طبقه بندی بافت از جمله شاخه های مهم پردازش تصویر است و مهم ترین نکته در طبقه بندی بافت ها، استخراج ویژگی های تصویر بافتی است. یکی از مهم ترین و ساده ترین روش ها، روش مبتنی بر الگوی دودویی محلی است که به دلیل سادگی در پیاده سازی و استخراج ویژگی های مناسب با دقت طبقه بندی بالا، مورد توجه قرار گرفته است. در اغلب روش های الگوی دودویی محلی بیشتر به الگوهای محلی همگن توجه شده و همه اطلاعات قسمت های ناهمگن تصویر صرفا به عنوان یک ویژگی استخراج می شود. در این مقاله، یک شکل جدید از نگاشت الگوهای دودویی محلی ارائه شده که از اطلاعات الگوهای ناهمگن به شکل مناسب استفاده می کند. یعنی بر خلاف اغلب روش های قبلی، در اینجا از الگوهای محلی ناهمگن ویژگی های بیشتری استخراج می شود و در نتیجه دقت طبقه بندی بالاتر می رود. ضمن این که کلیه نکات مثبت روش های موجود مانند غیر حساس بودن به چرخش و تغییرات روشنایی را دارد. روش ارائه شده با استخراج ویژگی های بیشتر از الگوهای ناهمگن به دقت بالاتری از طبقه بندی نسبت به روش های مشهور و مهم دست یافته است. پیاده سازی روش ارائه شده روی پایگاه بافتی Outex این بهبود را نشان می دهد.

سنتز طرح چهره از عکس نمونه در سرگرمی های دیجیتالی و تحقیقات پزشکی قانونی نقش مهمی دارد. در این مقاله، سنتز طرح چهره دو فرآیند اصلی دارد. در فرآیند اول انتخاب همسایه ها و در فرآیند دوم بازسازی ضرایب نمایش انجام می شود. مدت زمان اجرا و پیچیدگی محاسبات به فرآیند انتخاب تکه های همسایه بستگی دارد. تولید طرح چهره با روش های state of the art، فرآیند انتخاب همسایگی برای داده های مؤثر را با جستجوی k نزدیکترین همسایگی اجرا می کند. از این رو، مدت زمان اجرای سنتز را افزایش می-دهند. همچنین برای انتخاب تکه های همسایه به بررسی تمام داده های آموزشی نیاز دارند. در نتیجه، پیچیدگی محاسباتی با تعداد داده-های آموزشی افزایش یافته و باعث محدودیت مقیاس پذیری می شود. در این مقاله، ما یک روش مؤثر را با کدگذاری دودویی محلی و نمونه برداری در محل اجرا می کنیم. سپس با استخراج شکل از بافت های حاصل و تعیین وضعیت سطوح، طرح چهره را نمایش می-دهیم. آزمایش های ما روی جفت تصاویر پایگاه داده CUHK نشان می دهد که روش ارایه شده در مقایسه با روش های state of the art از نظر کیفیت طرح های تولید شده و مدت زمان اجرای محاسبات برتری دارد. همچنین روش پیشنهادی در برابر مشکلات خطاهای حسی چهره که باعث تغییرشکل ناهمگون در طرح چهره می شود، مقاوم می باشد.

روشهای زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شده اند، یکی از مهمترین و ساده ترین روش ها، روش های مبتنی بر الگوی دودویی محلی است که بدلیل سادگی در پیاده سازی و استخراج ویژگی های مناسب با دقت طبقه بندی بالا، مورد توجه بسیاری از متخصصان قرار گرفته است. همچنین از ترکیب الگوی دودویی محلی و واریانس محلی ویژگی هایی با نتایج بهتر طبقه بندی تولید شده است. در اینجا از یک روش جدید بنام الگوی انتروپی محلی استفاده شده است. این روش از آن جهت که از رابطه ای مشابه انتروپی استفاده می کند بر این اساس نامگذاری شده است ولی از برخی جهات با رابطه انتروپی فرق دارد. روش پیشنهادی در مقایسه با الگوی دودویی محلی و واریانس محلی به نویز مقاوم تر است. همچنین ترکیب آن با الگوی دودویی محلی نتایج بسیار بهتری نسبت به ترکیب واریانس محلی با الگوی دودویی محلی تولید می کند. الگوی انتروپی محلی همانند واریانس نشان دهنده میزان غیرهمسان بودن الگوهای محلی هر همسایگی است. این روش ضمن اینکه کلیه ویژگی های مثبت روش های موجود مانند غیرحساس بودن به چرخش و تغییرات روشنایی را دارد، نسبت به نویز نیز بسیار مقاوم است.

