342000
پاورپوینت
130560
کاربر
2369700
دانلود فایل
ساخت پاوپوینت با هوش مصنوعی
کم تر از 5 دقیقه با هوش مصنوعی کافه پاورپوینت ، پاورپوینت بسازید
برای شروع ساخت پاورپوینت کلیک کنید
شما در این مسیر هستید :خانه / محصولات / Powerpoint / دانلود پاورپوینت آشنایی با مراحل استخراج ویژگی از تصاویر (vision) (کد13460)
سفارش انجام پاورپوینت - بهترین کیفیت - کم ترین هزینه - تحویل در چند ساعت 09164470871 ای دی e2proir
دانلود پاورپوینت آشنایی با مراحل استخراج ویژگی از تصاویر (vision) (کد13460)
شناسه محصول و کد فایل : 13460
نوع فایل : Powerpoint پاورپوینت
قابل ویرایش تمامی اسلاید ها دارای اسلاید مستر برای ویرایش سریع و راحت تر
امکان باز کردن فایل در موبایل - لپ تاپ - کامپیوتر و ...
با یک خرید میتوانید بین 342000 پاورپینت ، 25 پاورپوینت را به مدت 7 روز دانلود کنید
فایل های مشابه شاید از این ها هم خوشتان بیاید !!!!
دانلود پاورپوینت آشنایی با استاندارد های درست نمونه گیری,جمع آوری و انتقال نمونه به آزمایشگاه (کد13471)
دانلود پاورپوینت آشنایی با نمونه سمینار تجزیه زیستی پلیمرهای مصنوعی (پلی اتیلن و پلی پروپایلن) (کد13470)
دانلود پاورپوینت گندله سازی – آماده سازی و مخلوط کردن مواد اوليه بار کوره های بلند در تولید آهن (کد13466)
دانلود پاورپوینت بررسی تاثیر منابع اجتماعی اطلاعات بر تشخیص فرصت در کسب و کارهای کوچک و متوسط (کد13458)
توضیحات محصول دانلود پاورپوینت آشنایی با مراحل استخراج ویژگی از تصاویر (vision) (کد13460)
دانلود پاورپوینت آشنایی با مراحل استخراج ویژگی از تصاویر (vision)
\nPerception
\n\nعنوان های پاورپوینت :
\n\nآشنایی با مراحل استخراج ویژگی از تصاویر (vision)
\nPerception
\nنمایش عدم قطعیت
\nتوزیع احتمال خطا
\nتوزیع نرمال
\nاستقلال متغیرهای تصادفی
\nانتشار خطا
\nمثالی ازانتشار خطا
\nسیستم انتشار خطا
\nقانون انتشار خطا
\nاستخراج ویژگی
\nویژگی
\nمدل کردن محیط
\nمثالی از استخراج ویژگی
\nاستخراح ویژگی بر اساس اطلاعات فاصله
\nاستخراج اطلاعات یک خط از داده های سنسور فاصله Line Extraction
\nاستخراج خط
\nاستفاده از هیستوگرام
\nاستخراج ویژگی از تصاویر (vision)
\nمراحل
\nآماده سازی تصویر
\nهموار سازی تصویر
\nتشخیص لبه
\nمشکلات تشخیص لبه
\nتشخیص لبه توسط روش Canny
\nتشخیص لبه توسط روش : Canny مثال یک بعدی
\nNonmaxima Suppression
\nتشخیص لبه توسط روش Canny مثال دو بعدی
\nتشخیص لبه به روش گرادیان
\nمثالی از روش Sobel
\nمقایسه روشهای تشخیص لبه
\nپیدا کردن حد آستانه بصورت پویا
\nتبدیل هاف Hough Transform
\nتبدیل هاف برای یک خط
\nتبدیل هاف برای یک دایره
\nاستخراج کف زمین Floor plane extraction
