فی فوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

فی فوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

دانلود پروژه نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر

اختصاصی از فی فوو دانلود پروژه نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر دانلود با لینک مستقیم و پر سرعت .

دانلود پروژه نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر


دانلود پروژه نمایش های مختلف ماتریس اسپارس  و کاربرد آن در پردازش تصویر

مقدمه:

مجموعه عملیات  و روش هایی که برای کاهش عیوب و افزایش کیفیت ظاهری تصویر مورد استفاده قرار می گیرد، پردازش تصویر نامیده می شود.حوزه های مختلف پردازش تصویر را می توان شامل بهبود تصاویر مختلف پزشکی  مانند آشکار سازی تومور های مغز یا پهنای رگ های خونی و ... ، افزایش کیفیت تصاویر  حاصل از ادوات نمایشی  مانند تصاویر تلویزیونی  و ویدیویی، ارتقا متون و شکل های مخابره شده در رسانه های مختلف مانند شبکه و فاکس و همچنین بهبود کیفیت روش های کنترل توسط بینایی ماشین و درک واقعی تر مناظر توسط ربات ها دانست.

اگرچه حوزه ی کار با تصاویر بسیار گسترده است ولی عموما محدوده ی مورد توجه در چهار زمینه ی بهبود کیفیت ، بازسازی تصاویر مختل شده، فشرده سازی تصویر و درک تصویر توسط ماشین متمرکز می گردد. در اینجا  سه تکنیک اول بررسی خواهد شد.

از آنجایی که برای کار روی تصاویر با پیکسل ها سروکار داریم و هر پیکسل نشان دهنده ی یک عنصر از یک آرایه ی دوبعدی است، کار روی تصاویر  همواره با  کار روی ماتریس ها عجین شده است. ماتریس اسپارس یا ماتریس خلوت ، ماتریسی است که درایه های صفر آن زیاد باشد و در نتیجه ذخیره ی عناصر صفر  مقرون به صرفه نیست و همواره سعی در کاهش ذخیره ی این عناصر است تا بتوان عملیات ماتریسی را سریع تر انجام داد.  در کار با تصویر با اینگونه ماتریس ها زیاد برخورد می کنیم . در این پروژه ابتدا تکنیک ها و روش های مختلف پردازش تصویر را معرفی می کنیم. در بخش بعد الگوریتم های موازی را شرح می دهیم که در GPU کاربرد دارند و با معماری موازی آشنا می گردیم. در بخش سوم برخی از الگوریتم های مربوط به ماتریس خلوت را مورد بررسی قرار می دهیم و در نهایت در بخش چهارم کاربرد این ماتریس ها را در پردازش تصویر معرفی خواهیم نمود.

و در آخر، پیاده سازی یکی از ا لگوریتم های مبحث فشرده سازی را  روی تصاویر باینری، انجام خواهیم داد و با یکی از الگوریتم های فشرده سازی مربوط به تصاویر باینری به نام Run length coding مقایسه خواهیم نمود.

 

 

بخش اول

روش های پردازش تصویر

 

توجه و روی آوردن به روش های پردازش تصاویر به اوایل سال 1920 باز می گردد، زمانی که عکس های دیجیتال برای اولین بار توسط کابل های زیردریایی از نیویورک به لندن فرستاده شد.با این حال، کاربرد مفهوم پردازش تصویر تا اواسط 1960 گسترش وپیشرفت چندانی نیافت. در  1960 بود که کامپیوتر های نسل سوم دیجیتال به بازار آمد که می توانست سرعت و حافظه بالای مورد نیاز برای پیاده سازی الگوریتم های پردازش تصویر رافراهم کند.

از آن پس، تجربه در این زمینه گسترش یافت. مطالعات و تحقیقات زیادی در این موضوع در علوم مختلف از جمله : مهندسی،  علوم کامپیوتر، علوم اطلاعات، فیزیک، شیمی، بیولوژی و داروسازی انجام شد.

