دانلود مقاله تصویر دیجیتال

Word 4 MB 8310 127
مشخص نشده مشخص نشده هنر - گرافیک
قیمت قدیم:۳۰,۰۰۰ تومان
قیمت: ۲۴,۸۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  •  

    1-1 : مقدمه

    پردازش تصویر دیجیتال[1] دانش جدیدی است که سابقه آن به پس از اختراع رایانه های دیجیتال باز می گردد . با این حال این علم نوپا 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 و پس از این مدت نسبتاً کوتاه ، به راحتی می توان رد پای پردازش تصویر دیجیتال را در بسیاری از علوم و صنایع مشاهده نمود . علاقه به روش های پردازش تصویر دیجیتال از دو محدوده کاربردی اصلی نشات می گیرد که آن محدوده ها عبارتند از : بهبود اطلاعات تصویری به منظور تعبیر انسانی و پردازش داده های صحنه برای ادراک ماشینی مستقل .

    چند دسته مهم از کاربرد های پردازش تصویر به شرح زیر می باشد [ 1 ] :

    الف ) کاربردهای عکاسی مانند ارتقاء ، بازسازی تصاویر قدیمی ، بازسازی تصاویر خراب شده با نویز و بهبود ظاهر تصاویر معمولی.

    ب ) کاربرد های پزشکی مانند ارتقاء ویژگی های تصاویر اشعه ایکس ، تولید تصاویر MRI  و

    .

    ج ) کاربرد های امنیتی مانند تشخیص حرکت ( در دزد گیر ها ) ، تشخیص اثر انگشت ، تشخیص چهره و تشخیص امضاء.

    د ) کاربرد های نظامی مانند تشخیص و رهگیری خودکار اهداف متحرک یا ثابت از هوا یا از زمین.

    ه ) کاربرد های سنجش از راه دور مانند ارتقاء و تحلیل تصاویر هوایی و ماهواره ای (برداشته شده از مناطق مختلف جغرافیایی) که در کاربرد های نقشه برداری ، کشاورزی ، هوا شناسی و موارد دیگر مفید هستند .

    و ) کاربرد های صنعتی مرتبط با خودکار سازی صنایع مانند تفکیک محصولات مختلف بر اساس شکل یا اندازه ، آشکارسازی نواقص و شکستگی های موجود در محصولات ، تعیین محل اشیاء و اجرای فرایند تولید با استفاده از روبات ها و بینایی ماشینی .

    ز ) کاربرد های فشرده سازی تصویر مانند ذخیره سازی ، ارسال تصاویر تلویزیون با کیفیت بالا و ارسال تصاویر متحرک و زنده از روی شبکه اینترنت و یا خط تلفن.

    ح ) موارد متفرقه دیگری نیز مانند تصویر برداری از اسناد و ارسال آنها توسط دور نگار و تشخیص خودکار نویسه در ردیف کاربرد های پردازش تصویر قرار دارند.

     

     1-2 : مراحل اساسی پردازش تصویر

    پردازش تصویر دیجیتال محدوده وسیعی از سخت افزار ، نرم افراز و مبانی نظری را در بر می گیرد . در این قسمت مراحل اساسی مورد نیاز برای اجرای یک پردازش روی تصویر را نام می بریم که در شکل 1-1 نمایش داده شده است .

     

    شکل 1-1 : مراحل اساسی پردازش تصویر دیجیتال

     

