آموزش MATLAB: فصل سیزدهم، پردازش تصویر

صفحه 1:
کلاس آموزشی 

صفحه 2:
‎fad‏ سیزدهم: جعبه‌ابزار پردازش تصویر ‎ ‏۱۲-۱ -مقدمه ‏لس در متلب تصاوبر بصورت ماتریسهای ‎og?‏ سه و یا چهاربعدی تعریف می‌شوند. ‏بي ‎ee‏ ۰ در هنگام تصویربرداری و یا ذخیره‌سازی تصویر بستگی دارد. ‏لآ دقت ‎J gle (Depth) ise‏ دقت عمقی تعداد بیتهایی است که از حافظه کامپیوتر به هر نقطه(پیکسل) از تصویر اختصاص داده می‌شود. ‏لا دقت ابعادی(0۳0 تلا 6501): منظور تعداد نقاط نمونه‌برداری شده در واحد طول ‏با عرض تصویر است. دفت ابعادی افقی و عمودی پک تصویر ممکن است متفاوت باشند آما معمولا چنین نیست. واحد دقت ابعادی 001 یا نقطه بر اینچ است, ‎ 

صفحه 3:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۱ -مقدمهدامه- لا انواع تصاوير: انواع تصاوير عبارتند از : تصاوير انديس ار # تصاویر شدت ‎A‏ تصاویر باینری # تصاوير 868 فا تصاوير جندفريمى كه در آدامه فصل مفصلا به هريك خواهيم يرداخت ‎O‏ فرمتهای گرافیکی: تصاویر با فرمتهاى مختلفى مىتوانند بر روى ديسك ذخيره شوند. مهمترین فرمتهای گرافیکی در زمان حاضر عبارتند ز: 01/۳۰ ۴[ ,۳۸۷۵ ۲۱۴۴۵۳ که تمامی آنها بعلاوه چندین فرمت دیگر توسط متلب پشتیبانی می‌شوند. 

صفحه 4:
‎fad‏ سیزدهم: جعبه‌ابزار پردازش تصویر ‏۱۳-۲- انواع تصاویر ‏تصاویر شدت(96 ۱۳۱3 6۳0510۷( ‏تصویر شدت یا تصویر سطح خاکستری. به تصویری گفته می‌شود که تنها دارای مقادیر روشنایی باشد و فاقد خصوصیات رنگ مانند: فام و خلوص باشد. در متلب این تصاویر توسط مانریسهای دو بعدی تعریف می‌شوند بطوریکه مقدار هر عنصر از این مسجت بح مسجت ‎ee ee‏ اک ماک بسا ات تغییرات عناصر این ماتریس ممکن است بین ۰ تا ۱ و یابین > تا ۲۵۵ تغییر کند. در حالت اول داده‌های ماتریس از نوع دقت مضاعف و در حالت دوم از نوع 8 خواهد بود. بجز توابع تعریف شده در جعبه‌ابزار 1۳3965 و بعضی از توابع خود متلب. سایر عملیات ریاضی بر روى نوع 78 ألا در حال حاضر امکانپذیر نمی‌باشد. لذا در صورت نيازء اين نوع بايد به نوع دقت مضاعف تبديل شود که میزان حافظه مور رد نباز آن چهار برابر 1020 لاد ‎ ‎ ‎ ‎ ‎ 

صفحه 5:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- انواع تصاویرعدامه تصاویر شدتادامه تعونه‌ای از یک تصویر شدت: 

صفحه 6:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- انواع تصاویر-دامه تصاویر اندیس‌شده(6 ۱۳۵9 ‎dndexed‏ این تصاوبر توسط دو ماتریس زیر مشخص می‌شوند: SS SS ee ‏می‌باشد. مقادیر این ماتریس معمولا بین ۱ تا ۲۵۶ تغيير م ىكند و مقدار هر درایه از‎ ‏آین ماتریی معرف شماره سطری از ماتر یس نقضهر نگ است.‎ ۴ ماتریس نقشه‌رنگ(0 ۴08 این ماتریس دارای ۳ ستون می‌باشد و هر سطر از آن معرف یکی از رنگهای موجود در تصویر است. بطوریکه عنصر اول هر سطر معرف نسبت اولیه قرمزه عنصر دوم معرف اولیه سبز و عنصر سوم معرف اولیه آبی است. یک تصویر اندیس‌شده بسته به مقادیر ماتریس نقشه‌رنگ ممکن است رنگی پا سطح خاکستری باشد. 

صفحه 7:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- انواع تصاویر-ادامه تصاویر اندیس‌شده(6 ۱۳۹۵9 1۱016(»60) ادامه نمونه‌ای از یک تصویر اندیس‌شده 

صفحه 8:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- انواع تصاویر-ادامه تصاویر باینری Se ‏مقدار ممکن (معمولا + و ۱) باشد.ذر متلب‎ ن تنها بتواند دارای یکی از دو = تصاوير مىتوائتد با فرعت ‎double‏ , یا 08لا خیره‌سازی شوند اما بطور پیش‌فرض متلب فرمت ‎UINTB‏ ,5.1 ره برد كة مقادير آن مىتواندء و وبا و ۲۵۵ بان 

صفحه 9:
‎fad‏ سیزدهم: جعبه‌ابزار پردازش تصویر ‏۱۳-۲- انواع تصاویر ادامه تصاویر 85 ‏یک تصویر 6۵8 یا 60۱0۴ 6لا۳] به تصویری گفته می‌شود که به ازای هر پیکسل از آن سه عدد بین تا ۲۵۵ در حافظه کامپیوتر ذخیره شده باشد که اين اعداد معرف شدت هر یک از اولیه‌های قرم سبز و آبی می‌باشد. مثلا برای یک پیکسل سفید سه عدد ۲۵۵ و برای یک پیکسل سبز سه عدد. -, ۵ و - به ترئیب معرف شدت اولیه‌های قرمز. سبز و آبی ایجاد خواهد شد. بنابراین برای هر نقطه از تصویر بیش از ۱۶ میلیون(۲۵۶۵۲۵۶۸۲۵۶) حالت رنگی مختلف امکانپذیر خواهد بود. واضح است که یک تصویر ۳۵0 سه برایر یک تصویر شدت هملندازه با آن حافظه کامپیوتر را اشغال خواهد کرد و به همان نسبت هم به زمان پردازش بیشتری نياز دارد. ‎ ‎ ‏در متلب هر تصویر ۳۵0 بصورت یک ماتریس سهیعدی تعریف می‌شود که در بعد سوم آن مقادیر اولیه‌های رنگی هر نقطه (۲,۵[,10) ذخیره می‌شوند. عناصر این ماتریس ممکن است بین ۰ تا ۱ ‎double)‏ يا بين ‎٠‏ تا ۲۵۵ (0]8آلا)تغییر کند ‏دقت شود که یک تصویر ۲۵0 لزوما رنگی نیست اما می‌تواند رنگی باشد. ‎ 

صفحه 10:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ‎Oia Dine 7 2‏ ۱۳-۲- انواع تصاویر ادامه 0.202 0,202 0.0827 0.2002 هب و او مورا موی وا تصاویر ۵ ادامه 7 5 0۰۱۳/۵ ‎Green‏ ۱0۵۳۲7 0.۱۳22 ان ین 0.1201 0.1201 0.1608 0.120 ‎A126‏ ‎1608 010527 ۵ 02795 0۳ Red ۵۰7۱۸ 5 0 2902 0.2598 0.2235 00821 108 0.2588 0/2588 0.1608 ۳۹ 0.258 ‏یک تصویر ۳010 نمونه ‎ ‎ 

صفحه 11:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳۳- خواندن تصاویرتابع 1۳0۲6۵0 به منظور خواندن یک فایل گرافیکی در متلب می‌توان از تابع ۱۳0۲6۵۵0 استفاده کرد. اح يح د حك حتت = m=imread(‘filename’) <b ,fgb cos pts ‏لكأ براى‎ لآ برای تصاویر اندیس‌شده:[۳,۲۴8۵]-( 6۱68۵۴۵6 ) 1۱۳۲6۵۵ که در رابطه اخیر (7] ماتریس انديس و 1113۳0 ماترین نقشهرنگ خواهد بود. نکته: تابع 1۳0۳680 را با تعداد آرگومانهای بیشتری نیز می‌توان فراخوانی کرد. جهت اطلاع بیشتر به راهنمای متلب رجوع کنید. 