نتیجه ی این تلاش ها در تکنیک های پردازش تصویر در مسائل مختلف - از بهبود کیفیت و بازیابی تصاویر گرفته تا پردازش اثر انگشت در مسائل تجاری خود رانشان داد.

در این فصل بر آنیم که تکنیک ها و روش های مختلف پردازش تصویر را معرفی و بررسی کنیم. اما پیش از پرداختن به روش ها ، برخی تعاریف پایه را ذکر خواهیم کرد.

1-1 تصویر دیجیتالی:

تصویر به عنوان ترجمه image نشانگر یک شکل دو بعدی می باشد که توسط یک وسیله ی حساس به نور مانند دوربین به وجود آمده باشد. اما picture (عکس) نشانگر هر گونه شکل دو بعدی مانند یک تابلوی نقاشی و یا یک دست نوشته است. مقصود از تصویر دیجیتال ، digital image می باشد.

یک تصویر را می توان توسط تابع دوبعدی f(x,y) نشان داد که در آن x و y را مختصات مکانی و مقدار f در هر نقطه را شدت روشنایی تصویر درآن نقطه می نامند. اصطلاح سطح خاکستری نیز به شدت روشنایی تصاویر مونوکروم (monochrome)  اطلاق میشود . تصاویر رنگی نیز از تعدادی تصویر دوبعدی تشکیل می شود.

 زمانی که مقادیر x و y و مقدار f(x,y) با مقادیر گسسته و محدود بیان شوند ، تصویر را یک تصویر دیجیتالی می نامند. دیجیتال کردن مقادیر x و y را Sampling و دیجیتال کردن مقدار f(x,y) را quantization گویند.

 

 

..............

 

 

 

 

 

 

 

 

 

 

86 صفحه فایل Word


دانلود با لینک مستقیم


دانلود پروژه نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر

دانلود فایل ورد Word پروژه پیش پردازش داده های نا متوازن با استفاده از ماشین بردار پشتیبان

اختصاصی از فی فوو دانلود فایل ورد Word پروژه پیش پردازش داده های نا متوازن با استفاده از ماشین بردار پشتیبان دانلود با لینک مستقیم و پر سرعت .

دانلود فایل ورد Word پروژه پیش پردازش داده های نا متوازن با استفاده از ماشین بردار پشتیبان


دانلود فایل ورد Word پروژه پیش پردازش داده های نا متوازن با استفاده از ماشین بردار پشتیبان

عنوان:پیش پردازش داده های نا متوازن با استفاده از ماشین بردار پشتیبان

تعداد صفحات :115

چکیده:

برای دست یابی به نتایج مطلوب در داده کاوی نیاز به پیش پردازش داده ها داریم.پیش پردازش داده ها یکی از اجزای مهم در فرایند کشف دانش است.روش های بسیاری برای پیش پردازش داده وجود دارد که می­توان از آنها استفاده کرد.اما این روش ها برای داده های نامتوازن مناسب نیستند. اصطلاح “مجموعه داده نامتوازن” عموما به مجموعه داده‌ای گفته می‌شود که در آن تعداد نمونه‌هایی که نمایانگر یک کلاس هستند از نمونه‌های دیگر در کلاس‌های متفاوت کمتر است مشکل عدم توازن کلاس در بسیاری از برنامه های کاربردی جهان واقعی به رسمیت شناخته شده است و موضوع تحقیقات یادگیری مبتنی بر ماشین قرار گرفته است از این رو اخیراً مشکل نامتوازن بودن کلاسها مورد توجه محققان در زمینه ی داده کاوی قرار گرفته است.آنها به دنبال کشف روش هایی بودند که با اعمال بر روی داده های نامتوازن به نتایج مطلوبی دست یابند.

در این پروژه روش های گوناگون پیش پردازش داده های نامتوازن مورد بحث قرار گرفته و الگوریتم جدیدی برای بهبود نتایج طبقه بندی ارائه می­شود، به گونه ای که کارایی و دقت آن مورد توجه باشد.

