دانلود کامل ترین جزوه ابزار دقیق مهندسی برق

جزوات رنگی و تایپ شده ابزار دقیق مهندسی برق

دانلود فایل

دانشگاه پیام نور دانشگاه ازاد اسلامی علمی کاربردی کاردانی کارشناسی ارشد استخدامی

در مرحله تخمین ، (v ، w) و (x,)(-) (-) (-) (-) () ()()() ()(-) (-) ، ً به پیکسل های تبدیل شده ، داریم.
مثال 2.10: ثبت تصویر.
شکل 2.42 (الف) یک تصویر مرجع و شکل 2.42 (ب) همان تصویر را نشان می دهد ، اما با برش عمودی و افقی از نظر هندسی تحریف شده است. هدف ما استفاده از تصویر مرجع برای بدست آوردن نقاط کراوات و سپس استفاده از آنها برای ثبت تصاویر است. نقاط کراوات که ما (دستی) انتخاب کردیم به صورت مربع های سفید کوچک در گوشه گوشه تصاویر نشان داده می شوند (ما فقط به چهار نقطه کراوات نیاز داشتیم زیرا اعوجاج در هر دو جهت برشی خطی است). شکل 2.42 (ج) نتیجه ثبت به دست آمده را با استفاده از این نقاط کراوات در روشی که در پاراگراف های قبل مورد بحث قرار گرفت نشان می دهد. توجه داشته باشید که ثبت کامل نبوده است ، همانطور که در لبه های سیاه در شکل 2.42 (ج) مشهود است. تصویر تفاوت در شکل 2.42 (d)به وضوح نشان دهنده عدم ثبت جزئی بین تصاویر مرجع و تصحیح شده است. دلیل اختلافات ، اشتباه در انتخاب دستی نقاط تساوی است. جزوه ابزار دقیق مهندسی برق  که اعوجاج بسیار شدید است ، دستیابی به مطابقت کامل برای نقاط تساوی دشوار است.
عملیات وکتور و ماتریس

جزوه ابزار دقیق

پردازش تصویر چند طیفی یک منطقه معمولی است که در آن از عملیات بردار و ماتریس به طور معمول استفاده می شود. به عنوان مثال ، در فصل 6 خواهید آموخت که تصاویر رنگی در فضای رنگی RGB با استفاده از تصاویر جزء قرمز ، سبز و آبی شکل می گیرند ، همانطور که در شکل 2.43 نشان داده شده است. در اینجا می بینیم که هر پیکسل یک تصویر RGB دارای سه جزء است که می تواند در قالب بردار ستون سازماندهی شود.

جایی که z1 شدت پیکسل در تصویر قرمز است و z2 و z3 به ترتیب شدت پیکسل را در تصاویر سبز و آبی نشان می دهند. بنابراین ، یک تصویر رنگی RGB با اندازه M * N می تواند با سه تصویر مولفه در این اندازه ، یا در مجموع بردارهای MN با اندازه 3 1* نشان داده شود. یک مورد چند طیفی کلی شامل n تصاویر جزء (به عنوان مثال ، شکل 1.10 را ببینید) ) منجر به بردارهای n بعدی می شود:

به یاد بیاورید که یک بردار n بعدی می تواند به عنوان نقطه ای در فضای اقلیدسی n بعدی در نظر گرفته شود.

شکل 2.42 ثبت تصویر. الف) تصویر مرجع (ب) ورودی (تصویر تحریف شده هندسی). نقاط مربوط به کراوات به صورت مربع های سفید کوچک در نزدیکی گوشه ها نشان داده شده است. (ج) تصویر ثبت شده (خروجی) (به خطاهای موجود در حاشیه توجه کنید). (د) تفاوت بین (الف) و (ج) ، نشان دادن خطاهای ثبت نام بیشتر.

دانلود خلاصه کتاب پی دی اف pdf رایگان جزوه ابزار دقیق مهندسی برق

ما از این نوع نمایش بردار در طول کتاب استفاده خواهیم کرد.
محصول داخلی (که محصول نقطه ای نیز نامیده می شود) دو ناحیه ستون n بعدی و a و b به صورت زیر تعریف شده است.

