Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مشخصات نشــریه/اطلاعات دوره

نتایج جستجو

2558

نتیجه یافت شد

مرتبط ترین ها

اعمال فیلتر

به روزترین ها

اعمال فیلتر

پربازدید ترین ها

اعمال فیلتر

پر دانلودترین‌ها

اعمال فیلتر

پر استنادترین‌ها

اعمال فیلتر

تعداد صفحات

27

انتقال به صفحه

آرشیو

سال

دوره(شماره)

مشاهده شمارگان

مرکز اطلاعات علمی SID1
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    1-16
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    448
  • دانلود: 

    923
چکیده: 

امروزه حجم زیادی از تصاویر، توسط دوربین های دیجیتال تولید میشوند. لیکن عواملی همچون ضعف در طراحی لنز دوربین ها، منجر به ایجاد نویز در تصاویر می شود. روش های بهبود تصویر، ویژگی هایی از تصویر مانند لبه ها و مرزها را تیز می نمایند. لیکن تیزسازی لبه ها، خود منجر به افزایش نویز و ایجاد آثار تصنعی در تصاویر می شود. لذا استفاده از تکنیک های تیزسازی باید به صورت کنترل شده بوده و تا حدی انجام گیرد که جزییات تصویر حفظ و نویز موجود در تصویر زیاد تقویت نشود. در این مقاله، روشی جدید جهت کاهش ماتی تصاویر دیجیتال ارایه شده است. روش پیشنهادی ترکیبی از فیلتر تغییرات کلی نسبی و فیلتر هدایت نورد در فضای رنگی HSV است. در روش پیشنهادی، نخست توسط فیلتر تغییرات کلی نسبی، ساختار تصویر استخراج و سپس توسط فیلتر هدایت نورد، بازیابی لبه ها انجام می شود. سپس با تفریق تصویر کانال روشنایی از تصویر حاصل از اعمال فیلتر هدایت نورد، جزییات و لبه های اصلی تصویر استخراج می شوند. در یک روند تکرارپذیر و براساس میزان وضوح تصویر، جزییات استخراج شده به کانال روشنایی افزوده می شود. در این روش، شدت روشنایی پیکسل های تصویر به یک نسبت تغییر نمی کنند که این امر از ایجاد تحریف های رنگی و افزایش نویز جلوگیری می کند. روش پیشنهادی بر روی تصاویر حاوی تحریف های رنگی و تاری آزمایش شده است. نتایج آزمایش ها نشان می دهند که این روش جهت کاهش تاری 47%، جهت کنترل نویز 85% و جهت حفظ طبیعی بودن تصاویر 83% موثرتر از دیگر روش های مورد مقایسه عمل کرده است.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 448

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 923 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    17-28
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    498
  • دانلود: 

    329
چکیده: 

هدف از ارزیابی کیفیت تصویر، ارایه مدلی برای اندازه گیری کیفیت تصویر است به گونه ای که مدل یاد شده بیشترین سازگاری با سیستم بینایی انسان را داشته باشد. در این مقاله روشی برای ارزیابی کیفیت تصاویر رنگی با استفاده از ترکیب سه ویژگی اندازه گرادیان، هم فازی و برجستگی های دیداری که ساختار تصویر را به شیوه کارایی نمایش می دهند، ارایه شده است. این سه ویژگی ارتباط بسیار نزدیکی با سیستم بینایی انسان دارند، هر گونه تخریبی بر روی تصویر موجب ایجاد تغییراتی در این سه ویژگی می شود. در روش ارایه شده از اندازه تغییرات این ویژگی ها برای تخمین کیفیت دریافتی توسط سیستم بینایی انسان کمک گرفته شده است. نتایج آزمایش ها بر روی مجموعه داده های موجود نشان می دهد که الگوریتم مطرح شده همبستگی زیادی با معیار انسانی داشته و در مقایسه با روش های موجود نتایج مطلوبی فراهم می کند.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 498

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 329 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    29-45
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    433
  • دانلود: 

    153
چکیده: 

