دانلود مقاله کامل درباره پردازش تصویر و تشخیص اثرانگشت

اختصاصی از نیک فایل دانلود مقاله کامل درباره پردازش تصویر و تشخیص اثرانگشت دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل: Word (قابل ویرایش و آماده پرینت)

تعداد صفحه :24

بخشی از متن مقاله

مقدمه

علم پردازش تصویر در چند دهه اخیر از هر دو جنبه نظری و عملی پیشرفت های چشمگیری داشته است. سرعت این پیشرفت به اندازه ای بوده است که هم اکنون، به راحتی می توان رد پای پردازش تصویر را در بسیاری از علوم و صنایع مشاهده نمود. بعضی از این کاربردها آنچنان به پردازش تصویر وابسته هستند که بدون آن،اساساً قابل استفاده نمی باشند. اگر چه ذکر تمام جزئیات کاربردهای پردازش تصویر در یک مقاله امکان پذیر نمی باشد ولی سعی شده است که به طور کلی اکثر زمینه های کاربرد آن بیان شود. در این مقاله چهارده زمینه ی مختلف کاربرد پردازش تصویر بیان شده است که عبارتند از: صنعت، پزشکی، علوم نظامی و امنیتی، زمین شناسی، فضانوردی و نجوم، شهرسازی، هنر و سینما، فناوری های علمی، سیاست و روانشناسی، کشاورزی، هواشناسی، باستان شناسی، اقتصاد و تبلیغات.

امروزه با گسترش روز افزون روش های مختلف اخذ اطلاعات گسسته مانند پویشگرها و دوربین های دیجیتالی، پردازش تصویر کاربرد فراوانی یافته است. تصاویر حاصله از این اطلاعات همواره کم و بیش همراه مقداری نویز بوده و در مواردی نیز دارای مشکل محوشدگی مرزهای نمونه های داخل تصویر می باشند که موجب کاهش وضوح تصویر دریافتی می گردند. مجموعه عملیات و روش هایی که به منظور کاهش عیوب و افزایش کیفیت ظاهری تصویر مورد استفاده قرار میگیرد، پردازش تصویر نامیده می شود. اگرچه حوزه های کار با تصویر بسیار وسیع است ولی عموماً محدوده مورد توجه در چهار زمینه ی بهبود کیفیت ظاهری(Enhancement)، بازسازی تصاویر مختل شده(Restoration)، فشرده گی و رمزگذاری تصویر (Compression and Coding) و درک تصویر توسط ماشین (Understanding) متمرکز می گردد.
بهبود تصاویر شامل روش هایی مثل استفاده از فیلترمحو کننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آن ها در محیط مقصد است. بینایی ماشین به روش هایی می پردازد که به کمک آن ها می توان معنی و محتوای تصاویر را درک کرد تا از آن ها در کارهایی چون رباتیک و محور تصاویر استفاده شود. پردازش تصویر از هر دو جنبه نظری و عملی پیشرفت های چشمگیری داشته است و بسیاری از علوم به آن وابسته اند.

 کاربردهای پردازش تصویر

زمینه های مختلف کاربرد پردازش تصویر عبارتند از: صنعت، هواشناسی، شهرسازی، کشاورزی، علوم نظامی و امنیتی، نجوم و فضا نوردی، پزشکی، فناوری های علمی، باستان شناسی، تبلیغات، سینما، اقتصاد، روانشناسی و زمین شناسی که در ادامه درباره هر کدام مختصراً بحث شده است.

صنعت

امروزه کمتر کارخانه پیشرفته ای وجود دارد که بخشی از خط تولید آن توسط برنامه های هوشمند بینایی ماشین کنترل نشود. خطای بسیار کم، سرعت زیاد، هزینه نگهداری بسیار پایین، عدم نیاز به حضور اپراتور 24 ساعته و خیلی مزایای دیگر باعث شده که صنایع و کارخانه ها به سرعت به سمت پردازش تصویر و بینایی ماشین روی بیاورند. دستگاهی ساخته شده که قادر است کیک های پخته را از کیک هایی که نیاز به پخت مجدد دارند، تشخیص دهد و آنها را به صورت اتوماتیک به بسته بندی بفرستد و کیک هایی که نیاز به پخت دارند را دوباره برای پختن ارسال کند.
یکی دیگر از دلایل استفاده از بینایی ماشین قابلیت دیدن و اندازه گیری محصولاتی است که دیدن یا اندازه گیری آنها با چشم غیر مسلح غیر ممکن است. عناصر تشکیل دهنده یک سیستم بینایی ماشین نرم افزار هوشمند بینایی است که ورودی خود را از دوربین های نصب شده در بخش های مختلف خط تولید می گیرد و بر اساس تصاویر دریافتی دستورات لازم برای کنترل ماشین های صنعتی را صادر می کند. پردازش تصویر در تشخیص دمای کوره هایی که هیچ وسیله ی مکانیکی و الکترونیکی تحمل دمای آنها را ندارد، کاربرد دارد. دوربین های حرارتی می توانند مشکل بخشی از سازه ی مورد نظر را تشخیص دهند.

هواشناسی

از آنجایی که در علم هواشناسی تشخیص و پیش بینی آب و هوا اکثراً از طریق تصاویر هوایی و ماهواره ای انجام می گیرد، پردازش تصویر در این علم کاربرد زیادی دارد و دقت و سرعت پیش بینی آب و هوا و طوفان ها را بسیار بالا می برد. جبهه های پرفشار، کم فشار، گردبادها و گرداب های بوجود آمده در سطح کره زمین را می توان مشاهده کرد.

شهرسازی

با مقایسه عکس های مختلف از سال های مختلف یک شهر می توان میزان گسترش و پیشرفت آن را مشاهده کرد.
کاربرد دیگر پردازش تصویر می تواند در کنترل ترافیک باشد. با گرفتن عکس های هوایی از زمین ترافیک هر قسمت از شهر مشخص می شود.
قبل از ساختن یک شهر می توان آن را توسط کامپیوتر شبیه سازی کرد که به صورت دو بعدی از بالا و حتی به صورت سه بعدی از دید های مختلف، یک شهرک چطور ممکن است به نظر برسد. تصاویر ماهواره ای که از شهرها گرفته می شود، می تواند توسط فیلترهای مختلف پردازش تصویر فیلتر شود و اطلاعات مختلفی از آن استخراج شود. به طور مثال این که شهر در چه قسمت هایی دارای ساختمان ها، آب ها یا راه های بیشتری است و همین طور می توان جاده هایی که داخل یا خارج از شهر کشیده شده اند را تحلیل کرد.

کشاورزی

این علم در بخش کشاورزی معمولاً در دو حالت کاربرد دارد. یکی در پردازش تصاویر گرفته شده از ارتفاعات بالا مثلاً از هواپیما و دیگری در پردازش تصاویر نزدیک به زمین.
در تصاویر دور به عنوان مثال می توان تقسیم بندی اراضی را تحلیل کرد. همچنین می توان با مقایسه تصاویر دریافتی در زمان های متفاوت میزان صدمات احتمالی وارد به محیط زیست را دید. به عنوان مثال می توان برنامه ای نوشت که با توجه به محل رودخانه ها و نوع خاک مناطق مختلف، به صورت اتوماتیک بهترین نقاط برای کشت محصولات مختلف را تعیین می کند.
تصاویر نزدیک هم در ساخت ماشین های هرز چین اتوماتیک کاربرد دارد. امروزه ماشین های بسیار گران قیمت کشاورزی وجود دارند که می توانند علف های هرز را از گیاهان تشخیص بدهند و به صورت خودکار آنها را نابود کنند.
برای مثال یکی از پروژه های جالب در بخش کشاورزی، تشخیص خودکار گل زعفران برای جداسازی پرچم قرمز رنگ آن بوده است. این پردازش که توسط نرم افزار Stigma detection®انجام گرفته است.

