آشنایی با ما
با سلام ( خوش آمدید )

این سایت در جهت معرفی علوم نوین بین رشته ای از جمله مهندسی پزشکی ، مهندسی هسته ای و پرتو پزشکی ، مهندسی برق و الکترونیک و رباتیک و کاربردهای آن در جهت کمک به مهندسان ، پزشکان ، دانشجویان عزیز و سایر علاقمندان در سرتاسر کشور عزیزمان به ویژه همه دانشجویان دانشگاه شیراز و دانشگاه علوم پزشکی شیراز در سال 1391 شروع به فعالیت کرد. همچنین این وبسایت با همکاری مرکز رشد تجهیزات پزشکی دانشگاه علوم پزشکی شیراز در جهت ارتقا سطح علمی و دست یابی راحت دوستان به مقالات علمی مهندسی پزشکی و همچنین مکانی برای تبادل نظرات و پیشنهادات دانشجویان در سراسر کشور فعالیت میکند. بدیهی است که مطالب و نظرات ارزشمند شما عزیزان ما را در این امر یاری خواهد کرد.

تدریس خصوصی کلیه دروس مهندسی برق و مهندسی پزشکی و انجام پروژه های پژوهشی و دانشجویی

shirazbme@sums.ac.ir
shiraz.bme@gmail.com

باتشکر مدیریت سایت (کارشناس ارشد مهندسی پزشکی-بیوالکتریک دانشگاه شیراز)
موضوعات
برگه ها
جستجو در وبلاگ
تاریخ: یکشنبه 27 فروردین 1396 06:05 ب.ظ
آموزش پردازش تصویر با OPENCV

آموزش های متنوع پردازش تصویر در سطوح مقدماتی و حرفه ای به همراه آرشیو بزرگ مقالات پردازش تصویر و بینایی ماشین


پکیج آموزش پردازش تصویر با استفاده از کتابخانه قدرتمند OpenCV شامل:


  • چگونگی نصب و راه اندازی OpenCV
  • جامع ترین کتاب آموزشی OpenCV
  • مطالب آموزشی OpenCV به زبان فارسی
  • نمونه برنامه های کاربردی پیاده سازی شده به کمک OpenCV
  • فیلم های ششمین کارگاه كنفرانس بینایی ماشین و پردازش تصویر ایران
  • اسلایدهای هفتمین کارگاه كنفرانس بینایی ماشین و پردازش تصویر ایران
منابع آموزشی سریع و جامع پردازش تصویر با استفاده از نرم افزار متلب(Matlab) شامل:

  • آموزش کامل متلب به زبان فارسی در قالب 13 اسلاید
  • مجموعه کتاب های آموزش متلب
  • آموزش برنامه نویسی در متلب
  • مجموعه آموزش های تخصصی پردازش تصویر در متلب 
نمونه سورس کدهای پردازش تصویر و بینایی ماشین، پیاده سازی شده با:
  • متلب
  • OpenCV
  • ++C
  • و...
کتاب ها، مقالات و آموزش ها و نمونه برنامه هایی در زمینه های:
  • آموزش تشخیص چهره دو بعدی و سه بعدی
  • تشخیص اثر انگشت
  • تشخیص اثر کف دست
  • تشخیص عنبیه
  • تشخیص پلاک خودرو
  • تشخیص متون چاپی و دست خط (OCR/HCR)
  • تشخیص الگو
  • پردازش موازی به کمک پردازنده کارت گرافیک(GPU)

مجموعه های آموزشی بینایی ماشین(Machine Vision)  و بینایی کامپیوتر(Computer Vision)
جزوات و آموزش های مفید و کاربردی گرافیک کامپیوتری
مجموعه فیلم های آموزشی Lab View به زبان فارسی
آموزش پردازش تصویر در ENVI

جهت اطلاعات بیشتر و سفارش این پکیج به ادامه مطلب مراجعه کنید
تاریخ: جمعه 25 دی 1394 11:03 ب.ظ

قابل توجه دانشجویان محترم اساتید زیر 
لطفا جهت اطلاع از نمرات و اطلاعیه های درسی بر روی لینک مربوطه کلیک نمایید.


مهندس جعفری زاده

 مهندس مهر بهشتی



تاریخ: چهارشنبه 7 مرداد 1394 07:26 ب.ظ


با استعانت از درگاه خالق نور، نهمین کنفرانس "ماشین بینایی و پردازش تصویر" توسط دانشگاه شهید بهشتی و انجمن علمی " بینائی ماشین و پردازش تصویر" در آبان ماه 1394 برگزار خواهد گردید. این کنفرانس به منظور توسعه دانش و فراهم آوردن محیطی مناسب جهت تبادل نظرات علمی و آگاهی از دستاوردهای پژوهشی محققین حوزه های بینائی ماشین و پردازش تصویر اجرا می گردد. کمیته علمی کنفرانس از کلیه پژوهشگران، صاحب نظران، متخصصان و علاقمندان دعوت می نماید تا مقالات خود را که حاوی آخرین یافته های علمی در زمینه محورهای موضوعی کنفرانس می باشند، به دبیرخانه کنفرانس ارسال نمایند.

