برای دانلود اینجا را کلیک کنید

Report
1
‫‪ ‬بینایی ماشین‪ ،‬تبدیل داده یک دوربین به یک نمایش جدید یا یک تصمیم است‪.‬‬
‫همه این تبدیالت براي رسیدن به هدف مشخص ی انجام میشود‪.‬‬
‫‪ ‬دادهي ورودي می تواند شامل اطالعات متنی مانند اینکه ”دوربین در یک ماشین‬
‫قرار داده شده ”یا این که” تشخیص دهندهي فاصله لیزري یک ش یءرا در‬
‫فاصله یک متري نشان می دهد“‪ ،‬باشد‪.‬‬
‫‪ ‬تصمیم نیز می تواند به طور مثال این باشد که ”شخص ی در صحنه حضور دارد‬
‫” یا این که ” ‪ 14‬سلول تومور در این اسالید وجود دارد”‪ .‬یک نمایش جدید نیز‬
‫می تواند به معنی تبدیل یک تصویر رنگی به سیاه و سفید و یا حذف حر کت‬
‫دوربین از یک مجموعه تصاویر باشد‪.‬‬
‫‪2‬‬
3
‫ً‬
‫•ظاهر دوبعدي اشیاء می تواند شدیدا با‬
‫نقطه دید تغییر کند‪.‬‬
‫•داده ها همراه با نویز و اعوجاج میباشد‪.‬‬
‫‪4‬‬
‫‪ ‬چشم انسان تقریبا یک عدس ی‬
‫کروي با قطر ‪ 2.5‬سانتی متر‬
‫میباشد که از چندین الیه مختلف‬
‫که درونیترین آنها شبکیه نام دارد‬
‫تشکیل شده است‪ .‬ماهیچههاي‬
‫اطراف چشم اندازه لنز را تنظیم‬
‫میکنند که این کار چشم را قادر به‬
‫زوم کردن روي اشیاء میکند‪.‬‬
‫‪5‬‬
‫‪ CCD ‬از جهت عملکرد تقریبا مانند چشم انسان کار میکند ‪.‬نور از طریق یک‬
‫عدس ی وارد دوربین و برروي یک پرده مخصوص تصویر میشود که تحت عنوان‬
‫تراشه ‪ CCD‬شناخته میشود‪.‬‬
‫‪ ‬تعریف پیکسل‪ :‬تراشه ‪ CCD‬که تصاویر با استفاده از آن گرفته میشوند از‬
‫تعداد زیادي سلول تشکیل شده که همگی در یک تراشه با الگوي خاص ی مرتب‬
‫شدهاند و تحت عنوان پیکسل (‪ )pixels‬شناخته میشوند‪.‬‬
‫‪6‬‬
‫‪ ‬خطاي چشم انسان و عادت كردن آن به كلمات باعث ميشود تا شما‪ ،‬به‬
‫راحتي متن صفحه قبل را نیز بخوانيد!! با وجود اينكه پر از غلط امالئي‬
‫است!‬
‫‪7‬‬
‫‪ ‬در طراحي اين تصوير تماما از خطوط صاف و مستقيم استفاده شده‬
‫است‪.‬‬
‫‪8‬‬
9
10
11
12
13
‫‪ ‬چشم انسان قادر است كمتر از يك تريلينيوم درصد از امواج‬
‫الكترومغناطيس ي كه در اصطالح نور مرئي ميناميم را ببيند‪.‬‬
‫امواج رادیویی‬
‫امواج مایکرووی‬
‫مادون قرمز‬
‫امواج نوری‬
‫امواج ماوراء بنفش‬
‫اشعه ایکس‬
‫اشعه گاما‬
‫‪14‬‬
‫افزایش فرکانس‬
‫کاهش طول موج‬
15
‫‪ ‬دوربينهاي ديد در شب قادرند از انسانها و اشياء در شب فيلم برداري كرده و به‬
‫ما نشان دهند‪.‬‬
‫‪16‬‬
‫‪ ‬اندازه و ضخامت شبكيه به معادل يك تمبر پستي است‪.‬‬
‫‪ ‬چشم هشت پا بزرگترين چشم نسبت به جثه است‪.‬‬
‫‪ ‬پرندگان هشت برابر بهتر از انسان مي بينند‪.‬‬
‫‪ ‬چشم سنجاقك ده برابر بدتر از چشم انسان مي بيند‪.‬‬
‫‪ ‬چشم حشرات ده برابر بهتر از چشم انسان حركات را ميبيند‪ .‬يك دويستم ثانيه‬
‫براي ديدن يك حركت براي آن كافي است‪.‬‬
‫‪ ‬همه چیز در زير آب به رنگ آبي مايل به سبز است زيرا آب طيف قرمز نور را‬
‫جذب ميكند‪.‬‬
‫‪ ‬احتماال“ سگها هيچ رنگي را نمي بينند البته اين موضوع هنوز ثابت نشده‬
‫است‪.‬‬
‫‪ ‬يك چشم سالم به طورمعمول میتواند ده ميليون رنگ را تشخيص دهد‪.‬‬
‫‪ ‬گاوها رنگ ها را نمي بينند پس پارچهي قرمز در عصباني كردن گاو وحش ي تاثیري‬
‫ندارد‪.‬‬
‫‪17‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫يك نمونه از خطاي ديد ‪ :‬اگر يك عينك وارونه كن بر چشم بگذاريم بعد از يك هفته‬
‫همه چیز درست ديده ميشود ولي اگر عينك را برداريم دوباره همه چیز به صورت‬
‫وارونه در ميآيد‪.‬‬
‫نور مهتاب كامل يك صدوشصتم نور خورشيد است‪.‬‬
‫جغد ميتواند در زير نور يك شمع در فاصله چهارصد متري طعمه اش را شكار كند‪.‬‬
‫چشم گربه سانان مانند آينه عمل ميكند و كمترين نورها را نیز بازتاب ميکند‪.‬‬
‫مار زنگي اشعه مادون قرمز را ميبيند بنابراين‪ ،‬گرماي حاصل از بدن جانوران اين را به‬
‫سوي خود جذب ميكند‪.‬‬
