دانلود کامل ترین جزوه کنترل خطی

جزوات رنگی و تایپ شده کنترل خطی

دانلود فایل

دانشگاه علمی کاربردی پارسه دکتر ادهمی دانشگاه پیام نور زرگری نژاد شیرین آبادی دانشگاه آزاد مصطفی تقوی کنی کاردانی آریاز برا

() () “(<)” (ً ) (ً ) () : () () (). (). (¿) 1 باشند ، 1 (TRUE) به دست می آورد ، در غیر این صورت ، 0 (FALSE) به دست می آورد. به طور مشابه ، OR منطقی (¡) وقتی 1 یا b یا هر دو 1 هستند و در غیر اینصورت 0 را نشان می دهد. عملگر NOT () خود توضیحی است. وقتی روی دو تصویر باینری ، و اعمال می شود و OR بر روی جفت پیکسل متناظر بین تصاویر عمل می کنند. به این معنا که آنها عملگرهای عنصری هستند (در این زمینه تعریف عملگرهای عنصری را که قبلاً در این فصل آورده شد ، ببینید). عملگرهای و ، OR ، و NOT از لحاظ عملکردی کامل هستند ، به این معنا که می توانند به عنوان پایه ای برای ساختن هر عملگر منطقی دیگر مورد استفاده قرار گیرند.

کنترل خطی

شکل 2.37 عملیات منطقی تعریف شده در جدول 2.2 را با استفاده از دومین روش مورد بحث در بالا نشان می دهد. NOT تصویر باینری B1 یک آرایه است که با تغییر همه پیکسل های 1 به 0 و برعکس بدست می آید. و از B1 و B2 شامل 1 در تمام مکانهای جزوه کنترل خطی است که در آن عناصر مربوط به B1 و B2 1 هستند. عملکرد 0 را در جاهای دیگر نشان می دهد. به طور مشابه ، OR این دو تصویر یک آرایه است که شامل 1 در مکانهایی است که عناصر مربوطه B1 ، یا B2 ، یا هر دو ، 1 هستند. آرایه شامل 0 در جاهای دیگر است. نتیجه در ردیف چهارم شکل 2.37 مربوط به مجموعه پیکسلهای 1 ارزش در B1 است اما نه در B2. آخرین ردیف در تصویر عملیات XOR (منحصر به فرد OR) است که 1 را در مکانهایی که عناصر مربوط به B1 یا B2 (اما نه هر دو) 1 است 1 نشان می دهد.
جدول 2.2 تعریف عملگرهای منطقی OR (¡) ، و نه (~).

شکل 2.37 تصویر عملیات منطقی شامل پیکسل های پیش زمینه (سفید).
سیاه نشان دهنده صفر دودویی 0 و دودویی سفید 1 است. خطوط تیره فقط برای مرجع نشان داده شده است. آنها بخشی از نتیجه نیستند. عبارات در دو ردیف آخر شکل 2.37 با استفاده از عملگرهای جدول 2.2 ساخته شده است. اینها نمونه هایی از ماهیت کامل عملکرد این اپراتورها هستند. با استفاده از اولین رویکردی که در بالا مورد بحث قرار گرفت ، می توانیم به همان نتایج در شکل 2.37 برسیم. برای انجام این کار ، ما با برچسب گذاری مناطق جداگانه با ارزش 1 در هر یک از دو تصویر شروع می کنیم (در این مورد فقط یک منطقه در هر تصویر وجود دارد). بگذارید A و B به ترتیب مجموعه ای از مختصات پیکسلهای 1 را در تصاویر B1 و B2 نشان دهند. سپس با ORING دو تصویر ، یک آرایه واحد ایجاد می کنیم ، در حالی که برچسب A و B را نگه می داریم. نتیجه شبیه آرایه B1 یا B2 در شکل 2.37 خواهد بود ، اما با دو ناحیه سفید با برچسب A و B. به عبارت دیگر ، آرایه به دست آمده شبیه نمودار ون خواهد بود. با توجه به نمودارهای ون و مجموعه عملیات تعریف شده در قسمت قبل ، نتایج را در راست ترین ستون به دست می آوریم.
شکل 2.37 با استفاده از عملیات مجموعه به شرح زیر: ، و به طور مشابه برای سایر نتایج در شکل 2.37. ما در فصل 9 از مفاهیم توسعه یافته در این بخش استفاده گسترده ای خواهیم کرد.
عملیات مکانی
عملیات مکانی مستقیماً بر روی پیکسل های یک تصویر انجام می شود. ما عملیات مکانی را به سه دسته کلی طبقه بندی می کنیم: (1) عملیات تک پیکسلی ، (2) عملیات همسایگی و (3) تحولات مکانی هندسی.
عملیات تک پیکسلی
ساده ترین عملیاتی که روی یک تصویر دیجیتال انجام می دهیم این است که شدت پیکسل های آن را به صورت جداگانه با استفاده از یک تابع تبدیل ، T ، به شکل زیر تغییر دهیم:

