دانشکده فنی امام خمینی بهشهر عنوان : نگارنده : استاد راهنما :

دانشکده فنی امام خمینی بهشهر پایان نامه دوره کاردانی گرایش نرم افزار عنوان : پردازش تصویر و کاربرد آن در شناسایی آفات گیاهی نگارنده : امیر محمد پورحسین استاد راهنما : مهندس یوسف استادی زمستان 19

2

چکیده : در دنیای امروز کاربردهای پردازش تصویر هر روزه در حال افزایش است. در زمینه های پزشکی رباتیک و هواشناسی تحقیقات و پژوهش های بسیاری در این زمینه شده است و از کاربرد های آن در این زمینه ها استفاده های بسیاری مشود. اما در مورد کاربرد پردازش تصویر در کشاورزی تحقیقات کمتری صورت گرفته و کاربرهای آن در این زمینه کمتر مورد توجه قرار گرفته است. ما در مقاله ی پیش رو سعی کردیم به منظور بیشتر شناساندن این رشته بیشتر روی کاربرد های پردازش تصویر در شناسایی و دفع آفات تحقیقات خود را انجام دهیم. در مطالب پیش رو سعی بر این بوده است تا در ابتدا موارد کلی و مفاهیم اصلی در رابطه با موضوع یعنی پردازش تصویر آورده شود مفاهیمی از قبیل خوشه بندی قطعه بندی هیستوگرام تشخیص لبه و دیگر مفاهیمی که برای پیاده سازی و ارائه ی مطالب مورد نیاز است. در قدم بعدی مطالب و مقاله هایی که پیش از این و توسط افراد دیگر در رابطه با موضوع مورد نظر گرد آوری شده است آورده شده ما از این مقاالت برای نتیجه گیری بهتر و ملموس تر کردن موارد جمع آوری شده برای کسانی که پیش از این آشنایی با پردازش تصویر نداشته اند استفاده خواهیم شد. کرد. در قدم سوم نتایج مطالعات و تحقیقات انجام شده برای ارائه ی روشی به صرفه در شناسایی آفات با استفاده از الگوریتم های پردازش تصویر آورده میشود و است مراحل و روش پیاده سازی مطالب ارائه شده آورده خواهد 3

فهرست مطالب فصل یک مفاهیم اصلی در مبحث پردازش تصویر 1-1 مقدمه... 01 2-0 پردازش تصویر چیست... 01 1-0 کاربردهای علم پردازش تصویر... 01 4-0 آشنایی با مفهوم پیکسل در یک تصویر... 04 04 5-0 آشنایی با مفهوم عمق بیتی... 05 6-0 آشنایی با مفهوم بعد یک تصویر... 7-0 چگونگی تشکیل رنگ در چشم انسان... 05 06 8-0 پردازش تصویر رنگی... 07 9 آشنایی 0- با انواع مدل های رنگ... 08 01-0 مدل رنگ.... RGB 09 00 مدل -0 رنگ... CMY 09 02-0 مدل رنگ....YIQ 21 01-0 مدل رنگی... HIS 04-0 روش های پردازش تصویر... 20 05-0 تفریق دو تصویر... 22 4

24 26 06-0 جمع دو تصویر... 07-0 مکمل کردن تصویر... 07-0 آشنایی با مفهوم تشخیص لبه... 26 27 29 10 11 08-0 میانگین گیری از تصویر... 09-0 هیستوگرام تصویر... 21-0 تعدیل هیستوگرام... 20-0 فیلتر کردن تصویر... 16 18 22-0 قطعه بندی و روش های آن... 15 21-0 مقدمهاي بر خوشهبندي... 24-0 روشهاي خوشهبندي... 25-0 روشهاي خوشهبندي سلسله مراتبي... 18 19 41 47 48 49 26-0 خوشهبندي با روشSingle-Link.... 27-0 روش خوشهبندي.K-Means 28-0 مشکالت روش خوشهبندي..K-Means 29-0 الگوریتم خوشهبندي...LBG 11-0 روش خوشه بندی (Fuzzy c-mean) C-Means 10-0 روش تقسیم بندی 56...Otsu's 12-0 آشنایی با مفهوم موجک... 57 11-0 شبکههای عصبی مصنوعی ANN)...(Artificial Neural Network - 58 5