    مرحله اول این فرایند ، تصویر برداری[2] - یعنی به دست آوردن تصویر دیجیتال -  است . انجام دادن چنین کاری نیازمند یک حسگر تصویر بردار[3] و قابلیت دیجیتال سازی سیگنال خروجی حسگر می باشد . پس از اینکه تصویر دیجیتال به دست آمد ، مرحله بعدی پیش پردازش آن است . وظیفه اصلی پیش پردازش ، بهبود تصویر به روش هایی است که امکان توفیق سایر پردازش ها را نیز افزایش دهد . پیش پردازش ، به طور معمول به روش هایی برای ارتقاء تمایز ، حذف نویز و جداسازی آن نواحی که زمینه شان نشان دهنده احتمال وجود اطلاعات حرفی –  عددی است ، می پردازد . مرحله بعدی به بخش بندی[4] می پردازد . در تعریف وسیع ، بخش بندی فرایندی است که تصویر ورودی را به قسمت ها یا اجزای تشکیل دهنده اش تقسیم می کند . به طور کلی بخش بندی یکی از مشکل ترین کارها در پردازش تصویر دیجیتال است . از طرفی یک شیوه قوی بخش بندی ، تا حد زیادی فرایند را به حل موفق مساله نزدیک می کند . از طرف دیگر الگوریتم های ضعیف یا خطا دار بخش بندی ، تقریباً  همیشه باعث خرابی اتفاقی [5]می شوند . خروجی مرحله بخش بندی معمولاً ، داده های پیکسلی خام است که یا مرز یک ناحیه یا تمام نقاط درون آن ناحیه را تشکیل می دهند . در هر دو حالت باید داده ها را به شکل مناسب برای پردازش رایانه ای تبدیل نمود . اولین تصمیمی که باید گرفته شود این است که آیا داده ها باید به صورت مرز یا به صورت یک ناحیه کامل نمایش داده شود . نمایش مرزی وقتی مفید است که مشخصات  خارجی شکل نظیر گوشه ها یا خمیدگی ها مورد نظر باشد . نمایش ناحیه ای وقتی مفید است که خواص درونی بخش های تصویر نظیر بافت یا استخوان بندی شکل مورد توجه باشد . در هر حال در بعضی کاربرد ها هر دو نمایش به کار می رود . انتخاب یک روش نمایش ، تنها قسمتی از راه تبدیل داده های خام به شکل مناسب برای پردازش بعدی رایانه ای است . توصیف[6] ، که انتخاب ویژگی[7] نیز خوانده می شود ، به استخراج ویژگی هایی که مقداری از اطلاعات کمی مورد نظر را به ما می دهند یا برای تشخیص گروهی از اشیاء از گروه دیگر ، اساسی هستنند ، می پردازد . مرحله آخر شکل 1-1 شامل تشخیص و تعبیر است . تشخیص[8] فرایندی است که بر اساس اطلاعات حاصل از توصیف گرها یک برچسب را به یک شی منتسب می کند . تعبیر[9] شامل انتساب معنا به یک مجموعه از اشیاء تشخیص داده شده است . دانش به شکل پایگاه داده دانش[10] در درون سامانه پردازش تصویر ، ذخیره می شود . این دانش ممکن است ، تنها دانستن محل نواحی دارای جزئیات مورد علاقه باشد . بنابراین جستجوی مورد نیاز برای آن اطلاعات محدود می شود . پایگاه دانش ممکن است کاملاً پیچیده باشد ، نظیر فهرست به هم مرتبط تمام نقایص اصلی ممکن در یک مساله بازرسی مواد یا یک پایگاه داده تصویری که حاوی تصاویر ماهواره ای تفکیک بالا از یک منطقه در ارتباط با کاربرد های آشکارسازی تغییر[11] باشد . پایگاه دانش علاوه بر هدایت عمل هر واحد پردازش ، بر تعامل بین واحد ها نیز نظارت می کند . این نمودار نشان می دهد که ارتباط بین واحد های پردازش اغلب براساس دانش قبلی در مورد نتیجه پردازش است . این پایگاه دانش نه تنها عمل هر واحد را هدایت می کند ، بلکه به عملیات بازخورد[12] بین واحد ها نیز کمک می کند [1].

     

       1-3 : یک مدل ساده تصویر

    عبارت تصویر به تابع دو بعدی شدت نور که به صورت  نوشته می شود ، اشاره دارد که مقدار یا دامنه در مختصات مکانی  ، شدت روشنایی تصویر در آن نقطه می باشد . چون نور صورتی از انرژی است ،  باید بزرگتر از صفر و متناهی باشد ، یعنی

    تصاویر دریافتی در فعالیت های روزانه معمولاً نور منعکس شده از اشیا است . طبیعت پایه ای   را می توان با دو عامل مشخص نمود : (1) مقدار نور تابشی از منبع روی صحنه ای که دیده می شود و (2) مقدار نور منعکس شده به وسیله اشیاء صحنه .

    این دو عامل به ترتیب مولفه های روشنائی و انعکاس[13] نامیده می شوند و به ترتیب با  و

      نشان داده می شوند . توابع  و  به شکل حاصل ضرب ترکیب می شوند تا    ایجاد شود :

     

    که

     

    و

    معادله بیان می کند که ضریب انعکاس به بازه عددی صفر (جذب کامل) و یک (انعکاس کامل) محدود می شود . طبیعت  توسط منبع نور و  نیز توسط مشخصات اشیای صحنه معین می شود .

    شدت تصویر تکرنگ در مختصات  را سطح خاکستری  تصویر در آن نقطه می نامیم .

     

     

    بازه  محدوده خاکستری نامیده می شود . معمولاً تلاش می شود که این بازه را به بازه  که در آن  بیانگر سیاه و   بیانگر سفید است ، تغییر دهیم . تمام مقادیر میانی سایه های خاکستری هستند که به طور پیوسته از سیاه تا سفید تغییر می کنند[1] .

