analise_tasavir_ba_computer

در نمایش آنلاین پاورپوینت، ممکن است بعضی علائم، اعداد و حتی فونت‌ها به خوبی نمایش داده نشود. این مشکل در فایل اصلی پاورپوینت وجود ندارد.






  • جزئیات
  • امتیاز و نظرات
  • متن پاورپوینت

امتیاز

درحال ارسال
امتیاز کاربر [0 رای]

نقد و بررسی ها

هیچ نظری برای این پاورپوینت نوشته نشده است.

اولین کسی باشید که نظری می نویسد “Computer Image Analysis”

Computer Image Analysis

اسلاید 1: Computer Image Analysis گزارش پژوهشي درس انفورماتيک پزشکي ساسان خيام باشي 83233513

اسلاید 2: فهرست مطالبمقدمهتعاريفتصوير برداري ديجيتالالمانهاي تفسير توسط چشمپردازش تصويرآناليز تصاويرجمع بنديمنابع

اسلاید 3: مقدمهتکنولوژي مدرن ديجيتال امکان دستکاري سيگناهاي چند بعدي را فراهم آوردههدف از اين دستکاريها يکي از موارد زير است:پردازش تصوير: ورودي تصوير / خروجي تصويرآناليز تصوير: ورودي تصوير / خروجي شامل تعدادي از اندازه گيريهادرک تصوير: ورودي تصوير / خروجي شامل توصيف ادراکي تصوير

اسلاید 4: مقدمهشايعترين اعمال پردازشي که در سيستمهاي آناليز تصاوير استفاده مي شود پيش پردازش(Preprocessing)افزايش کيفيت تصوير (Image Enhancement)تبديل تصوير (Image Transformation)طبقه بندي و آناليز تصوير

اسلاید 5: مقدمه - پيش پردازش(Preprocessing)معمولا قبل از آناليز اصلي تصاوير و استخراج اطلاعات لازمند تحت عنوان تصحيحهاي راديومتريک يا جئومتريک گروهبندي ميشوند هدف آنها بدست آوردن تصوير دقيقي است که از تابش اشعه به گيرنده ها ايجاد مي شود

اسلاید 6: مقدمه - افزايش کيفيت تصوير (Image Enhancement)اين دسته از پردازشها صرفا به منظور بهبود و افزايش وضوح تصوير هستند تا بتوان تفسير بهتري را از تصاوير بدست آورد

اسلاید 7: مقدمه - تبديل تصاوير (Image Transformation)شامل پردازش ترکيبي بر روي داده هاي بدست آمده از چندين باند طيفي مي شوند اعمال رياضي (جمع، تفريق، ضرب، تقسيم) بر روي تصاوير اعمال مي شوند باند هاي اوليه را ترکيب کرده و آنها را به تصاوير جديدي که وضوح بيشتري داشته و يا خصوصيات ويژه اي را بهتر نمايان مي کنند تبديل مي نمايند.

اسلاید 8: مقدمه - طبقه بندي و آناليز تصوير هدف آنها طبقه بندي و شناسائي پيکسل ها در داده است. هر پيکسل تصوير را بر اساس خصوصيات آماري مقادير روشنائي آن به يک گروه اختصاص مي دهد .براي انجام آن دو روش عمده ، با مربي و بدون مربي وجود دارد

اسلاید 9: تعاريف تصوير: تابعي از دو متغير حقيقي است مثل a(x,y) که در آن a شدت تصوير(مثلا ميزان روشنائي) در مکان حقيقي (x,y) است.Regions-of-Interest (ROI):يک تصوير معمولا شامل تعدادي زير تصوير مي باشد که به آنها نواحي مورد توجه گفته ميشود. در يک سيستم پردازش تصوير مناسب بايد بتوان روي نواحي مختلف اعمال متفاوتي انجام داد شدتها در تصاوير يا به صورت اعداد حقيقي و يا به صورت اعداد صحيح هستند. Quantization: فرايندي است که در آن شدتها از حالت پيوسته به حالت مجزا تبديل مي شود.مورفومتري: توضيح کمي يک ساختار. استريولوژي :استخراج و تفسير اطلاعات سه بعدي از تصاوير دو بعدي.

