دیتاست AR

یک دیتاست شامل 126 تصویر(70مرد و 56 زن)که بالای 4000 تصویر رنگی در آن وجود دارد. این دیتاست توسط Aleix Martinez و Robert Benavente در مرکز بینایی ماشین U.A.B ایجاد شد و تصاویر در حالات مختلف روشنایی و یا حالات دیگر از قبیل با عینک آفتابی بدون عینک ، با روسری و بدون روسری نشان داده شده است و برای هر فرد 2 تصویر وجود دارد که در حالات مختلف گرفته شده است این دیتا ست برای استفاده درتحقیقات دانشگاهی و همچنین استفاده عموم آزاد است و از طریق وب سایت قابل مشاهده است.

FERET

دیتاست FERET دیتاستی است که برای ارزیابی سیستم تشخیص چهره کاربرد دارد و توسط آژانس پروژه های تحقیقات پیشرفته دفاع و موسسه تکنولوژی و استانداردها مدیریت می شود که شامل مجموعه ای از تصاویر گرفته شده مابین سالهای 1993 تا 1996میلادی است. در سال 2003 آژانس دفاع عکسهایی رنگی با رزولوشن بالا را منتشر نمود و این دیتا ست با 2413 تصویر چهره تست شد که شامل تصویر 856 فرد بود، موسسه ملی با هدف تاسیس یک دیتاست بزرگ که مستقل از الگوریتم های  توسعه دهندگان بود شروع بکار نمود و Dr. Harry Wechsler از دانشگاه George Mason University بعنوان مسئول این کار انتخاب گردید و با همکاری Dr. Phillips تکمیل گردید.

CUHK Face Sketch Database (CUFS)

این دیتاست برای تحقیقات در زمینه Face Sketch مناسب است که شامل 188 تصویر چهره از دانشجویان دانشگاه هنگ کنگ چین و 123 تصویر چهره از دیتاست AR و 295 تصویر چهره از دیتاست XM2VTS که در مجموع شامل 606 تصویر چهره می باشد. برای هر تصویر یک sketch از آن تصویر هم وجود دارد که در شرایط نرمال نور توسط عکاس کشیده شده است.

روشهای کلاسیک لبه یابی

فرآیند تشخیص لبه یکی از مهمترین تکنیکهای کارآمد و مفید در پردازش تصویر به ویژه در جداسازی و شناسایی چارچوب اصلی تصویر می باشد، شیوه های متفاوتی در آشکارسازی لبه در یک تصویر وجود دارد که اغلب با مشکلاتی نظیر از میان رفتن داده های تصویر اصلی و عدم توانایی در لبه یابی در زوایای مختلف مواجه هستند. هدف از تشخیص لبه، مکان یابی مرزهای شی در تصویر است که پایه و اساس تجزیه و تحلیل تصویر و بینایی ماشین محسوب می شود، با توجه به اهمیت تشخیص لبه ها، تاکنون الگوریتم های زیادی جهت استخراج لبه ها پیشنهاد شده است، معمولا هر یک از این روش ها تنها بخشی از لبه ها را آشکار ساخته و به این ترتیب برخی از لبه  های واقعی توسط الگوریتم تشخیص داده نمی شوند. همچنین این امکان نیز وجود دارد که برخی نقاط به اشتباه به عنوان لبه دسته بندی شوند.

تعریف لبه:

نقاطی از تصویر که دارای تغییر شدت روشنایی ناگهانی هستند لبه نام دارند، نقاط لبه معمولا مرزها را شامل می شوند.

روشهای لبه یابی:

1- Sobel:

با کانوالو کردن دو ماتریس G_x و G_y که در زیر آمده است در تصویر اصلی لبه های عمودی و افقی تصویر آشکار می گردد سپس با استفاده از رابطه اندازه تمامی لبه ها نمایان می شود.

رابطه اندازه

که نتیجه در شکل زیر قابل مشاهده است.

2-Prewitt:

با کانوالو کردن دو ماتریس G_xوG_y در تصویر اصلی لبه های عمودی و افقی آشکار شده ،سپس با استفاده از رابطه اندازه که قبلا به ان اشاره نمودیم تمامی لبه ها قابل نمایش است

که نتیجه در شکل زیر قابل نمایش است.

3-Laplacian:

 با کانوالو ماسک زیر در تصویر تمامی لبه های افقی و عمودی نمایان می شود.

که نتیجه در شکل زیر قابل مشاهده است.

4-Roberts:

با کانوالو کردن دو ماتریس G_xوG_y در تصویر اصلی لبه های عمودی و افقی آشکارمی شوند.

که نتیجه در شکل زیر قابل مشاهده است