‫‪Mohammadreza Fadavi Amiri‬‬

‫‪1‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫در ساده ترین حالت یک تصویر را می توان توسط تابع دوبعدی‬
‫)‪f(x,y‬نشان داد که در آن ‪X‬و ‪Y‬را مختصات مکانی و مقدار ‪ f‬در‬
‫هر نقطه را شدت روشنایی تصویر درآن نقطه می نامند‪.‬‬

‫برای نمایش یک تصویر ‪ M*N‬از یک آرایه دو بعدی (ماتریس) که ‪ M‬سطر و‪ N‬ستون دارد استفاده می کنیم‪.‬‬

‫مقدار هر عنصر از آرایه نشان دهنده شدت روشنایی تصویر در آن نقطه است‪ .‬هر عنصر آرایه یک‬
‫مقدار ‪ 8‬بیتی است که می تواند مقداری بین ‪ 0‬و ‪ 255‬داشته باشد‪ .‬مقدار صفر نشان دهنده رنگ تیره‬
‫(سیاه) و مقدار ‪ 255‬نشان دهنده رنگ روشن ( سفید ) است‪.‬‬

‫‪2‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
‫اولين تصوير ديجيتالي از سطح ماه‬
‫ارسال شده توسط سفينه فصايي‬
‫آمريكا (جوالي ‪)1964‬‬

‫اولين تصوير ديجيتالي ارسال‬

‫شده از طريق كابل (‪)1929‬‬

‫‪3‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫‪ ‬دریافت تصویر ورودی‬

‫‪ ‬پیش پردازش تصویر‬

‫‪ ‬پردازش تصویر‬

‫‪ ‬آنالیز تصویر‬

‫هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬

‫درس ‪4‬‬
‫‪RGB‬‬ ‫‪Grayscale‬‬

‫‪5‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
‫تفریق دو تصویر هم اندازه بدین مفهوم است که شدت روشنایی پیکسل های متناظر دو تصویر را از هم کم کنیم ‪.‬‬

‫‪6‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
‫جمع دو تصویر بدین مفهموم است که در دوتصویر‪ ،‬شدت روشنایی پیکسل های متناظر دو تصویر را از‬
‫باهم جمع کنیم ‪.‬‬

‫‪7‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
‫در یک تصویر سیاه و سفید که فقط دو سطح شدت روشنایی ‪ 0‬و ‪ 1‬دارد ‪ ،‬منظور از مکمل کردن‬
‫تصویر ‪ ،‬یک کردن پیکسلهای با مقدار صفر و صفر کردن پیکسل های با مقدار یک است‪.‬‬

‫‪8‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫فرض کنید چند تصویر یکسان داریم که بر روی هرکدام از آنها نویزهای مختلفی وجود دارد و می خواهیم‬
‫کیفیت این تصاویر را ارتقا دهیم‪ .‬در چنین مواردی می توان از میانگن گیری از همه تصاویر استفاده کنیم ‪.‬‬
‫بدین صورت که مقادیر پیکسل های متناظر در همه تصاویر را باهم جمع کرده و سپس به تعداد کل تصاویر‬
‫تقسیم کنیم‪ .‬بدیهی است که هرقدر تعداد تصاویر برای میانگین گیری بیشتر باشد ‪ ،‬تصویر حاصل از‬
‫میانگین گیری آنها نیز بیشتر به واقعیت نزدیک خواهد بود‪.‬‬

‫‪9‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫هیستوگرام تصویر نموداری است که توسط آن تعداد پیکسل های هر سطح روشنایی در تصویر‬
‫با ‪ 256‬سطح ‪Grayscale‬ورودی مشخص می شود‪ .‬فرض کنید تصویر ورودی یک تصویر‬
‫روشنایی باشد ‪ ،‬بنابراین هریک از پیکسل های تصویر مقداری در بازه [‪ ]0...255‬می توانند داشته‬
‫باشند‪.‬‬

‫تعدیل هیستوگرام‬
‫چیست؟‬

‫‪10‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫) ‪s = convolution( r, w‬‬ ‫‪ -1‬حوزه مکانی‬
‫‪ -2‬حوزه فرکانسی‬

‫پس در یک تعریف کلی می توان چنین گفت که ‪:‬‬

‫تصویر روبرو را در نظر بگیرید ‪:‬‬
‫حرکت دادن پیکسل به پیکسل ماسک بر روی تصویر برای تولید تصویر خروجی را کانولوشن می نامیم‬
‫‪.‬‬
‫* ) ‪G( x , y ) = w(x-1,y-1 ) * f( x-1 , y-1 ) + w( x-1 , y ) * f( x-1 , y ) + w( x-1 , y+1‬‬
‫‪f( x-1 , y+1 ) + w( x , y-1 ) * f( x , y-1 ) + w( x , y ) * f( x , y ) + w( x , y+1 ) * f( x , y+1 ) +‬‬
‫) ‪w( x+1 , y-1 ) * f( x+1 , y-1 ) + w( x+1 , y ) * f( x+1 , y ) + w( x+1 , y+1 ) * f( x+1 , y+1‬‬

‫‪11‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫هایآرامتیزکننده‬
‫پیکسلهای‬
‫‪ -1‬فیلتر‬

