تاریخچه فوتوشاپ

سال‌ها پیش در پاییز سال  1987,  Thomas knoll، دانشجوی دکترای رشته  Computer Visionدر حال کار روی برنامه‌ای بود که بتواند تصاویر طیف خاکستری کامپیوتری را روی مانیتور‌های سیاه‌و‌سفید نقشه‌بیتی به نمایش درآورد. این برنامه به نوعی سرگرمی دوره‌ دانشجویی نول محسوب می‌شد که فارغ از درس‌های دوره‌ دکتری، در خانه خود و روی کامپیوتر مک پلاس خانگی‌اش روی آن کار می‌کرد. این کد برنامه به هیچ وجه مربوط به رساله‌ پایان‌نامه‌ نول نمی‌شد و خود او نیز در اوایل کار هرگز فکر نمی‌کرد که این برنامه‌ ساده او قرار است روزی به بزرگترین نرم‌افزار ویرایش تصویر تبدیل شود.     این برنامه نظر John، برادر نول را جلب کرد. جان در آن زمان در شرکت بزرگ (Industrial Light and Magic ILM) در مارین کانتری کالیفرنیا مشغول به کار بود. ILM مرکز جلوه‌های ویژه تصویری در شرکت عظیم لوکاس فیلم بود که در آن زمان بزرگترین و معتبرترین  شرکت فیلم‌سازی به شمار می‌رفت. با تهیه فیلم جنگ‌های ستاره‌ای، لوکاس فیلم ثابت کرده بود که جلوه‌های تصویری کار‌آمد می‌توانند با ترکیب شخصیت‌های خیالی و داستانی دور از ذهن، به یک پدیده در دنیای سینما تبدیل شوند. در پی موفقیت عظیم آن فیلم، همه در پی یافتن راه‌حل‌های دیجیتالی برای چنین مقاصدی بودند و به همین علت جان نیز به محض اطلاع از پروژه‌ برادرش، از او خواست که از برنامه‌اش برای تولید تصاویر دیجیتالی استفاده کند. این برنامه‌ ساده Display  نام داشت و نمایش تصاویر دیجیتالی توسط این برنامه‌ نتیجه‌‌ خوبی را به دنبال داشت که نقطه‌ سرآغاز کار این دو برادر شد.

تشخیص تومور مغزی با استفاده از دسته بندی داده و پردازش تصویر همراه مقاله شبیه سازی شده

با استفاده از دسته بندی داده و لبه یابی تصویر mri مغزی بر روی تصویر مقاله پیاده شده است و می توان به راحتی بر روی مدل های دیگر پیاده سازی نمود.

عالی برای پروژه درس پردازش تصویر و دسته بندی داده و مهندسی پزشکی مقطع کارشناسی و ارشد

به راحتی میتوان مدل را به مدل دلخواه تغییر داد.(شبیه سازی در سیمولینک متلب انجام شده است)

جواب و خروجی های تست شده است و نگران صحت برنامه نباشید و در صورت اشکال با شماره های زیر تماس بگیرید.)

برای هماهنگی بیشتر و سوال می توانید با شماره های زیر و یا ایمیل با نویسنده برنامه در ارتباط باشید.

محمدرضاکیانی

09132399969

09338075778

[e-mail]

WWW.MATLABNEVISAN.IR

پیاده سازی سیستم پردازش تصویر بر روی سی ان سی ربات اسکارا

گونه ی scara از متداول ترین انواع ربات ها در صنعت به شمار می آیند . scara سر واژه ی کلمات selective compliance articulated assembly robot arm  به معنی بازوی رباتیک ماهر منعطف و دارای حسن برای مونتاژ، می باشد . اسکارا یک ترکیب جدید و مردم پسند است .

این ربات دارای سه مفصل در صفحه ی افق است که به آن اجازه ی تعیین موقعیت و جهت در صفحه  موازی با صفحه xy را می دهد . یک مفصل خطی (کشویی) نیز تعیین موقعیت در راستای محور z (عمودی) را امکان پذیر نموده است . این ربات یک نمونه بارز از ربات "بردار و بگذار" است و هنگامی که با یک سیستم بینایی (  Machine vision ) ترکیب می شود ، می تواند محصولات را از روی تسمه نقاله برداشته و به داخل جعبه بسته بندی منتقل نماید ، البته با سرعتی بسیار بالا . ساختمان مفصل ربات به آن اجازه می دهد تا نسبت به نیروهای وارده در صفحه افقی انعطاف پذیر باشند . اهمیت این موضوع در کاربرد هایی است که باید قطعات در مکان هایی بسیار تنگ ، با دقت جاسازی شوند .

 چهارچوب کلی این پروژه بدین صورت است که قرار است یک دوربین بر روی لینک سوم ربات اسکارا نصب شود و صفحه ای شامل خطوط رنگی بطور ثابت در ناحیه کاری ربات قرار می گیرد ، دوربین را به رایانه متصل کرده و از تصاویر ارسالی از دوربین در برنامه پردازش تصویر استفاده کرده و از خروجی برنامه برای کنترل ربات استفاده نماییم. endeffector ربات می تواند انواع عملیات را بر روی صفحه مورد نظر ما انجام دهد مثل برش ، جوش ، سوراخکاری و...که مراحل وچگونگی انجام این پروژه ب تفصیل توضیح داده شده است.

معیارهای کنی برای استخراج لبه در پردازش تصویر

 مرز بین نواحی با خواص نسبتا متفاوت در سطح خاکستری، لبه نامیده می‌شود.الگوریتم های زیادی به منظور آشکار سازی لبه ها در مبحث پردازش تصویرارائه شده اند . اساس بسیاری از این الگوریتم ها و روش ها مشتق گیری از تصویر می باشد آشکارسازی لبه در تصویر به مفهوم کاهش اطلاعات غیر مفید از داده ها ، همراه با حفظ خصوصیات ساختاری مهم است.الگوریتم canny  در آشکارسا زی لبه به الگوریتم بهینه معروف است . اهداف این روش عبارتند از : اولین و مهمترین هدف آن نرخ خطای کم بود . مهم است که لبه های موجود در تصاویر از دست نروند و الگوریتم برای غیر لبه ها واکنش نشان ندهد . دومین هدفش این بود که نقاط موجود در لبه به خوبی شناسایی شوند ، به بیان دیگر فاصله ی بین پیکسلها ی لبه که توسط آشکارساز پیدا شده و حالت واقعی آن مینیمم باشد . معیار سوم این است که الگوریتم نسبت به لبه ی منفرد تنها یک واکنش نشان دهد. این معیار به این علت در نظر گرفته شد که دو معیار اول به اندازه ی کافی توانایی آن را نداشتند تا اثر واکنش های چندگانه نسبت به یک لبه را حذف کنند . مسئله مهم دیگر که در آشکار سازی لبه ها موجب آزار می شود ، وجود

تشخیص چهره‎