انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
همبخشبندی با استفاده از روش تجزیه ماتریس ساختیافته دو مرحلهای
1
11
FA
محمدجواد
فدایی اسلام
0000-0002-8560-6444
دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان
fadaei@semnan.ac.ir
در این مقاله روشی دو مرحلهای برای همبخشبندی مبتنی بر تجزیه تصویر به ماتریس مرتبه کم و پراکنده ابداع شده است. در مرحله اول که مشابه روش SMD است ابرپیکسلهای نقشهبرجسته به عنوان ماتریس پراکنده در نظر گرفته میشوند و اجزای زمینه به عنوان ماتریس با رتبه کم. در این حالت ابرپیکسلهایی که با اطمینان بالا، زمینه خوشهبندی شدهاند حذف میشوند. در مرحله بعد تمام ابرپیکسلهای باقی مانده از تمام تصاویر باهم در نظر گرفته میشوند. پس از وزن دهی جدید به ساختار درخت و ادغام اطلاعات، روش SMD دوباره بر روی دادههای جدید اعمال میشود. در این مرحله به علت کثرت ابرپیکسلهای باقی مانده از قسمت نقشهبرجسته تصاویر، اِعمال روش تجریه ماتریسی باعث قرار گرفتن ابرپیکسلهای نقشهبرجسته در ماتریس با مرتبه کم خواهد شد. به عبارتی در روش پیشنهادی با وزن دهی مناسب به نمایش درختی ابرپیکسلها، اطلاعات همسایگی و مشابهت درون یک تصویر و بین تصاویر در روش تجزیه ماتریسی نهادینه شد، تا از طریق آن نتایج همبخشبندی بهبود یابد. نتایج به دست آمده از به کارگیری روش پیشنهادی بر روی پایگاه تصاویر مرتبط با این حوزه، حاکی از توانمندی این روش هستند.
همبخشبندی,شناسایی نقشهبرجستگی,تجزیه ماتریس,درخت همسایگی
https://jmvip.sinaweb.net/article_106108.html
https://jmvip.sinaweb.net/article_106108_4311f32fd15b7f32f116664bbc3ce302.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
تشخیص خرابی در قطعات فلزی از طریق تصاویر C-scan حاصل از حسگر AMR با استفاده از روش مبتنی بر یادگیری عمیق
13
24
FA
سعید
رمضانی
دانشجوی کارشناسی ارشد مهندسی برق الکترونیک، دانشکده فنی، دانشگاه گیلان، رشت
saeed.ramezani1993@gmail.com
رضا
حسن زاده
0000-0002-6431-758X
دانشکده فنی، گروه مهندسی برق، دانشگاه گیلان
hasanzadehpak@guilan.ac.ir
امروزه روشهای ارزیابی غیرمخرب (NDE)برای تشخیص خرابی در قطعات صنعتی از سه مرحله تشخیص، مکان یابی و تعیین مشخصات خرابی تشکیل می گردند. اما علیرغم اینکه تکنیک های مبتنی بر NDE موجود در صنعت دارای نتایج نسبتاً قابل قبول در آشکارسازی وجود خرابی و تعیین محل آن هستند، اما تشخیص دقیق شکل، ابعاد و عمق خرابی هنوز به عنوان یک چالش باقی مانده است. در این مقاله روشی برای تخمین قابل اعتماد از مشخصات خرابی در قطعات فلزی با استفاده از سیستم اندازه گیری برپایه آزمون جریان گردابی (ECT) و سیستم پس پردازش مبتنی بر تکنیک یادگیری عمیق ارائه شده است. به این صورت که از یک روش یادگیری عمیق به منظور تعیین مشخصات خرابی موجود در یک قطعه فلزی، از طریق تصاویر C-scan حاصل از میدان مغناطیسی سطح قطعه که بوسیله یک حسگر مغناطومقاومت ناهمسانگر (AMR)اخذ شده اند، استفاده شد. در این خصوص، پس از مراحل طراحی و تنظیم شبکه عصبی پیچشی عمیق (DCNN) و اعمال آن به تصاویر C-scan اخذ شده از سیستم اندازهگیری، روش یادگیری عمیق ارائه شده با روش های شبکه های عصبی مصنوعی (ANNs) متداول مانند پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF) بر روی تعدادی از نمونه های فلزی با خرابی مختلف مشخص مقایسه گردید. نتایج نشان دهنده برتری روش پیشنهادی برای تخمین مشخصات خرابی در مقایسه با سایر روش های آموزش محور کلاسیک می باشد.
