بینایی ماشین

1

بینایی ماشین

2

تعریف بینایی ماشین نم�ایش ی�ک ب�ه دوربین ی�ک داده تب�دیل ماش�ین، بین�ایی

ب�ر�اي تب�دی�الت ا�ین هم�ه اس�ت. تص�م�یم ی�ا �ی�ک ج�دی�د� رسیدن به هدف مشخصی انجام میشود.

مانن�د مت�نی اطالع�ات ش�امل توان�د می ورودي دادهي این اینک�ه ”دوربی�ن در �ی�ک م�اش�ین ق�رار �داده �ش�ده ”ی�ا� در� ش�یءرا ل�یز�ري �ی�ک فاص�له دهن�دهي� تش�خیص� ک�ه�”

فاصله یک متري نشان می دهد“، باشد. ک�ه باش�د این مث�ال ط�ور ب�ه توان�د می ن�یز تص�میم

ک�ه �” این ی�ا� ” دا�رد حض�ور ص�حنه در 14”شخص�ی نم�ای�ش دار�د”�. �ی�ک وج�و�د اس�الید� ا�ین در� ت�وم�ور س�لو�ل جد�ی�د ن�ی�ز م�ی �تو�ان�د ب�ه مع�ن�ی �تب�د�یل ی�ک ت�ص�و�یر �رن�گی �ب�ه س�یاه و س�فید� و ی�ا ح�ذف ح�ر کت دورب�ین از ی�ک مج�موع�ه

تصاویر باشد.

3

4

طبیعت معیوب بینایی

ظاهر دوبعدي اشیاء می •تواند شدیدا با نقطه دید

تغییر کند.داده ها همراه با نویز و •

اعوجاج میباشد.

5

چشم انسان ی�ک L تقریب�ا انس�ان چش�م

2.5عدس�ی ک�روي ب�ا قط�ر س�انتی م�تر میباش�د ک�ه از ک�ه مختل�ف الی�ه چن�دین درونی�ترین آنه�ا ش�بکیه ن�ام دارد تش�کیل ش�ده اس�ت. اط��راف ماهیچهه��اي را ل��نز ان��دازه چش��م تنظیم میکنن�د ک�ه این ک�ار زوم ب�ه ق�ادر را چش�م کردن روي اشیاء میکند.

6

CCD( CHARGE COUPLED DEVICE) دوربینCCD ک�ار انس�ان چش�م مانن�د L تقریب�ا عملک�رد جهت از

میکن�د .نور از طری�ق ی�ک عدس�ی وارد دوربین و ب�رروي عن�وان تحت ک�ه میش�ود تص�ویر مخص�وص پ�رده ی�ک

شناخته میشود.CCD تراشه تعری�ف پیکس�ل: تراش�هCCD ک�ه تص�اویر ب�ا اس�تفاده از آن

گرفت�ه میش�وند از تع�داد زی�ادي س�لول تش�کیل ش�ده ک�ه همگی در ی�ک تراش�ه ب�ا الگ�وي خاص�ی م�رتب ش�دهاند و

( شناخته میشوند.pixelsتحت عنوان پیکسل )

7

گرافیک خطاي ديد

خط�اي چش�م انس�ان و ع�ادت ك�ردن آن ب�ه كلم�اتب�اعث ميش�ود ت�ا ش�ما، ب�ه راح�تي متن ص�فحه قب�ل را امالئي غل�ط از پ�ر اينك�ه وج�ود ب�ا بخواني�د!! ن�يز

است!

8

خطاي ديد گرافیک و ص�اف خط�وط از تمام�ا تص�وير اين ط�راحي در

مستقيم استفاده شده است.

9

خطاي ديد گرافیک

10


11


12


13


14

خطاي ديد گرافیک تريلي�نيوم ي�ك از كم�تر اس�ت ق�ادر انس�ان چش�م

ك�ه در اص�طالح الكترومغناطيس�ي ام�واج از درص�د نور مرئي ميناميم را ببيند.

امواج رادیویی

امواج مایکرووی

مادون قرمز

امواج نوری

امواج ماوراء بنفش

اشعه ایکس

اشعه گاما

افزایش فرکانس

کاهش طول موج

15

طیف الکترمغناطیسگرافیک:

16

دروبینهای دید در شبگرافیک: دوربينهاي ديد در شب قادرند از انسانها و اشياء در

شب فيلم برداري كرده و به ما نشان دهند.

17

گرافیک: نكاتي در خصوص فيزيولوژي چشم

.ان�دازه و ض�خامت ش�بكيه ب�ه مع�ادل ي�ك تم�بر پس�تي است.چشم هشت پا بزرگترين چشم نسبت به جثه است.پرندگان هشت برابر بهتر از انسان مي بينند.چشم سنجاقك ده برابر بدتر از چشم انسان مي بيند .چش�م حش�رات ده براب�ر به�تر از چش�م انس�ان حرك�ات را ميبين�د

يك دوي�ستم �ثانيه �براي دي�دن �يك حرك�ت بر�اي �آن كا�في است. هم�ه چ�يز در زي�ر آب ب�ه رن�گ آبي ماي�ل ب�ه س�بز اس�ت زي�را آب

طيف قرمز نور را جذب ميكند. احتم�اال“ س�گها هيچ رنگي را نمي بينن�د البت�ه اين موض�وع هن�وز

ثابت نشده است. را رن�گ ميلي�ون ده میتوان�د طورمعم�ول ب�ه س�الم چش�م يك

تشخيص دهد. گاوه�ا رن�گ ه�ا را نمي بينن�د پس پ�ارچهي قرم�ز در عص�باني ك�ردن

گاو وحشي تاثيري ندارد.

18

گرافیک: نكاتي در خصوص فيزيولوژي چشم

يك نمون�ه از خط�اي دي�د : اگ�ر ي�ك عين�ك وارون�ه كن ب�ر چش�م بگ�ذاريمرا اگ�ر عين�ك ول�ي د�ي�ده� ميش�و�د ي�ك هفت�ه� هم�ه چ�يز در�س�ت از� بع�د

بردا�ريم دوبار�ه همه� چيز ب�ه صورت وار�ونه در� مي�آيد�..نور مهتاب كامل يك صدوشصتم نور خورشيد است جغ�د ميتوان�د در زي�ر ن�ور ي�ك ش�مع در فاص�له چهارص�د م�تري طعم�ه

اش را شكار كند. ن�يز را نوره�ا كم�ترين و ميكن�د آين�ه عم�ل مانن�د گرب�ه س�انان چش�م

بازتاب ميکند. از بن�ابراين، گرم�اي حاص�ل مار زنگي اش�عه م�ادون قرم�ز را ميبين�د

بدن� جانور�ان ا�ين را به سوي خو�د ج�ذب م�يكن�د. خلبان�ان انگليس�ي در جن�گ جه�اني دوم زي�اد ه�ويج مي خوردن�د وق�تي

آلم�ان�ي ه�ا� ديدن�د� ك�ه آ�ن ه�ا ه�دف �را در �ش�ب �ميبينن�د فك�ر كردن�د ك�ه اين ا�ث�ر زي�اد خ�وردن� ه�ويج �اس�ت� در ح�الي� ك�ه �انگل�يس�ي ه�ا� رادار را اخ�تراع

كر�ده بود�ند. ثاني�ه هس�تند پ�انزده ك�ادر در تص�اوير متح�رك ب�راي چش�م م�ا ح�داقل

ولي �اين �مگس اين تصاوير را به ص�ورت صحنه �آهس�ته مي بيند.

