انجمن بینایی ماشین و پردازش تصویر ایرانمجله بینایی ماشین و پردازش تصویر2383-11975220181122Extracting the combination featuresbased on the binary genetic to improve the diagnostic of iris recognition systemsاستخراج ویژگی ترکیبی مبتنی بر ژنتیک دودویی جهت بهبود عملکرد تشخیص در سیستمهای بازشناسی عنبیه11150582FAمهران نصرپوردانشجوی کارشناسی ارشد رشته مهندسی کامپیوتر، واحد همدان، دانشگاه آزاد اسلامیمنصور اسماعیل پورگروه مهندسی کامپیوتر، واحد همدان، دانشگاه آزاد اسلامیJournal Article20170318Iris recognition system consists of some stages where feature extraction is one of the most important one. Most of the available systems uses one special technic to extract features. To improve performance of the system, we used a binary genetic algorithm with a novel fitness function to find a combinational feature extraction method. Proposed method uses many different filters and transformations which were applied in feature extraction of iris and finds the best combination during iteration of the algorithm. Consequently a set of methods including numbers of wavelet transform, Gabor filter and Fourier transform is achieved as the best combinational feature extraction approach. In experiments, improving performance of the proposed combinational approach is shown contrasting to other single methods using ROC curve. Comparisons showed that the proposed method outperforms other state of the art methods in most of cases. This method succeeded to achieve FAR=0 and FRR=0.092.سامانه تشخیص عنبیه از چند مرحله تشکیلشده، که یکی از مهمترین مراحل آن استخراج ویژگی است. اکثر سامانههای موجود از یک روش خاص جهت استخراج ویژگی استفاده میکنند. در راستای ایجاد بهبودِ عملکردِ سامانه از الگوریتم ژنتیک دودویی با استفاده از یک معیار برازندگی جدید جهت یافتن روش استخراج ویژگی ترکیبی بهره گرفتیم. روش پیشنهادی از تعداد زیادی فیلتر و تبدیل که در استخراج ویژگی از عنبیه کاربرد فراوانی دارند، استفاده و بهترین ترکیب آنها را در طی تکرار الگوریتم پیدا میکند. در پایان مجموعهای از روشها شامل تعدادی از تبدیلهای موجک، فیلترگابور و تبدیل فوریه بهعنوان بهینهترین روش استخراج ویژگی ترکیبی بهدست آمدند. در آزمایشها، بهبود عملکرد روش ترکیبی پیشنهادی نسبت به روشهایی که تنها از یک فیلتر بهره میگیرند با استفاده از نمودار ROC نشان داده شد. مقایسات نشان داد که روش پیشنهادی در اکثر موقعیتها عملکرد بهتری نسبت به جدیدترین روشها دارد. این روش موفق به دستیابی به FAR برابر با صفر و FRR برابر با 0/092 شد.https://jmvip.sinaweb.net/article_50582_2af54df1b53e1aa93fb15df405d958b7.pdfانجمن بینایی ماشین و پردازش تصویر ایرانمجله بینایی ماشین و پردازش تصویر2383-11975220181122Tumor segmentation in mammogram images using Chan-Vese active contour and texture local feature informationناحیه بندی تومور در تصاویر ماموگرافی با استفاده از کانتور فعال چن-وسه و اطلاعات ویژگی محلی بافت132551045FAفاطمه شیرازیدانشجوی کارشناسی ارشد دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان، دانشکده برق و کامپیوترعصمت راشدیدانشگاه تحصیلات تکمیلی صنعتی کرمان، دانشکده برق و کامپیوتر، بخش مهندسی برقحسین نظام آبادی پوردانشگاه شهید باهنر کرمان، بخش مهندسی کامپیوترJournal Article20161024Cancerous tumor segmentation in mammogram images is an important stage and a challenging problemin computer aided detection (CAD) systems. In this paper, local feature information and Chan-Vese(LFI-CV)active contour modelare used for tumor segmentation. First, the texture feature mapsof mammograms