اندازهگیری میدان مغناطیسی,شبکه عصبی عمیق,مغناطومقاومت ناهمسانگر,یادگیری عمیق,یادگیری ماشین
https://jmvip.sinaweb.net/article_107551.html
https://jmvip.sinaweb.net/article_107551_4528acb4f1cbe9d659e513aae1d86561.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
شناسایی شماره پلاک خودرو بر اساس یادگیری عمیق با نظارت ضعیف
25
34
FA
محمدرضا
محمدی
0000-0002-1016-9243
گروه هوش مصنوعی و رباتیک، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران
mrmohammadi.iust@gmail.com
یادگیری عمیق در صورت استفاده از مجموعه داده آموزشی متناسب میتواند دقت قابل توجهی را نتیجه دهد. با این وجود، آمادهسازی مجموعه داده بزرگ با حاشیهنویسی دقیق فرآیندی پرهزینه است. به همین دلیل، الگوریتمهای یادگیری با نظارت ضعیف در سالهای اخیر مورد توجه بسیاری از پژوهشگران قرار گرفتهاند. در رویکرد یادگیری با نظارت ضعیف، مجموعه داده بزرگ اما با حاشیهنویسی ساده جمعآوری میشود تا هم نیازمندی شبکههای عمیق به دادههای زیاد برآورده شود و هم هزینه حاشیهنویسی زیاد نباشد. در این مقاله، یک الگوریتم یادگیری با نظارت ضعیف برای شناسایی شماره پلاک خودرو با استفاده از شبکههای همگشتی عمیق پیشنهاد میشود. در فاز آموزش، تنها کاراکترهایی که در تصاویر پلاک وجود دارند مشخص میشود و الگوریتم پیشنهادی قادر است علاوه بر شناسایی وجود هر کاراکتر، مختصات آنها را نیز آشکارسازی نماید. بنابراین، در فاز آزمون شماره پلاک به صورت کامل قابل شناسایی است. به منظور ارزیابی عملکرد الگوریتم پیشنهادی، یک پایگاه داده شامل 1397 تصویر پلاک ایرانی جمعآوری شده است. نتایج آزمایشها نشان میدهد 95.6% از پلاکها و 99.1% از کاراکترها به درستی شناسایی شدهاند.
شماره پلاک خودرو,یادگیری عمیق,شبکههای همگشتی عمیق,یادگیری با نظارت ضعیف
https://jmvip.sinaweb.net/article_107857.html
https://jmvip.sinaweb.net/article_107857_b5d0f166cd1ca6ea9695ee20e4c7495a.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
بهبود کنتراست تصاویر ماموگرام با حفظ شکل ضایعه مبتنی بر تنظیم وفقی ضرایب فیلتر چندجمله ای غیرخطی
35
44
FA
ویدا
حسن زاده
دانشجوی کارشناسی ارشد مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل
hasanzade.vs@gmail.com
مهدی
ازوجی
دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل
m.ezoji@nit.ac.ir
در این مقاله، روشی برای بهبود کنتراست در تصاویر ماموگرام مبتنی بر طراحی وفقی فیلتر چندجمله ای غیرخطی ارائه شده است. اگر چه روش های پایه بهبود کنتراست مانند متعادلسازی هیستوگرام و ویرایش های گوناگون آن در برابر تصاویر طبیعی کارایی خوبی دارند، ولی در بهبود تصاویر ماموگرام که کنتراست پایینی دارند، دچار چالش می شوند. زیرا تاکید بر افزایش کنتراست در تصاویر پزشکی مانند ماموگرام ها، میتواند به بروز اشباع شدگی در نواحی روشن ضایعه و تضعیف الگوی مرزی آن گردد. در این مقاله، طراحی فیلتر غیر خطی به گونه ای انجام شده تا ضمن بهبود کنتراست این تصاویر، از بروز چنین تغییراتی که میتواند تشخیص را تحت تاثیر قرار دهد، جلوگیری شود. در این مقاله، برخلاف روش های دیگر، ضرایب فیلتر غیرخطی به صورت وفقی متناظر با هر تصویر ورودی و طی تعاملی با الگوریتم مطرح بهبود کنتراست یعنی CLAHE تنظیم میشود. ارزیابی کمی و کیفی این روش در آزمایش های گوناگون بر روی تصاویر متعدد از مجموعه دادگان MIAS، نشان میدهد که روش پیشنهادی در این مقاله، از کارایی قابل قبولی برخوردار است.
