تبدیل حوضچه یک ابزار شناخته شده برای ناحیه بندی تصویر است. روش های مرسوم ناحیه بندی با استفاده از تبدیل حوضچه، تصویر را به نواحی دارای توزیع شدت روشنایی یکنواخت افراز می کنند. بنابراین در تصاویر شامل بافت که از نظر ادراکی یکنواخت هستند، استفاده از این روش منجر به تولید نواحی اضافی و بی معنی می شود. در این مقاله روش جدیدی برای ناحیه بندی اینگونه تصاویر با استفاده از تبدیل حوضچه پیشنهاد شده است. در این روش ابتدا ویژگی های محلی لبه و بافت برای تمام پیکسل های تصویر استخراج می شوند. در مرحله بعد با ادغام این ویژگی ها، تصویری بدست می آید که مرزهای نواحی در آن برجسته شده اند. اعمال تبدیل حوضچه روی تصویر حاصل، نواحیی را که از نظر ادراکی یکنواخت هستند از یکدیگر تفکیک می کند. ویژگی های محلی لبه با استفاده از مدل محاسباتی سلول ساده کورتکس بینایی محاسبه شده اند. پارامترهای مدل محاسباتی سلول ساده به گونه ای محاسبه شده اند که عملگر حاصل از نظر آشکارسازی لبه، تعیین دقیق موقعیت لبه و پاسخ یگانه به یک لبه بهینه باشد. برای محاسبه ویژگی های بافت نیز روش جدیدی ارایه شده که مستقل از چرخش بافت است. در این روش از مدل محاسباتی سلول پیچیده استفاده شده است. در استخراج ویژگی های بافت یک آستانه گذاری موثر روی پاسخ مدل سلول پیچیده اعمال شده است. این کار نتایج حاصل از ناحیه بندی را به میزان زیادی بهبود بخشیده و باعث شده که روش ارایه شده برای تصاویر مختلف عملکرد خوبی داشته باشد. در انتها کارایی روش پیشنهادی در ناحیه بندی تعدادی تصویر از چشم اندازهای طبیعت و تعدادی تصویر بافت نشان داده شده است.

پیشرفت در دنیای دیجیتال، ما را به سمت توسعه ابزار بازجویی قانونی دیجیتال سوق می دهد. استفاده از روش های یادگیری ماشین برای شناسایی منبع چاپ یکی از زیر مجموعه های این حوزه بوده که درحال توسعه است. در این مقاله، روش جدیدی برای استخراج ویژگی های ثانویه بر پایه بردار هویت (i-vector) برای شناسایی منبع چاپ ارایه شده است. در روش پیشنهادی تنها با استخراج یک بردار i-vector با بعد کم به ازای هر صفحه بدون استفاده از روش بازشناسی نوری نویسه ها (OCR) و با حذف رای گیری اکثریت فرایند طبقه بندی تسریع شده است. به این ترتیب روش پیشنهادی در استخراج ویژگی ها مستقل از نوع و اندازه قلم نویسه ها و زبان متن است. ویژگی های ثانویه با افراز تصویر سند به تکه های کوچک تر و مدل سازی ویژگی های اولیه الگوی دودویی محلی (LBP) مربوط به ناحیه های تیره، مرز و روشن در فضاهای مجزا به دست می آید. مدل سازی ویژگی های اولیه نواحی مختلف در فضاهای مجزای متغیر کل چاپگر، امکان استخراج اطلاعات جداکننده کلاس ها از بافت چاپ باقیمانده در ناحیه روشن را برای افزایش دقت و صحت طبقه بندی مهیا می کند. در این مقاله تاثیر استفاده از بافت نواحی مختلف و تغییر ابعاد تکه بندی با استفاده از طبقه بند ماشین بردار پشتیبان (SVM) از طریق شبیه سازی به دقت بررسی شده است. نتایج شبیه سازی، نشان می دهد که تنها با پالایش ویژگی های اولیه LBP به صحت 05/99 درصد دست یافته ایم که بیشتر از آخرین پژوهش های این حوزه است.

در تقاطع­­های راست گوشه سه شاخه یا چهار شاخه کانال­های روباز، مطالعه جدایی جریان بسیار حائز اهمیت می­باشد. برخی پارامترهای موثر در این زمینه نسبت دبی ورودی و عمق جریان می­باشد که در این تحقیق تاثیر نسبت دبی ورودی و نسبت ارتفاع سرریزها (عمق جریان) در الگوی جریان و ابعاد ناحیه جداشدگی به صورت عددی شبیه­سازی شده است. بررسی نتایج مدل عددی نشان داد که مدل k-ω بیشترین مطابقت را با نتایج آزمایشگاهی دارد، به طوریکه میزان خطای شبیه­سازی کمتر از 20% بود. ابعاد ناحیه جداشدگی در کانال­­های اصلی و فرعی با نسبت دبی ورودی رابطه مستقیم داشت. همچنین با افزایش ارتفاع سرریزهای خروجی، عمق جریان افزایش یافت و منجر به کاهش ابعاد ناحیه جداشدگی شد. مطابق نتایج عددی، ابعاد ناحیه جداشدگی در راستای قائم از کف کانال به سطح آب افزایش یافت، به­طوری­که برای نسبت دبی 6/0 و نسبت ارتفاع سرریز 377/0، طول ناحیه جداشدگی در کف کانال، فاصله 1/0 متر از کف و در سطح آب به ترتیب در حدود 60 سانتیمتر، 75 سانتیمتر و 85 سانتیمتر بود. بنابراین از سطح آب به سمت کف کانال طول ناحیه جداشدگی در حدود 29% کاهش یافت.