19

مفهوم گرافيك كامپيوتري

.اولين كامپيوتره�ا ش�امل س�طرهاي بس�ياري از چراغه�ا و كلي�دها بودند ك�ه آم�د پدي�د جدي�دي نويس�ي برنام�ه قاب�ل دس�تگاههاي سپس

ميتوانس�تند ب�ر روي لول�ه كاغ�ذ ب�ا مك�انيزمي ش�بيه ماش�ين ه�اي تحري�ر از راه دور چاپ كنند.

مانيتوره�ايCRT تص�اويري ب�راي ه�ايي تنه�ا خ�روجي آغ�از در اولي�ه بودند كه تنها حروف اسكي را نمايش میداد.

ب�ر روي اين خ�روجي ه�ا نم�ايش اولين گرافي�ك ه�اي ك�امپيوتري ك�ه داده ميشد دو بعدی بودند.

اص�طالحReal-time ب�ه تص�اويري ك�ه متح�رك بودن�د اطالق ب�ار اولين شد.

بك�ارگيري اص�طالحReal-time ب�راي گرافي�ك ك�امپيوتري ب�دين معناس�ت ك�ه ك�ا�مپي�وتر� در ح�ال ارائ�ه ك�ردن �ي�ك �انيمي�ش�ن ي�ا رش�تهاي ا�ز تص�اوير

اس�ت ك�ه بیدر�ن�گ �به بع�ضي �از �ورودي� ها� واكن�ش نش�ان ميده�د.�

20

( بع�دي ح�ال 3Dاص�طالح س�ه در ي�ك ش�ئ ك�ه معناس�ت اين ب�ه :)نمايش، سه بعد قابل اندازهگيري دارد طول و عرض و عمق

گرافي�ك س�ه بع�دي ك�امپيوتري در حقيقت تص�اويري دو بع�دي هس�تندرو�ي ي�ك ص�فحه� تخ�ت ك�ه بع�د �س�وم �و ي�ا خط�اي� دي�د� در ع�م�ق را مهي�ا

ميسازند.2D + Perspective = 3D.پرسپكتيو تنها براي خلق سيماي سه بعدي كافي است از يكي جل�وي ش�ما وق�تي اينك�ه دلي�ل بع�دي: س�ه مص�نوعات

چش�مانتان �را ميپو�ش�ان�يد دن�ي�ا ب�ه يكب�اره �تخت نمیش�ود �اين �اس�ت ك�ه د�و �بع�دي ب�ع�دي� �زي�اد�ي� ح�اظ�ر هس�ت�ند� وق�ت�ي ك�ه ه�ن�وز �افكت�ه�اي س�ه ت�ماش�ا �مي�ش�و�ند. ا�ين ا�ف�كته�ا )ت�اثيرا�ت(� ب�ه� �ان�دازهاي� هس�ت�ند �ك�ه ب�اعث ش�و�ن�د مغ�ز� ش�ما ب�ه� �راح�تي� م�س�افت �و� عم�ق� �را ت�ش�خيص �ده�د�. مس�لم �

نماي�ان دور اش�يا نز�ديكتر �بزر�گ�تر �از اش�يا ك�ه اي�نس�ت ت�رين �چ�يز ميشوند.

پرس�پكتيو افكت و Foreshorteningاين افكت اين . ميش�ود نامي�ده تغي�يرات رن�گ و تكس�چرها و �نوره�ا و اخت�الف در ش�دت رن�گ هم�ه ب�ا

ه�م به �ادرا�ك م�ا يك ت�صوير سه ب�عدي� را �اضافه� ميك�نند.


21

گرافي�ك مفه�وم ب�ه توان�د مي ك�ه خ�روجي اب�زار مهم�ترين ( نم�ايش ببخش�د، ص�فحه ك�ه Monitorك�ا�مپيوتري �عي�ني�ت (� اس�ت

مختلفي كيفيته�اي و ان�دازهها در متف�اوت روش�هاي ب�ا ام�روزه توليد میشوند.

پیکس��ل معم��اري Pixel=Picture cell/Element)تعری��ف در :)س�ختا�فزا�ر گرافي�ك ك�ا�مپيوتري ا�م�روزي� )و �ك�ارت ه�اي گ�رافيكي �

د�ر� راس �آ�نه�ا�(� تص�اوي�ر �ب�ه �ص�ورت م�ج�مو�ع�ه اي �از� �نق�ا�ط در� ن�ظ�ر گ�ر�فت�ه �مي ش�ون�د. �ه�ر نق�ط�ه� ،� رن�گ� �و مش�خص�ات� خ�اص خ�ود� ر�ا د�ار�د� �و كوچ�ك�ترين� ج�ز قاب�ل� روي�ت� �ي�ك ت�ص�وير محس�و�ب م�ي� ش�ود.

به �اين نقا�ط در �اصطالح پ�يكسل گفت�ه میشود.� تعری�ف ص�فحه نم�ایش(Screen ب�ه مجموع�ه پيكس�ل ه�ايي ك�ه در :)

ه�ر ل�حظ�ه ا�ز طري�ق ا�بزاره�ايي� مانن�د ص�فحه� نم�ايش� ترس�يم �مي شود.شود صفحه تصوير گفته می

L معم�وال و ش�ود مي گرفت�ه نظ�ر در بع�دي دو نم�ايش صفحه پ�يكس�ل �ه�ايي ك�ه در اين� دو �بع�د وج�و�د دارن�د �از طري�ق مختص�ات

آنها مانند يك ماتريس قابل دسترسي میباشند.