ماموگرام,بهبود کنتراست,فیلترهای چندجملهای,فیلتر غیرخطی,تنظیم وفقی
https://jmvip.sinaweb.net/article_108310.html
https://jmvip.sinaweb.net/article_108310_b1008cf71a8f3c4eb0509fe6684015ea.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
روشی جدید برای ناحیه بندی تصاویر ماموگرافی دیجیتال و طبقه بندی تومورهای خوشخیم و بدخیم در سینه
45
55
FA
حمزه
حسن نیا
دانش آموخته مهندسی مخابرات از دانشکده برق و کامپیوتر دانشگاه ارومیه
st_h.hassannia@urmia.ac.ir
مهدی
چهل امیرانی
دانشکده مهندسی برق و کامپیوتر دانشگاه ارومیه
m.amirani@urmia.ac.ir
مرتضی
ولی زاده
دانشکده مهندسی برق و کامپیوتر دانشگاه ارومیه
mo.valizadeh@urmia.ac.ir
ماموگرافی رایجترین و ﻣﺆثرترین روش غربالگری برای تشخیص سرطان پستان است. در این تحقیق، یک سیستم کمکی برای طبقهبندی تومورهای خوش خیم و بدخیم در تصاویر ماموگرافی دیجیتال ارائه شده است. در این روش ابتدا فیلتر میانه برای حذف نویز استفاده شده و سپس مصنوعات و ماهیچه ی پکتورال در صورت وجود حذف میشوند. برای ناحیه بندی ماموگرام و استخراج ناحیههای موردنظر ابتدا یک الگوریتم جدید برای افزایش تباین نواحی مشکوک ارائه شده است که از تفاضل بهبود یافته تصویر اصلی و مکمل آن بهره میبرد، سپس الگوریتم خوشهبندی C میانگین فازی بر مبنای هیستوگرام به تصویر اعمال شده و ناحیههای موردنظر با دقتی مناسب استخـراج میشوند. در مـرحله ی بعد ویـژگیهای بافت و هندسی استخـراج میشوند و در نهایت طبقه بندهای ماشین بـردار پشتیبان خطی و درخت تصمیم بـرای دسته بندی ناحیـه های موردنظر به دو کلاس خوش خیـم و بدخیـم، استفاده میشوند. سیستم پیشنهادی بر روی تصاویر پایگاههای دادهی MIAS و DDSM آزمایش شده است. نتایج به دست آمده نشانگر این است که دقت سیستم پیشنهادی در مقایسه با تحقیقات پیشین امیدوار کننده است.
سرطان سینه,ماموگرافی,افزایش تباین,ناحیهبندی,استخراج ویژگی
https://jmvip.sinaweb.net/article_108346.html
https://jmvip.sinaweb.net/article_108346_b70ccdba7f25fe530891e83677fb20b7.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
یک معماری شبکه عصبی عمیق مشترک با ویژگیهای صریح برای بازشناسی امضاء
57
69
FA
مهدی
جم پور
دانشگاه صنعتی قوچان
jampour@qiet.ac.ir
ملیحه
جاویدی
دانشگاه صنعتی قوچان
m.javidi@qiet.um.ac.ir
در این مقاله، یک مدل معماری مشترک برای بهره مندی از ویژگیهای استخراج شده توسط شبکه عصبی عمیق و ویژگیهای صریح استخراج شده به روش کلاسیک برای مساله بازشناسی امضاء ارائه شده است. معماری پیشنهادی، شکل توسعه یافته مدل رِزنت 18 لایه میباشد که طی آن یک مدل معماری دو مسیره تعریف شده است که در یک مسیر ویژگیهای استخراج شده توسط شبکه عصبی عمیق رزنت و در مسیر دوم ویژگیهای سراسری به روش کلاسیک با یکدیگر ترکیب میشوند. همچنین برای استخراج ویژگیها به روش کلاسیک، یک ایده ابتکاری سراسری ارائه شده است که در آن، توصیفگر، نسبت به برخی تغییرات متداول در نمونههای امضاء مانند دوران و بزرگنمایی پایدار است. ارزیابیهای متنوعی بر روی روش ارائه شده انجام شده است بطوریکه از سه پایگاه داده مشهور تصاویر امضاء CEDAR, UTsig و GPDS برای تحلیل روش پیشنهادی و مقایسه با روشهای مشابه استفاده شده است. نتایج ارزیابیها، حاکی از بهبود دقت بازشناسی امضاء بهوسیله معماری مدل مشترک ارائه شده نسبت به مدل پایه میباشد همچنین مقایسه روش پیشنهادی با بهترین نتایج موجود نشان میدهد در اغلب موارد دقت روش پیشنهادی، بهتر از بهترین نتایج منتشر شده است.