‫آرامده‬
‫تیز کنن‬
‫فیلترهایهای‬
‫‪ -2‬پیکسل‬

‫تصویر اصلی‬ ‫تصویر تیز شده‬ ‫‪12‬‬

‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫بررسی شکل شناسی برای تصاویر دودویی‬
‫منظور از تصاویر دودویی ‪ ،‬تصاویر با دو سطح روشنایی ‪ 0‬یا ‪ 1‬می باشد که در آن منظور از ‪ 0‬رنگ سیاه‬
‫و منظور از ‪ 1‬رنگ سفید می باشد‪.‬‬

‫‪ -1‬اجتماع‬

‫‪ -2‬اشتراک‬
‫‪ -3‬تفاضل‬
‫‪ -4‬مکمل‬

‫‪13‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫دهد‪ 1.‬یا‬
‫ساختمانی‬ ‫عنصر‬
‫نشان می‬ ‫مقادیر‬
‫تمام ‪1‬‬ ‫ساختمانیکه‪3*3‬‬
‫عنصرمی گوییم‬
‫ساختمانی‬ ‫عنصر‬
‫تصویر با‬ ‫فیلتر به آن‬
‫گسترش‬ ‫بخشپس از‬ ‫ماسک در‬
‫تصویری را‬ ‫زیر جای‬
‫خروجی‬ ‫اینجا به‬
‫درشکل‬
‫‪ 0‬می تواند باشد‪ .‬گسترش تصویر ‪ A‬با عنصر ساختمانی ‪ B‬صفر می تواند به صورت زیر تعریف می شود ‪:‬‬

‫‪14‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫همانطور که از نام عملگر پیداست ‪ ،‬این عملگر باعث سایش نقاط ‪ 1‬در تصویر می شود‪ .‬همانند عملگر‬
‫دهد‪.‬یا‬
‫ساختمانی ‪1‬‬
‫عنصرنشان می‬ ‫مقادیر‬
‫تمام ‪1‬‬ ‫ساختمانیکه‪3*3‬‬
‫استفاده می کنیم‬
‫ساختمانیبا عنصر‬ ‫یکاز عنصر‬
‫سایش تصویر‬ ‫تصویرنیزرا ازپس‬
‫خروجیسایش‬
‫گسترش ‪،‬زیردرعملگر‬
‫شکل‬
‫صفر می تواند باشد‪.‬‬

‫سایش تصویر ‪ A‬با عنصر ساختمانی ‪ B‬به صورت زیر تعریف می شود ‪:‬‬

‫‪15‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
‫پرشوند‪.‬شده‬
‫باریک تصویر حذف‬
‫اتصاالتکوچک‬
‫حفره های‬
‫شود تا‬
‫شود تا‬
‫میمی‬
‫موجب‬
‫موجب‬
‫باینری‬
‫باینری‬
‫تصویر‬
‫تصویر‬ ‫کردنبر‪ :‬بر‬
‫رویروی‬ ‫بستن ‪:‬‬ ‫عملگرباز‬
‫‪ -2‬عمگر‬
‫‪1‬‬
‫آید‪.‬عملگر سایش و گسترش و به صورت زیر به دست می آید ‪:‬‬ ‫به ازدست‬
‫ترکیب‬ ‫آرام تر‬
‫تصویر‬ ‫بستن‬‫و تصویری‬
‫باز کردن تصویر از ترکیب عملگر سایش و گسترش و به صورت زیر به دست می آید ‪:‬‬

‫تصویر اصلی‬ ‫باز کردن تصویر‬ ‫بستن تصویر‬

‫‪16‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫پردازش تصویر دانش جدیدی است که سابقه آن به پس از‬
‫اختراع رایانههای رقمی بازمیگردد‪ .‬با این حال این علم نوپا‬
‫در چند دهه اخیر از هر دو جنبه نظری و عملی پیشرفتهای‬
‫چشمگیری داشته است‪ .‬سرعت این پیشرفت به اندازهای بوده‬
‫است که هم اکنون و پس از این مدت نسبتاً کوتاه به راحتی‬
‫میتوان ردپای پردازش تصویر را در بسیاری از علوم و صنایع‬
‫مشاهده نمود‪.‬‬

‫پردازش تصاویر دارای دو شاخه عمده است ‪:‬‬

‫‪17‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
‫بهسازی تصاویر برای درک بهتر انسانی‬

‫تصاویر قدیمی و آسیب دیده‬

‫تصاویر پزشکی‬

‫جلوه های سینمایی‬

‫تصاویر ماهواره ای‬

‫و ‪...‬‬

‫‪18‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫‪19‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
‫درک خودکار تصاویر توسط کامپیوتر‬

‫سیستم های کنترل صنعتی‬

‫تشخیص اثر انگشت‬
‫رباتیک‬
‫سه بعدی سازی‬
‫تشخیص متن نوشته شده‬
‫و ‪...‬‬

‫‪20‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫‪21‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
‫باستان شناسی‬ ‫صنعت‬
‫تبلیغات‬ ‫هواشناسی‬
‫سینما‬ ‫شهرسازی‬
‫اقتصاد‬ ‫کشاورزی‬
‫روانشناسی‬ ‫علوم نظامی و امنیتی‬
‫زمین شناسی‬ ‫پزشکی‬
‫و ‪...‬‬ ‫نجوم و فضا نوردی‬
‫فناوری های علمی‬
‫‪22‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
 ‫‪23‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬
‫‪THE END‬‬

‫‪24‬‬
‫درس هوش مصنوعی ‪ /‬محمدرضا فدوی امیری‬