چكيده
پيشرفت علم پردازش تصوير در چند دهه اخير تا حدي بوده است كه استفاده ان را در علوم و صنايع گوناگون مي توان به وضوح احساس كرد. تا جايي كه عدم وجود اين علم در بعضي از اين موارد كاملا ان مورد را بي استفاده مي كند. يكي از موارد پردازش تصوير كه در اين پايان نامه به ان پرداخته ايم تشخيص حالت چهره است؛ بدين صورت كه تصوير بعنوان ورودي به سيستم وارد مي شود و نرم افزار با استفاده از متد خاصي حالت چهره را (6 حالت) بعنوان خروجي بر مي گرداند. در فصل اول به مقدمه اي درباره علم بينايي ماشين و پردازش تصوير پرداخته شده است. فصل دوم توصيف تاريخچه، تحليل، متد استفاده شده براي پياده سازي اين نرم افزار ارائه شده است. در فصل سوم مقدمه اي در دسته بندي و متدي كه استفاده شده در اين پروژه پرداخته شده است. فصل چهارم به نتايج و مقايسه تخصيص داده شده است.
تعداد صفحات 128 word
فهرست مطالب
فصل اول
مقدمه............................................................................................ 1
1-1مقدمه اي بر ماشين بينايي...................................................................... 2
1-1-1 بينايي ماشين(MV)
1-1-2 كاربردهاي بينايي ماشين................................................................... 2
1-1-3 متدها.................................................................................... 2
1-1-4 پردازش تصوير........................................................................... 3
1-1-4-1 استخراج ويژگي........................................................................ 3
1-1-4-2 روش هاي قسمت بندي تصوير......................................................... 5
1-1-4-3 دسته بندي............................................................................. 6
1-1-5 روش هاي پردازش تصوير در بينايي ماشين................................................. 6
1-1-6 مراحل بينايي ماشين....................................................................... 8
1-1-7 روش هاي فشرده‌سازي تصاوير............................................................ 9
1-1-8 تصاوير رقومي(ديجيتالي)................................................................ 11
1-1-9 مقادير پيكسلها........................................................................... 11
1-1-10 دقت تصوير........................................................................... 11
1-2 تاريخچه پردازش تصوير.................................................................... 12
1-2-1 مراحل اصلي پروسه تشخيص تصوير..................................................... 14
فصل دوم
تحليل.......................................................................................... 23
2-1تاريخچه الگوريتم الگوي باينري محلي..................................................... 24
2-1-1 نمونه 1: دسته بندي بافته بااستفاده ازطيف بافته......................................... 24
2-1-2 نمونه 2: مطالعه تفضيلي اندازه گيري و سنجش بافته ازطريق رده بندي برپايه توزيع خصايص........... 26
2-1-3 نمونه 3: مكانيابي واستخراج چشم درتصاويرچهره انسان.............................................. 26
2-1-4 نمونه 4: تشخيص چهره: مشكل تصحيح تغييراتي كه در مسير شدت هاي روشنايي در تصوير ايجاد مي شود..... 28
2-1-5 نمونه 5: رده بندي بافت هاي مقاوم به چرخش(Rotation-invariant) با استفاده از توزيعات خصايص..... 30
2-1-6 نمونه 6: توالي هيستوگرام ..................................................................... 31
2-1-7 نمونه7: تشخيص قوي حالات چهره بااستفاده از........................................................ 34
2-1-8 نمونه 8: تشخيص احساسات با استفاده از الگوهاي پيشرفته دودويي محلي(LBP)، پراكندگي(Entropies) tsallis وخصايص ظاهري و سراسري در چهره......................................................................... 36
2-1-9 نمونه 9: هيستوگرام الگوي دودويي محلي چند طيفه(Multispectral Local Binary Pattern Histogram) براي عناصر و اجزاي مبتني بر بازبيني رنگ چهره............................................. 38
2-2معرفي سيستم هاي مشابه.............................................................................. 39
2-2-1 الگوهاي باينري محلي .................................................................... 39
2-2-2 الگوهاي باينري يكنواخت محلي (local uniform binary pattern)..
2-2-3 الگوهاي باينري محلي مقاوم در برابر چرخش (rotation invariant local binary pattern).
2-2-4 الگوي باينري محلي چند مقياسه (multi-scale local binary pattern).
2-2-5 الگوي باينري Gabor محلي (local gabor binary pattern)
2-2-6 مقدار سطح شيب در الگوي باينري محلي (magnitude local binary pattern)
2-3تحليل.............................................................................................. 42
2-3-1 واحد بافته(Texture Unit) و طيف بافته(Texture Spectrum)
2-3-1-1 دسته بندي بافته(Texture Classification).
2-3-2 مقياس خاكستري(Gray Scal) و الگوهاي باينري محلي با خصوصيت مقاوم به چرخش(Rotation Invariant LBP)
2-3-2-1 دست يافتن به تغيير ناپذيري مقياس خاكستري در تصاوير gray scale..