فصل دوم پیشینه ی کار بخش اول 61 0-2 تازه ه یا پردازش تصویر در شناسایی آفات گیاهی... 62 65 68 2-2 روش اول: تحلیل تصویر با استفاده از موجک... 1-2 روش دوم: تشخیص آفات برنج با استفاده از از روش تقسیم بندی اوتسو... 4-2 روش سوم: استفاده از تصاویر طیفی برای شناسایی درختان تحت تاثیر آفات... بخش دوم 71 71 5-2 دقت وسرعت در شناسایی و طبقه بندی افات گیاهی... 6-2 روش چهارم: شناسایی آفات با استفاده از شبکه های عصبی مصنوعی... فصل سوم بخش اول مراحل پیاده سازی 95 96 97 0-1 وارد کردن تصویر... 2-1 توضیح فضای رنگ...L*A*B 3-3 [ 5 ]نحوهی تبدیل به فضای رنگ... L*A*B بخش دوم پیاده سازی مقاله با استفاده از روش خوشه بندی K-Means 4-1 مرحله ی اول: وارد کردن تصویر... 011 010 5-1 مرحله ی دوم: تبدیل تصویر از فضای رنگ RGB به فضای.L*A*B 6-1 مرحله ی سوم: طبقه بندی رنگ های به دست آمده از فضای رنگ..L*A*B 010 6

012 011 015 017 7-1 مرحله ی چهار: برچسب گذاری پیکسل ها با استفاده از نتایج به دست آمده از روش...K-Means 8-1 مرحله ی پنج: به دست آوردن تصاویر خوشه بندی شده... 9-1 مرحله ی شش به دست آوردن هسته ی اصلی... هدف های آینده... منابع... 018 فهرست اشکال یک فصل 22 شکل 0 : عکس اسکن PET مغز نرمال و بیمار را به همراه حاصل تفریق آن... 24 26 27 29 11 12 شکل 2 نتیجه اعمال عملگر جمع... شکل 1: تشخیص لبه با استفاده از آشکار ساز لبه کنی... شکل 4 : تصویر نویز دار و حاصل میانگین گیری از تصاویر نویز دار... شکل 5 : تصویری به همراه هیستوگرام نرمال... شکل 6 : تصویری را قبل و بعد از تعدیل سازی هیستوگرام... شکل 7 : نویز فلفل-نمکی... شکل 8 : کاربردی ساده از فیلتر های آرام کننده... 11 14 16 16 17 41 42 44 47 شکل 9 : فیلتر تیز کننده... شکل 01: نمونهاي از اعمال خوشهبندي روي یک مجموعه از دادهها... شکل 00 تفاوت بین خوشهبندي و طبقهبندي... شکل 02 تفاوت بین خوشهبندي و طبقهبندي... شکل 13: شباهت بین دو خوشه در روشSingle-Link شکل 04: نمودار دندوگرام مثالSingle-Link. شکل 05 نحوة اعمال الگوریتم خوشهبندي روي یک مجموعه داده... شکل 06: مثالي براي روش خوشهبندي K-Means 7

50 50 52 شکل 07: توزیع یک بعدی نمونه ها... شکل 08: خوشه بندی کالسیک نمونه های ورودی... شکل 09 : خوشه بندی فازی نمونه ها... شکل 21 : روش تقسیم بندی اوتسو... 56 فصل دوم 74 76 76 77 79 80 شکل 0: روش اساسی الگوریتم تشخیص... شکل 2: نمونه ای از مجموعه ی داده ها... شکل 1: تصویر برگ مبتال به سفیدی کوچک)سمت چپ( و تصویر برگ سالم )سمت راست(... شکل :4 ساقه ی گیاه الوده به کپک سفید... شکل 5: تصویر ساقه ی آلوده به تاول زدن اولیه... شکل : 6 نمونه ای خروجی الگوریتم K-MEANS که مبتال به بیماری تاول زدن اولیه... 88 91 شکل 7 : طبقه بندی گیاهان براساس انواع آفات... شکل 8 : طبقه بندی نتایج به دست آمده از روش شبکه ی عصبی... 90 شکل 9 : منحنی همگرایی برای مرحله ی یادگیری در شبکه ه یا عصبی... شکل 01 نشان میدهد که روش پیشنهادی افزاشی سرعتی در حدود %09 داشته است... 92 فصل سوم 010 011 014 014 شکل 0 :تصویر برگ آلوده به آفت... شکل 2 : تصویر برچسب گذاری شده... شکل 1 : تصویر قسمت آفت زده از برگ... شکل 4 : قسمت پیکسل های خیلی سبز... 015 016 شکل 5 : قسمت سالم برگ... شکل 6 : هسته ی اصلی تصویر... 8