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

امروزه با توجه به حجم بالای داده های حاصل از انواع سیستم های تصویربرداری پزشکی، مساله فشرده سازی این گونه تصاویر به یک امر مهم تبدیل شده است. بیشتر روش هایی که تاکنون ارائه شده اند، یا به دلیل حذف اطلاعات مهم پزشکی یا به دلیل پایین بودن نرخ فشرده سازی آنها چندان مطلوب نیستند. به تازگی برخی روش های فشرده سازی تصاویر پزشکی ارائه شده اند که به صورت انتخابی به کدگذاری تصاویر می پردازند. در این روش ها ابتدا تصویر را به دو ناحیه تقسیم می کنند که یکی از نواحی حاوی اطلاعات مهم پزشکی است و باید به صورت بدون اتلاف کد شود. ناحیه دیگر ناحیه ای است که می توان آن را به صورت دارای اتلاف اما با کیفیت بالا فشرده سازی کرد. در این مقاله ما به فشرده سازی تصاویر MRI سه بعدی به صورت انتخابی و مبتنی بر خواص ناحیه با ارائه یک روش جدید پرداخته ایم. بدین منظور پس از مشخص کردن نواحی موردنظر تصاویر، ابتدا برش اول تصویر را به صورت انطباق داده شده با داده های تصویر مش بندی می کنیم. سپس با محاسبه تغییرات هر المان مش در گذر از یک برش به برش دیگر، تخمینی از مقادیر شدت تصویر در برش های بعد به دست می آوریم. در ادامه با استفاده از تبدیل ویولت مبتنی بر ناحیه (RBDWT) و کد کننده OB-SPIHT مقادیر تصویر باقیمانده که از تفاضل برش های تصویر اولیه و تخمین آنها از روی برش قبل حاصل می شوند را کد می کنیم. در این روش ناحیه موردنظر تصویر به طور کامل بدون اتلاف بازیافت می شود.

زمینه و هدف: مشکل عمده در اکثر کارهای پیشین ناحیه بندی تصاویر تانسور انتشار، استفاده از رویه پارامتریک جهت مدل سازی آمارگان تانسور در ناحیه مورد علاقه می باشد. این نوع مدل سازی، آمارگان تانسورها در کلاف های فیبری ماده سفید را به صورت صحیح مدل نمی کند.روش بررسی: در مطالعه حاضر از تخمین چگالی پارزن با هسته گوسی به منظور تعریف آمارگان در یک ناحیه مورد نظر از تصویر تانسور انتشار استفاده می شود. این تخمین در چارچوب الگوریتم ناحیه بندی نمو جبهه آماری غیرپارامتریک به منظور ناحیه بندی فانتوم بیولوژیکی رشته اعصاب نخاع موش استفاده می شود.|یافته ها: آزمایش های عددی نشان داد نمو سطح آماری غیرپارامتریک با متریک اقلیدسی به نتایج ناحیه بندی با کیفیت بالاتری از روش پارامتریک می انجامد. در ضمن مشخص شد علاوه بر متریک، مدل سازی آماری ناحیه نیز در کیفیت ناحیه بندی موثر می باشد. در ادامه، نتایج ما نشان داد مهم ترین بخش تخمین چگالی هسته، انتخاب پهنای باند s می باشد.نتیجه گیری: در صورتی که استفاده از مدل سازی پارامتریک به نتایج بخش بندی مورد نظر در کاربرد خاص منجر نشود علی رغم هزینه محاسباتی بالای روش غیرپارامتریک، این روش انتخاب مناسبی می باشد.

دو مسئله اساسی در منطقه بندی شهرها مطرح است. به دلیل پیچیدگی های محیط های شهری، روش های مرسوم راهگشای این مسائل نیستند، بنابراین، در پژوهش حاضر، با استفاده از الگوریتم AZP به ارائه راهکاری برای این مسائل و پیاده سازی آن در یک منطقه شهری (زنجان) پرداخته می شود. روش های خوشه بندی فضایی (مانند AZP) در سال های طولانی توسعه یافته اند و با ترکیب و معاوضه واحدهای پایه فضایی (مانند محله های شهری، همسایگی ها، واحدهای مصنوعی چهارگوشه و...)، به همراه بهینه سازی توابع هدف، همگنی نواحی و فشردگی شکل فیزیکی، ناحیه یا منطقه را شکل می دهند. برای آزمودن بهینگی منطقه بندی حاصل، از لحاظ همگنی و فشردگی، پارامترهای فشردگی و همگنی برای چندین شاخص، به عنوان نمونه یک بار برای منطقه بندی حاصل از الگوریتم AZP و یک بار برای منطقه بندی طرح تفصیلی شهر زنجان محاسبه شدند. برای ارزیابی همگنی در سطح سراسری، از آماره موران I و برای ارزیابی شکل فیزیکی ناحیه بندی ها از پارامتر فشردگی استفاده شد. مطابق نتایج، از 13 شاخص مورد استفاده، 12 مورد دارای الگوی توزیع تصادفی اند و تنها یک شاخص، الگوی اولیه را حفظ کرده است. همچنین ناحیه بندی از لحاظ ایجاد مناطق همگن، کارایی مناسبی دارد، علاوه بر این ها، نواحی ایجادشده، بسیار فشرده تر از نواحی منطقه بندی شده در طرح تفصیلی شهر زنجان است.