     

      4-1: تشخیص صورت

    یکی از مهم ترین کاربرد های پردازش تصویر دیجیتال در زمینه ی تشخیص صورت است . تشخیص صورت ، محبوبیت و اهمیت زیادی را در جامعه بصری کامپیوتری[14] بدست آورده است . با حضور همزمان تکنولوژی اطلاعاتی جدید و رسانه های گروهی ، روش های موثر تر و آشنا تری برای برهم کنش های انسان – کامپیوتر[15] (HSI) توسعه داده می شوند ، واسط های انسان – کامپیوتر که بر مبنای حالات چهره و حرکات بدن انسان می باشند ، به عنوان روش هایی مورد استفاده قرار گرفته اند که جایگزین واسط های سنتی از قبیل صفحه کلید ،‌ ماوس و نمایشگر ها شده اند . تحقیقات در حال گسترش در ارتباط با پردازش صورت بر این اساس هستند که اطلاعاتی درباره هویت ، موقعیت و مقصود یک کاربر از تصاویر قابل استخراج باشند و متعاقباً کامپیوتر متناظر هم بتواند واکنش نشان دهد . تلاش های صورت گرفته در پردازش صورت ، شامل شناسایی صیورت ، ردیابی صورت ، شناسایی حالت چهره ، تصدیق صورت و تشخیص صورت می باشد . برای ساختن سیستم های خودکاری که اطلاعات قرار کرفته در تصاویر صورت را آنالیز کنند ، الگوریتم های موثر و قدرتمندی از تشخیص صورت مورد نیاز است . با داشتن یک تصویر مجزا ،‌ هدف تشخیص صورت ، تعیین تمام نواحی صورت است که شامل صورت می باشند ، با صرف نظر کردن از وضعیت سه بعدی تصویر ، جهت و شرایط روشنایی آن . در سالهای اخیر فعالیت های بسیاری در زمینه ی شناسایی و تشخیص صورت انجام گرفته است . کاربردهای نظارتی و کنترلی و تجاری بسیاری در حوزه این فعالیت ها ،‌توسعه داده شده اند . تکنیک های بیشماری برای تشخیصی صورت در تصاویر مجزا پیشنهاد شده اند . این روش ها به دو دسته کلی تر مبتنی بر ویژگی و تصویر تقسیم بندی شده اند . که هر یک مزایا و معایب خاص خود را دارند . از بین این روش ها ، روش مبتنی بر رنگ و شبکه ی عصبی و ماشین بردار حمایتی (SVM)  ، رایج تر هستند و کارایی آنها به مراتب بیشتر از سایر روش هاست . تکنیک های مبتنی بر رنگ اغلب خیلی مطمئن هستند ،‌ اما ممکن است که منجر به تشخیص های غلط بی شماری شوند ، در نتیجه نیاز به آن دارند که با سایر روش ها ترکیت شوند . شیوه های شبکه ی عصبی و ماشین بردار حمایتی که مبتنی بر الگوریتم های یادگیری و رده بندی هستند عمدتاً شامل پارامتر های بی شماری هستند که نیار به تنظیم دارند که مسلماً این عملیات وقت گیر است . با داشتن یک تصویر دلخواه به عنوان ورودی ، که می تواند از ویدئو و یا یک عکس بی جانی ، ‌حاصل آمده باشد ، هدف تشخیص صورت ، تعیین این مساله است که آیا صورتی در تصویر وجود دارد یا خیر ، و اگر وجود داردموقعیت و محدوده ی هر صورت را برمی گرداند . فعالیت هایی که در زمینه ی تشخیص صورت ، انجام گرفته به اوایل سال 1970 بر می گردد . هر چند برای بیشتر از بیست سال است که این امر توسط مهندسان و روانشناسان مورد مطالعه ی جدی قرار گرفته است ،‌و مخصوصاً از سال 1995 ، روش های بسیاری در تلاش برای حل این مسئله ، توسعه داده شده اند . در حقیقت ما تصاویری را که فقط حاوی قورت باشد را دریافت نمی کنیم . به سیستمی نیاز هست که صورت ها را در تصاویر درهم ، تشخیصی ،‌تعیین موقعیت و جدا کند و در نتیجه ی آن ، این صورت های جداسازی شده می توانند به عنوان ورودی به سیستم های تشخیص [16]چهره تحویل داده شوند . عمل تشخیص صورت برای مغز بشری ، یک عمل جزئی و کم اهمیت است ، در حالی که هنوز چالش ها و مشکلات سختی را برای آنکه کامپیوتر قادر به انجام تشخیص صورت ،‌ باشد باقی گذاشته است . 

  • فهرست:

    ندارد.