فصل اول مفاهیم اصلی در مبحث پردازش تصویر 9

1-1 مقدمه: امروزه بیشتر به موضوع پردازش تصویر دیجیتال : processing (Image به انگلیسی (پردازش تصاویر گفته میشود که شاخهای از دانش رایانه است که با پردازش سیگنال دیجیتال که نماینده تصاویر برداشته شده.با دوربین دیجیتال یا پویش شده توسط پویشگر هستند سر و کار دارد پردازش تصاویر دارای دو شاخه عمده بهبود تصاویر و بینایی ماشین است. بهبود تصاویر دربرگیرنده روشهایی چون استفاده از فیلتر محوکننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آنها در محیط مقصد)مانند چاپگر یا نمایشگر رایانه(است در حالی که بینایی ماشین به روشهایی میپردازد که به کمک آنها میتوان معنی و محتوای تصاویر را درک کرد تا از آنها در کارهایی چون رباتیک و.محور تصاویر استفاده شود در معنای خاص آن پردازش تصویر عبارتست از هر نوع پردازش سیگنال که ورودی یک تصویر است مثل عکس یا صحنهای از یک فیلم.خروجی پردازشگر تصویر میتواند یک تصویر یا یک مجموعه از نشانهای ویژه یا متغیرهای مربوط به تصویر باشد.اغلب تکنیکهای پردازش تصویر شامل برخورد با تصویر به عنوان یک سیگنال دو بعدی و بکاربستن تکنیکهای استاندارد پردازش سیگنال روی آنها میشود. پردازش تصویر اغلب به پردازش دیجیتالی تصویر اشاره میکند ولی پردازش نوری و آنالوگ تصویر هم وجود دارند.این مقاله در مورد تکنیکهای.کلی است که برای همه آنها به کار میرود تمرکز اصلی در این مقاله بشتر روی کاربرد پردازش تصویر در کشاورزی در زمینه ی تشخیص آفات و بیماری های گیاهی میباشد. کاربردی که نسبت به دیگر کاربردهای پردازش تصویر کمتر به آن توجه شده است. پردازش تصویر در کشاورزی بیشتر به منظور تسهیل در کار کشاورزی و افزایش مقدار تولید با استفاده از شناسایی و از بین بردن آفات قبل از مرحله ی تکثیر و آسیب زیاد به محصول انجام میشود. برای تشخیص آفات گیاهی با استفاده از پردازش تصویر از الگوریتم هایی مانند: خوشه بندی )K-Means) فیلتر کردن تصویر جمع و تفریق تصویر استفاده میشود که در ادامه به طور کامل شرح داده خواه شد. روش مورد استفاده ی ما برای عملی کردن این کار به این صورت است که کشاورز طی دوره های زمانی مشخص تصاویری از قسمت های مختلف مزرعه گرفته و آن را برای متخصص ارسال میکند. متخصص تصاویر را با استفاده از روش های ارائه شده در این مقاله بررسی کرده و نتیجه را به کشاورز برمیگرداند. 10