\n\n\n \n\n \n\n\n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\nتشخیص لبه توسط روش Canny\n\nمراحل انجام در یک بعد:\n\nتصویر I با G’ کانوالو میشود تا نتیجه R بدست آید\n\nقدر مطلق R بدست میآوریم\n\nمقادیری از |R| را که از یک مقدار آستانه بیشتر هستند علامت میگذاریم. مقدار آستانه طوری انتخاب میشود که پیک های ناشی از نویز حذف شوند.\n\nتشخیص لبه توسط روش : Canny مثال یک بعدی\n\na) Intensity 1-D profile of an ideal step edge).\n\nb) Intensity profile I(x) of a real edge).\n\n(c) Its derivative I’(x).\n\nd) The result of the convolution R(x) = G’ Ä I, where G’ is the first derivative of a Gaussian function).\n\nتشخیص لبه توسط روش Canny\n\nدر حالت دو بعدی به خاطر اینکه G’ جهت دار است نیاز به اعمال دو فیلتر عمود بر هم خواهیم داشت.\n\nتشخیص لبه توسط روش Canny\n\nالگوریتم تشخیص لبه در هر جهت دلخواه:\n\nتصویر(I(x,y را با (fV(x,y و (fH(x,y کانوالو کنید تا مقادیر گرادیان (Rv(x,y و (RH(x,y بدست آید.\n\nمقدار مربع مقادیر گرادیان را محاسبه کنید:\n\n(R (x,y)= R2H(x,y)+ R2V(x,y\n\nمقادیری از R (x,y) را که از یک حد آستانه بیشتر هستند علامت گذاری کنید.\n\nبا روش nonmaxima suppression مقادیری از گرادیان را که بصورت ماکزیمم محلی نیستند با صفر عوض کنید. اینکار عرض لبه ها را به یک پیکسل تغییر خواهد داد.\n\nمجموعه ای از نقاطی که مجاور هم هستند را پیدا کرده و در یک لیست مرتب شده قرار دهید. با استفاده از یک حد آستانه لبه های ضعیف را حذف کنید.\n\nNonmaxima Suppression\n\nخروجی یک اپراتور تشخیص لبه معمولا یک تصویر سیاه و سفید است که در آن مقادیر گرادیانی که بیشتر از یک حد آستانه هستند بصورت سیاه و سایر نقاط بصورت سفید ظاهر میشوند.\n\nعمل Nonmaxima Suppression باعث بوجود آمدن کانتورهائی میشود که عرض آنها فقط یک پیکسل میباشد.\n\nتشخیص لبه توسط روش Cannyمثال دو بعدی\n\nتشخیص لبه به روش گرادیان\n\nمعمولا یک روبات متحرک اگر بخواهد بصورت بلادرنگ عمل نماید با مشکل کمی زمان مواجه یوده و ممکن است قادر به استفاده از روش Canny برای تشخیص لبه نباشد. در چنین مواردی از روشهای ساده شده این الگوریتم استفاده میشود.\n\nدر این روشها از تصویر با ماسکهای از پیش تعیین شده ای کانوالو میشود.\n\nRoberts\n\nPrewitt\n\nSobel\n\nتشخیص لبه به روش گرادیان\n\nمثالی از روش Sobel\n\nمقایسه روشهای تشخیص لبه\n\nپیدا کردن حد آستانه بصورت پویا\n\nبسیاری از الگوریتم های پردازش تصویر نیازمند استفاده از یک حد آستانه هستند.\n\nبرای یک روبات متحرک استفاده از مقدار ثابت نمیتواند مفید باشد زیرا روبات در محیطی پویا در حال حرکت است و روشنائی محیط دائم در حال تغییر میباشد.\n\nاین امکان وجود دارد که با بررسی آماری تصویر مورد پردازش مقدار آستانه را تعیین نمود.\n\nدر مورد حد آستانه تشخیص لبه میتوان از هیستوگرام مقادیر گرادیان استفاده نموده و فقط تعداد n پیکسل که دارای بیشترین مقدار هستند را انتخاب نمود.