22

( تفكيك پذيريresolution:)

وض�وح تص�اوير ي�ا تفكي�ك پ�ذيري ب�ه مجموع�ه پيكس�لهاي افقي و عم�ودي اطالق مي�شود كه صفحه ن�مايش� قا�در به �نمايش� آن ا�ست

( پيكسلpixel:)

پيكس�ل كوچك�ترين عنص�ر تص�ويري اس�ت ك�ه ب�ه ص�ورت نقط�ه ك�وچكي روي ص�فحه نم�ايش �قاب�ل ر�ويت ميباش�د وب�ا توج�ه� ب�ه �تع�داد� و �م�يزان ت�راكم اين نق�اط در ص�فحه نم�ايش، كيفيت �تص�اوير �ب�ه نم�ا�يش در آم�ده متف�اوت خواهن�د

بود.:ماتريس كاراكتر

ماتريس ك�اراكتر مجموع�ه اي از نق�اط روش�ن و خ�اموش در ص�فحه نم�ايش مي با�ش�د ك�ه ي�ك ك�ارا�كتر� را� نم�ايش� مي ده�ن�د، �ه�ر چ�ه �ت�ع�دا�د� پ�يكس�لها�ي موج�ود در م�ا�ت�ريس ك�ار�اكتر بي�ش�تر باش�د�، �وض�وح �ت�ص�اوير� و ك�ا�راكتر�ه�ا ن�ي�ز بيش�تر �خواه�د

بود.( مد متنيText Mode:)

در اين م�د كوچك�ترين ج�ز تص�وير ك�اراكتر اس�ت . ص�فحه نم�ايش ب�ه چن�د س�طر و ت�وان�د� مي م�د اين� در� ص�فح�ه ا�بع�اد� ی�ا 25*40س�ت�ون �تق�س�يم �مي �ش�ود �.

باشد.25*80

مفاهیم پایه

23

( صفحه كريستال مايعLCD:)

L در كامپيوتره�اي كيفي و قاب�ل حم�ل اس�تفاده از اين ن�وع س�ابقاكامپيوتره�ا تم�ام ب�راي رايج ص�ورت ب�ه اكن�ون و ش�ده مي كمي وزن و حجم نم�ايش ص�فحه اين ش�ود. مي اس�تفاده ش�دن ن�وراني ب�اعث خ�اص جريان�ات يكس�ري عب�ور دارد.

پيكسل هاي آن مي شود.( المپ اشعه كاتديCRT:)

اين ن�وع المپ تص�وير، كيفيت خ�وبي را ارائ�ه ميده�د و حجم و ت�وان مص�رفي ب�االيي دارد. در گذش�ته از اين ن�وع م�انيتور ب�راي كامپيوتره�اي شخص�ي اس�تفاده ميش�د. تف�اوت عم�ده تلويزي�ون ب�ا م�انيتور در اين اس�ت ك�ه تلويزي�ون داراي تي�ونر ب�وده و ق�ادر اس�ت كاناله�اي مختل�ف تلويزي�وني را از طري�ق آنتن دري�افت

كند.

انواع صفحههاي نمايش

24

مشخصات كارتهاي گرافيكي

نوع ماتريس كاراكتر

تفكيك پذيري

تعداد رنگ توضيحات

MDA 14*9 گرافيك ندارد تك رنگي Monochromedisplay adapter

CGA ۸*۸ 640 *200۳۲۰*2۰۰

4تك رنگي رنگ

Color graphicsadapter

EGA ۱٤*۸ ۳٥۰*۶۴۰۲۰۰*۳۲۰

256 رنگ 16رنگ

EnhancedGraphics Adapter

VGA ۱۶*۹ ۴۸۰*۶۴۰۲۰۰*۳۲۰

256 رنگ 16رنگ

Video GraphicsArray

HERCULES - ۳٥۰*٧۲۰ تك رنگ MonochromeGraphics Adapter

MCGA - ۴۸۰*۶۴۰۲۰۰*۳۲۰

256رنگ 2رنگ

Multi colorgraphics adapter

25

MDA متن را ب�دون ل�رزش و ب�ا دقت زي�اد ب�ه يكي از زبانه�اي :سبز، خاكستري و سفيد نمايش ميدهد.

HERCULES كاره�اي ب�راي ولي نيس�ت رنگي ك�ارت اين :گرافيكي ميتوان از آن استفاده نمود.

CGA رن�گ تولي�د ميكن�د. اين ك�ارت مي 4: متن و گرافي�ك را ب�ا توان�د خ�روجي خ�ود را عالوه ب�ر م�انيتور ب�ه تلويزي�ون هم بده�د.

س�تون در 40 س�تون در م�انيتور ب�ه 80ه�ر چن�د در اين تع�ويض تلويزيون تبديل ميشود .

EGA چه�ار و ميكن�د تولي�د خ�وب خيلي را متن و گرافي�ك :حالت گرافيكي قابل نمايش است.

VGA گ�رافيكي ح�الت كلي�ه چه�ار ك�ارت اين :EGA تولي�د را ميكن�د و دقت آن ب�راي كاره�اي اداري ع�الي و ب�راي كاره�اي

چاپي و طراحي خوب است.

مشخصات كارتهاي گرافيكي

26

اصطالحات علمیتفاوت بین پردازش تصویر با بینایی ماشین:

Image processing

Machine vision

(Enhancementبهبود ) (Codingکدگذاری )

(Compressionفشرده سازی )(Restorationترمیم )

( Reconstructionبازسازی )

Measurement ofاندازهگیری ویژگیها )features)

(Pattern classificationطبقه بندی الگو )(Pattern recognitionالگو شناسی )

27

( ک��امپیوتر بین��ایی درک computer visionاص��طالحات ،)( )image understandingتصویر تصویر آنالیز و )image

analysis اغلب م�ورد اس�تفاده ق�رار میگ�یرد ک�ه ب�ه معن�ای )( میباشد.machine visionبینایی ماشین )

اصطالحات علمی

28

سازماندهی سیستم بینایی ماشین

Featuremeasurement

Feature vector

Class identityPattern

classifier

Raw data

29

نمونهای از مرحله اندازهگیری ویژگیها

30

اجزای یک سیستم ماشین بینایی

ی�ا آن�الوگ )سیاه-س�فید ی�ا دیجیت�ال دوربین چن�د ی�ا و یک رنگی( با اپتیک مناسب برای گرفتن عکس.

.واس�طه ای ک�ه عکس ه�ا را ب�رای پ�ردازش آم�اده میس�ازدب�رای دوربین ه�ای آن�الوگ این واس�طه ش�امل ی�ک دیجیت�ال ی��ک واس��طه این ک��ه هنگ��امی اس��ت. عکس کنن��ده

)ک�ارتی ک�ه ب�رای Frame grabberس�خت افزار ج�دا باش�د، ب�ه آن ک�ام�پیوتر ب�ه فرس�تادن �آن تص�ویری �و س�یگنال� د�ری�افت

استفاده میشود( میگویند.یک گ�اهی پردازش�گر ش�ده PCیک تعبی�ه پردازن�ده ی�ا

(Embedded Processor مانند ) DSP

نرم اف�زارMachine vision ب�رای امکان�اتی نرم اف�زار این ت�وس�عه ی�ک� برنام�ه �نرم اف�زار�ی ک�ه �ب�رای ک�ارب�ردی م�ش�خص

است را فراهم میکند.

