ماشین بینایی و پردازش تصویر
سال:1401 | دوره:8 | شماره:3 |تعداد مقالات:6

یکی از توصیفگرهای مهم بافتی تحت عنوان الگوی دودویی محلی می باشد. الگوی دودویی محلی در استخراج ویژگیهای بافتی کاربرد زیادی دارد. در این مقاله نوعی از الگوی دودویی محلی ارائه شده است که از آن نه به عنوان توصیفگر بافت، بلکه به عنوان یک توصیفگر عمومی استفاده شده است. یعنی همانند توصیفگر تبدیل مستقل از مقیاس ویژگی (SIFT) عمل می کند. روش پیشنهادی بر اساس میزان اختلاف نقطه مرکزی با نقاط همسایگی وزن های لازم را تولید می کند و این مقادیر وزن در مقادیر الگوی دودویی ضرب شده و استفاده می شود. ضمن اینکه بجای الگوی دودویی محلی برای کاهش تعداد ویژگیها از الگوی دودویی محلی متقارن مرکزی CS-LBP استفاده شده است. مزیت روش پیشنهادی نسبت به SIFT سرعت بالای آن است. ضمن اینکه بجای تصاویر عادی از تصاویر دوربین های مادون قرمز استفاده شده است. این تصاویر نسبت به تصاویر معمول دارای لبه هایی تارتر هستند و بازیابی آنها با توصیفگرهای عمومی عملاً نتایج خوبی تولید نمی کند. نتایج پیاده سازی نشان می دهد که روش پیشنهادی هم از لحاظ سرعت و هم از لحاظ دقت نسبت به توصیفگرهای عمومی مانندSIFT بهتر عمل می کند ضمن اینکه از روش الگوی دودویی محلی متقارن مرکزی هم دقت بالاتری دارد.

در این مقاله یک توصیفگر بافتی جدید به­ منظور استفاده در سیستم­ های شناسایی هویت زیستی مبتنی­ بر مشخصه ­ی بافت پشت دست ارائه می­ شود. ابتدا تصاویر دست افراد مختلف توسط یک وسیله اخذ تصاویر جمع­ آوری، سپس با نگاشت تصاویر از فضای رنگی RGB به YUV و آستانه ­گیری مؤلفه U، پیکسل­های پوست تشخیص داده شده و پنج انگشت از تصویر مجزا می­گردند. سپس با استفاده از مرکز ثقل، طول و جهت انگشتان، نواحی چروکیدگی انگشتان و ناخن استخراج می­ شوند. ویژگی­ های بافتی چروکیدگی انگشتان با استفاده از توصیفگر پیشنهادی الگوهای چهارجهتی مبتنی­ بر آستانه­ گیری آماری و ویژگی­ های ناخن نیز با استفاده از تبدیل موجک گسسته تا سه سطح استخراج می ­شوند. به­ علاوه، با تعیین یک تابع هزینه در الگوریتم تکاملی بهینه­ سازی دسته­ ذرات، مجموعه­ ای از ضرائب اهمیت به ویژگی­ های بافتی دست اعمال شده و درنتیجه این ویژگی­ ها بهینه می­ گردند. در نهایت با بهره­ گیری از معیار اندازه­ گیری فاصله d1میزان مشابهت تصاویر محاسبه و هویت اشخاص با دقت 13/92% شناسایی شده است. نتایج آزمایش­ ها روی مجموعه تصاویر تهیه­ شده توسط نگارندگان با نام FKP_Nail، نشان می­دهد که روش ارائه­ شده در مقایسه با روش­ های شناخته شده موجود دقت و سرعت بهتری داشته و از محاسبات ساده ­تری نیز استفاده می­ کند.

تشخیص و درمان به موقع بیماری گلوکوم می تواند از پیشروی این بیماری و از دست دادن ناگهانی بینایی جلوگیری کند. گلوکوم دیسک و کاپ نوری را که درون دیسک قرار دارد تحت تأثیر قرار می دهد. در این مقاله ابتدا به محلی سازی دیسک نوری پرداخته شده و سپس قطعه بندی دیسک و کاپ نوری به منظور تشخیص براساس نسبت کاپ به دیسک نوری (CDR) انجام می شود. برای مرحله محلی سازی دیسک از شبکه عصبی کانولوشنی مبتنی بر ناحیه سریعتر (Faster-RCNN) با شبکه پیش آموزش دیده ResNet50 استفاده می شود. مرحله قطعه بندی توسط معماری U-Net اصلاح شده با استفاده از شبکه SE-ResNet50 در قسمت کدگذار آن اجرا شده و در نهایت CDR مورد ارزیابی قرار می گیرد. پایگاه های داده Drishti-GS1 و RIM-ONE v3 برای آموزش و تست روش پیشنهادی و دسته داده MESSIDOR صرفا در مرحله تست بکار رفته است. همچنین به منظور قطعه بندی کاپ و دیسک نوری دو رویکرد برای درنظرگرفتن حاشیه نویسی کاپ و دیسک نوری در حقیقت مبنای دسته داده Drishti-GS1 پیشنهاد می شود. در رویکرد پیشنهادی دوم و طبق معیار  F1-score، نتیجه قطعه بندی کاپ و دیسک نوری برای دسته داده Drishti-GS1 به ترتیب 0.93 و 0.97، برای دسته داده RIM-ONE v3 به ترتیب 0.79 و 0.95 و برای دسته داده MESSIDOR به ترتیب 0.84 و 0.93 بدست آمده که قابل رقابت با سایر کارها است.