تاریخ های مهم

  • مهلت ارسال مقالات1394/5/1 ----> 1394/5/16
  • مهلت پیشنهاد کارگاه1394/6/1
  • اعلام نتایج داوری 1394/7/15
  • مهلت ارسال نهائی مقالات پذیرش شده1394/8/1
  • زمان برگزاری کنفرانس27 و 28 آبان ماه 1394
تاریخ: دوشنبه 11 اسفند 1393 01:40 ب.ظ

آموزش تصویری پردازش تصویر با OpenCV (قسمت ششم)
در ادامه سلسله آموزش های تصویری برنامه نویسی و استفاده از opencv، اینک در قسمت ششم  آن می خواهیم مباحث جدید با محوریت کاربرد عملی آن را در اختیار شما دوستان عزیز قرار دهیم.

در قسمت قبلی آموزش ها (قسمت اول) ، (قسمت دوم) و  (قسمت سوم) (قسمت چهارم

 (قسمت پنجم) به سرفصل های زیر پرداخته شد:

1- معرفی OpenCV و لزوم استفاده از آن

2- آموزش نصب بر روی سیستم عامل لینوکس (Linux)

3- آموزش نصب بر روی سیستم عامل ویندوز (Windows)

4- معرفی رابط های کاربری (interface) رایج برای opencv

5- برنامه نویسی با زبان سی (C) و تبیین نقاط ضعف و قوت آن

6- برنامه نویسی بر اساس زبان سی پلاس پلاس (++C)

7- معرفی مقدماتی زبان پایتون (Python)

8- آموزش رسم اشکال مختلف در تصاویر با استفاده از opencv

9- نحوه ی تار کردن (Blur) عکس

10- توضیح و آشنایی با ساختار عکس ها

11- اضافه کردن نگاشت های هندسی

12- توضیح و آشنایی با هیستوگرام

13- خوشه بندی داده ها بر اساس الگوریتم میانگین (K-mean Clustering)

14- قسمت بندی یک تصویر توسط الگوریتم watershed

15- قسمت بندی یک تصویر توسط الگوریتم Grabcut

16- شناسایی و تطبیق نقاط مورد نظر و حساس در یک تصویر

17- ساخت پانوراما

18- حذف قسمت های زائد تصویر

19- افزایش نور تصاویر کم نور

20- کار با عکس های HDR

و اینک سرفصل های آموزشی قسمت  ششم عبارت است از:

1- شناسایی اشیاء

2- شناسایی صورت

3- شناسایی افراد (جمعیت)

4- تمرین ساخت یک شناساگر توسط خودتان

5- تشخیص چهره

شما می توانید در ادامه ی مطلب، لینک دانلود رایگان آموزش ها و همچنین قسمت هایی از

 این ویدیو آموزشی را مشاهده نمایید.

منبع :  رباتیکال

تاریخ: یکشنبه 7 دی 1393 06:35 ب.ظ
دانلود مقاله پردازش تصویر به زبان فارسی

پردازش دیجیتالی تصاویر از زمانی که کامپیوترها قدرت پردازشی بیشتری پیدا کرده اند، رواج بیشتری نسبت به گذشته پیدا کرده است.
در این مقاله که توسط آقای سید رضا اشرفی دوست گردآوری شده، مبانی نظری، تکنیکی و جنبه های کاربردی مباحث پردازش تصویر بررسی دقیق، و تکنیکها و الگوریتم های تشخیص چهره انسان و بازشناسی نوری حروف ( OCR ) بصورت جامع مورد بررسی قرار می گیرند.

تعداد صفحات مقاله : 24 صفحه

اندازه فایل : 462KB

لینک دانلود مستقیم

رمز فایل : www.azad-dl.com

تاریخ: دوشنبه 15 اردیبهشت 1393 05:58 ب.ظ

FACE PROCESSING PROBLEMS

Detection | Location | Tracking | Recognition | Expression | Pose


Face Detection

The proposed method performs an exhaustive multi-scale search, where the face class is described by the vertical projection of the whole face (MVface) and the horizontal projection of the eyes' region (MHeyes).

Step 1. Vertical projections of overlapped strips are obtained. The pattern of MVface is searched for, and the best candidates are selected. This process is repeated at different scales.

