دانلود پروژه پایان نامه با موضوع تصویر دیجیتال

اختصاصی از یارا فایل دانلود پروژه پایان نامه با موضوع تصویر دیجیتال دانلود با لینک مستقیم و پرسرعت .

دانلود پروژه پایان نامه با موضوع تصویر دیجیتال که شامل 150 صفحه میباشد:

نوع فایل : Word

فهرست محتوا

فصل اول:

 مقدمه ای بر پردازش تصویر دیجیتال

 1-1 : مقدمه

پردازش تصویر دیجیتال[1] دانش جدیدی است که سابقه آن به پس از اختراع رایانه های دیجیتال باز می گردد . با این حال این علم نوپا در چند دهه اخیر از هر دو جنبه نظری و عملی پیشرفت های چشمگیری داشته است . سرعت این پیشرفت به اندازه ای بوده است که هم اکنون و پس از این مدت نسبتاً کوتاه ، به راحتی می توان رد پای پردازش تصویر دیجیتال را در بسیاری از علوم و صنایع مشاهده نمود . علاقه به روش های پردازش تصویر دیجیتال از دو محدوده کاربردی اصلی نشات می گیرد که آن محدوده ها عبارتند از : بهبود اطلاعات تصویری به منظور تعبیر انسانی و پردازش داده های صحنه برای ادراک ماشینی مستقل . 

 1-2 : مراحل اساسی پردازش تصویر

 شکل 1-1 : مراحل اساسی پردازش تصویر دیجیتال

    1-3 : یک مدل ساده تصویر 

  4-1: تشخیص صورت 

1-5 : تشخیص و تعبیر

فصل دوم : 

بررسی دقیق تر برخی از روش های معرفی شده توسط سایر محققین در زمینه تشخیص صورت

2-1 : تشخیص صورت در تصاویر رنگی با استفاده از فیلتر پوست

   1-1-2: چکیده

در این روش یک الگوریتم اولیه برای تشخیص صورت انسان در تصاویر دیجیتالی به صورت اتوماتیک بیان شده و می تواند به عنوان مقدمه ای برای تحقیقات آتی در زمینه تشخیص صورت در تصاویر باشد. سیستم های زیادی به منظور تشخیص صورت توسط گروههای تحقیقاتی زیادی طراحی و پیشنهاد شده اند. تعدادی از این برنامه ها مانند Rawley , Raluja و Kanade بر مبنای آموزش شبکه های عصبی و محاسبه اندازه فاصله بین مجموعه های آموزشی برای تشخیص صورت می باشد. بقیه بسته های نرم افزاری که در این زمینه وجود دارند، می توانند ویژگی های مربوط به صورت را در تصا ویری تشخیص دهند که در آن ها وجود چهره انسان در جائی از تصویر محرز شده باشد. اما در روشی که در ادامه ارائه می شود  تشخیص صورت بر روی عکس های رنگی دلخواه متمرکز شده و با سیستم های نوع اول که بر مبنای ترکیب اطلاعات در مقیاس خاکستری و رنگی می باشند تفاوت دارد....

  2-1-2 : فیلتر پوست

 شکل2-1: تصویر اصلی RGB

شکل2-2: نقشه بافت

شکل2-3: تصویر رنگمایه 

شکل2-4: تصویر اشباع 

شکل2-5: نقشه پوست 

2-1-3  :  تشخیص صورت در نواحی پوست 

شکل2-6: ادغام  نقشه پوست با تصویر خاکستری 

شکل 2-7: تصویر مثبت برچسب گذاری شده

شکل2-8: تصویر منفی 

شکل 2-9: نتیجه نهایی                          

2-2 : الگوریتم تشخیص صورت بر مبنای مکان یابی ویژگی های صورت 

مقدمه

تشخیص صورت انسان اغلب به عنوان اولین قدم در کاربردهائی مثل نظارت ویدئوئی، رابطه انسان کامپیوتر، شناسائی صورت و مدیریت پایگاه تصویر می باشد. این روش شامل یک الگوریتم برای تصاویر رنگی می باشد که با وجود شرایط مختلف نور و پس زمینه های متفاوت نتایج خوبی ارائه می دهد.

