no-img
انجام پروژه متلب |پروژه متلب | انجام پروژه متلب برق | شبیه سازی با متلب

تشخیص ماشین قرمز در تصاویر هوایی sar image در متلب - انجام پروژه متلب |پروژه متلب | انجام پروژه متلب برق | شبیه سازی با متلب


انجام پروژه متلب |پروژه متلب | انجام پروژه متلب برق | شبیه سازی با متلب
مطالب ویژه
گزارش خرابی لینک
اطلاعات را وارد کنید .

ادامه مطلب

ZIP
تشخیص ماشین قرمز در تصاویر هوایی sar image در متلب
امتیاز 4.00 ( 1 رای )
zip
ژانویه 21, 2020
5 mb
100,000 تومان
4 فروش

تشخیص ماشین قرمز در تصاویر هوایی sar image در متلب


4/5 - (1 امتیاز)
به این پست امتیاز دهید.
تشخیص ماشین قرمز در تصاویر هوایی sar image در متلب
{score}/{best} - ({count} {votes})

تشخیص ماشین قرمز در تصاویر هوایی sar image در متلب :پروژه متلب

 

پروژه متلب : تشخیص ماشین قرمز در تصاویر هوایی در متلب:  با تشخیص پیکسل های قرمز رنگ تصویر در متلب پس از پردازش ماشین قرمز تشخیص و با مربع های ابی رنگ مشخص می گردد.

تشخیص الگو  ( Pattern Recognition )

فرض کنید می خواهید تشخیص دهید که آبجکتی که در تصویر است دایره است یا خیر . به این عمل که توسط مغز کامپیتر انجام میشود تشخیص الگو گفته می شود .

برای این منظور باید به دنبال ویژگی منحصر به فردی در دایره باشیم . به عنوان مثال مثلا در مغز انسان , دایره مکان هندسی نقاطی است که فاصله آنها از یک نقطه مشخص از آن در ذهن دارد .

در دایره ویژگی منحصر به فرد P2/S = 4R  است . البته باید به این نکته توجه کرد که منحصر به فرد بودن این ویژگی در اشکال هندسی و در آبجکت های بی شکل صادق نیست .

×  روند تشخیص الگو در کامپیوتر به شکل زیر است :

 

شماره گذاری آبجکت های درون تصویر

پروژه متلب برای تشخیص اینکه چه تعداد آبجکت در تصویر وجود دارد و هر کدام از پیکسل هل متعلق به کدام آبجکت است از روش های مختلفی استفاده می شود و به این عمل Component Labeling یا شماره گذاری اجزاء گفته می شود .

برای اختصار آخرین و سریع ترین الگوریتم موجود را برسی می کنیم :

 

ماتریسی که در صفحه قبل مشاهده می کنید یک تصویر به فرض سیاو و سفید است ( رنگ هایی که در تصویر مشاهده می کنید برای جدا کردن آبجکت ها است ) در خانه هایی که آبجکتی وجود ندارد مقدار صفر و در پیکسل هایی که آبجکت وجود دارد عدد یک وجود دارد .

از سطر اول شروع می کنیم و آنقدر در سطر حرکت می کنیم تا به اولین پیکسلی که حاوی مقدار ۱ است برسیم , این پیکسل را به عنوان اولین آبجکت در نظر می گیریم . کار را ادامه می دهیم در سطر بعد اولین مقدار ۱ که رسیدیم همسایه های ۸ گانه آنرا نگاه می کنیم . اگر بین پیکسلی که قبلا نشانه گذاری کرده بودیم و پیکسلی که الان به آن رسیدیم مسیری  وجود داشت , این ۲ پیکسل هر دو از یک آبجکت هستند , پس به این پیکسل نیز برچسب همان پیکسل قبلی را می زنیم . کار ادامه پیدا می کند تا جایی که به پیکسلی میرسیم که در شکل مشخص شده است که متعلق به آبجکت یک است ولی در همسایگی آن پیکسل برچسب گذاری نشده است .

 

پروژه متلب بدون در نظر گرفتن این موضوع برچسب جدیدی را به آن می زنیم . کار را به همین صورت ادامه میدهیم ته به پایان برسیم .