    منبع:

     

    [1]رافائل سی. گونزالس،‌ ریچارد ای. وودز، ترجمه دکتر مرتضی خادمی و مهندس داوود جعفری، پردازش تصویر رقمی، چاپ سوم، موسسه چاپ و انتشارات دانشگاه فردوسی مشهد، بهار 1385

     http://www.cs.uiowa.edu/~mfleck/vision-html/naked-skin.html [2]

    [3] Kapur , Jay P. , " Face Detection in Color Images " , University of Washington Department of Electrical Engineering , EE499 Capstone Design Project Spring 1997

    [4] D. Maio and D. Maltoni, “Real-time face location on grayscale static images,’’ Pattern Recognition, vol.33, no. 9, pp. 1525-1539, Sept. 2000

     

    [5] H. A. Rowley, S. Baluja, and T. Kanade, “Neural Network-Based Face Detection,” IEEE Trans. PAMI, vol. 20, pp. 23-38, Jan. 1998

     

    [6] K. K. Sung and T. Poggio, “Example-Based Learning for View-Based Human Face Detection,” IEEE Trans. PAMI, vol. 20, pp. 39-51, Jan. 1998

     

    [7] H. Schneiderman and T. Kanade, “A Statistical Method for 3D Object Detection Applied to Faces and Cars,” IEEE CVPR, June 2000

     

    [8] M. Abdel-Mottaleb and A. Elgammal, “Face Detection in complex environments from color images,’’ IEEE ICIP, pp. 622-626, Oct. 1999

     

    [9] J.C. Terrillon, M. N. Shirazi, H. Fukamachi, and S. Akamatsu, “Comparative performance of different skin chrominance models and chrominance spaces for the automatic detection of human faces in color images,’’ Proc. IEEE Int’l Conf. on Face and Gesture Recognition, pp. 54-61, 2000

     

    [10] T. Horprasert, Y. Yacoob, and L. S. Davis, “Computing 3-D Head Orientation from a Monocular Image,” Proc. Int’l Conf.  Automatic Face and Gesture Recognition, pp. 242-247, Oct. 1996

     

    [11] F. Smeraldi, O. Carmona, and J. Bign, “Saccadic search with Gabor features applied to eye detection and real-time head tracking,’’ Image and Vision Computing, vol. 18, no. 4, pp. 323-329, 2000.

     

    [12] W. Huang, Q. Sun, C.-P. Lam, and J.-K. Wu, “A Robust Approach to Face and Eyes Detection from Images with Cluttered Background,’’ ICPR, vol. 1 , pp. 110-114, Aug. 1998

    [13] P. T. Jackway and M. Deriche, “Scale-space properties of the multiscale morphological dilation-erosion,’’ IEEE Trans. PAMI,  vol. 18, pp. 38-51, Jan. 1996

     

    [14] C. Kotropoulos, A. Tefas, and I. Pitas, “Frontal face authentication using morphological elastic graph matching,’’ IEEE Trans. Image Processing, vol. 9, pp. 555-560, April 2000.

     

    [15] R. L. Hsu, M. Abdel-Mottaleb, and A. K. Jain, “Managing personal photo collection based on human faces,’’ Tech. Report, Michigan State Univ., Jan. 2001

     

    [16] Heinrich-Hertz-Institut (HHI) http://www.hhi.de/

    [17] The Champion dataset http://www.libfind.unl.edu/alumni/events/champions/

     

    [18] Hsu,Rein-Lien, Abdel-Mottaleb, Mohamed  , Jain , Anil K." FACE DETECTION IN COLOR IMAGES" , Dept. of Computer Science & Engineering, Michigan State University, MI 48824 * Philips Research, 345 Scarborough Rd., Briarcliff Manor, NY 10510

    Email: {hsureinl, jain}@cse.msu.edu, mohamed.abdel-mottaleb@philips.com

    [19] P.C. Cosman, R.M. Gray, M. Vetterli. “Vector Quantization of Image Subbands: A Survey.” IEEE Trans. on Image Processing. 5:2. pp. 202-225. Feb., 1996

     

    [20] 4]B. D. Ripley. Pattern Recognition and Neural Networks. Cambridge University Press. 1996

     

    [21] V. N. Vapnik. The Nature of Statistical Learning Theory. Springer, 1995

     

    [22] Y. Freund, R. E. Shapire. “A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting.” Journal of Computer and System Sciences. 55:1, pp. 119-139. 1997

     

    [23] R. E. Shapire, Y. Singer. “Improving Boosting Algorithms Using Confidence-rated Predictions.” Machine Learning 37:3, pp. 297-336. December, 1999

     

    [24] H. Schneiderman and T. Kanade. “Probabilistic Modeling of Local Appearance and Spatial Relationships for Object Recognition.”  CVPR ‘98. pp. 45-51

     

