تحقیق در مورد Color Image Segmentation 17 ص.

اختصاصی از رزفایل تحقیق در مورد Color Image Segmentation 17 ص. دانلود با لینک مستقیم و پر سرعت .

تحقیق درباه Color Image Segmentation 17 ص.
با فرمت word
قابل ویرایش و پرینت

تعداد صفحات : 17
فرمت : doc

دانشگاه آزاد اسلامی مشهد




(مقاله و پیاده سازی)

Color Image Segmentation




با تشکر از استاد گرامی: جناب آقای دکتر پوررضا


نام ونام خانوادگی: گوهر وحدتی


Email:[e-mail]





اردیبهشت87








CLPSO-based Fuzzy Color Image Segmentation

چکیده:
در این پروژه قصد داریم روش جدیدی جهت قطعه بندی تصاویر رنگی بااستفاده از سیستمهای فازی معرفی نماییم.به عبارتی دیگر در تصاویر رنگی ، نواحی مشابه از لحاظ رنگ را جدا کرده و تصویررا به قطعات مشابه تقسیم می نماییم. با توجه به این که به طور معمول تصاویر رنگی در فضای RGB ذخیره می شوند وسیستم FIS ما به پارامترهای فضای HSL نیاز دارد لذا در ابتدا تصاویر ورودی را به فضای موردنظر برده سپس هر پیکسل از تصویر را به سیستم FIS می دهیم تا رنگ پیکسل موردنظر را تشخیص دهد ودر انتها پیکسلهایی که از لحاظ رنگ مشابه بودند رابه صورت جداگانه نمایش می دهیم.
در این پروژه علاوه بر پیاده سازی روش مقاله مورد نظر، کمی تغییرات در نحوه پیاده سازی ایجاد نمودیم که باعث افزایش سرعت تشخیص شد.و آن استفاده از روابط موجود بین همسایگان یک پیکسل می باشد که توضیحات کامل آن در قسمت شبیه سازی آورده شده است.

1.مقدمه:
قطعه بندی عملیاتی جهت تقسیم بندی تصویر به نواحی یکنواخت می باشد. بنابراین قطعه بندی عملیاتی مقدماتی جهت تشخیص اشیا موجود در تصویر است. هدف از این پروژه دسته بندی تصاویر رنگی به کمک روش فازی می باشد. هر شی یک رنگ منحصر به فرد دارد. هدف تشخیص هر شی بر اساس رنگ آن است.
کاربردها :
قطعه بندی تصویر از مسائل مهم در زمینه های مختلف پردازش می باشد که از جمله کاربردهای می توان به موارد زیر اشاره نمود :
کاربرد در پزشکی
تشخیص محتوای سایت ها
تشخیص پوست در تصاویر
فیلتر کردن سایت های غیر اخلا قی
روشها :
برای پیاده سازی، روشهای متفاوتی ارائه شده است که از جمله آنها می توان support vector machines ، روشهای هیستوگرام وروشهای فازی را نام برد.
در روشهای هیستوگرام سگمنت بندی براساس شباهت رنگ انجام می گیرد ودر بعضی الگوریتم ها بر اساس ناحیه ،سگمنت بندی انجام می گیرد.

تکنیک های قطعه بندی تصاویر با استفاده از رنگ را می توان در پنچ دسته گنجاند :
قطعه بندی بر اساس پیکسل [2]
قطعه بندی براساس تشخیص لبه [5][4]
قطعه بندی ترکیبی براساس لبه وناحیه [6]
قطعه بندی بر اساس خوشه بندی [10][9][8][7]

قطعه بندی تصاویر رنگی بااستفاده از دسته بندی فازی یکی از روشهای قطعه بندی بر اساس پیکسل می باشد. به این ترتیب که سیستم فازی مشخص می کند هر پیکسل به کدام دسته رنگ تعلق دارد .بنابراین هدف ایجاد یک سیستم فازی است که بتواند رنگهای بیشتری را دسته بندی نماید.
برای این کار نیاز به یک فرد خبره است که با توجه به داه های آموزشی ، قوانین و توابع راتنظیم نماید که امری وقت گیر می باشد .لذا نیاز به یک روش اتوماتیک است که باتوجه به داده های آموزشی قوانین وتوابع عضویت فازی را ایجاد نماید .روشهای زیادی برای این منظور ابداع شده است که از جمله تقسیم کردن فضای وردیهای سیستم فازی می باشد.