Step 2. For each candidate, the horizontal projection of the expected eye region is computed. This is done with a certain tolerance in position and scale. The pattern of MHeyesis searched for. If it is not found, the candidate is rejected.

Step 3. The resulting candidates are grouped and pruned. In case of overlapping, only the best candidate is selected.

SAMPLE RESULTS
CMU/MIT Face Database
UMU Face Database


Facial Feature Location

The facial feature locator takes as input the results of the face detector. It refines the location of the face by using the models of the vertical projection of the face (MVface) and the horizontal projection of the eyes' region (MHeyes). The alignment algorithm is a key problem in the three steps of the process.

Step 1. The vertical projections of the regions expected for both eyes are computed. These projections are aligned. The resulting distance is used to compute the face orientation angle. This is a robust way of using face symmetry.

Step 2. After extracting the rectified face (with an affine transform), the vertical projection of the face is computed, including a tolerance margin. This projection is aligned with respect to MVface. Consequently, the face is relocated in Y.

Step 3. The horizontal projection of the expected eyes' region is computer, including a tolerance margin. This projection is aligned with respect to MHeyes. Consequently, the face is relocated in X.

SAMPLE RESULTS
CMU/MIT and UMU Face Databases


Face Tracking

Face tracking is an iterative process which consists of prediction and relocation. To make the prediction, a trivial method (use the locations in the previous frame) or a color method (CamShift algorithm) can be used.

The relocation process is very similar to the facial feature location algorithm. The main differences are:

- The projection models used in alignment (MVface and MHeyes) are learned from the same sequence; more precisely, from the first frame in the sequence.

- The step of "orientation estimation" is now the last step in the process.

- The distances obtained from the alignment (from PVface to MVface, and from PHeyes to MHeyes) are used to detect when the tracked face is lost.

Sample Videos
Low Resolution Video


Face Recognition

Integral projections can be applied to perform biometric face recognition. Projections are extracted from all the samples in the gallery and the probe set. The scores sij between each gallery sample gi and probe pj is defined as the distance between two projections after alignment. PVface and PHeyes can be combined to obtain better recognition results.

This method outperforms template matching using correlation, the eigenfaces approach, and face recognition using Hidden Markov Models.


Facial Expression Analysis

We propose a simple method to analyze facial expressions, based in a discrete number of action units (AU). Four states are defined for the eyes (normal, closed, eyebrows raised, and eyebrows lowered) and for the mouth (closed, half opened, opened, and teeth showing).

Face detection, location and tracking are used to find the region of eyes and mouth in each frame of the video sequence. Vertical projections are extracted from these regions. There exists a classifier of eye projections, and another for mouth projections.

Sample Video and Result


Facial Pose Estimation

This method is designed to produce control signals for the navigation in a virtual environment. Thus, some heuristics are introduced and the results may not be very precise. Accuracy is sacrificed at the expense of manageability.

3D location of the face (x, y, z) and roll angle are estimated using the tracked locations of eyes and mouth. Yaw is heuristically computed using the horizontal projection of the eyes region. Pitch is estimated using the vertical projection of the face.

Sample Result of Pose
Perceptual Interface Using Pose Estimation
Sample Video of the Perceptual Interface


تاریخ: پنجشنبه 11 اردیبهشت 1393 07:29 ب.ظ

چهره نقش اساسی را در شناسایی افراد و نمایش احساسات آن ها در سطح جامعه دارد. توانایی انسان در تشخیص چهره ها قابل توجه است. انسان می تواند هزاران چهره به یاد سپرده را در طول عمرخود تشخیص دهد و در یک نگاه چهره های آشنا را حتی پس از سال ها جدایی شناسایی کند. این مهارت در مقابل تغییرات در شرایط دیداری مانند حالت چهره، سن و همچنین تغییراتی در عینک، ریش یا سبک مدل موها ایستادگی می کند.

تشخیص چهره یک موضوع مهم در کاربردهایی همچون سیستم های امنیتی، کنترل کارت اعتباری و شناسایی مجرمان شده است. برای مثال، قابلیت مدل کردن یک چهره خاص و تمیز دادن آن از یک تعداد فراوان از مدل های چهره ذخیره شده، شناسایی مجرمان را به صورت گسترده ای بهبود خواهد بخشید.
اگرچه درست است که انسان ها در تشخیص چهره توانا هستند اما نحوه کدینگ و دی کدینگ چهره ها در مغز انسان کاملا آشکار نیست. تشخیص چهره انسان برای بیش از بیست سال مورد مطالعه قرار گرفته است. توسعه یک مدل محاسباتی برای تشخیص چهره کاملا دشوار است و دلیل آن پیچیدگی چهره ها و ساختار چند بعدی بینایی است. بنابراین تشخیص چهره یک فعالیت سطح بالا در بینایی کامپیوتر است و می تواند بسیاری از تکنیک های بینایی اولیه را در بر گیرد.
مرحله اول تشخیص چهره انسان، استخراج ویژگی های آشکار از تصاویر چهره است. در اینجا یک سوال به وجود می آید که تا چه اندازه ویژگی های چهره، قابلیت اندازه گیری را دارند. بررسی های محققان در چندین سال گذشته بر آن اشاره دارد که ویژگی های خاصی از چهره برای شناسایی چهره ها توسط انسان تشخیص داده می شود.