صفحه 12:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۴- نمایش تصاویر-تابع 1۳950۷۷ تابع 1۳5۱۵۷۷ می‌توان یک تصویر خوانده شده و يا مستقیما یک فایل تصویری را نمایش دهد: imshow(m); ۳۵0 ‏تصویر شدتی‎ imshow(I, map) ‏تصوير ندیسسدم‎ imshow(‘filename’); ‏فايلكرلفيكى‎ ‏مثال:‎ ‎<< imshow(‘fabric.png’) ir >> m=imread(‘fabric.png’); imshow(m) 

صفحه 13:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۴- نمایش تصاویر-تابع ۲05/۱0۷۷ [-ادامه 

صفحه 14:
‎fad‏ سیزدهم: جعبه‌ابزار پرد ‏۱۳-۴ نمایش تصاویر-تابع 1۳0100 تابع دیگری که برای نمایش تصاویر در متلب وجود دارد تابع 1۳0۴001 است. روش استفاده از این تابع مانند تابع 1۳05/00۷۷ است اما قابلیتهای بیشتری را در اختیار می‌گذارد: ‎imshow(‘fabric.png’)‏ >> ‎ ‎ ‎ 

صفحه 15:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۵- نوشتن فایلهای گرافیکی-1۳0۷۷۲[6 برای ایجاد یک فایل گرافیکی می‌توان از تابع ۳۱۷۷۳۱66] استفاده کرد. این تابع بسته به نوع تصویر می‌تواند به یکی از روشهای زیر بکار رده شود: ‎imwrite(m , ‘filename’);‏ ‎imwrite(X , map , ‘filename’);‏ 

صفحه 16:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۶-تعیین مشخصات یک فایل گرافیکی-تابع 1۳۳۴1۳۲0 این تابع اطلاعاتی از قایل گرافیکی مانند: ابعاد تصویرء دقت ابعادی و دقت عمقی, نحوه فشرده‌سازی و.. را آرائه می‌دهد. این تابع بصورت زیر كار ‎ody‏ می‌شود: info=imfinfo(‘filename’) 

صفحه 17:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۷- تبدیل تصاویر پا استفادهاز-توایح زیرمي‌توان نوغ یک تصوير را تغيير داد: bw=im2bw(m , level) bw=im2bw(x , map , level) |16۷6 سطح لستانه میباشد(که بایدبین تا اباشه ‎m=ind2gray(x , map);‏ ‎[x,map]=gray2ind(m);‏ ‎[x,map]=rgb2ind(m);‏ ‎m=ind2rgb(x , map);‏ ‎m=rgb2gray(m);‏ چرای کب اطلاعات بیشتر به راهتمای متلب هراجعه کنید. 

صفحه 18:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۸- عملیات ریاضی بر روی تصاویر در صورتبکه نوع داده‌های تصویر از نوع 11۲28 باشد امکان بکاربردن عملگرهای ریاضی و بسیاری از توابع متلب بر روی آنها وجود نخواهد داشت. بدین‌منظور پیش از انجام عملیات ریاضی باید نوع داده‌ها را به ‎double‏ تبدیل کرد. پس از انجام عملیات ریاضی در صورت نیاز می‌توان نوع متفیر را به 98لا با زگرداند: ‎m=double(m);‏ ‎m=im2uint8(m);‏ 

صفحه 19:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۹- عملیات هندسی بر روی تصاویر == SS SS Se ‏سه نوع عملیات هندسی در متلب بر روی تصاویر امکانپذیر است:‎ © تغيير ابعاد تصوير: تابع 1۳9۳65126 8 چرخش تصویر: تابع 1۳0۳0416 ۴ برش تصویر: تابع 1۳96۳0۵ که در ادامه به هریک خواهیم پرداخت. 

صفحه 20:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۲-۹- عملیات هندسی بر روی تصاویر-دامه تغيير ابعاد تصویر: تابع 1۳۱۳65126 آین تابع به یکی از دو صورت زير قایل استفاده است: y=imresize(x , a); y=imresize(x , [m , n]); ‏درحالت اول متغیر 8 تغییر در ابعاد تصویر است. مثلا اگر برابر با ۲ باشد یعنی‎ ‏ابعاد تصویر حوبرابر خواهد شد. اگر این عدد کمتر از ۲ باشد تصویر کوچکتر حواهت‎ ‏شد و اگر بیشتر از یک باشد تصویر بزرگتر می‌شود.‎ ‏در حالت دوم تعداد سطر و ستون جدید تصویر به تابع ارایه میشود که باید آعداد‎ Se 

صفحه 21:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۲-۹- عملیات هندسی بر روی تصاویر-دامه چرخش تصویر-تابع 1۳۱۳01۵16 ‎aged‏ استفاده از ان تابع بصورت زیر است: m2=imrotate(m , d , [‘Option’] , [‘crop’]) آرگومان دوم میزان چرخش تصوير برحسب درجه مي‌باشد. آرگومان سوم اختیاری بوده و می‌تواند یکی از مقادیر 86۵۲65۴ ,0111863۳ با > امالااظ باشد. در صورتیکه این آرگومان بکار برده تشود. مقدار پیش‌فرض 06۵۳65 خواهد بود. آرگومان چهارم نیز اختیاری می‌باشد و تنها می‌تواند مقدار 6۲0۴" را داشته باشد. کرصورتیکه بکار برده شود ابعاد تصویر پس ار چرخش تقییر تم یکند اما بخشی ار تصویر برش داده و حذف می‌شود 

صفحه 22:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۹ عملیات هندسی بر روی تصاویر ادامه جرخش تصوير-تابع ©11110636أ-ادلمه مثال: ‎m=imread(‘ic.tif’);‏ ‎n=imrotate(m , 35); p=imrotate(m , 35,’crop’);‏ imshow(n); figure; imshow(p); 1 3 ۳۳۳ 

صفحه 23:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۹- عملیات هندسی بر روی تصاویر-ادامه برش تصویر: تابع 1۳96۲00 این تابع به یکی از شکلهای زیر قابل استفاده است: 12 = IMCROP(I,RECT) X2 = IMCROP(X,MAP, RECT) RGB2 = IMCROP(RGB,RECT) [A,RECT] = IMCROP(...) که در این روابط ]۲6 یک برذار سطری است که مختصات یک ناجیه مستطیلی شکل که از تصویر برش حادم می شود را م شحص می کند- مر صورتیکه ای آرگومان جر ‎Se ee eae‏ ناحیه مستطیلی را با ماوس انتخاب کند. 

صفحه 24:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۹- عملیات هندسی بر روی تصاویر ادامه برش تصویر: تابع 1۳06۳00 دامه مثال: m=imread(‘pout.tif’); imshow(m);figure;imcrop(m,[size(m)/4,size(m)/2] 

صفحه 25:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۰- فیلترهای خطی و طراحی فیلتر برای اعمال یک فیلتر بر روی تصویر می‌توان از تابع ۱۱۳6۳2 استفاده کرد: ‎m2=filter2(h , m)‏ در رابطه "] ماتریس فیلتر و ۲ ماتریس تصویر اولیه است. 1۱ می‌تولند هر ماتریس با ابعاد دلخواه باشد. اما معمولا یک ماتریس ۳۵۳ یا ۵*۵ است. 

صفحه 26:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۰- فیلترهای خطی و طراحی فیلتر-دامه لآ فيلترهاى آماده با استفاده از ‎fspecial ot‏ می‌توان فیلترهای ای معمول در پردازش تصویر را برای استفاده با تابع 8166۳2 ایجاد کرد. روش استفاده از اين تابع بصور: زیر آست: (نام فيلتر' , لبعاد فیلتر ")۲5066131 بستة بة نوع أركومان اول ممكن است اين تابع با يك يا بيش دو أركومان نيز بكار برده شود = gaussian: 3 =i. بلاگنر :50061 بداهنر ۵۲۵۸۸ laplacian: sy ‏فيلم‎ اعمط وسيل فوسو صرت جاه 100 ‎average: ss‏ بایرگنر :۱86۳۵۲۵ 

صفحه 27:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر 2۱۳-۰ فیلترهای خطی و طراحی فیلتر-دامه لا فیلترهای آماده-مثال SobelFilter=fspecial(‘sobel’); [,map]=imread(‘kids.tif’);l=ind2gray(I,map); 12=filter2(SobelFilter,|); imshow( | ); figure; imshow( 12 ); 

صفحه 28:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱ آنالیز و بهسازی تصویر آنالیز و بهسازی تصویر شامل سه عملیات زیر است: ‎a‏ بدست آوردن ارزش نقاط تصوير و اعمال عملیات آماری بر روی آنها © آنالیز تصویر بمتظور استخراج اطلاعات در مورد تساختار کلی آن = بهسازى تصوير بمنظور واضجتر شدن_ جزييات تصوير و حذف لويز بمنظور ‎See ee‏ که در ادامه به هر یک خواهیم پرداخت 