جایی که z شدت یک پیکسل در تصویر اصلی است و s شدت (نقشه برداری شده) پیکسل مربوطه در تصویر پردازش شده است. به عنوان مثال ، شکل 2.38 دگرگونی مورد استفاده برای بدست آوردن منفی (گاهی مکمل) یک تصویر 8 بیتی را نشان می دهد. به عنوان مثال ، می توان از این تبدیل برای بدست آوردن تصویر منفی در شکل 2.36 به جای استفاده از مجموعه ها استفاده کرد.
استفاده ما از کلمه “منفی” در این زمینه به معادل دیجیتالی نگاتیو عکاسی اشاره دارد ، نه منفی منفی عددی پیکسل های موجود در تصویر.
عملیات محله
اجازه دهید Sxy مجموعه مختصات یک محله را نشان دهد (به بخش 2.5 در جزوه کنترل خطی محله ها مراجعه کنید) با محوریت یک نقطه دلخواه (x,y)در یک تصویر ، f. پردازش محله یک پیکسل متناظر با مختصات مشابه در یک تصویر خروجی (پردازش شده) تولید می کند ، g ، به طوری که مقدار آن پیکسل توسط یک عملیات مشخص بر روی همسایگی پیکسل ها در تصویر ورودی با مختصات در مجموعه Sxy تعیین می شود. به عنوان مثال ، فرض کنید عملیات مشخص شده محاسبه مقدار متوسط پیکسل ها در محله ای مستطیلی با اندازه m * n (x,y)است. مختصات پیکسل در این منطقه عناصر مجموعه Sxy هستند. شکل 2.39 (الف) و (ب) این روند را نشان می دهد. ما می توانیم این عملیات میانگین را به صورت زیر بیان کنیم

خلاصه کتاب کنترل خطی

جایی که r و c مختصات سطر و ستون پیکسل هایی هستند که مختصات آنها در مجموعه Sxy هستند. تصویر g با تغییر مختصات (x,y)ایجاد می شود به طوری که مرکز محله از پیکسل به پیکسل در تصویر f حرکت می کند و سپس عملیات همسایگی را در هر مکان جدید تکرار می کند. برای مثال ، تصویر شکل 2.39 (d)به این ترتیب با استفاده از محله ای با اندازه 41 * 41 ایجاد شده است. اثر خالص این است که در تصویر اصلی تار شدن موضعی را انجام دهید. از این نوع فرایندها استفاده می شود ، برای مثال ، برای جزوه کنترل پروژه جزئیات کوچک و در نتیجه ایجاد “لکه ها” متناسب با بزرگترین مناطق یک تصویر. ما در مورد پردازش محله در فصل های 3 و 5 و در چندین مکان دیگر در کتاب بحث خواهیم کرد.

شکل 2.38 تابع تبدیل شدت برای بدست آوردن معادل دیجیتالی منفی عکاسی از an استفاده می شود تصویر 8 بیتی ..
تحولات هندسی
ما از تغییر شکل های هندسی استفاده می کنیم و ترتیب مکانی پیکسل ها را در یک تصویر تغییر می دهیم. این تحولات را تغییر شکل ورق لاستیکی می نامند زیرا ممکن است شبیه به “چاپ” تصویر بر روی یک ورقه لاستیکی و سپس کشیدن یا کوچک شدن ورق بر اساس مجموعه ای از قوانین از پیش تعیین شده باشد. تبدیل هندسی تصاویر دیجیتال شامل دو عملیات اساسی است:

شکل 2.39 میانگین محلی با استفاده از پردازش همسایگی این روش در (a)و (b)برای محله ای مستطیلی نشان داده شده است. (ج) آنژیوگرافی آئورت (بخش 1.3 را ببینید). (د) نتیجه استفاده از معادله (2-43) با m = n = 41. اندازه تصاویر 790  686 پیکسل است. (تصویر اصلی از دکتر توماس آر. گست ، بخش علوم تشریحی ، دانشگاه دانشکده پزشکی میشیگان.)
1. تحول مکانی مختصات.
2- درون یابی شدت که مقادیر شدت را به پیکسل های تغییر شکل یافته مکانی اختصاص می دهد.
تغییر مختصات ممکن است به جزوه کنترل خطی بیان شود

کجا (x,y)مختصات پیکسل در تصویر اصلی هستند و هستند.مختصات پیکسل مربوط به تصویر تبدیل شده به عنوان مثال ، تبدیل تصویر اصلی را در هر دو جهت مکانی به نصف اندازه خود کاهش می دهد.