    [25] K-K Sung, T. Poggio. “Example-based Learning of View-Based Human Face Detection.” ACCV ‘95 and AI Memo #1521, 1572, MIT

     

    [26] H. Rowley, S. Baluja, T. Kanade. “Neural Network-Based Face Detection.” PAMI 20(1), January, 1998

     [27] Schneiderman , Henry , Kanade , Takeo , " A Statistical Method for 3D Object Detection Applied to Faces and Cars ", Robotics Institute , Carnegie Mellon University , Pittsburgh , PA 15213

     [28] J. Terrillon, M. David, and S. Akamatsu. Automatic detection of human faces in natural scene images by use of a skin color model and of invariant moments. In Proc. of the Third International Conference on Automatic Face and Gesture Recognition, pages 112–117, Nara, Japan, 1998

     

    [29] H. Rowley, S. Baluja, and T. Kanade. Neural network-based face detection. In Proc. IEEE Conf. on Computer Vision and Pattern Recognition, pages 203–207, San Francisco, CA, 1996

     

    [30] M.P. Dubuisson and A.K. Jain. A modified Hausdorff distance for object matching. In ICPR94, pages A:566–568, Jerusalem, Israel, 1994

     

    [31] W. Rucklidge. Efficient Visual Recognition Using the Hausdorff Distance, volume 1173 of Lecture notes in computer science. Springer, 1996

    [32] Jesorsky , Oliver , Kirchberg , Klaus J. , Frischholz , Robert W. , " Robust Face Detection Using the Hausdorff  Distance " , BioID AG , Berlin , Germany , In proc.Third International Conference on Audio- and  video-based Biometric Person Authentication, Springer ,Lecture Notes in Computer Science , LNCS-2091, pp. 90-95 ,Halmstad, Sweden, 6-8 June 2001

    [33] Oliver Jesorsky, Klaus J. Kirchberg, and Robert W. Frischholz. Robust Face Detection Using the Hausdor® Distance. In Josef Bigun and Fabrizio Smeraldi, editors,  Audio- and Video-Based Person Authentication - AVBPA 2001, volume 2091 of Lecture Notes in Computer Science, pages 90{95, Halmstad, Sweden, 2001. Springer

     

    [34] W. Rucklidge. E±cient Visual Recognition Using the Hausdor® Distance, volume 1173 of Lecture notes in computer science. Springer, 1996

     

    [35] M.P. Dubuisson and A.K. Jain. A modi¯ed Hausdor® distance for object matching. In ICPR94, pages A:566{568, Jerusalem, Israel, 1994

     

    [36] John H. Holland. Adaption in Natural and Arti¯cial Systems. The University of Michigan Press, Ann Arbor, 1975

     

    [37] David E. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning. Addison Wesley, 1989

     

    [38] K. Messer, J. Matas, J. Kittler, J. Luettin, and G. Maitre. XM2VTSDB: The

    extended M2VTS database. In Second International Conference on Audio and Video-based Biometric Person Authentication, pages 72{77, March 1999

     

    [39] BioID face database. http://www.bioid.com/research/index.html

    [40] F. Smeraldi, N. Capdevielle, and J. Bigun. Facial features detection by saccadic exploration of the Gabor decomposition and Support Vector Machines. In Proceedings of the 11th Scandinavian Conference on Image Analysis - SCIA 99, Kangerlussuaq, Greenland, volume I, pages 39{44, June 1999

     

    [41] Kirchberg , Klaus J. , Jesorsky , Oliver , Frischholz , Robert W. , BioID AG, Germany, in Proc. International ECCV 2002 Workshop on Biometric Authentication, Springer, Lecture Notes in Computer Science ,LNCS-2359, pp. 103-11, Copenhagen ,Denmark, June 2002

    [42] Belongie , S, Carson, C, Greenspan, H, and Malik, J, "Color- and texture- based image segmentation using EM and its application to content-based image retrieval, " Proc. 6th IEEE Int. Conf. Computer Vision , Gan . 1998

    [43] Vezhnevets, Vladimir, Sazonov, Vassili, Andreeva, Alla, " A Survey on Pixel-Based Skin Color detection Techniques" , submitted, 2003

    [44] Zarit, B. D., Super, B. J., and Quek, F. K. H., "Comparison of  five color models in skin pixel classification " , In ICCV,99 Int'l Workshop on Recognition , Analysis and Tracking of Faces and Gestures in Real-time Systems, 58-63, 1999

    [45] Terrilon, J. C., Shirazi, M. N., Fukamachi, H., and Akamatsu, S., "Comparative performance of different skin chrominance model and chrominance spaces for the automatic detection of human faces in color images", In Proc. Of the International Conference on Face and Gesture Recognition, 54-61, 2000