معماری یادگیری عمیق دو مسیره,ترکیب ویژگیها,شبکه عصبی عمیق رِزنت,ویژگیهای کلاسیک,معماری مشترک
https://jmvip.sinaweb.net/article_108368.html
https://jmvip.sinaweb.net/article_108368_981223c81a6572399fa06378711faae0.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
مروری جامع بر پردازش تصاویر آندوسکوپی: روشها، کاربردهای کلینیکی، مزایا و معایب
71
91
FA
عباس
بی نیاز
دانشجوی دکتری مهندسی برق، دانشگاه تهران
abbas.biniaz@ut.ac.ir
رضا
آقایی زاده ظروفی
دانشکده مهندسی کامپیوتر و برق، دانشگاه تهران
zoroofi@ut.ac.ir
آندوسکوپی روشی است که با کمترین مداخلهی تهاجمی رویت بخشهای درونی بدن بیمار را برای پزشک تسهیل میکند. در سالهای اخیر پژوهشهای بسیاری در زمینهی پردازش و مطالعهی سیگنالهای اکتسابی از دوربین آندوسکوپی و جراحی متمرکز شدهاند. در پژوهش حاضر مروری جامع بر انواع تکنیکهای پردازش تصاویر آندوسکوپی انجام خواهد شد و یک دستهبندی کلی از این روشها ارایه میشود. به این منظور از پژوهشهای موجود در پایگاههای اطلاعاتی از قبیل IEEE، Science Direct، Pub Med، SPIE ، Springer و Medical Physics استفاده شده است. در بخش ابتدایی این پژوهش، به منظور ایجاد نگرشی از مطالعات انجام شده، مقدمهای بر آندوسکوپی و انواع روشهای آندوسکوپی در پردازش تصاویر پزشکی نیز ارایه میشود؛ با توجه به تحقیقات و بررسیهای انجام شده در این پژوهش، چشم اندازهای موجود در پردازش تصاویر آندوسکوپی را به چهار رویکرد کلی تقسیم میکنیم: روشهای مبتنی بر ارتقا کیفیت تصویر، روشهای مبتنی بر پردازش بلادرنگ، روشهای مبتنی بر ارزیابی کیفیت و روشهای مبتنی بر مدیریت تصاویر؛ این دستهبندی یک دستهبندی نهایی نیست و هر کدام از این گروهها، دارای زیرشاخههایی هستند که ممکن است در مواردی بین آنها همپوشانی نیز وجود داشته باشد.