‫خلبانان انگليس ي در جنگ جهاني دوم زياد هويج مي خوردند وقتي آملاني ها ديدند كه آن‬
‫ها هدف را در شب ميبينند فكر كردند كه اين اثر زياد خوردن هويج است در حالي كه‬
‫انگليس ي ها رادار را اختراع كرده بودند‪.‬‬
‫تصاوير متحرك براي چشم ما حداقل پانزده كادر در ثانيه هستند ولي اين مگس اين‬
‫تصاوير را به صورت صحنه آهسته مي بيند‪.‬‬
‫‪18‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫اولین كامپيوترها شامل سطرهاي بسياري از چراغها و كليدها بودند‪.‬‬
‫سپس دستگاههاي قابل برنامه نويس ي جديدي پديد آمد كه ميتوانستند بر روي لوله‬
‫كاغذ با مكانیزمي شبيه ماشین هاي تحرير از راه دور چاپ كنند‪.‬‬
‫مانيتورهاي ‪ CRT‬اوليه در آغاز تنها خروجي هايي براي تصاويري بودند كه تنها حروف‬
‫اسكي را نمايش میداد‪.‬‬
‫اولین گرافيك هاي كامپيوتري كه بر روي اين خروجي ها نمايش داده ميشد دو بعدی‬
‫بودند‪.‬‬
‫اصطالح ‪ Real-time‬اولین بار به تصاويري كه متحرك بودند اطالق شد‪.‬‬
‫بكارگیري اصطالح ‪ Real-time‬براي گرافيك كامپيوتري بدين معناست كه كامپيوتر در‬
‫حال ارائه كردن يك انيميشن يا رشتهاي از تصاوير است كه بیدرنگ به بعض ي از‬
‫ورودي ها واكنش نشان ميدهد‪.‬‬
‫‪19‬‬
‫‪‬‬
‫اصطالح سه بعدي (‪ :)3D‬به اين معناست كه يك ش ئ در حال نمايش‪ ،‬سه بعد قابل‬
‫اندازهگیري دارد طول و عرض و عمق‬
‫گرافيك سه بعدي كامپيوتري در حقيقت تصاويري دو بعدي هستند روي يك صفحه‬
‫تخت كه بعد سوم و يا خطاي ديد در عمق را مهيا ميسازند‪.‬‬
‫‪‬‬
‫‪2D + Perspective = 3D‬‬
‫‪‬‬
‫پرسپكتيو تنها براي خلق سيماي سه بعدي كافي است‪.‬‬
‫مصنوعات سه بعدي‪ :‬دليل اينكه وقتي شما جلوي يكي از چشمانتان را ميپوشانيد دنيا‬
‫به يكباره تخت نمیشود اين است كه هنوز افكتهاي سه بعدي زيادي حاظر هستند‬
‫وقتي كه دو بعدي تماشا ميشوند‪ .‬اين افكتها (تاثیرات) به اندازهاي هستند كه باعث‬
‫شوند مغز شما به راحتي مسافت و عمق را تشخيص دهد‪ .‬مسلم ترين چیز اينست كه‬
‫اشيا نزديكتر بزرگتر از اشيا دور نمايان ميشوند‪.‬‬
‫اين افكت پرسپكتيو ‪ Foreshortening‬ناميده ميشود ‪ .‬اين افكت و تغيیرات رنگ و‬
‫تكسچرها و نورها و اختالف در شدت رنگ همه با هم به ادراك ما يك تصوير سه‬
‫بعدي را اضافه ميكنند‪.‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪20‬‬
‫‪‬‬
‫مهمترين ابزار خروجي كه مي تواند به مفهوم گرافيك كامپيوتري عينيت ببخشد‪ ،‬صفحه‬
‫نمايش (‪ )Monitor‬است كه امروزه با روشهاي متفاوت در اندازهها و كيفيتهاي‬
‫مختلفي توليد میشوند‪.‬‬
‫تعریف پیکسل (‪ :)Pixel=Picture cell/Element‬در معماري سختافزار گرافيك‬
‫كامپيوتري امروزي (و كارت هاي گرافيكي در راس آنها) تصاوير به صورت مجموعه اي از‬
‫نقاط در نظر گرفته مي شوند‪ .‬هر نقطه ‪ ،‬رنگ و مشخصات خاص خود را دارد و‬
‫كوچكترين جز قابل رويت يك تصوير محسوب مي شود‪ .‬به اين نقاط در اصطالح‬
‫پيكسل گفته میشود‪.‬‬
‫‪‬‬
‫تعریف صفحه نمایش (‪ :)Screen‬به مجموعه پيكسل هايي كه در هر لحظه از طريق‬
‫ابزارهايي مانند صفحه نمايش ترسيم مي شود صفحه تصوير گفته میشود‪.‬‬
‫صفحه نمايش دو بعدي در نظر گرفته مي شود و معموال پيكسل هايي كه در اين دو‬
‫بعد وجود دارند از طريق مختصات آنها مانند يك ماتريس قابل دسترس ي میباشند‪.‬‬
‫‪‬‬
‫‪‬‬
‫‪21‬‬
‫‪ ‬تفكيك پذيري (‪:)resolution‬‬
‫وضوح تصاوير يا تفكيك پذيري به مجموعه پيكسلهاي افقي و عمودي اطالق ميشود كه‬
‫صفحه نمايش قادر به نمايش آن است‬
‫‪ ‬پيكسل (‪:)pixel‬‬
‫پيكسل كوچكترين عنصر تصويري است كه به صورت نقطه كوچكي روي صفحه نمايش قابل‬
‫رويت ميباشد وبا توجه به تعداد و میزان تراكم اين نقاط در صفحه نمايش‪ ،‬كيفيت‬
‫تصاوير به نمايش در آمده متفاوت خواهند بود‪.‬‬
‫‪ ‬ماتريس كاراكتر‪:‬‬