    [46] Brand, J., and Mason, J., "A comparative assessment of three approaches to pixellevel human skin-detection", In Proc. Of the International Conference on Pattern Recognition, vol. 1, 1056-1059, 2000

    [47] Lee, J. Y., and Yoo, S. I. , "An elliptical boundary model for skin color detection", In Proc. Of the 2002 International Conference on Imaging Science Systems, and Technology ,2002

    [48] Shin, M.C, Chang, K.I, and Tsap, L.V, "Does Colorspace Transformation Make Any Difference on Skin Detection?" , IEEE Workshop on Application of Computer Vision , Orlando, FL, Dec 2002

    [49] Yang, J, and Waibel, A, "Tracking human faces in real-time ," Proc. IEEE Workshop on Application of Computer Vision,1996

    [50] Jones, M. J., and Rehg, J. M, "Statistical color models with application to skin detection " , In Proc. Submitted, vol. 1, 274-280, 2000

    [51] Albiol, A., Torres, L., Bouman, C.A., and Delp, E. J. , " A simple and efficient face detection algorithm for video database application," on Proceedings of the IEEE International Conference on Image Processing, Vacouver, Canada, vol. 2, pp. 239-242, September 2000

    [52] Wang, H. and Chang, S-F., " A highly efficient system for automatic face region detection in mpeg video, "IEEE Transaction on circuits and system for video technology , vol. 7, no. 4, pp. 615-628, August 1997

    [53] Hsu, R.L, Abdel-Mottaleb, N., and Jain, A.K, " Face Detection in Color Images," IEEE Trans. On Pattern Analysis and Machine Intelligence Vol. 24, No. 5, pp. 696-706, 2002

    [54] Poynton, C.A. Frequently asked questions about colour. In ftp://www.inforamp.net/pub/users/poynton/doc/colour/ColorFAQ.ps.gz. 1995

    [55] Fritsch, J, Lang, S, Kleinehagenbrock. M, Fink, G. A, and Sagerer, G," Improving Adaptive Skin Color Segmentation by Incorporation Results from Face Detection", Submitted, 2003

    [56] Phung, S. L., Bouzerdoum, A., and Chai, D, "A novel skin color model in ycbcr color space and its application to human face detection" ,  in IEEE International Conference on Image Processing (ICIP, 2002), vol. 1, 289-292, 2002

    [57] Menser, B., and Wien, M., "Segmentation and tracking of facial region in color image sequences", In Proc. SPIE Visual Communication and Image Processing, 731-740, 2000

    [58] Ahlberg, J., "A system for face localization and facial feature extraction" , Tech. Rep. LiTH-ISY-R-2172, Linkoping University, 1999.

    [59] Chai, D., and Bouzerdoum, A, "A Bayesian approach to skin color classification in ycbcr  color space ", In proceedings IEEE Region Ten Conference (TENCON,2000), vol. 2, 421-424, 2000

    [60] www.jdl.ac.an/peal/image/grey-image

    [61] Saber, E. and Tekalp, A.M. , "Frontal-view Face Detection and Facial Feature Extraction using Color " , shape and Symmetry Based Cost Function" Pattern Recog Letters , vol. 19, no. 8, pp. 669-680, 1998

    [62] Marques, F., and Vilaplana, V, " A morphological approach for segmentation and tracking of human faces" , In International Conference on Pattern Recognition (ICPR,00), Vol. 1, 5064-5068, 2000

    [63] Brown, D., Craw, I., and Lewthwaite, J., " A som based approach to skin detection with application in real time system", In Proc. Of the British Machine Vision Conference , 2001

    [64] Alboil, A., Torres, L., and Delp, E. J. " Optimum color space for skin detection", In Proceedings of the International Conference on Image Processing, vol. 1, 122-124, 2001

    [65] Yang, M.,and Ahuja, N., " Gaussian mixture model for human skin color and its application in image and video database ", In Proc. Of the SPIE: Conf. on Storage and Retrieval for image and video Databases (SPIE 99), vol. 3656, 458-466, 1999

    [66] Goldstein,  A. J., Harmon, L.D., and Lesk, A. B., "Identification of Human Faces," Proc. IEEE, May 1971, vol. 59, No. 5, 748-760

    [67] Sirovich, L., and  Kirby , M., " A Low-Dimensional Procedure for the characterization of Human Faces," J. Optical Soc. Am. A, 1987, Vol. 4, No. 3, 519-524

    [68] Turk, M. A., and Pentland, A. P., " Face Recognition Using Eigenfaces," Proc. IEEE, 1991, 586-591

    [69] Bolme, D., Beveridge, R., Teixeria, M., and Draper, B., " The CSU Face Identification Evaluation System : Its Purpose , Feature and Structure," International Conference on Vision Systems, Graz, Austria, April 1-3, 2003. (Springer-Verlag) 304-311

    [70] "Eigenfaces Recognition"

    http://et.wcu.edu/aids/BioWebPages/eigenfaces.html.