بازشناسی شییء در صحنه های پیچیده ی ازجمله توانایی های شگرف سامانه بینایی انسان است که تاکنون مدل های محاسباتی بینایی در پیاده سازی آن چندان موفق نبوده اند. در این راستا محققان سعی دارند با شناسایی سازوکار مغز و الهام از آن این مدل را بهبود بخشند. یکی از موفق ترین مدل های ارایه شده در بازشناسی شییء شبکه های عصبی کانولوشنی (CNN’ s) هستند. این مدل ها تنها قادر به شبیه سازی مسیر پیش روی بینایی انسان می باشند. با این حال شواهد مطالعات علوم اعصاب نشان می دهند سامانه بینایی انسان سیگنال های بالا به پایین انتظار را در راستای افزایش دقت و سرعت بازشناسی شییء در زمینه های پیچیده به کار می بندد. در این مقاله با بهره مندی از سیگنال های بالا به پایین انتظار، سعی بر شبیه سازی مسیر بازخوردی سیستم بینایی انسان شده است. به این منظور مدل کانولوشنی AlexNet به عنوان مسیر پیش رو سیستم بینایی استفاده شد. برای بازشناسی شییء از مدل آموزش یافته با مجموعه داده ی ImageNet و برای بازشناسی صحنه از مدل آموزش یافته با مجموعه تصاویر صحنه Places استفاده شد. شبکه آموزش دیده بر روی تصاویر صحنه (Place_CNN) برای تولید بردار بازخورد مبتنی بر اطلاعات حاصل از صحنه در نظر گرفته شد. سیگنال های بازخوردی شامل اطلاعاتی از فراوانی تکرار شییء موردنظر در صحنه ی جاری هستند. این سیگنال ها با قاعده ی پس انتشار در قالب سیگنال های بالابه پایین با اطلاعات مسیر پیش رو تلفیق و در شبکه ی تشخیص شییء بازخورد می شوند. به منظور سنجش مدل پیشنهادی آزمایش هایی با استفاده از چند مجموعه داده صورت گرفت. نتایج نشان داد که ترکیب اطلاعات بازخوردی با مسیر پیش رو باعث بهبود معنی دار عملکرد مدل پیشنهادی نسبت به مدل پایه ی AlexNet می شود. استفاده از اطلاعات محتوایی تصاویر باعث بهبود عملکرد بازشناسی شییء می شود به خصوص هنگامی که شییء هدف در شرایط چالشی قرار گرفته است.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 433

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 153 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    47-61
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    500
  • دانلود: 

    528
چکیده: 

در این مقاله روشی قدرتمند و مقاوم به سایه برای تخمین سرعت و ابعاد خودروها بطور تمام خودکار، با استفاده از ویدیوی دوربین نظارتی جاده ارایه شده است. در روش پیشنهادی، در گام اول با بررسی چند قاب ابتدایی و با توجه به حرکت خودروها، مختصات نقاط محوشدگی و فاصله کانونی دوربین بدست می آید. سپس با شناسایی پیش زمینه و حذف سایه از آن، محدوده دقیق هر خودرو تعیین می شود و جعبه سه بعدی محیطی برای هر خودرو تشکیل می گردد. پس از تصویر کردن خودرو بر صفحه فرضی جاده و حذف پرسپکتیو، ضریب متری (تبدیل پیکسل به متر) با توجه به ابعاد واقعی خودروی غالب محاسبه می شود. حذف پرسپکتیو و استفاده از ضریب متری، امکان تخمین سرعت و ابعاد خودروها در هر قاب را فراهم می کند. لیکن برای کاهش خطا با ردیابی هر خودرو این پارامترها در بازه ای که خودرو در معرض دوربین قرار دارد، تجمیع شده و هیستوگرام هایی برای سرعت و ابعاد هر خودرو تشکیل می شود. سپس بیشینه ی این هیستوگرام ها، به عنوان مقادیر سرعت و ابعاد هر خودرو گزارش می شود. مقایسه نتایج روش پیشنهادی با روش های دیگر بیانگر خطای کمتر این روش است. به گونه ای که بیشترین خطا برای مجموعه های تست در تخمین سرعت برابر با km/h 1/17 و در تخمین ابعاد برابر با 2/6% است.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 500

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 528 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    63-75
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    436
  • دانلود: 

    139
چکیده: 

در ردیابی هدف با دوربین ساختار هدف بر دقت ردیابی بسیار تاثیر دارد. در این مقاله روشی جدید برای بهینه سازی محل قرار گرفتن پنج نشانگر بر روی یک هدف قابل رویت برای دوربین ارایه می گردد. تابع هدف پیشنهادی برای جایابی نشانگرها برابر با مجموع فاصله هر نشانگر از کلیه صفحاتی است که از ترکیب سه تایی های بوجود آمده از سایر نشانگرها تشکیل می گردد. برای جلوگیری از متقارن شدن ساختار هدف که برچسب زنی نشانگرها را در تصویر ناممکن می سازد، از یک قید که تضمین می کند اختلاف فاصله بین زوج نشانگرها از یک حداقل بیشتر شود، استفاده می نماییم. برای حداکثر کردن تابع هدف پیشنهادی با قید اشاره شده از الگوریتم ژنتیک استفاده شده است. نتایج تجربی حاصل از جایابی نشانگرها در هدف با استفاده از روش پیشنهادی (با اعمال و بدون اعمال قید) و سایر روش ها ارزیابی گردیدند. این روش ها به لحاظ خطای تخمین وضعیت سه بعدی و سرعت ردیابی در حضور نویز مورد مقایسه قرار گرفتند. این نتایج کارایی روش پیشنهادی برای جایابی نشانگرها را تایید می نماید.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 436