صفحه 29:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۱-آنالیز و بهسازی تصویر-دامه لأ پدست آوردن ارزش نقاط تصویر و اعمال عملیات آماری بر روی آنها impixel , pixval ais با استفاده از تابع 10016 می‌توان مشخصات رنگی پیکسلهایی از تصویر را بدست آورد. این تابع پصورتهای زیر بکار می‌رود: = IMPIXEL(I) MPIXEL(X,MAP) IMPIXEL(RGB) در راین حالت لین تابع پنجره تصویر را نمایان ساخته آمکان انتخاب نقاط مورد نظر را به کاربر می‌دهد. پس از رفن تک کلید با دکمه سمت رانست ماوس مشحصات این تقاط در ماترپس 0 دخیره خواهد فد البته این تابع بصورتهای دیگری نیز می‌توان بکار برد که بیای کسب اطلاعات بیشتر می‌توانید بد رأهتماى متلب مراجعه كتيد تابع 0170/21 به يايين ينجره تصوير كادرى را اضافه می‌کند که با حرکت ماوس بر روی تصویر مشخصات رتكى تقاط تصویر در این کادر تمایش داده می‌شود. این تابع بايد بس تمايش تصوير با تابع 0 صدا زده شود. = 

صفحه 30:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر -۱ -آنالیز و بهسازی تصویردامه بدست آوردن ارزش نقاط تصویر و اعمال عملیات آماری بر روی آنها-ادامه improfile ot ‏این تابع تمودار تغييرات رتك تصویر را در یک مسیر دلخوله که با ماوس انتخاب می‌شود رسم می کند‎ ‏مثال:‎ ‎imshow(‘flowers.tif’);improfile; ‎" ‏عل‎ ليلاي ۳ الا ‎nw‏ ‎AlN 5‏ دص ااا << 

صفحه 31:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲-آنالیر و بهسازی تصویر-ادامه بدست آوردن ارزش نقاط تصویر و اعمال عملیات آماری پر روی آنها-ادامه تابع 1۳60۳۲۵1۲: رسم نمودار تراز داده‌های تصویر: im=imread(‘ic.tif’); imshow(im);figure;imcontour(im,3); 

صفحه 32:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲-آنالیر و بهسازی تصویر-ادامه بدست آوردن ارزش نقاط تصویر و اعمال عملیات آماری بر روی آنها-ادامه تابع 1۱۳۱15۴: رسم نمودار فراوانی نفاط تصویر: ‎|=imread(‘flowers.ti rgb2gray(1);‏ ‎imshow(|);figure;imhist(1);‏ 

صفحه 33:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۱-آنالیز و بهسازی تصویر-دامه بدست آوردن ارزش نقاط تصویر و اعمال عملیات آماری بر روی آنها-ادامه std2 ,mean2 als توابع ۳۹6۵۳ و ‎٩۳0‏ در متلب به ترتیب برای بدست آوردن میانگین و انحراف معیار بکار برده می‌شوند اما این توایع بضورت برداری عمل می‌کنتد یعتی میانگین یا انحراف معیار عناصر یک بردار را محاسبه می‌کنند. أكر اين توابع رذبر روى يك عاتريس اعمال كنيع مانند اکتر توابع معلب بصورت ستونى روى عتاصر آن ماتريس عمل خواهند كرد. يعنى ميانكين يا انحراف معيار هر ستون ماتریس را بصورت جداگانه بدست می‌آورند. برای آنكه بتوان ميانكين يا انحراف معيار تمامی تفاط یک ماتریس را بدست آورد باید از توابع ۹6۵۳2 و 5102 استفاده کرد 

صفحه 34:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۱-آنالیز و بهسازی تصویردامه آنالیز تصویر: از آنجاییکه آنالیز تصوير بيشتر بر روی تصاویر باینری انجام می‌گردد این مبحث به سرفصل "عملیات بر روی تصاویر باینری " ارجاع می‌شود. 

صفحه 35:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر دانسا وچ رواد بهسازى تصوير: اين عمليات كه به عمليات بيش بردازش نيز مشهور است معمولا بيش از عمليات يردازش اصلی یا عملیات آنالیز نصویر انجام می‌گیرد. در اين عملیات بهبودهایی بر روی داده‌های ‎gyal‏ اعمال می‌شود تا امکان استحراج دقیعر و عحیمتر اطلاعات میس تاج عسیات در سل زر شرح داده ‎se‏ 8 تنظیم شدت ‎Mf‏ متعادل کردن هیستوگرام با بهسازی تباین ‎a‏ ‏متف و ‎ 

صفحه 36:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۱-آنالیز و بهسازی تصویر-ادامه بهسازی تصویر دامه ‎imadjust gt-sas bs‏ ا ا ۳۳ خا اه ‎J=imadjust(!, [low , high] , [bottom , top])‏ آرگومان دوم برداری دو عنصری است که بیانگر دامنه حاوی روشنایی‌هایی از تصویر است که عملیات تنظیم شدت بر روی آنها باید اعمال گردد. آرگومان سوم. دامنه تغییرات جدید روشنایی برای نقاط فوق است. متال: |=imread(‘pout.tif’); J=imadjust(|, [0.3 , 0.7] , [0 ,1]); subplot(2,2,1);imshow(I); subplot(2,2,2);imshow()); subplot(2,2,3); imhist(1); subplot(2,2,4); imhist(J) 

صفحه 37:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۱-آنالیز و بهسازی تصویر-ادامه بهسازی تصویر ادامه تنظیم شدت-تابع 056ا[1030أ-ادامه 10 1 ‏ور‎ on om 5 0 0 

صفحه 38:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲-آنالیر و بهسازی تصویرادامه بهسازى تصوير-ادامه متعادل کردن هیستوگرام یا بهسازی تباین-تابع ۱5660 تابع ۱15160 بصورت اتوماتیک بهترین تنظلیم هیستوگرام را بر روی تصویر انجام می‌دهد و معمولا کیفیت روشنایی تصویر رط به ميزان زيادى بهبود م ىبخشد. iJ l=imread(‘tire.tif’); J=histeq(I);figure; subplot(2,2,1);imshow(|); subplot(2,2,2);imshow()); subplot(2,2,3);imhist(I); subplot(2,2,4);imhist(J); 

صفحه 39:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲-آنالیز و بهسازی تضویر-ادامه بهسازی تصویر-ادامه متعادل کردن هیستوگرام یا بهسازی تباینتابع 015060 دامه 

صفحه 40:
‎fad‏ سیزدهم: جعبه‌ابزار پرد ‎ ‎ ‏۱۳-۱-آنالیز و بهسازی تصویر-ادامه بهسازی تصویر ادامه حذف نویز ‏متمولا تصاویر دیجیتال کم وبیش تارای نویر هستد. حدف نویر قبل از هرگونه عملیات پردارشی باید انجام گیرد. فیلترهای متعددی برای حذف نویز طرلحی شدهاند. در متلب نیز چندین فیلتر برای حذف نویز وجود دارد که از این میان به ساده‌ترین آنها اشاره خواهیم کر ا فیلتر میانگین فیلتر میانه ‏برای ایجاد فیلتر میانگین از تابع ‎fspecial‏ « قبلا توضيح داده شد و تابع 116612 می‌توان استفاده کرد برای اعمال فیلتر میانه از تابع ۹60۴۹162 استفاده کنید. بطورکلی تمامی فیلترهای حذف نویز از وضوح (51131811655) تصوير می کاهند. در میان دو فیلتر میانگین و میانه. فیلتر میانه معمولا نتیجه بهتری ایجاد می‌کند و وضوح تصویر را نیز کمتر نحت تاثیر قرار می‌دهد ‎ 

صفحه 41:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۱-آنالیز و بهسازی تصویرادامه بهسازی تصویر-ادامه حذف نویز-مثال: مقایسه فیلتر میانه و فیلتر میانگین imread(‘eight.tif’); J= imnoise(! , ‘Salt & pepper’ , 0.02); % 5.5 .59;41 K= filter2(fspecial(‘average’ , 3) , J) / 255; YS ‏فیلتر‎ ‎L=medfilt2(J , [3 , 3]); % ‏فیلتر میانه‎ subplot(2,2,1); imshow(| ); title(‘Initial Image’) subplot(2,2,2); imshow( J ); title('Noised Image’); subplot(2,2,3); imshow( K ); title(‘Mean Filter’); subplot(2,2,4); imshow( L ); title(‘Median Filter’); 

صفحه 42:
‎fad‏ سیزدهم: جعبه‌ابزار پردازش ت رسارس حبص( بر ‏۱۳-۱ نا ۱۳-۲-آنالید و بهسازی تصویر-ادامه بهسازی تصویر-ادامه حذف نویز-مثال: فیلت نویز-مثال: مقایسه فیلتر میائه و فیلتر میانگین لدامه ‎ ‎ 

صفحه 43:
‎fad‏ سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- عملیات بر روی تصاویر باینری ‏اگرچه عملیات بر روی تصاویر بایتری زیرمجموعه مبحت آنالیز تصویر است لکن بخاطر آهمیت تصاویر باینری در علم پردازش تصویر این مبحث را در بخش جدیدی اتوك ‏همانگونه که قبلا گفته شد تصویر بایتری به تصویری گفته می‌شود که پیکسلهای آن ‎gs‏ دارای عکی از دو مقدار ممکن ۱ با و ۲۵۵ باشند. در متلب تصاویر باینری می‌توانند بصورت تصاویر شدت و یا بصورت تصاویر اندیس‌شده ذخیره و معرفی شوند. در حالت دوم ماتریس نقشه رنگ تنها دارای دو سطر خواهد بود. ‎ ‎ 

صفحه 44:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۳-۲- عملیات بر روی تصاویر باینری نمایش تصاویر باینری برای تمایش تصاویر بایتری نیز از تابع ۳۹5۱6۷] استفاده می‌شود. درصورتیکه تصویر از نوع شدت باشد فرم : (۳5/۱0۷۷)۲]] و اكر از نوع انديس شده باشد فرم : ‎imshow(! ,mMap)‏ بکار برده خواهد شد. 

