در اين مقاله يک روش جديد براي بازسازي مدل سه بعدي جسم صلب با استفاده از نيمرخهاي آن در طول زمان حرکت جسم ارائه ميگردد. ايده اصلي مقاله ارائه راهکاري مناسب جهت کاهش مشکلات و تنگناهاي موجود در بازسازي دقيق مدل سه بعدي همراه با افزايش سرعت بازسازي ميباشد. از جمله اين چکیده کامل
در اين مقاله يک روش جديد براي بازسازي مدل سه بعدي جسم صلب با استفاده از نيمرخهاي آن در طول زمان حرکت جسم ارائه ميگردد. ايده اصلي مقاله ارائه راهکاري مناسب جهت کاهش مشکلات و تنگناهاي موجود در بازسازي دقيق مدل سه بعدي همراه با افزايش سرعت بازسازي ميباشد. از جمله اين مشکلات ميتوان به ابهام موجود در تطبيق تصاوير استريو براي نواحي با درجه تباين پائين، توازن غير دقيق شدت نور و رنگ دوربينها در مرحله راه اندازي و ايجاد خطا در تطبيق نقاط متناظر، ايجاد سايه بدليل تغيير زاويه تابش منبع نور در زمان حرکت جسم و خطاي ناشي از آن در تخمين حرکت و نهايتاً وابستگي شديد روش نيمرخ به تعداد دوربينها اشاره نمود. در اين مقاله يک روش کاملا ابتکاري براي ادغام سه روش تطبيق استريو، تخمين حرکت و نيمرخ پيشنهاد ميگردد که با بهره جوئي از نقاط قوت هر روش، به برطرف ساختن نقاط ضعف آنها ميپردازد. ابتکارات بکار گرفته شده در اين مقاله عبارتند از: ارائه الگوريتم مبتني بر رشد ناحيه براي نقاط همسايگي با تفاضل رنگ پائين، جهت افزايش دقت در فرآيند حذف پسزمينه. استخراج نقاط ويژگي جسم با درجه تباين بالا، جهت افزايش دقت تطبيق استريو و کاهش حساسيت آن به توازن شدت نور و رنگ دوربينها. بکارگيري روش تطبيق چندگانه به جاي تطبيق استريو، جهت افزايش دقت در استخراج مختصات سه بعدي نقاط منفرد جسم. استفاده از نقاط منفرد سه بعدي براي تخمين دقيق حرکت جسم صلب. ايجاد دوربينهاي مجازي و افزايش تعداد نيمرخهاي جسم در مدت زمان حرکت جسم. ارائه يک الگوريتم سريع سلسله مراتبي جهت استخراج پوسته قابل ديد از نيمرخهاي جسم.
پرونده مقاله
با افزايش تعداد باندهاي تصاوير سنجش از دور، الگوريتمهاي استخراج ويژگي مانند تحليل مؤلفههاي اصلي، تحليل مؤلفههاي مستقل، نگاشت جستجوگر، استخراج ويژگي با مرز تصميمگيري، تحليل مميز و تبديل موجک به منظور کاهش تعداد ويژگيها و بهبود طبقهبندي مورد استفاده قرار گرفتهان چکیده کامل
با افزايش تعداد باندهاي تصاوير سنجش از دور، الگوريتمهاي استخراج ويژگي مانند تحليل مؤلفههاي اصلي، تحليل مؤلفههاي مستقل، نگاشت جستجوگر، استخراج ويژگي با مرز تصميمگيري، تحليل مميز و تبديل موجک به منظور کاهش تعداد ويژگيها و بهبود طبقهبندي مورد استفاده قرار گرفتهاند. اما اين الگوريتمها به دليل افزايش تعداد منابع اطلاعاتي، حجم دادهها و محدود بودن تعداد نمونههاي آموزشي در تصاوير ابرطيفي، بازدهي مطلوبي ندارند. در اين مقاله براي حل اين مشکل، الگوريتم جديد مبتني بر ماشين بردار پشتيبان ارايه گرديده است. اين الگوريتم پس از يک طبقهبندي اوليه، با استفاده از کلاس هر پيکسل و همسايههايش به صورت سلسلهمراتبي تصميمگيري میکند. تصميمگيري در هر يک از سطوح اين طبقهبندي کننده بوسيله يک ماشين بردار پشتيبان انجام میشود. اين الگوريتم بر روي دادههاي واقعي ابر طيفي سنجنده AVIRIS اجرا شد. نتايج نشان ميدهد كه صحت طبقهبندي دادههاي ابرطيفي با استفاده از اين الگوريتم بسيار مطلوب بوده و مشكل محدود بودن تعداد نمونههاي آموزشي تا حد قابل توجهي جبران شده است. در واقع اين تحقيق با ادغام اطلاعات مکاني و استفاده از طبقهبندي کننده ماشين بردار پشتيبان صحت طبقهبندي را بهبود میبخشد. اين الگوريتم زمان لازم براي طبقهبندي تصاوير ابرطيفي را با استفاده از ماشين بردار پشتيبان، بسيار کاهش داده و کارآيي الگوريتم ماشين بردار پشتيبان را به عنوان طبقهبندي کننده تصاوير ابرطيفي افزايش میدهد.