 

 

 

فصل اول: مقدمه و کلیات تحقیق

1-1- مقدمه

کشف دانش و داده کاوی یک حوزه جدید میان رشته ای و در حال رشد است که حوزه های مختلفی همچون پایگاه داده، آمار، یادگیری ماشین و سایر زمینه های مرتبط را با هم تلفیق کرده تا اطلاعات و دانش ارزشمند نهفته در حجم بزرگی از داده ها را استخراج کند.هدف کشف دانش و داده کاوی یافتن الگوها در پایگاه داده است که در میان حجم عظیمی از داده ها مخفی هستند]1[ .کشف دانش شامل مراحل متعددی است که در این تحقیق به مرحله پیش پردازش توجه می­کنیم.

 

مرحله آماده سازی داده ها مهم ترین و زمانبرترین مرحله در پروژه های داده کاوی است.از آنجا که داده ها در این پروژه ها ورودی پروژه هستند هر قدر این ورودی دقیق تر باشد، خروجی کار دقیق تر خواهد بود.یعنی ما از پدیده “ورودی نامناسب، خروجی نامناسب ” دور می­شویم]1[.داده های خام معمولا دچار مشکلاتی مانند نویز، داده پرت، تغییرات در نمونه برداری هستند و استفاده از آنها به همین صورت موجب تضعیف نتایج مورد انتظار میشود.بنابراین باید از روشی برای بهبود نتایج استفاده کرد.پیش پردازش داده ها جهت بهبود کیفیت داده های واقعی برای داده کاوی لازم است.بنابراین پردازش اولیه ای مورد نیاز است تا مقادیر مفقوده، انحرافات و مسائلی از این دست را در داده های اولیه بیابد. پیش پردازش داده ها شامل همه تبدیلاتی است که بر روی داده های خام صورت می­گیرد وآنها را به صورتی در می­آورد که برای پردازشهای بعدی نظیر استفاده در دسته بندی و خوشه بندی، ساده تر و موثرتر می­سازد.

در حال حاضر سازمانها نیاز دارند تا بتوانند داده ها را به صورت کاراتر دسته بندی کنند و از تحلیل نتایج آن برای بهبود روند پیشرفت کسب و کار استفاده نمایند.ممکن است که داده های در دسترس ، داده هایی مبهم و مغشوش باشند و یا کلاس های داده نامتوازن باشند. بنابراین نیاز به پیش پردازش دقیق داده ها رو به افزایش است. برای پاسخ به این نیاز رو به افزایش ، افراد همواره سعی در ارائه روش های نوین و موثرتری دارند.

1-2بیان مساله

هرچند که روشهای مختلفی برای پیش پردازش داده ها موجود است ولی عملکرد و دقت این روش ها متفاوت است و تلاش در جهت ارائه روشی کارامد امری ضروری است.با توجه به اهمیت داده ها در جهان کنونی و افزایش حجم داده ها مساله پیش پردازش مناسب داده ها، بخصوص داده های نامتوازن یک چالش به نظر می­رسد.اغلب روش های موجود در پیش پردازش داده های ناتوازن به سمت کلاس اکثریت تمایل دارند و این امر باعث می شود که داده های کلاس اقلیت به صورت نویز در نظر گرفته شود.

همانطور که پیش از این نیز گفته شد برای دست یابی به نتایج مطلوب در داده کاوی نیاز به پیش پردازش داده ها داریم.میتوان ادعا کرد که اگر مرحله آماده سازی داده ها به خوبی صورت نپذیرد، نتایجی بدست می­آید که نمی­تواند مورد استفاده قرار گیرد و ممکن است که هزینه و زمان به کار رفته برای دست یابی به نتیجه موثر هدر رود و نتایج حاصل به دلیل عدم پیش پردازش مناسب داده غیر قابل استفاده و نادرست باشد.