31

L دیجیت�ال( ی�ا حلقه ه�ای I/Oسخت افزار ورودی / خ�روجی )مثال( ب�رای گ�زارش نتایج.RS-232ارتب�اط�ی مثال �ارتب�اط ش�بکه ا�ی ی�ا� )

یک دوربین هوش�مند: ی�ک وس�یله س�اده ک�ه هم�ه م�وارد ف�وق راداراست.

ب�ه مق�دار مطل�وبی روی سنس�ور تص�ویر بتوان�د لنزه�ایی ک�ه زوم کند.

من�ابع ن�وری مناس�ب و گ�اهی خیلی مخص�وص ) مثال چراغه�ایLED) . . . فلورسنت، المپهای هالوژن و ،

و ک�رده پ�ردازش را تص�اویر بتوان�د ک�ه برنام�ه مش�خص یک مشخصه های مربوط و مناسب را شناسایی کند.

ب�رای شناس�ایی اج�زا )گ�اهی ی�ک یک سنس�ور همزم�ان س�از این سنس�ور ی�ک س�نس�ور �مغناطیس�ی(:� ی�ا و س�نس�ور �ن�وری� ب�را�ی را�ه ان�دازی س�یس�تم اس�ت�خراج �و پ�ردازش �تص�ویر میباشد.

اجزای یک سیستم ماشین بینایی

32

حالت کلی عملکرد دستگاه ی�ک زم�انی ک�ه چ�ه تع�یین می کن�د سنس�ور همزم�ان س�از

L ر�وی ی�ک حم�ل� کنن�ده ح�رکت م�ی کن�د( در بخ�ش )ک�ه� معم�والب�ای�د م�ورد� بررس�ی و�اق�ع موقعی�تی �ق�رار� گرفت�ه ا�س�ت ک�ه ش�ود�. ا�ی�ن سنس�ور هن�گامیک�ه �از �زی�ر دور�بین� میگ�ذر�د و� ی�ک ث�ابت ن�گهداش�تن تص�وی�ر ا�یج�اد �می� کن�د، پ�ال�س ن�وری ب�رای د�وربی�ن� را ب�رای گ�ر�فت�ن عکس� �فع�ال� میک�ن�د.� ن�وری �ک�ه ب�رای ر�وش�ن ک�ردن� آن �بخش� ب�ه� ک�ار می رود �د�ر �و�اق�ع ب�رای �آن �

اس�ت �ک�ه� مش�خص�ه �های م�طل�و�ب �را ب�رجس�ته� و م�شخص�ات ح�داقل را �ب�ه ا�نعک�اسها(� ی�ا و )مث�ل �س�ای�ه� ها ن�ام�ط�لو�ب

L پ�ن�ل ه�ای ب�ا ان�د�ازه� و ط�ر�اح�ی� �مناس�ب �LEDبرس�ان�د. معم�وال�ق�را�ر� �می �گ�یرن�د. �ت�ص�ویر� � م�ورد �ا�س�تف�اده� ه�د�ف ب�ر�ای �ای�ن

و� �ی�ا تو�س�ط �ی�ک �حافظ�ه frame grabberدور�بین� ی�ا توس�ط ی�ک �اس�تفا�ده نش�ده� اس�ت( frame grabberک�ا�مپیوتری )ک�ه در آن از

گرفته میشود.

33

frame grabber ی�ک وس�یله دیجیت�ال کنن�ده اس�ت )ی�ا در داخ�لدوربین هوش�مند و ی�ا بط�ور جداگان�ه( ک�ه خ�روجی دوربین L این ف�رمت از را ب�ه ف�رمت دیجیت�ال تب�دیل ک�رده )معم�والاز اع�داد تش�کیل ش�ده ک�ه ه�ر ع�دد آرای�ه دو بع�دی ی�ک تص�ویر آن در متن�اظر نقط�ه روش�نایی ش�دت متن�اظر س�پس و گوین�د.( می پیکس�ل نق�اط این ب�ه میباش�د.

نرم افزار� توسط پردازش منظور به را Machineتصویر

vision در حافظ�ه ک�امپیوتر ذخ�یره میکن�د. ب�ه ط�ور معم�ولتص�ویر پ�ردازش ب�رای را متف�اوتی اق�دامات نرم اف�زار، انج�ام میده�د. گ�اهی در ابت�دا تص�ویر ب�رای ک�اهش ن�ویز و از ای س�اده ت�رکیب ب�ه خاکس�تری س�ایه های تب�دیل ی�ا

( در Binarizationرنگه�ای س�یاه و س�فید دس�تکاری می ش�ود )و گ�یری ان�دازه ش�مردن، عم�ل نرم اف�زار بع�دی ق�دم دیگ�ر و مشخص�ات کاس�تی ها ابع�اد، اجس�ام، شناس�ایی

تصویر را انجام می دهد.

حالت کلی عملکرد دستگاه

34

ری�زی ش�ده برنام�ه معیاره�ای و ب�ه ض�وابط توج�ه ب�ا نه�ایت در م�م�کن اس�ت بخ�ش�ی �را� بپ�ذیر�د� و ی�ا �رد� کن�د. �ا�گ�ر ی�ک� بخ�ش� رد ش�د، نر�م �اف�ز�ار �ب�ه �ی�ک دس�تگا�ه مک�انیکی� ف�رم�ان م�ی د�ه�د ت�ا آن ب�خش �ر�ا �خ�ار�ج کن�د و� همچ�نین� �سی�س�تم �خ�ط �تولی�د ر�ا ق�ط�ع ک�رده� و� �ب�ه ک�ا�ر�گر �هش�د�ار �م�ی �ده�د� �ت�ا� �مش�کلی� �ک�ه ب�ا�ع�ث �ای�ج�اد� �خط�ا

ا�ک�ثر ا�گرچ�ه مبن�ای Machine visionش�د�ه �را �ر�ف�ع� �نمای�د.� ب�ر ه�ا� ان�د، �اس�ت�ف�اده �ا�ز ن�ه�اد�ه �ش�ده د�و�ربین� �ه�ای �س�یاه–�س�فید �بن�ا� د�و�ربین� �ه�ای� �ر�نگی� د�ر ح�ا�ل �رایج� ش�دن ا�س�ت. ه�م�چ�نین� ام�ر�وزه ش�ا�هد ش�یوع ف�راو�ان �اس�تفاد�ه از� ت�جه�یزا�ت� دو�ر�بین� ه�ای� دیج�یت�ال