علوم نظامی و امنیتی

پردازش تصویر بخصوص بینایی هوشمند، کاربردهای بسیاری را در علوم نظامی و امنیتی دارند و این کاربرد برای دولت اکثر کشورها بسیار مهم است. به عنوان مثال

موشک هدایت شونده خودکاری وجود دارد که می تواند روی در یک ساختمان قفل کند و حتی می تواند به درز بین در و دیوار آن ساختمان که حساس ترین جای ساختمان است به راحتی نفوذ کند. این موشک به صورت اتوماتیک این قسمت را شناسایی کرده و به سمت آن حمله می کند.
در مسائل امنیتی هم کاربرد پردازش تصویر کاملاً در زندگی ما مشهود است. دوربین های که به صورت اتوماتیک از ماشین هایی که تخلف رانندگی انجام می دهند عکس برداری می کند.
از سیستم های امنیتی دیگر می توان سیستم تشخیص اثر انگشت اتوماتیک را نام برد. در لپ تاپ های جدید قابلیت finger print به آنها اضافه شده و می تواند صاحب لپ تاپ را توسط اثر انگشت شناسایی کند.
کد امنیتی دیگری که همیشه همراه انسان حمل می شود، چشم انسان است. دانشمندان ثابت کرده اند که پترن های (Pattern) موجود در مردمک چشم هر انسان منحصر به فرد است و هیچ دو فردی در دنیا وجود ندارند که پترن هایی که در مردمک چشم آنها وجود دارد دقیقاً مثل هم باشد. از همین روش برای شناخت افراد و سیستم های امنیتی استفاده می شود.
در کل این خواص بیومتریک در انسان بسیار زیاد است. عرض و طول صورت، فاصله بین انگشتان دست، طول و عرض انگشت ها، فاصله ی بندها از یکدیگر و حتی خط های کشیده شده کف دست و هزاران خاصیت دیگر، تماماً خصوصیاتی هستند که برای انسان ها منحصر به فرد هستند.دوربین هایی وجود دارند که به صورت دید در شب، قادر هستند چیزهایی را که ما نمی بینیم، ببینند و پردازش کنند.اسلحه های خودکاری ساخته شده اند که به صورت اتوماتیک و دقیق نشانه گیری می کنند.
پردازش تصویر همینطور با پردازش تصاویر گرفته شده از فاصله های دور هم می تواند در علوم نظامی و امنیتی کمک کند.به عنوان مثال دوربینی قادر است با سرعت بسیار زیاد یک توپ را دنبال کند.این مسئله کاربرد بسیار زیادی در مسائل نظامی دارد.

نجوم و فضا نوردی

ساخت دستگاه های اتوماتیک رصد آسمان و ثبت وقایع آسمانی به صورت خودکار از کاربردهای پردازش تصویر است که امروزه روی آن کار می شود.

از پروژه های جدید در بخش نجوم که بخشی از آن توسط سیستم پردازش تصویر انجام می شود، تهیه نقشه سه بعدی از کل عالم کائنات است !
پردازش تصویر در فضانوردی هم کاربرد زیادی دارد. در تصاویر دور می توان سطح سیارات و همچنین سطح قمرها را اسکن کرده و اطلاعات بسیار ریزی از آنها استخراج کنیم.
کاربرد دیگر پردازش تصویر درفیلتر کردن عکس هایی است که توسط تلسکوپ های فضایی مختلف از جمله هابل (Hubble Space Telescope)، از فضا گرفته می شود.
کاربرد دیگر آن حذف گرد و خاک و جو سیاره ها از تصاویر به کمک تصویربرداری IR و X-RAY به صورت همزمان و ترکیب این تصاویر است.
در تصاویر نزدیک هم کاربرد دارد، از جمله هدایت مریخ نوردها، فرود فضاپیماهای بدون سرنشین و الصاق تجهیزات جدید به ایستگاههای فضایی به صورت خودکار.
از امکانات سایت گوگل، امکاناتی است به نام Google Mars که این برنامه دقیقاً مانند Google Earth عمل می کند با این تفاوت که Google Earth سطح زمین را در هر زمان که بخواهید و در هر نقطه ای از زمین و از ارتفاع های بسیار پائین هم نشان می دهد ولی Google Mars دقیقاً همین کار را برای سطح سیاره مریخ انجام می دهد.

پزشکی

یکی از مهمترین کاربردهای پردازش تصویر در علم پزشکی است. در جایی که ما نیاز داریم تمام عکس ها با نهایت شفافیت و وضوح گرفته شوند زیرا دیدن تمام جزئیات لازم است. جراحی های ریز microsurgery با ایجاد یک سوراخ کوچک و فقط دیدن محل جراحی توسط پزشک، از راه دور و توسط بازوهای رباتیک بسیار دقیق انجام می شوند.

فناوری های علمی

پردازش تصویر در افزایش سرعت پیشرفت های علمی تأثیر فوق العاده داشته است. اولین و مشخص ترین تأثیر آن را می توان در علم عکاسی یا هنر دید. شکار لحظه های شگفت آوری که در کسری از ثانیه اتفاق می افتد، بالا بردن وضوح عکس های گرفته شده و ایجاد افکت های خیره کننده، از دستاوردهای پردازش تصویر است.
همچنین در توسعه تکنولوژی پیشرفته gps (Global Positioning Systems) کمک زیادی داشته و تهیه نقشه های سه بعدی از جاده ها در تمام نقاط جهان، از کاربردهای دیگر آن است. با به وجود آمدن این علم، مسابقات ربات های فوتبالیست به صورت جدی دنبال شد.
این علم در پیشرفت علوم پایه فیزیک ، شیمی و مخصوصاً تحقیقات فیزیکی و مکانیکی، کمک فراوانی کرده است. به عنوان مثال وسیله ای برای حمل و نقل کالاها در مسیرهای صعب العبور ساخته شده است. قبل از ساخت آن، رفتار چهارپایان در حالت های مختلف توسط کامپیوتر تحلیل و عیناً به دستگاه آموزش داده شده است.در کل پردازش تصاویر به علت سرعت زیاد آن، در ساخت وسایل مکانیکی پر سرعت، کاربرد زیادی دارد. وسیله ای وجود دارد که قادر است ، توپی که با سرعت بسیار زیاد به سمت پائین می آید را مهار کند.