محصول abT را محصول بیرونی a و b می نامند. این ماتریس اندازه n * n است
جایی که T انتقال را نشان می دهد. هنجار بردار اقلیدسی ، با تعریف به عنوان ریشه مربع محصول داخلی: z است

شکل 2.43 تشکیل بردار از مقادیر پیکسل مربوطه در سه تصویر جزء RGB.
ما این عبارت را به عنوان طول بردار z تشخیص می دهیم.
ما می توانیم از نماد بردار برای بیان چندین مفهوم که قبلاً مورد جزوه ابزار دقیق مهندسی برق قرار گرفتند استفاده کنیم. به عنوان مثال ، فاصله اقلیدسی ، D (z ، a) ، بین نقاط (بردارها) z و a در فضای n-بعدی به عنوان هنجار بردار اقلیدسی تعریف می شود:

این یک تعمیم از فاصله اقلیدسی 2 بعدی است که در معادله تعریف شده است. (2-19). مزیت دیگر بردارهای پیکسلی در تبدیل خطی است که به صورت زیر نمایش داده می شود

جایی که A یک ماتریس اندازه m * n است و z و a بردارهای ستون با اندازه n * 1 هستند.
همانطور که در معادله ذکر شد (2-10) ، کل تصاویر را می توان به عنوان ماتریس (یا معادل آن به عنوان بردار) در نظر گرفت ، واقعیتی که در حل بسیاری از مشکلات پردازش تصویر پیامدهای مهمی دارد. به عنوان مثال ، ما می توانیم تصویری با اندازه M * N را به عنوان بردار ستون با ابعاد MN  1 با اجازه دادن به اولین عناصر M بردار برابر با اولین ستون تصویر ، عناصر M بعدی برابر ستون دوم ، بیان کنیم. و غیره با تصاویری که به این شکل شکل گرفته اند ، می توانیم طیف وسیعی از فرایندهای خطی اعمال شده بر روی تصویر را با استفاده از نماد بیان کنیم

جایی که f یک بردار MN * 1 است که یک تصویر ورودی را نشان می دهد ، n یک بردار MN * 1 است که یک الگوی نویز M * N را نشان می دهد ، g یک بردار MN * 1 است که یک تصویر پردازش شده را نشان می دهد و H یک ماتریس MN * MN است. نمایانگر یک فرایند خطی اعمال شده بر روی تصویر ورودی (بحث قبلی را در این فصل در مورد فرایندهای خطی مشاهده کنید). به عنوان مثال ، ممکن است مجموعه ای از تکنیک های عمومی برای ترمیم تصویر با معادله توسعه داده شود. (2-54) ، همانطور که در بخش 5.9 بحث می کنیم. ما در بخش بعدی دوباره استفاده از ماتریس ها را ذکر کرده و سایر کاربردهای ماتریس ها را برای پردازش تصویر در فصل های متعدد کتاب نشان می دهیم.

جایی که f (x,y)یک تصویر ورودی است ، r (x، y، u، v) یک کرنل تبدیل به جلو نامیده می شود و معادله(2-55) برای مانند قبل ، x و y متغیرهای مکانی هستند ، در حالی که M و N ابعاد سطر و ستون f هستند. متغیرهای u و v متغیرهای تبدیل نامیده می شوند. T (u,v)تبدیل جلو f (x,y)نامیده می شود. با توجه به T (u,v)، می توانیم f (x,y)را با استفاده از تبدیل معکوس T (u,v) بازیابی کنیم:

برای جایی که هسته تبدیل معکوس جزوه ابزار دقیق مهندسی برق می شود. با هم ، معادله (2-55) و (2-56) جفت تبدیل نامیده می شود.
شکل 2.44 مراحل اساسی برای انجام پردازش تصویر در حوزه تبدیل خطی را نشان می دهد. ابتدا ، تصویر ورودی تبدیل می شود ، سپس تبدیل با یک عملیات از پیش تعیین شده اصلاح می شود و در نهایت ، تصویر خروجی با محاسبه معکوس تبدیل تغییر یافته به دست می آید. بنابراین ، ما می بینیم که این فرایند از حوزه مکانی به حوزه تبدیل می شود و سپس به حوزه مکانی باز می گردد.
گفته می شود که هسته تغییر شکل جلو قابل تفکیک است

مهندسی برق

علاوه بر این ، گفته می شود که هسته متقارن است اگر از نظر عملکرد برابر با به طوری که

نظرات مشابه برای هسته معکوس اعمال می شود.(2-58) ماهیت تبدیل توسط هسته آن تعیین می شود. یک تغییر با اهمیت ویژه در پردازش تصویر دیجیتال ، تبدیل فوریه است که دارای هسته های زیر و ربه جلو است:

شکل 2.44 رویکرد کلی برای کار در حوزه تبدیل خطی

به ترتیب ، جایی که ، بنابراین این هسته توابع پیچیده هستند. جایگزینی هسته های قبلی به فرمولاسیون تبدیل کلی در معادله. (2-55) و (2-56) جفت تبدیل گسسته فوریه را به ما می دهد:

اصطلاحات نمایی در هسته های تبدیل فوریه را می توان به صورت سینوس و کسینوس با فرکانس های مختلف گسترش داد. در نتیجه ، حوزه تبدیل فوریه را حوزه فرکانس می نامند.
می توان نشان داد که هسته های فوریه قابل تفکیک و جزوه انرژی و توسعه پایدار هستند (مسئله 2.39) و اینکه هسته های قابل تفکیک و متقارن اجازه می دهد تا تبدیل های دو بعدی با استفاده از تبدیل های 1 بعدی محاسبه شود (به مسأله 2.40 مراجعه کنید). دو معادله قبلی در پردازش تصویر دیجیتال از اهمیت اساسی برخوردار است ، همانطور که در فصل 4 و 5 خواهید دید.
مثال 2.11: پردازش تصویر در حوزه تبدیل.
شکل 2.45 (الف) تصویری را نشان می دهد که توسط تداخل دوره ای (سینوسی) خراب شده است. این نوع تداخل می تواند به عنوان مثال ، ناشی از خرابی سیستم تصویربرداری باشد. ما در فصل 5 در مورد آن بحث خواهیم کرد. در حوزه مکانی ، تداخل به صورت امواج شدت ظاهر می شود. در حوزه فرکانس ، تداخل خود را به صورت انفجارهای شدید نشان می دهد ، که محل آن توسط فراوانی تداخل سینوسی تعیین می شود (ما در مفاهیم 4 و 5 این مفاهیم را با جزئیات بیشتری بحث خواهیم کرد). به طور معمول ، انفجارها به راحتی در تصویری از اندازه تبدیل فوریه ، T (u,v)قابل مشاهده هستند. با توجه به نمودار شکل 2.44 ، تصویر خراب f (x,y)است ، تبدیل در سمت چپ جعبه تبدیل فوریه است و شکل 2.45 (b)استT (u ، v)
بصورت تصویر نمایش داده می شود نقاط روشن نشان داده شده است. انفجارهای شدید ذکر شده در بالا هستند. شکل 2.45 (ج) یک تصویر ماسک (که فیلتر نامیده می شود) را نشان می دهد که رنگ سفید و سیاه به ترتیب نشان دهنده 1 و 0 است. جزوه ابزار دقیق مهندسی برق این مثال ، عملیات در کادر دوم شکل 2.44 این است که فیلتر را در تبدیل ضرب کنید تا انفجارهای مرتبط با تداخل حذف شود. شکل 2.45 (d)نتیجه نهایی را نشان می دهد که با محاسبه عکس تغییر شکل تغییر یافته به دست آمده است. تداخل دیگر قابل مشاهده نیست و جزئیات تصویر دیده نشده قبلاً اکنون کاملاً واضح شده است. به عنوان مثال ، علامت های دبی (صلیب های کم رنگ) را که برای ثبت تصویر استفاده می شود ، همانطور که قبلاً مورد بحث قرار گرفت ، مشاهده کنید.
هنگامی که هسته های رو به جلو و معکوس یک تبدیل قابل تفکیک و متقارن هستند ، و f (x,y)یک تصویر مربع به اندازه M * M ، معادله2-55) و (2-56) است. (را می توان به شکل ماتریس بیان کرد:

شکل 2.45 (الف) تصویر توسط تداخل سینوسی خراب شده است. ب) بزرگی تبدیل فوریه که انفجارهای انرژی ناشی از تداخل را نشان می دهد. (انفجارها برای اهداف نمایش بزرگ شدند). ج) ماسک مورد استفاده برای از بین بردن انفجار انرژی. (د) نتیجه محاسبه معکوس تبدیل فوریه اصلاح شده. (اصلی تصویر از ناسا گرفته شده است)

جایی که F یک ماتریس M * M است که حاوی عناصر f (x,y)است [معادله را ببینید (2-9)] ، A یک ماتریس M * M با عناصر است و T یک ماتریس تبدیل M * M با عناصر T (u,v)، برای برای بدست آوردن تبدیل معکوس ، معادله را قبل و بعد ضرب می کنیم. (2-63) توسط یک ماتریس تبدیل معکوس B:

نشان می دهد که F یا معادل آن f (x,y)، می تواند به طور کامل از تبدیل رو به جلو خود بازیابی شود. اگر B برابر A-1 نباشد ، معادله. (2-65) تقریبی را بدست می آورد:

علاوه بر تبدیل فوریه ، تعدادی از تغییرات مهم ، از جمله والش ، هادامارد ، کسینوس گسسته ، هار و تبدیل کج ، می توانند به صورت معادله(2-55) و (2-56) ، بیان شوند. یا معادل آن ، به صورت معادله. (2-63) و (2-65). ما در فصل های بعدی در مورد این و انواع دیگر تغییر تصویر صحبت خواهیم کرد.