Machine vision �جدا�گان�ه� د�ر� frame grabberب�ه� جای یک دورب�ین و یک

ا�ز ی�ک� �دوربین� د�یجیت�ا�ل �ب�ه من�ظ�ور ب�رق�رار�ی هس�تیم�. اس�تفا�ده� ا�ر�تب�اط� �مس�تقی�م، ب�ا�عث� ص�ر�فه� ج�ویی د�ر �ه�زین�ه و �ن�یز� �س�ادگی �دا�خ�ل �آنه�ا � در د�ور�بین ه�ای �هو�ش�من�د �ک�ه� خو�ا�ه�د �ش�د�. س�یس�تم

embedded processor ه�ا �ت�عب�ی�ه� ش�ده ان�د،� �در ح�ا�ل تس�خیر س�هم ب�االیی ها هستند. Machine visionاز بازار


35

ه�ا embedded processorدوربین ه�ای هوش�مند ک�ه در داخ�ل آنه�ا ب�ازار از ب�االیی س�هم تس�خیر ح�ال در ش�دهاند، تعبی�ه

Machine vision ها هستند. استفاده از یکembedded processor

ب�ه نی�از م�ا بهین�ه ی�ک پردازن�ده ی�ا و ی�ک frame grabberو این ب�ه همین خ�اطر بین میبرد. از را ک�امپیوتر خ�ارجی پیچی�دگی ک�اهش هزین�ه، ک�اهش ب�اعث پردازن�ده ها سیس�تم و همچ�نین اختص�اص ت�وان پردازش�ی مش�خص ب�ه L ارزان ه�ر دوربین میش�ود. دوربین ه�ای هوش�مند معم�والی�ک و ب�رد ی�ک و دوربین ی�ک از سیس�تمهای ش�امل ت�ر

ب�االی ت�وان embeddedک�امپیوتر خ�ارجی هس�تند. همچ�نین processor و DSP ه�ا منج�ر ب�ه ب�اال رفتن عملک�رد و توان�ایی

PCآنه�ا نس�بت ب�ه سیس�تمهای مرس�وم ) ک�ه ب�ر مبن�ای هستند( شده است.


36

کاربردهای بینایی ماشین.تولید صنعتی در مقیاس بزرگ.ساخت اجزایی که نیاز به زمان تولید مشخصی دارند.سیستمهای ایمنی موجود در محیط های صنعتی بررسی مواد اولیه تولید )مثال کنترل کیفیت و بررسی

وقوع خطا( ،کنترل موجودی انبار و سیستمهای مدیریتی ) شمارش

بارکد خواندن و ذخیره اطالعات در سیستمهای دیجیتال(

کنترل رباتهای تعقیب خطی که برای حمل بار درکارخانه های صنعتی استفاده می شوند.

.کنترل کیفیت و بهبود محصوالت غذایی.ماشینی کردن اجزای کوچک صنعتی

37

روش های پردازش

:شمارش پیکسلشمردن تعداد پیکسلهای روشن و تاریک.

:تعیین آستانهب�ه ی�ک عکس س�یاه و ب�ا قس�مت های خاکس�تری تب�دیل ی�ک عکس پیکس�ل ها�ی آس�تانهای� ق�ر�ار �دا�د�ن ب�ا� ک�ه� ط�ری�ق� ب�ه �ای�ن س�فید ر�وش�ن� ت�ر� از آن� را� �س�فید و� پیکس�ل های تیره�تر� از آن� را� س�یاه �در

نظر می گیریم.( :بخشبندی کردنSegmentation)

ی�ابی و تب�دیل تص�ویر ورودی ب�ه بخش ه�ای مختل�ف ب�رای م�وقعیت شمارش پیکسلها.

:تشخیص و شناسایی لکه ها و دستکاریبررس�ی ی�ک عکس ب�رای ی�افتن گسس�ته از بین تم�امی پیکس�لها. )ب�ه عن�وا�ن �مث�ال ی�ک حف�ره س�یا�ه �رن�گ در� درو�ن ی�ک ج�س�م خا�کس�تری(

ا�ین �ل�که ها �به عنوا�ن ن�شان �اخت�صاص�ی� عکس خ�وا�هند بود.

38

:تشخیص و شناسایی توسط اجزاء موجود

استخراج اجزاءی خاص از یک تصویر ورودی مثال عکس. رdداوم در برابdور مdه طdو بdایی الگdخیص وشناسdتش

تغییرات:

به این معن�ا ک�ه م�وقعیت جس�می ک�ه ممکن اس�ت چرخان�ده ش�ود ی�ا ان�دازه اش تغی�یر کن�د ی�ا قس�متی از این جس�م توس�ط جس�م

دیگر پوشانده شود، را به طور دقیق شناسایی کند.:خواندن بارکد

اس�کن ش�ده بع�دی دو و بع�دی ی�ک ک�دهای تع�یین و شناس�ایی توسط ماشین ها طراحی شده است.

:تشخیص و شناسایی کاراکتر نوری

خواندن خودکار یک متن )مثال: یک رشته اعداد پشت سرهم(.

روش های پردازش

39

:اندازه گیری

اندازه گیری ابعاد یک جسم )بر حسب میلی متر یا اینچ(.:تشخیص و شناسایی لبه ها

پیدا کردن لبه های یک جسم در یک تصویر.:تشخیص و شناسایی از طریق تطبیق الگو

پی�دا ک�ردن، مط�ابقت دادن و ش�مارش اش�کال خ�اص در ی�ک تصویر.

ب�ه منظ�ور بررس�ی کام�ل Machine visionدر اک�ثرموارد ی�ک سیس�تمی�ک� تص�ویر، از �زنج�یره �مرک�بی از این تکنی�که�ا�ی پ�ردازش� اس�تفاده می�کن�د. ب�ه عن�وان �مث�ال� میت�و�ان ب�ه س�یس�تمی� اش�ار�ه ک�رد �ک�ه با�رک�د ر�ا می�خ�وان�د� و هم س�ط�ح جس�م را� ب�را�ی� خ�را�ش �احتم�ا�لی م�ورد آ�ن ع�رض و ط�ول ا�س�ت ممکن و �هم میده�د� ق�را�ر بررس�ی

وسیله را اندازه گیری کند.

روشهای پردازش

40

فرآیند یک سیستم بینایی ماشین

41

مثال: تشخیص ارقام دست نوشته

42

مثال: تعیین موقعیت سر

43

پردازش تصویر: تصویر دیجیتالی

انرژی )الکترون ولت(

فرکانس )تراهرتز(

طول موج )نانومتر(

رنگ

1/24کمتر از 300کمتر از 1000باالتر از مادون قرمز

1/77 428 700 قرمز

2 484 620 نارنجی

2/14 517 580 زرد

2/34 566 530 سبز

2/64 638 470 آبی

2/95 714 420 بنفش

4/15بیشتر از 1000بیشتر ار 300کمتر از ماوراءبنفش

44

نمودار تابع به ازای مقادیر پیوسته و گسسته

پردازش تصویر: تشکیل تصویر دیجیتالی

45

:برای یک پیکسل دو نوع همسایگی میتوان تعریف نمودهمسایگی چهارگانه

همسایگی هشتگانه


شدت روشنایی پیکسل در سطر چهارم و ستون چهاردهم

46

( شدت روشنایی دریافت شده توسط حسگر در پیکسلm,n از )تصویر باید کوانتیزه شود.