باستان شناسی

در علم باستان شناسی تنها مدارک باقی مانده از دوران باستان، دست نوشته ها، نقاشی ها و غارنگاری های قدیمی است. تهیه تصاویر از بناهای گذشته و بازسازی مجازی این بناهای تاریخی یکی از کاربردهای پردازش تصویر در این علم است. همچنین می توان نقاشی ها و غارنگاری ها را مورد پردازش دقیق قرار داد و شکل آنها را همان طور که در ابتدا بوده اند، شبیه سازی کرد. حتی می توان مکانهای باستانی را از زوایایی که تصاویر مستندی از آنها وجود ندارد، شبیه سازی کرد.
امروزه یکی از پروژه های پر سر و صدای بازسازی بناهای باستانی، بازسازی شهر روم باستان توسط دانشمندان ایتالیایی است. هم اکنون توریست ها با زدن عینک های مخصوص می توانند در خیابان های شهر روم باستان قدم بزنند.
تبلیغات
از مقایسه تبلیغات دهه ی 70 و 80 میلادی با تبلیغات امروزی می توان تأثیر تکنولوژی را در تبلیغات کاملاً درک کرد. تغییر شکل تبلیغات از اشکال مربع و زاویه دار به شکل های دایره ای، تغییر رنگ تبلیغات و هزاران تغییر دیگر. یکی از مهمترین فاکتورهای فروش و دلایل بالا رفتن یا پایین آمدن فروش، شکل و نحوه ی بسته بندی کالاست. پردازش تصویر می تواند به ما کمک کند تا قبل از تولید یک بسته بندی آن را شبیه سازی کنیم. با ادغام کردن علم الگوریتم ژنتیک با پردازش تصویر می توان برنامه ای را نوشت که به صورت اتوماتیک به ساختن بسته بندی های مختلف بپردازد و آنهایی که از نظر کاربران زیباتر و جالب تر به نظر خواهند آمد را به ما معرفی نماید.

سینما
اولین علمی که پردازش تصویر در آن مورد استفاده قرار گرفت، هنر و سینما بود.

یکی از تکنولوژی های برتر دنیا motion capture است که در آن یک کاراکتر انیمیشنی قادر است حرکات دست انسان را تقلید کند. امروزه این سیستم جهت ساخت فیلم ها و بازی های کامپیوتری مورد استفاده قرار می گیرد.
در پردازش تصویر قابلیتی به نام هیستوگرام (Histogram) وجود دارد که با آن قادرند تصاویر را شفاف یا تیره تر کرده و یا هر تغییر مورد نیاز دیگری را روی تصاویر با توجه به منحنی ها و نمودارهای هیستوگرام بدهند.
در سینما برای اینکه تصویری شفاف به نظر آید، با استفاده از یک کره ی نقره ای رنگ، تصاویر اطراف دوربین را هم ثبت می کنند. بنابراین تصویر نسبت به محیط اطراف خود شفافیت غیر قابل تصوری پیدا می کند.
اقتصاد
در دنیای امروز تمام نوآوری ها، به نوعی مستقیم یا غیر مستقیم باعث تغییراتی در اقتصاد گروهی از کشورها و یا کل دنیا می شوند. پردازش تصویر هم، به صورت مستقیم و غیر مستقیم در اقتصاد تأثیر گذار است. در تبلیغات، سیاست، فضانوردی، کشاورزی، شهرسازی، سینما، پزشکی و علوم نظامی می تواند تأثیر غیر مستقیمی در اقتصاد کشورها داشته باشد. همچنین از تأثیر مستقیم آن در اقتصاد، می توان به وجود شعبه های بانک بدون کارمند اشاره کرد. این شعبه ها قادرند به صورت خودکار سریال چک ها و قبوض پرداختی را بخوانند، نوع اسکناس ها را تشخیص دهند و تا حد زیادی از کارهای یک بانک عادی را انجام دهند.

متن کامل را می توانید بعد از پرداخت آنلاین ، آنی دانلود نمائید، چون فقط تکه هایی از متن به صورت نمونه در این صفحه درج شده است.

دانلود فایل 

مقاله در مورد پروژه نهایی یک روش ماژول برای پنهان سازی تصویر با استفاده از کلید های فرکتالی

اختصاصی از نیک فایل مقاله در مورد پروژه نهایی یک روش ماژول برای پنهان سازی تصویر با استفاده از کلید های فرکتالی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه12

چکیده :

در این مقاله یک تکنیک رمزگذاری که بر پایه Modulo بنا نهاده شده ،ارائه شده است.روش مذکور یک الگوریتم کلید یک به یک رمزگذاری-رمزگشایی است.تصویرهای Fractal به منظور به کارگیری واستفاده از شیوه تصادفی جهت تولید کلیدهای قدرتمندتری به کار گرفته شده اند.این تصاویر توسط روش اصلاح شده مندلبرت تهیه شده است. الگوریتم شرح داده شده یک مکانیزم را برای کنترل قدرت کلیدها ارائه می کند.محاسن روش مذکور شرح داده شده اند..نتایج عددی تست آماده وتحلیل شده اند.این الگوریتم جهت سازگاری وکاربرد در دنیای واقعی قابل استفاده می باشد.

1. مقدمه:

در سالهای اخیر سرعت زیادی دررشد  انتقال تصاویر دیجیتالی از طریق کامپیوتر بویژه اینترنت صورت گرفته است.در بیشتر حالات کانالهای ارتباطی به اندازه کافی امن نبوده و توسط دزدان و هکرها مورد حجوم قرار گرفته می گیرند.بنابراین امنیت و پنهان سازی تصاویر یک امر با اهمیت می باشد. روشهای زیادی برای پیشنهاد شده اند که روشهای مبتنی بر Chaos پیشنهاد خوبی هستند.در اصل سیستمهای Chaotic دارای چندین ویژگی هستند که آنها را به عنوان بخش اساسی ساختاردهی سیستم های رمزگذاری تبدیل نموده است.سیستم های انتقالFoureir توجه زیادی را به خود جلب کرده اند.با این وجود به طوری آزمایشی واین روش ها در داده ها ایجاد نویز می کنند.واین در حالی است که تصویر رمزشده در مقایسه با تصویر اولیه دارای PSNR بالایی بوده و یک کپی دقیق از اصلش نمی باشد.درجای دیگری محققان مقدار MSE را نیز بدست می آورند که این مقدار بین تصویر اولیه و تصویر رمزشده می باشد.در حالی که این مقدار نزدیک به صفر است اما نمی تواند تضمین کند که با عکس اولیه اش دقیقاً یکی باشد.روش های دیگری نیز وجود دارد که بر مبنای انتقال Fourier نمی باشند[4].بعنوان مثال انتقال دو جمله ای orthogonal را پیشنهاد می کنند.این مسئله می توان موجب ضعف مقادیر بین پیکسل های همسایه شود.الگوریتم ارائه شده مقدار PSNR=12.7 را بدست می دهد.با این وجود نیاز به یک تکنیک محکم ومطمئن مبرم می باشد.کاربرد تصاویر Fractal  بعنوان کلید رمز تا حدودی جلب توجه کرده است.با این وجود شیوه ارائه از چندتایی کردن ماتریس تصویر وماتریس کلید(ماتریس کلید معکوس) جهت رمز گذاری (یا رمزشکنی)کند بوده ،مخصوصاً زمانی که پای تصویر بزرگ در میان باشد.این مقاله روش جدیدی را ارائه می کندکه رمزگذاری را بر پایه سرعت بیشتر ،موثرتر ویک رمزگذاری –رمزشکنی یک به یک بحث می کند.[1,4]