2-3-2-3 بهبود ويژگي مقاوم به چرخش در تصاوير با الگوهاي يكنواخت و بهتر شدن تدريجي(Quantization) زاويه هاي چرخش در تصوير 55
2-3-2-4 اندازه گيري واريانس(انحراف) در ويژگي مقاوم به چرخش تصاوير به واسطه ي كنتراست(تفاوت رنگ) بافت تصوير محلي 59
2-3-2-5 قاعده كلي دسته بندي غير پارامتري..................................................... 60
2-3-2-6 اناليز چند رزوليشنه(Multiresolation Analysis)....................................
2-3-3-1 مدل يادگيري براي توصيف بافته......................................................... 63
2-3-3-2 فرمولاسيون مدل يادگيري پيشنهادي....................................................... 63
2-3-4 سطح الگوي باينري محلي (VLBP)
2-3-4-1 سطح الگوي باينري محلي پايه اي(Basic Volume Local Binary Pattern).
2-3-4-2 خاصيت مقاوم در چرخش در سطح الگوي باينري محلي(Rotation Invariant VLBP)..............
2-3-4-3 الگوهاي باينري محلي از سه سطح متعامد(Local Binary Patterns From Three Orthogonal Planes)
2-3-4-4 توصيف گر محلي براي اناليز تصوير چهره...................................................... 84
فصل سوم
دسته بندي........................................................................................ 89
3-1 چكيده.................................................................................. 90
3-2 مقدمه.................................................................................... 90
3-3 مقدمه اي در دسته بندي......................................................................... 91
3-4-1 SVM.......................................................................................
3-4-2 SVM غير خطي.................................................................................... 103
3-4-3 Svm خطي.......................................................................... 104
3-4-3-1 فرم اوليه......................................................................................... 106
3-5- 4 SVM Multiclass................................................................
3-6 استفاده از دانش قبلي در SVM..................................................................
3-7 Soft Margin(حاشيه نرم)............................................................................ 110
3-8 خصوصيات SVM.......................................................................................
3-9 رگرسيون(Regression)...........................................................................
فصل چهارم
نتايج ومقايسه.......................................................................................... 113
1-4 نتايجي براي VLBP..........................................................................
4-2 نتايجي براي LBP-TOP...............................................................................
4-4 نتيجه گيري............................................................................................... 118
پيوست ها................................................................................................. 120
پيوست الف................................................................................................................................... 121
چكيده انگليسي.............................................................................................. 122
فهرست اشكال و نمودارها
شكل 1: 5 حالت مختلف از يك تصوير. 29
شكل 2: نرمال سازي تصوير frontal29
شكل 3: چهارچوب كلي LGBPHSبراي نمايش چهره31
شكل 4: عملگر LBPاصلي و اوليه. 34
شكل 5: تقسيم تصوير به يك بلوك 7*6. 36
شكل 6: مثالي از انتقال يك همسايگي در يك واحد بافته. 43
شكل 7: مثالي از طيف بافته كه از طريق تصاوير شكل 6 محاسبه شده اند. 44
شكل 9: دسته بندي با حضور ناظر از شكل8. چهار كلاس با چهار سطح خاكستري نمايش داده شده اند.48
شكل 10: اختصاص دهي احتمال در دسته بندي براي هر عنصر از شكل 4.49
شكل 11: مجموعه همسايگي هاي متقارن. 50
شكل 12: مجموعه هاي همسايگي متقارن مدوّر براي (P,R) هاي مختلف... 50
شكل 13: مستقل سازي و جدا كردن پيكسل مركزي از پيكسل هاي همسايگي.. 51
شكل 14: 36 دوران ثابت منحصر به فرد. 54
شكل 15: استخراج الگوها براي نمايش نقاط تيره و روشن، نواحي مسطح و لبه ها55
شكل 16: مثالي از دوران زاويه اي.. 56
شكل 17: مثالي از الگوهاي يكنواخت و غير يكنواخت.. 56
شكل 18: الگوهاي يكنواخت و غير يكنواخت.. 58
شكل 19: توزيع اتصالات.. 60
شكل 20: تصوير شماتيكي از يك مدل يادگيري.65
شكل 22: عدد خصايص در مقابل عدد كدهاي LBP. 79
شكل23: سه سطح در الگوي پويا در استخراج نقاط همسايگي.. 80
شكل 25: (a) سه سطح در بافته پويا، (b) هيستوگرام LBPاز هر سطح، (c) الحاق هيستوگرام خصيصه. 82
شكل 26: شعاع وعدد نقاط همسايگي هاي مختلف روي سه سطح.. 83
شكل 27: جزئيات نمونه گيري براي شكل 26. با83
شكل 28: (a) بلوك هاي غير همپوشاني شده (8*9)، (b) بلوك هاي همپوشاني شده(3*4 با سايز همپوشاني 10)86
شكل 29: خصايص در هر سطح بلوك. (a) سطوح بلوك، (b) خصايص LBPاز سه سطح متعامد، (c) خصايص براي هر سطح بلوك از طريق شكل ظاهري وحركت با هم الحاق مي شوند.87
شكل30: نمايش حالات چهره87
شكل 31. نوع اول چيدمان داده ها92
شكل 32. نوع دوم چيدمان داده ها93
شكل 33. نوع سوم چيدمان داده ها94
شكل 34. نوع چهارم چيدمان داده ها95
جدول 1. 114
جدول 2. 115
جدول 3. 116
جدول 4. 116
نمودار 1. 117
تميز كردن نماي ساختمان