پرونده مقاله
نخستين مرحله در هر فرايند شناسايي خودکار اثر انگشت، دستهبندي است. فرايند دستهبندي، با کوچککردن فضاي جستجو، زمان و هزينه را کاهش ميدهد. روشهاي معمول دستهبندي، مبتني بر کلاسهاي قابل رؤيت اثر انگشت است. نظر به تعداد کم اين کلاسها و عدم توزيع يکنواخت تصاوير اثر انگشت چکیده کامل
نخستين مرحله در هر فرايند شناسايي خودکار اثر انگشت، دستهبندي است. فرايند دستهبندي، با کوچککردن فضاي جستجو، زمان و هزينه را کاهش ميدهد. روشهاي معمول دستهبندي، مبتني بر کلاسهاي قابل رؤيت اثر انگشت است. نظر به تعداد کم اين کلاسها و عدم توزيع يکنواخت تصاوير اثر انگشت در اين کلاسها، دستهبندي پيوسته اثر انگشت مورد توجه قرار گرفته است. در دستهبندي پيوسته، يک تابع شباهت تعريف ميشود و براي شباهت تصاوير موجود در پايگاه داده و اثر انگشت ورودي، با توجه به تابع تعريفشده، درجهاي اختصاص مييابد. مرحله تطابق اثر انگشت ورودي با تصاوير موجود در پايگاه داده، از تصويري از پايگاه داده آغاز ميشود که بيشترين شباهت را با ورودي داشته باشد. در اين مقاله يک روش براي اندازهگيري شباهت و دستهبندي پيوسته اثر انگشت مبتني بر تصوير بلوک جهتي، ارائه شده است. روش ارائهشده نسبت به انتقال و چرخش اثر انگشت مقاوم بوده و نيازي به وجود و آشکارسازي نقطه مرجع ندارد. پيادهسازي روش مذکور بر روي پايگاه داده 2000FVC، دقت قابل ملاحظه روش را در کاهش فضاي جستجو در مقايسه با ساير روشها نشان ميدهد.
پرونده مقاله
امروزه، تصاویر ابرطیفی به دست آمده از سنجندههای از راه دور، امکان تمییز بین کلاسها با جزئیات بیشتر را فراهم آوردهاند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونههای آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقهبندی تصاویر ابرطیفی میشود. از آنجایی که جمعآو چکیده کامل
امروزه، تصاویر ابرطیفی به دست آمده از سنجندههای از راه دور، امکان تمییز بین کلاسها با جزئیات بیشتر را فراهم آوردهاند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونههای آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقهبندی تصاویر ابرطیفی میشود. از آنجایی که جمعآوری دادههای آموزشی سخت و زمانبر است، کاهش تعداد باندهای طیفی به بهبود کارایی طبقهبند کمک شایانی خواهد نمود. بنابراین استخراج ویژگی تصاویر ابرطیفی، یکی از مراحل مهم پیشپردازش این نوع دادهها محسوب میشود. در شرایطی که تعداد نمونه آموزشی در دسترس محدود است، روشهای استخراج ویژگی معمول همچون LDA دارای کارایی خوبی نخواهند بود. در این مقاله، یک روش استخراج ویژگی نظارتشده معرفی گردیده که بدون نیاز به تعیین برچسب نمونههای آزمایشی، با انجام خوشهبندی بر روی آنها و یافتن رابطه بین نمونههای آموزشی و آزمایشی، از قدرت نمونههای بدون برچسب به همراه نمونههای آموزشی برای تولید ماتریسهای پراکندگی درونکلاسی و بینکلاسی استفاده میکند. این کار دقت طبقهبندی را خصوصاً برای دادههای ابرطیفی چندمده افزایش خواهد داد. روش پیشنهادی که تحلیل ممیز خطی فضای خوشه (CSLDA) نامیده میشود، با روشهای پرکاربرد استخراج ویژگی نظارتشده همچون LDA، GDA و NWFE مقایسه شده است. نتایج به دست آمده بر روی تصاویر ابرطیفی واقعی از مناطق شهری و کشاورزی نشان میدهند که روش پیشنهادی با استفاده از تعداد محدود نمونههای آموزشی، دارای کارایی بهتری نسبت به سایر روشها میباشد.
پرونده مقاله