این متد نواحی پوست را در تمام تصویر مشخص نموده، سپس کاندید های صورت را بر مبنای روابط فضائی نواحی پوست ایجاد می کند. سپس نقشه چشم، دهان و مرز صورت را برای بررسی هر ناحیه که به عنوان کاندیدی از یک صورت می باشد، می سازد. نتایج تجربی حاکی از موفقیت این الگوریتم در تشخیص صورت روی تعداد زیادی از تصاویر که در زمینه رنگ، موقعیت، مقیاس، چرخش، وضعیت و حالات چهره تفاوت دارند و از منابع مختلفی تهیه شده اند، می باشد. 

2-2-1 : چکیده

روش های مختلف تشخیص صورت که از تکنیک هائی مثل شبکه های عصبی، آموزش ماشین،‌ تطبیق مدل های  تغییر پذیر، تبدیل Hough ، استخراج حرکت و آنالیز رنگ استفاده می کنند، در [4] بیان شده اند. روش های مبتنی بر شبکه عصبی [5] و تصویر[6]  به تعداد زیادی از نمونه های آموزشی شامل صورت و غیر صورت نیاز دارند و برای پیدا کردن صورت در تصاویر مقیاس خاکستری طراحی شده اند. در جدید ترین متد مبتنی بر تصویر [7] با استفاده از تکنیک پارامتری تشخیص صورت از حالت تمام رخ به نیم رخ  ارتقا داده شده است. روش های مبتنی بر مدل به طور گسترده در ردیابی صورت استفاده می شود، اغلب در این روش ها فرض بر این است که مکان اولیه صورت معین می باشد. .... 

2-2-2 : الگوریتم تشخیص صورت 

شکل2-10: الگوریتم تشخیص صورت بر مبنای مکان یابی ویژگی های صورت 

 2-2-3 : جبران سازی نور و تشخیص رنگ و تن پوست

شکل2-11 : (الف) تصویر با تن زرد؛ (ب) تصویر جبران سازی شده اثر نور؛

(ج) نواحی پوست تصویر الف؛ (د) واحی پوست تصویر ب

2-2-4 : مکان یابی ویژگی های مربوط به صورت  

شکل 2-12 : پیاده سازی مکان یابی چشم برای دو نمونه 

شکل2-13 : پیاده سازی مکان یابی دهان برای دو نمونه 

شکل2-14 : مرز صورت و مثلث دهان- چشم

5-2-2 : نتایج

2-3: یک متد آماری برای تشخیص اجسام سه بعدی 

مقدمه

دراین روش یک متد آماری برای اجسام سه بعدی شرح داده می شود.آمارها نتیجه هیستوگرام بوده و هر هیستوگرام آماری از یک زیر مجموعه از ضریب موج و مکان و موقعیت آنها روی جسم را نشان می دهد.این روش برای موارد استفاده هیستوگرامهای این چنینی تنوع عظیمی از خواص بصری را نشان می دهد.این روش اولین الگوریتمی است که می تواند صورت انسان را با چرخش تشخیص دهد و همچنین تشخیص ماشین ها از نقطه نظرهای مختلف را بررسی می کند. 

2-3-1 : چکیده

تغییرات محیط احاطه شده در پروسه تشخیص اهمیت زیادی دارند.منابع نور در شدت، رنگ و موقعیتشان نسبت به جسم متنوع هستند.اطراف جسم ممکن است سایه ها را روی جسم پراکنده کند یا نورهای اضافی را روی جسم منعکس کند.

ظاهر جسم همچنین به ژست آن بستگی دارد،که همان موقعیت و جهت جسم نسبت به دوربین است.برای مثال نمای از جلووازکنار صورت یک انسان خیلی متفاوت است.

یک تشخیص دهندۀ[2] مناسب خود را با همه این موارد تطبیق داده وجسم را درهرموقعیتی که قرار بگیرد،تشخیص می دهد.

بدین منظور ازیک استراتژی دومرحله ای برای تشخیص استفاده شده است.برای از عهده برآمدن تنوع در ژست، از روشی که بر مبنای ظاهر[3] اجسام میباشد،استفاده شده است.دراین روش تشخیص دهنده هایی را که هر کدام مخصوص یک جهت خاصی از جسم هستند،با هم ادغام می شوند،که در بخش دو به تفضیل بیان می شود.سپس برای هر تشخیص دهنده از مدل آماری برای محاسبۀ باقی مانده ها استفاده می شود،که این مدل آماری هدف اصلی این روش است.... 