‫ماتريس كاراكتر مجموعه اي از نقاط روشن و خاموش در صفحه نمايش مي باشد كه يك‬
‫كاراكتر را نمايش مي دهند‪ ،‬هر چه تعداد پيكسلهاي موجود در ماتريس كاراكتر بيشتر باشد‪،‬‬
‫وضوح تصاوير و كاراكترها نیز بيشتر خواهد بود‪.‬‬
‫‪ ‬مد متني (‪:)Text Mode‬‬
‫در اين مد كوچكترين جز تصوير كاراكتر است ‪ .‬صفحه نمايش به چند سطر و ستون تقسيم مي‬
‫شود ‪ .‬ابعاد صفحه در اين مد مي تواند ‪ 25*40‬یا ‪ 25*80‬باشد‪.‬‬
‫‪22‬‬
‫‪ ‬صفحه كريستال مايع (‪:)LCD‬‬
‫از اين نوع سابقا در كامپيوترهاي كيفي و قابل حمل استفاده مي شده و اكنون به صورت‬
‫رايج براي تمام كامپيوترها استفاده مي شود‪ .‬اين صفحه نمايش حجم و وزن كمي دارد‪.‬‬
‫عبور يكسري جريانات خاص باعث نوراني شدن پيكسل هاي آن مي شود‪.‬‬
‫‪ ‬المپ اشعه كاتدي (‪:)CRT‬‬
‫اين نوع المپ تصوير‪ ،‬كيفيت خوبي را ارائه ميدهد و حجم و توان مصرفي بااليي دارد‪ .‬در‬
‫گذشته از اين نوع مانيتور براي كامپيوترهاي شخص ي استفاده ميشد‪ .‬تفاوت عمده‬
‫تلويزيون با مانيتور در اين است كه تلويزيون داراي تيونر بوده و قادر است كانالهاي‬
‫مختلف تلويزيوني را از طريق آنتن دريافت كند‪.‬‬
‫‪23‬‬
‫نوع‬
‫ماتريس‬
‫كاراكتر‬
‫تفكيك پذيري‬
‫تعداد رنگ‬
‫توضيحات‬
MDA
9*14
‫گرافيك ندارد‬
‫تك رنگي‬
Monochrome
display adapter
CGA
۸*۸
200 *640
2۰۰*۳۲۰
‫ رنگ‬4 ‫تك رنگي‬
Color graphics
adapter
EGA
۸*۱٤
۶۴۰*۳٥۰
۳۲۰*۲۰۰
‫ رنگ‬256 ‫ رنگ‬16
Enhanced
Graphics Adapter
VGA
۹*۱۶
۶۴۰*۴۸۰
۳۲۰*۲۰۰
‫ رنگ‬256 ‫ رنگ‬16
Video Graphics
Array
HERCULES
-
٧۲۰*۳٥۰
‫تك رنگ‬
Monochrome
Graphics Adapter
MCGA
-
۶۴۰*۴۸۰
۳۲۰*۲۰۰
‫ رنگ‬256 ‫رنگ‬2
Multi color
graphics adapter
24
‫‪‬‬
‫‪ :MDA‬متن را بدون لرزش و با دقت زياد به يكي از زبانهاي سبز‪ ،‬خاكستري و سفيد‬
‫نمايش ميدهد‪.‬‬
‫‪‬‬
‫‪ :HERCULES‬اين كارت رنگي نيست ولي براي كارهاي گرافيكي ميتوان از آن‬
‫استفاده نمود‪.‬‬
‫‪ :CGA‬متن و گرافيك را با ‪ 4‬رنگ توليد ميكند‪ .‬اين كارت مي تواند خروجي خود را‬
‫عالوه بر مانيتور به تلويزيون هم بدهد‪ .‬هر چند در اين تعويض ‪ 80‬ستون در مانيتور به‬
‫‪ 40‬ستون در تلويزيون تبديل ميشود ‪.‬‬
‫‪‬‬
‫‪ :EGA‬گرافيك و متن را خيلي خوب توليد ميكند و چهار حالت گرافيكي قابل نمايش‬
‫است‪.‬‬
‫‪‬‬
‫‪ :VGA‬اين كارت كليه چهار حالت گرافيكي ‪ EGA‬را توليد ميكند و دقت آن براي‬
‫كارهاي اداري عالي و براي كارهاي چاپي و طراحي خوب است‪.‬‬
‫‪‬‬
‫‪25‬‬
:‫تفاوت بین پردازش تصویر با بینایی ماشین‬
)Enhancement( ‫بهبود‬
)Coding( ‫کدگذاری‬
)Compression( ‫فشرده سازی‬
)Restoration( ‫ترمیم‬
)Reconstruction( ‫بازسازی‬
)Measurement of features( ‫اندازهگیری ویژگیها‬
)Pattern classification( ‫طبقه بندی الگو‬
)Pattern recognition( ‫الگو شناس ی‬
Image processing

Machine vision

26
‫‪ ‬اصطالحات بینایی کامپیوتر (‪ ،)computer vision‬درک تصویر ( ‪image‬‬
‫‪ )understanding‬و آنالیز تصویر (‪ )image analysis‬اغلب مورد استفاده قرار‬
‫میگیرد که به معنای بینایی ماشین (‪ )machine vision‬میباشد‪.‬‬
‫‪27‬‬
Raw
data
Feature
measurement
Feature
vector
Pattern
classifier
Class
identity
28
29
‫‪ ‬یک و یا چند دوربین دیجیتال یا آنالوگ (سیاه‪-‬سفید یا رنگی) با اپتیک مناسب‬
‫برای گرفتن عکس‪.‬‬
‫‪ ‬واسطه ای که عکسها را برای پردازش آماده میسازد‪ .‬برای دوربینهای آنالوگ‬
‫این واسطه شامل یک دیجیتال کننده عکس است‪ .‬هنگامی که این واسطه یک‬
‫سختافزار جدا باشد‪ ،‬به آن ‪( Frame grabber‬کارتی که برای دریافت سیگنال‬
‫تصویری و فرستادن آن به کامپیوتر استفاده میشود) میگویند‪.‬‬
‫‪ ‬یک پردازشگر گاهی یک ‪ PC‬یا پردازنده تعبیه شده‬
‫مانند ‪DSP‬‬
‫(‪Embedded‬‬
‫‪)Processor‬‬