اسلاید 10: تصوير برداري ديجيتال يک تصوير ديجيتال a[m,n]در يک فضاي گسسته دو بعدي از يک تصوير دوبعدي a(x,y) در يک فضاي پيوسته دو بعدي توسط فرايند digitization مشتق مي شود.تصوير دو بعدي به n رديف و m ستون تقسيم ميشود. تلاقي يک رديف و يک ستون پيکسل ناميده ميشود.A(x,y) تابعي از متغيرهاي بسياري است از جمله عمق (z) ، رنگ، و زمان(t) دقت تصوير به صورت پيکسل بر اينچ اندازه گيري مي شود. دقت پيکسلي يا عمق پيکسل به معني تعداد بيت اطلاعات به ازاء هر پيکسل مي باشد در تصاوير باينري عمق پيکسل 1 (روشن - خاموش) است براي آناليز تصاوير طيف خاکستري حداقل عمق پيکسل لازم 8 بيت است. براي تصاوير رنگي حداقل عمق 24 بيت لازم است

اسلاید 11: تصوير برداري ديجيتالشکل 1- تصوير ديجيتال

اسلاید 12: المانهاي تفسير توسط چشم تشخيص هدفها کليد استخراج اطلاعات و تفسير تصوير است مشاهده اختلاف بين هدفها و زمينه آنها شامل مقايسه از نظر تعدادي از المانهاي بينائي ميباشد :تون: به روشنائي يا رنگ نسبي اشياء در تصوير اتلاق مي شود .شکل: بيان کننده فرم، ساختار و محيط اشياء است. اندازه: اندازه تصاوير تابعيست از بزرگنمائي تصوير الگو: الگو بيان کننده ترتيب قرار گرفت فضائي اشياء ديدني است. بافت: ترتيب و تکرار تغييرات تون در نواحي خاصي از تصوير سايه: مي تواند ارتفاع نسبي اشياء را مشخص سازد ارتباط: رابطه بين هدف و ديگر اشيائ قابل تشخيص در نزديکي آن

اسلاید 13: المانهاي تفسير توسط چشم چگونه انسان اشياء را طبقه بندي ميکند؟ انسان به کنتراست حساس است. هميشه اشيائي که داراي کنتراست بالا دارند بيشتر در ذهن خود را نشان مي دهند. انسان به پرسپکتيو و تغييرات عمق تصوير حساس است.انسان به جهت تابش نور حساس است و ترجيح مي دهد که نور از بالا بتابد.انسان هميشه دوست دارد چيزي را در تصوير ببيند که انتظار آن را دارد

اسلاید 14: پردازش تصوير (processing Image) عملياتي است که طي آن ويژگيهاي تصوير بارزتر مي شوند قبل از آناليز تصوير انجام مي گيرد پردازش تصوير بر روي پيکسلها انجام مي شود پردازش بر روي گروهي از پيکسلها به نام کرنل انجام ميشودکرنل

اسلاید 15: پردازش تصوير- پيش پردازش(Preprocessing) بازيابي يا اصلاح تصوير نيز ناميده مي شوند به منظور اصلاح اعوجاجهاي راديومتريک يا جئومتريک به کار برده مي شوند هنگامي که خصوصيات فضائي يا روشنائي نويز ها مشخص باشد از متدهاي فوتوگرامتريک استفاده مي شود. وقتي خصوصيات طيفي نويز ها مشخص باشد از فيلتر ها استفاده ميشود. مرحله پيش پردازش نبايد به گونه اي باشد که تصوير اصلي را آنقدر تغيير دهد که بيننده دچار خطاي تشخيص شود.

اسلاید 16: پردازش تصوير -ارتقاء تصوير(EnhancementImage ) ارتقاء توسط دستکاري هيستوگرام: هيستوگرام :نمودار گرافيکي که مقادير روشنائي سازنده تصوير را نشان ميدهد. روش کشيدن خطي کنتراست: حد بالا و پايين کنتراست از روي هيستوگرام مشخص مي شود سپس با استفاده از يک تبديل، محدوده کنتراست کشيده مي شود تا کل محدوده ممکن را پر ميکند.Histogram-Equalized stretching: محدوده بيشتري به مقاديري که فرکانس بالاتري دارند اختصاص مي يابد Histogram sliding :در مواردي که هيستوگرام در يک طرف طيف يا در وسط طيف جمع شده باشد استفاده مي شود. در اين روش يک مقدار ثابت به کل پيکسلها اضافه و يا از آنها کم مي شود

اسلاید 17: پردازش تصوير -ارتقاء تصوير(EnhancementImage ) Histogram sliding and stretching