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 139 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
نویسندگان: 

مودتی سمیرا

اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    77-91
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    595
  • دانلود: 

    319
چکیده: 

تعیین نوع تومور مغزی براساس پردازش تصاویر ام آرآی در کنار دانش پزشکی می تواند به تصمیم گیری درستی در مورد وضعیت بیمار منجر شود. در این راستا تشخیص خوش خیم یا بدخیم بودن تومور و انتخاب روش درمانی بر این اساس، به دلیل لزوم بررسی دقیق جزییات بافت تومور و امکان بروز خطا می تواند به یک مبحث چالش برانگیز تبدیل شود. در این صورت پرداختن به این مسیله به کمک تکنیک های پردازش تصویر می تواند اهمیت بسیاری داشته باشد. در این مقاله، تشخیص مناسب نوع تومور به کمک ویژگی های بافتی و آماری تصویر و انتخاب بهترین بردار ویژگی صورت می گیرد. سپس از الگوریتم تحلیل مولفه های اساسی تنک ساختار یافته به منظور کاهش بعد این دسته ویژگی ها استفاده می شود. در ادامه بردارهای ویژگی حاصل به منظور آموزش مدل های جامع بازنمایی کننده ساختار داده مربوط به هر نوع تومور مغزی به کمک الگوریتم فاکتورگیری ماتریس غیرمنفی تنک مورد استفاده قرار می گیرند. دسته بندی داده ها در روش پیشنهادی براساس مقدار نرخ انرژی محاسبه شده برای ضرایب تنک صورت می گیرد. همچنین نتایج این دسته بندی با نتایج حاصل از طبقه بندهای مبتنی بر شبکه عصبی و ماشین بردار پشتیبان مقایسه گردیده است. نتایج شبیه سازی ها نشان می دهدکه روش پیشنهادی مبتنی بر ویژگی های ترکیبی آماری/بافتی قادر به دسته بندی انواع تومور مغزی با دقت بالا خواهد بود.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 595

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 319 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    93-109
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    451
  • دانلود: 

    139
چکیده: 

مدل تنک مبتنی بر معیار شباهت کورآنتروپی، نوعی مدل طبقه بندی یا شناسایی چهره مبتنی بر روش نمایش تنک است که نسبت به نویز و انسداد در داده های آزمون، مقاوم است. در این مدل، ترکیبی خطی از تصاویر آموزشی، به نحوی تعیین می شود که برمبنای معیار کورآنتروپی، بیشترین شباهت را با داده آزمون داشته باشد و نرم1 بردار ضرایب این ترکیب خطی، حداقل باشد. نرم1، مشتق ناپذیر است و لذا، نمی توان برای حل این مدل، از روش های کارآمد مبتنی بر گرادیان استفاده کرد. برای ساده سازی این مدل و حل سریعتر آن با روش های مبتنی بر گرادیان، ضرایب ترکیب خطی، نامنفی در نظر گرفته شده است. قید نامنفی بودن ضرایب ترکیب خطی، قید محدودکننده ای است که در صحت طبقه بندی، تاثیر منفی می گذارد. در این مقاله، برای رفع این مشکل، بجای نرم1 از نرم2 بردار ضرایب ترکیب خطی، استفاده می شود و دو روش سریع برای حل مدل جدید ارایه می گردد. به تعبیر دیگر، مدل پیشنهادی، مدل شناسایی چهره مبتنی بر نمایش مشارکتی است که از مفهوم کورآنتروپی برای مقاوم شدن مدل در برابر نویز و انسداد استفاده کرده است. آزمایش های انجام شده نشان می دهد که مدل پیشنهادی، نرخ صحت طبقه بندی و زمان اجرای بهتری نسبت به مدل نمایش تنک مبتنی بر کورآنتروپی با ضرایب نامنفی دارد.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 451

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 139 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    111-121
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    433
  • دانلود: 

    401
چکیده: 