صفحه 45:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۳-۳ - عملیات بر روی تصاویر باینری عملیات ساختاری 006۲۵110۳05 ۷۵۲۵۲۵۱0916۵1 عملیات ساختاری به عملیاتی گفته می‌شود که بر روی تصاویر باینری اعمال شده و هدف از آن ایجاد تغییر ويا تصحيح در اجزا داخل يى تصوير باينرى باشذ. اين عمليات معمولا یک مرحله قبل از ععلیات يردازش نهايى لمنجام ميشود. منظور از عملیات پردازش نهایی عملیاتی است که در آن اطلاعاتی از تصویر استخراج ميشود. مثلا محیط یا مساحت اجزا تصویر محاسبه می‌گردد. آز میان این عملیات در ادامه چهار نوع از مهترین آنها شرح داده خواهد شد که عبارتند از - عملیات افزایش میات ایو - عملیات کشودن - عملیات بستن 

صفحه 46:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- عملیات بر روی تصاویر باینری-ادامه asst Morphological Operations .¢,bsts ole عملیات افزایش و فرسایش(8۲05|0۳ & ‎(Dilation‏ منظور از عملیات افزایش عملیاتی است که باعث افزایش ابعاد اجزا داخل تصویر به اندازه یک یا چند پیکسل می‌گردد. در اث این عمل ممکن لست نقاطی که از یک تصوير باینری در اثر عواملی چون تاثیر نویز پا اعمال حد آستانه نامطلوب جا افتاده است. تصحیح گردند. مثلا ممکن است دو جزء از بر به یکدیگر متصل گردند. للگوریتم اعمال فیلتر افزایش بدین صورت است که تمامی نقاط سیاه تصوير بررسی شده در صورتیکه حداقل یکی از همسایگان انتخایی نقطه مورد بررسی سفید باشند» تقطه مزبور نیز سفید خواهد شد در غیر اینصورت سیاه باقی خواهد ماند- عملیات فرسایش دفیقا عکس عملیات افزایش است. در این عملیات معمولا نقاط ناخواسته تصویر بایتری حذف می‌شوند و سایر اجزا تصویر نیز به اندازه یک یا چند پیکسل نازکتر خواهند شد. عملا تمامی تقاط سفید تصویر بررسی شده در صورتیکه حدافل یکی از همسایگان انتخابی آن سیاه باشته آن نقطه تیز سیاه خواهد شد. 

صفحه 47:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- عملیات بر روی تصاویر باینری-ادامه asst Morphological Operations .¢,bsts ole عملیات افزایش و فرسایش دامه آپعاد همسایگی و انتخاب همسایه‌ها توسط یک ماتریس ماسک (۷35) مشخص می‌شوند. مثلا اگر ماتریس ماسک یک ماتریس ۳* ۳ باشد که تمای عناصر آن برابر با ۱ باشد. یعنی یک همسایگی Sea es a ee ee ‏کار وتو‎ + ‏قرار گیرند.‎ برای عملیات افزایش در متلب از تابع 886] ۱۳001 و برای عملیات فرسایش از تابع 16۳006 استفاده کنید. اگرچه هردو عملیات را با استفاده از تابع کلی‌تر 0۷۷۲۳۵۴۵۸ نیز می‌توان انجام داد. فرمول کلی استفاده از این توابع بصورت زیر است: ‎bw2=imerode(bw1, se);‏ ‎bw2=imdilate(bw1 , se);‏ 

صفحه 48:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- عملیات بر روی تصاویر بایتری-ادامه عملیات ساختاری 006۲۵110۳5 ۵1ع۳10۲۵۳۵۱091-دامه عملیات افزایش و فرسایش -متال bwi=imread(‘circbw.tif’); SE=eye(5); bw2=imerode(bw1 , SE); imshow(bw1); figure; imshow(bw2); 

صفحه 49:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- عملیات بر روی تصاویر باینری-ادامه عملیات ساختاری 0۵6۳۵11005 ۳۱۵۲۵۳۵۱091]81 -دابه عملیات گشودن و بستن ‎Open & Close‏ از ت رکیپهای مختلت دو عملیات آفرایش و فرسایش می‌توان ععلیات دیگری ایجاد کرد مهمترين ‎ol‏ عملیات. عملیات گشودن و پستن است. در عملیات گشودن آجزایی از تصویر بایتری که از یک اندازه تعیین شده کوچکتر باشتد حذف می‌قوند بدون آنکه ابعاه سایر اجزا تغییر کند. در عملیات پستن نیز نواحی جافتاده تصویر باینری بدون تغییر در ابعاد سایر اجزا ترمیم می‌گردند. عملا در صورتیکه ایتدا عملیات فرسایش و سپس افزایش بر یک تصوير باینری اعمال شود. نتيجه. عملیات گشودن خواهد بود اما اگر ابتدا افزايش و سپس فرسایش لعمال گردد. عملیات بستن حاصل خواهد == در متلب برلی اعمال عملیات گشودن و بستن و همچنین سایر عملیات مورفولوژی از تابع ‎DWMOrph‏ ‎Sb ol eS Stes as aS ete‏ (همانگونه که در عتال بعدی عمل شده است) 

صفحه 50:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- عملیات بر روی تصاویر باینری-ادامه عملیات ساختاری 0۳06۲۵110۳5 ۳10۵۲۵۵۱09121 ادامه عملیات گشودن و بستن 01056 6 0061-منال bw1=imread(‘circbw.tif); ‘ones(40 , 30); bw: bw3=imdilate(bw2 , se); imshow(bw2); figure; imshow(bw3); imerode(bw1 , se); 

صفحه 51:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- عملیات بر روی تصاویر باینریدامه عملیات ساختاری 006۲۵110۳5 ۷10۲0۵۳۵۱0916۱ -دامه immorph ab ‏تعریف شده:‎ با استفاده از تایع 1۳۳۳۵۳۵۱۲ می‌توان بسیاری از عملیات ساختاری معروف پردازش تصویر را اعمال نمود. شکل کلی استفاده از این تابم بصورت زیر است: ‎bw2 = bwmorph(bw1 , operation , [n]);‏ آرگومان سوم اختیاری بوده و بیانگر ابعاد ماسک مورد استفاده یا فاکتور دیگری با توجه توع آرگومان دوم در عملیات لست. در صورت حذف آرگومان سوم مقدار پیش فرض آن بکار برده خواهد شد. مقطر آرگومان دوم یکی از رشته‌های زیر است: ‎erode fill hbreak open skel remove close dilate‏ مفال بعدی نتیجه عملیات اسکلتون را بر روی تصویر قبلی نشان می‌دهد 

صفحه 52:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر ۱۳-۲- عملیات بر روی تصاویر باینری-ادامه عملیات ساختاری 006۲۵110۳05 0۲0۵۳6۵۱091]21-دامه عملیات از پیش تعریف شده: ‎Jie -IMMOFPH wb‏ ‎bw1= imread(‘circbw.tif’); bw2= bwmorph(bw1 , ‘skel’ , inf)‏ ‎imshow(bw1); figure; imshow(bw2);‏ 

