شبیه سازی مقاله حذف مه از تصاویر و ویدیو در متلب پروژه کامل برای پردازش تصویر و بینایی ماشین همراه داکیومنت فارسی:پروژه متلب

پروژه متلب : در این پروژه با کمک کانال تاریک و روشن ابتدا پیکسل های تصویر سگمنت گذاری و وزن دهی شده و سپس با کمک کنتراست تصویر پیکسل های مه و نویز از تصویر حذف می گردد.

پروژه متلب تصاویر با وسایل بسیاری گرفته می شوند، مانند دوربین ها، تجهیزات اشعه ایکس ، میکروسکوپ های الکترونی ، رادار، و اولتراسوند و… . تصویربرداری برای مقاصد مختلف مانند ، سرگرمی ، پزشکی ، کسب و کار ، صنعت ، نظامی ، امنیت ، علمی و … صورت می گیرد. پروژه متلب هدف در هر یک از موارد این است که یک مشاهده گر که می تواند انسان یا دستگاه ، اطلاعات مهم و ضروری را استخراج کند.

تصویر زیر یک نمونه کاربرد در صنعت را نشان می دهد. در این تصویر پردازش تصویر کمک می کند تا تشخیص داده شود که آیا لاستیک به درستی نصب شده است یا نه.

در بسیاری از موارد تصاویر خام به طور مستقیم قابل استفاده نمی باشند و لازم است تا به گونه ای روی آن ها پردازش صورت بگیرد. مبحث پردازش تصویر به دو بخش کلی تقسیم می شود:۱- بهبود تصویر ۲- آنالیز تصویر. به انجام تغییرات روی تصویر “بهبود تصویر” یا “image enhancement” گفته می شود. به استخراج اطلاعات از یک تصویر که توسط مشاهده گر صورت می گیرد(انسان یا دستگاه ) ، “آنالیز تصویر” یا “image analysis” گفته می شود.

بهبود تصویر اغلب به صورت شیمیایی، نوری و الکترونیکی قابل انجام است در صورتی که آنالیز تصویر بیشتر توسط انسان و وسایل الکترونیکی صورت می گیرد.

پروژه متلب پردازش تصاویر دیجیتال به حوزه ای گفته می شود که در آن تصاویر به آرایه ای از مقادیر عددی که به آن پیکسل گفته می شود ، تبدیل می شوند. برای اینکه بتوان روی تصاویر پردازش دیجیتال انجام داد و در حافظه های دیجیتال ذخیره کرد ، نیاز است تا به صورت دیجیتال درآیند. تمام تصاویری که امروزه روی دستگاه های الکترونیکی مثل کامیپوتر و موبایل داریم ، تصاویر دیجیتال هستند. در مقابل تصاویر دیجیتال تصاویر آنالوگ قرار دارند،پروژه متلب برای نمونه تصویر روی نگاتیو یک تصویر آنالوگ محسوب می شود. همانطور که گفته شد برای بهبود تصاویر آنالوگ اغلب از روش شیمیایی ، نوری استفاده می شود. البته امروزه پردازش تصاویر بیشتر در حوزه دیجیتال صورت می گیرد. به این خاطر که باعث صرفه جویی فراوان در زمان و هزینه می شود و انعطاف پذیری بسیار زیاد و دقت فراوانی دارد.

حوزه پردازش تصاویر دیجیتال به سه بخش عمده تقسیم بندی می شود،۱- فشرده سازی تصویر ،۲- بهبود و بازسازی تصویر ، ۳- آنالیز و استخراج

مشاهده می شود که یک قسمت (فشرده سازی تصویر ) پروژه متلب به دو بخش ذکر شده در بالا اضافه شده است.

۱-فشرده سازی

فشرده سازی تصویر به صورت ساده یعنی کاهش حجم ذخیره سازی تصویر. برای فشرده سازی روش های مختلفی وجود دارد. که درآینده مفصل در رابطه با آن در d-i-p بحث خواهد شد.

۲- بهبود و بازسازی تصاویر دیجیتال

این حوزه از پردازش تصویر کمک می کند تا تصاویری که از کیفیت مناسبی برخوردار نیستند ، یا دارای نویز هستند بهبود یابند. برای بهبود کیفیت از روش ها و الگوریتم ها و فیلترهای مختلفی استفاده می شود. این روش ها و فیلتر ها در حوزه های مختلف مثل حوزه مکانی یا حوزه فرکانسی روی تصاویر اعمال می شود. در رابطه با انواع فیلترها درحوزه های مختلف در مطالب بعدی توضیح بیشتری داده خواهد.

برای نمونه در زیر ، تصویر سمت چپ داری نویز می باشد که با استفاده از فیلتر میانه بهبود یافته است(تصویر راست).

در شکل زیر ، تصویر سمت چپ دارای کنتراست کم می باشد ، که با کمک هیستوگرام تصویر کنتراست آن افزایش یافته است (تصویر سمت راست).

پروژه متلب در شکل زیر ، تصویر چپ-بالا دارای یک نویز متناوب می باشد. با اعمال تبدیل فوریه دوبعدی آن را به حوزه فرکانس می بریم (تصویر سمت چپ-بالا) . برای حذف نویز کافی است در حوزه فرکانس ، آن دو نقطه روشن را از تصویر حذف کنیم تا به صورت تصویر سمت راست-پایین شود. در نهایت با گرفتن عکس تبدیل فوریه دوبعدی تصویر با حذف نویز بدست می آید بدون اینکه پس زمینه دچار تغییر شود.(تصویر سمت راست-پایین )

۳- آنالیز و استخراج ویژگی ها از تصویر

پروژه متلب استخراج ویژگی ها به این مفهوم است که اطلاعات مختلفی در مورد قسمت خاصی از تصویر بدست آوریم. مثلا تعداد دانه های برنج دریک تصویر ، یا تشیخص چره و اثر انگشت و یا اندازه گیری ابعاد یک شی و یا دنبال کردن یک شی و …. .

اولین گام برای استخراج ویژگی ها ، قطعه بندی یا سگمنت بندی (segmentation) است. از سگمنت بندی برای جداسازی اشیاء از پس زمینه استفاده می شود. سگمنت بندی معمولا با اعمال یک مقدار آستانه (Thresholding) صورت می گیرد، در این روش پیکسل هایی که دارای مقدار بیشتری هستند و و نسبت به پس زمینه روشن تر می باشند ، مقدار یک می گیرند و بقیه پیکسل ها مقدار صفر می گیرند. از آنجایی که ممکن است ، با اعمال مقدار آستانه اشیاء از یکدیگر قابل جداسازی نباشند از روش دیگری به نام “آب-پخشان” یا watershed برای جداسازی اشیاء از یکدیگر استفاده می شود.

برای نمونه در شکل زیر ، می خواهیم سنگ های موجود در تصویر بالا-چپ را شناسایی کنیم و در صورت لزوم تعداد آن ها را شمارش کنیم. تصویر بالا-راست سگمنت بندی به روش آستانه گذاری را نشان می دهد و برای جداسازی آن ها از یکدیگر از روش watershed (تصویر پایین-چپ) استفاده می کنیم. در تصویر پایین-راست با استفاده از پردازش تصویر توانستیم مرزهای سنگ های موجود در تصویر را شناسایی کنیم.

خروجی متلب :