    [71] Plataniotis, J. Lu, K. N., and Venetsanopoulos, A. N., " Regularized Discriminant Analysis for the Small Samole Size Problem in Face Recognition, " Pattern Recognition Letters, December 2003, Vol. 24, Issue 16: 3079-3087

    [72] Phillips, P. J., Moon, H., Risvi, S. A., and Rauss, P. J., " The FERET Evaluation Methodology for Face-Recognition Algorithms," IEEE Transaction on PAMI., 2000, Vol. 22, No. 10: 1090-1104

    [73] Blackburn, D. M., Bone, J. M., and Phillips, P. J., " facial Recognition Vender Test 2000 Evaluation Report, " February 2001,

    [74] Phillips, P. J.,  Grother, P., Micheals, R. J., Blackburn, D. M., Tabassi, E., Bone, J. M., "Face Recognition Vender Test 2002 Overview and Summary," March 2003, http://www.frvt.org

    [75] Phillips, P. J., Flynn, P. J., Scruggs, T., Bowyer,  K. W., Change, K., Hoffman, J., Marques, J., min, and Worek, W., " Overview of the face Recognition Grand Challenge," Proc. Computer Vision and Pattern Recognition Conference, San Diego, 2005

    [76] "Information technology – Biometric data interchange formats – Part 5: Face image data. " Documents ISO/IEC 19794-5:2005, 2004 ,

    [77] "] "Information technology –Face Recognition Format for Data Interchange," document 385-2004 ANSI INCITS, 2004

    [78] Phillips, P. J., Moon, H., Rauss, P., and Rizvi, S.,. The FERET evaluation methodology for face-recognition algorithms. In Proceeding Computer Vision and Pattern Recognition 97, pages 137-143, 1997

    [79] Phillips, P. J., Moon, H., Rizvi, S., and Rauss, P.,. The feret evaluation. In Phillips, P. J., Bruce, V., Fogelman Soulie, F., and Huang, T. S., editors, Face Recognition : From Theory to applications. Springer-Verlag, Berlin, 1998

    [80] Phillips, P. J., Wechsler, H., Huang, J., and Rauss, P., . The FERET database and evaluation procedure for  face-recognition algorithms. Image and Vision Computing Journal, 16(5) : 295-306, 1998

    [81] Moghaddam, B., and Pentland, A., . Probabilistic visual learning for object detection. In Proceedings of the Inter. Conf. on Computer vision, pages 786-793, 1995

    [82] Pentland, A., Moghaddam, B., and Starner, T.,. View-based and modular eigenpaces for face recognition. In Proceedings Computer Vision and Pattern Recognition 94, pages 84-91, 1994

    [83] Moghaddam, B., Naster, C., and Pentland, A., . Bayesian face recognition using deformable intensity surface. In Proceedings Computer Vision and Pattern recognition 96, pages 638-645, 1996

    [84] Egan, J. P. Signal Detection Theory and ROC Analysis. Academic Press, 1975

    [85] Green, D., and Swets, J.,. Signal Detection Theory and psychophysics. John Wiley & Sons Ltd., 1966

    [86] Rizvi, Syed A., Phillips. P. Jonathon, and Moon, Hyeonjoon. "The Feret Verification Testing Protocol for Face Recognition Algorithms", NISTIR 6281, October 1998

    [87]Chang, Henry, Robels, Ulises, "Face Detection" , EE368 Final Project Report - Spring 2000

    [88] Yang, Jie. And Waibel, Alex. " A Real-Time Face Tracker", CMU CS Technical Report"

    [89] Cai . A.,  & Goshtasby & Yu, C.,  "Detecting Human Faces in Color Images", Wright State University, U. of Illinois

    [90] Gong, Y. and Sakauchi, M. "Detection of regions matching specified chromatic features", Computer Vision and Image Understanding, vol. 61, no. 2, 1995, pp 263 – 269

    [91] Ramesh, R.,  Kasturi R. and Schunck B., Machine Vision, pp 31 - 51, McGraw Hill, New York 1995

    [92] Wyszecki, G. and Styles ,W.S. Color Science: Concepts and Methods, Quantitative Data and Formulae, second edition, John Wiley & Sons, New York 1982

     

     

اشاره: بدون شک تا به‌حال مقالات زیادی در رابطه با دوربین‌های دیجیتالی خوانده‌اید. مقالاتی که بسیار جامع و یا بسیار مختصر نوشته شده‌اند و یا حتی به کالبد شکافی همه و یا یکی از اجزای دوربین‌های دیجیتالی پرداخته‌اند. گاهی نیز دوربین‌ها با هم مقایسه شده‌اند. و ممکن است تصور کنید دیگر چیزی در مورد دوربین‌های دیجیتال وجود ندارد که نیاز به بررسی و یا اهمیت دوباره‌خوانی داشته باشد. اما ...