2-3-2 : تشخیص بر مبنای ظاهر

شکل2-15 : نمونه های آموزشی جهت 

شکل 2-16 : نمونه های آموزشی جهت 

2-3-3 : قانون تصمیم آماری

2-3-3-1 : احتمال بر اساس نتایج آماری

2-3-3-2 : تجزیۀ ظاهر به فضا،فراوانی و جهت 

2-3-3-3 : نمایش نمونه ها با زیر مجموعۀ ضریب موج 

جدول 1: نمایش موج یک تصویر

1) Intra-subband:

2) Inter-frequency:

3) Inter-orientation:

4) Inter-frequency- Inter-orientation:

2-3-3-4 : فرم نهایی تشخیص دهنده

2-3-4 :  جمع آوری آمار

2-3-5 : کاربرد تشخص دهنده ها

2-3-6 : صحت تشخیص صورت با چرخش خارج از محدوده [4] 

جدول 2 : تشخیص صورت با چرخش خارج از محدوده

 شکل 2-17 : نمونه هایی از نتایج

 2-4 : تشخیص صورت با استفاده از روش مسافت هاسدورف[5]

 مقدمه:

قدم بنیادی درپردازش شناسایی صورت[6] تقسیم صورت به تصاویر ناحیه ای است. در این قسمت یک روش مقایسه ای نشان داده می شود که مزیت آن در جداسازی تصویر به روشنایی[7] و پیش زمینه[8] است.

روش پیشنهادی برمبنای لبه[9] بوده، بر روی عکس های ثابت در مقیاس خاکستری کار می کند. روش مسافت هاسدورف به عنوان همسان ساز اندازه بین یک مدل عادی صورت و نمونه ها استفاده می شود. این روش برای کاربردهای بلادرنگ[10] مناسب است.

 2-4-1 :  چکیده

شناسایی صورت یک رشته از پردازش سیگنال است. بیشتر تکنیک ها صورت را نرمالیزه شده به دو قسمت مقیاس و جهت فرض می کند، که اجرای آنها به صحت مکان صورت تشخیص داده شده بستگی دارد. این کار، تشخیص صورت را گام اصلی در پردازش شناسایی صورت قرار داده است.

تکنیک های تشخیص صورت بسیاری وجود دارد مانند تشخیص رنگ صورت [28] و متدهای پایه ای شبکه عصبی [29]. روش های برپایی جنبش قابل اجرا در سیستم های شامل عکس نیستند. مدل های پوست برای پوست های مختلف به طور یکسان اجرا نمی شود و به تغییرات روشنایی حساس هستند. دراین قسمت یک روش برپایۀ مدل که روی عکس های خاکستری کار می کند، نشان داده می شود.

این روش قدرت و صحت تشخیص صورت و کارایی آن را بررسی کرده و آنها را بلادرنگ می سازد.

 2-4-2 : تشخیص جسم با روش هاسدورف

2-4-2-1 : تعریف

2-4-2-2 : تشخیص بر پایۀ مدل

2-4-3 : توضیح سیستم

شکل 2-18 : ویرایش تصویر

2-4-3-1 : دوره تشخیص

2-4-3-2 : پالایش

شکل 2-19 : گامهای قطعه بندی و موضعی کردن در تشخیص صورت. بالا: دوره تشخیص با مدل صورت؛ پایین: پالایش اولیه با مدل چشم.    

2-4-3-3 : انتخاب مدل

2-4-4 : صحت

شکل 2-20 : خطای نسبی؛ (الف) : نشان دادن رابطه بین موقعیت انتظاری (Cl  و Cr) و مکان تخمینی چشم ها () . (ب) : نمایش خطای نسبی

2-4-5 :  نتایج  

2-5 : مدل ژنتیک بهینه سازی مکان یابی چهره به روش هاسدورف بر پایه مسافت

 2-5-1 : مقدمه

در این روش هدف این است که مکان یابی چهره به روش  هاسدورف بر پایه مسافت  را با استفاده از مدل ژنتیک  بهینه سازی کنیم. انتخاب یک مدل لبه ای مناسب برای رنج های زیادی ازصورت های مختلف بشری یک گام مهم و اصلی در حین طراحی سیستم می باشد. در این جا یک روش بهینه سازی معرفی می شود که چنین مدلی را به وسیله الگوریتم های ژنتیک ایجاد وسپس ارتقا می بخشد. به منظور سرعت بخشیدن به پروسه و جلوگیری از اشباع  زود هنگام، یک متد خود راه انداز[11] روی مجموعه نمونه به کار می رود. چندین تابع مقدار دهی اولیه[12] تست و مقایسه شده اند.