2.دسته بندی رنگ فازی:
دسته بندی فازی یک روش یادگیری با ناظر است که جهت قطعه بندی تصاویر استفاده می شود .این سیستم هر پیکسل رنگی از تصویر ورودی را در یک دسته رنگ قرار می دهد.
فضاهای رنگ متنوعی مانند HSV,YIQ,HSL,RGB در پردازش تصاویر استفاده می شود.[1]




فضای رنگ RGB
یکی از فضا های رنگ متداول فضای رنگ RGB می باشد که شامل سه رنگ قرمز وآبی وسبز می باشد وهر کدام در بازه صفر تا یک ویا 0 تا 255 تغییر می کنند حداقل مقدار (رنگ سیاه ) (0و0و0) بوده وحداکثر مقدار (رنگ سفید )(255و255و255) می باشد.
این فضای رنگ اغلب در روشهای هیستوگرام استفاده می گردد بطوریک رنگ هر پیکسل در سه رنگ آبی وسبز وقرمز توزیع می شود. وبراساس میزان شباهت عمل می کند. اما روش هیستوگرام روش سختی بوده و همچنین نمی توان براحتی درجه تابع را برای آن

لینک دانلود Color Image Segmentation 17 ص. پایین

دانلود تحقیق کامل درباره Color Image Segmentation 17 ص

اختصاصی از رزفایل دانلود تحقیق کامل درباره Color Image Segmentation 17 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 17

دانشگاه آزاد اسلامی مشهد

(مقاله و پیاده سازی)

Color Image Segmentation

با تشکر از استاد گرامی: جناب آقای دکتر پوررضا

نام ونام خانوادگی: گوهر وحدتی

Email:[e-mail]

اردیبهشت87

CLPSO-based Fuzzy Color Image Segmentation

چکیده:

در این پروژه قصد داریم روش جدیدی جهت قطعه بندی تصاویر رنگی بااستفاده از سیستمهای فازی معرفی نماییم.به عبارتی دیگر در تصاویر رنگی ، نواحی مشابه از لحاظ رنگ را جدا کرده و تصویررا به قطعات مشابه تقسیم می نماییم. با توجه به این که به طور معمول تصاویر رنگی در فضای RGB ذخیره می شوند وسیستم FIS ما به پارامترهای فضای HSL نیاز دارد لذا در ابتدا تصاویر ورودی را به فضای موردنظر برده سپس هر پیکسل از تصویر را به سیستم FIS می دهیم تا رنگ پیکسل موردنظر را تشخیص دهد ودر انتها پیکسلهایی که از لحاظ رنگ مشابه بودند رابه صورت جداگانه نمایش می دهیم.

در این پروژه علاوه بر پیاده سازی روش مقاله مورد نظر، کمی تغییرات در نحوه پیاده سازی ایجاد نمودیم که باعث افزایش سرعت تشخیص شد.و آن استفاده از روابط موجود بین همسایگان یک پیکسل می باشد که توضیحات کامل آن در قسمت شبیه سازی آورده شده است.

1.مقدمه:

قطعه بندی عملیاتی جهت تقسیم بندی تصویر به نواحی یکنواخت می باشد. بنابراین قطعه بندی عملیاتی مقدماتی جهت تشخیص اشیا موجود در تصویر است. هدف از این پروژه دسته بندی تصاویر رنگی به کمک روش فازی می باشد. هر شی یک رنگ منحصر به فرد دارد. هدف تشخیص هر شی بر اساس رنگ آن است.