در این مقاله، یک روش جدید خودیادگیرنده برای افزایش تفکیک پذیری تک تصویر ارایه شده است. در این روش، از تصویر ورودی، دو هرم وضوح پایین و وضوح بالا ساخته می شود. رابطه بین وصله های هرم وضوح پایین و روشنایی متناظر وصله ها در تصویر هم سطح از هرم وضوح بالا توسط رگرسیون بردار پشتیبان یادگیری می شود. برای ایجاد تخمین بهتری از روشنایی وضوح بالا، تصاویر دو هرم را براساس رنگ ناحیه بندی می کنیم و مدل های رگرسیونی را برای هر ناحیه بطور مجزا آموزش می دهیم. از طرفی برای کاهش اثر تاری در لبه های تصویر فراتفکیک شده، مدل های جداگانه ای برای یادگیری روشنایی لبه ها ارایه شده است. ویژگی های بکار رفته در یادگیری رگرسیون بردار پشتیبان، ضرایب تنک وصله ها در بازنمایی تنک و گرادیان وصله ها می باشد. برای هر یک از ویژگی های اشاره شده مدل های رگرسیون مجزایی آموزش داده می شود و خطای این مدل ها نیز به کمک رگرسیون بردار پشتیبان مدل می گردد. در هنگام بازسازی تصویر فراتفکیک شده، هر وصله ی تصویر در بالاترین سطح هرم وضوح پایین به مدل های رگرسیونی داده شده و مدلی که کمترین خطا را در تخمین مقدار روشنایی ایجاد کند مشخص می گردد. روشنایی مرکز هر وصله را مدل برنده شده تعیین می کند. نتایج آزمایشات نشان می دهد که روش پیشنهادی نسبت به سایر روش ها با توجه به معیار PSNR و SSIM تخمین بهتری از تصویر فراتفکیک شده ایجاد می کند. مشاهده بصری نتایج نیز این ادعا را تایید می نماید.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 433

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 401 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    123-133
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    595
  • دانلود: 

    502
چکیده: 

در این مقاله، به موضوع طبقه بندی تصاویر ابرطیفی پرداخته می شود. با استفاده از روش های تجزیه، ماتریس یا تنسور تصویر ابرطیفی به دو ماتریس تجزیه می شود که یکی نمایانگر امضاهای طیفی مواد تشکیل دهنده تصویر می باشد و دیگری میزان فراوانی هر ماده در هر پیکسل را نشان می دهد. از آنجاییکه ذات تصویر ابرطیفی سه بعدی است، روش های تجزیه تنسور نامنفی بسیار بهتر به مساله منطبق هستند چرا که به جای به دنبال هم نشاندن اطلاعات مکانی در یک بردار، اطلاعات مکانی را حفظ می کنند و ساختار همسایگی پیکسل ها در مدل لحاظ می شود. با هدف بهره گیری مشترک از اطلاعات مکانی و طیفی، کل طیف فرکانسی به چندین زیرباند تقسیم می شود و تجزیه روی هر زیر باند به صورت جداگانه صورت می پذیرد و ماتریس های فراوانی زیرباندها به دنبال هم قرار می گیرند و ماتریس ویژگی را می سازند. ماتریس فراوانی حاصل از روش های تجزیه تنسور نسبت به تجزیه ماتریس، به نتایج بهتری منجر می شود. آزمایشها بر روی سه مجموعه داده شناخته شده، مبین بهبود چشمگیر در دقت طبقه بندی حاصل با استفاده از روش پیشنهادی هستند. برای طبقه بندی از شبکه عصبی پیچشی سه بعدی استفاده شده است.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 595

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 502 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    135-151
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    551
  • دانلود: 

    618
چکیده: 