1. کلیدها

ایده اصلی به کار گیری Fractal  در رمزگذاری و رمزشکنی می باشد.چند نمونه Fractal که یک فرمول تحلیلی دارند شناخته شده اند Mandelbert Fractal یا Juliaset که می توانند با یک کامپیوتر شخصی به راحتی ساخته شوند.با پارامترهایی همچون مختصات ها ، میزان زوم ،تکرار وغیره ، می توان یک تصویر واحد Fractal را تولید کرد وهمچنین توانایی هایی برای گسترش پارامترهای Fractal و انتقال آنها به روش واحد را نشان می دهیم.این بدین معناست که چند نمونه غیر قبل شمارش از Fractals وجود دارد.از نقطه نظر رویه رمزگذاری-رمزشکنی یک تصویر Fractal می تواند به طور موثر به عنوان یک کلید به کار گرفته شود.این قضیه محاسنی دارد.اولاً کلید یک رد و اثر حافظه ای کوچک دارد. تعداد جزئی هستند که تصویر Fractal واحد را ارائه می دهند ویا حاکی از آن هستند.این بدین معناست که در کارهای قبلی پوشش های تصادفی هم اندازه با تصویر رمزگذاری شده استکه کلید و تصویر فشرده شده دو برابر اصلی بوده (حتی گاهی سه برابر ) کاربرد Fractal ها از آنجا که فقط تعدادی پارامتر بایستی ذخیره شوند می تواند موثر باشد.[1]

دومین مزیت اینست که این نوع از کلید بسیار سخت بوده که در مقابل حملات شکسته شود.اگر یک شخص بخواهد قسمتهایی از یک کلید را بدست آورد(یا به طور کامل)،اما یک رقم کوچک(که بیانگر تعدادی پارامتر باشد)از دست برود و یا اشتباه باشد تصویر Fractal به میزان زیادی تغییر پیدا می کند وشخص حمله کننده چاره ای جز استنتاج مابقی کلید را نداشته واز طرفی یک نیروی قدتمند موثر نخواهد بود.تولید کلید Fractal مخصوصاً در سطوح بالای زوم بسیار وقت گیر می باشد.

1. الگوریتم

الگوریتم شرح داده شده در این مقاله یک الگوریتم کلید متقارن می باشد. عمل Modulo یک معکوس دقیق دارد. بهمین خاطر الگوریتم رمزگذاری –رمزگشایی یک به یک بدین معناست که تصویر رمزشکسته به هیچ روشی تخریب نمی شود.پروسه رمزگذاری(رمزگشایی) از دو فاز تشکیل شده است.که به روش پیکسل به پیکسل کار می کند.هر پیکسل از سه لایه تشکیل شده است.(رنگ R-G-B) .الگوریتم به طور مستقل وجدا برای هر سه لایه به کار می رود.برای این هدف برنامه ما R^,G^,B^ را در ماتریسی بعنوان یک تک لایه از تصویری که رمزگذاری می شود و تعیین می کنیم که این ماتریس با ابعاد mxn می باشد ,Gkey ,Bkey) .(Rkey.سپس برای پیدا کردن تصویر رمز شده (R^’,G^’,B^’) الگوریتم زیر را انجام می دهیم

شکل 1 : عملیات پنهان سازی تصویر

 شکل 2: نمایش شبکه 4 = d برای پیکسل مشکی وزنهایی از پیکسل های خاکستری دخالت دارد

شکل 2 بیانگر پروسه بالایی است.برای هر پیکسل از تصویر یک جدول با فاصله d ساخته شده است. این جدول با مربعات رنگی ساخته شده است.مجموع مقادیر R از پیکسل های جدول می باشد.وزن هر r(I,j,k,l)  ارائه شده بدین منظور که نشان داده می شود هر dij متفاوت است.در غیر این صورت بدون این وزن dij از هر پیکسل مشابه خواهد بود.ما می خواهیم اطمینان حاصل کنیم که هر عنصر کلید منحصربفرد خواهد بود.تا یک کلید قوی تر تولید کنیم.در اینجا ëXû بیانگر طبقه ای از X خوهد بود بطورکه "xÎR. d  فاصله بین پیکسل های جدول می باشد.مجموع هر پیکسل متعاقباً در ماتریس کلید D^’ ذخیره شده است.

در اینجا یک لایه از تصویر رمزگذاری شده در ماتریس E’ ارائه شده است. در صورتی که بخواهیم رمز را شکسته و باز کنیم. به هر دوی کلید و تصویر رمزگذاری شده نیاز داریم و ابتدا همان طور که نشان داده شده است مانند مرحله 1 سپس معکوس مرحله 2 را انجام می دهیم.

مجدداً E’ را  در نظر می گیریم که یکی از سه لایه تصویر رمز شکسته است.به خاطر ماهیت و  ذات عملگر mod نتیجه حاصله یک کپی دقیق از تصویر اولیه خواهد بود .الگوریتم به صورت کلی در نمودار نشان داده شده است.

شکل3: عملیات رمزگشایی

چند نکته قابل برداشت وجود دارد.هر چه فاصله ی که بین پیکسل هایی که اضافه می شود ، کوچکتر باشد ، عکس مطمئن تر با امنیت بالاتر تولید خواهیم کرد با این وجود یک ضعف وجود دارد که برای رمزگذاری تک تصویر این پروسه کندتر وکندتر خواهد شد.این ضعف به شرطی که این پروسه در یک کاربرد جریانی بکار گرفته شود.اهمیتی ندارد که مرحله 1 یکبار انجام می شود و D^’ برای گذرهای متوالی ذخیره می شود.علاوه براین فاصله مابین پیکسل ها نمی تواند به اندازه بیش از حد کوچک باشدویا بیش از حد بزرگ (به اندازه تصویر).

1. 4.شبیه سازی

برای شبیه سازی الگوریتم ما مجموعه اصلاح شده Mandelbort را بعنوان کلید به کار می بریم. در هر حال هر مجموعه دیگری Fractal نیز می تواند به کار برده شود. Fractal می تواند با محدوده و مرز S که از فرمول بازگشتی زیر بدست می آید تولید شود.

مجموعه مندلبرت معروف ترین تصویر فرکتالی است که توسط یک سری از مجموعه اعداد مرکب بدست می آید این مجموعه از  یک سری نامحدود C0, C1 ,… , Cn , …  بدست می آید رابطه مندلبرت به صورت زیر است [2]         

Cn+1= Cn2 + C0

این مجموعه دارای یک تئوری بسیار پیچیده است که کاراکترهای فراکتالی را نمایش می دهد و شامل یک سری خود کپی هایی از تصویر می باشد و بر اساس رفتار چندجمله ای های مرکب عمل می کند والریج در سال 2005 با اضافه کردن دو پارامتر انعطاف بیشتری به این مجموعه داد او رابطه مندلبرت را به صورت زیر اصلاح کرد [2]

Cn+1= Cna + b * C0

به طوری که a یک عدد صحیح و b یک عدد مرکب است تاثیر این دو پارامتر بر روی تصاویر فرکتالی بدست آمده در تصاویر 4و 5  آمده است

شکل 4  -        الفa= 4  و b=1                                                         ب)    a=14  و b=1

شکل 5 ( a= 4  و  b= exp(i* PI /4)

برای بدست آوردن اطلاعات استوار و پرمعنا سه کلید متفاوت در سه تصویر متفاوت تولید وتست شده است.مجموعاً نه تست انجام شد.جهت بررسی قدرت و استحکام ، هر تصویر رمزگذاری شده با تصویر رمزگشایی شده از نقطه نظر PSNR مقایسه گردید.رابطه PSNR بین دو RGB می تواند به شکل زیر بررسی شود.

در اینجا Max در واقع ماکزیمم مقدار  ممکن پیکسل از هر سطح رنگ می باشد و MSE نیز به صوزت زیرمحاسبه می گردد.