روش دیگری که ممکن است برای این منظور استفاده شود کار گذاری دوربین هایی در همه جای مزرعه است تا در دوره های زمانی مشخص تصاویری تهیه کرده و برای مرکز تحیقیقات ارسال کند هرچند این کار ممکن است دقیق تر از روش قبل باشد اما هزینه های آن به مراتب بیشتر از روش اول است و از نظر اقتصادی به صرفه نخواهد بود. عملیات اصلی در پردازش تصویر تبدیالت هندسی: همانند تغییر اندازه چرخش و... رنگ: همانند تغییر روشنایی وضوح و یا تغییر فضای رنگ ترکیب تصاویر: ترکیب دو و یا چند تصویر فشرده سازی تصویر: کاهش حجم تصویر قطعه بندی تصویر: تجزیه تصویر به قطعات با معنی تفاوت تصاویر: به دست آوردن تفاوتهای تصویر میانگین گیری: به دست آوردن تصویر میانگین از دو تصویر 11

یک تصویر از لحظه ورود به سیستم پردازش تصویر تا تولید تصویر خروجی به ترتیب مراحل زیر را طی میکند. 12

2-1 پردازش تصویر چیست امروزه با پیشرفت های متعددی که در روش های اخذ اطالعات گسسته مانند اسکنرها و دوربین های دیجیتالی به وجود آمده است پردازش تصویر کاربرد فراوانی یافته است. تصاویر حاصل از این اطالعات همواره در حد قابل توجهی دارای نویز و یا تیرگی محسوس بوده است و در مواردی نیز دارای مشکل محو شدگی مرزهای نمونه های داخل تصویر می باشد که باعث کاهش وضوح تصویر دریافتی می گردد. به مجموعه عملیات و پردازش هایی که در راستای آنالیز تصویر در زمینه های مختلف انجام شده است علم پردازش تصویر گویند. 3-1 کاربردهای علم پردازش تصویر علم پردازش تصویر از جمله علوم پر کاربرد و مفید در صنعت می باشد که در زیر نمونه ای از کاربردهای پردازش تصویر در زمینه های مختلف آورده شده است. الف( کاربردهای صنعتی مانند کنترل کیفیت بسته بندی دارو در یک کارخانه ب( کاربردهای امنیتی مانند تشخیص حرکت تشخیص اثر انگشت تشخیص چهره و تشخیص دست خط یا امضا ج( کاربردهای پزشکی مانند ارتقای ویژگی های تصاویر اشعه x تولید تصاویر MRI از مغز و یا تصاویر مربوطه به CTScan ز( کاربردهای نظامی مانند تشخیص و هدف یابی خودکار اهداف متحرک یا ثابت توسط موشک های هوا به زمین 13

4-1 آشنایی با مفهوم پیکسل در یک تصویر پیکسل (Pixel) شکل مختصر Picture Elements نقطه های بسیار ریز مربع شکلی هستند که از تجمع آنها تصویر روی صفحه نمایش یا روی کاغذ )توسط چاپگر( شکل می گیرد. همان طور که بیت کوچک ترین واحد اطالعات قابل پردازش توسط کامپیوتر است پیکسل نیز کوچک ترین عنصر سخت افزار و نرم افزار نمایشی یا چاپی است که برای شکل گرفتن تصاویر مورد استفاده قرار می گیرد. اگر برای هر پیکسل تنها دو رنگ )معموال سیاه و سفید( در نظر گرفته شود توسط یک بیت از اطالعات قابل کددهی است و در صورتی که بیش از دو بیت برای ارائه یک پیکسل استفاده شود محدوده رنگ ها یا سایه های خاکستری وسیع تری قابل ارائه خواهد بود. 5-1 آشنایی با مفهوم عمق بیتی مقدار هر نقطه )پر یا خالی( در یک یا چند بیت اطالعات ذخیره می شود. برای تصاویر ساده تک رنگ یک بیت برای نشان دادن هر نقطه کافیست اما در تصاویر رنگی و سایه های خاکستری هر نقطه نیاز به بیش از یک بیت اطالعات دارد. هرچه از بیت های بیشتری برای نشان دادن یک نقطه استفاده شود رنگ ها و سایه های خاکستری بیشتری را می توان نشان داد. غلظت نقاط یا همان Resolution وضوح تصویر را تعیین می کند این ویژگی با واحد نقطه در اینچ یا همان dpi و یا با تعداد ردیف ها و ستون ها مثال 640 x 480 سنجیده می شود. برای نمایش تصویر bit-map بر روی مانیتور یا چاپ آن با پرینتر کامپیوتر bit-map را به pixel برای نمایش بر روی مانیتور یا به ink dots برای چاپ تبدیل می کند. اساس کار اسکنرهای Optical و دستگاه فاکس تبدیل متن یا تصویر به bit-map می باشد. تصاویر bit-map را اغلب به عنوان تصاویری با خطوط موازی (raster) می شناسند. راه های دیگری نیز برای نشان دادن تصاویر وجود دارد vector graphics یا object-oriented graphics است. با روش vector graphics تصاویر با فرمول های ریاضی که تمام اشکال تصویر را تعریف می کند نشان داده می شوند. این روش انعطاف پذیرتر از bit-map می باشد چرا که اگر آنها را با اندازه های مختلفی نیز بسنجید یکسان به نظر خواهند رسید. 14