are extracted. The utilized texture feature information includes gray level co-occurrence matrix (GLCM) and Gabor features. Using this information,the force values ofChan-Vese model are set and active contour model’s energy is minimized.As a result, the contour accurately segments the tumor. The results show that tumor segmentation using the proposed active contour modelandGabor texture feature at orientationis efficient in regard to the number of iterations, accuracy, and sensitivity. The mini-MIAS database is used for evaluation.ناحیه بندی تومورهای سرطانی در تصاویر ماموگرافی مرحله ی مهمی در سامانه های تشخیص کمک کامپیوتری (CAD) بوده و یک مساله ی پر چالش است. در این مقاله از اطلاعات ویژگی محلی (LFI-CV) بافت تصویر در مدل کانتور فعال چن-وسه برای ناحیه بندی تومور استفاده شده است. در این مدل، ابتدا نگاشت ویژگی های بافت از تصویر استخراج می شود. سپس اطلاعات ویژگی محلی بافت تصویر به عنوان مقادیر ضرایب نیروی مدل چن-وسه در نظر گرفته می شوند. به کمک این ضرایب، انرژی مدل کانتور کمینه می شود و کانتور می تواند دقیق تر بر روی مرزهای تومور قرار گیرد. اطلاعات ویژگی های بافت مورد استفاده شامل ماتریس همرخداد سطح خاکستری (GLCM) و ویژگی های گابور می باشند. عملکرد روش ناحیه بندی پیشنهادی با استفاده از مدل های کانتور فعال چن -وسه مقایسه و ارزیابی شده است. ناحیه بندی در مدل کانتور فعال پیشنهادی با نگاشت های ویژگی کنتراست، آنتروپی و گابور در جهت و نسبت به مدل های کانتور چن- وسه دیگر در تکرار کمتر همگرا می شود. نتایج نشان می دهند که روش ناحیه بندی پیشنهادی برای ویژگی بافت گابور در جهت نتایج ناحیه بندی مطلوبی نسبت به روش های کانتور فعال چن-وسه دیگر از لحاظ زمان، تعداد تکرار، دقت و حساسیت ناحیه بندی دارد. تصاویر استفاده شده در این مطالعه از پایگاه داده جامعه ی تحلیل تصاویر ماموگرافی (MIAS) اخذ شدهاند.https://jmvip.sinaweb.net/article_51045_64c153aee55cda516076a66130e565e0.pdfانجمن بینایی ماشین و پردازش تصویر ایرانمجله بینایی ماشین و پردازش تصویر2383-11975220181122Brain tumors detection by combination of adaptive neuro-fuzzy inference system and hierarchical clusteringتشخیص تومورهای مغزی با استفاده از ترکیب سیستم استنتاج فازی-عصبی وفقی و خوشه بندی سلسله مراتبی273751469FAعبدالحسین فتحیگروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه رازی، کرمانشاهمهدی طاهریدانشجوی کارشناسی ارشد مهندسی کامپیوتر – معماری سیستم، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه رازی، کرمانشاهفردین ابدالی محمدیگروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه رازی، کرمانشاهJournal Article20170109Detection of brain tumors region is a crucial step in automatic detection and treatment systems. This paper presents a hybrid method based on adaptive neuro-fuzzy inference system (ANFIS) and hierarchical clustering to identify location and region of brain tumors. For this purpose, first the center line of brain is detected, and then brain region is divided into non-overlapped blocks. Then, for each block intensity and texture features are extracted. With exploitation symmetry features of two hemispheres of the brain, blocks containing tumor tissue are recognized using ANFIS classifier. Finally by smoothing brain MRI image and exploiting hierarchical clustering, exact region of tumor is specified. The proposed method was tested on Harvard MRI dataset. The obtained performance of the proposed method with criterions accuracy, sensitivity and specificity are 98.1±4.7%, 94.1±3.2% and 98.7±4.9% respectively.