شدت تصویر به عنوان متغیرهای تصادفی
ما در نقاط متعدد کتاب ، شدت تصویر را به عنوان مقدار تصادفی در نظر می گیریم. به عنوان مثال ، اجازه دهید ، مقادیر تمام شدت های ممکن را در یک تصویر دیجیتالی M * N نشان دهد. احتمال ، p (zk) ، میزان شدت zk در زمان وقوع به عنوان تخمین زده می شود

شاید برای شما مفید باشد که به بخش آموزش های کتاب مراجعه کنید. وب سایت برای بررسی مختصر احتمال.
جایی که nk تعداد دفعاتی است که شدت zk در تصویر رخ می دهد و MN تعداد کل پیکسل ها است. به وضوح،

هنگامی که p (zk) داریم ، می توانیم تعدادی از ویژگی های مهم تصویر را تعیین کنیم. به جزوه ابزار دقیق مهندسی برق مثال ، شدت متوسط (متوسط) توسط

به طور مشابه ، واریانس شدت ها برابر است

واریانس معیاری برای گسترش مقادیر z در مورد میانگین است ، بنابراین اندازه گیری مفیدی از کنتراست تصویر است. به طور کلی ، نهمین لحظه مرکزی متغیر تصادفی z در مورد میانگین به صورت زیر تعریف می شود

ما می بینیم که در حالی که میانگین و واریانس رابطه ای فوری با ویژگی های بصری تصویر دارند ، لحظه های مرتبه بالاتر ظریف تر هستند. به عنوان مثال ، یک سومین لحظه مثبت نشان می دهد که شدت ها به مقادیر بیشتر از میانگین متمایل هستند ، یک سوم سوم منفی وضعیت مخالف را نشان می دهد ، و یک لحظه صفر سوم به ما می گوید که شدت ها تقریباً به طور مساوی در هر دو طرف توزیع شده اند. از میانگین این ویژگی ها برای اهداف محاسباتی مفید هستند ، اما به طور کلی اطلاعات زیادی در مورد ظاهر یک تصویر به ما نمی دهند.
همانطور که در فصلهای بعدی خواهید دید ، مفاهیم احتمال احتمالاً در طیف وسیعی از برنامه های پردازش تصویر نقش محوری دارند. به عنوان مثال ، معادله (2-67) در فصل 3 به عنوان مبنایی برای تکنیک های افزایش تصویر بر اساس برنامه های او استفاده می شود. در فصل 5 ، ما از احتمال برای توسعه الگوریتم های ترمیم تصویر ، در فصل 10 از احتمال برای تقسیم بندی تصویر ، در فصل 11 از آن برای توصیف بافت و در فصل 12 از احتمال به عنوان مبنایی برای بدست آوردن الگوریتم های بهینه تشخیص الگو استفاده می کنیم.

خلاصه ، منابع ، و مطالعه بیشتر
مطالب این فصل پایه و اساس بقیه کتاب است. برای مطالعه بیشتر در مورد ادراک بصری ، به اسنودن و همکاران مراجعه کنید. [2012] ، و کتاب کلاسیک توسط Cornsweet [1970]. بورن و ولف [1999] درباره نور از نظر نظریه الکترومغناطیس بحث می کنند. Trussell و Vrhel [2008] یک منبع اساسی برای مطالعه بیشتر در زمینه تشخیص تصویر است. مدل شکل گیری تصویر مورد بحث در بخش 2.3 از Oppenheim و همکاران است. [1968]. کتابچه راهنمای روشنایی IES [2011] مرجعی برای مقادیر روشنایی و بازتاب مورد استفاده در آن بخش است. مفاهیم نمونه برداری از تصویر که در بخش 2.4 معرفی شده اند ، به طور مفصل در فصل 4 توضیح داده شده است. بحث در مورد آزمایشات مربوط به رابطه بین کیفیت تصویر و نمونه برداری بر اساس نتایج Huang [1965] است. برای مطالعه بیشتر در مورد موضوعات مورد بحث در بخش 2.5 ، Rosenfeld و Kak [1982] و Klette و Rosenfeld [2004] را ببینید.
برای مطالعه بیشتر در مورد سیستم های خطی در زمینه پردازش تصویر به Castleman [1996] مراجعه کنید. روش کاهش نویز با میانگین تصویر برای اولین بار توسط Kohler و Howell [1963] پیشنهاد شد. راس [2014] را در مورد مقدار مورد انتظار میانگین و واریانس مجموع متغیرهای [2010] [1990] [2013] [2012] [2009] [2009] (*) (: ).
؟
* ً ()