تصاویر bit-map در صورت کوچک یا بزرگ شدن تکه تکه خواهند شد. فونت هایی با اشکال outline fonts scalable fonts, vector یا vector fonts نامیده می شوند. فونت های bit-map را raster تعیین شده طراحی کرد. نامیده و تنها می توان آنها را برای یک طرح مشخص با size و وضوح 6-1 آشنایی با مفهوم بعد یک تصویر تصویرهای مبتنی بر نقشه بیتی همواره به صورت شبکه های مربع شکل بزرگ می باشند این شبکه ها مانند صفحه شطرنج یا موزاییک های کف آشپزخانه می باشند. این شبکه های مربع شکل بزرگ از مربع های کوچک تری تشکیل شده اند. یکی از مشخصه هایی که همواره می توان در مورد شبکه ها بیان نمود این است که دارای ابعاد می باشند. صفحه شطرنج همواره 8*8 است اما شبکه پیکسل های تشکیل دهنده صفحه نمایش کامپیوتر 888*088 است. ابعاد شبکه در واقع معادل تعداد مربع هایی است که طول و عرض تصویر را تشکیل داده اند و ربطی به اندازه واقعی تصویر ندارند. 7-1 چگونگی تشکیل رنگ در چشم انسان جهت مشاهده و درک هر رنگ سه انرژی جداگانه مربوط به سه رنگ اصلی دریافت شده و از ترکیب آنان با یکدیگر رنگ تصویر ایجاد خواهد شد. الزم به ذکر است که هر سیستم گیرنده منحنی حساسیت رنگی مختص به خود را داشته و لذا ترکیب سه انرژی رنگی R(x,y) انرژی رنگ قرمز G(x,y) انرژی رنگ سبز B(x,y) انرژی رنگ آبی دریافتی می باشند. بدین ترتیب جهت مشخص نمودن هر تصویر رنگی باید از سه ماتریس جهت مقادیر قرمز (Red) سبز (Green) و آبی (Blue) هر نقطه از تصویر )پیکسل( استفاده نمود. رنگ هر پیکسل توسط ترکیب سه رنگ اصلی در سه ماتریس داده شده به دست می آید. 15

8-1 پردازش تصویر رنگی استفاده از رنگ در پردازش تصویر دو انگیزه اصلی دارد: دلیل اول تحلیل خودکار تصویر. رنگ توصیف گر توانایی است که در اغلب موارد شناسایی و استخراج شیء از صحنه را ساده می سازد. دلیل دوم در مواردی که تحلیل تصویر به وسیله انسان انجام می شود چشم انسان قادر است هزاران سایه و شدت رنگ را در مقایسه با حدود 42 سایه خاکستری تشخیص دهد. پردازش تصویر رنگی در حوزه اصلی به دو دسته تقسیم می شود: پردازش تمام رنگ و پردازش شبه رنگی. در گروه اول تصاویر مورد نظر معموال با یک Sensor پیمایش گر رنگی scaner) (color برداشته می شوند. تمام رنگی نظیر دوربین تلویزیون رنگی با در گروه دوم به هر شدت تک رنگ خاص یا محدوده ای از شدت ها یک سایه رنگی منتسب می شود. تقریبا تا همین اواخر بیشر پردازش تصویر رنگی به صورت شبه رنگی انجام می شد. پیشرفت قابل توجهی که در دهه 0888 انجام شد باعث گردید Sensorهای رنگی و سخت افزار الزم برای پردازش تصویر رنگی با قیمت های قابل قبولی در دسترس قرار گیرند. در نتیجه این پیشرفت ها استفاده از روش های پردازش تصویر تمام رنگی در محدوده وسیعی از کاربردها در حال افزایش است. 16