تشخیص محدوده تومورهای مغزی یک گام مهم و اساسی در سیستمهای تشخیص و درمان خودکار می باشد. در این مقاله یک روش ترکیبی مبتنی بر سیستم استنتاج فازی-عصبی وفقی (ANFIS) و خوشه بندی سلسله مراتبی برای تشخیص موقعیت و محدوده تومورهای مغزی ارائه شده است. برای این منظور ابتدا خط مرکزی ناحیه مغز تشخیص داده شده، سپس با بلاک بندی ناحیه دو نیمکره مغز و استخراج ویژگی شدت روشنایی و بافت هر بلاک و نیز با بهره گیری از ویژگی تقارن موجود در دو نیمکره مغز، بلاک های حاوی بافت های توموری با استفاده از دسته بندی کننده ANFIS تشخیص داده می شوند. در نهایت با هموارسازی تصویر تصاویر تشدید مغناطیسی (MRI) مغز و با بهره گیری از خوشه بندی سلسله مراتبی محدوده دقیق تومور مشخص خواهد شد. روش ارائه شده روی تصاویر MRIبانک Harvard ارزیابی شده است. کارایی روش ارائه شده با استفاده از معیار دقت برابر %۷/۴±۱/۹۸، حساسیت برابر%۲/۳±۱/۹۴ و خاصگی آن برابر%۹/۴±۷/۹۸ می باشد.https://jmvip.sinaweb.net/article_51469_c211c6bb2c07ea86a64bf84066d8f60b.pdfانجمن بینایی ماشین و پردازش تصویر ایرانمجله بینایی ماشین و پردازش تصویر2383-11975220181122A Review on Image Registration Methods, Concepts and applicationsمروری بر روشهای انطباق تصویر، مفاهیم و کاربردهای آن396751831FAزهرا حسین نژادکارشناس ارشد گروه مهندسی برق، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجانمهدی نصریگروه مهندسی برق، دانشگاه آزاد اسلامی واحد خمینی شهر0000-0002-9254-3584Journal Article20170110Image registration is one of the fields widely used in image processing where much research has been done. Image registration is thealignment and compliance of two or more images from different imaging conditions. Itsapplications include change identification between images, image fusion, object recognition, and image mosaic. In this paper, in addition to introducing the concepts of image registration, we have collected and classified different researches, as well as definition of the research approach thereof. Moreover, thevarious aspects of image registration have been evaluated through four different tests. This paper could pave the way for researchers in the field of image processing as and it has been tried to includeall aspects of this field of study herein.انطباق تصویر، یکی از زمینههای بسیار پرکاربرد در پردازش تصویر است که تحقیقات زیادی در این حوزه انجام شده است. انطباق تصویر به معنای همتراز و هممحور کردن دو یا چند تصویر از شرایط مختلف تصویربرداری است. از کاربردهای آن میتوان به شناسایی تغییرات بین تصاویر، ترکیب تصاویر، تشخیص اشیا و موزاییک تصاویر اشاره کرد. در این مقاله، ضمن معرفی مفاهیم انطباق تصویر، تحقیقات مختلف جمعآوری و دستهبندی شده و سوگیری تحقیقات در این زمینه مشخص شده است. علاوه بر این، از طریق چهار دسته آزمایش مختلف جنبههای مختلف انطباق تصویر مورد ارزیابی قرارگرفته است. این مقاله میتواند راهگشای محققین پردازش تصویر در این زمینه بوده و سعی شده است تمام جنبههای این زمینه تحقیقاتی مورد کاوش قرار گیرد.https://jmvip.sinaweb.net/article_51831_ca6db7ca89a92f4926cc71a546f8cc1a.pdfانجمن بینایی ماشین و پردازش تصویر ایرانمجله بینایی ماشین و پردازش تصویر2383-11975220181122An intelligent hybrid method for the diagnosis, segmentation and classification of breast tumors based on new tissue features extracted from two views of mammography imagesیک روش ترکیبی هوشمند برای تشخیص، مرزبندی و طبقهبندی تودههای پستان مبتنی بر ویژگیهای بافت جدید مستخرج از دو نمای تصاویر ماموگرافی698352052FAنوشین بیگدلیگروه مهندسی برق، دانشگاه بینالمللی امام خمینی(ره) قزوینحامد جباریدانشجوی دکتری