‫‪ ‬نرمافزار ‪ Machine vision‬این نرمافزار امکاناتی برای توسعه یک برنامه‬
‫نرمافزاری که برای کاربردی مشخص است را فراهم میکند‪.‬‬
‫‪30‬‬
‫‪ ‬سختافزار ورودی ‪ /‬خروجی (مثال ‪ I/O‬دیجیتال) یا حلقههای ارتباطی مثال‬
‫ارتباط شبکه ای یا (‪ )RS-232‬برای گزارش نتایج‪.‬‬
‫‪ ‬یک دوربین هوشمند‪ :‬یک وسیله ساده که همه موارد فوق را داراست‪.‬‬
‫‪ ‬لنزهایی که بتواند به مقدار مطلوبی روی سنسور تصویر زوم کند‪.‬‬
‫‪ ‬منابع نوری مناسب و گاهی خیلی مخصوص ( مثال چراغهای ‪ ،LED‬فلورسنت‪،‬‬
‫المپهای هالوژن و ‪) . . .‬‬
‫‪ ‬یک برنامه مشخص که بتواند تصاویر را پردازش کرده و مشخصههای مربوط و‬
‫مناسب را شناسایی کند‪.‬‬
‫‪ ‬یک سنسور همزمان ساز برای شناسایی اجزا (گاهی یک سنسور نوری و یا یک‬
‫سنسور مغناطیس ی)‪ :‬این سنسور برای راه اندازی سیستم استخراج و پردازش‬
‫تصویر میباشد‪.‬‬
‫‪31‬‬
‫‪ ‬سنسور همزمان ساز تعیین میکند که چه زمانی یک بخش (که معموال روی یک‬
‫حمل کننده حرکت می کند) در موقعیتی قرار گرفته است که باید مورد بررس ی‬
‫واقع شود‪ .‬این سنسور هنگامیکه از زیر دوربین میگذرد و یک پالس نوری برای‬
‫ثابت نگهداشتن تصویر ایجاد میکند‪ ،‬دوربین را برای گرفتن عکس فعال‬
‫میکند‪ .‬نوری که برای روشن کردن آن بخش به کار می رود در واقع برای آن‬
‫است که مشخصههای مطلوب را برجسته و مشخصات نامطلوب (مثل سایهها‬
‫و یا انعکاسها) را به حداقل برساند‪ .‬معموال پنلهای ‪ LED‬با اندازه و طراحی‬
‫مناسب برای این هدف مورد استفاده قرار می گیرند‪ .‬تصویر دوربین یا توسط‬
‫یک ‪ frame grabber‬و یا توسط یک حافظه کامپیوتری (که در آن از ‪frame‬‬
‫‪ grabber‬استفاده نشده است) گرفته میشود‪.‬‬
‫‪32‬‬
‫‪ frame grabber‬یک وسیله دیجیتال کننده است (یا در داخل دوربین هوشمند و یا‬
‫بطور جداگانه) که خروجی دوربین را به فرمت دیجیتال تبدیل کرده (معموال این‬
‫فرمت از یک آرایه دو بعدی از اعداد تشکیل شده که هر عدد متناظر شدت‬
‫روشنایی نقطه متناظر در آن تصویر میباشد‪ .‬به این نقاط پیکسل می گویند‪ ).‬و‬
‫سپس تصویر را به منظور پردازش توسط نرمافزار ‪ Machine vision‬در حافظه‬
‫کامپیوتر ذخیره میکند‪ .‬به طور معمول نرمافزار‪ ،‬اقدامات متفاوتی را برای‬
‫پردازش تصویر انجام میدهد‪ .‬گاهی در ابتدا تصویر برای کاهش نویز و یا تبدیل‬
‫سایههای خاکستری به ترکیب ساده ای از رنگهای سیاه و سفید دستکاری‬
‫میشود (‪ )Binarization‬در قدم بعدی نرمافزار عمل شمردن‪ ،‬اندازه گیری و‬
‫شناسایی اجسام‪ ،‬ابعاد‪ ،‬کاستیها و مشخصات دیگر تصویر را انجام می دهد‪.‬‬
‫‪33‬‬
‫در نهایت با توجه به ضوابط و معیارهای برنامه ریزی شده ممکن است بخش ی را‬
‫بپذیرد و یا رد کند‪ .‬اگر یک بخش رد شد‪ ،‬نرمافزار به یک دستگاه مکانیکی‬
‫فرمان می دهد تا آن بخش را خارج کند و همچنین سیستم خط تولید را قطع‬
‫کرده و به کارگر هشدار می دهد تا مشکلی که باعث ایجاد خطا شده را رفع‬
‫نماید‪ .‬اگرچه اکثر ‪Machine vision‬ها بر مبنای دوربینهای سیاه–سفید بنا‬
‫نهاده شده اند‪ ،‬استفاده از دوربینهای رنگی در حال رایج شدن است‪ .‬همچنین‬
‫امروزه شاهد شیوع فراوان استفاده از تجهیزات دوربینهای دیجیتال به جای‬
‫یک دوربین و یک ‪frame grabber‬جداگانه در ‪Machine vision‬هستیم‪.‬‬
‫استفاده از یک دوربین دیجیتال به منظور برقراری ارتباط مستقیم‪ ،‬باعث‬
‫صرفه جویی در هزینه و نیز سادگی سیستم خواهد شد‪ .‬دوربینهای هوشمند که‬
‫در داخل آنها ‪embedded processor‬ها تعبیه شده اند‪ ،‬در حال تسخیر سهم‬
‫باالیی از بازار ‪Machine vision‬ها هستند‪.‬‬
‫‪34‬‬
‫دوربینهای هوشمند که در داخل آنها ‪embedded processor‬ها تعبیه شدهاند‪ ،‬در‬
‫حال تسخیر سهم باالیی از بازار ‪Machine vision‬ها هستند‪ .‬استفاده از یک‬
‫‪ embedded processor‬و یا یک پردازنده بهینه نیاز ما به ‪ frame grabber‬و یک‬
