دانلود فایل های آموزشی

دانلود نمونه سوال فایل های آموزشی و پژوهشی نقد و بررسی مظالب دانشگاهی پروژه های دانشجویی تحقیق و مقاله

برای دانلود متن کامل پایان نامه ها اینجا کلیک کنید

فایل-— (380)- دانلود پژوهش


پس از تشریح ضرورت انجام تحقیق و هدف این پایاننامه به بررسی و مرور روشهای رفع ماتی از تصاویر و به طور خاص رفع ماتی از تصاویر چهره پرداخته شد. همانطور که ملاحظه شد بیشتر روشهای نوین ارائه شده در زمینه رفع ماتی از تصاویر چهره و بازشناسی تصاویر چهره مات شده، مربوط به دو …


- — (380)- دانلود نمونه مقاله

پس از تشریح ضرورت انجام تحقیق و هدف این پایاننامه به بررسی و مرور روشهای رفع ماتی از تصاویر و به طور خاص رفع ماتی از تصاویر چهره پرداخته شد. همانطور که ملاحظه شد بیشتر روشهای نوین ارائه شده در زمینه رفع ماتی از تصاویر چهره و بازشناسی تصاویر چهره مات شده، مربوط به دو دسته کلی شامل استخراج ویژگیهای ثابت و غیر حساس به عوامل مات کننده جهت بازشناسی تصاویر مات شده، و رفع ماتی و افزایش تباین تصاویر چهره با استفاده از اطلاعات مرحله آموزش، میباشند. از بررسی روشهای ارائه شده در این دو دسته مشخص شد که اغلب روشهای مربوط به دستهی استخراج ویژگیهای ثابت و غیر حساس به عوامل مات کننده جهت بازشناسی تصاویر مات شده با وجود بهره مندی از سرعت عملکرد نسبتا بالا، در شرایط نویزی خوب عمل نمیکنند. در مقابل، اغلب روشهای ارائه شده مرتبط با دسته رفع ماتی و افزایش تباین تصاویر چهره با استفاده از اطلاعات مرحله آموزش به دلیل استفاده از دانش قبلی برای شناسایی PSF مربوط به عامل مات کننده تصاویر چهره، در اکثر مواقع چه در شرایط کم نویز و چه در شرایط با نویز شدید، PSF مربوط به عامل مات کننده تصاویر چهره را به خوبی شناسایی میکنند و در نتیجه به دلیل بالا بودن کیفیت تصاویر رفع ماتی شده توسط این روشها دقت بازشناسی این تصاویر نسبتا بالا میباشد. اما باید توجه داشت که این دسته از روشها به دلیل استفاده از دانش قبلی برای شناسایی PSF و رفع ماتی از تصاویر چهره با استفاده از PSF شناسایی شده، اغلب دارای سرعت عملکرد کمتری نسبت به سایر روشهای بیان شده در این زمینه میباشند. در این پایاننامه پس از بررسی مزایا و معایب روشهای ارائه شده در این زمینه، به ارائه روشی نوین مبتنی بر رفع ماتی از تصاویر چهره با استفاده از اطلاعات مرحله آموزش پرداخته شد. همانطور که قبلا گفته شد، اینگونه روشها با وجود دقت بالا در شناسایی PSF، اغلب از سرعت عملکرد کمتری نسبت به سایر روشها برخوردارند. به همین دلیل جهت افزایش سرعت عملکرد، در روش پیشنهادی در این پایاننامه برای اولین بار، اطلاعات مرحله آموزش به کمک شبکههای عصبی دستهبندی شدند که این خود سرعت عملکرد شناسایی PSF را تا حد نسبتا زیادی افزایش داد. همانطور که ملاحظه شد، روش پیشنهادی در این پایاننامه بر اساس شناساییPSF مربوط به عامل مات کننده تصویر چهره، با استفاده از یادگیری فضای ویژگی تشکیل شده از اطلاعات بیشینه مربوط به اندازه مولفه فرکانسی تصاویر چهره مات شده، پیادهسازی شد. از نقاط قوت روش پیشنهادی، میتوان از یک طرف به بالابودن دقت شناسایی PSF (دقت شناسایی بالاتر از 80%) که خود باعث بهبود کیفیت
 نکته مهم : هنگام انتقال متون از فایل ورد به داخل سایت بعضی از فرمول ها و اشکال (تصاویر) درج نمی شود یا به هم ریخته می شود یا به صورت کد نشان داده می شود ولی در سایت اصلی می توانید فایل اصلی را با فرمت ورد به صورت کاملا خوانا خریداری کنید: سایت مرجع پایان نامه ها (خرید و دانلود با امکان دانلود رایگان نمونه ها) : jahandoc.com   از طرفی از بررسی تصاویر چهره مربوط به کاربرد جهان واقعی، به این نتیجه میرسیم که ممکن است تصویر ورودی همزمان بر اثر هر دو عامل مات کننده ماتی بر اثر حرکت دوربین و ماتی بر اثر خارج زوم بودن سوژه نسبت به دوربین، مات شود؛ که در این صورت پیشنهاد میشود از یک خط لوله مشترک برای رفع همزمان این دو عامل مات کننده تصویر ورودی استفاده شود. همچنین به عنوان پژوهشهای تکمیلی روش پیشنهادی در این پایاننامه را برروی تصاویر غیر چهره اعمال کردیم و مشخص شد که این روش به نوع تصویر ورودی (چهره یا غیر چهره بودن تصویر مات شده) حساسیت ندارد. با توجه به این موضوع پیشنهاد میشود که میتوان از این روش علاوه بر کاربرد در زمینه رفع ماتی از تصاویر چهره، در زمینههای