مقدمه: مجموعه عملیات و روش هایی که برای کاهش عیوب و افزایش کیفیت ظاهری تصویر مورد استفاده قرار می گیرد، پردازش تصویر نامیده می شود.حوزه های مختلف پردازش تصویر را می توان شامل بهبود تصاویر مختلف پزشکی مانند آشکار سازی تومور های مغز یا پهنای رگ های خونی و ... ، افزایش کیفیت تصاویر حاصل از ادوات نمایشی مانند تصاویر تلویزیونی و ویدیویی، ارتقا متون و شکل های مخابره شده در رسانه های ...

مروري گذرا بر تاريخچه تلويزيون ديجيتال و مزاياي آن 1- سخن آغازين «تلويزيون ديجيتال» عبارتي ست که در چند سال اخير در مجامع کارشناسي جهاني و سمينارهاي تخصصي در حوزه هاي مخابرات و پخش تلويزيوني در سطحي گسترده مطرح شده است، اما اين عبارت واقعا چيست

ماهيت کار عکاسان تصويرهائي را توليد و حفظ ميکنند که منظره اي را به تصوير ميکشند ، داستاني را بازگو ميکنند يا حادثه اي را ثبت ميکنند. براي خلق عکسهائي با کيفيت تجاري ، عکاسان بايد تخصص فني و خلاقيت را با هم داشته باشند . ايجاد يک تصوير موفق نياز به

گرافيک رايانه‌اي يکي از قديمي‌ترين شاخه‌هاي علوم رايانه است که به ترسيم، تغيير، و کار با تصاوير به شيوه‌هاي محاسباتي و رايانه‌اي اقدام مي‌نمايد. گرافيک رايانه‌اي يکي از پرجاذبه‌ترين و وسيع‌ترين کاربردهاي رايانه‌هاست. بازيهاي رايانه‌اي، برنامه‌هاي سا

بازشناسي تصويري گفتار به عنوان فرآيندي براي کمک به افرادي که دچار آسيب در سيستم صوتي شده‌اند، در سالهاي اخير مورد توجه محققين قرار گرفته‌ است. در اين مقاله سعي در اين بوده که سه روش براي استخراج ويژگي شکل لب ارائه شود : استخراج کانتور لب ، قطعه‌بندي

copy (نمایش دائمی، مثل اطلاعات روی کاغذ، فیلم عکاسی و موارد مشابه) 2) Soft copy (نمایش روی صفحه نمایش کامپیوتری ) 3) Electronic (خروجی در فرمت الکترونیکی شامل فایل های کامپیوتری می باشد) نمونه ای ازخروجی اطلاعات به صورت Hard Copy مراحل ایجاد و برپاییGIS درقالب پروژه: ایجاد و برپاییGIS درقالب یک پروژه شامل مراحل ورودی داده ها، مدیریت داده ها، تجزیه و تحلیل و پردازش داده ها ...

پيشگفتار: با ساخت وسايل الکترو مغناطيسي نظير انواع الکتروموتورها، بوبين ها ،رله ها وغيريه ،انسان قادر شد با بهره گيري از الکترونيک ، کنترل ابزارهاي مکانيکي را در دست گيرد و سر انجام با پيدايش ميکرو پروسسورها و با توجه به توانايي آنها در پردازش

فن آوري اطلاعات ارتباطات و مبادله اطلاعات بين سيستمها شبکه هاي محلي و شهري مشخصات مشترک بخش چهارم : پروتکل بارگذاري سيستم که پيش نويس ان توسط موسسه استاندارد وتحقيقات صنعتي ايران تهيه و تدوين شده که در پانزدهمين اجلاسيه کميته ملي استاندارد در رايانه

پیشگفتار: کلمه واترمارک یا اثر آب، به 700 سال قبل بر می گردد که در کارخانه های سنتی تولید کاغذ، الیاف نم دار را به وسیله یک مهر سخت تحت فشار قرار می دادند تا نم الیاف بر روی کاغذ بماند. از این روش برای حک مهر کارخانه بر روی کاغذ استفاده می شد. اولین بار در ایتالیا از واترمارکینگ برای مشخص کردن سازنده کاغذ استفاده شد که ارزش قانونی هم داشت. حتی در یک پرونده جنایی از همین کاغذ ها ...

ثبت سفارش
تعداد
عنوان محصول