‫کامپیوتر خارجی را از بین میبرد‪ .‬به همین خاطر این پردازندهها باعث کاهش‬
‫هزینه‪ ،‬کاهش پیچیدگی سیستم و همچنین اختصاص توان پردازش ی مشخص به‬
‫هر دوربین میشود‪ .‬دوربینهای هوشمند معموال ارزان تر از سیستمهای شامل‬
‫یک دوربین و یک برد و یک کامپیوتر خارجی هستند‪ .‬همچنین توان باالی‬
‫‪ embedded processor‬و ‪DSP‬ها منجر به باال رفتن عملکرد و توانایی آنها‬
‫نسبت به سیستمهای مرسوم ( که بر مبنای ‪ PC‬هستند) شده است‪.‬‬
‫‪35‬‬
‫‪ ‬تولید صنعتی در مقیاس بزرگ‪.‬‬
‫‪ ‬ساخت اجزایی که نیاز به زمان تولید مشخص ی دارند‪.‬‬
‫‪ ‬سیستمهای ایمنی موجود در محیطهای صنعتی‪.‬‬
‫‪ ‬بررس ی مواد اولیه تولید (مثال کنترل کیفیت و بررس ی وقوع خطا)‬
‫‪ ‬کنترل موجودی انبار و سیستمهای مدیریتی ( شمارش‪ ،‬بارکد خواندن و ذخیره‬
‫اطالعات در سیستمهای دیجیتال)‬
‫‪ ‬کنترل رباتهای تعقیب خطی که برای حمل بار در کارخانههای صنعتی استفاده‬
‫می شوند‪.‬‬
‫‪ ‬کنترل کیفیت و بهبود محصوالت غذایی‪.‬‬
‫‪ ‬ماشینی کردن اجزای کوچک صنعتی‪.‬‬
‫‪36‬‬
‫‪ ‬شمارش پیکسل‪:‬‬
‫شمردن تعداد پیکسلهای روشن و تاریک‪.‬‬
‫‪ ‬تعیین آستانه‪:‬‬
‫تبدیل یک عکس با قسمتهای خاکستری به یک عکس سیاه و سفید به این طریق که با‬
‫قرار دادن آستانهای پیکسلهای روشن تر از آن را سفید و پیکسلهای تیرهتر از آن را‬
‫سیاه در نظر می گیریم‪.‬‬
‫‪ ‬بخشبندی کردن‪)Segmentation( :‬‬
‫تبدیل تصویر ورودی به بخشهای مختلف برای موقعیت یابی و شمارش پیکسلها‪.‬‬
‫‪ ‬تشخیص و شناسایی لکهها و دستکاری‪:‬‬
‫بررس ی یک عکس برای یافتن گسسته از بین تمامی پیکسلها‪( .‬به عنوان مثال یک حفره‬
‫سیاه رنگ در درون یک جسم خاکستری) این لکهها به عنوان نشان اختصاص ی عکس‬
‫خواهند بود‪.‬‬
‫‪37‬‬
‫‪ ‬تشخیص و شناسایی توسط اجزاء موجود‪:‬‬
‫استخراج اجزاءی خاص از یک تصویر ورودی مثال عکس‪.‬‬
‫‪ ‬تشخیص وشناسایی الگو به طور مداوم در برابر تغییرات‪:‬‬
‫به این معنا که موقعیت جسمی که ممکن است چرخانده شود یا اندازه اش تغییر کند یا‬
‫قسمتی از این جسم توسط جسم دیگر پوشانده شود‪ ،‬را به طور دقیق شناسایی کند‪.‬‬
‫‪ ‬خواندن بارکد‪:‬‬
‫شناسایی و تعیین کدهای یک بعدی و دو بعدی اسکن شده توسط ماشینها طراحی شده‬
‫است‪.‬‬
‫‪ ‬تشخیص و شناسایی کاراکتر نوری‪:‬‬
‫خواندن خودکار یک متن (مثال‪ :‬یک رشته اعداد پشت سرهم)‪.‬‬
‫‪38‬‬
‫‪ ‬اندازه گیری‪:‬‬
‫اندازه گیری ابعاد یک جسم (بر حسب میلی متر یا اینچ)‪.‬‬
‫‪ ‬تشخیص و شناسایی لبه ها‪:‬‬
‫پیدا کردن لبههای یک جسم در یک تصویر‪.‬‬
‫‪ ‬تشخیص و شناسایی از طریق تطبیق الگو‪:‬‬
‫پیدا کردن‪ ،‬مطابقت دادن و شمارش اشکال خاص در یک تصویر‪.‬‬
‫در اکثرموارد یک سیستم ‪ Machine vision‬به منظور بررس ی کامل یک تصویر‪ ،‬از زنجیره‬
‫مرکبی از این تکنیکهای پردازش استفاده میکند‪ .‬به عنوان مثال میتوان به سیستمی‬
‫اشاره کرد که بارکد را میخواند و هم سطح جسم را برای خراش احتمالی مورد بررس ی‬
‫قرار میدهد و هم ممکن است طول و عرض آن وسیله را اندازه گیری کند‪.‬‬
‫‪39‬‬
40
41
42
‫رنگ‬
‫مادون قرمز‬
‫طول موج (نانومتر)‬
‫فرکانس (تراهرتز)‬
‫انرژی (الکترون ولت)‬
‫باالتر از ‪1000‬‬
‫کمتر از ‪300‬‬
‫کمتر از ‪1/24‬‬
‫قرمز‬
‫‪700‬‬
‫‪428‬‬
‫‪1/77‬‬
‫نارنجی‬
‫زرد‬
‫‪620‬‬
‫‪484‬‬
‫‪2‬‬
‫‪580‬‬
‫‪517‬‬
‫‪2/14‬‬
‫سبز‬
‫‪530‬‬
‫‪566‬‬
‫‪2/34‬‬
‫آبی‬
‫‪470‬‬
‫‪638‬‬
‫‪2/64‬‬
‫بنفش‬
‫‪420‬‬
‫‪714‬‬
‫‪2/95‬‬
‫ماوراءبنفش‬
‫کمتر از ‪300‬‬
‫بیشتر ار ‪1000‬‬
‫بیشتر از ‪4/15‬‬
‫‪43‬‬
‫‪ ‬نمودار تابع به ازای مقادیر پیوسته و گسسته‬
‫‪44‬‬
‫‪‬‬
‫برای یک پیکسل دو نوع همسایگی میتوان تعریف نمود‪:‬‬
‫همسایگی چهارگانه‬
‫همسایگی هشتگانه‬
‫شدت روشنایی پیکسل در سطر چهارم و ستون چهاردهم‬