 2-5-2 : چکیده

مکان یابی چهره یک گام بنیادی در پروسه شناسائی چهره می باشد. هدف از مکان یابی چهره این است که مشخص شود آیا در تصویر چهره ای وجود دارد یا نه ودر صورت مثبت بودن پاسخ، مختصات چهره معین شود. صحت مختصات چهره مشخص شده تاثیر بسیار زیادی روی عملیات شناسائی چهره دارد. در [33]  یک متد  قوی برای کشف چهره از مقابل، بر پایه روش هاسدورف بر پایه مسافت  ارائه شده است. الگوریتم هاسدورف بر پایه مسافت  یک مدل لبه ای از پیش تعریف شده از چهره انسان را برای پیدا کردن صورت در تصویر به کار می گیرد. با وجود این که می توان یک بیضی ساده را به عنوان یک مدل در نظر گرفت، اما استفاده از یک مدل با جزئیات بیشتر، عملیات تشخیص را بهبود می بخشد. زیرا این مدل باید نماینده تعداد زیادی از چهره ها باشد. در این روش با استفاده از یک الگوریتم ژنتیک یک مدل چهره از حافظه موقت [13] تولید و بر مبنای یک پایگاه داده [14]اختیاری از تصاویر نمونه بهینه سازی می شود. ..

 2-5-3 :  تشخیص صورت با روش  هاسدورف بر پایه مسافت

شکل 2-21 : پروسه پیدا کردن صورت

2-5-4 : مدل ژنتیک

-5-24-1 : کد های مدل

 2-5-4-2 : توابع تناسب

شکل 2-22: پروسه بهینه سازی

2-5-4-3 : پارامتر های مورد نیاز

شکل 2-23 : عملگر تقاطع برای مدل دو بعدی

2-5-4-4 : مقداردهی اولیه

2-5-5 : نتایج آزمایشات

  شکل 2-24 : نمونه هایی برای مقداردهی تصادفی الگوریتم ژنتیک

شکل 2-25 : نمونه هایی برای مقداردهی الگوریتم ژنتیک به روش لبه متوسط

 شکل 2-26 : نمونه هایی برای مقداردهی الگوریتم ژنتیک به روش دستی

نمودار یک : تابع توزیع فاصله نسبی چشم برای مجموعه تصاویر (الف) XM2VTS  و (ب) BIOID با به کارگیری بهترین مدل در هر سه روش

شکل 2-27 : مدل حاصله

 نمودار دو : تابع توزیع مسافت به دست آمده برای مجموعه تصاویر XM2VTS  و BIOID

2-5-6 : نتیجه گیری

فصل سوم :

تشخیص صورت بر مبنای رنگ پوست

3-1 : استفاده از رنگ به عنوان ابزار پردازش تصاویر رنگی

3-1-1 : مبانی رنگ

3-2 : تشخیص پوست

3-3 : مدل های رنگ

3-3-1 : مدل رنگ RGB

شکل 3-1: مکعب رنگی RGB ، نقاط در طول قطر اصلی، مقادیر خاکستری از سیاه در مبدأ تا سفید در نقطه (1 , 1 ,1) دارند

  3-3-2 : مدل رنگ CMY  

3-3-3 : مدل رنگ YIQ

3-3-4 : مدل رنگ HSI

شکل 3-2 : (الف) مثلث رنگی HSI ، (ب) هرم گونه رنگی HSI

 3-3-5 : مدل رنگ  YCbCr     

 شکل 3-3 : مکعب رنگ YCbCr

3-3-5-1: تبدیلات بین RGB   و YCbCr

شکل3-4 ارتباط بین مکعب رنگ RGB  و مکعب رنگ YCbCr  را نشان می دهد. این شکل نشان می دهد که رنگ های متعددی از RGB، رنگ YUV  مشابهی را نشان می دهند.

شکل 3-4 : مکعب رنگ RGB در مکعب رنگ YCbCr: فضای YCbCr   بزرگتر از RGB به نظر می رسد، اما در حقیقت، 75 در صد از ارزش هایش کمربندی شده اند، آن هم بدین علت است که تمام نمایشگرها RGB هستند، در نتیجه هر ارزش غیر معتبر RGB نمی تواند استفاده شود.

