OpenCV در #C (پردازش تصویر در سی شارپ)

سلام

خیلی کوتاه: نمی توان مستقیماً دستورات OpenCV را در #C استفاده نمود. اما می توانیم به کمک Emgu CV و از طریق کلاس CvInvoke در زبان های Net. همچون ++ C#, VB, VC دستورات Opencv را مورد استفاده قرار دهیم. برای جزئیات بیشتر می توانید به لینک زیر مراجعه فرمایید.

http://www.emgu.com/wiki/index.php/Tutorial

محاسبه سطح مقطع اشیای داخل تصاویر با نرم افزار فتوشاپ

سلام

به درخواست یکی از دوستان آموزش محاسبه مقاطع و تصاویر دو بعدی اشیای داخل عکس ها را با فتوشاپ براتون تهیه کردم. دیگه برای کارهای کوچیک نیازی به کد نویسی ندارید. با همین فتوشاپ میتونید مقاطع را اندازه بگیرید. و با یک کالیبراسیون ساده که تو فیلم توضیح داده شده مساحت پیکسلی را به واحدهای معروف برگردونید.

 

کدام سنسور؟ CCD یا CMOS یا BSI-CMOS

اون قدیما که ما کار پردازش تصویر میکردیم فقط نام سنسور CCD را میشنیدیم. تمام پایان نامه ها و تمام مقالاتی که میدیدم همه در بخش مواد و روش هاشون به این سنسور اشاره کرده بودند. داشتیم افرادی که بدون اطلاع از ماهیت این سنسور فقط از آن استفاده میکردند. و اصلا نمیدانستند این سنسور به چه روشی به تولید یک تصویر دیجیتال کمک میکنه.

اما امروزه سنسورهای دیگه ای هم برای دوربین ها استفاده میشه. سنسورهای CMOS و نوع پیشرفته و بهتر آن BSI-CMOS.

اما کدام را استفاده کنیم؟

اول بهتره بفهمیم این سنسورهای چکار میکنند:

پردازش تصویر

در این نوشته مقدماتی درباره پردازش تصویر ارائه شده و در انتها یک نمونه برنامه در MATLAB ارائه شده  است.

پردازش تصویر از فعالیتهایی است که هر انسان وقت و انرژی زیادی را صرف آن می کند. جهت پردازش تصویر، هر شخص پردازشگری را مورد استفاده قرار می دهد، که کاملاً وابسته به کاربر می باشد. معمول است که کاربر بخشی از زمان پردازشگر همه منظوره ای را برای این کار customize کند. برای انجام عمل پردازش نیاز به حافظه ای است که فضای لازم برای دو جزء ضروری سامانه پردازش تصویر را فراهم کند:

•    یک نرم افزار مقیم در حاقظه که هنگام فراخوانی بسرعت فعال شده، پردازش را در اسرع وقت انجام می دهد.
•    یک پایگاه دانش که به صورت افزایشی  انباشته می شود.

منطق فازی روی نتایج پردازش تصویر در سیستم اندرویدی

اخیراً پروژه ای برای خودم تعریف کردم و خیلی هم با علاقه پیگیرش بودم. موضوع پروژه پیاده سازی نرم افزاری در پلتفرم اندروید با همان موضوع پایان نامه ارشدم ام به علاوه تحقیقات محاسبات نرم آن در حوزه منطق فازی بود که اخیراً در فضای متلب سبب نگارش یک مقاله جدید شد.

نرم افزار را که میخواستم شروع کنم مطمئن بودم که به نتیجه خواهم رسید چون اصلیات و کلیات کار را قبلا پیگیری کرده بودم. خلاصه اینکه نزدیک یک هفته کامل به صورت شبانه روزی وقتم را گرفت و حدود 90 درصد نتیجه گرفتم. خدا را شکر. از خدا خیلی ممنونم که یاریم کرد. نتیجه گرفتن اینکار برایم یک موفقیت خیلی خوب بود.

درجه بندی میوه توسط سامانه پردازش تصویر و بینایی ماشین (پیشینه تحقیق پایان نامه)

سلام

پیشینه تحقیق که بخشی از فصل دوم پایان نامه خودم هست را براتون گذاشتم.

حدود چهارده تا مقاله و سامانه درجه بندی را تشریح کردم.

از اینجا دانلود کنید.

کالیبراسیون استاندارد برای تحقیقات پردازش تصویر

سلام
دوستانی که کار پردازش تصویر انجام دادند، خصوصاً در کارهایی که نیاز به محاسبه اندازه، مساحت، طول و از این جور پارامترها داره میدونند که باید تعداد پیکسل های محاسبه شده در پردازش تصویر توسط یک ضریبی به یکای مورد نظر ضرب بشه تا داده مطلوب بدست بیاد. مثلاً فرض کنید یک سطح عکس برداری شده و تعداد پیکسل های آن بدست اومده و حالا ما میخواهیم مساحت آن را به متر مربع تبدیل کنیم. چندتا راه داره:

1- اولین راه و ساده ترین راه اینه که چندتا مربع یا شکل با مساحت معلوم با همون شرایط را عکس برداری کنیم و بعد از پردازش مقدار مساحت پیکسلی اون را به مساحت واقعی اش تقسیم کنیم تا اون ضریب بدست بیاد. مشخصه که هرچی تعداد این اشکال بیشتر باشه دقت بهتره.

2- دومین راه هم مثل راه اوله اما با یک کاغذ شطرنجی انجام میشه. یعنی کاغذی با مربع های سیاه یا سفید با خطوط بین به ترتیب سفید یا سیاه که مثلاً 100 تا مربع یک سانتی متر مربع داریم و همون کارهای راه اول.