اخیراً مشکل نامتوازن بودن کلاسها مورد توجه محققان در زمینه ی داده کاوی قرار گرفته است. در موارد متعددی کلاسی که از نقطه نظر دامنه ی کاربردی اهمیت زیادی دارد(کلاس اصلی) شامل تعداد حالات کمتری نسبت به کلاسی است که کلاس اکثریت می­باشد. این مجموعه ی داده ها نامتوازن نامیده می­شود. رویکرد سنتی داده کاوی توانایی خوبی برای پیش بینی نمونه های اقلیت که مورد توجه است ندارند. متأسفانه در اکثر موارد داده های واقعی دارای این خصوصیت هستند. به عنوان مثال در تشخیص بیماری­های نادر، حملات شبکه، متنکاوی و … معمولاً توزیع داده­ها نامتوازن می باشد.

در واقع مساله این است که چگونه میتوان داده های نامتوازن را به گونه ای پیش پردازش کرد که در خوشه های مناسب و درست طبقه بندی شوند.بنابراین مساله این تحقیق ارائه روشی جهت پیش پردازش داده های نا متوازن است به گونه ای که کارایی و دقت آن در مقایسه با روش های دیگر بیشتر باشد.

در روش ارائه شده در این تحقیق برای ارتقای روش ماشین بردار پشتیبان از تکنیک حداقل مربعات با متر اقلیدسی استفاده نمودیم.این روش بهبود یافته را M-SVM می­نامیم.بنابراین مساله را بدین شکل طرح می نماییم، چگونه می­توان در روش پیش پردازش داده های نامتوازن به دقت بالاتری دست یافت و از پیش پردازش صحیح داده برای دست یابی به نتایج صحیح در حوزه کاربردی استفاده نمود.از انجا که داده های متفاوتی وجود دارد ما پیش پردازش بر روی مجموعه داده های نامتوازن را انتحاب کردیم.

3-1- اهداف تحقیق

هدف از این تحقیق ارائه راهکاری به منظور افزایش دقت متعادل سازی داده و غلبه بر مشکل عدم توازن کلاس است.سعی کرده ایم تا متعادل سازی داده که در مرحله پیش پردازش داده صورت می­گیرد باعث بهبود نتایج طبقه بندی نمونه ها شود.بدین منظور اثربخشی و کارایی روش ارائه شده با سایر روش های موجود مورد مقایسه و ارزیابی قرار می­گیرد.امید است که نتایج الگوریتم نهایی امیدوار کننده باشد و نشان دهنده پیشرفت الگوریتم باشد.این تحقیق بر اساس نیاز به دسته بندی دقیق داده ها و استفاده از تحلیل نتایج داده ها در بهبود شرایط مرجع مورد استفاده کننده داده ها شکل گرفته است.

فهرست مطالب:

فصل اول مقدمه و کلیات تحقیق

1-1مقدمه

1-2بیان مساله

1-3 اهداف تحقیق

1-4 پرسش های اصلی تحقیق

1-5فرضیه های تحقیق

1-6 نوآوری تحقیق

1-7 تعریف واژگان کلیدی

1-8 ساختار پروژه

فصل دوم ادبیات و پیشینه تحقیق

2-1 مقدمه

2-2 مفاهیم داده کاوی

2-2-1 تعاریف داده کاوی

2-2-2 فرایند کشف دانش

2-2-3 حوزه ها و عملکردهای داده کاوی

2-3 کاربردهای داده کاوی و کشف دانش

2-4 چالش هایی برای KDD

2-5 پیش پردازش و آماده سازی داده ها

2-5-1اجزای اصلی پیش پردازش داده ها

2-5-1-1 پاکسازی داده ها

2-5-1-2یکپارچه سازی داده ها

2-5-1-3 تبدیل داده ها

2-5-1-3-1هموار سازی

2-5-1-3-2 تجمیع

2-5-1-3-3 تعمیم

2-5-1-3-4 ساخت ویژگی

2-5-1-3-5 نرمال سازی

2-5-1-4 کاهش داده ها

2-5-1-4-1 تجمیع مکعبی داده

2-5-1-4-2 انتخاب زیر مجموعه مشخصه ها

2-5-1-4-3 کاهش تعدد نقاط

2-5-1-5 تصویر کردن برای کاهش بعد

2-6 روش های ارزیابی دسته بندی

2-6-1 ارزیابی صحت روشهای دسته بندی

2-7 تکنیک حداقل مربعات

2-7-1 تقریب کمترین مربعات گسسته چند جمله ای

2-8 ماشین بردار پشتیبان

2-8-1مقدمه

2-8-2دلایل استفاده از SVM

2-8-3 کاربردهای SVM

2-8-4 مزایا و معایب SVM

2-8-5 تعاریف کلی

2-8-5-1تابع تصمیم مسائل دو کلاسی

2-8-5-2 تعیین تابع تصمیم(ابر صفحه جداکننده)

2-8-5-3 بعد VC

2-8-5-4حداقل سازی ریسک تجربی

2-8-5-5حداقل سازی ریسک ساختاری

2-8-6 ماشین بردار پشتیبان طبقه بندی کننده خطی با داده های جدا شدنی به طور خطی

2-8-7ماشین بردار پشتیبان طبقه بندی کننده خطی با داده های جدا نشدنی به طور خطی

2-8-8 ماشین بردار پشتیبان غیر خطی

2-8-9 انواع کرنل ها

2-8-9-1 کرنل چند جمله ای

2-8-9-2 کرنل های شبکه عصبی

2-8-9-3 کرنل های گوسی

2-9 تکنیک های پیش پردازش نامتوازن

2-9-1 ماشین بردار پشتیبان و مشکل عدم توازن کلاس

2-9-1-1 عیب مشکل بهینه سازی با ناحیه مرزی نرم

2-9-1-2 نسبت بردار پشتیبان نامتوازن

2-9-2 روشهای یادگیری عدم توازن خارجی برای SVM (روشهای پیش پردازش داده)        

2-9-2-1 روشهای نمونه برداری دوباره

2-9-2-1-1زیر نمونه برداری

2-9-2-1-2بیش نمونه برداری

2-9-2-1-3 SCM

2-9-2-1-4 نمونه برداری پیشرفته

2-9-2-1-5 تکنیک بیش نمونه برداری اقلیت مصنوعی

2-9-2-1-6 نزدیک ترین همسایه فشرده(CNN)

2-9-2-1-7 نزدیک ترین همسایه تغییر یافته(ENN)

2-9-2-1-8 Tomek-Link

2-9-2-2 روشهای یادگیری جمعی

2-9-2-2-1الگوریتم آموزشی Bagging

2-9-2-2-2 الگوریتم آموزشی Boosting

2-9-3 روشهای یادگیری عدم تعادل داخلی برای ماشین بردار پشتیبان

2-9-3-1 هزینه خطای متفاوت

2-9-3-2 یادگیری یک کلاس

2-9-3-3zSVM

2-9-3-4 روشهای اصلاح کرنل

2-9-3-5 یادگیری فعال

2-9-3-6 روش های ترکیبی

فصل سوم:روش تحقیق

3-1مقدمه

3-2 ماشین بردار پشتیبان فازی برای یادگیری عدم توازن کلاس

3-2-1 روش SVMFuzzy

3-2-2متد FSVM-CIL

3-3 ماشین بردار پشتیبان حداقل مربعات (LS-SVM)

3-4 الگوریتم پیشنهادی

فصل چهارم: محاسبات و یافته های تحقیق

4-1 مقدمه

4-2 مجموعه داده ها

4-3 نتایج کارایی روش های مختلف بر روی مجموعه داده ها

فصل پنجم:نتیجه گیری و پیشنهادات

5-1 جمع بندی و نتیجه گیری

5-2 کارهای آتی

منابع و مآخذ

چکیده انگلیسی


دانلود با لینک مستقیم


دانلود فایل ورد Word پروژه پیش پردازش داده های نا متوازن با استفاده از ماشین بردار پشتیبان

دانلود تحقیق نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر

اختصاصی از فی فوو دانلود تحقیق نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر دانلود با لینک مستقیم و پر سرعت .