تناظریابی تصاویر با خط مبنای بلند و تغییرات شدید زاویه دید، نقش مهمی در بسیاری از کاربردها در ماشین بینایی و فتوگرامتری نظیر بازسازی سه بعدی و هم مرجع سازی تصویر ایفا می کند. یکی از مشکلات اساسی تناظریابی این نوع از تصاویر وجود تعداد نسبتا زیاد تناظرهای اشتباه است. به منظور حذف اشتباهات عموما سازگاری هندسی تناظرها با استفاده از قیدهای هندسی مختلف نظیر خط اپی پولار و روش های برآورد پایدار نظیر اجماع نمونه تصادفی، RANSAC (Random Sample Consensus)، کنترل می شود. این روش ها در تصاویر با خط مبنای بلند به دلیل درصد بالای تناظرهای اشتباه دچار اشکال می شوند. در این مقاله روشی جدید برای حذف تناظرهای اشتباه در تناظریابی تصاویر با تغییر شدید زاویه دید ارایه شده است. برای این منظور، در ابتدا عوارض اولیه بیضی شکل با استفاده از الگوریتم بهبود یافته نواحی حدی بیشینه پایدار MSER (maximally stable extremal regions) در هر دو تصویر استخراج می شوند. سپس برای هر عارضه، توصیفگر متمایز DAISY محاسبه می شود. در مرحله بعد با مقایسه توصیفگرها در دو تصویر تناظرهای اولیه تعیین می شوند. در ادامه، تناظرهای اولیه با استفاده از یک روش جدید بر مبنای قیدهای هندسی مستخرج از ماتریس شکل عوارض با عنوان حذف اشتباهات تناظریابی بر مبنای ماتریس شکل، MESM (Mismatch elimination based on shape matrix) پالایش شده و بیشتر آنها شناسایی و حذف می شوند. در نهایت اشتباهات کم باقیمانده با بهره گیری از یک قید هندسی حذف می شود. روش پیشنهادی بر روی هشت جفت تصویر بردکوتاه با تغییرات شدید زاویه دید اجرا شده و نتایج بیانگر قابلیت بالای آن در تناظریابی کارآمد تصاویر است.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 551

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 618 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    153-164
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    703
  • دانلود: 

    939
چکیده: 

قطعه بندی معنایی تصویر مبتنی بر شبکه های عصبی عمیق، از رویکردهای مهم محققان بینایی ماشین می باشد. در روش های مبتنی بر شبکه های عصبی عمیق، بطور کلی از یک شبکه پایه که برای کاربرد شناسایی تصویر، آموزش دیده است، بمنظور استخراج ویژگی از تصویر استفاده می شود. از آنجا که ابعاد ویژگی های خروجی از این شبکه های پایه کوچکتر از تصویر ورودی می باشد، لذا با اضافه کردن چندین لایه کانولوشنی به انتهای این شبکه های پایه، ابعاد ویژگی های خروجی از این شبکه ها را به اندازه ابعاد تصویر ورودی می رسانند. استفاده از ویژگی های محلی خروجی از شبکه های پایه، بدون در نظر گرفتن ارتباط کلی بین این ویژگی های محلی، منجر به قطعه بندی ضعیف و ناهموار می شود. بر این اساس، در این تحقیق واحدی با نام "واحد ویژگی های آگاه به محتوا" پیشنهاد می شود. این واحد با کمک ویژگی های محلی خروجی از شبکه های پایه، ویژگی های سطح-تصویر ایجاد می کند. واحد پیشنهادی را می توان در معماری های مختلف قطعه بندی معنایی تصویر قرار داد. در این تحقیق، با اضافه کردن واحد پیشنهادی CAF به معماری های پایه FCN و DeepLab-v3-plus، به ترتیب معماری های FCN-CAF و DeepLab-v3-plus-CAF پیشنهاد شده است. بمنظور آموزش معماری های پیشنهادی از دادگان PASCAL VOC2012 استفاده شده است. نتایج آزمایش ها نشان می دهد که معماری های پیشنهادی نسبت به معماری های پایه مربوطه، به ترتیب 7/2 و 81/1درصد بهبود دقت (mIoU) دارد.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 703

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 939 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1399
  • دوره: 

    7
  • شماره: 

    1
  • صفحات: 

    165-190
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    1104
  • دانلود: 

    361
چکیده: 

الگوریتم تبدیل ویژگی مقیاس ثابت (SIFT)، یکی از الگوریتم های پر کاربرد در زمینه بینایی ماشین است که به صورت گسترده مورد توجه و مطالعه پژوهشگران قرار گرفته و بهبود داده شده است. SIFT یکی از شناساگرهای محلی رایج می باشد که در انطباق تصویر، موزاییک تصویر، جعل کپی و جابجایی کاربرد دارد. در این مقاله مروری، ضمن معرفی الگوریتم SIFT، به کاربردها، مزایا و معایب، اصلاحات، دسته بندی ها و رویکردهای تحقیقات جدید در این الگوریتم پرداخته شده است. علاوه بر این، به کمک چهار آزمایش، جنبه های مختلف الگوریتم مورد ارزیابی قرار گرفته است. این مقاله می تواند راهگشای پژوهشگران پردازش تصویر برای استفاده از الگوریتم SIFT باشد. اهتمام نویسندگان بر این بوده است که همه جنبه های این الگوریتم مورد کاوش قرار گیرد.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 1104

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 361 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0