تبلیغات
مرکزمهندسی پزشکی شیراز - مطالب ابر انجام پروژه های پردازش تصویر
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 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: شنبه 7 تیر 1393 06:54 ب.ظ

در این پایان نامه به مطالبی مانند کاربردهای گوناگون پردازش تصاویر شامل کاربرد در صنایع و صنعت، هوا شناسی، علوم نظامی و  پزشکی و… اشاره شده است. مباحثی مانند:

مباحث:

روش های پردازش تصاویر
عملیلات بر روی تصاویر
ترمیم تصویر
بالا بردن دقت تصویر
ارتقای تصویر
عملگر کانولوشن
تعدیل هیستوگرام
فیلتر کردن تصویر
فیلترهای تصاویر در MATLAB
طراحی انواع فیلترها
فوکوس خودکار دروبین دیجیتالی
تشخیص چهره
تشخیص پلاک خودرو
تشخیص محل پلاک
فیلتر گوسین
پیدا کردن لبه های عمودی
سایش تصویر
پرکردن حفره های احتمالی
استخراج پلاک
شناسایی و جدا کردن کاراکترها
شبیه سازی و… 

Histogram


Download4 یاتاقانهای مغناطیسیدانلود

password یاتاقانهای مغناطیسی  پسورد: engpedia.ir

تاریخ: پنجشنبه 11 اردیبهشت 1393 08:29 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.

تاریخ: سه شنبه 5 آذر 1392 07:21 ب.ظ

تشخیص خودكار ناهنجاری‌ها از روی تصاویر CT Scan‌ ریه یك گام انقلابی در تشخیص زود هنگام بیماری‌های ریوی از جمله بیماری مرگ بار سرطان ریه بوده است. بهترین روش اجرای تشخیص خودكار ناهنجاری‌ها به منظور تجزیه و تحلیل تصاویر پزشكی در قدم اول پیش پردازش تصویر به منظور بهبود وحذف نویز تصویر است. در مورد ریه، اولین قدم تشخیص خودكار تصاویر CT Scan‌ بیماران ریوی ابتدا تقسیم منطقه مورد نظر است و سپس تجزیه و تحلیل جداگانه هر منطقه به‌دست آمده برای تشخیص تومور و سرطان و تشخیص گره و یا آسیب‌های دیگر است. در این مقاله ما تكنیك قطعه بندی ناحیه رو به رشد (Region Growing) را به همراه یك سری از تكنیك‌های پردازش تصویر  به منظور قطعه بندی تصاویرCT Scan‌ ریه پیشنهاد می‌كنیم كه می‌تواند به رادیولوژیست در تشخیص زود هنگام بیماری سرطان ریه یاری رساند. همچنین این الگوریتم می‌تواند در تشخیص زود هنگام خوش خیم یا بدخیم بودن نمونه‌ها در اندام‌های دیگر مثل مغز و سینه جهت تشخیص تومور مغزی و سرطان سینه استفاده شود. 

