منبع پایان نامه ارشد با موضوع کاربرد الگو و تکرارپذیری


Widget not in any sidebars

Counter+1
Candidate for moving object
نمودار سمت چپ مربوط به الگوریتم قطعه بندی تصویر و همچنین نمودار سمت راست مربوط به الگوریتم جستجوی سه مرحله ای می باشد.
نمودار سمت چپ مربوط به الگوریتم قطعه بندی تصویر و همچنین نمودار سمت راست مربوط به الگوریتم جستجوی سه مرحله ای می باشد.
شکل شماره 3-4 نمودار جریان مربوط به روش پیشنهادی اول
شکل شماره 3-4 نمودار جریان مربوط به روش پیشنهادی اول
روش ارائه شده اول به طور خلاصه در نمودار جریان بالا آورده شده است. همان گونه که در شکل نیز اشاره شده است، نمودار جریان سمت راست مربوط به جبران سازی حرکتی و نمودار سمت چپ مربوط به قطعه بندی تصویر است. برای کامل شدن این فرآیند نیاز است که پردازش نهایی نیز روی آن صورت گیرد. این پردازش در واقع مرز بندی های تصویر را بهبود می بخشد و اجسام متحرک را با دقت بیش تری مشخص می کند. برای این کار باید ابتدا نواحی متحرک را که از الگوریتم جبران سازی حرکتی حاصل شده را مشخص کنیم، سپس با توجه به تصویر قطعه بندی شده می توان مشخص کرد که چه پیکسل هایی متعلق به جسم متحرک تصویر هستند. به این ترتیب جسم متحرک دقیقا مشخص خواهد شد. به عبارت دیگر پیکسل های اضافی مربوط به پس زمینه حذف و پیکسل های حذف شده هدف به تصویر اضافه خواهد شد. عملیات ذکر شده در نمودار جریان زیر نشان داده شده است.
شکل شماره 3-5 پردازش نهایی الگوریتم پیشنهادی اول
شکل شماره 3-5 پردازش نهایی الگوریتم پیشنهادی اول
Adding and removing pixels to catch clear result
Candidate for moving object
Segmented Image
Adding and removing pixels to catch clear result
Candidate for moving object
Segmented Image
در این قسمت با پردازش نهایی مرزهای اجسام متحرک به طور دقیق مشخص خواهند شد. همچنین عمل گر های Morphological برای افزایش کیفیت تصویر در این قسمت استفاده می شوند.
در این قسمت با پردازش نهایی مرزهای اجسام متحرک به طور دقیق مشخص خواهند شد. همچنین عمل گر های Morphological برای افزایش کیفیت تصویر در این قسمت استفاده می شوند.
ردیف بالا : خروجی های مرحله جستجوی سه مرحله ای و یافتن نواحی متحرک تصویر. ردیف میانی : خروجی های الگوریتم قطعه بندی تصاویر. ردیف پایین : اهداف متحرک موجود در تصویر
ردیف بالا : خروجی های مرحله جستجوی سه مرحله ای و یافتن نواحی متحرک تصویر. ردیف میانی : خروجی های الگوریتم قطعه بندی تصاویر. ردیف پایین : اهداف متحرک موجود در تصویر
شکل شماره3-6 تصاویر خروجی مراحل مختلف الگوریتم پیشنهادی اول
شکل شماره3-6 تصاویر خروجی مراحل مختلف الگوریتم پیشنهادی اول
الگوریتم پیشنهادی دوم
با توجه به ماهیت مساله اصلی و شرایط خاصی که دردنباله فریم ها وجود دارد، به نظر استفاده از روش های مبتنی بر تطبیق اجتناب ناپذیر می رسد. به همین دلیل در روش اول از الگوریتم های تطبیق بلوکی استفاده شده است.. مطابق مطلب ذکر شده روش پیشنهادی دوم نیز مبتنی بر همین فلسفه تطبیق می باشد. در این بخش به توضیح یکی از معروف ترین روش های تطبیق نقطه ای خواهیم پرداخت و از آن در جهت ردیابی اهداف استفاده خواهیم کرد. این الگوریتم نخستین بار در سال 2004 میلادی توسط پروفسور David Lowe استاد دانشگاه UBC کشور کانادا معرفی شد. الگوریتم معرفی شده توسط وی SIFT نام دارد که دارای مقاومت بسیار زیادی نسبت به تغییرات شرایط محیط می باشد. از این رو به سرعت جایگاه ویژه ای را در میان روش های مبتنی بر تطبیق یافت. به گونه ای که تنها پس از گذشت مدت زمان اندکی از انتشار مقاله ای که به معرفی آن می پرداخت ]21[، این مقاله حدود 14.000 بار مورد ارجاع واقع گردید. مقاومت در برابر جابجایی، چرخش، تغییر مقیاس و همچنین تغییر شدت نور عواملی هستند که این الگوریتم را نسبت به سایر روش های موجود متمایز می کند. کاربرد الگوریتم SIFT در تشخیص و شناسایی اجسام و یا چهره، مدل کردن سه بعدی، ردیابی تصویری و . . . خود بیانگر دلیل این تمایز می باشد. در ادامه به معرفی کامل این الگوریتم و همچنین نحوه پیاده سازی عملی آن خواهیم پرداخت.
هدف اصلی از ارائه این الگوریتم، به دست آوردن نقاطی از تصویر است که در برابر تغییر مقیاس، جابجایی، تغییر رنگ و تغییر زاویه نقطه دید مقاوم باشند. همچنین تعداد این نقاط در یک تصویر باید زیاد باشد. علاوه بر آن تکرارپذیری از جمله مهمترین خصوصیت نقاط مورد نظر است. به این معنی که نقطه مورد نظر، باید در تصویر تبدیل یافته نیز به عنوان نقطه مورد علاقه آشکار بشود. خلاصه مراحل این روش به صورت کلی در ادامه آمده است :