‫‪45‬‬
‫‪ ‬شدت روشنایی دریافت شده توسط حسگر در پیکسل (‪ )m,n‬از تصویر باید کوانتیزه شود‪.‬‬
‫‪ ‬در بینایی ماشین با دو نوع تصویر سروکار داریم‪:‬‬
‫تصویر باینری و تصویر خاکستری‬
‫تصویر سیاه و سفید‬
‫‪46‬‬
‫تصویر خاکستری‬
‫بازی تیس روی میز‬
‫‪47‬‬
‫بازی مشت زنی‬
48
‫‪‬‬
‫‪‬‬
‫از دید بینایی ماشین هریک از رنگهای قرمز و سبز و آبی یک‬
‫کانال رنگ نامیده میشود‪ .‬یعنی برای ایجاد تصویر رنگی باید به‬
‫ازای هر پیکسل مقادیر هریک از کانالهای قرمز‪ ،‬سبز و آبی را به‬
‫طور مجزا ذخیره نمود‪.‬‬
‫در بیشتر مسائل بینایی ماشین تصاویر رنگی را به خاکستری‬
‫طبق فرمول زیر تبدیل میکنند‪.‬‬
‫‪49‬‬
‫‪‬‬
‫‪‬‬
‫عملیات نقطهای از عملیات پیشپردازش میباشد که تنها بر روی‬
‫یک پیکسل از تصویر اعمال میگردد‪ .‬با اعمال عملیات نقطهای‬
‫مقدار جدید یک پیکسل تنها تابعی از مقدار فعلی آن پیکسل‬
‫خواهد بود‪.‬‬
‫اگر عملیات نقطهای بر روی دو تصویر اعمال شوند‪ ،‬مقدار جدید‬
‫پیکسل تابعی از مقادیر پیکسلهای متناظر در دو تصویر ورودی‬
‫خواهد بود‪.‬‬
‫‪50‬‬
51
‫‪‬‬
‫فیلتر میانگین‪:‬‬
‫)‪1/(w*H‬‬
‫‪52‬‬
‫‪‬‬
‫فیلتر گاوسین‬
‫‪‬‬
‫فرمول فیلتر هموارکننده با استفاده از فیلتر گاوسین‬
‫‪53‬‬
‫‪‬‬
‫فرمول هیستوگرام‬
‫‪‬‬
‫نرمالیزه کردن هیستوگرام‬
‫‪54‬‬
‫‪ ‬به طورکلی تقطیع شامل چهار نوع عمل میباشد‪:‬‬
‫لبه یابی‬
‫آستانهگیری‬
‫تفکیک‬
‫یافتن نقاط بارز‬
‫‪55‬‬
56
‫فیلتر محاسبه مشتق‬
‫در جهت ‪x‬‬
‫سوبل‬
‫سوبل تغییریافته‬
‫‪57‬‬
‫فیلتر محاسبه مشتق‬
‫در جهت ‪y‬‬
‫‪-1‬‬
‫‪-2‬‬
‫‪-1‬‬
‫‪1‬‬
‫‪0‬‬
‫‪-1‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪2‬‬
‫‪0‬‬
‫‪-2‬‬
‫‪1‬‬
‫‪2‬‬
‫‪1‬‬
‫‪1‬‬
‫‪0‬‬
‫‪-1‬‬
‫‪3‬‬
‫‪10‬‬
‫‪3‬‬
‫‪-3‬‬
‫‪0‬‬
‫‪3‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪-10‬‬
‫‪0‬‬
‫‪10‬‬
‫‪-3‬‬
‫‪-10‬‬
‫‪-3‬‬
‫‪-3‬‬
‫‪0‬‬
‫‪3‬‬
‫فیلتر محاسبه مشتق‬
‫در جهت ‪x‬‬
‫پرویت‬
‫روبرتز‬
‫‪58‬‬
‫فیلتر محاسبه مشتق‬
‫در جهت ‪y‬‬
‫‪-1‬‬
‫‪-1‬‬
‫‪-1‬‬
‫‪1‬‬
‫‪0‬‬
‫‪-1‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪1‬‬
‫‪0‬‬
‫‪-1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪0‬‬
‫‪-1‬‬
‫‪1‬‬
‫‪0‬‬
‫‪0‬‬
‫‪1‬‬
‫‪0‬‬
‫‪-1‬‬
‫‪-1‬‬
‫‪0‬‬
‫فیلترهای محاسبهی مشتق دوم تصویر‬
‫‪59‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪1‬‬
‫‪0‬‬
‫‪1‬‬
‫‪-2‬‬
‫‪1‬‬
‫‪0‬‬
‫‪-2‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪1‬‬
‫‪0‬‬
‫فیلتر الپالسین پایه‬
‫فیلتر الپالسین تغییر یافته‬
‫‪0‬‬
‫‪1‬‬
‫‪0‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫‪-4‬‬
‫‪1‬‬
‫‪1‬‬
‫‪-8‬‬
‫‪1‬‬
‫‪0‬‬
‫‪1‬‬
‫‪0‬‬
‫‪1‬‬
‫‪1‬‬
‫‪1‬‬
‫فیلتر سوبل‬
‫‪60‬‬
‫فیلتر الپالسین‬
61
62
63
64
65
66
67
68
69
‫‪‬‬
‫با فرض وجود دو کالس (زمینه و پس زمینه)‪ ،‬روش کلی اتسو مینیمم‬
‫کردن واریانس داخل کالسی میباشد‪ .‬یعنی یافتن مقدار مینیمم رابطه‬
‫زیر‪:‬‬
‫‪70‬‬
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
‫‪ 5‬ش ی مجزا‬
‫‪94‬‬
‫‪ 16‬ش ی مجزا‬
‫‪95‬‬
‫‪ ‬برچسب زنی به روش پیمایش سطحی‬
‫‪ ‬برچسب زنی به روش پیمایش عمقی‬
‫‪ ‬برچسب زنی دو مرحلهای‬
‫‪96‬‬
‫برای پیادهسازی الگوریتم پیمایش گراف به صورت سطحی از یک صف استفاده‬
‫میکنیم‪.‬‬
‫‪‬‬
‫ریشه را به صف اضافه کن و ‪ flag‬آن را ست کن‬
‫تا زمانی که صف خالی نشده است تکرار کن‬
‫‪‬‬
‫گره سرصف را برداشته‪ ،‬در خروجی چاپ کرده و همه فرزندان آن را که ‪ flag‬آنها ست نشده‬
‫باشد‪ ،‬به انتهای صف اضافه کن‬
‫‪‬‬
‫‪ flag‬همه گرههای فرزندان اضافه شده به صف را ست کن‪ .‬ست کردن ‪ flag‬بدین منظور‬
‫انجام میگیرد که هر گره تنها یکبار به صف اضافه شود‬
‫‪‬‬
‫‪97‬‬