سرطان ریه بیماری عملكرد سلول‌های غیر طبیعی و رو به رشدی است كه به یك تومور تبدیل

Ranjbar151_1.jpgمی‌شود. سلول‌های سرطانی می‌توانند به دور از ریه‌ها در خون  و یا مایع لنفاوی كه در اطراف بافت ریه است قرار داشته باشند. جریان لنفاوی از طریق عروق لنفاوی كه به گره‌های لنفاوی تخلیه می‌شوند در ریه‌ها و در مركز قفسه سینه قرار دارد. سرطان ریه اغلب به سمت مركز قفسه سینه گسترش می‌یابد چرا كه جریان طبیعی غدد لنفاوی، از ریه‌ها به سمت مركز قفسه سینه است. متاستاز زمانی اتفاق می‌افتد كه سلول‌های سرطانی بخشی را كه آغاز كردند ترك كنند و جابه‌جایی به سمت گره لنفی و یا به بخش دیگری از بدن از طریق جریان خون داشته باشند. سرطان، گره و تومورهایی است كه باید در پارانشیم ریه مورد بررسی قرار گیرد، آن‌ها معمولا در منطقه ای هستند كه در بیش از نیمی از مساحت برش تصاویر سی تی اند. این بدین معنی است كه اگر الگوریتم قطعه بندی فقط در درون بخش داخلی منطقه ریه اجرا شود. زمان زیادی از پردازش می‌تواند كم شود علاوه بر این تعداد تشخیص نادرست ضایعات موجود در تصویر قطعه بندی شده به طور چشم گیری پایین تر از تصویر بدون قطعه بندی است. زیرا به طور كلی هیچ سیگنالی در بیرون از ریه یافت نمی‌شود. قطعه بندی ریه یك قدم پیش پردازش شایع سیستم كمك تشخیص كامپیوتری و به طور كلی سیستم‌های تجزیه و تحلیل تصاویر ریه است. مجموعه داده‌های سی تی حتی می‌توانند شامل بیش از هزار عكس باشند لذا قطعه بندی دستی تصاویر ریه‌ها خسته كننده است و گاهی با كاهش دقت همراه می‌شود. به همین دلیل است كه الگوریتم‌های قطعه بندی خودكار برای استخراج ریه از تصاویر CT SCAN‌ بیماران اجرا و تست شده است. در شكل(1) تفاوت تصاویر ریه سرطانی و ریه سالم در یك تصویر CT‌ نشان داده شده است.

روش پیشنهادی
شمار  زیادی از مقالات مرتبط با قطعه بندی تومور و سرطان را می‌توان پیدا كرد. در این مقاله ما روش قطعه بندی ناحیه رو به رشد را با استفاده از ابزارهای اتوماتیك مورد بحث قرار دادیم  كه در آن الگوریتم ناحیه رو به رشد معیار همگن خود را به صورت خودكار از ویژگی‌های منطقه تقسیم شده می‌آموزد  و اجازه قطعه بندی یك ساختار منحصر به فرد را می‌دهد. قطعه بندی دستی تصاویر ریه زمان بسیار زیادی را برای كاربر مصرف می‌كند، كار فشرده باعث ایجاد خطاهای انسانی می‌شود و از این رو یك تكنیك خودكار با الگوریتمی اثبات شده از جمله برنامه‌های كاربردی سیستم‌های تشخیص كامپیوتری است. هیچ تكنیك قطعه بندی خودكار مناسبی به طور كلی وجود ندارد كه بتواند روی تمام تصاویر دقت بالایی داشته باشد. در این مقاله ما الگوریتم قطعه بندی ناحیه روبه رشد را كه می‌تواند منطقه مورد نظر را به نواحی و اشیا با معنی تقسیم كند نشان می‌دهیم. الگوریتم ما رویكرد ناحیه رو به رشد را با بهینه سازی حذف لبه‌های نادرست در بخش‌های معنی دار تصویر تركیب می‌كند. از آنجایی كه نتایج خوبی را نشان داد امید است كه در اندام‌های دیگر مانند سینه و مغز نیز مفید واقع شود. بعد از معرفی روش ناحیه رو به رشد، ما نتایج و محدودیت‌های روش ارائه شده را بیان كرده و در مورد بهبود و آینده كار بحث می‌كنیم.  ‌

Ranjbar151_2.jpg

مواد و روش‌ها  ‌

منبع اصلی داده‌ها برای پیاده سازی این الگوریتم، تصاویر  CT‌50 بیمار بود كه احتمال وجود گره‌های ریوی در ریه‌های آن‌ها وجود داشت كه ما 6 داده از این مجموعه را در این مقاله ارائه كردیم. الگوریتم قطعه بندی ما شامل شش مرحله اساسی است. ما با در نظر گرفتن تصویری از پایگاه داده موجود كار را آغاز می‌كنیم. مراحل الگوریتم كلی مقاله در شكل (2) نشان داده شده است.

 ....


ماهنامه مهندسی پزشکی

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؟