9 آشنایی 1- با انواع مدل های رنگ هدف از انتخاب مدل رنگ تسهیل مشخص سازی رنگ ها در یک استاندارد است که معموال روش مورد قبولی می باشد. در اصل مدل رنگ تعیین یک سامانه مختصات سه بعدی و زیر فضایی درون آن سامانه است که در آن سامانه هر رنگ تنها با یک نقطه بیان می شود. بیشتر مدل های رنگی که اکنون استفاده می شوند به سمت سخت افزار )مانند نمایشگرها و چاپگرهای رنگی( یا کاربردهایی گرایش دارند که هدف آنها کار با رنگ می باشد نظیر تولید گرافیک های رنگی برای.(Animation) عمومی ترین مدل های سخت افزارگرا عبارتند از: مدل RGB )آبی قرمز سبز( برای نمایشگرهای رنگی و یک گروه وسیع از دوربین های وسیع مدل CMY )آبی فیروزه ای بنفش زرد( برای چاپگرهای رنگی و مدل YIQ که یک استاندارد پخش تلویزیون رنگی است. در مدل سوم Y متناظر با لومیناتوس است I و Q دو مؤلفه رنگ هستند که به ترتیب هم فاز (Inphase) و متعامد (Quadrature) خوانده می شود. مدل HIS )اصل رنگ اشباع مقدار( از مدل هایی هستند که به طور مکرر برای کار با تصویر رنگی استفاده می شوند. مدل های رنگی YIQ RGB و HIS متداول ترین مدل هایی هستند که برای پردازش تصویر استفاده می شوند. در بخش های بعد ویژگی های اصلی این سه مدل معرفی خواهند شد. گرچه مدل CMY به جای استفاده در پردازش تصویر واقعی در چاپ استفاده می شود اما به دلیل اهمیت آن در به دست آوردن خروجی های چاپی در این جا نیز بررسی می شود. 17

11-1 مدل رنگ RGB این مدل بر اساس سامانه مختصات کارتزین است.زیرا فضای رنگی مورد عالقه مکعب تصویر زیر می باشد. در این مدل محدوده خاکستری از سیاه تا سفید در طول خط و اصل این دو نقطه قرار دارد و سایر رنگ ها نیز نقاطی روی یا درون مکعب هستند که با بردارهایی که از مبدأ می گذرد تعریف می شود. برای تسهیل مدل فرض بر این است که تمام مقادیر رنگ تراز شده اند طوری که مکعب تصویر زیر مکعب واحد باشد یعنی فرض می شود که تمام مقادیر,G R و B در محدوده ] 8 و 0 [ قرار دارند. هر تصویر در مدل رنگ RGB سه صفحه مستقل دارد که هر صفحه برای رنگ اولیه می باشد. وقتی این سه صفحه به نمایشگر RGB داده شوند روی صفحه فسفری ترکیب می شوند تا یک تصویر رنگی را تولید کنند. بنابراین وقتی خود تصاویر به طور طبیعی بر حسب سه صفحه رنگی بیان شوند استفاده از مدل RGB جهت پردازش تصویر معنا می یابد. همچنین اغلب دوربین های رنگی که برای تصویربرداری رقمی به کار می روند از این قالب استفاده می کنند که این موضوع خود به تنهایی مدل RGB را مدل مهمی در مبحث پردازش تصویر می سازد. یکی از بهترین مثال های کاربرد مدل RGB پردازش داده های تصویری چند طیفی هوایی یا ماهواره ای است. تصاویر به وسیله حس گرهای تصویربرداری که در محدوده طیفی مختلف کار می کنند گرفته می شوند. برای نمونه هر قاب خروجی تصویربردار LANDSAT دارای 2 تصویر رقمی است. LANDSAT( مخفف عبارت Land Sattellite است.( )این نام را NASA به ماهواره هایی داده است که جهت نظارت سطح زمین ساخته می شوند.( همه تصویرها از یک صحنه هستند که در محدوده پنجره طیفی متفاوتی گرفته می شوند. دو پنجره از چهار پنجره فوق در بخش مرئی طیف هستند که تقریبا متناظر با سبز و قرمز می باشند. دو پنجره دیگر در بخش مادون قرمز طیف هستند. بنابراین هر صفحه تصویر Plane) (Image معنای فیزیکی دارد و ترکیبات رنگی که با استفاده از مدل RGB برای پردازش و نمایش به دست می آیند معموال 18