اسلاید 18: پردازش تصوير -ارتقاء تصوير(EnhancementImage ) حذف نويز: ميانگين گيري :مقداري تاري در تصوير ايجاد ميکند فيلتر کردن فضائي : زماني که بخواهيم ويژگيهائي از تصوير را بر اساس تکرار فضائي آنها ارتقا يا تقليل دهيم فيلتر پايين گذر:تاکيد بر نواحي بزرگ و هوموژنفيلترهاي تشخيص لبه فيلتر هاي ميانه: کمترين ميزان تاري را ايجاد مي کنند. تبديل فوريه : حذف نويزهاي پريوديک

اسلاید 19: پردازش تصوير -ارتقاء تصوير(EnhancementImage ) حذف نويز با استفاده از يک فيلتر ميانه با کرنل 3*3

اسلاید 20: پردازش تصوير -ارتقاء تصوير(EnhancementImage ) حذف نويز پريوديک با استفاده از تبديل فوريه سريع(FFT)

اسلاید 21: پردازش تصوير -ارتقاء تصوير(EnhancementImage ) ارتقاء لبه ها : در اين روشها وضوح تصوير کاهش مي يابد و لبه هاي موحود در آن ارتقاء مي يابند. استفاده از رنگ مجازي : استفاده از رنگ مجازي در تصاوير طيف خاکستري مي تواند برخي جنبه هاي تصوير را نمايانتر سازد

اسلاید 22: پردازش تصوير -ارتقاء تصوير(EnhancementImage ) ارتقاء لبه توسط تبديل لاپلاس استفاده از رنگ مجازي

اسلاید 23: پردازش تصوير- تبديل تصاوير (Image Transformation) عمدتا نيازمند دستکاري چندين باند داده است تبديلات پايه شامل اعمال عملگر هاي جبري بر روي داده هاست کم کردن تصاوير از يکديگر: براي مواقعي که مي خواهيم بدانيم در طول زمان چه تغييراتي رخ داده است. تقسيم کردن تصاوير يا Spectral rationing :براي روشن ساختن تغييرات کوچکي که در طيف پوششي سطحهاي مختلف وجود دارد Principal components analysis :هدف اين تبديل کاهش تعداد باندها و فشرده سازي اطلاعات باندهاي اوليه است.

اسلاید 24: پردازش تصوير- تبديل تصاوير (Image Transformation) کم کردن تصاوير تبديل Principal Components Analysis

اسلاید 25: آناليز تصوير (Image Analysis)توسط آن ويژگيهاي تصاويرمشخص و استخراج شوند.تصوير به اجزاء خود تقسيم مي شود (Segmentation).تصاوير ممکن است به نواحي با محيط بسته، نقاط و خطها تقسيم و دسته بندي شوند. آيتم هائي که در آناليز تصوير اندازه گيري مي شوند شامل طول،سطح،محيط،نسبت سطح به محيط، محور اصلي، محور فرعي و تعداد سوراخها است.

اسلاید 26: آناليز تصوير (Image Analysis) تعيين آستانه (Thresholding) تشخيص لبه استخراج منطقه (Region extraction) دسته بندي تصوير(Image Classification) شکل شناسي رياضي (Mathematical morphology)

اسلاید 27: آناليز تصوير - تعيين آستانه (Thresholding) ساده ترين روش براي قطعه کردن تصوير است. ابتدا يک پارامتر به نام آستانه روشنائي() انتخاب مي شودو بر روي تصوير اعمال مي گردد.خروجي الگوريتم مي تواند تحت عنوان شيء يا زمينه نامگذاري شود . آستانه را چگونه بايد مشخص کرد؟ آستانه ثابتآستانه هاي بدست آمده از هيستوگرامالگوريتم ايزو ديتا الگوريتم Background – symmetry الگوريتم مثلث قطعه سازي تصوير مي تواند بر اساس RGB و يا بر اساس HSI که روشي قدرتمند تر است انجام شود.

اسلاید 28: آناليز تصوير - تعيين آستانه (Thresholding) الگوريتم مثلث

اسلاید 29: آناليز تصوير - تشخيص لبه در اين روش پيکسلهائي جستجو مي شوند که به کناره اشياء اختصاص دارند .فيلترهاي تشخيص لبه زيادي وجود دارد از جمله لاپلاس، سوبل و روبرتز .گراديانها را برجسته مي سازند و تحول از يک روشنائي به ديگري را تشخيص مي دهند.اشياء ناپيوسته و اشيائي را که روي هم افتاده باشند تشخيص نمي دهند. فيلتر هاي آب پخشان (Watershed) مي توانند اشياء روي هم افتاده را جدا کنند روش بر اساس گراديانروش عبور کردن از صفر روش بر اساس PLUS : دقيقترين روش