صفحه 53:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر تکلیف ۱-۱۳- تصویری‌به نام 1۴ 109/6۲از نوع ۴ در دست است. لین تصویر شلمل یک گل‌به ینگ قرمز و ساقه و برگ به رنگ سبز بر روی یک زمینه آبی است. برنامه‌ای بنویسید که : الف - تصویر فوق را خوانده و داده‌های آنرا در ماتریسی به نام 139 بریزد ب-با استفاده از حد آستانه ۱۲۰ برای جزء سبز و حد آستانه ۱۸۰ برای جز قرمز. دو تصویر باینری بنامهای 91 و 2 ایجاد کند که در اولی تنها تصویر گل و در دومی تنها اجزاء ساقه و برگ وجود داشته باشند. راهنمایی: برای استخراج برگها تنها استفاده از یک شرط برای حد آستانه کافی نیست. مثلا شرط: 100 < (1,:,:) 6 2(<120,:,:)] را امتحان کنید. ج- مرز گل را در تصویر 91 استخراج کرده و در 911 بریزد. د- تصاوير 811 و 92 رابا استفاده از عملگر پای منطقی در متلبسبا یکدیگر تلفیق نملیدتا تصویر باینری > 7 ه- مساحت برگ و ساقه و مساحت و محیط گل را از تصاوبر 91.11 و 92 بدست آورد. و- مختصات نخستین پیکسل سفید(نسبت‌به گوشه بالا-: چپ تصویر) در تصاویر ۵1 و 92 را بدست آوود. ز-با استفاده از دستور 626۴ و نتلیج قسمتیهای "۰" و * و"پس از نملیش تصویر مساحت و محیط هر جز را در کنار آن نمایش دهد 

صفحه 54:
فصل سیزدهم: جعبه‌ابزار پردازش تصویر تکلیف ۲-۱۳- تصویر یک پارچه سفید با نام 138111416 شدت(0۲3۷5616) در دست است. اي می‌باشد برنامه‌ای بنویسید که با استفاده از و از نوع تصوبر دارای یک طرح بافت خاص تبدیل فوریه یک بعدی فرکانس تکرار طرح مزبور در جهت افقی و عمودی وبا استفاده از لین فرکانسها و طول و عرض تصويرء ابعاد طرح فوق را محاسبه کند و نمایش دهد. رزولوشن تصوير را 60000 در نظر بگیرید. راهنمایی:بدین منظور یک سطر و یک ستون از تصویر را انتخاب و طیف فوریه آنرا = 