\n\nمقدار گرادیان نقطه ای که n مشخص میکند بعنوان حد آستانه انتخاب میشود.\n\nپیدا کردن حد آستانه بصورت پویا\n\nb) Same as (a), but with logarithmic scale)\n\nتبدیل هاف Hough Transform\n\nتبدیل هاف روشی ساده برای پیدا کردن یک شکل مشخص در تصویر میباشد. این روش برای منحنی هائی استفاده میشود که قابل بیان در فضای پارامتر باشند.\n\nهر نقطه xp,yp متعلق به یک خط با معادله y = m x + b باید محدویت yp = m xp + b را داشته باشد.\n\nتبدیل هاف نقاط یک تصویر را برای پیدا کردن m و b که تشکیل یک خط میدهند را مورد جستجو قرا ر میدهد.\n\nتبدیل هاف برای یک خط\n\nالگوریتم\n\nیک آرایه دو بعدی A [m,b] تشکل دهید که محورهای آن را m و b تشکیل داده باشند.\n\nآرایه فوق را با صفر عدد دهی اولیه نمائید.\n\nبرای هر پیکسل (xp, yp) موجود در تصویربرای تمام مقادیر m و b اگر رابطه\n\nyp = m xp + b\n\nبرقراربود مقدار A [m,b] را یک واحد افزایش دهید.\n\nمقادیر جدول را حستجو نموده و سلولهای با بیشترین مقدار A را پیدا کنید. هر سلول مقداری برای m و b مشخص میکند که به یک خط در تصویر تعلق دارد.\n\nتبدیل هاف برای یک دایره\n\nبرای دایره با معادله\n\nمیتوان آنرا بصورت پارامتریک زیر نوشت\n\nاستخراج کف زمینFloor plane extraction\n\nبرای پیدا کردن سطحی از زمین که روبات بتواند در روی آن حرکت کند استفاده میشود.\n\nدر بسیاری از روشهای پیاده سازی شده از اطلاعات لبه ها و رنگ استفاده میشود.\n\nبرای مواردی مفید است که:\n\nاشیا و موانع از لحاظ ظاهری با کف زمین تفاوت داشته باشند.\n\nکف زمین صاف بوده و زاویه آن با روبات مشخص باشد.\n\nموانعی که از سقف آویزان شده باشند وجود نداشته باشد.\n\nاستخراج کف زمین Floor plane extraction\n\nمراحل:\n\nدر مرحله پیش پردازش تصویر با یک گاوسین هموارسازی میشود.\n\nیک آرایه هیستوگرام H با n مقداربرای شدت تصویر مربوط به نمونه کف ایجاد میشود که مقادیر اولیه آن بصورت زیر باشد.\n\nH[i]=0 for i=1,...,n\n\nبرای هر پیکسل در تصویر هموارشده مقدارهیستوگرام مربوطه یکواحد افزایش داده میشود H[If(x,y)] +=1\n\nاستخراج کف زمین Floor plane extraction\n\nگاهی اوقات چندین هیستوگرام یک بعدی از شدت تصویر، Hueو saturation ایجاد میشود.\n\nبرای دسته بندی یک پیکسل بعنوان کف زمین و یا مانع، مقدار شدت آن پیکسل با مقادیر موجود در هیستوگرام مقایسه شده و اگر از یک مقدار آستانه کمتر بود بعنوان مانع و در غیر اینصورت بعنوان کف زمین علامت گذاری میشود.\n\nاین روش برای کاربردهای داخل و خارج اتاق نظیر ویلچیرهای خودکار و روباتهای چمن زن استفاده شده است.\n\n \n\n \n\n30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و توجیهی | پایان-نامه | پی دی اف مقاله ( کتاب ) | نقشه | پلان طراحی | های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )
