فروش پروژه توصیفگرهای ریخت شناسانه تصاویر رنگی برای بازیابی تصاویر محتوا محور با نرم افزار MATLAB
كد: 2471
عنوان پروژه: فروش پروژه توصیفگرهای ریخت شناسانه تصاویر رنگی برای بازیابی تصاویر محتوا محور با نرم افزار MATLAB
قالب بندی: m
دسته: کامپیوتر – MATLAB
قیمت: 45.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه توصیفگرهای ریخت شناسانه تصاویر رنگی برای بازیابی تصاویر محتوا محور با نرم افزار MATLAB
هدف اصلی بازیابی تصویر مانند بهسازی (Enhancement)، بهبود یک تصویر از جهتی از پیش تعریف شده است. هر چند در بعضی مواقع دو مفهوم بازیابی و بهسازی با هم همپوشانی دارند، بهسازی امری ذهنی و بازیابی امری عینی است. بازیابی تصویر جهت بهبود آن و با دانستن علت افت کیفیت تصویر می باشد. بنابراین روش های بازیابی تصویر همگی بر پایه مدلسازی افت تصویر و اعمال فرآیند معکوس جهت رسیدن به تصویر اصلی یا اولیه (ورودی) می باشد. این پروژه به پردازش تصویر رنگی ای می پردازد بازیابی قرار است شود. دقت شود بازیابی تصاویر رنگی و در مجموع پردازش تصاویر رنگی به دو دسته تقسیم می گردند: پردازش شبه رنگ (Pseudo Color) و پردازش تمام رنگ (Full-Color) که این جا پردازش تمام رنگ مورد نظر می باشد.
لازم است که ابتدا با توصیفگر ریخت شناسانه آَشنا شوید. تجزیه یک مرز به چند ناحیه در اکثر پردازش های ریخت شناسانه جهت بازنمایی مفید است. تجزیه کردن مرز پیچیدگی آن ها را کاهش داده و فرآیند توصیف را ساده تر می کند. این روش زمانی بیشتر استفاده می شود که مرز، یک یا چند تقعر مهم داشته باشد که حامل اطلاعات شکل هستند. در این حالت استفاده از پوسته محدب ناحیه احاطه شده توسط مرز، ابزاری مناسب جهت تجزیه مرز است. همینطور، یک روش مهم نمایش شکل ساختاری یک ناحیه مسطح از تصویر، تبدیل آن به یک گراف است. این کار را می توان با به دست اوردن چارچوب ناحیه از طریق الگوریتم هایی که برای این کار وجود دارند، انجام داد مانند روش باریک سازی (Narrowing). چارچوب های یک ناحیه را می توان از طریق تبدیل محور میانی (MAT) تعریف نمود. چند توصیفگر ساده که می توان از آن ها نام برد شامل توصیفگر طول یک مرز، توصیفگر فوریه، توصیفگر منطقه ای، توصیفگر توپولوژیک، توصیفگر رابطه ای، و توصیفگر ریخت شناسانه است.
در این پروژه به رویکرد توصیفگر ریخت شناسانه با سه رویکرد پرداخته شده است که شامل 1) استفاده از گرانولومتری به صورت مستقل که به منظور محاسبه هر رنگ زیر کوانتایز و کوانتایز شده، 2) استفاده از اصل نمودار هیستوگرام چند رزولوشنه برای توصیف رنگ، 3) استفاده از سطح بندی و واترشد.
ریخت شناسی رنگ بر روی بازه شدت روشنایی تصویر کاربرد دارد. به همین منظودر به دست آوردن ویژگی های ساختاری یک پیکسل رنگی در پردازش ریخت شناسی رنگ، امری مهم تلقی می گردد. به منظور در نظر گرفتن سطح رنگی، بر پایه مفاهیم رنگ، اشباع و روشنایی، از نوع قطبی آن در حالت رنگی مانند RGB استفاده شده است مثل HSV، HSI، HLS و غیره. دراین پروژه از فضای HLS که در بعضی مقالات با نام LSH نیز نام برده می شود در فضای رنگی RGB استفاده شده است. استخراج توصیف از محتوای رنگ، مانند عملیات دیگر همچون استخراج بافت و ویژگی از تصاویر رنگی، امری سخت می باشد. در مراجع مقاله حال حاضر، از شماره 20 الی 25، روش های مختلف برای استخراج توصیف از محتوای رنگ با روش های گوناگون عرضه شده است که جهت اطلاع و درک بهتر این بخش، توصیه می گردد آن ها را مطالعه بفرمایید. یکی از مهمترین رویکردها که اساس و پایه این پروژه را نیز تشکیل می دهد ناشی از تغییرات رنگ با توجه به شرایط مختلف نور در توزیع رنگی روی تصویر به منظور استخراج توصیف از رنگ می باشد که این رویکرد شامل سه بخش مهم یعنی پیش پردازش (ساده سازی تصویر)، پردازش میانی (استخراج ویژگی ها)، و پس پردازش (اصلاح توصیفگرها) می باشد. در پرتور اصول توضیحات فوق سه روش جامع برای توصیف رنگ بر پایه عملگرهای ریخت شناسانه مورد استفاده واقع شده است که شامل CSG یا Color Specific Granulometries به معنی گرانولومتری ویژه رنگ ، MHL یا Multi-resolution Histogram in the Leveling-Scale-Space به معنی هیستوگرام چند رزولوشنه در سطح مقیاس فضایی و MHW یا Multi-resolution Histogram based on Watershed به معنی هیستوگرام چند رزولوشنه بر پایه واترشد، می باشد.