مهندسی برق، دانشگاه بینالمللی امام خمینی(ره) قزویننگار ملکیکارشناس ارشد مهندسی برق، دانشگاه بین المللی امام خمینی (ره) قزوینJournal Article20161006Breast cancer is one of the most important cancers among women. Usually, screening for breast cancer is mammography, which reduced the death rate caused by it. The purpose of this paper is to introduce a new hybrid intelligent method for classification of breast tissue into two healthy and unhealthy types by simultaneous examination of two aspects of mammogram images and segmentation of unplanned unhealthy tissue. To this purpose, a new hybrid method including clustering and region growth algorithms are used to identification of the suspected area to the tumor presence. The suspected area is identifiedby combining the FCM clustering and the region growth algorithms after removed the background, and was segmented tumor using the morphological processes. Then, was done classification of the breast tissue into two types of healthy and unhealthyusingsimultaneous two standard views of mammogram (MLO and CC) of a breast, and the extraction of tissue features based on the gray-level co-occurrence matrix,and c and the brightest of intensity level of the cluster center features.Also, was introduced and used the brightest of intensity level of the cluster center features for the first time. Finally, the extracted features are considered as inputs of a fuzzy system for classification of breast tissue. The results of this study are shown the proposed method has accuracy 97.7% inthe breast tissue classification on 300 pairs of mammograms. Also, it is shown that the simultaneous examination of features of the two views standard mammograms can be useful in early detection of breast cancer.سرطان پستان از مهمترین سرطانها در میان زنان به شمار میرود. معمولا غربالگری مورد استفاده در سرطان پستان، ماموگرافی است که درصد مرگ ناشی از آن را تا حدود زیادی کاهش داده است. هدف این مقاله، معرفی یک روش ترکیبی هوشمند جدید برای طبقهبندی بافت پستان به دو نوع سالم و ناسالم با بررسی همزمان دو نمای استاندارد تصاویر ماموگرافی و مرزبندی بافت ناسالم است. بدین منظور، از روش ترکیبی جدیدی شامل الگوریتمهای خوشهبندی و رشد ناحیه در شناسایی ناحیه مشکوک به حضور تومور استفاده میشود. پس از حذف پسزمینه، با ترکیب الگوریتمهای خوشهبندی FCM و رشد ناحیه، ناحیه مشکوک به حضور تومور شناسایی و به کمک پردازشهای مورفولوژیکی، مرزبندی تومور انجام میشود. سپس با استفاده همزمان از دو نمای استاندارد تصویر ماموگرافی (MLO و CC) یک پستان، استخراج ویژگیهای بافت بر اساس ماتریس رخداد توأم و ویژگیهای c و سطح شدت روشنترین مرکز خوشه، طبقهبندی بافت پستان به دو نوع سالم و ناسالم صورت میگیرد. همچنین، برای اولین بار ویژگی سطح شدت روشنترین مرکز خوشه معرفی و استفاده شده است. در نهایت، ویژگیهای استخراج شده به عنوان ورودیهای یک سیستم فازی برای طبقهبندی بافت پستان در نظر گرفته میشود. نتایج این پژوهش روی 300 جفت تصویر ماموگرافی نشان میدهد که روش ارائه شده، دارای صحت 97/7 درصدی برای طبقهبندی بافت پستان است. همچنین نشان داده میشود که استفاده همزمان از ویژگیهای دو نمای استاندارد تصاویر ماموگرافی میتواند در تشخیص زودرس سرطان پستان مفید واقع شود.https://jmvip.sinaweb.net/article_52052_852b7c223fad9b9b248ac766ece54d5e.pdfانجمن بینایی ماشین و پردازش تصویر ایرانمجله بینایی ماشین و پردازش تصویر2383-11975220181122Prediction and Control of the Water Content of the Turfgrass Plant by an Intelligent System Using Image