مقایسه کارایی ترمیمی تصویر چهره انسان با استفاده از فیلتر نویز فضایی (تابع غیرخطی median) با شبکه عصبی یادگیری عمیق کانوولوشن (CNN)
- سال انتشار: 1400
- محل انتشار: همایش ملی نوآوری و فناوری های نوین و کاربردی در مهندسی برق و کامپیوتر
- کد COI اختصاصی: IECECONF01_015
- زبان مقاله: فارسی
- تعداد مشاهده: 505
نویسندگان
کارشناسی ارشد و دیر فناوری اطلاعات
استاد و مدیریت دانشگاه امام حسین (ع)
چکیده
یکی از چالش های اصلی در زمینه بینایی ماشین به روش های کلاسیک که مبتنی بر ریاضیات محض و روش های آماری می باشند، بازدهی نامناسب قسمت های مختلف نرم افزار در استخراج ویژگی (سن، جنسیت، رنگ پوست، رنگ مو، لبه های تصاویر، حذف نویز و ... ) و تطبیق این ویژگی ها می باشد که عمدتا به دلیل استفاده از منطق قطعی در قسمت های مختلف سامانه های تشخیص چهره می باشد زیراکه ویژگی های مذکور ذاتا توصیفی و تقریبی بوده و میبایست در مجموعه های فازی دسته بندی و با استدلال فازی بررسی گردند که ما در این مقاله به بررسی یکی از مهمترین موضوعات در پردازش تصویر که تشخیص لبه های عکس می باشد با استفاده از منطق فازی خواهیم پرداخت و نشان خواهیم داد که استفاده از این منطق چقدر در بهبود تشخیص لبه های عکس موثر خواهد بود. یکی از چالش های اصلی در زمینه بینایی ماشین که در نتایج عملیات پردازش تصاویر بسیار موثر می باشد وجود عکس های تخریب شده و روش های اتخاذ شده برای ترمیم ۳ آنها می باشد. در این مقاله تعداد ۲۳۰۰ عکس چهره افراد به قالب تک سیگنال (سیاه و سفید) تبدیل گردید و بعد از آن به دلیل هم سایز نبودن تصاویر کلیه تصاویر به اندازه ۶۴×۶۴ تغییر اندازه پیدا نمود و کلیه عکس ها با ۳ روش فلفل نمکی، لکه ای و گاوسی تخریب گردید و در ادامه هر ۳ سری تصاویر تخریب شده با روش فیلترینگ غیرخطی میانگین و شبکه عصبی کانوولوشن مورد آزمایش قرار دادیم و نتایج بدست آمده نشان می دهد که در صورت عدم محدودیت در زمان و سخت افزار، کارایی روش ترمیم تصاویر با استفاده از شبکه عصبی کانوولوشن با فیلتر غیرخطی میانگین تفاوت قابل توجهی دارد و میبایست از این فیلترهای برای ترمیم تصاویر استفاده نمود.کلیدواژه ها
تخریب، ترمیم، فیلتر نویز فضایی غیرخطی میانگین، شبکه عصبی یادگیری عمیق کانوولوشن، الگوی یادگیری محلیمقالات مرتبط جدید
- تحلیل انطباقی کیفیت و میزان محبوبیت خدمات ابری با بررسی و مقایسه رتبه بندی Tranco و رتبه بندی عملکردی شرکت های ابری
- طبقه بندی سیگنال های EEG ثبت شده از قشر پیش پیشانی به منظور کشف اثر موسیقی در شدت احساسات با استفاده از شبکه عصبی مصنوعی و پرسشنامه
- ارائه رویکردی برای مدیریت ریسک در پروژه های نرمافزاری با استفاده از خوشه بندی تجمعی
- تحلیل احتمالنقض ترتیب علیتی پیام ها در یک الگوریتم پخش علیتی در سیستمهای توزیع شده
- بهینه سازی به سبک گربه های شنی: الگوریتمی برای جستجوی کارآمد و مدیریت ازدحام
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.