اسلاید 30: آناليز تصوير - تشخيص لبه استفاده از دو روش LoG و PULS براي تشخيص لبه

اسلاید 31: آناليز تصوير - تشخيص لبه يافتن لبه بر اساس روش عبور از صفر

اسلاید 32: آناليز تصوير - استخراج منطقه (Region extraction) قسمتهائي از تصوير که از يک قاعده يکنواختي پيروي مي کنند را جدا سازي ميکند. اين روشها منجر به تشخيص نواحي بسته و در نتيجه محيطهاي بسته مي شوند .نکات منفي اين روشها پيچيدگي آنهاست و اينکه معمولا مناطق کوچک زيادي تشخيص داده مي شوند .معمولا پس پردازش لازم است.جداسازي تصاوير داراي بافت هنوز يک مشکل عمده است.

اسلاید 33: آناليز تصوير - دسته بندي تصوير(Image Classification) طبقه بندي ،از اطلاعات ديجيتال طيفي تصوير استفاده مي کند و هر پيکسل را بر اساس اين اطلاعات طيفي طبقه بندي کند. هدف اين است که در تصوير تمام پيکسل ها به يک دسته يا تم اختصاص يابند. طبقه بندي اطلاعاتي : قسمتهائي از تصوير است که آناليست مايل به تشخيص آنهاست .طبقه بندي طيفي : گروههائي از پيکسل است که از نظر مقدار روشنائي در کانالهاي طيفي مختلف متحدالشکل هستند هدف، نگاشت دسته هاي طيفي با دسته هاي اطلاعاتي مورد جستجو است. طبقه بندي با مربي: آناليست خودش ناحيه هاي آموزش دهنده را شناسائي مي کند. طبقه بندي بدون مربي : در ابتدا طبقه هاي طيفي بر اساس عدد طيفيشان مشخص مي شوند سپس با دسته هاي طيفي مد نظر آناليست نگاشت مي شوند الگوريتمهاي خوشه بندي براي تشخيص گروه بندي هاي طبيعي(آماري) و ساختار هاي موجود در تصوير بکار برده مي شوند. نتيجه نهائي اين طبقه بندي ممکن است به دسته هائي منجر شود که آناليست لازم ميداند تعدادي از آنها را به هم بپيوندد يا تعدادي را به ميزان بيشتري بشکند

اسلاید 34: آناليز تصوير - دسته بندي تصوير(Image Classification) دسته بندي داراي مربيدسته بندي بدن مربي

اسلاید 35: آناليز تصوير - دسته بندي تصوير(Image Classification) پارامتر شکل :يک پارامتر مناسب براي دسته بندي اشياء شکل شيء است.به صورت 4 * Pi / (Peimeter^2) تعريف مي شود.يک دايره کامل پارامتر شکلي برابر 1 خواهد داشت. خروج از حالت دايره اي مثلا بيضي ، پارامتر شکلي زير 1 خواهد داشت. از اين قانون مي توان براي تشخيص سلولهاي سرطاني(غير گرد) از سلولهاي عادي(گرد و منظم) استفاده کرد

اسلاید 36: آناليز تصوير - شمارش اشياء ابتدا بايد محل مورد نظر يا مورد علاقه(ROI) را مشخص کرد با استفاده از يک برنامه کامپيوتري سطح آستانه اي براي آناليز تصوير انتخاب مي شود .ويژگيها با استفاده از مقادير طيف خاکستري و يا رنگ مشخص مي شوند. اشياء با استفاده از لبه شان شناسائي و شمارش مي شوند .اگر ما سايز فريم شمارش را بدانيم ، مي توان تعداد اشياء را بر حسب دانسيته عددي بيان کرد.مي توان از فريم حاوي نقاط شمارش منظم استفاده کرد.يک شئ شمارش مي شود اگر ربع فوقاني راست از يک نقطه شمارش را اشغال کند.