ABCDEFGHIJ
98
‫برای پیاده سازی الگوریتم پیمایش گراف به صورت عمقی از یک پشته استفاده‬
‫میکنیم‪.‬‬
‫•‬
‫ریشه را به پشته اضافه کرده و فلگ آن را ست کن‬
‫تا زمانی که پشته خالی نشده است‪ ،‬تکرار کن‬
‫•‬
‫گره باالی پشته را برداشته (‪ ،)Pop‬آن را در خروجی چاپ کرده و همه فرزندان آن را که فلگ‬
‫آنها ست نشده باشد‪ ،‬به پشته اضافه کن (‪)Push‬‬
‫فلگ همه گره های فرزندان اضافه شده به صف را ست کن‪ .‬ست کردن فلگ بدین منظور‬
‫انجام می گیرد که هر گره تنها یکبار به صف اضافه شود‪.‬‬
‫•‬
‫•‬
‫‪99‬‬
ABFIGJHCDE
100
101
‫برچسب زنی به روش تکراری یک روش دو مرحله ای است که در مرحله اول با پیمایش تصویر از باال‬
‫به پایین و از چپ به راست به هر پیکسل ش ی ای‪ ،‬بر اساس شرایط زیر برچسبی را انتساب می‬
‫دهد‪:‬‬
‫‪ ‬در همسایگی ‪4‬گانه پیکسل )‪ ،p(i,j‬اگر پیکسل باالیی )‪ p(i-1,j‬و پیکسل سمت چپی )‪p(i,j-1‬‬
‫دارای برچسب ‪ X‬باشند‪ ،‬پیکسل )‪ p(i,j‬نیز برچسب ‪ X‬خواهد داشت‪.‬‬
‫‪ ‬در همسایگی ‪4‬گانه پیکسل )‪ ،p(i,j‬اگر پیکسل باالیی )‪ p(i-1,j‬یا پیکسل سمت چپی )‪p(i,j-1‬‬
‫دارای برچسب ‪ X‬باشند‪ ،‬پیکسل )‪ p(i,j‬نیز برچسب ‪ X‬خواهد داشت‪.‬‬
‫‪‬‬
‫‪‬‬
‫در همسایگی ‪4‬گانه پیکسل )‪ ،p(i,j‬اگر پیکسل باالیی )‪ p(i-1,j‬برچسب ‪ X‬و پیکسل سمت‬
‫چپی )‪ p(i,j-1‬دارای برچسب ‪ Y‬باشند (‪ X‬و ‪ Y‬باهم برابر نیستند)‪ ،‬برچسب پیکسل )‪ p(i,j‬را‬
‫برابر ‪ X‬قرار داده و در جدول معادل ها ‪ X‬و ‪Y‬را وارد می کنیم‪.‬‬
‫در همسایگی ‪4‬گانه پیکسل )‪ ،p(i,j‬اگر پیکسل باالیی )‪ p(i-1,j‬و پیکسل سمت چپی )‪p(i,j-1‬‬
‫هیچیک دارای برچسب نباشند‪ ،‬به پیکسل )‪ p(i,j‬برچسب جدیدی برابر ‪ Z‬قرار میدهیم‪.‬‬
‫‪102‬‬
‫‪‬‬
‫هنگام انتساب برچسب به پیکسل ها معموال از مقادیر عددی استفاده می کنیم‪ .‬جدول معادل‬
‫ها نیز شامل همه برچسب های معادل هم خواهد بود‪ .‬در مرحله دوم برچسب های معادل با هم‬
‫ادغام شده و برچسب منحصربفردی را برای هریک از اشیا تولید میکند‪ .‬اگر ‪ X‬و ‪Y‬دو‬
‫برچسب معادل از جدول معادلها باشند‪ ،‬زمانی که ‪ X<Y‬باشد همه برچسب های ‪ Y‬را‬
‫برابر ‪ X‬قرار می دهیم و در نتیجه به هریک از اجزای متصل برچسب منحصربفردی منتسب می‬
‫شود‪.‬‬
‫‪103‬‬
104
‫مدل ‪ 16‬نقطهای نرما لیزه شده لب‬
‫‪105‬‬
‫مدل ‪ 16‬نقطهای لب‬
‫مدل هندس ی لب‬
‫‪106‬‬
‫تصویر شدت روشنایی اولیه‬
‫‪107‬‬
‫تصویر شدت روشنایی نرمالیزه شده‬
108
109
110
‫معیارهای مهم در آشکارسازی گوشه‪:‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫همه گوشه ها آشکار شوند‪.‬‬
‫هیچ گوشه اشتباهی یافت نشود‪.‬‬
‫نقاط گوشه پیدا شده باید در موقعیت درستی محلبایی شوند‪.‬‬
‫آشکاساز گوشه باید در مقابل نویز مقاوم باشد‪.‬‬
‫‪111‬‬
112
‫تصویر آغشته شده با نویز گوس ی‬
‫‪113‬‬
114
115
‫فضای پارامتری دایره پس از تبدیل هاف‬
‫‪116‬‬
117
118
‫الگوریتم تبدیل هاف دایرهای‪:‬‬
‫‪‬‬
‫یافتن لبهها‬
‫‪‬‬
‫برای هر نقطه لبه تبدیل هاف شروع میشود‪ :‬یک دایره با مرکزیت نقطه لبه با شعاع ‪ r‬رسم‬
‫میشود و در انباره تمام مختصاتی که محیط دایره از آنها عبور میکند‪ ،‬افزایش مییابند‪.‬‬
‫نقاط ماکزیمم در انباره پیدا میشود و تبدیل هاف تمام میشود‪.‬‬
‫‪‬‬
‫پارامترهای پیدا شده (‪ )r,a,b‬مطابق با نقاط ماکزیمم روی تصویر اصلی مشخص میشوند‪.‬‬
‫‪‬‬
‫‪119‬‬
‫استفاده از لبه یاب کنی‬
‫‪120‬‬
‫شکل اصلی‬
121
122
123
124
125
126
127
‫‪‬‬
‫عملگر اجتماع‬
‫‪‬‬
‫عملگر اشتراک‬
‫‪128‬‬
‫‪‬‬
‫عملگر تفاضل‬
‫‪‬‬
‫عملگر تک عملوندی مکمل‬
‫‪129‬‬
‫تصویر اصلی‬
‫حاصل گسترش تصویر‬
>> BW1 = imread('circbw.tif');
>> SE = strel('rectangle',[5 5]);
>> BW2 = imdilate(BW1,SE);
>> imshow(BW1),figure,imshow(BW2)
130
>> BW1 = imread('circbw.tif');