دانلود تحقیق نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر


دانلود تحقیق نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر

دانلود تحقیق نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر
فایل ورد و قابل ویرایش
در 84 صفحه

 

 

مقدمه:
مجموعه عملیات و روش هایی که برای کاهش عیوب و افزایش کیفیت ظاهری تصویر مورد استفاده قرار می گیرد، پردازش تصویر نامیده می شود.حوزه های مختلف پردازش تصویر را می توان شامل بهبود تصاویر مختلف پزشکی مانند آشکار سازی تومور های مغز یا پهنای رگ های خونی و ... ، افزایش کیفیت تصاویر حاصل از ادوات نمایشی مانند تصاویر تلویزیونی و ویدیویی، ارتقا متون و شکل های مخابره شده در رسانه های مختلف مانند شبکه و فاکس و همچنین بهبود کیفیت روش های کنترل توسط بینایی ماشین و درک واقعی تر مناظر توسط ربات ها دانست.
اگرچه حوزه ی کار با تصاویر بسیار گسترده است ولی عموما محدوده ی مورد توجه در چهار زمینه ی بهبود کیفیت ، بازسازی تصاویر مختل شده، فشرده سازی تصویر و درک تصویر توسط ماشین متمرکز می گردد. در اینجا سه تکنیک اول بررسی خواهد شد.
از آنجایی که برای کار روی تصاویر با پیکسل ها سروکار داریم و هر پیکسل نشان دهنده ی یک عنصر از یک آرایه ی دوبعدی است، کار روی تصاویر همواره با کار روی ماتریس ها عجین شده است. ماتریس اسپارس یا ماتریس خلوت ، ماتریسی است که درایه های صفر آن زیاد باشد و در نتیجه ذخیره ی عناصر صفر مقرون به صرفه نیست و همواره سعی در کاهش ذخیره ی این عناصر است تا بتوان عملیات ماتریسی را سریع تر انجام داد. در کار با تصویر با اینگونه ماتریس ها زیاد برخورد می کنیم . در این پروژه ابتدا تکنیک ها و روش های مختلف پردازش تصویر را معرفی می کنیم. در بخش بعد الگوریتم های موازی را شرح می دهیم که در GPU کاربرد دارند و با معماری موازی آشنا می گردیم. در بخش سوم برخی از الگوریتم های مربوط به ماتریس خلوت را مورد بررسی قرار می دهیم و در نهایت در بخش چهارم کاربرد این ماتریس ها را در پردازش تصویر معرفی خواهیم نمود.
و در آخر، پیاده سازی یکی از ا لگوریتم های مبحث فشرده سازی را روی تصاویر باینری، انجام خواهیم داد و با یکی از الگوریتم های فشرده سازی مربوط به تصاویر باینری به نام Run length coding مقایسه خواهیم نمود.
.
.
.
.


دانلود با لینک مستقیم


دانلود تحقیق نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر

حل تمرین فصل دوم پردازش تصویر دیجیتال گونزالس DIP- سوال و جواب ترجمه شده

اختصاصی از فی فوو حل تمرین فصل دوم پردازش تصویر دیجیتال گونزالس DIP- سوال و جواب ترجمه شده دانلود با لینک مستقیم و پر سرعت .

حل تمرین فصل دوم پردازش تصویر دیجیتال گونزالس DIP- سوال و جواب ترجمه شده


حل تمرین فصل دوم پردازش تصویر دیجیتال گونزالس DIP- سوال و جواب ترجمه شده

حل تمرین های فصل دوم 2 کتاب پردازش تصویر دیجیتال گونزالس که به زبان فارسی هم سوالات و هم جواب ها ترجمه شده. همراه با توضیحات کامل بصورت پله پله

ایمیل پشتیبانی :  bme.sellfile@gmail.com

 


دانلود با لینک مستقیم


حل تمرین فصل دوم پردازش تصویر دیجیتال گونزالس DIP- سوال و جواب ترجمه شده