3- اما عقل سالم میگه که برای یک کار تحقیقی خوب و دانشجو وار! باید یک کالیبراسیون استاندارد داشته باشیم. یعنی چی؟ میگم براتون.

یعنی اینکه مثلاً شما 20 تا مربع 5 سانتی متر مربع را با دقت بالا با تیز بر یا قیچی خیلی دقیق میبرید و داده هاتون را با اون ایجاد میکنید. حالا یکی به شما بگه از کجا معلوم اون مربع ها 5 سانتی متر مربع بودند. شاید 5.000004 سانتی متر مربع باشند. اون وقت بیا و جواب بده!

خوب راهش اینه که شما از چیزی استفاده کنید که هر دو طرف یعنی هم شما و هم طرف مقابل مثل داور طرح یا مقاله تون اون را استاندارد بدونند. خوب اون چیه؟

من یک پیشنهاد دارم. (کارت های دیجیتالی مثل آی دی کارت ها یا ID Card) در حقیقت همون کارت تلفن ها یا کارت های بانکی.

خوب اندازشون را میشه خیلی راحت بدست آورد. این کارت ها با استاندارد ISO/IEC 7810 تهیه میشن. یعنی یک استاندارد خوب و باکلاس! در حقیقت این استاندارد ابعاد کارت های شناسایی یا همون آی دی کارت ها را تعیین کرده. این استاندارد 4 نوع را برای این کارت ها فرض کرده، ID-1 و ID-2 و ID-3 و ID-000 . که برای این انواع هم اندازه های مشخصی از ابعاد اونها تعیین کرده طبق جدول زیر:

میبینید که اکثر کارتهای بانکی یا عابر بانک ها جزو دسته اول هستند. توی استاندارد گفته کارتهای گواهینامه رانندگی هم شاملش میشه اما نمیدونم در ایران به این استاندارد هستند یا نه.

استاندارد ISO/IEC 7813 هم ضخامت این نوع کارت را 0.76 میلی متر مشخص کرده. همچنین اسن استاندارد مقدار انحنای گوشه کارت را هم به مقدار 3.18 میلی متر تعیین کرده است.

دسته دوم را که ما نداریم. دسته سوم هم همینطور در ایران گیر نمیاد. اما کارتهای سیم کارت هم جزو دسته آخر میشن که میشه از اونها هم برای کالیبراسیون استفاده کرد البته عاقلانه نیست! این را هم بگم که همونطور که میدونید این نوع کارت تو دل کارت نوع اوله. سیم کارت که می خرید این کارت با یک فضای خالی برای خارج کردن سیم کارت در یک کارت نوع اول تعبیه شده. که شما سیمکارت را از وسط کارت در میارید. که به این کارت ها کارتهای ID-1/000 هم میگن.

خوب شاید بگین این که طول و عرض کارت را گفته. خوب من مساحتش را هم میخوام. من مساحتش را بدست آوردم. یعنی کارت را در نرم افزار کشیدم و مساحتش را بدست آوردم که شد حدود 4610.3 میلی متر مربع برای نوع اول یعنی نوع ID-1. یعنی تصویر زیر بدست آمده:

البته این کارت ها به نام کارت های  CR80 هم معروفند. این نام بیشتر در کارتهای ویزیت استفاده میشه.

خوب پس الان یک معیار کاملا استاندارد با استاندارد های ایزو داریم که میتونیم اندازه های پیکسلی مون را کالیبره کنیم. چیز تازه ای در این مورد پیدا کردید بگین تا در متن بذارم.

یا علی علیه السلام

سیستم برداشت رباتیک برای بادنجان یا بادمجان

خلاصه

    عملیات برداشت برای بادنجان ها پیچیده است و  برای کمی کمتر از 40 درصد کل ساعت های کاری تخمین زده شده است. برای عملیات برداشت خودکار، یک ربات هوشمند که می تواند کار نیروی انسانی ای که لازم است را تقلید  کند. این مقاله توسعه یک سیستم ربات برداشت که وظایف تشخیص، رسیدن و چیدن را انجام می دهد را توضیح میدهد. به منظور انجام این وظایف، سه جزء حیاتی توسعه داده شدند. ابتدا یک الگوریتم ماشین بینایی، که یک عمل جداسازی رنگ و یک عمل تقسیم بندی عمودی را با هم ترکیب می کند، توسعه داده شد. الگوریتم می توانست تحت حالت های متفاوت نور زوج میوه را تشخیص دهد. سپس، یک مدل کنترل فازی پس خور بصری برای بکار انداختن یک بازوی مکانیکی کننده طراحی شد. مدل کنترل، انتهای بازوی مکانیکی کننده را قادر به رسیدن به میوه از فاصله 300 میلی متری می کرد. به علاوه، یک عملگر نهایی متشکل از یک مکانیزم چنگالی گرفتن میوه، یک مکانیزم تشخیص اندازه و یک مکانیزم برش ساقه توسعه داده شده است. این نیروی لازم را برای چنگ زدن میوه و برش ساقه سفت را مهیا میکند. در آخر، سه جزء حیاتی به طور وابسته ای و تابعی با هم ترکیب شده اند و یک آزمایش برداشت مقدماتی در آزمایش گاه برای تخمین کارایی سیستم انجام شد. سیستم، یک نسبت برداشت موفق 5/62 درصد را نشان می دهد، اگر چه عملگر نهایی ساقه را در یک موقعیت اندکی مرتفع برای بستر میوه می برد. مدت زمان اجرا برای برداشت یک بادنجان 1/64 ثانیه بود.