در این مقاله، یک روش جدید برای افزایش تفکیک پذیری تک تصویری تصاویر متن ارائه می شود. این روش مبتنی بر نمونه است یعنی برای فراتفکیک پذیری از یک مجموعه نمونه آموزشی که شامل وصله های با تفکیک پذیری بالا و پایین است استفاده می شود. بر اساس قاعده بیزی، یک تابع به عنوان درست نمایی و سه تابع به عنوان دانش اولیه در نظر گرفته می شوند. تابع مربوط به درست نمایی میزان شباهت با تصویر اولیه را توصیف می کند. سه تابع مربوط به دانش اولیه خصوصیات دومدی بودن تصویر متن، یکنواخت بودن نواحی پس زمینه و متن و نزدیک بودن به مجموعه نمونه آموزشی را توصیف می کنند. با کمینه کردن این توابع انرژی طی فرایند تکرارشونده نزول گرادیان ناهم زمان ترتیبی، تصویر با تفکیک پذیری بالا به دست می آید. به جای کمینه کردن هم زمان ترکیب خطی توابع، آنها به ترتیب و با توجه به این که در تکرارهای متوالی الگوریتم چه تغییراتی در تصویر متن رخ می دهد کمینه می گردند. به این ترتیب دیگر نیازی به تعیین ضرایب ترکیب خطی توابع که برای تصاویر مختلف متغیر هستند نخواهد بود. نتایج آزمایش ها روی بیست تصویر متن با قلم ها، تفکیک پذیری ها، تارشدگی ها و نویزهای مختلف عملکرد بهتر و با حجم محاسباتی کمتر روش ارائه شده نسبت به روش های مشابه قبلی را نشان می دهد.

ناوبری هوشمندانه و خودکار پهپاد براساس انطباق تصاویر دریافتی از پهپاد با تصاویر ماهواره ای یکی از جدیدترین گونه های ناوبری می باشد که بسیار مورد توجه محققان و صنعتگران این حوزه قرار گرفته است. این روش هم از نظر جنگ الکترونیک و هم از نظر کارآیی، زمانی موثر است که تصاویری با کیفیت بالا موجود باشد تا ویژگی های تصاویر را بتوان استخراج نمود. اما یکی از عواملی که سبب کاهش بهره استخراج ویژگی های تصاویر و انطباق آن با تصاویر ماهواره ای می شود، ماتی است. مات زدایی از تصاویر تبدیل به یک موضوع به روز و چالش برانگیز برای محققان شده است. در این مقاله روشی نوین برای بهسازی کیفیت تصاویر با استفاده از روش فراتفکیک پذیری مبتنی بر شبکه عصبی کانولوشنی CNN با چند لایه نگاشت غیرخطی ارائه گردید که نقش بسزایی در مات زدایی و نویززدایی از تصاویر پهپاد دارد. نتایج نشان می دهد که این روش نسبت به روش های مطرح امروزی، کارآیی بهتری دارد. به طوری که روش پیشنهادی میزان کیفیت تصویر را نسبت به روش های مطرح، براساس معیار نسبت پیک سیگنال به نویز (PSNR) تقریبا به اندازه 5% افزایش می دهد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

تصاویر متنی با وضوح پایین معمولاً باعث ایجاد خطاهای جدی در خوانش و بازیابی متن می شوند که این امر می تواند بر کارایی سیستم های خوانش متن، تأثیر منفی بگذارد. فراتفکیک سازی تصاویر متنی، به ویژه در شرایطی که تصاویر اولیه دارای تفکیک پذیری پایینی هستند، از عوامل کلیدی در بهبود دقت سیستم های خوانش متن است. روش های سنتی فراتفکیک سازی، هرچند در بهبود کیفیت تصاویر موفق بوده اند، اما همچنان در حفظ جزئیات دقیق حروف و ساختار متن با چالش مواجهند. در این پژوهش، روشی برای فراتفکیک سازی تصاویر متنی ارائه شده که با بهره گیری از بازخورد هوشمندانه توسط تضعیف عامدانه تابع زیان خوانش، سخت گیری بیشتری بر شبکه فراتفکیک ساز اعمال کرده تا به طور ویژه تصاویری تولید کند که در آن ساختار حروف به خوبی حفظ شده باشد. این تابع زیان، شبکه فراتفکیک سازی را وادار به بازسازی جزئیات ازدست رفته در تصاویر کرده و دقت سیستم های خوانش متن را به طور قابل توجهی بهبود می بخشد. نتایج تجربی نشان می دهند که این روش نه تنها به افزایش وضوح بصری تصاویر منجر می شود، بلکه کارایی و دقت سیستم های خوانش متن را حدود 10 درصد نسبت به تصاویر اولیه بهبود می بخشد. این رویکرد جدید گامی مؤثر در جهت بهینه سازی فرایندهای خوانش متن از تصاویر با تفکیک پذیری پایین به شمار می رود.