پردازش تصاویر و ویدیوهای آندوسکوپی,رویکردهای با کمترین مداخلهی تهاجمی,انواع روشهای تصویربرداری حوزهی آندوسکوپی,کاربردهای کلینیکی آندوسکوپی
https://jmvip.sinaweb.net/article_109717.html
https://jmvip.sinaweb.net/article_109717_25cb08f4925ca91c00e71308878a8cbe.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
روشی نوین به منظور کاهش نویز لکهای تصاویر رادارهای دهانه ترکیبی در حوزه موجک
93
104
FA
مریم
امیرمزلقانی
دانشکده مهندسی کامپیوتر دانشگاه صنعتی امیرکبیر
mazlaghani@aut.ac.ir
علیرضا
سلیمی
دانشجوی کارشناسی ارشد دانشکده مهندسی کامپیوتر و فن آوری اطلاعات، دانشگاه صنعتی امیرکبیر
ar.salimi@aut.ac.ir
تصاویر رادارهای دهانه ترکیبی SAR (Synthetic Aperture Radar) کاربردهای فراوانی در زمینه های گوناگون دارند. اما وجود نویز ضرب شونده ای به نام نویز لکه ای پردازش این تصاویر را با مشکل مواجه می کنند. لذا کاهش نویز لکه ای از گام های ضروری پردازش تصاویر SARاست. در این مقاله، روش بیزین نوینی به منظور کاهش نویز لکه ای تصاویر SARدر حوزه موجک ارائه می شود که بر مبنای استفاده از مدلسازی توام است.<br />در روش پیشنهادی، ابتدا تبدیل لگاریتم و سپس تبدیل موجک به تصاویر SAR اعمال می گردد. سپس مدلسازی ضرایب موجک با استفاده از توزیع گوسی معکوس نرمال NIG (Normal Inverse Gaussian) توامان انجام می شود. با توجه به اهمیت دقت مدلسازی آماری و وجود وابستگی میان ضرایب موجک، در مدل آماری ارائه شده وابستگی های ضرایب موجک درون یک زیر باند در نظر گرفته شده و توزیع چند متغیره ضرایب موجک استفاده می شود. سپس به منظور حذف نویز تصاویر SAR، تخمینگر بیزین کمترین خطای مربعات MMSE (Minimum Mean Square Error) بر مبنای استفاده از مدل پیشنهادی طراحی می گردد. نتایج آزمایشات روی تصاویر شبیه سازی شده و تصاویر SAR واقعی حاکی از کارایی بالای روش پیشنهادی است.
تصاویر رادارهای دهانه ترکیبی,تخمین کمترین مربعات,مدلسازی آماری توام,تبدیل موجک,نویز لکه ای
https://jmvip.sinaweb.net/article_110926.html
https://jmvip.sinaweb.net/article_110926_0f6f3d169c7e8006c2fba76738271488.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
ترکیب شبکه عصبی موبایلنت با الگوهای دودویی محلی برای تولید گزارش رادیولوژی تصاویر سیتیاسکن کبد
105
117
FA
سمیرا
لویمی
دانشجوی دکتری مهندسی کامپیوتر، دانشگاه بوعلی سینا، همدان، ایران
samira.loveymi@gmail.com
میرحسین
دزفولیان
گروه مهندسی کامپیوتر، دانشگاه بوعلی سینا، همدان، ایران
dezfoulian@basu.ac.ir
محرم
منصوری زاده
0000-0002-7131-1047
گروه مهندسی کامپیوتر، دانشگاه بوعلی سینا همدان، ایران
muharram@gmail.com
در دنیای امروز پزشکی توسعه روزافزون ابزار تولید تصاویر رادیولوژی پزشکی در مراکز درمانی، ایجاد سیستم های سبک، قابلحمل و دقیق جهت تحلیل و آنالیز تصاویر و استخراج اطلاعات تخصصی از این تصاویر را ضروری ساخته است. در بسیاری موارد تصاویر پزشکی فاقد برچسب یا حاشیه نویسی با اطلاعات تخصصی و کلینیکال هستند. ازاینرو طراحی سیستم هایی برای تولید اطلاعات تخصصی در مورد محتوای تصاویر یکی از چالش های مطرح است. در این پژوهش سیستم تولید گزارش رادیولوژی ساخت یافته مبتنی بر روش های حاشیه نویسی ارائهشده است. ازجمله چالش های اساسی در این زمینه استخراج ویژگیها و توصیفگرهای مناسب از تصاویر به منظور مدلسازی مفاهیم و محتوای تصاویر است. بدین منظور با توجه به کارآمدی فرایند یادگیری عمیق و قابلیت آن در استخراج ویژگی متناسب با هدف، در این مقاله از شبکه های عمیق موبایل نت به دلیل سبک و دقیق بودن، استفاده شده است. همچنین با توجه به کم بودن داده های آموزشی در حوزه های تخصصی پزشکی علاوه بر بهره گیری از روش های کاهش بیش برازش در شبکه موبایل نت، روش ترکیبی مبتنی بر توصیفگرهای عمیق و الگوی دودویی محلی ارائه شده است. نتایج بیانگر موثر بودن روش پیشنهادی هیبریدی در بهبود دقت سیستم بوده و دقت نهایی سیستم 91.4% است.