دانلود خلاصه کتاب جزوه کنترل خطی پی دی اف pdf رایگان

این تحول بسته به مقادیر انتخاب شده برای عناصر ماتریس A. می تواند یک تصویر را تغییر داده ، بچرخاند ، انتقال کند یا نشان دهد. جدول 2.3 مقادیر ماتریس مورد استفاده برای اجرای این تغییرات را نشان می دهد. مزیت قابل توجهی که می توانید با استفاده از نمای یکپارچه در معادله ، همه تحولات را انجام دهید. (2-45) به این معنی است که چارچوبی را برای پیوستن دنباله ای از عملیات ارائه می دهد. برای مثال ، اگر بخواهیم اندازه یک تصویر را تغییر دهیم ، آن را بچرخانیم و نتیجه را به مکانی دیگر منتقل کنیم ، به سادگی یک ماتریس 3*3 برابر با حاصلضرب مقیاس های مقیاس بندی ، چرخش و انتقال از جدول 2.3 تشکیل می دهیم (به مسائل 2.36 مراجعه کنید. و 2.37). تغییر قبلی مختصات پیکسل های یک تصویر را به مکان های جدید منتقل می کند. برای تکمیل فرآیند ، باید مقادیر شدت را به آن مکان ها اختصاص دهیم. این کار با استفاده از درون یابی شدت انجام می شود. ما قبلاً در بخش 2.4 این موضوع را مورد بحث جزوه کنترل خطی دادیم. ما آن بحث را با نمونه ای از بزرگنمایی تصویر آغاز کردیم و موضوع تخصیص شدت به مکان های جدید پیکسل را مورد بحث قرار دادیم. بزرگنمایی به سادگی مقیاس بندی می شود ، همانطور که در ردیف دوم جدول 2.3 توضیح داده شده است ، و تجزیه و تحلیل مشابه آنچه ما برای بزرگنمایی ایجاد کرده ایم ، برای مشکل تخصیص مقادیر شدت به پیکسل های منتقل شده ناشی از سایر تحولات جدول قابل استفاده است. 2.3 همانطور که در بخش 2.4 ، ما هنگام کار با این دگرگونی ها ، نزدیکترین همسایه ، دو خطی و تکنیکهای بین قطبی را در نظر می گیریم. ما می توانیم از معادله استفاده کنیم (2-45) به دو روش اساسی. اولین ، یک نقشه برداری رو به جلو است که شامل اسکن پیکسل های تصویر ورودی و در هر مکان (x,y)، قرار دادن مکان مکانی پیکسل مربوطه در تصویر خروجی است. با استفاده از معادله (2-45) به طور مستقیم. یک مشکل در رویکرد نگاشت رو به جلو این است که دو یا چند پیکسل در تصویر ورودی را می توان به یک مکان در تصویر خروجی تبدیل کرد و این سوال را ایجاد کرد که چگونه می توان چندین مقدار خروجی را در یک مقدار پیکسل خروجی ترکیب کرد. علاوه بر این ، ممکن است به برخی از مکانهای خروجی اصلاً پیکسل اختصاص داده نشود. روش دوم که نگاشت معکوس نامیده می شود ، مکانهای پیکسل خروجی را اسکن می کند و در هر مکان ، محل مربوطه را در تصویر ورودی با استفاده از ( محاسبه می کند. ) سپس برای تعیین شدت مقدار پیکسل خروجی (با استفاده از یکی از تکنیک های مورد بحث در بخش 2.4) در نزدیکترین پیکسل های ورودی قرار می گیرد. پیاده سازی نقشه های معکوس بسیار موثرتر از نگاشت های رو به جلو است و در پیاده سازی تجاری متعدد تحولات مکانی مورد استفاده قرار می گیرد (برای مثال ، متلب از این رویکرد استفاده می کند).
جدول 2.3 تحولات بعدی بر اساس معادله (2-45).

مثال 2.9: چرخش تصویر و درون یابی شدت.
هدف از این مثال نشان دادن چرخش تصویر با استفاده از یک تبدیل بعدی است. شکل 2.40 (a)یک تصویر ساده و شکلها را نشان می دهد. 2.40 (b)- (d)نتایج چرخش تصویر اصلی با 21 (در جدول 2.3 ، زاویه های چرخش در جهت عقربه های ساعت منفی هستند). تخصیص شدت با استفاده از نزدیکترین همسایه ، دو خطی و درون یابی به ترتیب محاسبه شد. یک مسئله کلیدی در چرخش تصویر حفظ ویژگی های خط مستقیم است. همانطور که در بخشهای بزرگ شده لبه در شکلها مشاهده می کنید. 2.40 (f)تا (h)، درون یابی نزدیکترین همسایه بیشترین لبه های ناهموار را ایجاد کرد و همانطور که در بخش 2.4 ، درون یابی دو خطی نتایج قابل ملاحظه ای را به دنبال داشت. مانند گذشته ، استفاده از واسط دوقطبی نتایج کمی بهتر را به همراه داشت. در واقع ، اگر پیشرفت جزئیات بزرگ شده را در شکلها مقایسه کنید. 2.40 (f)تا (h)، می توانید مشاهده کنید که انتقال از رنگ سفید (255) به سیاه (0) در آخرین تصویر روان تر است زیرا ناحیه لبه دارای مقادیر بیشتری است و توزیع () () : () ()، (). () () ()