ادغام تصاویر در متلب با تکنیک ترکیب پواسون
ادغام تصاویر در متلب با تکنیک ترکیب پواسون : پروژه متلب آماده
ادغام تصاویر : ادغام تصویر (Image Fusion) فرایندي است که در آن دو یا چند تصویر از یک صحنه مشترك با یکدیگر ترکیب می شوند و تصویري جدید تولید می کنند به گونه اي که تصویر ادغام یافته براي اهدافی همچون ادراك دیداري، پردازش هاي کامپوتري مناسب تر از تصاویر اولیه باشد. در مقایسه با تصاویر ورودي، تصویر خروجی در فرایند ادغام داراي اطلاعاتی جامع تر کاملتر و قابل اعتماد تر است. در تصویر ادغام یافته توانایی تفسیر افزایش می یابد و نتایج قابل قبول تري را به همراه دارد چرا که داده هایی با ویژگی هاي متفاوت با یکدیگر ترکیب شده اند. بنابراین تصاویر ادغام یافته براي تفسیر انسان و همچنین آنالیز هاي کامپیوتري مثل تقسیم بندي استخراج ویژگی و شناسایی تصویر و کاربردي تر هستند. روش هاي مبتنی بر (IHS (Intensity-Hue-Saturation یکی از پر طرفدارترین روش های مورد استفاده در ادغام تصویر چند طیفی MS با تصویر رنگی PAN است. این ادغام براساس تبدیل فضایی RGB به IHS است. فرقی نمی کند چه مدلی از تبدیل فضایی RGB به IHS انتخاب می گردد، اصل و قاعده تبدیل IHS ادغام تصاویر براساس درک سیستم انسانی از رنگ است. در این تبدیل اطلاعات طیفی ساختار RGB در دو قسمت H و S قرار گیرد، در حالیکه بیشتر اطلاعات مکانی در مولفه I خواهد بود.
در آمار و احتمال توزیع پواسون (به انگلیسی: Poisson distribution، /ˈpwɑːsɒn/) (یا قانون پواسون اعداد کوچک) یک توزیع احتمالی گسسته است که احتمال اینکه یک حادثه به تعداد مشخصی در فاصلهٔ زمانی یا مکانی ثابتی رخ دهد را شرح می‌دهد؛ به شرط اینکه این حوادث با نرخ میانگین مشخصی و مستقل از زمان آخرین حادثه رخ دهند. (توزیع پواسون همچنین برای تعدادی از حوادث در فاصله‌های مشخص دیگری مثل مسافت، مساحت یا حجم استفاده شود) این توزیع برای اولین بار توسط Siméon Denis Poisson 1781-1840 معرفی و به ضمیمه تئوری احتمال او در سال ۱۸۳۸ در یکی از کتاب‌هایش بنامRecherches sur la probabilité des jugements en matière criminelle et en matière civile(جستاری در احتمال قضاوت‌ها در مسائل کیفری و حقوقی) چاپ شد. اولین استفادهٔ عملی از این توزیع به سال ۱۸۹۸ برمی گردد جایی که Ladislaus Bortkiewicz به بررسی تعداد تصادفی از سربازان ارتش پروس که توسط پا زدن اسب کشته شدند می‌پردازد. این اثر بیشتر بر متغیرهای تصادفی خاصی تأکید می‌کند مانند متغیر تصادفی N که تعداد ظهورها (یا ورودهای) گسسته را که در فاصله زمانی مشخصی اتفاق می‌افتند را می‌شمارد. توزیع پواسن در هر زمینه‌ای استفاده می‌شود برای مثال: فرض کنید شخصی به‌طور متوسط چهار ایمیل در روز دریافت می‌کند تعداد ایمیل‌های دریافت شده در برخی از روزها می‌تواند کمی کمتر یا بیشتر از چهار باشد ولی در بازه زمانی طولانی اگر بر دریافت ایمیل نظارت کنیم، می‌بینیم نرخ دریافت ثابت است. حال فرض کنید فرایند یا ترکیبی از چند فرایند یک جریان رویداد به صورت تصادفی تولید کنند، توزیع پواسن احتمال اینکه تعداد این رخدادها ۲٬۳٬۴ و اعداد دیگر باشد را مشخص می‌کند. توزیع پواسن درجه پراکندگی اطراف نرخ متوسط وقوع رخداد را پیش‌بینی می‌کند.
- در سیستم‌های الکتریکی: تعداد دفعاتی که زنگ یک تلفن به صدا در می‌آید
- در نجوم: فوتون‌هایی که به تلسکوپ می‌رسند
- در صنعت: تعداد محصولات معیوب یک کارخانه
- در فیزیک: تعداد ذرات؛ alpha انتشار یافته در یک ثانیه
- در زیست‌شناسی: تعداد جهش‌ها روی یک رشتهٔ معین از DNA دارای توزیع پواسن است.
اگر امید ریاضی ظهورها در این بازه λ باشد، احتمال اینکه دقیقاً k ظهور داشته باشیم (k عدد صحیح نامنفی است، k=۰، ۱، ۲، …) برابر است با:
- {\displaystyle f(k;\lambda )={\frac {\lambda ^{k}e^{-\lambda }}{k!}},\,\!}
بطوریکه
- e پایه لگاریتم طبیعی است (e=۲٫۷۱۸۲۸)
- k تعداد ظهورهای یک حادثه است که احتمالش با تابع فوق داده شده‌است.
- λ یک عدد مثبت حقیقی و برابر با امید ریاضی ظهورها در طول بازه داده شده‌است. برای مثال اگر به‌طور میانگین در هر دقیقه ۴ حادثه اتفاق بیفتد و احتمال اتفاق افتادن یک حادثه در فاصله زمانی ۱۰ دقیقه‌ای را بخواهیم، باید از توزیع پواسون با λ = ۱۰×۴ = ۴۰ استفاده کنیم.
تابع فوق به عنوان تابعی از k یک تابع جرم احتمال ست. توزیع پواسون می‌تواند به عنوان تقریبی از توزیع دوجمله‌ای در نظر گرفته شود. توزیع پواسون می‌تواند برای سیستم‌هایی بکار برده شود که دارای تعداد وقایع بسیار زیاد هستند و احتمال وقوع هر واقعه بسیار کم است؛ به عنوان یک مثال کلاسیک برای این حالت می‌توان فروپاشی هسته‌ای اتم‌ها را در نظر گرفت (احتمال فروپاشی یک اتم بسیار کم است ولی میلیون‌ها اتم در کنار یکدیگر وجود دارند که در واقع تعداد وقایع بسیاری داریم).
خروجی متلب:
دیدگاه ها