مشابه مانند رفع ماتی از تصاویر متنی نیز استفاده کرد. مراجع[1] T. Mita, T. Kaneko, B. Stenger, and O. Hori, “Discriminative Feature Co-Occurrence Selection for Object Detection,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 30, no. 7, pp. 1257-1269, July 2008. [2] P. Campisi, K. Egiazarian, Blind Image Deconvolution: Theory and Applications, CRC Press, Boca Raton, FL, USA, 2007. [3] P.C. Hansen, J.G. Nagy, D.P. O’Leary, Deblurring Images: Matrices, Spectra, and Filtering, SIAM Publisher, Philadelphia, PA, USA, 2006. [4] T.F.Chan, J.Shen, Image Processing and Analysis Variational, PDE, Wavelet, and Stochastic Methods, SIAM Publisher,Philadelphia,PA,USA, 2005. [5] W.H. Richardson, Bayesian-based iterative method of image restoration, Journal of the Optical Society of America, vol. 62, pp. 55–59, 1972. [6] L. Lucy, An iterative technique for the rectification of observed distributions, The Astronomical Journal, vol. 79, pp. 745–754, 1974. [7] N. Wiener. Extrapolation, Interpolation, and Smoothing of Stationary Time Series. The MIT Press, 1964. [8] M.C. Cho, H.S. Don, Blur identification and image restoration using a multilayer neural network, IEEE International Joint Conference on Neural Networks, vol.3, pp. 2558–2563, 1991. [9] Shiming Xiang, Gaofeng Meng, Ying Wang, Chunhong Pan, Changshui Zhang, Pattern Recognition: “Image deblurring with matrix regression and g--ient evolution”, Sci Verse Science Direct, vol. 45, pp. 2164–2179, 2012. [10] Slami Saadi, Abderrezak Guessoum, Maamar Bet--eb, Microprocessors and Microsys--s: ABC optimized neural network model for image deblurring with its FPGA implementation, Sci Verse Science Direct, vol. 37, pp.6–52, 2013. [11] Brian Heflin, Brian Parks, Walter Scheirer, Terrance Boult, “Single Image Deblurring for a Real-Time Face Recognition Sys--”, University of Colo--o at Colo--o Springs Colo--o in Proceedings of the IEEE Conference on Springs, 2010. [12] M. Cannon, “Blind Deconvolution of spatially invariant image blurs with phase,” IEEE T. on Acoustics, Speech and Signal Processing, vol. 24,no. 1, pp. 58–63, 1976. [13] T.F. Chan and C.-K. Wong, “Total Variation Blind Deconvolution,” IEEE Trans. Image Processing, vol. 7, no. 3, pp. 370-375, Mar. 1998. [14] H. Hu and G. de Haan, “Low Cost Robust Blur Estimator,” Proc. IEEE Int’l Conf. Image Processing, pp. 617-620, 2006. [15] J.H. Elder, “Local Scale Control for Edge Detection and Blur Estimation,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 20, no. 7, pp. 699-716, July 1998. [16] F. Rooms, A. Pizurica, and W. Philips, “Estimating Image Blur in the Wavelet Domain,” Proc. Fifth Asian Conf. Computer Vision, pp. 210-215, 2002. [17] H. Tong, M. Li, H. Zhang, and C. Zhang, “Blur Detection for Digital Images Using Wavelet Transform,” Proc. IEEE Int’l Conf. Multimedia and Expo, vol. 1, pp. 17-20, 2004. [18] Y. Yitzhaky and N.S. Kopeika, “Identification of Blur Parameters from Motion Blurred Images,” Graphical Models and Image Processing, vol. 59, no. 5, pp. 310-320, 1997. [19] J. Jia, “Single Image Motion Deblurring Using Transparency,” Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 1-8, 2007. [20] Masashi Nishiyama, Abdenour Hadid, Hidenori Takeshima, Jamie Shotton, Tatsuo Kozakaya, and Osamu Yamaguchi, “Facial Deblur Inference Using Subspace Analysis For Recognition of Blurred Faces,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 33, no. 4, APRIL 2011. [21] L. Yuan, J. Sun, L. Quan, and H.Y. Shum, “Image Deblurring with Blurred/ Noisy Image Pairs,” ACM Trans. Graphics, vol. 26, no. 3, pp. 1-10, 2007.

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">
تجدید کد امنیتی
Designed By Erfan Powered by Bayan