:در بینایی ماشین با دو نوع تصویر سروکار داریم

تصویر باینری و تصویر خاکستری


تصویر خاکستری

تصویر سیاه و سفید

47

زنی مشت بازی میز روی تیس بازی

نمونهای از کاربردهای بینایی ماشین

48

VIDEO

49

تصویر رنگی و خاکستری زز زززز زز کانالزز ززز زززززز ززز یک آبی و سبز و قرمز ازدیدبیناییماشینهریکازرنگهای

. هرززز زززززز ازای به باید رنگی تصویر ایجاد برای یعنی رنگنامیدهمیشودز زززززز زززز زز مجزازززز طور به را آبی و سبز قرمز، پیکسلمقادیرهریکازکانالهای

. نمود ذخیره طبق خاکستری به را رنگی تصاویر ماشین بینایی مسائل بیشتر در

. فرمولزیرتبدیلمیکنندززززز ززز ززززز

50

عملیات نقطهای زززززز ززز زز زززززز ززز یکزززززز ززز روی بر تنها که عملیاتنقطهایازعملیاتپیشپردازشمیباشد

زز ززززز زززززز ززز ززززز زززززز. زز زز ز مقدارزززز پیکسلازتصویراعمالمیگرددبااعمالعملیاتنقطهای. بود خواهد پیکسل آن فعلی مقدار از تابعی تنها پیکسل یک جدید

زززززز جدیدززز مقدار شوند، اعمال تصویر دو روی بر اگرعملیاتنقطهایزززززز زز ززززز ز ورودیزززز تصویر دو در متناظر پیکسلتابعیازمقادیرپیکسلهای

. بود خواهد

51

عملیات محلی:کانولوشن تصویر

52

: میانگین فیلتر1(/w*H)

عملیات محلی:هموارکردن تصویر )فیلتر میانگین و فیلتر گاوسین(

53

گاوسین فیلتر

گاوسین فیلتر از استفاده با هموارکننده فیلتر فرمول

عملیات محلی:هموارکردن تصویر )فیلتر میانگین و فیلتر گاوسین(

54

هیستوگرام تصویر هیستوگرام فرمول

هیستوگرام کردن نرمالیزه

55

تقطیع )بخشبندی( تصویر: ززز زززز ززز ززز زز ز ززززز ززز بهطورکلیتقطیعشاملچهارنوععملمیباشدزز ز

یابی لبه

آستانهگیری

تفکیک

بارز نقاط یافتن

56

تقطیع )بخشبندی( تصویر:لبهیابی براساس مشتق اول تصویر

57

3 0 -3

10 0 -10

3 0 -3

تقطیع )بخشبندی( تصویر:فیلترهای لبهیابی براساس مشتق اول تصویر

3 10 3

0 0 0

3- 10- 3-

1- 0 1

2- 0 2

1- 0 1

1- 2- 1-

0 0 0

1 2 1

مشتق محاسبه فیلترجهت yدر

مشتق محاسبه فیلترجهت xدر

سوبل

تغییریافته سوبل

58

-1 0 1

-1 0 1

-1 0 1

تقطیع )بخشبندی( تصویر:فیلترهای لبهیابی براساس مشتق اول تصویر

-1 -1 -1

0 0 0

1 1 1

1 0

0 -1

0 1

-1 0

پرویت

روبرتز

مشتق محاسبه فیلترجهت yدر

مشتق محاسبه فیلترجهت xدر

59

0 1 0

0 -2 0

0 1 0

تقطیع )بخشبندی( تصویر:لبهیابی براساس مشتق دوم تصویر

0 0 0

1 -2 1

0 0 0

فیلترهای محاسبهی مشتق دوم تصویر

1 1 1

1 -8 1

1 1 1

0 1 0

1 -4 1

0 1 0

فیلتر الپالسین تغییر فیلتر الپالسین پایهیافته

60

تقطیع )بخشبندی( تصویر:لبهیابی براساس مشتق دوم تصویر

فیلتر الپالسین فیلتر سوبل

61

تقطیع )بخشبندی( تصویر:(CANNYلبهیاب کنی )

62

63

تقطیع )بخشبندی( تصویر:آستانه گیری از تصویر

64

تقطیع )بخشبندی( تصویر: )تعیین سطح آستانه مبتنی بر شکل هیستوگرام(آستانه گیری از تصویر

65


66


67

مهمترین روشهای تعیین سطح آستانه آماری به سه حالت تقسیم میگردد:

بهینهعمومیاتسو

تقطیع )بخشبندی( تصویر: )آستانهگیری سطح آماری(آستانه گیری از تصویر

68

تقطیع )بخشبندی( تصویر:آستانهگیری سطح آماری: روش آستانهگیری بهینه

69

تقطیع )بخشبندی( تصویر:آستانهگیری سطح آماری: روش آستانهگیری عمومی

70

) کردن ) مینیمم اتسو کلی روش ، زمینه پس و زمینه کالس دو وجود فرض با: . ز زیرززززززز زززز زززز رابطه مینیمم مقدار یافتن یعنی واریانسداخلکالسیمیباشد

تقطیع )بخشبندی( تصویر:آستانهگیری سطح آماری: روش آستانهگیری اتسو

71

تقطیع )بخشبندی( تصویر:آستانهگیری سطح محلی

72

تقطیع با روش یادگیری ماشین:K MEANSتقطیع تصویر با روش

73


74


75


76

تقطیع با روش یادگیری ماشین:تقطیع تصویر با استفاده از الگوریتم شیفت میانگین

77


78


79


80


81


82


83


84


85


86

تقطیع تصویر با استفاده از الگوریتم واترشید

87


88


89


90

تقطیع مبتنی بر تقسیم و ترکیب

91


92


93

تقطیع مبتنی بر تخمین حرکت

94

برچسب زنی اجزای متصل

شی 5مجزا

95


شی 16مجزا

96

برچسب زنی به روش پیمایش سطحیبرچسب زنی به روش پیمایش عمقیبرچسب زنی دو مرحلهای


97

ص�ورت ب�ه گ�راف پیم�ایش الگ�وریتم پیادهس�ازی برای سطحی از یک صف استفاده میکنیم.

ریشه را به صف اضافه کن وflagآن را ست کن تا زمانی که صف خالی نشده است تکرار کن گره سرص�ف را برداش�ته، در خ�روجی چ�اپ ک�رده و هم�ه فرزن�دان

آنها ست نشده باشد، به انتهای صف اضافه کنflagآن را که flag هم�ه گرهه�ای فرزن�دان اض�افه ش�ده ب�ه ص�ف را س�ت کن. س�ت

ب�دین منظ�ور انج�ام میگ�یرد ک�ه ه�ر گ�ره تنه�ا یکب�ار ب�ه ص�ف flagک�ردن اضافه شود

برچسب زنی اجزای متصل به روش سطحی

98

برچسب زنی اجزای متصل به روش سطحی

ABCDEFGHIJ

99

ص�ورت ب�ه گ�راف پیم�ایش الگ�وریتم س�ازی پی�اده برای عمقی از یک پشته استفاده میکنیم.

ریشه را به پشته اضافه کرده و فلگ آن را ست کن•تا زمانی که پشته خالی نشده است، تکرار کن•(، آن را در خ�روجی چ�اپ ک�رده و Popگره ب�االی پش�ته را برداش�ته )•

هم�ه فرزن�دان آن را ک�ه فل�گ آنه�ا س�ت نش�ده باش�د، ب�ه پش�ته اض�افه (Pushکن )

فل�گ هم�ه گ�ره ه�ای فرزن�دان اض�افه ش�ده ب�ه ص�ف را س�ت کن. س�ت •ک�ردن فل�گ ب�دین منظ�ور انج�ام می گ�یرد ک�ه ه�ر گ�ره تنه�ا یکب�ار ب�ه

صف اضافه شود.

برچسب زنی اجزای متصل به روش عمقی

100

برچسب زنی اجزای متصل به روش عمقی

ABFIGJHCDE

101

مثال: برچسب زنی اجزای متصل به روش عمقی و سطحی

102

برچسب زنی اجزای متصل به روش دومرحلهای )تکراری(

برچس�ب زنی ب�ه روش تک�راری ی�ک روش دو مرحل�ه ای اس�ت ک�ه در مرحل�ه اول ب�ا پیم�ایش تص�ویر از ب�اال ب�ه پ�ایین و از چپ ب�ه راس�ت ب�ه ه�ر پیکس�ل ش�ی ای، ب�ر اس�اس ش�رایط زی�ر برچس�بی را انتس�اب می

دهد: پیکس�ل4در همس�ایگی ب�االیی )p)i,jگان�ه پیکس�ل اگ�ر ، p)i-1,j( و

)i,j(p باش�ند، پیکس�ل X دارای برچس�ب )p)i,j-1پیکس�ل س�مت چ�پی خواهد داشت.Xنیز برچسب

همس�ایگی پیکس�ل4در ب�االیی)p)i,jگان�ه پیکس�ل اگ�ر ، p)i-1,j( ی�ا )i,j(p باش�ند، پیکس�ل Xدارای برچس�ب )p)i,j-1پیکس�ل س�مت چ�پی

خواهد داشت.Xنیز برچسب همس�ایگی پیکس�ل4در ب�االیی )p)i,jگان�ه پیکس�ل اگ�ر ، p)i-1,j(

باش�ند Y دارای برچس�ب)p)i,j-1 و پیکس�ل س�مت چ�پیXبرچس�ب (X وYبرچس�ب پیکس�ل ،)ب�اهم براب�ر نیس�تند p)i,j( را براب�ر X ق�رار

را وارد می کنیم.Y و Xداده و در جدول معادل ها همس�ایگی پیکس�ل4در ب�االیی)p)i,jگان�ه پیکس�ل اگ�ر ، p)i-1,j( و

چ�پی س�مت ب�ه )p)i,j-1پیکس�ل نباش�ند، برچس�ب دارای هیچی�ک قرار میدهیم.Z برچسب جدیدی برابر )p)i,jپیکسل

103

ع�ددی مق�ادیر از معم�وال ه�ا پیکس�ل ب�ه برچس�ب انتس�اب هنگ�ام اس�تفاده می ک�نیم. ج�دول مع�ادل ه�ا ن�یز ش�امل هم�ه برچس�ب ه�ای مع�ادل هم خواه�د ب�ود. در مرحل�ه دوم برچس�ب ه�ای مع�ادل ب�ا هم ادغ�ام ش�ده و برچس�ب منحص�ربفردی را ب�رای هری�ک از اش�یا تولی�د

اگ�ر و Xمیکن�د. Y ،باش�ند معادله�ا ج�دول از مع�ادل برچس�ب دو براب�رY باش�د هم�ه برچس�ب ه�ایX<Yزم�انی که ق�رار می X را

دهیم و در نتیج�ه ب�ه هری�ک از اج�زای متص�ل برچس�ب منحص�ربفردی منتسب می شود.

برچسب زنی اجزای متصل به روش دومرحلهای )تکراری(

104

استخراج کانتور تصویر

105

مثالی از توصیف کانتور لب

16مدل نقطهای لب

نقطهای نرما لیزه 16مدل شده لب

106


مدل هندسی لب

107


تصویر شدت روشنایی اولیه

تصویر شدت روشنایی نرمالیزه شده

108

مثالی از توصیف کانتور لب )فرآیند جداسازی(

109

مثالی از توصیف کانتور لب )تست آزمایشگاهی (

110

مثالی از توصیف کانتور لب )تست آزمایشگاهی (

111

نقاط بارز و ویژگیهای سطح پایینگوشه یابی در تصویر

معیارهای مهم در آشکارسازی گوشه:.همه گوشه ها آشکار شوند.هیچ گوشه اشتباهی یافت نشود.نقاط گوشه پیدا شده باید در موقعیت درستی محلبایی شوند.آشکاساز گوشه باید در مقابل نویز مقاوم باشد

112


113


تصویر آغشته شده با نویز گوسی

114


115


116

نقاط بارز و ویژگیهای سطح پایینتبدیل ویژگی مقاوم در برابر تغییر مقیاس: تبدیل هاف دایرهای

فضای پارامتری دایره پس از تبدیل هاف

117


118


119

الگوریتم تبدیل هاف دایرهای:یافتن لبهها برای ه�ر نقط�ه لب�ه تب�دیل ه�اف ش�روع میش�ود: ی�ک دای�ره ب�ا مرک�زیت

رس�م میش�ود و در انب�اره تم�ام مختص�اتی ک�ه rنقط�ه لب�ه ب�ا ش�عاع محیط دایره از آنها عبور میکند، افزایش مییابند.

.نقاط ماکزیمم در انباره پیدا میشود و تبدیل هاف تمام میشود( پارامتره�ای پی�دا ش�دهr,a,b مط�ابق ب�ا نق�اط م�اکزیمم روی تص�ویر )

اصلی مشخص میشوند.