تشخیص خودکار مکان و زاویه برش گل ‏های زعفران یک گام اساسی برای فرآوری خودکار گل زعفران است. با توجه به تنوع موجود میان گل‏ های زعفران، الگوریتم‏ های سنتی نمی‏ توانند دقت قابل قبول را نتیجه دهند. در این مقاله، یک الگوریتم مبتنی بر شبکه‏ های همگشتی عمیق برای حل این مسئله پیشنهاد شده است. در معماری پیشنهادی، تصویر به تعدادی ناحیه مربعی کوچک تقسیم می‏ شود و در هر ناحیه وجود محل برش گل زعفران تخمین زده می‏ شود. همچنین، محل نسبی مناسب برای برش گل زعفران نسبت به مرکز ناحیه تخمین زده می‏ شود. برای تخمین زاویه، ابتدا محدوده 360 درجه به تعدادی قسمت تقسیم می‏ شود و زاویه گل به یکی از مقادیر اختصاص می‏ یابد. سپس، زاویه نسبی نسبت به مرکز ناحیه تخمین زده می‏ شود. به منظور ارزیابی عملکرد الگوریتم پیشنهادی، یک پایگاه داده شامل 163 تصویر و 3035 گل جمع‏ آوری شده است و پارامترهای هر گل توسط یک خبره مشخص شده است. ارزیابی الگوریتم پیشنهادی نشان می‏ دهد که پارامترهای بیش از 95% گل‏ها به درستی تخمین زده شده‏ اند.

افزایش تفکیک پذیری تصاویر، یک مسئله کلاسیک در زمینه پردازش تصویر است که هدف آن ایجاد تصاویر با تفکیک پذیری بالا از تصویر با تفکیک پذیری پایین است. الگوریتم های بسیاری در این زمینه تاکنون ارائه شده اند. با این حال، ارزیابی مؤثر کیفیت این نوع تصاویر همچنان بعنوان یک زمینه تحقیقاتی چالش برانگیز باقی مانده است. روش های معمول ارزیابی کیفیت تصویر، همخوانی کافی با معیارهای ادراکی ندارند. لذا ارائه روش های ارزیابی کیفیت خاصِ تصاویر فراتفکیک پذیر، اهمیت بالایی دارد. در این مقاله ما یک روش ارزیابی کیفیت بدون مرجع برای تصاویر فراتفکیک پذیر ارائه می کنیم که با یادگیری بدون برچسب یک کتاب اتم ها روی تصاویر مرجع با تفکیک پذیری بالا و بازنمایی بلوک های تصاویر فراتفکیک پذیر با این کتاب، ویژگی های محلی تولید می نماید که قادرند تخریب های ناشی از افزایش تفکیک پذیری را به خوبی توصیف نمایند. این ویژگی ها با یک رویکرد مناسب هرمی، تلفیق شده و بردار ویژگی سراسری از تصویر تولید می کنند. این بردارها و امتیازات کیفیت چشمی در نهایت، جهت آموزش یک مدل رگرسیون مورد  استفاده قرار می گیرند. نتایج تجربی نشان می دهند که این روش در عین سادگی، سرعت و عدم نیاز به حجم بالای داده آموزشی، کارایی بهتری نسبت به روش های موجود دارد.

ردگیری همزمان چند شیء یکی از موضوعات مهم در زمینه بینایی ماشین و پایه کاربردهای بسیاری مانند انواع سامانه ­های نظارتی انسانی و حیوانی است. از اصلی­ترین چالش­ های الگوریتم­ های این حوزه، مرتبط­ سازی داده­ ها به ویژه هنگام بروز انسداد می­ باشد. از آنجا که انسان­ ها عملکرد مناسبی در مواجهه با این چالش دارند، انتظار می­رود استفاده از الگوریتم­ های ملهم از مغز در ردگیری همزمان اهداف بتواند به بهبود کارایی این گونه از سامانه ­ها منجر شود. میدان­ های عصبی پویا سازگاری بالایی با عملکرد نورونی و شناختی مغز انسان دارند. ما در این مقاله از این میدان­ ها بهره بردیم تا مانند حافظه کاری انسان در نگهداری و پردازش اطلاعاتی مانند مکان اشیاء، جهت و سرعت آن­ها ایفای نقش کنند. استخراج این اطلاعات با استفاده از شگردهای بینایی ماشین صورت می­گیرد. ارزیابی این روش با مقایسه عملکرد آن با روش­های اخیرا توسعه داده شده روی مجموعه داده حاوی ویدیوهای ضبط­ شده از حرکات آزادانه لاروهای قزل­ آلا که در دسترس همگان قرار دارد انجام شده است. نتایج نشان داد که روش پیشنهادی نه تنها از روش­های رقیب عملکرد بهتری دارد، بلکه تقریبا در همه موارد به ویژه بعد از انسداد قادر است مرتبط ­سازی داده ­ها را به درستی انجام دهد.