3-3-6 : مدل های رنگ دیگر

3-3-7 : نتیجه گیری از فضاهای رنگ

3-4 : ساختن مدل برای پوست

فصل چهارم :

 شناسایی صورت در یک پایگاه داده اختیاری

4-1 : شناسائی صورت

 4-1-1 : مقدمه

بشر معمولا از صورت برای تشخیص و شناسائی افراد استفاده می کند و پیشرفت های حاصله در طول چند دهه گذشته او را قادر ساخته که شناسائی را به صورت اتوماتیک انجام دهد.  الگوریتم های اولیه شناسائی صورت[15] مدل های هندسی ساده را به کار می بردند. اما در حال حاضر پروسه شناسائی به صورت یک علم آماری پیشرفته وروش های مچینگ[16] در آمده است. پیشرفت ها و ابداعات اساسی و مهم در طول 10 الی 15 سال گذشته تکنولوژی شناسائی صورت را به نقاط اساسی رسانده است. شناسائی صورت  هم برای تحقیق و تفحص وهم برای شناسائی هویت به کار می رود.

4-1-2 : تاریخچه

4-1-3 : روش های برجسته

principle component analysis : 1-3-1-4 

: 2-3-1-4  Linear discriminant analysis

شکل 4-1 : نمونه هایی از شش کلاس در LDA

-3-1-43:  Elastic Bunch Graph Matching

 شکل 4-2 : Elastic Bunch Graph Matching

  4-1-4 : ارزیابی دولت ایالات متحده امریکا

4-1-5 : نظر اجمالی به استاندارد ها

:6-1-4 نتیجه گیری

4-2 : قرارداد فرت[17] برای الگوریتم شناسایی صورت[18]

4-2-1 : مقدمه

دو عنصر مهم در توصیف الگوریتم شناسایی صورت، شناسایی و تأیید هستند. در شناسایی صورت، فرت یک متد سنجشی استاندارد عملی است. در این قسمت اجرایی که در سپتامبر 96 از تست فرت به دست آمده گزارش می شود. نتایج برای عکس هایی که همان روز یا روزهای دیگر یا حتی سال های متفاوت و در روشنایی های مختلف گرفته شده اند، صدق می کند.

4-2-2 : چکیده

شناسایی و تأیید هویت یک شخص دو مسئلۀ بالقوه در سیستم های شناسایی صورت است. در شناسایی، سیستم صورت ناشناخته را در عکس شناسایی می کند. یعنی در یک کتابچه الکتریکی برای شناسایی مسئله جستجو میکند. در تأیید، سیستم عکس نشان داده شده که شناسایی شده را تأیید می کند. قسمت تأیید سیستم در کنترل فعالیت ساختمان ها و ترمینال های کامپیوتری، تأیید هویت در ماشین های گویا و در مهاجرت ها در قسمت تأیید شناسایی پاسپورت در قسمت ورودی کاربرد دارد. این مسائل در زندگی روزانه ما اثر بالقوه ای دارند.

در موفقیت سیستم ها قسمت شناسایی الگوریتمشان مهم و حیاتی است. تاریخ اجرای بیشتر الگوریتم ها فقط برای شناسایی ثبت می شود که این را میرساند که شناسایی قسمت تأیید را تحت پوشش قرار داده است. ...

4-2-3 : تست سپتامبر 96 فرت

شکل 4-3 :مثال هایی از پروسه های مختلف پراب ها. المثنی  و  در طول یک سال گرفته شده ولی المثنی  و حداقل به فاصله یک سال گرفته شده اند

4-2-4 : مدل تحقیق

4-2-5 : نتایج تحقیق

نمودار سه :

نمودار چهار :

نمودار پنج :

نمودار شش :

نمودار هفت : نتایج اجرای الگوریتم ها روی هر دسته از پراب ها

4-2-6 : نتیجه گیری

فصل پنجم :

 روش انجام کار

5-1 : مقدمه

در این پروژه برای تشخیص صورت های تمام رخ در تصاویر،از روش مبتنی بر رنگ استفاده کردیم.این الگوریتم بر مبنای رنگ پوست انسان بوده و مستقل از رنگ پس زمینه می باشد.این پروسه شامل دو مرحله است.در ابتدا، نواحی پوست را از غیر پوست جدا می کنیم.سپس مکان صورت یا صورت های موجود در تصویر مشخص می شود.این برنامه با استفاده از جعبه ابزار پردازش تصویر [19] در محیط متلب نوشته شده است[87] . در ادامه مراحل انجام کار به تفضیل بیان میشود.