اسلاید 37: آناليز تصوير - شکل شناسي رياضي (Mathematical morphology) حاصل قطعه سازي يک تصوير خاکستري ، يک تصوير باينري است .پردازش مورفولوژيکال اين تصوير باينري ميتواند نتيجه قطعه سازي را بهينه سازد .معمولا براي درک ساختار يا شکل يک تصوير به کار مي روند . نقش کليدي در بينائي کامپيوتري و تشخيص خودکار اشياء دارند.اکثر روشهاي ريخت شناختي بر روي همسايه هاي 3*3 عمل مي کنند.پيکسل مورد توجه (X)در مرکز اين پنجره واقع است.همسايه ها به صورت x0 – x7 نامگذاري مي شوند.پيکسل 4 اتصالي :حداقل يکي از همسايه ها در مکانهايx0 , x2 , x4 ويا x6 مقدار مشابهي داشته باشد پيکسل 8 اتصالي : همه همسايه هايش مقدار مشابه داشته باشند.

اسلاید 38: آناليز تصوير - شکل شناسي رياضي (Mathematical morphology) Erosion: بيشتر در موارد اتخاذ تصميم منطقي بکار مي روند . از ماسک 3*3 داراي مقادير 1 استفاده مي کند. تمام پيکسلهاي همسايه بايد مقدار 1 داشته باشند تا مقدار نتيجه 1 باشد .اگر پيکسل مرکزي خودش مقدار صفر داشته باشد نتيجه بدون در نظر گرفتن همسايه ها صفر خواهد بود .براي حذف نويزهاي سفيد نقطه اي در يک زمينه تيره بکار برده مي شود.نتيجه آن در عمل باريک کردن لبه هاي يک ناحيه سفيد رنگ است .

اسلاید 39: آناليز تصوير - شکل شناسي رياضي (Mathematical morphology) :Dilationعکس ايروژن است .از ماسک 3*3 داراي مقادير صفر استفاده مي کند.عملگر منطقي آن NAND است. با اين روش مي توان نقاط سياه منفرد را نيز حذف کرد

اسلاید 40: آناليز تصوير - شکل شناسي رياضي (Mathematical morphology) Hit-or-miss:ماسکهاي تشخيص پيکسل 4و 8 اتصاله.ماسکهاي تشخيص پل ماسکهائي براي تشخيص گوشه و يا پيکسلهاي داخليهمسايگي 9 گانه بدليل باينري بودن تصوير مي تواند در قالب يک عدد 9 بيتي بيان شود .اين عدد مي تواند به عنوان يک ايندکس در درون يک جدول جستجو ذخيره شود تا مشخص شود که آيا نتيجه بايد hit يا miss باشد . چالش اصلي تهيه جدول جستجوي مناسب مي باشد

اسلاید 41: آناليز تصوير - شکل شناسي رياضي (Mathematical morphology) پردازش مرحله اي روشهاي ديگري وجود دارند که بايد از ماسکهاي 5*5 استفاده کنند .اين سايز ماسک مي تواند 33 ميليون حالت مختلف را در بر گيرد که براي هر پيکسل بايد چک شود. بهترين راه استفاده از يک روش دو مرحله اي است هر دو مرحله از ماسک 3*3 استفاده مي کنند مرحله اول: پيکسلهائي که بايد بر روي آنها کار شود جدا مي شوند. مرحله دوم: تصوير اصلي با تصوير بدست آمده مقايسه مي شود در اين روش نيز از جداول جستجو استفاده ميشود

اسلاید 42: آناليز تصوير - شکل شناسي رياضي (Mathematical morphology) جمع کردن (Shrinking): شيء ها را تبديل به يک نقطه مي کند و در مرکز هندسي همان شيء قرار مي دهد لاغر کردن (Thinning): يک خط داراي فواصل مساوي از لبه هاي شيئ ارائه مي کند. اسکلتي کردن (Skeletonization): مثل لاغر کردن است منتها با اين تفاوت که جزئيات بيشتري از شکل را در خود نگه مي دارد. روشهاي ريخت شناسي طيف خاکستري :ايروژن و دايليشن طيف خاکستري معمولا نتايجي مشابه فيلترهاي غيرخطي مينيمم و ماکزيمم ايجاد مي کنند.

اسلاید 43: جمع بنديدريافت وثبت تصوير  تصوير خامپردازش تصوير  تصوير ارتقاء يافتهآناليز  تصوير باينري  جداسازي  استخراج اشکال مورد نظر

20,000 تومان

خرید پاورپوینت توسط کلیه کارت‌های شتاب امکان‌پذیر است و بلافاصله پس از خرید، لینک دانلود پاورپوینت در اختیار شما قرار خواهد گرفت.

در صورت عدم رضایت سفارش برگشت و وجه به حساب شما برگشت داده خواهد شد.

در صورت نیاز با شماره 09353405883 در واتساپ، ایتا و روبیکا تماس بگیرید.

افزودن به سبد خرید