ابعاد n,m ابعاد تصاویر می باشند.D,E بر لایه رنگی منفردی از تصویر رمزگذاری شده و رمزگشایی دلالت دارند.مجموع از سه لایه بدست می آید.

شکل 6)  تصویر لنا  الف)تصویر اصلی  ب) حوزه  R ج) حوزه  G د) حوزه B

تصاویر رمزگذاری شده تصویر لنا است که در شکل 6 به تفکیک RGB نشان داده شده است .ابعاد آنها 512*512 می باشد.  شکل فرکتالی که توسط رابطه اصلاح شده مندلبرت برای استفاده در رمزنگاری  تولید شده است در شکل 7 نشان داده شده اند. پارامترهای که برای تولید آنها بکار گرفته شده اند در جدول 1 نشان داده شده اند.

Y2

Y1

X2

X1

b (im)

b (real)

a

-0.8299

-0.831

-0.8229

-0.825

1. 0004
2. 6

 

4

شکل7 ) تصویر فرکتالی تولید شده از رابطه مندلبرت اصلاح شده با پارامترهای جدول 1

برای اینکه نقش پارامتر d را در روش رمزگذاری را بدانیم، مقدار PSNR را  در فاصله[20,500]  محاسبه می کنیم نتایج در  گراف مجزا تعیین شدکه در شکل  8  نشان داده شده اند.

شکل 8 نمایش مقادیر PSNR  برای مقادیر d بین 20 تا 512

برای تصویر لنا که با یک کلید صحیح رمز شده است  و بوسیله یک کلید اشتباه رمزنگاری شده است تصویر حاصل از این رمزنگاری در شکل 9 آمده است این مسئله قدرت الگوریتم را در مقابل حمله ها نشان می دهد در این کلید تنها مقدار b (real) از 0.6  به 0.59 تغییر کرده است

پردازش (رسم نمودار هیستوگرام دو بعدی و سه بعدی) تصویر وبکم به صورت آنلاین

اختصاصی از نیک فایل پردازش (رسم نمودار هیستوگرام دو بعدی و سه بعدی) تصویر وبکم به صورت آنلاین دانلود با لینک مستقیم و پر سرعت .

و باز هم یک پروژه بسیار مفید برای پردازش تصویر کاران گرامی،

شما با استفاده از این پروژه میتونید، تصویر زنده گرفته شده از ویکم کامپیوتر و یا لبتابتون رو به صورت مستقیم پردازش کنید و نمودار هیستوگرام را به صورت دو بعدی و سه بعدی مشاهده کنید، وقتی که تصویر ثابت باشه هم نمودار سه بعدی شروع به چرخیدن به صورت خودکار میکنه

پروژه کاربرد پردازش تصویر چندطیفی در پوست شناسی. doc

اختصاصی از نیک فایل پروژه کاربرد پردازش تصویر چندطیفی در پوست شناسی. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 110 صفحه

چکیده:

علم پردازش تصویر درچند دهه اخیر از هر دو جنبه نظری و عملی پیشرفتهای چشم گیری داشته است سرعا این پیشرفت به اندازه ای بوده است که هم اکنون ، به راحتی میتوان رد پای پردازش تصویر را در بسیاری از علوم و صنایع مشاهده نمود.

مقدمه:

پردازش تصویر چیست؟

ازسال 1164 تا کنون موضوع پردازش تصویر رشد فراوانی کرده است علاوه بر برنامه تحقیقاتی فضایی اکنون از فنون پردازش تصویر در موارد متعددی استفاده می شود گرچه اغلب مطالب با هم نا مرتبط هستند اما عموما نیازمند روشهایی هستند که قادربه ارتقاء اطلاعات تصویری برای تعبیر وتحلیل انسان باشد.برای نمونه در پزشکی با شیوه های کنتراست تصویر را ارتقاء میدهندیا اینکه برای تعبیرآسانترتصاویر اشعه ایکس یاسایرتصاویر پزشکی سطوح شدت روشنایی را نگاه رمز می کنند.

متخصصان جغرافیایی نیز از این روشها یا روشهای مشابه برای مطالعه الگوها هوایی که باتصویر برداری هوایی و ماهواره ای به دست آمده است استفاده می کنند.در باستان شناسی نیز روشهای پردازش تصویر برای باز یابی عکسهای مات شده ای که تنها باقی مانده آثار هنری نادر هستند مورد استفاده قرار میگیرد در فیزیک و زمینه های مرتبط فنون رایانه ای بارها تصاویر ازمایشات مربوط به موضوعاتی نظیر پلاسماهای پر انرژی وتصاویر ریز بین الکتریکی را ارتقاء داده اند. در اوایل دهه 60 سفینه فضایی رنجر 7متعلق به ناسا شروع به ارسال تصاویر تلویزیونی مبهمی از سطح ماه به زمین کرد.استخراج جزئیات تصاویر برای یافتن محلی برای فرود سفینه آپولو نیازمند اعمال تصمیماتی روی تصاویر بود. این کار مهم به عهده لابراتور jpl  قرار داده شد بدین ترتیب زمینه تخصصی پردازش تصاویر رقومی اغاز شد و مثل تمام تکنولوژیهای دیکر سریعااستفاده های متعدد پیدا کرد.

در معنای خاص پردازش تصویر عبارت است از هر نوع پردازش سیگنال که ورودی یک تصویر است مثل عکس یا صفحه ای از یک فیلم .خروجی هم میتواند یک تصویر یا یک مجموعه ای از نشان های ویژه یا متغیرهای مربوط به تصویر باشد.

یک تصویر از لحظه وررود به سیستم پردازش تصویر تا تولید تصویر خروجی به ترتیب مراحل زیر را طی میکند:

فهرست مطالب:

چکیده

فصل اول

پردازش تصویر چیست

1-1دریافت تصویر ورودی

1-2:پیش پردازش تصویر(پردازش سطح پایین)

1-3پردازش تصویر (پردازش سطح میانی)

1-4 آنالیز تصاویر(پردازش تصاویر)

1-5 تصاویر دیجیتالی

1-6تکنیکهای پردازش تصویر

1-6-1ترمیم تصاویر

1-6-2 میانگیری از تصاویر

1-6-3عملیات فیلتیرینگ

1-7:هیستوگرام تصویر

1-7-1تعدیل هیستوگرام

1-8 عملیات تشخیص لبه و بخش بندی تصاویر

فصل دوم

مقدمه پوست شناسایی

فصل سوم

تعریف مسئله

فصل چهارم

تکنیک ها و سامانه ی تصویر برداری از پوست

1. 1 خصوصیات فیزیکی پوست معمولی
2. 1.1 ساختارهای پوستی
3. 1.1.1 Epidermis
4. 1.1.2Dermis
5. 1.1.3 چربی زیر پوستی
6. 2 تصویربرداری پوست
7. 2.1 پوست نگاری
8. 2.2.1 اصول نظری
9. 1.1.2 تکنیک
10. 1.1.3 ابزارهای پوست نگاری
11. 2.2 تحلیل تصویر و تشخیص به کمک رایانه
12. 2.3 تصویربرداری چند طیفی
13. 2.4 فراصوت(سونوگرافی)
14. 2.4.1 اصول نظری
15. 2.4.2 مزایا و معایب
16. 2.5 توموگرافی بهم پیوسته نوری (OCT)
17. 2.5.1 اصول نظری
18. 2.5.3 مزایا و معایب
19. 2.6 تصویربرداری تشدید مغناطیسی
20. 2.6.1 اصول نظری
21. 2.6.3 مزایا و معایب
22. 2.7 میکروسکوپ لیزری هم کانون
23. 3.7.1 اصول نظری
24. 2.7.3 مزایا و معایب
25. 2.8 مقایسه همه تکنیک ها
26. 3 ابزارهای بر پایه ی تکنیک های مختلف تصویربرداری
27. 3.1 ابزارهای بر پایه ی درموسکوپی
28. 2.2 ابزارهای بر پایه ی توموگرافی بهم پیوسته ی هم کانون
29. 3.3 ابزارهای بر پایه ی تصویربرداری فراصوت
30. 3.4 ابزارهای بر پایه ی تصویربرداری چند طیفی
31. 4 بحث در مورد ابزارهای تصویربرداری چند طیفی