Processing and Support Vector Regression Algorithmپیش بینی و کنترل محتوای رطوبت گیاه چمن توسط یک سامانه هوشمند با بکارگیری پردازش تصویر و الگوریتم رگرسیون بردار پشتیبان8510252256FAمریم نداف زادهدانشجوی کارشناسی ارشد، دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه کشاورزی و منابع طبیعی رامین خوزستانسامان آبدانان مهدی زادهدانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه کشاورزی و منابع طبیعی رامین خوزستانمحمد رضا صالحی سلمیدانشکده کشاورزی، گروه باغبانی، دانشگاه کشاورزی و منابع طبیعی رامین خوزستانJournal Article20170403Due to the environmental changes and increasing global temperature and drought conditions, irrigation of plants along with theirs protection of growth as well as high yield is very important. Therefore, water consumption can be reduced significantly in agriculture by monitoring and control of plant growth conditions and increase the irrigation efficiency through the conversion of surface irrigation methods to smart irrigation systems in the situation of water crisis. In this study, to detect plant water requirement, a set of turf grass plants images were taken and studied under drought stress conditions to extract the color, texture and number of features in the frequency domain. Thereafter, all the extracted parameters of images were investigated, then, according to the results of statistical analysis (p<0.05), most appropriate features were selected to predict water content of plant by support vector regression algorithm (SVR). Finally, it was shown that the linear kernel function of SVR algorithm has the highest correlation coefficient (0.95) and the lowest values of MAPE (14.08), RMSE (0.10), SRE (0.063) and RAV (0.14) compared to other kernels. Thus, this indicated that the ability of suggested system to measure and evaluate wilting plant conditions and control of required water for plant.با توجه به تغییرات زیست محیطی و افزایش دمای جهانی و همچنین خشک سالی، نحوه آبیاری گیاهان ضمن حفظ رشد و عملکرد بالای آنها بسیار حائز اهمیت است. لذا در این شرایط حساس بحران آب، با نظارت و کنترل شرایط رشد گیاه و همچنین افزایش راندمان آبیاری از طریق تبدیل روشهای آبیاری سطحی به سیستمهای آبیاری هوشمند میتوان به صورت قابل توجهی مصرف آب در بخش کشاورزی را کاهش داد. در این مطالعه با هدف تشخیص نیاز آبی گیاه، مجموعه ای از تصاویر گیاه چمن تحت شرایط تنش خشکی جهت استخراج ویژگی های رنگی، بافت و تعدادی از پارامترهای تصویر در حوزۀ فرکانس مورد بررسی قرار گرفتند. در ادامه پس از بررسی پارامترهای استخراج شده از تصاویر با توجه به نتایج آنالیز آماری در سطح احتمال 5% مناسبترین ویژگی ها به منظور پیش بینی محتوای رطوبت گیاه توسط الگوریتم رگرسیون بردار پشتیبان (SVR) انتخاب گردید. در نهایت نشان داده شد که هسته Linear در تابع الگوریتم SVR نسبت به سایر هسته ها دارای بالاترین ضریب همبستگی (0/95) و همچنین کمترین مقادیر MAPE (14/08)، RMSE (0/01)، SRE (0/063) و RAV (0/14) است. بدین ترتیب نتیجه گرفته شد که سامانۀ پیشنهاد شده از کارآیی مناسبی به منظور اندازهگیری و سنجش پژمردگی گیاه و کنترل میزان آب مورد نیاز آن برخوردار می باشد.https://jmvip.sinaweb.net/article_52256_3d704d7cffb646f346ae16e2e33efaaf.pdfانجمن بینایی ماشین و پردازش تصویر ایرانمجله بینایی ماشین و پردازش تصویر2383-11975220181122Estimation of The Location and Orientation of a Camera in Short Image Sequence Using Extended Kalman Filterتخمین مکان و زاویه دید دوربین در دنباله محدود تصاویر با استفاده از یک روش مبتنی بر فیلتر کالمن توسعه