متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

اکثر روش های کاهش رنگ در تصاویر که مبتنی بر خوشه بندی تصویر در یک فضای رنگی سه بعدی ، هزینه های محاسباتی بسیار بالایی به خصوص برای تصاویر در اندازه های بزرگ دارند. در این مقاله یک روش جدید تطبیقی برای کاهش سریع رنگ ارائه شده است که از نظر محاسباتی مستقل از اندازه تصویر است و عمق پیکسل را از 24 بیت (که برای نشان دادن مقادیر سه گانه رنگ در اغلب مدلهای RGB  سخت افزار محور استفاده می شود) به حداکثر 15 بیت کاهش می دهد. برای دستیابی به این هدف با معرفی یک تابع هزینه ترکیبی جدید و با استفاده نسخه اصلاح شده GSA (که PABH-GSA نامیده می شود)، یک رویکرد بین بندی تطبیقی هیستوگرام ایجاد شده است. هرچند دقت بازرقومی سازی مکعب رنگ در رویکرد بین بندی هیستوگرام در مقایسه با روش خوشه بندی داده های سه بعدی کمتر است، اما کاهش قابل توجهی هزینه محاسباتی را به دنبال دارد. در این مقاله ضمن استفاده از این مزیت به دنبال کاهش خطای بازرقومی سازی با استفاده از بین بندی تطبیقی مولفه های رنگ RGB هستیم. علیرغم کاهش قابل توجه در عمق پیکسل، رویکرد کاهش رنگ پیشنهادی، به دلیل کاهش تطبیقی رنگ تصاویر، منجر به کاهش رنگ مناسب برای طیف گسترده ای از تصاویر می شود.

در بحث ردیابی یکی از ویژگی های قابل توجه برای توصیف هدف، ویژگی رنگ است. به کمک هیستوگرام رنگ می توان مدل مناسبی برای هدف در نظر گرفت و خطای متغیر اندازه گیری را با فاصله باتاچاریا بین هیستوگرام مرجع و هیستوگرام تصویر داوطلب بیان نمود. مکان هدف با تخمین گر قوی فیلترهای ذره ای تعیین شده و تبدیل افاین دوبعدی هدف به عنوان حالت سیستم لحاظ می شود. در نظر گرفتن ویژگی های هندسی حرکت افاین به صورت گروه افاین باعث می شود نگاشت دوبعدی حرکت شیء هدف به مدل سه بعدی واقعی آن نزدیک تر باشد. تقریب تابع نمونه برداری بهینه فیلتر ذره ای از بسط تیلور تابع باتاچاریا حاصل می شود. نتایج آزمایش ها دقت بالا و مقاومت ردیاب پیشنهادی را در برابر حرکت سریع و پیچیده هدف نسبت به الگوریتم فیلتر ذره ای هندسی سطح خاکستری نشان می دهد.

به منظور افزایش دقت بخش بندی تصاویر گل محمدی، چند روش متعادل سازی هیستوگرام برای بهبود کیفیت تصاویر رنگی این گل ها و چند روش آستانه گیری برای بخش بندی گل های مذکور در تصویر، مورد بررسی قرار گرفت. قابل ذکر است که تصویربرداری در فضای باز و ساعات مختلف روز و شرایط متفاوتی از شدت نور انجام گرفت. برای بررسی دقیق تر، یک آزمایش فاکتوریل در قالب یک طرح کاملاً تصادفی با دو عامل روش متعادل سازی هیستوگرام، در 8 سطح و روش آستانه گیری، در 15 سطح به کار گرفته شد. روش های متعادل سازی هیستوگرام عبارت بودند از: CHE, BBHE, BHEPL-D, DQHEPL, DSIHE, RMSHE, RSIHE و تیمار شاهد بدون متعادل سازی هیستوگرام (NHE). همچنین روش های آستانه گیری عبارت بودند از: Huang, Intermodes, Isodata, Li, maximum entropy, mean, minimum, moments, Otsu, percentile, Renyi’ s entropy, Shanbhag, Yen, constant و global basic thresholding method. تاثیر این دو عامل بر خصوصیات تصویر بخش بندی شده از قبیل: درصد سطوحی که به اشتباه بخش بندی شده اند (PISA)، درصد هم پوشانی سطوح (POA)، درصد سطوحی که تشخیص داده نشده اند (PUA) و درصد سطوح تشخیص داده شده گل ها (PDF) مورد بررسی قرار گرفت. نتیجه روش های متعادل سازی هیستوگرام نشان داد که DQHEPL و NHE پایین ترین میزان PUA (به ترتیب 13/11% و 32/8%)، بالاترین POA (به ترتیب 35/89% و 07/92%) و بالاترین PDF (به ترتیب 88/61% و 94/64%) را از لحاظ آماری دارا می باشند. روش های آستانه گیری تاثیر معنی داری بر PISA, PUA, POA و PDF داشتند. بزرگ ترین مقادیر PDF به روش آستانه گیری constant، minimum و Intremodes (به ترتیب 07/75%، 08/73% و 30/74%)، همچنین کمترین مقدار PISA مربوط به این موارد بود (به ترتیب 35/0%، 29/1% و 35/0%) و PUA (به ترتیب 72/33%، 09/23% و 56/15%). این روش ها بزرگ ترین مقدار POA را نشان دادند (به ترتیب 73/80%، 70/76% و 67/84%). لذا روش های مناسبی برای بخش بندی گل محمدی در تصویر رنگی محسوب می گردند. متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

1احساسات درونی افراد مانند خوشحالی، ترس، ناراحتی، اضطراب و ... پس از کنترل و سرکوب شدن نیز به مدت کوتاه در چهره پدیدار می­شوند. این حالت چهره­ی کنترل ناپذیر، حالت­ آنی است و می­تواند حُقّه و نیرنگ را نشان دهد. بنابراین، شناسایی آن در مراکز روان درمانی، قضایی و انتظامی بسیار کاربردی است. بااین­حال، لازم است حرکات سریع و ضعیف ماهیچه­های صورت به­دقت شناسایی شوند. به­همین منظور، ما در این مقاله علاوه بر بزرگنمایی حرکت، شش صفحه در امتداد بُعد زمان درنظر گرفتیم تا تغییرات را به­خوبی شناسایی کنیم. همچنین، روش­های الگوی دودویی محلی یکنواخت در فضای رنگی از شش صفحه متقاطع و هیستوگرام جهت­گیری گرادیان روی شش صفحه متقاطع را پیشنهاد کردیم که نتایج مطلوبی در شناسایی حالت آنی تولید کردند. از آنجائیکه این روش­ها در شرایط تغییرات نور و روشنایی بهتر عمل می­کنند، می­توانند در محیط کنترل نشده و واقعی مورد استفاده قرار گیرند. طبق نتایج آزمایش­ها، بهترین دقت شناسایی حالت آنی با روش پیشنهادی روی سه پایگاه داده CASME I، CASME II و SMIC-NIR به ترتیب 12/74، 19/86 و 23/66 درصد است که نسبت به روش­های مقالات پیشین بهبود یافته است.