پیش زمینه و هدف: سرطان مهاجم دهانه رحم دومین سرطان شایع در بین زنان سراسر جهان است. روش های بسیاری بر مبنای هوش مصنوعی برای تشخیص دقیق نرمال بودن یا سرطانی بودن سلول ها و کمک به فرد متخصص در تشخیص هر چه بهتر و سریع تر سرطان ارایه شده است. هدف از انجام پژوهش حاضر، ارایه یک روش جدید و کارآمد در تشخیص سلول های طبیعی از غیرطبیعی بود. مواد و روش ها: این یک مطالعه توصیفی بود. برای ایجاد پایگاه داده، 2600 تصویر از 150 لام سیتولوژی تهیه گردید. تصاویر توسط متخصصین مورد ارزیابی، شناسایی و طبقه بندی قرار گرفتند. جهت ارزیابی روش پیشنهادی در پایگاه داده تهیه شده، از مجموع 2600 تصویر تهیه شده 1300 تصویر برای آموزش سیستم و 1300 تصویر برای آزمون در نظر گرفته شد. در این پژوهش جهت ارزیابی روش پیشنهادی و مقایسه با سایر روش ها، از نرم افزار MATLAB نسخه R2014b استفاده شده است. یافته ها: جهت استخراج ویژگی های سلول ها در هر سه مرحله از استخراج گرهای مورفولوژیکی و برای طبقه بندی به ترتیب از ماشین بردار پشتیبان، رگرسیون لجستیک و طبقه بندی 5/4C استفاده شد. دقت روش پیشنهادی در تشخیص سلول ها دهانه رحم در دو گروه نرمال و غیرنرمال 23/98 درصد بود که نسبت به سایر روش ها بیشتر بوده و همچنین نسبت مثبت کاذب با عدد 92/0 درصد و منفی کاذب 85/0 درصد نسبت به سایر روش ها کمتر است. بحث و نتیجه گیری: روش پیشنهادی می تواند با تشخیص زودهنگام سرطان با دقت و حساسیت بالا و نتایج کاذب کمتر، کمک چشمگیری به تشخیص در حیطه پزشکی نماید و در بسیاری از موارد در درمان به موقع بیماران و جلوگیری از مرگ و میر آن ها تاثیر بسزایی داشته باشد.

یکی از توصیفگرهای مهم بافتی تحت عنوان الگوی دودویی محلی می باشد. الگوی دودویی محلی در استخراج ویژگیهای بافتی کاربرد زیادی دارد. در این مقاله نوعی از الگوی دودویی محلی ارائه شده است که از آن نه به عنوان توصیفگر بافت، بلکه به عنوان یک توصیفگر عمومی استفاده شده است. یعنی همانند توصیفگر تبدیل مستقل از مقیاس ویژگی (SIFT) عمل می کند. روش پیشنهادی بر اساس میزان اختلاف نقطه مرکزی با نقاط همسایگی وزن های لازم را تولید می کند و این مقادیر وزن در مقادیر الگوی دودویی ضرب شده و استفاده می شود. ضمن اینکه بجای الگوی دودویی محلی برای کاهش تعداد ویژگیها از الگوی دودویی محلی متقارن مرکزی CS-LBP استفاده شده است. مزیت روش پیشنهادی نسبت به SIFT سرعت بالای آن است. ضمن اینکه بجای تصاویر عادی از تصاویر دوربین های مادون قرمز استفاده شده است. این تصاویر نسبت به تصاویر معمول دارای لبه هایی تارتر هستند و بازیابی آنها با توصیفگرهای عمومی عملاً نتایج خوبی تولید نمی کند. نتایج پیاده سازی نشان می دهد که روش پیشنهادی هم از لحاظ سرعت و هم از لحاظ دقت نسبت به توصیفگرهای عمومی مانندSIFT بهتر عمل می کند ضمن اینکه از روش الگوی دودویی محلی متقارن مرکزی هم دقت بالاتری دارد.

صخره های مرجانی بخش مهمی از اکوسیستم آب های کم عمق استوایی هستند و حفاظت از آنها بسیار مهم است. طبقه بندی تصاویر صخره های مرجانی شامل سه مرحله ی بهبود تصویر، استخراج ویژگی و طبقه بندی می باشد. در این پژوهش با تمرکز بر مرحله ی استخراج ویژگی، روشی برای طبقه بندی تصاویر مرجان های دریایی ارائه شده است. این روش از ترکیب دو الگوریتم دودویی محلی تشکیل شده است. ضمن اینکه بجای استفاده از همسایگی هایی با تعداد نقاط زیاد از ترکیب چند مقیاسی استفاده شده است یعنی چند همسایگی با اندازه های متفاوت ولی با تعداد نقاط ثابت با هم ترکیب شده اند. اینکار دقت طبقه بندی را بدون افزایش نمایی ویژگیها زیاد می کند. در حقیقت با ترکیب روش دودویی متقارن CS_LBP و روش دودویی تقویت شده با میانه MRELBP برخی از ویژگی های تصویر باهم ادغام می شود و ویژگی های محلی استخراج شده به وسیله ی روش CS_LBP در هر مرحله به نصف کاهش می یابد. در این پژوهش دقت مدل پیشنهادی بر روی مجموعه تصاویر مرجان های دریایی EILAT، EILAT2، RSMAS و MLC-2008 و همچنین مجموعه های بافتی CUReT، UIUC و KTH_TIPS ارزیابی شده است. دقت طبقه بندی روش پیشنهادی در همه داده های اخیر افزایش یافته است در حالیکه تعداد ویژگیهای استخراج شده از برخی روشها کمتر است.

