ارائه یک شکل جدیدی از الگوهای باینری محلی به منظور طبقه بندی بافت تصویر

طبقه بندی بافت تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهمترین مرحله در طبقه بندی بافت تصویر، استخراج ویژگی از تصویر میباشد. تاکنون روش های بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شده اند اما از میان روش های موجود الگوهای باینری محلی، در شکل اصلی و بهبودیافته خود، به دلیل سادگی در پیاده سازی و استخراج ویژگی های مناسب با دقت طبقه بندی بالا، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است. شکل اصلی الگوهای باینری محلی هرچند از نظر پیاده سازی بسیار ساده است، اما زمانی که شعاع همسایگی افزایش یابد پیچیدگی محاسباتی بالایی دارد. شکل بهبودیافته الگوهای باینری محلی نیز به الگوهای همگن برچسبهای متمایز و به تمام الگوهای غیر همگن یک برچسب یکسان انتساب می دهد و این امر، طبقه بندی تصاویری که دارای درصد بالایی از الگوهای غیر همگن می باشند را با مشکل مواجه می سازد. در[ارائه یک شکل جدیدی از الگوهای باینری محلی به منظور طبقه بندی بافت تصویر]، یک شکل جدید از الگوهای باینری محلی ارائه شده است که پیچیدگی محاسباتی آن نسبت به شکل اصلی الگوهای باینری محلی کمتر و دقت طبقه بندی آن نیز از شکل اصلی و بهبودیافته الگوهای باینری محلی بیشترمی باشد. روش ارائه شده در این مقاله نه تنها تصاویر با الگوهای همگن را به خوبی طبقه بندی می کند، بلکه در مورد تصاویری که دارای حجم بسیار بالایی از الگوهای غیر همگن می باشند نیز به خوبی عمل می کند. همچنین می توان با تغییر در بازه های شدت روشنایی، محلی یا سراسری بودن ویژگی ها را کنترل کرد.

مرجع:پاکدل مرضیه،تاجری پور فرشاد ،ارائه یک شکل جدیدی از الگوهای باینری محلی به منظور طبقه بندی بافت تصویر،مهندسی برق و کامپیوتر ایران ،شماره 11،سال 1392

GPU Parallel Program Development Using CUDA

کتابی مناسب برای علاقه مندان در حوزه پردازش تصویر موازی بر روی پلتفرم CUDA در اینجا معرفی شده است که توسط¹ Tolga Soyata در سال 2018 به چاپ رسیده است که در ابتدا به بررسی ساختار حافظه در CPU پرداخته، سپس با بررسی ساختار حافظه در GPU به نحوه پردازش تصویر در GPU بر روی پلتفرم CUDA و همچنین توابعی که در این زمینه وجود دارد پرداخته است.

شکل1:آقای Tolga Soyata

Learning Image Proccessing with OpenCV

OPenCV مسلما وسیعترین کتابخانه بینایی ماشین شامل صدها توابع پردازش تصویر و بینایی ماشین در امور مختلف  که قابل استفاده برای صنعت و دانشگاه می باشد، با ارزانتر شدن دوربینها و افزایش دسترسی آنها برای عموم مردم طبیعتا تقاضا و انتظارات عموم از تصویربرداری بالا می رود، از این رو تکنیکهای بهبود تصویر و افزایش سرعت تصویر برداری بسیار حائز اهمیت هستند ،بنابراین یادگیری این تکنیکها در دنیای امروز بسیار ضروری می باشد، از این رو کتاب Learning Image Processing With OpenCV چاپ سال 2015 جهت دسترسی آسان کاربران برای یادگیری کتابخانه OpenCV در اینجا معرفی شده است.

computer vision with opencv

هر موجودی برای اینکه با یک محیط معنادار ارتباط برقرار کند نیازمند درک است، انسانها در بسیاری از حواس از قبیل بینایی، صدا ، بویایی و لامسه قدرت درک دارند، در گذشته ماشینها از طریق وسایلی چون صفحه کلید و موس می توانستند داده ها را دریافت و درک کنند ولی امروزه دوربینها و میکروفون به عنوان بخش استاندارد و لاینفک کامپیوترها، موبایلها و ... می باشند که با پردازش سیگنال های صوت و تصو.یر می توانند جهان اطراف خود را بطور خودکار درک نمایند، از این رو علم بینایی ماشین تا چند سال آینده جزء لاینفک زندگی بشر خواهد شد.

کتاب computer vision with opencv  نوشته Dr.Kenneth Dawson-Hawe مدرس دوره ای دانشکده علوم کامپیوتر و آمار دانشگاه Trinty college dublin ایرلند در سال 2014 به چاپ رسید، این کتاب شامل آموزش بینایی ماشین با OpenCV و شرح برخی از برنامه های کاربردی ازقبیل تشخیص چهره، بینایی خود کار خط تولید و ... می باشد.