افزایش تفکیک پذیری تصاویر، یک مسئله کلاسیک در زمینه پردازش تصویر است که هدف آن ایجاد تصاویر با تفکیک پذیری بالا از تصویر با تفکیک پذیری پایین است. الگوریتم های بسیاری در این زمینه تاکنون ارائه شده اند. با این حال، ارزیابی مؤثر کیفیت این نوع تصاویر همچنان بعنوان یک زمینه تحقیقاتی چالش برانگیز باقی مانده است. روش های معمول ارزیابی کیفیت تصویر، همخوانی کافی با معیارهای ادراکی ندارند. لذا ارائه روش های ارزیابی کیفیت خاصِ تصاویر فراتفکیک پذیر، اهمیت بالایی دارد. در این مقاله ما یک روش ارزیابی کیفیت بدون مرجع برای تصاویر فراتفکیک پذیر ارائه می کنیم که با یادگیری بدون برچسب یک کتاب اتم ها روی تصاویر مرجع با تفکیک پذیری بالا و بازنمایی بلوک های تصاویر فراتفکیک پذیر با این کتاب، ویژگی های محلی تولید می نماید که قادرند تخریب های ناشی از افزایش تفکیک پذیری را به خوبی توصیف نمایند. این ویژگی ها با یک رویکرد مناسب هرمی، تلفیق شده و بردار ویژگی سراسری از تصویر تولید می کنند. این بردارها و امتیازات کیفیت چشمی در نهایت، جهت آموزش یک مدل رگرسیون مورد  استفاده قرار می گیرند. نتایج تجربی نشان می دهند که این روش در عین سادگی، سرعت و عدم نیاز به حجم بالای داده آموزشی، کارایی بهتری نسبت به روش های موجود دارد.

1پژوهش حاضر باهدف تدوین و اعتباریابی بسته آموزشی درس دین و زندگی پایه دهم مبتنی بر تئوری انتخاب انجام شد. روش پژوهش برای مرحله طراحی و تدوین بسته آموزشی، روش توصیفی – تحلیلی با رویکرد سنتزپژوهی آمیخته بود. مضامین اصلی بسته آموزشی و زمان موردنیاز برای آموزش برگرفته از منابع کتبی همچون الگوی مدارس گیلانت گرمار و مقالات و طرح های پژوهشی داخلی و خارجی بود. برای روایی یابی بسته، ضمن استفاده از روش روایی صوری، از روش روایی محتوایی به شیوه کیفی و کمی با پانل خبرگان 14 نفری  استفاده شد. 14 نفر از متخصصان به عنوان جامعه آماری در نظر گرفته شد که 10 نفر در حوزه روان شناسی و دو نفر در حوزه برنامه ریزی درسی و دو نفر هم در حوزه تعلیم وتربیت بودند و از دو ضریب نسبی روایی محتوا و شاخص روایی محتوا استفاده شد. حداقل و حداکثر میزان ضریب نسبی روایی محتوا برای هر آیتم بسته .71/0 و 1 محاسبه شد و میزان شاخص روایی محتوا در عمده جلسات به سمت عدد (85/0)برای تمامی هدف ها در پروتکل آموزشی به دست آمد. نتایج نشان داد بسته آموزشی درس دین و زندگی مبتنی بر تئوری انتخاب برای دانش آموزان پایه دهم از روایی صوری و محتوایی مناسبی بهره مند است و روایی لازم را برای کاربردهای آموزشی و استفاده پژوهشی دارد.

به منظور ارتقاء توان تفکیک پذیری تصویر و غلبه بر محدودیت های فیزیکی سیستم های تصویربرداری روش فراتفکیک پذیری تصویر مطرح می گردد. در این روش یک تصویر با تفکیک پذیری بالا از صحنه به کمک تلفیق رشته ای از تصاویر با تفکیک پذیری پایین صحنه، بازسازی می گردد. از آنجایی که رویکرد بسیاری از روش های فراتفکیک پذیری که اخیرا مورد استفاده قرار می گیرند بازسازی تصویر حذف نویز شده با تاکید بر حفظ لبه و جزئیات است، در این مقاله بر مبنای الگوریتم های آماری، روشی تطبیقی پیشنهاد شده است که نسبت به نویز گوسی که موثرترین نویز تخریب کننده کیفیت تصویر است مقاوم بوده و دارای عملکرد مطلوبی نسبت به سایر روشهای مطرح شده است. در این روش تطبیقی، با معرفی ضرایبی جدید، اثرات نسبی جمله خطای داده و جمله تنظیم را در هر پیکسل تصویر تخمین زده شد ه با تفکیک پذیری بالا، کنترل می نماییم. این ضرایب با توجه به اطلاعات همسایگان پیکسل موردنظر تعیین می گردد. آزمایش های انجام شده بر روی تصاویر ساخته شده و تصاویر واقعی نیز، عملکرد خوب الگوریتم پیشنهادی را نسبت به سایر روشها تصدیق می کند.

