AIcode مرجع تخصصی هوش مصنوعی

<aicode>

 

 

 

 

 

جهت خصوصی‌سازی و سفارشی‌سازی پروژه‌ها یا دریافت توضیحات و اطلاعات بیشتر از طریق فرم یا شماره تماس در صفحه تماس با ما اقدام کنید.

تشخیص اشیا در تصاویر (Object Detection) و دنبال کردن اشیا (Object Tracking) در ویدیو از حوزه‌های پرکاربرد پردازش تصاویر می‌باشد. در اینگونه کاربردها با استفاده از مشخصات شی موردنظر و یا با استفاده از تغییرات و اختلاف فریم‌های متوالی یک ویدیو اقدام به یافتن کشف شی موردنظر می‌کنند که ممکن است دنبال‌کردن شی موردنظر در ویدیو نیز مدنظر باشد. در این پروژه هدف یافتن تعداد اتومبیل‌های موجود در یک لاین جاده است. این پروژه مبتنی بر مدل پس‌زمینه عمل می‌کند. در ابتدا تعدادی تصاویر در شرایط مختلف طبیعی (روز، شب، برف، باران) از جاده موردنظر در تهیه می‌شود. در این تصاویر پس‌زمینه محل لاین هدف قبلا توسط یک خبره مشخص شده است. با دریافت یک تصویر ورودی، این تصویر ابتدا با همه تصاویر (ناحیه‌ای که قصد شمارش تعداد اتومبیل‌های آن را داریم) منطبق ([Image Matching [Registration) می‌شود. پس از انطباق تصویر ورودی با همه تصاویر زمینه موجود، تصویر پس‌زمینه با بیشترین هماهنگی انتخاب می‌شود. در نهایت مبتنی بر اختلاف تصویر ورودی و پس‌زمینه محل اتومبیل‌ها مشخص می‌شود. توجه شود که با استفاده از تصاویر ثابت‌تری از جاده (محل دوربین) و انتخاب پس‌زمینه‌های متنوع می‌توان دقت برنامه تهیه شده را تا حد بالایی افزایش داد و آن را کاربردی کرد. در کاربردهای همه‌منظوره می‌توان از فریم‌های متوالی یک ویدیو برای یافتن تغییرات (اختلاف) در تصاویر استفاده کرد و شی را با دقت بالایی توسط روش استفاده شده در این پروژه، تشخیص داد.

پروژه تشخیص اتومبیل در خیابان و جاده با استفاده از تکنیک‌های پردازش تصویر
500,000ریال

ادامه مطلب...

یافتن نقاط منتاظر در دو تصویر کاربردهای گسترده‌ای در زمینه‌هایی همچون تحلیل تصاویر پزشکی، ماهواره‌ای، تشخیص اشیا (دسته‌بندی) دارد. در کاربردی که در این پژوهش مدنظر قرار گرفته است قصد داریم تصاویر اسکناس ورودی را با همه تصاویر موجود در دادگان بر اساس نقاط کلیدی سیفت مقایسه کنیم و نزدیکترین الگوی به اسکناس ورودی را در دادگان تشخیص دهیم. برای این منظور تعداد نقاط تطبیق یافته را به عنوان معیار شباهت دو تصویر در نظر می‌گیریم. ابتدا همه نقاط کلیدی از دو تصویر منتطبق می‌شوند. سپس انطباق‌های چندگانه (یعنی یک نقطه متناظر با چند نقطه در تصویر دیگر شده است) حذف می‌شوند. در نهایت با استفاده از موقعیت هندسی نقاط در فضا (هموگرافی) انطباق‌های پرت حذف می‌شوند. بنابراین تعداد انطباق‌های نهایی باقیمانده نماینده خوبی برای میزان شباهت خواهد بود.

محتویات فایل قابل خرید: سورس کد پیاده سازی شده پروژه (متلب)، گزارش مختصر سورس کد و نحوه اجرا و انجام تنظیمات، دیتا ست

زبان برنامه نویسی: متلب

پروژه تشخیص اسکناس با تطبیق نقاط کلیدی سیفت (SIFT Keypoints)
500,000ریال

در این پروژه الگوریتم متعادل‌سازی هیستوگرام (Histogram Equalization) بر اساس الگوریتم ارایه شده در کتاب پردازش تصاویر دیجیتال گونزالس پیاده‌سازی شده است. الگوریتم پیاده سازی شده علاوه بر تصاویر خاکستری بر روی تصاویر رنگی نیز به کار رفته است. هدف الگوریتم متعادل‌سازی هیستوگرام، یکنواخت کردن هیستوگرام تصویر با هدف افزایش وضوح (Contrast) تصویر است.توابع پیاده‌سازی شده به زبان متلب
نحوه محاسبه هیستوگرام تصویر:
متد histg برای محاسبه هیستوگرام تصویر پیاده‌سازی شده است که قابل جایگزین با تابع imhist خود متلب نیز می‌باشد.
متعادل‌سازی هیستوگرام:
متد histogramEalization پیاده‌سازی کامل الگوریتم متعادل کردن هیستوگرام است که فقط روی یک بعد تصویر عمل می‌کند:
(contrastIm ] = histogramEqualization(Img]

متد testRGB:
در این اسکریپت تابع قبل به ازای سه مولفه R، G، B فراخوانی شده و متعادل سازی هیستوگرام برای هرکدام به طور مجزا انجام می‌شود و در نهایت نتایج با هم ترکیب می‌شوند.
متد testGray:
در این اسکریپت تابع متعادل‌سازی هیستوگرام بر روی تصویر خاکستری فراخوانی شده و متعادل سازی هیستوگرام انجام می‌شود و نتیجه نمایش داده می‌شود.
امکان انتخاب تصویر با Browse در برنامه وجود دارد.