یادگیری عمیق,موبایل نت,الگوی دودویی محلی,حاشیه نویسی تصاویر,گزارش رادیولوژی,تصاویر سی تی
https://jmvip.sinaweb.net/article_111188.html
https://jmvip.sinaweb.net/article_111188_b4ec8a366be253dfe67a3b63889ac240.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
بررسی روش های قطعه بندی لایه های قرنیه در تصاویر توموگرافی انسجام نوری (OCT) و تعیین ضخامت لایه ها
119
136
FA
سمانه
ایلانی
دانشجوی کارشناسی ارشد برق - مخابرات دانشگاه بین المللی امام رضا (ع)، مشهد، ایران
samaneilani@yahoo.com
نرگس
طباطبائی مشهدی
گروه مهندسی برق، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران
tabatabaey@imamreza.ac.ir
قاسم
صادقی بجستانی
گروه مهندسی پزشکی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران
g.sadeghi@imamreza.ac.ir
بهزاد
برازنده
بیمارستان رضوی، مشهد، ایران
barazandehbehzad@yahoo.com
اندازه گیری و ارزیابی ضخامت لایه های مختلف قرنیه برای تشخیص و درمان بیماری های قرنیه بسیار مهم و ضروری است. توموگرافی انسجام نوری (OCT) میتواند بصورت غیرتهاجمی و غیرتماسی از قرنیه چشم تصاویر مقطعی در مقیاس میکرون تولید کند. از آنجایی که ناحیه بندی دستی این تصاویر برای تعیین لایه های قرنیه، وقتگیر است، قطعهبندی خودکار و حتی نیمه خودکارِ تصاویر، مطلوبِ پزشکان است. در این مقاله به بررسی روش های مهم قطعه بندی لایه های مختلف قرنیه در تصاویر OCT پرداخته شده است. این روش ها در سه بخش پیش پردازش، قطعه بندی و تولید نقشه ضخامت، مقایسه و تشریح شدند. هدف پیش پردازش ها حذف نویز و آرتیفکت در این نوع تصاویر بود. بررسی ها نشان داد روش های مبتنی بر تبدیل هاف، که با ساختار قوسی قرنیه هماهنگ است، در مقایسه با روش های مبتنی بر گراف و آستانه، قادر است با سرعت پردازش مناسبی مرزهای دقیق را استخراج کند. با این وجود، رویکرد جدید هوش مصنوعی و یادگیری عمیق در قطعهبندی، افقهای تازهای را در تحلیل این نوع تصاویر باز کرده است. هدف پژوهش ها ارائه بهینه اطلاعات تصاویر برای کمک به چشمپزشکان در تشخیص بهتر و درمان آسیب های قرنیه است؛ بنابراین میتوان گفت تولید نقشه ضخامت لایه ها، که نیازمند پردازشِ خودکارِ مجموعه ای از تصاویر ِسطح مقطع است، خروجی مهمی است که در پژوهش های کمتری به آن پرداخته شده است.