5-2 : مدل کردن رنگ پوست

شکل 5-1: نقاب عمومی

شکل5-2 : نقاب حاصله

شکل 5-3 : توزیع گاوسی

5-3 : جداسازی پوست

شکل 5-4 : (الف): تصویر رنگی اصلی. (ب) تصویر احتمالی پوست

شکل 5-5 : حاصله از آستانه گیری

شگل 5-6 : نمونه ای از اجرای روش فوق

5-4 : نواحی پوست[20]

شکل 5-7 : (الف) نواحی قسمت بندی شده . (ب) ناحیه احتمالی صورت

5-4-1 : یافتن تعداد سوراخ های یک ناحیه

5-4-2 : مرکز حجم[21]

5-4-3 : جهت                         

5-4-4 : عرض و ارتفاع ناحیه

5-4-5 : نسبت ناحیه

5-4-6 : الگوی صورت 

شکل 5-8 : نمونه انتخابی 

5-5 : تطبیق الگو

شکل 5-9 )الف) ناحیه احتمالی صورت. (ب) ناحیه بدون سوراخ. (ج)نتیجه ادغام تصویر مقیاس خاکستری با (ب)

شکل 5-10: (الف) الگوی اصلی. (ب) الگوی تغییر سایز یافته

شکل 5-11 : (الف) الگوی دوران داده شده. (ب) تصویر حاصل از حذف نواحی اضافی در لبه های (الف)

شکل 5-12 : تصویر در مقیاس خاکستری هم سایز با تصویر اصلی شامل الگوی ویرایش یافته

  شکل 5-13 : نمونه ای از روند کار

 5-6 راهکارهای پیشرفت این پروژه:

5-7 نتایج  :

در این پروژه هدف یافتن صورت انسان در تصاویر رنگی می باشد. در اینجا یک روش جدید ارائه شده که نواحی پوست را تقسیم بندی نموده و سپس مکان صورت را با استفاده از روش تطبیق الگو پیدا می کند. لازم به یادآوری است که منظور از صورت، نمای تمام رخ چهره انسان می باشد...

فهرست منابع

سورس نوروزی( تصویر آیینه اندروید)

اختصاصی از یارا فایل سورس نوروزی( تصویر آیینه اندروید) دانلود با لینک مستقیم و پرسرعت .

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

>>>> طرح ویژه از تاریخ 94/12/24 تا 94/12/29

باخرید یه سورس که قیمتش بالا 7 تومن باشه یه سورس جایزه دریافت می کنید

که برای دریافت سورس جایزه لیست 7 تا از سورس های مورد علاقه تون رو به آدرس زیر ایمیل می کنید

[e-mail]

وبه صورت تصادفی یکی از 7 سورس رو به عنوان عیدی براتون ایمیل می کنیم

این طرح تمدید نمی شود وتا آخر 94/12/29 مهلت دارید  <<<<<<

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

امروز با سورس افکت آیینه تصویر(mirror photo) خدمت رسیدیم این سورس قابلیت های زیادی دارد که میتوانید با ویرایش آن در اکلیپس و اندروید استدیو آن را در مارکت های مختلف ایرانی منتشر کرده و کسب درآمد کنید

این سورس یک برنامه حرفه ای عکاسی می باشد که از عکس های شما را به شیوه های متنوع و جالب تصویر آینه ای می سازد و با بالاترین کیفیت ممکن در اختیار شما قرار می دهد.این برنامه به شیوه ای کاملا جدید و حرفه ای با تنوع بسیار زیاد از تصاویر شما عکس های آینه ای می سازد.
با این برنامه دوستان خود رو شگفت زده کنید!
ویژگی های این برنامه شامل:
استایل های متنوع جهت ساخت تصاویر آینه ای
افکت های متنوع روی تصاویر آینه ای
امکان ایجاد تصاویر با افکت آب دریا
ذخیره تصاویر با بالاترین کیفیت ممکن
امکان اشتراک گذاری عکس ها در داخل برنامه

 تخفیف 38 درصدی تاپایان 13 بدر می باشد

آشنایی با ماشین بینایی و تصویر برداری دیجیتالی

اختصاصی از یارا فایل آشنایی با ماشین بینایی و تصویر برداری دیجیتالی دانلود با لینک مستقیم و پرسرعت .