فصل سیزدهم پردازش تصویر کالس آموزشی فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-1مقدمه در متلب تصاوير بصورت ماتريسهاي دو‌ ،سه و يا چهاربعدي تعريف مي‌شوند. کيفيت تصوير :کيفيت تصوير به دو پارامتر يکي دقت ابعادي و ديگري دقت عمقي در هنگام تصويربرداري و يا ذخيره‌سازي تصوير بستگي دارد. دقت عمقي( :)Depthمنظور از دقت عمقي تعداد بيتهايي است که از حافظه کامپيوتر به هر نقطه(پيکسل) از تصوير اختصاص داده مي‌شود. دقت ابعادي( :)Resolutionمنظور تعداد نقاط نمونه‌برداري شده در واحد طول يا عرض تصوير است .دقت ابعادي افقي و عمودي يک تصوير ممکن است متفاوت باشند اما معموال چنين نيست .واحد دقت ابعادي dpiيا نقطه بر اينچ است. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-1مقدمه-ادامه- انواع تصاوير :انواع تصاوير عبارتند از : تصاوير انديس‌دار تصاوير شدت تصاوير باينري تصاوير RGB تصاوير چندفريمي که در ادامه فصل مفصال به هريک خواهيم پرداخت فرمتهاي گرافيکي :تصاوير با فرمتهاي مختلفي مي‌توانند بر روي ديسک ذخيره شوند. مهمترين فرمتهاي گرافيکي در زمان حاضر عبارتند ازPNG، JPG،BMP، : TIFF،GIFکه تمامي آنها بعالوه چندين فرمت ديگر توسط متلب پشتيباني مي‌شوند. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-2انواع تصاوير تصاوير شدت()Intensity Image تصوير شدت يا تصوير سطح خاکستري ،به تصويري گفته مي‌شود که تنها داراي مقادير روشنايي باشد و فاقد خصوصيات رنگ مانند :فام و خلوص باشد .در متلب اين تصاوير توسط ماتريسهاي دو بعدي تعريف مي‌شوند بطوريکه مقدار هر عنصر از اين ماتريس معرف ميزان روشنايي پيکسل متناظرش در تصوير مربوطه مي‌باشد .دامنه تغييرات عناصر اين ماتريس ممکن است بين 0تا 1و يا بين 0تا 255تغيير کند. در حالت اول داده‌هاي ماتريس از نوع دقت مضاعف و در حالت دوم از نوع uint8خواهد بود .بجز توابع تعريف شده در جعبه‌ابزار imagesو بعضي از توابع خود متلب ،ساير عمليات رياضي بر روي نوع uint8در حال حاضر امکانپذير نمي‌باشد .لذا در صورت نياز ،اين نوع بايد به نوع دقت مضاعف تبديل شود که ميزان حافظه‌ مورد نياز آن چهار برابر نوع uint8است. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-2انواع تصاوير-اeدامه تصاوير شدت-ادامه نمونه‌اي از يک تصوير شدت: فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-2انواع تصاوير-ادامه تصاوير انديس‌شده()Indexed Image اين تصاوير توسط دو ماتريس زير مشخص مي‌شوند: .1ماتريس انديس :ماتريسي اسeت که ابعاد آن برابر با ابعاد تصوير بر حسب پيکسل مي‌باشد .مقادير اين ماتريس معموال بين 1تا 256تغيير مي‌کند و مقدار هر درايه از اين ماتريس معرف شeماره سطري از ماتريس نقشه‌رنگ است. .2ماتريس نقشه‌رنگ( :)mapاين ماتريس داراي 3ستون مي‌باشد و هر سطر از آن معرف يکي از رنگهاي موجود در تصوير اسeت .بطوريکه عنصر اول هر سطر معرف نسبت اوليه قرمز ،عنصر دوم معرف اوليه سبز و عنصر سوم معرف اوليه آبي است. يک تصوير انديس‌شده بسته به مقادير ماتريس نقشه‌رنگ ،ممکن است رنگي يا سطح خاکستري باشد. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-2انواع تصاوير-ادامه تصاوير انديس‌شده(-)Indexed Imageادامه نمونه‌اي از يک تصوير انديس‌شده فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-2انواع تصاوير-ادامه تصاوير باينري يک تصوير باينري به تصويري گفته مي‌شود که هر پيکسل از آن تنها بتواند داراي يکي از دو مقدار ممeکن (معموال 0و )1باشد.در متلب اين تصاوير مي‌توانند با فرمت doubleو يا uint8ذخيره‌سازي شوند .اما بطور پيش‌فرض متلب فرمت uint8را بکار خواeهد برد که مقادير آن مي‌تواند 0 ،و 1ويا 0و 255باشد. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-2انواع تصاوير-ادامه تصاوير RGB يک تصوير RGBيا true colorبه تصويري گفته مي‌شود که به ازاي هر پيکسل از آن سه عدد بين 0تا 255در حافظه کامپيوتر ذخيره شده باشد که اين اعداد معرف شدت هر يک از اوليه‌هاي قرمز، سبز و آبي مي‌باشد .مثال براي يک پيکسل سفيد سه عدد 255و براي يک پيکسل سبز سه عدد ،0 255و 0به ترتيب معرف شدت اوليه‌هاي قرمز ،سبز و آبي ايجاد خواهد شد .بنابراين براي هر نقطه از تصوير بيش از 16ميليون( )256*256*256حالت رنگي مختلف اeمکانپذير خواهد بود .واضح است که يک تصوير rgbسه برابر يک تصوير شدت ه ‌ماeندازه با آن حافظه کامپيوتر را اشغال خواهد کرد و به همان نسبت هم به زمان پردازش بيشتري نياز دارد. در متلب هر تصوير rgbبصورت يک ماتريس سه‌بعدي تعريف مي‌شود که در بعد سوم آن مقادير اوليه‌هاي رنگي هر نقطه ( )r,g,bذخيره مي‌شوند .عناصر اين ماتريس ممکن است بين 0تا 1 ()doubleو يا بين 0تا )uint8( 255تغيير کند دقت شود که يک تصوير rgbلزوما رنگي نيست اما مي‌تواند رنگي باشد. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-2انواع تصاوير-ادامه تصاوير -RGBادامه يک تصوير rgbنمونه فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-3خواندن تصاوير-تابع imread به منظور خواندن يک فايل گرافيکي در متلب مي‌توان از تابع Imreadاستفاده کرد. بسته به نوع تصوير فرمت کلي استفاده از اين تابع به يکي از صورتهاي زير است: براي تصاوير شدت rgb ،و باينريm=imread(‘filename’) : براي تصاوير انديس‌شدهimread(‘filename’)=]m,map[: که در رابطه اخير mماتريس انديس و mapماتريس نقشه‌رنگ خواهد بود. نکته :تابع imreadرا با تعداد آرگومانهاي بيشتري نيز مي‌توان فراخواني کرد .جهت اطالع بيشتر به راهنماي متلب رجوع کنيد. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-4نمايش تصاوير-تابع imshow تابع imshowمي‌توان يک تصوير خوانده شده و يا مستقيما يک فايل تصويري را نمايش دهد: ;)imshow(m تeeصوير شeeدتياrgb )imshow(I , map ‌شeeدهe تeeصوير اeنديس فeeايلگeeراeفeيکي ;)’imshow(‘filename مثال: )’>> imshow(‘fabric.png :يا ;)’>> m=imread(‘fabric.png )imshow(m فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-4نمايش تصاوير-تابع -imshowادامه فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-4نمايش تصاوير-تابع imtool تابع دیگری که برای نمایش تصاویر در متلب وجود دارد تابع imtoolاست .روش استفاده از این تابع مانند تابع imshowاست اما قابلیتهای بیشتری را در اختیار می‌گذارد: )’>> imshow(‘fabric.png فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-5نوشتن فايلهاي گرافيکيimwrite- براي ايجاد يک فايل گرافيکي مي‌توان از تابع imwriteاستفاده کرد .اين تابع بسته به نوع تصوير مي‌تواند به يکي از روشهاي زير بکار برده شود: ;)’imwrite(m , ‘filename ;)’imwrite(X , map , ‘filename فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-6تعيين مشخصات يک فايل گرافيکي-تابع imfinfo اين تابع اطالعاتي از فايل گرافيکي مانند :ابعاد تصوير ،دقت ابعادي و دقت عمقي ،نحوه فشرده‌سازي و ...را ارائه مي‌دهد .اين تابع بصورت زير بکار برده مي‌شود: )’info=imfinfo(‘filename فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-7تبديل تصاوير با استفاده از توابع زير مي‌توان نوع يک تصوير را تغيير داد: )bw=im2bw(m , level )bw=im2bw(x , map , level ‌بeeاشد(.کeeه بeeايد بeeين 0تeeا 1بeeاشد) مeي levelسeeطح آeسeتانeه ‌ ;)m=ind2gray(x , map ;)[x,map]=gray2ind(m ;)[x,map]=rgb2ind(m ;)m=ind2rgb(x , map ;)m=rgb2gray(m براي کسب اطالعات بيشتر به راهنماي متلب مراجعه کنيد. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-8عمليات رياضي بر روي تصاوير در صورتيکه نوع داده‌هاي تصوير از نوع uint8باشد امکان بکاربردن عملگرهاي رياضي و بسياري از توابع متلب بر روي آنها وجود نخواهد داشت .بدين‌منظور پيش از انجام عمليات رياضي بايد نوع داده‌ها را به doubleتبديل کرد .پس از انجام عمليات رياضي در صورت نياز مي‌توان نوع متغير را به uint8بازگرداند: ;)m=double(m ;)m=im2uint8(m فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-9عمليات هندسي بر روي تصاوير منظور از عمليات هندسي هرگونه تغيير در ابعاد تصوير و يا شکل هندسي آن مي‌باشد. سه نوع عمليات هندسي در متلب بر روي تصاوير امکانپذير است: تغيير ابعاد تصوير :تابع imresize چرخش تصوير :تابع imrotate برش تصوير :تابع imcrop که در ادامه به هريک خواهيم پرداخت. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-9عمليات هندسي بر روي تصاوير-ادامه تغيير ابعاد تصوير :تابع imresize اين تابع به يکي از دو صورت زير قابل استفاده است: ;)y=imresize(x , a ;)]y=imresize(x , [m , n درحالت اول متغير aنسبت تغيير در ابعاد تصوير است .مثال اگر برابر با 2باشد يعني ابعاد تصوير دوبرابر خواهد شد .اگر اين عدد کمتر از 1باشد تصوير کوچکتر خواهد شد و اگر بيشتر از يک باشد تصوير بزرگتر مي‌شود. در حالت دوم تعداد سطر و ستون جديد تصوير به تابع ارايه ميشود که بايد اعداد صحيح مثبت باشند. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-9عمليات هندسي بر روي تصاوير-ادامه چرخش تصوير-تابع imrotate نحوه استفاده از اين تابع بصورت زير است: )]’m2=imrotate(m , d , [‘Option’] , [‘crop آرگومان دوم ميزان چرخش تصوير برحسب درجه مي‌باشد .