120

مثالی از تبدیل هاف دایرهای

شکل اصلی

استفاده از لبه یاب کنی

121

مثالی از تبدیل هاف دایرهای

122

نقاط بارز و ویژگیهای سطح پایینتبدیل ویژگی مقاوم در برابر تغییر مقیاس: تبدیل هاف خط

123


124


125


126

مثالی از تبدیل هاف خط

127

مثالی از تبدیل هاف خط

128

:عملیات مورفولوژیکیعملگرهای مجموعه ای

عملگر اجتماع

عملگر اشتراک

129

عملگر تفاضل

عملگر تک عملوندی مکمل

:عملیات مورفولوژیکیعملگرهای مجموعه ای

130

گسترش باینری مورفولوژیکی

>> BW1 = imread)'circbw.tif'(;>> SE = strel)'rectangle',[5 5](;>> BW2 = imdilate)BW1,SE(;>> imshow)BW1(,figure,imshow)BW2(

حاصل گسترش تصویر

تصویر اصلی

131

سایش باینری مورفولوژیکی

>> BW1 = imread)'circbw.tif'(;>> SE = strel)'rectangle',[5 5](;>> BW2 = imerode)BW1,SE(;>> imshow)BW1(,figure,imshow)BW2(

132

استخراج اسکلت بندی اشیاء

133

استخراج اسکلت بندی اشیاء

>> BW1 = imread)'circbw.tif'(; >> BW2 = bwmorph)BW1,'skel',Inf(;>> imshow)BW1(,figure, imshow)BW2(

134

مثال: تشخيص محل پالک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی

135


136


پیدا کردن لبههای عمودی تصویر

هیستوگرام افقی تصویر لبههای عمودی

137


تصوير کانديد دوسطحی بدست آمده از تصوير لبه

138


عم�ودی، و افقی در جهت گس�ترش يافتن اشتراک

جهت در گس�ترش و تص�وير دو اين افقی تصوير اشتراک

پر کردن حفره های احتمالی

139

سايش تصوير و اعمال فيلتر ميانه

پيدا شدن محل پالک


140

مثال: تشخيص محل پالک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی:

بررسی معیار تراکم

هيستوگرام افقی متناظر

141

مثال: تشخيص محل پالک خودرو از تصاوير پيچيده بر اساس عمليات مورفولوژيکی:

بررسی معیار تراکم

142

استخراج ویژگی

ویژگیهای شکلویژگیهای مبتنی بر ناحیهویژگیهای مبتنی بر شدت روشناییویژگیهای مبتنی بر بانک فیلتر گابور

143

شمای کلی یک سیستم بازیابی تصویر

144

ویژگیهای تصویر از لحاظ نحوه توصیفگر به سه دسته تقسیم میگردد:

)ویژگیهای عمومی یا سطح پایین )رنگ و بافتویژگیهای معناییویژگیهای مختص کاربردهای خاص

استخراج ویژگیهای محتوایی تصاویر براساس رنگ

145

انواع فضاهای رنگی در استخراج رنگ:RGBHSVL*a*b*


146


روشهای استخراج رنگ:ممان رنگهیستوگرام رنگهیستوگرام برچسب رنگبردار ارتباط رنگهمبستگی نگاشت رنگرنگ غالببردار وابستگی

147

نمونهای از روشهای استخراج ویژگی بافت: ماتریسCo-occurrence

ویژگی هایTamura

ویژگیهای فیلتر گابورویژگیهای تبدیل موجک


148

مثالی برای استخراج ویژگی

149

رن�گ غ�الب ف�ازی ب�ا در و غ�الب ف�ازی در این مث�ال از دو وی�ژگی رن�گ ه�ا پیکس�ل وابس�تگی مک�انی گ�رفتن و نظ�ر اس�ت اس�تفاده ش�ده

س�اختار مبت�نی ب�ر اتومات�ای س�لولی ب�رای اس�تخراج وی�ژگی بک�ار رفت�ه است.

از نط�ر 8تابع عض�ویت وض�عیت ق�رار گ�رفتن ی�ک پیکس�ل در همس�ایگی رنگ پیکسلهای همسایه

: استخراج ویژگی در تصاویر رنگی با 1مثالاستفاده از اتوماتای سلولی فازی

150

نحوه نگاشت سلولهای اتوماتا بر پیکسلهای تصویر


151


152


رنگ غلب8طیف

رنگ غالب مورد استفاده برای دستهبندی 8تابع عضویت پیکسلهای تصویر رنگی

153

بdا 1مثdال رنگی تصdاویر در ویdژگی اسdتخراج :استفاده از اتوماتای سلولی فازی

154


155


156


157

: تشخیص دستنوشته با استفاده از ماشین 2مثالاتوماتا و منطق فازی

158

الگوریتم کار: محاسبه زاویه حرکت دست از روی نقاط پیدا شدهشناسایی حرکت مطلوب توسط سیستم فازیقرار دادن نام حرکت روی نوار اتوماتا جهت تغییر وضعیت آنشناسایی وضعیت نهایی اتوماتا و حرف نوشته شده


159

محاسبه زاویه حرکت دست:

جهات مهم حرکت دست

زاویه نام حرکت

راست 0 a

راست-باال 45 b

باال 90 c

چپ-باال 135 d

چپ 180 e

چپ-پایین -135 f

پایین -90 g

راست-پایین -45 h


160


161

:فرمول یافتن مختصات جدید زاویه حرکت دست

:یافتن مکان کنونی دست با استفاده از لبهیابی


برای لبه یابی Gx, Gyمقادیر موجود در ماسک های Sobelتصویر در روش

162

مدل فازی تشخیص جهت حرکت دست از روی زاویه حرکت بهدست آمده

زاویه شناسایی

شده

سیستم فازی

جهت حرکت


163

پارامترهای ورودی -خروجی سیستم فازی


164

نمودار سیستم فازی با توجه به زوایا و جهات حرکت دست


165

بازهی زاویه نام حرکت)-35,35( a

)10,80( b

)55,125( c

)100,170( d

)145,-145( e

)-170,-100( f

)-125,-55( g

)-70,-10( h


بازهی زاویهی شناسایی شده برای هر جهت حرکت دست توسط سیستم فازی

166

ماشین های اتوماتایDFA)Deterministic Finite Automata(

به صورت تعریف می شود، که در آن:DFAیک

Q یک مجموعه متناهی است که نامState های ماشین در آن قرار دارد.

Ʃ یک مجموعه متناهی است که نام Symbol های زبان ماشین در آن قرار دارد.

δ.تابع انتقال )تغییر وضعیت( ماشین که به صورت تعریف می شود

q0 عضوی از می باشد که به عنوان State.شروع می باشد

F زیر مجموعه ای از که به عنوان State های( نهایی )پذیرش( می( باشد.


167


گراف معادل اتوماتای طراحی شده برای شناسایی A, M, N, Zحروف

Documents

بینایی ماشین