نکته قابل توجه اینجاست که آبجکت هایی که با ۲ برچسب مشخص شده اند در جایی این ۲ پیکسل به هم میرسند . در بار دوم که ماتریس تصویر را رفرش می کنیم به محل تلاقی برچسب ها که رسیدیم مقدار برچسب کوچکتر را در برچسب های بزرگتر قرار می دهیم . حال با ۲ بار رفرش کردن تصویر با فرض سیاه و سفید بودن تصویر می توان تمامی آبجکت ها را مشخص و جدا کرد .

vفاصله بین ۲ آبجکت  مینیمم پیکسل های موجود بین ۲ آبجکت .

کاربرد این کار به عنوان مثال سرعت سنج اتومبیل در اتوبان ها است.

تشخیص لبه در یک تصویر

پروژه متلب دلیل ایجاد بک لبه در تصویر اختلاف شدت نور در ۲ طرف آن محل است که به ان لبه می گوییم .لبه ها قسمتی از تصویر هستند که اشتخوان بندی تصویر را مشخص می کنند.

انواع لبه ها :   ۱ – لبه عمودی

۲ – لبه افقی

۳ – لبه مورب

 

برای یافتن لبه ها به شکل زیر عمل می کنیم :

×برای لبه های افقی از ستون اول به صورت عمودی شروع به حرکت می کنیم و هر پیکسل را با پیکسل قبل از خودش مقایسه می کنیم اگر تفاوت آنها از عدد مشخصی بیشتر باشد آنجا لبه است . در غیراین صورت به آن کاری نداریم .

×  یافتن لبه های عمودی هم به همین صورت است منتها به صورت افقی شروع به حرکت می کنیم .

×  لبه های مورب میشه گفت ترکیبی از این ۲ لبه اند به این صورت که جذر جمع مختصات هر پیکسل باید از عددی مشخص بیشتر باشد در غیر این صورت لبه نیست .

شناسایی الگو ( ادامه … )

  شناسایی الگو یکی از شاخه های هوش مصنوعی است که با طبقه بندی (کلاسه بندی) و توصیف مشاهدات سروکار دارد. . شناسایی الگو به ما کمک می کند تا داده ها (الگوها) را با تکیه بر دانش قبلی یا اطلاعات آماری استخراج شده از الگوها، طبقه بندی نماییم. الگوهایی که می بایست کلاسه بندی شوند، معمولا گروهی از سنجش ها یا اهداف هستند که مجموعه نقاطی را در یک فضای چند بعدی مناسب تعریف می نمایند.

کاربردهای بازشناسی الگو

پروژه متلب بازشناسی الگو در بسیاری از زمینه ها نقش کاربردی دارد . بازشناسی حروف، بازشناسی نویسنده، تصدیق امضاء، طبقه بندی اثر انگشت و بازشناسی گفتار نمونه هایی از این کاربردها هستند. شناسایی الگو برای تحلیل داد ه های پزشکی نیز بکار گرفته شده است.

کاربردهای بازشناسی الگو

برای مثال تفسیرالکتروکاردیوگرام، تحلیل تصاویر اشعه X  و طبقه بندی کروموزم ها را می توان نام برد.

پروژه متلب نمونه های دیگری از این کاربردها شامل طبقه بندی مناطق زراعی، مطالعه آلودگی آب ها، آشکار کردن منابع زیرزمینی و پیش بینی آب و هواست. در این نوع کاربردها ، تصاویر ارسال شده از ماهواره و تصاویر هوایی به کمک روش های بازشناسی الگو تفسیر می شوند. بازرسی تصویری و بازشناسی قطعات ماشینی، از کاربردهای صنعتی شناسایی الگو هستند. تحلیل بافت ، آشکارسازی هدف در سیگنال های برگشتی رادار یا سونار ، طبقه بندی امواج زلزله و تشخیص ذرات شیمیائی کاربردهای دیگری از بازشناسی الگو می باشند.

خروجی متلب :

تصویر ابتدایی هوایی :

پروژه متلب

خروجی متلب پس از پردازش :

فلش های ابی رنگ در تصویر مشخص کننده ماشین های قرمز هستند :

پروژه متلب

 

پروژه متلب



برچسب‌ها :
ads

درباره نویسنده

mrk kiani 401 نوشته در انجام پروژه متلب |پروژه متلب | انجام پروژه متلب برق | شبیه سازی با متلب دارد . مشاهده تمام نوشته های

دیدگاه ها


دیدگاهتان را بنویسید