130 صفحه

با ساخت وسایل الکترو مغنا طیسی نظیر انواع الکتروموتورها، بوبین ها ،رله ها وغیریه ،انسان قادر شد با بهره گیری از الکترونیک ، کنترل ابزارهای مکانیکی را در دست گیرد و سر انجام با پیدایش میکرو پروسسورها و با توجه به توانایی آنها در پردازش اطلاعات و اعمال کنترلی و همچنین قابلیت مهم برنامه پذیر بودن آنها تحول شگرفی در ساخت تجهیزات الکترونیکی و صنعتی وغیره به‌وجودآمد.

پیشرفت ها و تحولات اخیر باعث پیدایش اتوماسیون صنعتی شده که در بسیاری از موارد جایگزین نیروی انسانی می گردد.به عنوان نمونه انجام امور سخت در معادن و یا کارخانه ها و یا کارهایی که نیازمند دقت وسرعت بالا می‌باشد و یا انجام آن برای نیروی انسانی خطر آفرین است به انواع دستگاهها و رباتها سپرده شده است. همچنین با پیشرفت الکترونیک در زمینه ساخت سنسورها . بالا رفتن دقت آن ها، امروزه انواع گوناگونی از حس گرها در دنیا تولید می شود که در ساخت رباتها و در زمینه اتوماسیون نقش مهمی را ایفا می‌کنند.
در این پایان نامه پس از مباحثی در مورد پردازش دیجیتالی تصویر ، معرفی میکرو کنترلر 8051 بصورت مختصر و در حد نیاز و بخش کوچکی در مورد استپ موتورها به طراحی وپیاده سازی نمونه ای کوچک از یک ماشین مسیر یاب پرداخته شده است .شایان ذکر است که مطالب مربوط به طراحی وساخت ماشین بگونه ای بیان شده که توسط هر فردی که آشنایی مختصری با میکرو کنترلرها داشته باشد، قابل پیاده سازی است.

بررسی مقایسه‌ای مدلسازی ریاضی تصویر فضایی ایکونوس به روش پارامترمداری و توابع رشنال

اختصاصی از یارا فایل بررسی مقایسه‌ای مدلسازی ریاضی تصویر فضایی ایکونوس به روش پارامترمداری و توابع رشنال دانلود با لینک مستقیم و پرسرعت .

عنوان مقالهبررسی مقایسه‌ای مدلسازی ریاضی تصویر فضایی ایکونوس به روش پارامترمداری و توابع رشنال

نام نویسنده

سعید صادقیان- محمدجواد ولدان زوج

حجم فایل

260 کیلو بایت  

دانلود پایان نامه پردازش تصویر و تشخیص صورت از طریق وبکم (تعداد صفحات 19 )

اختصاصی از یارا فایل دانلود پایان نامه پردازش تصویر و تشخیص صورت از طریق وبکم (تعداد صفحات 19 ) دانلود با لینک مستقیم و پرسرعت .

در این سیستم هدف شناسایی افراد در شرائط مختلف پس از دریافت یکسری تصویر چهره از افراد می باشد.تصاویری که از ابتدا برای شناسایی افراد به سیستم آموزش داده می شود را پایگاه چهره آموزش سیستم (Training Set) نامیده و تصاویری که برای تست قدرت سیستم در مقابل تصاویر جدید بوده تشکیل گروه Probe را می دهند. شناسایی چهره در بخش اول یکی از مباحث Objecct detection و Object recognition در پردازش تصویر می باشد.ولی به علت پیچیدگی های ذاتی چهره و تغییرات فراوان ویژگی های آن الگوریتم های این دو بخش را بصورت خاصی برای خود بازنویسی کرده است. الگوریتم های متفاوتی برای شناسایی چهره در 20 سال اخیر معرفی گشته که در زیر برخی از پرکاربردترین الگوریتم ها به اختصار توضیح داده شده است.

فهرست :

شناسایی چهره

الگوریتم های تشخیص چهره

مقدمه ای بر رنگ ها

فضاهای رنگ

جداسازی رنگ ها

فازهای مختلف پروژه

کدنویسی

الگوتریم شناسایی چهره

منابع