فصل پنجم

توصیف سامانه ی Asclepios

1. 1 اصول نظری سامانه ی تصویربرداری
2. 2 عکسبرداری
3. 3 پردازش تصاویر در دو مرحله:
4. 3.1 بازسازی طیفی
5. 4 مدل طیفی عکسبرداری
6. 5 الگوریتم بازسازی منحنی طیفی
7. 3.2 پردازش طیف بازسازی شده (رویکرد صفحه به صفحه)

فصل ششم: تکنیک های قطعه بندی پوست

1. 2 مروری بر شیوه های قطعه بندی
2. 2.1 ردیابی دستی
3. 2.2 آستانه گیری
4. 2.3 تشخیص لبه
5. 2.4 شیوه های وابسته به منطقه:
6. 2.4.1 رشد منطقه
7. 2.4.2 افزار و ادغام
8. 3 پارامترهای قطعه بندی برای مدلسازی پوست
9. 3.1 فضاهای رنگ مورد استفاده برای مدلسازی رنگ
10. 3.3.RGB
11. 3.1.2RGB بهنجار
12. 3.1.3 طیف ، اشباع و شدت رنگ
13. 3.4.1 YCbCr
14. 3.2 رویکرد مدل پایه
15. 3.3 رویکرد چندطیفی

فصل هفتم

روش شناسی قطعه بندی پوست

1. 1 عکسبرداری
2. 2 اصلاحات نرم افزاری
3. 3 قطعه بندی تصویر
4. 3.1 رشد کردن منطقه
5. 3.2 آستانه گیری
6. 4 مراحل الگوریتم
7. 4.1 پنجره بندی : مرحله اول
8. 4.2 ایجاد بذر : مرحله دوم
9. 4.3 ایجاد TRG : مرحله سوم
10. 4.3.1 گراف بازتاب آستانه (TRG)
11. 4.4 برازش چند جمله ای : مرحله چهارم
12. 4.5 محاسبه ی آستانه : مرحله ی پنجم
13. 4.6 رشد دادن منطقه: مرحله ششم

فصل هشتم

نتایج

1. 1 گراف بازتاب آستانه
2. 1.1 مقدار آستانه بین TH1
3. 1.2 مقدار آستانه در M'
4. 1.3 مقدار آستانه در TH2
5. 1.4 مقدار آستانه در TH3
6. 1.5 مقدار آستانه در M''
7. 2 نتایج قطعه بندی در زمینه ی تصویر تک رنگ
8. 3 نتایج قطعه بندی در تصاویر تک رنگ نویزدار
9. 4 نتایج قطعه بندی بر روی تصاویر RGB
10. 5 نتایج قطعه بندی حجم طیفی بازسازی شده

فصل نهم

1. 1نرم افزار episcan

فهرست اشکال:

شکل 1 : ساختارهای درونی پوست

شکل 2: نمایش قاعده ABCD (تصاویر با استفاده ازدرموسکوپ گرفته شده اند)

شکل 3: اپتیک درموسکوپ نور انکساریافته آسیب را هنگامی که از میان آن می گذردو به

صورت یک الگوی متمایز در می آورد، روشن می سازد.  

شکل 4: برنامه ی رایانه ای که قابلیت اجرای قطعه بندی آسیب را دارد

شکل 5: اصول نظری توموگرافی بهم پیوسته نوری

شکل 6: میکروسکوپی تشدید مغناطیسی ملانومای بدخیم (A) و بافت شناسی مربوطه (B) 

شکل 7: اصول نظری میروسکوپی لیزری هم کانون

شکل8. نمودار شماتیک  SpectroShade

شکل10: محدوده طول موج هر فیلتر

شکل 11: نمودار شماتیک سامانه Asclepios  

شکل13: حجم داده های چند طیفی بازسازی شده برای هر پیکسل

شکل14: شماتیک فرایند بازسازی از مجموعه همه ی تصاویر

  شکل 15) الف – تصویر اصلی؛ ب کنتراست تصویر 

شکل 16 : الف- منحنی TRG؛ 2- برازش چند جمله ای 'p' و خط مماس 't' از میان نقطه ی F منحنی

شکل 17: الف-تصویر اصلی؛ 2- نگاشت منطقه ای تصویر؛ 3- تصویر دودویی؛ 4- آشکارسازی مرزهای تصویر دودوی68

شکل 18: الف-درمنحنی TRG در 610 نانومتر؛ ب- نتیجه قطعه بندی در 'A' ؛ ج-نتیجه قطعه بندی درM' ؛ د- نتیجه

 قطعه بندی  در TH2؛  ه- نتیجه قطعه بندی در TH3 ؛ و- نتیجه قطعه بندی در M''.  

شکل 19: نتایج قطعه بندی در طول موج های مختلف درتصاویر تک رنگ

شکل 20: نتایج قطعه بندی در تصاویر نوبز دار در طول موج های الف- 430 نانومتر؛ ب- 490 نانومتر؛ ج- 550

نانومتر؛ د- 910 نانومتر   

شکل 21: الف- تصویر اصلی؛ ب- منحنی TRG تصویر درخشندگی؛ ج- نتایج قطعه بندی در 'A'؛ د- نتایج قطعه بندی

در F؛ ه- نتایج قطعه بندی در TH2؛  و- نتایج قطعه بندی در TH3 

شکل 22: نتایج قطعه بندی بر روی پارامتر درخشندگی در تصاویر مختلف RGB 

شکل 23: نتایج قطعه بندی با بکارگیری حجم طیفی بر روی تصاویر مختلف درون محدوده ی 400 تا1000 نانومتر

فهرست جداول :

جدول 1: ابزارهای پوست نگاری 

جدول2: ابزارهای بر پایه ی رویکرد تصویربرداری چند طیفی

منابع و مأخذ:

 [1] Diane M. Thiboutot , “Dermatological Applications of High-Frequency Ultrasound “, Section of Dermatology, The Pennsylvania State University College of Medicine, Hershey, PA 17033

[2] M. Marias, R. Jurkonis”Review on skin lesion imaging, analysis and automatic classification “, Biomedical Engineering Institute, Kaunas University of Technology

[3] Schuco International , Dealer Catalogue , 3rd sept 2007

[4] K. C. Miscall, Uday Choker , “Dermoscope”,Department of Dermatology, Seth GSMedical College & KEM Hospital, Parel, Mumbai - 400012, India .

[5] Ashfaq A. Marghoob, md,a,_ lucinda d. Swindle, md,a,_ claudia z. M. Moricz,”instruments and new technologies for the in vivo diagnosis of melanoma”, j am acad dermatol november 2003, New york

[6] Monika-Hildegard Schmid-Wendtner, MD; Walter Burgdorf, MD ,“ Ultrasound Scanning In Dermatology”,Arch Dermatol. 2005;141:217-224.