یافته10311354562FAمحمدامین مهرعلیاندانشجوی دکتری هوش مصنوعی و مهندسی کامپیوتر، دانشگاه علم و صنعت ایرانمحسن سریانیگروه مهندسی کامپیوتر، دانشگاه علم و صنعت ایران0000-0002-8555-9617Journal Article20170507Estimating the camera location and orientation from an image sequence is wildly used in many applications such as Augmented Reality and Robot Navigation. In this paper a new hybrid method is proposed. For this purpose, we apply Extended Kalman Filter to estimate the camera trajectory with 6 degree of freedom. The main difference between the proposed method and other filter-based methods is that in the proposed method, 3D points of the world model have been removed from the state vector and alternatively, Multiple View Geometry methods have been used to initialize the world model without uncertainty. As a result, the complexity of the algorithm, which is one of the shortcomings of the filter-based methods, has been reduced. Computer simulations and experimental results show that the proposed method improves pose estimation compared to PnP methods.استفاده از دنباله تصاویر برای تخمین مکان و زاویه دید دوربین در کاربردهایی چون واقعیت افزوده و ناوبری ربات بسیار مورد توجه قرار گرفته است. در این مقاله از میان رویکردهای موجود برای این منظور یک رویکرد ترکیبی پیشنهاد شده است. ایده اصلی این رویکرد، استفاده از فیلتر کالمن توسعه یافته برای تخمین مسیر حرکت یک دوربین با ۶ درجه آزادی است. تفاوت اصلی الگوریتم پیشنهادی باسایر روشهای مبتنی بر فیلتر این است که نقاط سهبعدی محیط حرکت دوربین از بردار حالت فیلتر حذف شدهاند و با استفاده از روشهای مبتنی بر هندسه چنددیدی با قطعیت مقداردهی میشوند. با این ایده حجم محاسبات فیلتر کالمن که یکی از نقاط ضعف روشهای مشابه به شمار میآید، کاهش مییابد. در نهایت روش ارائه شده با یکی از دقیقترین روشهای مبتنی بر PnP مقایسه شده است و نتایج آزمایشها نشان میدهد که دقت تخمین جابجایی و چرخش بهبود مییابد.https://jmvip.sinaweb.net/article_54562_faa169f5c252c2481b521315744a5a16.pdfانجمن بینایی ماشین و پردازش تصویر ایرانمجله بینایی ماشین و پردازش تصویر2383-11975220181122Tasvirnet Image Network(Experiences,challenges and localization tools for ImageNet)شبکهی تصویری تصویرنت (تجربیات، چالشها و ابزارهای بومیسازی شبکهی تصویری ImageNet)11512657367FAفرزاد زرگریگروه سکوهای فناوری اطلاعات، پژوهشکده فناوری اطلاعات، پزوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران0000-0003-1585-9283فرزانه رحمانیگروه سکوهای فناوری اطلاعات، پژوهشکده فناوری اطلاعات، پزوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایرانمژگان فرهودیگروه سکوهای فناوری اطلاعات، پژوهشکده فناوری اطلاعات، پزوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایرانمحمدحسین زابل زادهگروه سکوهای فناوری اطلاعات، پژوهشکده فناوری اطلاعات، پزوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایرانزینب پرکارگروه سکوهای فناوری اطلاعات، پژوهشکده فناوری اطلاعات، پزوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایراناحسان قاسمیگروه سکوهای فناوری اطلاعات، پژوهشکده فناوری اطلاعات، پزوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایرانJournal Article20170312Large image databases are used as training datain visual artificial intelligence applications and deep learning algorithms. Tasvirnet image network is a hierarchical image database in accordance with Iranian and Islamic culture that provides about 8 million images for over 30,000 words.Synset hierarchy of Tasvirnet is based on hierarchy of ImageNet