LBPها به عنوان توصیفگرهای بافتی بررسی می‌شود. این ویژگی‌ها، بررسی تأثیر موقعیت و تحلیل چند وضوحی برای تشخیص حالت چهره با چندین دید را اجازه می‌دهند. عوامل دیگر شامل وضوح و ایجاد بردارهای ویژگی محلی و سراسری بررسی شده است. از یک روش مبتنی بر ظاهر با تقسیم تصویر به زیر بلوک‌های قرار گرفته در چهره استفاده شده است. بردارهای ویژگی شامل هیستوگرام‌های الحاقی ویژگی ایجاد شده از هر زیر بلوک است. از ماشین‌های بردار پشتیبان چند کلاسی، برای یادگیری حالت و طبقه‌بندهای حالت چهره‌ی مستقل از موقعیت استفاده شده است.

روش‌های استخراج ویژگی حالت چهره بر اساس LBP قدیمی، دارای معایبی همچون پیچیدگی و بُعد بالای بردارهای ویژگی است که ممکن است کارایی فرایندهای تشخیص بعدی را کاهش دهند.از روش قطعه‌بندی هشت چشم استفاده شده است تا نواحی مؤثر تصویر حالت چهره را استخراج کند که می‌تواند برخی از اطلاعات غیر مفید را برای استخراج بعدی ویژگی کاهش دهد. سپس PCA ویژگی خاکستری از کل تصویر حالت چهره را استخراج کرده و اندازه‌ی داده‌ها را نیز به طور همزمان کاهش می‌دهد. LBP ویژگی همسایه‌ی محلی ناحیه‌ی دهان را استخراج می‌کند که بیشتر به تشخیص حالت چهره اختصاص دارد. در هم آمیختن ویژگی سراسری و محلی برای تشخیص حالت چهره مؤثرتر است. در نهایت، ماشین بردار پشتیبان (SVM) از ویژگی ترکیبی برای تکمیل تشخیص حالت چهره استفاده می‌کند.

کلمات کلیدی

استخراج ویژگی، الگوهای باینری محلی، تشخیص حالت چهره،تحلیل مولفه اصلی، ماشین بردار پشتیبان