[8] Robert W. Coatney, “Ultrasound Imaging: Principles and Applications in Rodent Research”, Department of Laboratory Animal Sciences, GlaxoSmithKline, King of Prussia,Pennsylvania.

[9] S. Camilla, M. Daniela , C. Alessio , S. Marcello, C. Pietro, F. Paolo and C. Paolo, “Application of optical coherence tomography in non-invasive characterization of skin vascular lesions” , Department of Dermatology, University of Florence,and Department of Human Pathology and Oncology, University of Florence, Florence, Italy 68 References

[10] F.M. Hendriks , “chanical Behaviour of Human Skin in Vivo , Nat.Lab, July 2001

[11] Moganty R Rajeswari, Aklank Jain, Ashok Sharma, Dinesh Singh, N R Jagannathan,Uma Sharma and M N Degaonkar, “Evaluation of Skin Tumors by Magnetic Resonance Imaging

[12] “Safety Guidelines for Conducting Magnetic Resonance Imaging (MRI) Experiments Involving Human Subjects Center for Functional Magnetic Resonance Imaging”, University of California, san Diego , July 2007

[13] “A Primer on Medical Device Interactions with Magnetic Resonance Imaging Systems” , CDRH Magnetic Resonance Working Group, February 7, 1997.

[14] Misri Rachita, Pande Sushil, Khopkar Uday, ‘Confocal laser microscope’, Department of Dermatology, Sent GS Medical College and KEM Hospital, Parel, Mumbai

[15] Nana Rezai, “Confocal Microscopy - A Visual Slice of the Cellular world”, The science creative Quarterly

[16] http://www.fotofinder.de/en/dermoscopy.html

[17] http://www.isis-optronics.de/en/skindex/produkte/content.html

[18] Episcan® I-200 Dermal Ultrasound Scanner www.mediluxprofessional.net

[19] M. Moncrieff, S.Cotton, E.Claridge and P. Hall, Spectrophotometric IntracutaneousAnalysis: a new technique for imaging pigmented skin lesions”, British Journal of Dermatology 2002; 146: 448–457.

[20] http://www.astronclinica.com/technology/siascopy-explained.htm

[21] http://www.eosciences.com.

[22] “Spectrophotometric analysis of skin lesions”, DermNet NZ, Dec 2007

[23] P. Hans, A. Guiseppe ,H. Rainer and Robert H. Johr,“Color Atlas of Melanocytic Lesions of the Skin”, septembre 2007

[24] http://www.lucid-tech.com/medical-imagers/vivascope-1500.asp

[25] P.wilhelm , B. Enzo, E. Peter, I. Maibach, “Bio Engineering of Skin: Skin Imaging and References 69 Analysis”, Dermatology: Basic science series.

[26] M Lualdi, A Colombo, M Carrara, L Scienza, S Tomatisand R Marchesini, “Optical Devices Used For Image Analysis Of Pigmented Skin Lesions: A Proposal For Quality Assurance Protocol Using Tissue-Like Phantoms”, Institute Of Physics , Publishing, 15 November 2006

[27] Mansouri et al ,”Neural Networks in Two Cascade Algorithms for Spectral Reflectance Reconstruction” , Le2i, UMR CNRS 5158, UFR Sc. & Tech., University of Burgundy

[28] Brian Gerard Johnston, “Three-Dimensional Multispectral Stochastic Image Segmentation” Memorial University Of Newfoundland, Cabot Institute Of Technology, January 1994

[29] Vladimir V, Vassili .S, Alla A, “A Survey on Pixel-Based Skin Color Detection Techniques”, Graphics and Media Laboratory ,Moscow State University,Moscow, Russia.

[30] Harald Ganster*, A. Pinz, R. Röhrer, E . Wildling,M. Binder, And H. Kittler, “Correspondence Automated Melanoma Recognition” , IEEE Transactions On Medical Imaging, Vol. 20, No. 3, March 2001

[31] Y. Won Lim and S. Uk Lee , “On the color image segmentation algorithm based on the thresholding and the fuzzy c-means techniques “ , Department of Control and Instrumentation Engineering, Seoul National University, February 1989.

[32] Ph. Schmid and S. Fischer, “Colour Segmentation For The Analysis Of Pigmented Skin Lesions” Signal Processing Laboratory, Swiss Federal Institute of Technology, 1015 Lausanne, Switzerland

[33] Z. She, P.J.Fish and A.W.G.Duller, “ Simulation Of Optical Skin Lesion Images” , University of Wales, Bangor, Conexant Digital Infotainment, Castlegate, Tower Hill, Bristol, , U.K.

[34] S. E. Umbaugh,R H. Moss,W.V. Stoecker,G A. Hance, “Automatic Color Segmentation Algorithms With Application to Skin Tumor feature Identification”, IEEE Engineering In Medicine And Biology, September 1993.

[35] G. A. Hand, S. E. Umbaugh,R H. Moss, and W Y. Stoec, “ Un supervised Color Image Segmentation, with application to skin tumour boarder”, IEEE Engineering In Medicine And Biology, January/February 1996

[36] J.Der Lee and Yu-Lin Hsiao , “Extraction of Tumor Region in Color Images Using Wavelets” , Chang Gung University , Taiwan January 2000 ,An International Journalcomputers & mathematics with applications 70

[37] A., J. Round, A. W. G. Duller and P. .J. Fish , “ Colour Segmentation For Lesion Classification”, IEEE/EMBS Oct. 30 - Nov. 2, 1997 Chicago, IL. USA

[38] F. Tomaz, T. Candeias and H. Shahbazkia, “Fast and accurate skin segmentation in color Images”, Proceedings of the First Canadian Conference on Computer and Robot Vision(CRV’04) .

[39] KeKe Shang, Liu Ying, Niu Hai-jing and Liu Yu-fu,” Method of Reducing Dimensions of Segmentation Feature parameter Applied to Skin Erythema Image Segmentation”,Proceedings of the 2005 IEEEEngineering in Medicine and Biology 27th Annual

Conference Shanghai, China, September 1-4, 2005

[40] L. Xua, M. Jackowski, A. Goshtasby, D. Roseman, S. Bines, C. Yu, A. Dhawan, A. Huntley, “ Segmentation of skin cancer images” , Image and Vision Computing 17 (1999) 65–74.

[41] Galda H, Murao H, Tamaki H and Kitamura S , “ Skin Image Segmentation Using a Self Organizing Map and Genetic Algorithms” , Transactions of the Institute of Electrical Engineers of Japan. 2003.

[42] Alberto A, Luis T And, Edward J. D, “An Unsupervised Color Image SegmentationAlgorithm For Face Detection Applications”, Politechnic University Of Valencia,Politechnic University Of Catalonia, Spain .

[43] Stefano T et al “Automated Melanoma Detection With A Novel Multispectral Imaging System: Results Of A Prospective Study” ,Institute Of Physics Publishing Physics In Medicine And Biology, 30 March 2005

[44] Mauro C et al, “Automated Segmentation Of Pigmented Skin Lesions In Multispectral Imaging “ , Institute Of Physics Publishing Physics In Medicine And Biology Phys. Med.

 [45] J Ruiz-Del-Solar And Rodrigo Verschae , Robust SkinSegmentation Using Neighborhood Information,Dept. Of Electrical Engineering, Universidad De Chile, Santiago, Chile

[46] Oana G. Cula Kristin J. Dana, “Image-based Skin Analysis” , CS Department ECE Department, Rutgers University, Texture 2002 - 1 and 2 June 2002, Copenhagen (co-located with ECCV 2002.