>> SE = strel('rectangle',[5 5]);
>> BW2 = imerode(BW1,SE);
>> imshow(BW1),figure,imshow(BW2)
131
132
>> BW1 = imread('circbw.tif');
>> BW2 = bwmorph(BW1,'skel',Inf);
>> imshow(BW1),figure, imshow(BW2)
133
134
135
‫پیدا کردن لبههای عمودی تصویر‬
‫هیستوگرام افقی تصویر لبههای عمودی‬
‫‪136‬‬
‫تصوير کانديد دوسطحی بدست آمده از‬
‫تصوير لبه‬
‫‪137‬‬
‫گسترش در جهت افقی و عمودی‪ ،‬يافتن اشتراک‬
‫اين دو تصوير و گسترش در جهت افقی تصوير‬
‫اشتراک‬
‫پر کردن حفره های احتمالی‬
‫‪138‬‬
‫سايش تصوير و اعمال فيلتر ميانه‬
‫پيدا شدن محل پالک‬
‫‪139‬‬
‫هيستوگرام افقی متناظر‬
‫‪140‬‬
141
‫‪‬‬
‫ویژگیهای شکل‬
‫ویژگیهای مبتنی بر ناحیه‬
‫ویژگیهای مبتنی بر شدت روشنایی‬
‫‪‬‬
‫ویژگیهای مبتنی بر بانک فیلتر گابور‬
‫‪‬‬
‫‪‬‬
‫‪142‬‬
143
‫ویژگیهای تصویر از لحاظ نحوه توصیفگر به سه دسته تقسیم میگردد‪:‬‬
‫‪ ‬ویژگیهای عمومی یا سطح پایین (رنگ و بافت)‬
‫‪ ‬ویژگیهای معنایی‬
‫‪‬‬
‫ِویژگیهای مختص کاربردهای خاص‬
‫‪144‬‬
‫انواع فضاهای رنگی در استخراج رنگ‪:‬‬
‫‪‬‬
‫‪RGB‬‬
‫‪‬‬
‫‪HSV‬‬
‫‪‬‬
‫*‪L*a*b‬‬
‫‪145‬‬
‫روشهای استخراج رنگ‪:‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫ممان رنگ‬
‫هیستوگرام رنگ‬
‫هیستوگرام برچسب رنگ‬
‫بردار ارتباط رنگ‬
‫همبستگی نگاشت رنگ‬
‫رنگ غالب‬
‫بردار وابستگی‬
‫‪146‬‬
‫نمونهای از روشهای استخراج ویژگی بافت‪:‬‬
‫‪ ‬ماتریس ‪Co-occurrence‬‬
‫‪ ‬ویژگی های ‪Tamura‬‬
‫‪‬‬
‫ویژگیهای فیلتر گابور‬
‫‪‬‬
‫ویژگیهای تبدیل موجک‬
‫‪147‬‬
148
‫در این مثال از دو ویژگی رنگ غالب فازی و رنگ غالب فازی با در نظر گرفتن وابستگی مکانی پیکسل‬
‫ها استفاده شده است و ساختار مبتنی بر اتوماتای سلولی برای استخراج ویژگی بکار رفته است‪.‬‬
‫تابع عضویت وضعیت قرار گرفتن یک پیکسل در همسایگی ‪ 8‬از نطر رنگ پیکسلهای همسایه‬
‫‪149‬‬
‫نحوه نگاشت سلولهای اتوماتا بر پیکسلهای تصویر‬
‫‪150‬‬
151
‫طیف ‪ 8‬رنگ غلب‬
‫تابع عضویت ‪ 8‬رنگ غالب مورد استفاده برای دستهبندی پیکسلهای تصویر رنگی‬
‫‪152‬‬
153
154
155
156
157
‫الگوریتم کار‪:‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫محاسبه زاویه حرکت دست از روی نقاط پیدا شده‬
‫شناسایی حرکت مطلوب توسط سیستم فازی‬
‫قرار دادن نام حرکت روی نوار اتوماتا جهت تغییر وضعیت آن‬
‫شناسایی وضعیت نهایی اتوماتا و حرف نوشته شده‬
‫‪158‬‬
‫محاسبه زاویه حرکت دست‪:‬‬
‫‪159‬‬
‫نام حرکت‬
‫زاویه‬
‫جهات مهم حرکت دست‬
‫‪a‬‬
‫‪0‬‬
‫راست‬
‫‪b‬‬
‫‪45‬‬
‫راست‪-‬باال‬
‫‪c‬‬
‫‪90‬‬
‫باال‬
‫‪d‬‬
‫‪135‬‬
‫چپ‪-‬باال‬
‫‪e‬‬
‫‪180‬‬
‫چپ‬
‫‪f‬‬
‫‪-135‬‬
‫چپ‪-‬پایین‬
‫‪g‬‬
‫‪-90‬‬
‫پایین‬
‫‪h‬‬
‫‪-45‬‬
‫راست‪-‬پایین‬
160
‫‪‬‬
‫فرمول یافتن مختصات جدید زاویه حرکت دست‪:‬‬
‫‪‬‬
‫یافتن مکان کنونی دست با استفاده از لبهیابی‪:‬‬
‫مقادیر موجود در ماسک های ‪ Gx, Gy‬برای لبه یابی تصویر در روش ‪Sobel‬‬
‫‪161‬‬
‫‪‬‬
‫مدل فازی تشخیص جهت حرکت دست از روی زاویه حرکت به دست آمده‬
‫جهت حرکت‬
‫‪162‬‬
‫سیستم فازی‬
‫زاویه‬
‫شناسایی‬
‫شده‬
‫‪ ‬ماشین های اتوماتای )‪DFA(Deterministic Finite Automata‬‬
‫یک ‪ DFA‬به صورت‬
‫تعریف می شود‪ ،‬که در آن‪:‬‬
‫‪ Q‬یک مجموعه متناهی است که نام ‪ State‬های ماشین در آن قرار دارد‪.‬‬
‫‪ Ʃ‬یک مجموعه متناهی است که نام ‪ Symbol‬های زبان ماشین در آن قرار دارد‪.‬‬
‫‪ δ‬تابع انتقال (تغییر وضعیت) ماشین که به صورت تعریف می شود‪.‬‬
‫‪ q0‬عضوی از می باشد که به عنوان ‪ State‬شروع می باشد‪.‬‬
‫‪ F‬زیر مجموعه ای از که به عنوان ‪( State‬های) نهایی (پذیرش) می باشد‪.‬‬
‫‪163‬‬
‫گراف معادل اتوماتای طراحی شده برای شناسایی حروف ‪A, M, N, Z‬‬
‫‪164‬‬

similar documents