کاربردها :

قطعه بندی تصویر از مسائل مهم در زمینه های مختلف پردازش می باشد که از جمله کاربردهای می توان به موارد زیر اشاره نمود :

کاربرد در پزشکی

تشخیص محتوای سایت ها

تشخیص پوست در تصاویر

فیلتر کردن سایت های غیر اخلا قی

روشها :

برای پیاده سازی، روشهای متفاوتی ارائه شده است که از جمله آنها می توان support vector machines ، روشهای هیستوگرام وروشهای فازی را نام برد.

در روشهای هیستوگرام سگمنت بندی براساس شباهت رنگ انجام می گیرد ودر بعضی الگوریتم ها بر اساس ناحیه ،سگمنت بندی انجام می گیرد.

تکنیک های قطعه بندی تصاویر با استفاده از رنگ را می توان در پنچ دسته گنجاند :

قطعه بندی بر اساس پیکسل [2]

قطعه بندی براساس تشخیص لبه [5][4]

قطعه بندی ترکیبی براساس لبه وناحیه [6]

قطعه بندی بر اساس خوشه بندی [10][9][8][7]

قطعه بندی تصاویر رنگی بااستفاده از دسته بندی فازی یکی از روشهای قطعه بندی بر اساس پیکسل می باشد. به این ترتیب که سیستم فازی مشخص می کند هر پیکسل به کدام دسته رنگ تعلق دارد .بنابراین هدف ایجاد یک سیستم فازی است که بتواند رنگهای بیشتری را دسته بندی نماید.

برای این کار نیاز به یک فرد خبره است که با توجه به داه های آموزشی ، قوانین و توابع راتنظیم نماید که امری وقت گیر می باشد .لذا نیاز به یک روش اتوماتیک است که باتوجه به داده های آموزشی قوانین وتوابع عضویت فازی را ایجاد نماید .روشهای زیادی برای این منظور ابداع شده است که از جمله تقسیم کردن فضای وردیهای سیستم فازی می باشد.

2.دسته بندی رنگ فازی:

دسته بندی فازی یک روش یادگیری با ناظر است که جهت قطعه بندی تصاویر استفاده می شود .این سیستم هر پیکسل رنگی از تصویر ورودی را در یک دسته رنگ قرار می دهد.

فضاهای رنگ متنوعی مانند HSV,YIQ,HSL,RGB در پردازش تصاویر استفاده می شود.[1]

فضای رنگ RGB

یکی از فضا های رنگ متداول فضای رنگ RGB می باشد که شامل سه رنگ قرمز وآبی وسبز می باشد وهر کدام در بازه صفر تا یک ویا 0 تا 255 تغییر می کنند حداقل مقدار (رنگ سیاه ) (0و0و0) بوده وحداکثر مقدار (رنگ سفید )(255و255و255) می باشد.

این فضای رنگ اغلب در روشهای هیستوگرام استفاده می گردد بطوریک رنگ هر پیکسل در سه رنگ آبی وسبز وقرمز توزیع می شود. وبراساس میزان شباهت عمل می کند. اما روش هیستوگرام روش سختی بوده و همچنین نمی توان براحتی درجه تابع را برای آن تعریف نمود.

فضای رنگ HSL

این فضا از بهترین فضاهای رنگ برای الگوریتم های قطعه بندی می باشد. دلایل آن را می توان اینگونه بیان کرد:

دراین فضا رنگ به صورت مستقیم توسط پارامتر Hue مشخص می شود واکثر رنگ ها به استثنا رنگ های که خیلی کم رنگ وپررنگ می باشند براحتی توسط این پارامتر قابل تشخیص می باشندکه این امکان در فضا های رنگ دیگر وجود ندارد.

ویژگیهای ادراکی رنگ ازقبیل Hue(H) , Saturation(S) , Lightness(L) که توسط این فضا قابل توصیف می باشد توسط فضاهای رنگ دیگر قابل بیان نمی باشد.

