ادغام نسبی دو تصویر در متلب با روش پواسون :پروژه متلب

ترکیب تصاویر

پروژه متلب افته برای اهدافی همچون ادراک دیداری، پردازش های کامپیوتری مناسب تر از تصاویر اولیه باشد. در فرآیند ادغام تصویر به صورت ایده آل، فرآیندی می باشد که بدون تخریب اطلاعات طیفی، اطلاعات مکانی به محیط مورد نظر وارد می شود اما این فرآیند هیچ گاه به صورت مطلوب اتفاق نمی افتد، زیرا میزان اطلاعات تصویر ثابت است.

پروژه متلب با توجه به اهمیت این موضوع استفاده از روش های ادغام تصویر با عملکرد بالا ضروری به نظر می رسد. در سال های اخیر الگوریتم ها و روش های متعددی برای ادغام تصویر معرفی شده اند ولی چون لبه ها و مرزها در تصویر ادغام شده کاملا مشخص بود و تصویر ترکیب شده، با تصویر پس زمینه مطابقت نداشتند، در این تحقیق، روش پواسون با الگوریتم پواسون به روش آنالیز فوریه پیاده سازی می شود و سعی بر آن دارد که تصویر کپی شده با تصویر پس زمینه مطابقت داشته باشد.

توزیع پواسون

پروژه متلبدر آمار و احتمال توزیع پواسون (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.

پروژه متلب 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.

پروژه متلباگر 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:

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.

پروژه متلب 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 :

پروژه متلب