[47] Dhawan AP, Sicsu A , “Segmentation of images of skin lesions using color and texture information of surface pigmentation”, Department of Electrical and Computer Engineering,University of Cincinnati, OH 45221.

[48] Liangen Zhu, Shiyin Qin, and Fugen Zhou ,”Skin image segmentation based on energy transformation” , Journal of Biomedical Optics -- March 2004 -- Volume 9, Issue 2, pp. 362-366

[49] S Lam Phung, A Bouzerdoum And D Chai,” Skin Segmentation Using Color Pixel Classification: Analysis And Comparison”, IEEE Transactions On Pattern Analysis And Machine Intelligence, Vol. 27, No. 1, January 2005

[50] P. Gejgus, J. Placek and M. Sperka, “Skin color segmentation method based on mixture of Gaussians and its application in Learning System for Finger Alphabet”, International Conference on Computer Systems and Technologies - CompSysTech’2004

[51] F. Gasparini, R. Schettini , “,Skin segmentation using multiple thresholding” Universita degli Studi di Milano bicocca, Milano Italy

[52] Ilias Maglogiannis, “Automated Segmentation and Registration of Dermatological Images”, Journal of Mathematical Modelling and Algorithms 2: 277–294, 2003.

[53] Jianbo G, Jun Z, Matthew G. Fleming, Ilya P, A B. Cognetta , “Segmentation of dermatoscopic Images by Stabilized Inverse Diffusion Equations”, 1998 IEEE

[54] Yasuaki H, Yoshiaki Y, Shingo S, Masayuki M, Tomoko S,Violeta D M, Masahiro Y, Shuichi M, Takeshi Y, Tsutomu A, “Automatic characterization and segmentation of human skin using three- imensional optical coherence tomography”, Optical Society of America, 2006

[55] Yuchun Fang Tieniu Tan, “A Novel Adaptive Colour Segmentation Algorithm and Its Application to Skin Detection, National Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences, China .

[56] Stefano Tomatis et al, “Automated melanoma detection with a novel multispectral imaging system: results of a prospective study” Institute Of Physics Publishing, 30 March 2005

[57] B Farina et al,” Multispectral imaging approach in the diagnosis of cutaneous melanoma: potentiality and limits”, Phys. Med. Biol. 45 (2000) 1243–1254, January 2000.

References (continued)

Liffers A, Vogt M, Ermert H. In vivo biomicroscopy of the skin with high-resolution magnetic resonanc imaging and high frequency ultrasound. Biomed Tech (Berl). 2003 May: 48(5): 130-4

Lopez H, Beer JZ, Miller SA, Zmudzka BZ. Ultrasound measurements of skin thickness after

UV exposure: feasibility study. J Photochem Photobiol B. 2004 Feb 20; 73(3) 123-32

Loudon, JK, Cagle PE, Dyson, M. High frequency ultrasound: an overview of potential uses in physical therapy. Physical Therapy Reviews 2005; 10:209- 215.

Karim A, Young SR, Lynch JA, Dyson M. A Novel Method of Assessing Skin Ultrasound Scans. Wounds. 1994; 6(1), 9-15

Mirpuri N.G., Dyson M., Rymer J., Bolton P.A., Young S.R. High-frequency ultrasound imaging of the skin during normal and hypertensive pregnancies. Skin Research and echnology 2001; 7: 65-69.

Mogensen S., Hertig J. Stopping Pressure Ulcers - Before They Start. Nursing Homes agazine. 2004; Vol 53, No. 5

Overgaard OL, Takimaki H, Serup J. Highfrequency ultrasound characterization of normal skin. Skin thickness and echographic density of 22 anatomical sites. Skin Res Technol. 1995; 1, 74-80

Peer S., Bodner G., Meirer R., Willeit J., Piza- Katzer, H. Examination of Postoperative Peripheral Nerve Lesions with High-Resolution Sonography. American Journal of Roentgenology.2001 Feb; 177: 415-419.

Raju BI, Swindells KJ, Gonzalez S, Srinivasan MA. Quantitative ultrasonic methods for characterization of skin lesions in vivo. Ultrasound Med Biol.2003 Jun; 29(6):825-38

Rippon M.G., Springett K., Walmsley R., Patrick K., Millson S. Ultrasound assessment of skin and wound tissue: comparison with histology. Skin Research and Technology 1998; 4: 147-154.

Salcido R, Donofrio JC, Fisher SB, LeGrand EK, Dickey K, Carney JM, Schosser R, Liang R.

Histopathology of pressure ulcers as a result of sequential computer-controlled pressure sessions in a fuzzy rat model. Adv Wound Care 1994 Sep; 7(5):23-4, 26, 28 passium Salcido, R. Advances in Skin & Wound Care. 2000 Mar.

1. woundcarenet.com/advances/articles/00marap redit.htm Sanby-Moller J, Wulf HC. Ultrasonographicsubepidermal low-echogenic band, dependence of age and body site. Skin Res Technolo. 2004 Feb;10 (1):57-63 Schou A.J., Thompsen K., Plomgaard A.M.,

Wolthers O.D. Methodological aspects of highfrequency ultrasound of skin in children. Skin

Research and Technology. 2004 August; 10 (3): 200.

Seidenari S, Pagnoni A, DiNardo A, et al Echographic evaluation with image analysis of

normal skin variations according to age and sex. Skin Pharmacol. 1994; 7(4): 201-9

Serup J., Keiding J., Fullerton A., Gniadecka M.,Gniadecka R. High Frequency Ultrasound

Examination of Skin: Introduction and Guide. Ch. 12.1: 239-354.

Vogt M, Knuttel A, Hoffman K, Altmeyer P, Ermert H. Comparison of high frequency ultrasound and optical coherence tomography as modalities for high resolution and non invasive skin imaging. Biomed Tech (Berl). 2003 May; 48(5):116-21

Whiston R.J., Young S.R., Lynch J.A., Harding K.G., Dyson, M. Application of high frequency ultrasound to the objective assessment of healing wounds. Wounds. 1993

Whiston RJ, Melhuish J, Harding KG. High Resolution Ultrasound Imaging in Wound Healing. Wounds. 1993; A Compendium of Clinical Research and Practice; 116-121

Yang Y, Jia C, Cherry GW, Fu X, Li J. Long-term mortality of ultrasound structure in patients with venous leg ulcers-healed from one week to twenty years. Chin Med J (Engl).2002 Dec; 115(12):1819- 23

Zhou Y., Stuart Foster F., Nieman B.J., Davidson L.,Josette Chen L., Mark enkelmanR.Comprehensive transthoracic cardiac imaging inmice using ultrasound biomicroscopy withanatomical confirmation by magnetic resonanceimaging. Physiol Genomics. 2004 April; 18: 232-244.

© 2006 Longport International Ltd.

مفاهیم پایه و اساسی پردازش تصویر

اختصاصی از نیک فایل مفاهیم پایه و اساسی پردازش تصویر دانلود با لینک مستقیم و پر سرعت .

فرمت فایل word: (لینک دانلود پایین صفحه) تعداد صفحات : 40 صفحه

این فایل مفاهیم پایه ای و اساسی پردازش تصویررابه طور کامل بیان می کند که به صورت یک فایل ورد و شامل 40 صفحه می باشد.