فصل اول- مقدمه |
|— 1-1مقدمه ای بر ماشین بینایی |
|—|— 1-1-1 بینایی ماشین(MV) |
|—|— 1-1-2 کاربردهای بینایی ماشین |
|—|— 1-1-3 متدها |
|—|— 1-1-4 پردازش تصویر |
|—|—|— 1-1-4-1 استخراج ویژگی |
|—|—|— 1-1-4-2 روش های قسمت بندی تصویر |
|—|—|— 1-1-4-3 دسته بندی |
1-1-5 روش های پردازش تصویر در بینایی ماشین |
|—|— 1-1-6 مراحل بینایی ماشین |
|—|— 1-1-7 روش های فشردهسازی تصاویر |
|—|— 1-1-8 تصاویر رقومی(دیجیتالی) |
|—|— 1-1-9 مقادیر پیکسلها |
|—|— 1-1-10 دقت تصویر |
|— 1-2 تاریخچه پردازش تصویر |
|—|— 1-2-1 مراحل اصلی پروسه تشخیص تصویر |
|—|— 1-2-2 عملیات اصلی در پردازش تصویر |
|—|— 1-2-3 کاربردهای علم پردازش تصویر |
|— 1-3 کاربردها |
|— 1-4 دلایل استفاده از این سیستم |
فصل دوم- تحلیل |
|— 2-1 تاریخچه الگوریتم الگوی باینری محلی(Local Binary Pattern) |
|—|— 2-1-1 نمونه 1: دسته بندی بافته بااستفاده ازطیف بافته |
|—|— 2-1-2 نمونه 2: مطالعه تفضیلی اندازه گیری و سنجش بافته ازطریق رده بندی برپایه توزیع خصایص |
|—|— 2-1-3 نمونه 3: مکانیابی واستخراج چشم درتصاویرچهره انسان |
|—|— 2-1-4 نمونه 4: تشخیص چهره: مشکل تصحیح تغییراتی که در مسیر شدت های روشنایی در تصویر ایجاد می شود |
|—|— 2-1-5 نمونه 5: رده بندی بافت های مقاوم به چرخش(Rotation-invariant) با استفاده از توزیعات خصایص |
|—|— 2-1-6 نمونه 6: توالی هیستوگرام LGBP |
|—|— 2-1-7 نمونه7: تشخیص قوی حالات چهره بااستفاده ازLBP |
|—|— 2-1-8 نمونه 8: تشخیص احساسات با استفاده از الگوهای پیشرفته دودویی محلی(LBP)، پراکندگی(Entropies) tsallis وخصایص ظاهری و سراسری در چهره |
|—|— 2-1-9 نمونه 9: هیستوگرام الگوی دودویی محلی چند طیفه(Multispectral Local Binary Pattern Histogram) برای عناصر و اجزای مبتنی بر بازبینی رنگ چهره |
|— 2-2 معرفی سیستم های مشابه |
|—|— 2-2-1 الگوهای باینری محلی (local binary pattern) |
|—|— 2-2-2 الگوهای باینری یکنواخت محلی (local uniform binary pattern) |
|—|— 2-2-3 الگوهای باینری محلی مقاوم در برابر چرخش (rotation invariant local binary pattern) |
|—|— 2-2-4 الگوی باینری محلی چند مقیاسه (multi-scale local binary pattern) |
|—|— 2-2-5 الگوی باینری Gabor محلی (local gabor binary pattern) |
|—|— 2-2-6 مقدار سطح شیب در الگوی باینری محلی (magnitude local binary pattern) |
|— 2-3 تحلیل |
|—|— 2-3-1 واحد بافته(Texture Unit) و طیف بافته(Texture Spectrum) |
|—|—|— 2-3-1-1 دسته بندی بافته(Texture Classification) |
|—|— 2-3-2 مقیاس خاکستری(Gray Scal) و الگوهای باینری محلی با خصوصیت مقاوم به چرخش(Rotation Invariant LBP) |
|—|—|— 2-3-2-1 دست یافتن به تغییر ناپذیری مقیاس خاکستری در تصاویر gray scale |
|—|—|— 2-3-2-2 به دست اوردن ویژگی مقاوم به چرخش در تصاویر |
|—|—|— 2-3-2-3 بهبود ویژگی مقاوم به چرخش در تصاویر با الگوهای یکنواخت و بهتر شدن تدریجی(Quantization) زاویه های چرخش در تصویر |
|—|—|— 2-3-2-4 اندازه گیری واریانس(انحراف) در ویژگی مقاوم به چرخش تصاویر به واسطه ی کنتراست(تفاوت رنگ) بافت تصویر محلی |
|—|—|— 2-3-2-5 قاعده کلی دسته بندی غیر پارامتری |
|—|—|— 2-3-2-6 انالیز چند رزولیشنه(Multiresolation Analysis) |
|—|— 2-3-3 خصایص قابل تبعیض برای توصیف بافته(Discriminative features for texture description) |
|—|—|— 2-3-3-1 مدل یادگیری برای توصیف بافته |
|—|—|— 2-3-3-2 فرمولاسیون مدل یادگیری پیشنهادی |
|—|—|— The discriminative completed LBP (disCLBP) 3-3-3-2 |
|—|— 2-3-4 سطح الگوی باینری محلی (VLBP) |
|—|—|— 2-3-4-1 سطح الگوی باینری محلی پایه ای(Basic Volume Local Binary Pattern) |
|—|—|— 2-3-4-2 خاصیت مقاوم در چرخش در سطح الگوی باینری محلی(Rotation Invariant VLBP) |
|—|—|— 2-3-4-3 الگوهای باینری محلی از سه سطح متعامد(Local Binary Patterns From Three Orthogonal Planes) |
|—|—|— 2-3-4-4 توصیف گر محلی برای انالیز تصویر چهره |
فصل سوم دسته بندی(svm) |
|— 3-1 چکیده |
|— 3-2 مقدمه |
|— 3-3 مقدمه ای در دسته بندی |
|— 3-4 دسته بندی |
|—|— 3-4-1 SVM |
|—|— 3-4-2 SVM غیر خطی |
|—|— 34-3 Svm خطی |
|—|—|— 3-4-3-1 فرم اولیه |
|—|— 3-5- 4 SVM Multiclass |
|— 3-6 استفاده از دانش قبلی در SVM |
|— 3-7 Soft Margin(حاشیه نرم) |
|— 3-8 خصوصیات SVM |
|— 3-9 رگرسیون(Regression) |
فصل چهارم-نتایج ومقایسه |
|— 1-4 نتایجی برای VLBP |
|— 4-2 نتایجی برای LBP-TOP |
|— 4-3 مقایسه متد LBP-TOP با بقیه ی روش ها |
|— 4-4 نتیجه گیری |
پیوست ها |
|— پیوست الف |