آرگومان سوم اختياري بوده و مي‌تواند يکي از مقادير bilinear, nearestيا bicubicباشد .در صورتيکه اين آرگومان بکار برده نشود ،مقدار پيش‌فرض nearestخواهد بود. آرگومان چهارم نيز اختياري مي‌باشد و تنها مي‌تواند مقدار ‘ ’cropرا داشته باشد. درصورتيکه بکار برده شود ،ابعاد تصوير پس از چرخش تغيير نمي‌کند اما بخشي از تصوير برش داده و حذف مي‌شود. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-9عمليات هندسي بر روي تصاوير-ادامه چرخش تصوير-تابع -imrotateاداeمه مثال: ;)’m=imread(‘ic.tif ;)’n=imrotate(m , 35); p=imrotate(m , 35,’crop ;)imshow(n); figure; imshow(p فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-9عمليات هندسي بر روي تصاوير-ادامه برش تصوير :تابع imcrop اين تابع به يکي از شکلهاي زير قابل استفاده است: )I2 = IMCROP(I,RECT )X2 = IMCROP(X,MAP,RECT )RGB2 = IMCROP(RGB,RECT )[A,RECT] = IMCROP(... که در اين روابط rectيک بردار سطري است که مختصات يک ناحيه مستطيلي شکل که از تصوير برش داده مي‌شود را مشخص مي‌کند .درصورتيکه اين آرگومان در ورودي مشخص نشود ،تصوير نمايش داده شده و متلب منتظر مي‌ماند تا کاربر يک ناحيه مستطيلي را با ماوس انتخاب کند. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-9عمليات هندسي بر روي تصاوير-ادامه برش تصوير :تابع -imcropادامه مثال: ;)’m=imread(‘pout.tif ]imshow(m);figure;imcrop(m,[size(m)/4,size(m)/2 فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-10فيلترهاي خطي و طراحي فيلتر براي اعمال يک فيلتر بر روي تصوير مي‌توان از تابع filter2استفاده کرد: )m2=filter2(h , m در رابطه hماتريس فيلتر و mماتريس تصوير اوليه است h .مي‌تواeند هر ماتريس با ابعاد دلخواه باشد، اما معموال يک ماتريس 3*3يا 5*5است. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-10فيلترهاي خطي و طراحي فيلتر-ادامه فيلترهاي آماده با استفاده از تابع fspecialمي‌توان فيلترهاي معمول در پردازش تصوير را براي استفاده با تابع filter2 ايجاد کرد .روش استفاده از اين تابع بصورت زير است: )نeeام فeeيلتر‘ ,اeبeعاد فeeيلتر ‘(h=fspecial بسته به نوع آرگومان اول ممکن است اين تابع با يک يا بيش دو آرگومان نيز بکار برده شود. نام فيلتر مي‌تواند يکي از پارامترهاي زير باشد: پeeايينگeeذر gaussian: بeeاeالگeeذر sobel: بeeاeالگeeذر prewitt: فeeيلتر الeپeالسlaplacian: اeعماeلفeeيلتر گeeوسeيو پeeساز آeنالeپeالس log: فeeيلتر مeيانeگينaverage: پeeايينگeeذر unsharp:  جعبه‌ابزار پردازش تصوير:فصل سيزدهم ادامه- فيلترهاي خطي و طراحي فيلتر-13-10 مثال- فيلترهاي آماده SobelFilter=fspecial(‘sobel’); [I,map]=imread('kids.tif');I=ind2gray(I,map); I2=filter2(SobelFilter,I); imshow( I ); figure; imshow( I2 ); فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير آناليز و بهسازي تصوير شامل سه عمليات زير است: بدست آوردن ارزش نقاط تصوير و اعمال عمليات آماري بر روي آنها آناليز تصوير بمنظور استخراج اطالعات در مورد ساختار کلي آن بهسازي تصوير بمنظور واضح‌تر شدن جزييات تصوير و حذف نويز بمنظور آماده‌سازي براي عمليات پردازشي بعدي که در ادامه به هر يک خواهيم پرداخت فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بدست آوردن ارزش نقاط تصوير و اعمال عمليات آماري بر روي آنها توابع pixvalو impixel با استفاده از تابع impixelمي‌توان مشخصات رنگي پيکسلهايي از تصوير را بدست آورد .اين تابع بصورتهاي زير بکار مي‌رود: )P = IMPIXEL(I )P = IMPIXEL(X,MAP )P = IMPIXEL(RGB در اين حالت اeين تابع پنجره تصوير را نمايان ساخته امکان انتخاب نقاط مورد نظر را به کاربر مي‌دهد .پس از زدن يک کليد يا دکمه سمت راست ماوس ،مشخصات اين نقاط در ماتريس pذخيره خواهد شد. البته اين تابع بصورتهاي ديگري نيز مي‌توان بکار برد که براeي کسب اطالعات بيشتر مي‌توانيد به راهنماي متلب مراeجعه کنيد. تابع pixvalبه پايين پنجره تصوير کادري را اضافه مي‌کند که با حرکت ماوس بر روي تصوير مشخصات رنگي نقاط نصوير در اين کادر نمايش داده مي‌شود .اين تابع بايد پس نمeايش تصوير با تابع imshowصدا زده شود. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بدست آوردن ارزش نقاط تصوير و اعمال عمليات آماري بر روي آنها-ادامه تابع :improfile اين تابع نمودار تغييرات رنگ تصوير را در يک مسير دلخواه که با ماوس انتخاب مي‌شود رسم مي‌کند: مثال: ;imshow(‘flowers.tif’);improfile فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بدست آوردن ارزش نقاط تصوير و اعمال عمليات آماري بر روي آنها-ادامه تابع :imcontourرسم نمودار تراز داده‌هاي تصوير: ;)’im=imread(‘ic.tif ;)imshow(im);figure;imcontour(im,3 فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بدست آوردن ارزش نقاط تصوير و اعمال عمليات آماري بر روي آنها-ادامه تابع :imhistرسم نمودار فراواني نقاط تصوير: ;)I=imread(‘flowers.tif’);I=rgb2gray(I ;)imshow(I);figure;imhist(I فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بدست آوردن ارزش نقاط تصوير و اعمال عمليات آماري بر روي آنها-ادامه توابع mean2و :std2 توابع meanو stdدر متلب به ترتيب براي بدست آوردن ميانگين و انحراف معيار بکار برده مي‌شوند .اما اين توابع بصورت برداري عمل مي‌کنند يعني ميانگين يا انحراف معيار عناصر يک بردار را محاسبه مي‌کنند .اگر اين توابع را eبر روي يک ماتريس اعمال کنيم مانند اکثر توابع متلب بصورت ستوني روي عناصر آن ماتريس عمل خواهند کرد .يعني ميانگين يا انحراف معيار هر ستون ماتريس را بصورت جداگانه بدست مي‌آورند .براي آنکه بتوان ميانگين يا انحراف معيار تمامي نقاط يک ماتريس را بدست آورد بايد از توابع mean2و std2استفاده کرد. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه آناليز تصوير: از آنجاييکه آناليز تصوير بيشتر بر روي تصاوير باينري انجام مي‌گردد اين مبحث به سرفصل “عمليات بر روي تصاوير باينري ” ارجاع مي‌شود. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بهسازي تصوير: اين عمليات که به عمليات پيش‌پردازش نيز مشهور است معموال پيش از عمليات پردازش اصلي يا عمليات آناليز تصوير انجام مي‌گيرد .در اين عمليات بهبودهايي بر روي داده‌هاي تصوير اعمال مي‌شود تا امکان استخراج دقيقتر و صحيح‌تر اطالعات ميسر گردد .اين عمليات در سه بخش زير شرح داده خواهد شد: تنظيم شدت متعادل کردن هيستوگرام يا بهسازي تباين حذف نويز فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بهسازي تصوير-ادامه تنظيم شدت-تابع imadjust با استفاده از اين تابع مي‌توان داeمنه تغييرات روشنايي يک تصوير را تغيير داد .شکل کلي کاربرد اين تابع بصورت زير است: )]J=imadjust(I , [low , high] , [bottom , top آرگومان دوم برداري دو عنصري است که بيانگر دامنه‌ حاوي روشنايي‌هايي از تصوير است که عمليات تنظيم شدت بر روي آنها بايد اعمال گردد .آرگومان سوم ،دامنه تغييرات جديد روشنايي براي نقاط فوق است. مثال: ;)’I=imread(‘pout.tif ;)]J=imadjust(I , [0.3 , 0.7] , [0 ,1 ;)subplot(2,2,1);imshow(I); subplot(2,2,2);imshow(J )subplot(2,2,3); imhist(I); subplot(2,2,4); imhist(J فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بهسازي تصوير-ادامه تنظيم شدت-تابع -imadjustادامه فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بهسازي تصوير-ادامه متعادل کردن هيستوگرام يا بهسازي تباين-تابع histeq تابع histeqبصورت اتوماتيک بهترين تنظيم هيستوگرام را بر روي تصوير انجام مي‌دهد و معموال کيفيت روشنايي تصوير را eبه ميزان زيادي بهبود مي‌بخشد. مثال: ;)’I=imread(‘tire.tif ;J=histeq(I);figure ;)subplot(2,2,1);imshow(I ;)subplot(2,2,2);imshow(J ;)subplot(2,2,3);imhist(I ;)subplot(2,2,4);imhist(J فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بهسازي تصوير-ادامه متعادل کردن هيستوگرام يا بهسازي تباين-تابع -histeqادامه فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بهسازي تصوير-ادامه حذف نويز معمeوال تصاوير ديجيتال کم و بيش داراي نويز هستند .حذف نويز قبل از هرگونه عمليات پردازشي بايد انجام گيرد .فيلترهاي متعددي براي حذف نويز طراeحي شده‌اند .در متلب نيز چندين فيلتر براي حذف نويز وجود دارد که از اين ميان به ساده‌ترين آنها اشاره خواهيم کرد: ‏ ‏ فيلتر ميانگين فيلتر ميانه براي ايجاد فيلتر ميانگين از تابع fspecialکه قبال توضيح داده شد و تابع filter2مي‌توان استفاده کرد. براي اعمال فيلتر ميانه از تابع medfilt2استفاده کنيد .بطورکلي تمامي فيلترهاي حذف نويز از وضوح ( )sharpnessتصوير مي‌کاهند .در ميان دو فيلتر ميانگين و ميانه ،فيلتر ميانه معموال نتيجه بهتري ايجاد مي‌کند و وضوح تصوير را نيز کمتر تحت تاثير قرار مي‌دهد.  