anditssynsets are translated to Persian using automatic translation. There are 7890745 images in Tasvirnet (for 32295 Persian Synsets) which are collected using auromatic downloading of image links provided by ImageNet. Moreover,71873 images for up to 1000 synsets related to Iranian and Islamic Culture are prepared using crowdsourcing method and they are added to Tasvirnet. The purpose of this paper is transferring of experiences, production challenges, and developed tools to create a hierarchical image database called Tasvirnet, as well as an outline of the crowdsourcing process used to provide the extraimages for Iranian and Islamic Culture. based synsets.پایگاه های دادگان تصویری بزرگ به عنوان محتوای آموزشی در کاربردهای هوش بصری و همچنین الگوریتم های یادگیری عمیق مورد استفاده قرار میگیرند. شبکهی تصویریِ تصویرنت، پایگاه دادهای سلسلهمراتبی از تصاویر و مطابق با فرهنگ ایرانی و اسلامی است که با فراهم آوردن حدود 8 میلیون تصویر برای بیش از 30هزار واژه تهیه شده است. سلسله مراتب ترادفهای تصویرنت مبتنی بر سلسله مراتب ترادفهای ImageNet بوده که با استفاده از معادل یابی خودکار در زبان فارسی معادلیابی شدهاند. در این شبکه تصویری 7890745 تصویر (برای 32295 ترادف فارسی شده) با بهرهگیری از بارگیری خودکار لینک های اصلی ارائه شده در ImageNet فراهم گردیده اند. سپس 71873 تصویر با روش جمعسپاری برای بیش از 1000 ترادف مخصوص فرهنگ ایرانی و اسلامی تهیه و به تصویرنت اضافه شدهاند. هدف از این مقاله انتقال تجربیات، چالشهای تولید و ابزارهای مورد نیاز حاصل از تولید پایگاهدادهی سلسلهمراتبی تصویرنت و همچنین تشریح فرآیند جمعسپاری صورت گرفته جهت تهیه تصاویر است.https://jmvip.sinaweb.net/article_57367_6820878c34fa592e67dc1b6f2e71a467.pdfانجمن بینایی ماشین و پردازش تصویر ایرانمجله بینایی ماشین و پردازش تصویر2383-11975220181122Mitosis Detection in breast cancer biopsy images using Extreme Learning Machinesتشخیص سلولهای میتوزی در تصاویر بیوپسی پستان با کمک ماشینهای یادگیری سریع12713857680FAسوشیانت ذکریاپوردانشجوی کارشناسی ارشد کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابلحمید جزایریگروه کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابلمهدی ازوجیدانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابلJournal Article20170405Counting mitotic cellsis one of the main tasks involved in assessing breast cancer proliferation grade. Unfortunately, detection of mitoses present in the tissue is a challenging task. These cells have a wide variety of shape configurations and are sometimes very similar to apoptotic cells or external objects in the tissue sample. Utilizing image processing for automatic detection of mitotic cells is likely to reduce human errorandincreasegrading speed and performance.Most available mitosis detection methods extract many features from cells then classify cells using classic classifiers, or else, directly classify cells using neural networks. The former are fast but inaccurate methods, the latter being slow but accurate. In this work, we aim to present a simultaneously fast and accurate method based on a special type of neural networks, called ELM. After a pre-processing step, candidate cells are selected using thresholding and finding local maxima. An ELM is then directly trained with each cell image, without feature extraction. Our results indicate a considerable improvement over the status-quo. Our method also benefits from a very fast training time and test time.