توضیحات
شبیه سازی و بهبود کیفیت تصویر با استفاده از پردازش تصویر و شبکه عصبیRBF با نرم افزار متلب
در این پروژه متلب، هدف کار یک نوع طبقهبندی تصاویر به دو دسته: تصاویر بدون ضایعات و با ضایعات، بر اساس ویژگیهای استخراجشده از تصاویر است.
بنابراین نیاز به یک پایگاه داده تصاویر داریم که از دو گروه تصاویر آموزش (train) و آزمایش (test) تشکیل میشوند. در هر گروه باید دو نوع تصویر 1-بدون ضایعات و 2-با ضایعات وجود داشته بشد.
توضیحات خطهای تابع FeaturesVector.m :
این تابع ویژگیهای هیستوگرام، همرخداد glcm و glrlm را از تصویر ورودی استخراج میکند و بهصورت یک بردار ویژگی (Vector) میدهد:
function Vector=Features(rgb_image)
با دستور fspecial یک ماسک فیلتر میانگین با ابعاد 3×3 تعریف میکنیم
با دستور imfilter ماسک میانگین (h) را روی تصویر rgb ورودی اجرا میکنیم:
h=fspecial(‘average’, [3 3]); % mean (averaging) filter (3×3)
filter_image=imfilter(rgb_image, h);
برای نرمالسازی طول و عرض تصویر از دستور imresize استفاده میکنیم.
Nrows تعداد سطرها و Ncols تعداد ستونهای تصاویر نرمال شده را مشخص میکند.
این مقادیر در متن پایاننامه مشخص نشده بود. شما میتوانید این مقادیر را در صورت نیاز تغییر دهید :
Nrows=128;
Ncols=128;
image=imresize(filter_image, [Nrows Ncols]); % image sizes normalization
با دستور rgb2gray تصویر را به مقیاس خاکستری تبدیل میکنیم:
مقدمه:
پردازش تصویر با پردازش سیگنال سرو کار دارد و دارای دو شاخه عمده بهبود تصویر و بینایی ماشین است. بهبود تصویر در برگیرنده روشهایی مثل استفاده از فیلترها و افزایش تضاد برای بهتر کردن کیفیت دیداری تصویر و اطمینان از نمایش درست آن در خروجی است و بینایی ماشین شامل روشهایی است که به کمک آنها میتوان معنی و محتوای تصویر را درک کرد تا از آن در کارهایی مثل رباتیک و محور تصویر استفاده شود. در این فصل ویژگی تصاویر با استفاده از بهترین تكنيكهاي استخراج ویژگی مشخص میشوند و سپس به شبکه عصبی مصنوعی برای یادگیری داده میشوند. بدین منظور در مرحله پیشپردازش از حذف نویزها، نرمالسازی و .. برای آمادهسازی تصویر استفاده شده است. سپس به کمک شبكه عصبي مصنوعی در سه جهت افقی، عمودی و قطری تصویر را آنالیز میکنیم. با توجه به نمودار هیستوگرام و تعریف توسط یک سطح آستانه و اعمال آن بر روی تصویر و پس از یادگیری و تست شبکه عصبی محل و میزان گستردگی ضايعات مشخص میشود.
مراحل انجام پردازش تصویر
هنگامی که تصویر از ورودی دریافت میشود در ابتدا باید مراحلی را طی کند تا بتوانیم روشهای موردنظر را بر روی آن اعمال کنیم. بعد از اینکه تصویر ورودی خوانده شد حال باید پیشپردازش روی آن اعمال شود. بعد از آن با استفاده از ویژگیهای استخراج شده و کاهش ویژگی به منظور سرعت بخشیدن در کار ضایعات شناسایی میشوند سپس برای بهبود ضایعات شناسایی شده آنها را به شبکه عصبی RBF میدهیم تا کار تشخیص ضایعات را برای ما انجام دهد. در شکل(1-3) چارت روش انجام تحقیق مشخص شده است.
حذف نویز
هدف این گام کاهش نویز و جدا کردن سیگنال از نویز است در این مرحله با حذف نویز، تصویر برای مرحله بعدی آماده میشود. برای حذف نویز از فیلتر میانگین گیر که از فیلترهای پر کاربرد است استفاده خواهد شد. ابتدا یک کرنر از تصویر مشخص میشود که اندازه آن بستگی به میزان تارشدگی تصویری که مدنظر است دارد. اگر فرض کنیم یک کرنر 3*3 انتخاب کردهایم برای اینکار ابتدا کرنر را روی تصویر اولیه قرار میدهیم وقتی این ماسک روی تصویر اولیه قرار میگیرد تمام پیکسلهایی که در اطراف آن پیکسلی که بعنوان مرکز انتخاب شده باهم جمع میکند و حاصل این جمع شدن بر عدد 9 تقسیم میکند( چون کرنر ما از 9 پیکسل تشکیل شده است). نتیجه حاصل میانگین این 9 پیکسل است که وقتی به پیکسل متناظرش در ماتریس نتیجه اعمال شود یک شدت رنگ متناسب با این پیکسل و همسایههای آن خواهد بود. روش آسانتر آن ضرب تک تک پیکسلها در 9/1 است سپس جمع آنها با یکدیگر انجام میشود در تصویر 3-2 این تغییرات اعمال شده است.
شبیه سازی و بهبود کیفیت تصویر با استفاده از پردازش تصویر و کاهش نویز با پایگاه داده Z33PAK با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
- فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.