دقت شود رویکرد مقاله به بازیابی تصاویر رنگی است اما استاندارد MPEG-7 را نیز معرفی کرده است که ما کاری با این مورد نداریم.
بازیابی محتوا محور تصویر (CBIR) یا Content-Based Image Retrieval که با نام های جستجو بر اساس محتوای تصویر (QBIC) و بازیابی محتوا محور داده های دیداری (CBVIR) نیز شناخته می شود کاربرد بینایی ماشین در مساله بازیابی تصویر است، یعنی مساله جستجو برای تصویر دیجیتال در پایگاه داده بزرگ. محتوا محور یعنی جستجو به جای استفاده از فوق داده وارد شده توسط انسان، مانند عنوان و کلیدواژگان، از محتوای خود تصاویر استفاده می کند. یک سامانه بازیابی محتوا محور تصاویر (CBIRS) نرم‌افزاری است که بازیابی محتوا محور تصاویر را پیاده سازی می‌کند.
به دلیل محدودیت های ذاتی سامانه های فوق داده محور علاقه به CBIR رو به رشد است. اطلاعات متنی درباره تصاویر به آسانی به کمک فناوری موجود قابل جستجو، اما نیازمند انسان هایی است که شخصا تمام تصاویر پایگاه داده را توصیف کنند. این کار برای پایگاه داده های خیلی بزرگ، یا تصاویری که به صورت خودکار ایجاد می شوند، مانند تصاویر دوربین نظارتی، غیر عملی است. همچنین ممکن است تصاویری که از کلمات هم معنی در توصیفشان استفاده شده است پیدا نشوند. سامانه های مبتنی بر طبقه بندی تصاویر در گروه های معنایی مانند گربه به عنوان زیرطبقه حیوان این اشکال را ندارند گرچه از همان مشکلات مقیاسی رنج می برند.
سامانه ایده آل CBIR از دیدگاه کاربر دربرگیرنده چیزی است که به آن بازیابی معنایی می گویند. بنابراین سامانه های CBIR کنونی از ویژگی های سطح پایین تر همچون بافت، رنگ و شکل استفاده می کنند، با این وجود برخی از سامانه ها از ویژگی های سطح بالاتر بسیار عمومی مانند صورت ها سود می برند . همه سامانه های CBIR عام نیستند. برخی برای زمینه خاصی طراحی شده اند، به عنوان مثال تطبیق شکل می تواند برای یافتن قطعات در یک پایگاه داده کد-کم به کار رود. پیاده‌سازی های مختلف CBIR از انواع مختلف جستجوهای کاربر استفاده می کنند. سامانه های CBIR همچنین می توانند از پسخورد مرتبط بودن استفاده کنند، که در آن کاربر به صورت پیش رونده نتایج جستجو را با علامت گذاری نتایج جستجوی قبلی به عنوان مرتبط، نامرتبط یا خنثی بهبود می بخشد و جستجو را با اطلاعات جدید تکرار می کند.
رویکرد کلی در بخش بازیابی تصویر رنگی بدین صورت است که ابتدا تصویر RGB به تصویر HSV تبدیل می شود که دو مولفه H یا رنگ و S یا اشباع، وابسته به اطلاعات رنگی و مولفه V شامل اطلاعات بی رنگ بودن ناحیه در تصویر است. روش اتوکورلوگرام که پیشتر توضیح داده شد چه مواردی را شامل می شود، به محاسبه مولفه های H و S می پردازد.
عكس خروجی برنامه
عکس 1
عکس 2
عکس 3
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