این فضا خیلی به سیستم بینایی انسان شبیه می باشد.

در این فضا رنگ(H) و روشنایی (L) از هم قابل تفکیک هستند.

این دلایل باعث شده که این فضا از بین فضاهای دیگر بیشتر مورد توجه قرارگیرد.

به علت اینکه در فضای HSL رنگ در بعد H نمایش داده می شود ودر بعد S,L توصیف کننده رنگ می باشند لذا در این پروژه از فضای رنگ HSL استفاده شده است.[1]

بعد H به صورت دایره ای نمایش داده می شود که هر رنگ در محدوده ای از درجه زوایا قرار دارد. توزیع رنگ در بعد H یکنواخت نمی باشد .به عنوان مثال مجموعه فازی H را می توان با 11 تابع عضویت نمایش داد. توابع عضویت می توانند به صورت های مختلف های مختلفی چون ذوزنقه ای ، زنگوله ای ، مثلثی ، گوسی و... باشند.در شکل زیر نمونه ای از توابع عضویت از مجموعه فازی H که ذوزنقه ای شکل اند، مشاهده می شود.

هرکدام از توابع عضویت براساس شکلشان دارای تعداد پارامترهای خاصی می باشند.تابع ذوزنقه ای به چهار پارامتر نیاز دارد.

که به عنوان مثال برای محاسبه مقدار تابع عضویت رنگهای مختلف در Hue می توان از فرمول زیر استفاده نماییم[1] :

به عنوان مثال اگر به خواهیم تابع عضویت را برای رنگ نارنجی بنوسیم به صورت زیر خواهد شد[1].

تحقیق در مورد Color Image Segmentation

اختصاصی از رزفایل تحقیق در مورد Color Image Segmentation دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه17

فهرست مطالب

.مقدمه:

چکیده:

فضای رنگ RGB

فضای رنگ HSL

پارامتر H:

پارامتر L:

پارامتر S :

1. شبیه سازی الگوریتم:

قوانین همسایگی :

این کار را می توان اینگونه بیان کرد که در اکثر مواقع پیکسلهایی که در مجاورت هم قرار دارند دارای رنگ مشابهی هستند لذا برای هر پیکسل قبل از آن که به سیستم FIS ارسال شده تا رنگ آن تشخیص داده شود می توان مقادیر H,S,L آن پیکسل را با پیکسلهای مجاور آن مقایسه کرد، در صورتی که با یکی از پیکسلهای همسایه خود مقادیر یکسان داشته  باشد می توان خروجی FIS را که برای آن پیکسل محاسبه شده بود را برای این پیکسل هم قرار دهیم .این عمل باعث می شود تعداد پیکسلهای زیادی که مقادیر H,S,L آنها یکسان هستند فقط یکبار محاسبه شده تا سرعت الگوریتم افزایش یابد. اما اگر مشابه پیکسلهای مجاور خود نباشد توسط FIS آن را محاسیه می کنیم که برای این کار می توان از کد زیر استفاده نمود.

خروجی سیستم FIS   تمام ترکیبهای ممکن  H,S,L را شامل می شود از آنجایی که H دارای 9 تابع عضویت وH,S هم هر کدام شامل سه تابع عضویت می باشند لذا خروجی این سیستم  دارای 81 تابع عضویت می باشد که به صورت زیر طراحی می نماییم.

خروجی به این صورت طراحی شده است که خروجی اول رنگ قرمزکم رنگ، خروجی دوم رنگ قرمز معمولی یا متوسط  وخروجی سوم هم رنگ قرمز پررنگ را شامل می شود. و به این ترتیب سایر خروجی هم تعریف می شوند.

سپس در یک حلقه تودرتوسه پارامترH,S,L مربوط به تک تک پیکسلهای تصویر را به عنوان ورودی به سیستم FIS خود می دهیم این سیستم براساس مقادیر H,S,L یک خروجی را به ما بر می گرداند که این نتیجه در ماتریس OUT نگهداری می شود.

for i=2:r