محتویات فایل قابل خرید: سورس کدهای متلب، گزارش مختصر، دو تصویر نمونه برای آزمایش برنامه.
زبان برنامه‌نویسی: متلب

پیاده‌سازی الگوریتم متعادل‌سازی هیستوگرام (Histogram Equalization) (برای تصاویر خاکستری و رنگی)
300,000ریال

در این پروژه از یک الگوریتم تکراری مبتنی بر عملگر انبساط (Dilation)، مکمل‌گیری و اشتراک‌گیری برای پرکردن حفره‌ ها استفاده شده است.
الگوریتم‌های پر کردن حفره های تصویر جز عملگرهای مورفولوژیک روی تصاویر هستند. عملگرهای مورفولوژی روی تصاویر شامل مجموعه وسیعی از الگوریتم‌هایی است که تصاویر را بر اساس شکل آنها پردازش می‌کنند. در عملیات مورفولوژیک نتیجه عملیات یک تصویر دقیقا هم‌اندازه تصویر اصلی است. در یک عملگر مورفولوژی مقدار هر پیکسل در تصویر خروجی با مقایسه آن پیگسل در تصویر ورودی با همسایه‌های آن تعیین می‌شود.
عملگر انبساط (Dilation) در مرزهای یک شی در تصویر پیکسل‌هایی اضافه می‌کند و عملگر انقباض (erosion) پیکسل‌هایی را از تصویر حذف می‌کند. تعداد پیکسل‌هایی که به تصویر اضافه یا از آن حذف می‌شوند به سایز و شکل یک ساختار همسایگی که تعریف می‌کنیم بستگی دارد. یک ساختار همسایگی می‌تواند برای مثال یک مربع 5*5 از 1 باشد.
الگوریتم تکراری برای پرکردن نواحی (حفره‌ها):
یک الگوریتم تکراری مبتنی بر عملگر انبساط (Dilation)، مکمل‌گیری و اشتراک‌گیری برای پرکردن حفره‌ها وجود دارد. این الگوریتم نیازمند این است که از هر حفره‌ای که قصد پر کردن آن را داریم حداقل یک نقطه مشخص باشد. ماتریس X_0 در ابتدا شامل حداقل یک نقطه از حفره‌های مورد نظر است و در نهایت ماتریس X_k شامل همه نقاط حفره‌هاست. ابتدا یک ماتریس همسایگی، مثلا 8 همسایگی تعریف می‌کنیم.

محتویات فایل: فایل ورد گزارش، تصویر آزمون، سورس کد
زبان برنامه نویسی: متلب

پياده سازي الگوريتم پر كردن حفره های تصاویر
290,000ریال

در این پروژه الگورتیم آشکارسازی لبه با جاروب افقی و عمودی تصویر را پیاده سازی کرده و آنرا بر تصویر نمونه اعمال کرده و نتیجه گزارش شده است.
الگوریتم آشکارسازی لبه با جاروب افقی و عمودی:

1. افراز روشنایی‌ها به دو بخش B1 و B2: در این پروژه ما روشنایی‌های زیر 128 را متعلق به B1 و روشنایی‌های بالای 128 را به عنوان مجموعه B2 در نظر گرفتیم.
2. یافتن لبه‌های عمودی و افقی: در راستای عمودی و سپس افقی پیش می‌رویم. هر پیکسل و پیکسل قبل از آن (سطر قبل همان ستون) عضو یکی از مجموعه‌های B1 یا B2 می‌باشد. در صورتی که این دو پیکسل به دو مجموعه متفاوت تعلق داشته باشند یعنی یک لبه داریم (روشنایی لبه را Le و روشنایی عدم لبه را Lb فرض می‌کنیم). ما در این پروژه Lb و Le را به ترتیب برابر 0 و 255 در نظر گرفته‌ایم.

محتویات فایل: فایل ورد صورت مسئله، فایل ورد گزارش (8 صفحه)، تصویر آزمون، سورس کد

زبان برنامه نویسی: متلب

پیاده سازی الگوریتم‌ تشخیص لبه تصویر با جاروب افقی و عمودی
250,000ریال

تبلیغات AIcodeMahak

AIcode مرجع تخصصی آموزش مهندسی کامپیوتر و هوش مصنوعی

تماس با ما

ايميل: info@aicode.ir

عضویت در خبرنامه AIcode