جعبه‌ابزار پردازش تصوير:فصل سيزدهم ادامه-آناليز و بهسازي تصوير-13-11 ادامه-بهسازي تصوير مقايسه فيلتر ميانه و فيلتر ميانگين:مثال-حذف نويز I = imread(‘eight.tif’); J= imnoise(I , ‘Salt & pepper’ , 0.02); % ويزeeننeفزودeا K= filter2(fspecial(‘average’ , 3) , J) / 255; %گينeيانeيلتر مeeف L=medfilt2(J , [3 , 3]); % هeيانeيلتر مeeف subplot(2,2,1); imshow( I ); title(‘Initial Image’) subplot(2,2,2); imshow( J ); title(‘Noised Image’); subplot(2,2,3); imshow( K ); title(‘Mean Filter’); subplot(2,2,4); imshow( L ); title(‘Median Filter’); فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-11آناليز و بهسازي تصوير-ادامه بهسازي تصوير-ادامه حذف نويز-مثال :مقايسه فيلتر ميانه و فيلتر ميانگين-اeدامه فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-12عمليات بر روي تصاوير باينري اگرچه عمليات بر روي تصاوير باينري زيرمجموعه مبحث آناليز تصوير است لکن بخاطر اهميت تصاوير باينري در علم پردازش تصوير ،اين مبحث را در بخش جديدي ارايه نموده‌ايم. همانگونه که قبال گفته شد تصوير باينري به تصويري گفته مي‌شود که پيکسلهاي آن تنها داراي يکي از دو مقدار ممکن 0و 1يا 0و 255باشند .در متلب تصاوير باينري مي‌توانند بصورت تصاوير شدت و يا بصورت تصاوير انديس‌شده ذخيره و معرفي شوند .در حالت دوم ماتريس نقشه رنگ تنها داراي دو سطر خواهد بود. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-12عمليات بر روي تصاوير باينري نمايش تصاوير باينري براي نمايش تصاوير باينري نيز از تابع imshowاستفاده مي‌شود .درصورتيکه تصوير از نوع شدت باشد فرم imshow(m) :و اگر از نوع انديس‌شده باشد فرم imshow(I ,map) :بکار برده خواهد شد. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-12عمليات بر روي تصاوير باينري عمليات ساختاري Morphological Operations عمليات ساختاري به عملياتي گفته مي‌شود که بر روي تصاوير باينري اعمeال شده و هدف از آن ايجاد تغيير و يا تصحيح در اجزا داخل يک تصوير باينري باشد .اين عمليات معموال يک مرحله قبل از عمليات پردازش نهايي اeنجام ميشود .منظور از عمليات پردازش نهايي عملياتي است که در آن اطالعاتي از تصوير استخراج ميشود .مثال محيط يا مساحت اجزا تصوير محاسبه مي‌گردد. از ميان اين عمليات در ادامه چهار نوع از مهترين آنها شرح داده خواهد شد که عبارتند از: عمليات افزايش عمليات فرسايش عمليات گشودن -عمليات بستن فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-12عمليات بر روي تصاوير باينري-ادامه عمليات ساختاري -Morphological Operationsادامه عمليات افزايش و فرسايش()Dilation & Erosion منظور از عمليات افزايش عملياتي است که باعث افزايش ابعاد اجزا داخل تصوير به اندازه يک يا چند پيکسل مي‌گردد .در اثر اين عمل ممکن اeست نقاطي که از يک تصوير باينري در اثر عواملي چون تاثير نويز يا اعمال حد آستانه نامطلوب جا افتاده است ،تصحيح گردند .مثال ممکن است دو جزء از تصوير به يکديگر متصل گردند .اeلگوريتم اعمال فيلتر افزايش بدين صورت است که تمامي نقاط سياه تصوير بررسي شده در صورتيکه حداقل يکي از همسايگان انتخابي نقطه مورد بررسي سفيد باشند، نقطه مزبور نيز سفيد خواهد شد در غير اينصورت سياه باقي خواهد ماند. عمليات فرسايش دقيقا عکس عمليات افزايش است .در اين عمليات معموال نقاط ناخeواسته تصوير باينري حذف مي‌شوند و ساير اجزا تصوير نيز به اندازه يک يا چند پيکسل نازکتر خواهند شد .عمال تمامي نقاط سفيد تصوير بررسي شده در صورتيکه حدافل يکي از همسايگان انتخابي آن سياه باشد ،آن نقطه نيز سياه خواهد شد. فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-12عمليات بر روي تصاوير باينري-ادامه عمليات ساختاري -Morphological Operationsادامه عمليات افزايش و فرسايش-ادامه ابعاد همسايگي و انتخاب همسايه‌ها توسط يک ماتريس ماسک ( )Maskمشخص مي‌شوند .مثال اگر ماتريس ماسک يک ماتريس 3 *3باشد که تماي عناصر آن برابر با 1باشد .يعني يک همسايگي 3*3بکار برده شود و تمامي 9همسايه نقطه مورد بررسي براي عمليات افزايش يا فرسايش مد نظر قرار گيرند. براي عمليات افزايش در متلب از تابع imdilateو براي عمليات فرسايش از تابع imerodeاستفاده کنيد .اگرچه هردو عمليات را با استفاده از تابع کلي‌تر bwmorphنيز مي‌توان انجام داد. فرمول کلي استفاده از اين توابع بصورت زير است: ;)bw2=imerode(bw1, se ;)bw2=imdilate(bw1 , se فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-12عمليات بر روي تصاوير باينري-ادامه عمليات ساختاري -Morphological Operationsادامه عمليات افزايش و فرسايش-مثال ;)bw1=imread(‘circbw.tif’); SE=eye(5 ;)bw2=imerode(bw1 , SE ;)imshow(bw1); figure; imshow(bw2 فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-12عمليات بر روي تصاوير باينري-ادامه عمليات ساخeتاري -Morphological Operationsادامه عمليات گشودن و بستن Open & Close از ترکيبهاي مختلف دو عمليات افزايش و فرسايش مي‌توان عمليات ديگري ايجاد کرد .مهمترين اين عمليات ،عمليات گشودن و بستن است .در عمليات گشودن اجزايي از تصوير باينري که از يک اندازه تعيين شده کوچکتر باشند حذف مي‌شوند بدون آنکه ابعاد ساير اجزا تغيير کند .در عمليات بستن نيز نواحي جاافتاده تصوير باينري بدون تغيير در ابعاد ساير اجزا ترميم مي‌گردند. عمال در صورتيکه ابتدا عمليات فرسايش و سپس افزايش بر يک تصوير باينري اعمال شود ،نتيجه ،عمeليات گشودن خواهد بود اما اگر ابتدا افزايش و سپس فرسايش اeعمال گردد ،عمeليات بستن حاصل خواهد شد. در متلب براeي اعمال عمليات گشودن و بستن و همچنين ساير عمليات مورفولوژي از تابع bwmorph بايد استفاده کرد .اگرچه مي‌توان اين دو عمليات را از عمليات فرسايش و افزايش نيز بدست آورد. (همانگونه که در مثال بعدي عمل شده است)  جعبه‌ابزار پردازش تصوير:فصل سيزدهم ادامه- عمليات بر روي تصاوير باينري-13-12 ادامه-Morphological Operations عمليات ساختاري مثال-Open & Close عمليات گشودن و بستن bw1=imread(‘circbw.tif’); se= ones(40 , 30); bw2= imerode(bw1 , se); bw3=imdilate(bw2 , se); imshow(bw2); figure; imshow(bw3); فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-12عمليات بر روي تصاوير باينري-ادامه عمليات ساختاري -Morphological Operationsادامه عمليات از پيش تعريف شده :تابع immorph با استفاده از تابع immorphمي‌توان بسياري از عمليات ساختاري معروف پردازش تصوير را اعمال نمود. شکل کلي استفاده از اين تابع بصورت زير است: ;)]bw2 = bwmorph(bw1 , operation , [n آرگومان سوم اختياري بوده و بيانگر ابعاد ماسک مورد استفاده يا فاکتور ديگري با توجه نوع آرگومان دوم در عمليات اeست .در صورت حذف آرگومان سوم ،مقدار پيش فرض آن بکار برده خeواهد شد .مقداeر آرگومان دوم يکي از رشته‌هاي زير است: ‏erode ‏fill hbreak open skel remove close dilate مثال بعدي نتيجه عمليات اسکلتون را بر روي تصوير قبلي نشان مي‌دهد فصل سيزدهم :جعبه‌ابزار پردازش تصوير -13-12عمليات بر روي تصاوير باينري-ادامه عمليات ساختاري -Morphological Operationsادامه عمليات از پيش تعريف شده :تابع -immorphمثال: )bw1= imread(‘circbw.tif’); bw2= bwmorph(bw1 , ‘skel’ , inf ;)imshow(bw1); figure; imshow(bw2 فصل سيزدهم :جعبه‌ابزار پردازش تصوير تکلیف -1-13تصویری به نام flower.tifاز نوع rgbدر دست است .این تصویر شامل یک گل به رنگ قرمز و ساقه و برگ به رنگ سبز بر روی یک زمینه آبی است .برنامه‌ای بنویسید که : الف – تصویر فوق را خوانده و داده‌های آنرا در ماتریسی به نام mبریزد ب -با استفاده از حد آستانه 120برای جزء سبز و حد آستانه 180برای جز قرمز ،دو تصویر باینری بنامهای b1و b2ایجاد کند که در اولی تنها تصویر گل و در دومی تنها اجزاء ساقه و برگ وجود داشته باشند. راهنمایی :برای اس تخراج برگه ا تنه ا اس تفاده از یک شرط برای ح د آس تانه کاف ی نیست .مثال شرط: m(:,:,2)>120 & m(:,:,1) < 100را امتحان کنید. ج -مرز گل را در تصویر b1استخراج کرده و در b11بریزد. د -تصاویر b11و b2را با استفاده از عملگر یای منطقی در متلب ،با یکدیگر تلفیق نماید تا تصویر باینری c بدست‌ آید. ه -مساحت برگ و ساقه و مساحت و محیط گل را از تصاویر b1، b11و b2بدست آورد. و -مختصات نخستین پیکسل سفید(نسبت به گوشه باال-سمت چپ تصویر) در تصاویر b1و b2را بدست آورد. ز -با استفاده از دستور textو نتایج قسمتهای “ه” و ” و” پس از نمایش تصویر مساحت و محیط هر جز را در کنار آن نمایش دهد فصل سيزدهم :جعبه‌ابزار پردازش تصوير تکلیف -2-13تصeویر یeک پارچeه سeفید با نام fabric.tifو از نوع شدت( )grayscaleدر دسeت اسeت .ایeن تصeویر دارای یeک طرح بافت خاص می‌‌باشeد برنامه‌ای بنویسeید کeه بeا اسeتفاده از تبدیeل فوریeه یeک بعدی فرکانس تکرار طرح مزبور در جهeت افقeی و عمودی و بeا اسeتفاده از ایeن فرکانسها و طول و عرض تصeویر ،ابعاد طرح فوق را محاسeبه کنeد و نمایeش دهد .رزولوشeن تصویر را 600dpiدر نظر بگیرید. راهنمایی:بدین منظور یک سطر و یک ستون از تصویر را انتخاب و طیف فوریه آنرا بدست آورید...