یکی سه معیار اصلی که در تعیین درجه سرطان پستان به کار میرود، تعداد سلولهایی است که در حال تقسیم میتوزی هستند. تشخیص سلولهای میتوزی به دلیل تنوع شکل ظاهری این سلولها و همچنین شباهت با سلولهای مرده و اجسام خارجی حاضر در بافت، دشوار است. استفاده از پردازش تصویر برای تشخیص خودکار این سلولها، گامی مهم در کاهش خطا و افزایش سرعت درجهبندی سرطان است. روشهای موجود برای تشخیص این سلولها، یا بر اساس استخراج ویژگیها هستند که سریعاند ولی دقت تشخیص پایینی دارند، و یا بر اساس پردازش مستقیم تصویر با شبکههای عصبی عمیق هستند که دقتی بالا دارند ولی بسیار کند هستند. هدف این پژوهش ارائه روشی بینیاز از استخراج ویژگیها است که علاوه بر دقت زیاد، سرعتی بسیار بهتر از روشهای مبتنی بر شبکههای عصبی عمیق داشته باشد. در روش پیشنهادی، تصاویر ورودی ابتدا برای جبران رنگ و کنتراست نمونه بافت اصلاح میشوند. سپس محل سلولهای میتوزی احتمالی به کمک آستانهگیری و یافتن ماکزیممهای محلی تعیین میشود. تشخیص میتوزی بودن سلول با استفاده از ELM انجام میشود. میزان موفقیت روش پیشنهادی با معیارهای دقت، حساسیت و امتیاز F1 اندازهگیری شد که پیشرفت قابل توجهی را نسبت به بهترین کارهای موجود نشان میدهد. همچنین، روش پیشنهادی بهبود قابل ملاحظهای در زمان آموزش و اجرایی داراست.https://jmvip.sinaweb.net/article_57680_d9336b87fa7a494fd31a9e3f6f61b48d.pdfانجمن بینایی ماشین و پردازش تصویر ایرانمجله بینایی ماشین و پردازش تصویر2383-11975220181122A review on computer aided systems for mass detection using 3D automatic breast ultrasound (ABUS) imagesمروری بر سیستم های کمکی کامپیوتری با هدف شناسایی توده در تصاویر سه بُعدی اولتراسوند خودکار پستان (ABUS)13915358060FAاحسان اله کوزه گردانشجوی دکتری دانشگاه علم و صنعت ایرانمحسن سریانیدانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران0000-0002-8555-9617حمید بهنامدانشکده مهندسی برق، دانشگاه علم و صنعت ایرانمعصومه سلامتیپژوهشکده زیست شناسی و علوم پزشکی تولید مثل جهاد دانشگاهی، مرکز تحقیقات پزشکی تولید مثل، گروه تصویربرداری تولید مثلJournal Article20161102Three dimensional Automatic Breast UltraSound (ABUS) is a modern and effective imaging system which can be used as an adjunct to mammography for women with dense breasts. In this paper, the ABUS imaging system is introduced and its advantages over current handheld ultrasound and other modalities are compared. Then, we emphasize on the benefits of the computerized systems to detect masses in 3D ultrasound images of whole breasts. Consequently, different state-of-the-art computer aided mass detection systems for this type of images are described in details and their limitations are discussed. Finally, potential solutions to overcome these limitations are presented.اولتراسوند خودکار سه بُعدی پستان یک روش تصویربرداری جدید و کارا است که از آن می توان به عنوان یک مکمل در کنار ماموگرافی، جهت شناسایی سرطان در زنان دارای پستانهای با بافت متراکم، بهره جست. در این مقاله، ابتدا روش تصویربرداری مذکور معرفی و مزایای آن نسبت به سونوگرافی رایج و روش های تصویربرداری دیگر تبیین شده و فواید استفاده از سیستم های کمکی کامپیوتری در شناسایی توده ها روی تصاویر سه بُعدی اولتراسوند کل پستان مورد تأکید قرار گرفته است. سپس به جزئیات سیستم های کمکی کامپیوتری جدید جهت شناسایی توده های موجود در تصاویر سه بُعدی حاصل از این روش تصویربرداری بررسی شده و روش های مورد استفاده به تفصیل تشریح و محدودیت های آنها مورد بحث قرار می گیرد. در انتها راه حل های بالقوه برای غلبه بر محدودیت های موجود معرفی می گردد.https://jmvip.sinaweb.net/article_58060_618b09af1f7717033e95ab1cea4b2035.pdf