همواری محلی و خودشباهتی غیرمحلی، دو تا از مهم ترین پیش فرض ها برای حل مساله فرا تفکیک پذیری تصویر می باشند. با وجود اینکه نمایش تنک به خوبی برای توصیف همواری محلی در تصویرهای طبیعی استفاده می شود، نادیده گرفتن همبستگی بین ضرایب نمایش تنک بلوک های مشابه هم می تواند منجر به ضرایب تنک غیر دقیق گردد. در این مقاله مدلی برای نمایش تنک بلوک ها پیشنهاد می کنیم که از تلفیق همواری محلی و خودشباهتی غیرمحلی در یک چارچوب یکپارچه به دست می آید. این مدل، انتخاب حوزه ی تنک مبتنی بر پایه ی گروه به شکل وفقی نامیده می شود. بلوک های غیرمحلی با ساختار مشابه به صورت ماتریس، به عنوان واحد پایه نمایش تنک، به نام گروه، استخراج می شوند. برای نمایش تنک این گروه ها، آنها را به بردارهای ستونی تبدیل کرده و هر ستون، بهترین واژه نامه ای را که از اعمال تبدیل PCA برای گروه های داده های آموزشی به دست آمده اند، انتخاب می کند. فرآیند نمایش تنک هر ستون در حوزه ی گروه به یافتن بردارهای تنکی منجر می شود که با انتخاب واژه نامه های متعامد می توانند به سادگی تخمین زده شوند. برای بهبود بیشتر کارایی نمایش تنک مبتنی بر گروه، از عبارت تنظیم غیر محلی نیز استفاده می شود. نتایج آزمایشها بر روی تصویرهای آزمایشی استاندارد، برتری روش پیشنهادی را نسبت به برخی از مهم ترین روش های متعارف با معیارهای PSNR و SSIM نشان می دهد.

در این مقاله، یک روش جدید خودیادگیرنده برای افزایش تفکیک پذیری تک تصویر ارایه شده است. در این روش، از تصویر ورودی، دو هرم وضوح پایین و وضوح بالا ساخته می شود. رابطه بین وصله های هرم وضوح پایین و روشنایی متناظر وصله ها در تصویر هم سطح از هرم وضوح بالا توسط رگرسیون بردار پشتیبان یادگیری می شود. برای ایجاد تخمین بهتری از روشنایی وضوح بالا، تصاویر دو هرم را براساس رنگ ناحیه بندی می کنیم و مدل های رگرسیونی را برای هر ناحیه بطور مجزا آموزش می دهیم. از طرفی برای کاهش اثر تاری در لبه های تصویر فراتفکیک شده، مدل های جداگانه ای برای یادگیری روشنایی لبه ها ارایه شده است. ویژگی های بکار رفته در یادگیری رگرسیون بردار پشتیبان، ضرایب تنک وصله ها در بازنمایی تنک و گرادیان وصله ها می باشد. برای هر یک از ویژگی های اشاره شده مدل های رگرسیون مجزایی آموزش داده می شود و خطای این مدل ها نیز به کمک رگرسیون بردار پشتیبان مدل می گردد. در هنگام بازسازی تصویر فراتفکیک شده، هر وصله ی تصویر در بالاترین سطح هرم وضوح پایین به مدل های رگرسیونی داده شده و مدلی که کمترین خطا را در تخمین مقدار روشنایی ایجاد کند مشخص می گردد. روشنایی مرکز هر وصله را مدل برنده شده تعیین می کند. نتایج آزمایشات نشان می دهد که روش پیشنهادی نسبت به سایر روش ها با توجه به معیار PSNR و SSIM تخمین بهتری از تصویر فراتفکیک شده ایجاد می کند. مشاهده بصری نتایج نیز این ادعا را تایید می نماید.

هدف مقاله شناخت مؤثرترین عوامل رقابت پذیری شهر جدید پرند و میزان اثرگذاری هر کدام می باشد. بدین منظور، از روش کیفی و رویکرد نظریه پردازی داده بنیاد بر اساس رهیافت نظری استراوس و کوربین (1998) استفاده شد. ابزار جمع آوری داده ها، مصاحبه های نیمه ساختاریافته و روش گردآوری اطلاعات، نمونه گیری هدفمند با 31 نفر از خبرگان آشنا به مباحث شهر جدید پرند (استادان دانشگاه ها و کارفرمایان مسکن و پروژه های شهری) تا حد اشباع نظری و کفایت مقوله ها بوده است. تجزیه و تحلیل داده ها در سه مرحله کدگذاری باز، محوری و انتخابی انجام شد و براساس آن، مدل کیفی پژوهش طراحی گردید. در مرحله کیفی، در کد گذاری باز 61 مفهوم به دست آمد که در کدگذاری محوری به 19 مفهوم اصلی تقلیل یافت. یافته ها نشان داد از بعد اقتصادی، مولفه سرمایه گذاری و از بعد سیاسی – نهادی، مولفه حاکمیت قانونی و سازمانی با ضریب یک بیش ترین تاثیر و در بعد اجتماعی، عدالت با ضریب (383/0) کم ترین تاثیر را بر رقابت پذیری شهر جدید پرند دارند. دیگر نشانگرها دارای ضریب تعیین در محدوده متوسط بوده اند.