الگوی دودویی محلی یک توصیفگر پرکاربرد در استخراج ویژگی از تصاویر بافتی است. شبکه­ های عصبی عمیق کانولوشن نیز از بهترین ابزار طبقه بندی با دقت بسیار بالابه شمار می رود. نوآوری اول این پژوهش ارائه یک ساختار برای ترکیب ویژگی های الگوی دودویی محلی و شبکه عصبی عمیق کانولوشن برای طبقه­ بندی تصاویر بافتی نویزدار است که دقت بسیار بالایی را برای طبقه بندی تصاویر بافتی نویزدار فراهم می کند. این روش از دو ابزار استخراج ویژگی تشکیل شده است. در یک ابزار، با استفاده از الگوی دودویی محلی کامل ویژگی­های محلی تصاویر بافتی، در قالب هیستوگرام سه بعدی استخراج می­شود. در ابزار دوم ویژگی­های بافتی با استفاده از شبکه عصبی عمیق کانولوشن DenseNet-121 کاهش داده می شود. این بخش که در فرآیند ترکیب ویژگی ها بکارگرفته شده است، با استفاده از شبکه عصبی کانولوشن کم عمق، ابعاد هیستوگرام سه بعدی را ، برای ترکیب با ویژگی های عمیق، به صورت قابل توجهی کاهش می­دهد. دقت مدل پیشنهادی، روی مجموعه های داده نویزی­ Outex، CUReT و UIUC با نویز گوسی، نویز نقطه ای و نویز   فلفل نمکی با شدت های مختلف، ارزیابی شده است و دقت طبقه­ بندی روش پیشنهادی برای مقادیر مختلف نویز، بهبودی بین 3 تا 15 درصد داشته است.

گراف تسلط کلمات دودویی، گرافی است جهت دار با مجموعه رئوس تمام کلمات دودویی به طول n که با نماد (Γ _n ) ⃗ نشان داده می شود، برای هر رأس دلخواه w=w_1 w_2⋯ w_n از آن قرار می دهیم B_1 (w)={1≤ i≤ n|w_i=1} و دو رأس v و w را با پیکان جهت دار v→ w به هم وصل می کنیم هرگاه داشته باشیم B_1 (w)⊆ B_1 (v). در این مقاله، به مطالعه و محاسبه برخی پارامترهای این گراف می پردازیم؛ به عنوان مثال، پس از محاسبه فاصله هر دو رأس و نیز انحراف از مرکز هر رأس، ثابت می شود که قطر گراف زمینه (Γ _n ) ⃗ برابر 3 و شعاع آن برابر 2 است. همچنین ثابت خواهد شد که این گراف دارای تعداد 〖 3〗 ^n-3(2^n-1)یال است. در ادامه نشان خواهیم داد که عدد خوشه ای و عدد رنگی رأسی گراف تسلط کلمات دودویی با طول n هردو برابر n-1 هستند. در دیگر نتایج، ثابت می شود که عدد رنگی یالی این گراف و ماکزیمم درجه رئوس آن مساوی 2^(n-1)-2 هستند. در پایان، عدد استقلال این گراف نیز به روش ترکیبیاتی محاسبه خواهد شد

در این مقاله نشان داده شده است که می توان هر نوع داده دودویی را به صورت اجتماعی از کدکلمه هایی با طول متغیر تعریف کرد. این ویژگی به ما کمک می کند که بتوان نگاشتی یک به یک و پوشا از کدکلمه های پیشنهادی به کدکلمه های مورد نیاز تعریف کرد. از این رو با جایگزینی کدکلمه های جدید، داده های دودویی به داده های دودویی دیگری در راستای اهداف موردنظر تبدیل می گردد. یکی از این اهداف، کاستن حجم داده است. یعنی به جای کدکلمه های اصلی هر داده ی دودویی، کدکلمه های هافمن را جایگزین نمود تا حجم داده کمتر گردد. یکی از ویژگی های این روش، نتیجه ی فشرده سازی مثبت برای هر نوع داده ی دودویی است، یعنی صرف نظر از حجم جدول کد، تفاضل حجم داده ی اصلی و حجم داده بعد از فشرده سازی، بزرگتر یا مساوی صفر خواهد شد. ویژگی مهم و کاربردی دیگر این روش، استفاده از کدکلمه های متقارن به جای کدکلمه های اصلی به منظور ایجاد خواص تقارن، بازگشت پذیری و مقاومت در برابر خطا با قابلیت کدگشایی دوطرفه است.