توموگرافی انسجام نوری (OCT),قطعهبندی تصاویر OCT قرنیه,تشخیص لایه های قرنیه,تعیین مرز لایه های قرنیه,پردازش تصاویر قرنیه چشم,نقشه ضخامت لایه های قرنیه
https://jmvip.sinaweb.net/article_111596.html
https://jmvip.sinaweb.net/article_111596_2d64be4af02e37c255f1e67df61cedef.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
بررسی محیط کشت ریزجلبکهای بیودیزلی با استفاده از ماشین بینایی
137
148
FA
سینا
لبافی
دانشجوی دکتری سیستمهای انرژی- فناوری انرژیی، دانشکده علوم و فنون نوین، دانشگاه تهران
labbafis81@gmail.com
علیرضا
زاهدی
گروه مهندسی سیستمهای انرزی، دانشکده فناوری نوین، دانشگاه علم و صنعت ایران
zahediar@iust.ac.ir
یکی از عوامل مهم در رشد ریزجلبکها مقدار نمک لازم برای تغذیه آنها است. طبق این پژوهش،محیط کشت برای ریزجلبک نانوکلروپسیس، در غلظتهای مختلف نمکی آماده شده و در هر شبانهروز میزان رشد ریزجلبکهای فعال به کمک فناوری ماشین بینایی بررسی گردید. حداکثر و حداقل تراکم سلولهای ریزجلبک در روز هفتم پرورش به ترتیب 10<sup>5</sup>×0.38±10<sup>4</sup>×286.23(در غلظت 35 میلیگرمبرلیتر) و 10<sup>5</sup>×0.48±10<sup>4</sup>×168.58(در غلظت 100 میلیگرمبرلیتر) سلول در هر میلیلیتر به دست آمد. در تحلیل سیستم رشد، الگوریتم رگراسیون خطی ساده (با کمترین خطا)، رگراسیون خطی، پرسپترون چندلایه و پردازش گوسین (با بیشترین خطا) که به ترتیب دارای ضرایب همبستگی 0.9095، 0.9039، 0.8623 و 0.7335 بودند، نتایج خوبی را نشان دادند. همچنین سامانه توسط شبکه عصبی مصنوعی در محدوده 4 تا 20 نرون ارزیابی شد. بررسی دادهها نشان داد دیدگاه بیوسیستمی به کشت ریزجلبک به کمک پردازش تصویر ضمن دقت بالاتر و هزینه و وقت کمتر تخمین موفقیتآمیزی از روند رشد در غلظتهای مختلف نمکی در مقایسه با دیگر روشهای کنترل رشد به دست میدهد.
کشت ریزجلبک,غلظت نمکی,نانوکلروپسیس اوکولاتا,ماشین بینایی,شبکه عصبی
https://jmvip.sinaweb.net/article_112831.html
https://jmvip.sinaweb.net/article_112831_e4a9a54abe88f9671e7067009e484150.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
7
2
2021
02
19
تشخیص هویت با استفاده از ویژگیهای محلی و ساختاری رگهای شبکیه چشم
149
159
FA
سمیرا
دانایی
دانشجوی کارشناسی ارشد مهندسی نرم افزار دانشگاه آزاد اسلامی- واحد کرمانشاه
sdanaee00@gmail.com
عبدالحسین
فتحی
گروه مهندسی کامپیوتر و فناوری اطلاعات دانشگاه رازی، کرمانشاه
a.fathi@razi.ac.ir
سیستم تشخیص هویت بر اساس شبکیه چشم یک سیستم بیومتریک پایدار و قابل اعتماد است که اشکالاتی مانند فراموشی، لو رفتن، گم شدن و جعل شدن را ندارد. در این مقاله یک روش جدید با دقت عملکرد بالا ارائه میگردد که برخلاف سایر روش های مبتنی بر شبکیه در مقابل چرخش و جابجایی عروق مقاوم است. این سیستم شامل سه مرحله اصلی پیش پردازش، استخراج ویژگی و تطبیق ویژگی میباشد. استخراج عروق با روش تبدیل موجک پیوسته مختلط انجام می شود. در مرحله استخراج ویژگی با استفاده از عملگر تشخیص الگوی محلی رگ علاوه بر تشخیص نقاط ویژه انشعاب و تقاطع در شبکه عروق، ویژگی های این نقاط مانند تعداد شاخه، کوچکترین زاویه و نوع نقاط (انشعاب و تقاطع) استخراج می گردد. در مرحله تطبیق ویژگی، از تعداد نقاط ویژه منطبق در کنار میزان شباهت توپولوژی گراف حاصل از اتصال نقاط ویژه تصویر ورودی و تصاویر مرجع استفاده شده و در نهایت هویت فرد احراز میگردد. روش ارائهشده روی پایگاه داده های DRIVE، VARIA، DIARET و STARE اجرا شدهاند که دقت تشخیص هویت در این پایگاه های داده به ترتیب 100%، 81/99 %، 7/99 % و 100 % بوده است.
بیومتریک,تشخیص هویت,تشخیص هویت بر اساس شبکیه چشم,توپولوژی گراف
https://jmvip.sinaweb.net/article_113383.html
https://jmvip.sinaweb.net/article_113383_70433b1c5df1438ca540062787ab380a.pdf