مسائل اساسی در طراحی سیستم تشخیص الگو


zang_156_1.jpg






به طور کلی طراحی یک سیستم تشخیص الگو چندین مسئله اصلی را در بر می گیرد:
ابتدا باید در مورد نمایش داده های ورودی تصمیم گرفته شود. چرا که بایستی اشیائی که قرار است مورد تشخیص قرار گیرند، اندازه گیری شود. هر کمیت اندازه گیری شده یک ویژگی الگو یا شیء را توصیف می کند و مجموعه این ویژگی ها در یک بردار قرار می گیرند. این بردار الگو که داده ورودی را توصیف می کند، بایستی قالب بندی شود. بردارهای الگو همه یا بخشی از اطلاعات اندازه گیری شده موجود را در مورد الگوها در بر می گیرد. مجموعه الگوهای متعلق به کلاسی یکسان به گروهی از نقاط در یک فضای اندازه گیری شده نگاشت می شوند. یک مثال ساده از این مورد در شکل (1) برای دو کلاس
w1 و w2 نشان داده شده است.
دومین مسئله در تشخیص الگو، استخراج ویژگی ها یا صفات خاصی از داده ورودی دریافت شده و کاهش ابعاد بردارهای الگو است. این مورد اغلب به عنوان مسئله پیش پردازش و استخراج ویژگی معرفی می شود. عناصر ویژگی برای همه کلاس های الگو مشترک هستند و می توانند حذف شوند.
اگر یک مجموعه کامل از ویژگی های تشخیص برای هر کلاس از داده های اندازه گیری شده تعیین شود، تشخیص و دسته بندی الگوها، دشواری کمتری را در برخواهد داشت. تشخیص خودکار ممکن است به یک فرآیند تطبیق ساده یا یک جدول جستجو کاهش یابد. به هر حال در بسیاری از مسائل تشخیص الگو، در عمل، تعیین یک مجموعه کامل از ویژگی های تشخیص اگر غیرممکن نباشد دشوار است.
نکته سوم در طراحی سیستم تشخیص الگو تعیین رویه های تصمیم بهینه است که در فرآیند شناسایی و دسته بندی مورد نیاز واقع می شود. پس از آن که داده های مشاهده شده از الگوها جمع آوری شد و در فرم نقاط الگو یا بردارهای اندازه گیری در فضای الگو بیان شد، ماشینی برای تصمیم گیری نیاز است که این داده به کدام کلاس الگو تعلق دارد. بهتر است سیستم قادر به تشخیص
M کلاس مختلف الگو باشد. در این صورت فضای الگو می تواند ناحیه باشد که هر کدام نقاط الگوی یک کلاس را در بر می گیرد.
مسئله تشخیص حالا می تواند به عنوان تولید کننده ی محدوده های تصمیم که
M کلاس را روی بردارهای اندازه گیری از همدیگر جدا می کند در نظر گرفته شود. به طور کلی، این محدوده های تصمیم به وسیله توابع تصمیم تعیین می شوند.

تعداد کل صفحات : 8 1 2 3 4 5 6 7 ...
تازه ترین مطالب
لینکدونی
ابزارک ها
  • کل بازدید:
  • بازدید امروز :
  • یازدید دیروز :
  • بازدید این ماه :
  • بازدید ماه قبل :
  • تعداد نویسندگان :
  • تعداد کل مطالب :
  • آخرین بازدید :
  • آخرین بروز رسانی :


-*-*-*-*-*-*-*-*-*-*-*-*-*- *---*---*---*---*---*---*---*---*---*---*---*---*---*

.

*---*---*---*---*---*---*---*---*---*---*---*---*---* *---*---*---*---*---*---*---*---*---*---*---*---*---* *---*---*---*---*---*---*---*---*---*---*---*---*---* *---*---*---*---*---*---*---*---*---*---*---*---*---* *---*---*---*---*---*---*---*---*---*---*---*---*---* PRchecker.info -----------

  • به کدام مطالب حوزه مهندسی و پزشکی بیشتر علاقمندید؟