و 0 وقتی معنا پیدا می کنند که روی یک صفحه رنگی دیده شوند یا هنگام بخش بندی تصویر رنگی بر اساس مؤلفه های طیفی آن معنا دارند. فرض کنید که مسئله ارتقای تصویر رنگی صورت انسان که بخشی از آن در سایه مخفی است باشد. تعدیل بافت نگار ابزار ایده الی برای حل این نوع مسائل می باشد. به دلیل وجود سه تصویر و به دلیل آن که تعدیل بافت نگار با مقادیر شدت کار می کند روال این است که هر یک از صفحه تصویرها به طور مستقل تحت تعدیل بافت نگار قرار گیرد. به احتمال زیاد بخشی که در سایه مخفی است ارتقا می یابد. نتیجه این که خواص رنگی مهم در تصویر نظیر تنهای نرم tone) (Flesh روی نمایشگر RGB به طور طبیعی ظاهر نمی شوند. [ 11 مدل 1- رنگ CMY فیروزه ای بنفش و زرد رنگ های ثانویه نوری یا رنگ های اولیه مادی هستند. مثال وقتی بر سطح پوشیده از ماده رنگی فیروزه ای نور سفید تابیده می شود هیچ نور قرمزی از آن منعکس نمی شود یعنی فیروزه ای نور قرمز را از نور سفید تفریق می کند. بیشتر وسایلی که مواد رنگی را بر روی کاغذ می نشانند نظیر چاپگرها و کپی بردارهای رنگی به داده های CMY نیاز دارند یا این که در داخل خود داده های RGB را به CMY تبدیل می کنند. این تبدیل با استفاده از عمل ساده انجام می شود. دوباره فرض بر این است که تمام مقادیر رنگی به محدوده 8[ تراز شده اند. 12-1 مدل رنگ YIQ مدل YIQ در پخش عمومی تلویزیون رنگی تجارتی استفاده می شود. در واقع YIQ تغییر تصویر RGB به منظور افزایش بازده انتقال و حفظ سازگاری با استانداردهای تلویزیون تک رنگ می باشد. 19

مؤلفه Y در سامانه YIQ تمام اطالعات ویدئویی مورد نیاز تلویزیون تک رنگ می باشد. تبدیل RGB به YIQ به صورت رابطه زیر تعریف می شود: به عرض باند )یا در حالت دیجیتالی( بیشتری YIQ از مقادیر RGBجهت به دست آوردن مقادیر.نیاز دارد Qو Iو عرض باند )یا بیت های( کمتری برای نمایش Yبرای نمایش مزیت اصلی مدل رنگ YIQ در پردازش تصویر ناشی از این خاصیت است که اطالعات لومیناتوس (Y) و اطالعات رنگی I و Q ناهمبسته (Decoupled) هستند. 13-1 مدل رنگی HIS اصل رنگ است که رنگ خالص را توصیف می کند )زرد نارنجی یا قرمز خالص( در حالی که اشباع میزانی که یک رنگ خالص با نور سفید ترقیق شده است ر می دهد. سودمندی مدل رنگ HIS مدیون دو عامل اصلی است. 0. مؤلفه شدت I از اطالعات رنگ تصویر مجزا است. 4. مؤلفه های اصل رنگ و اشباع رابطه نزدیکی با روش دریافت رنگ توسط انسان دارند. این ویژگی ها مدل HIS را به ابزار ایده آلی برای تولید الگوریتم های پردازش تصویر که مبتنی بر بعضی خواص احساس رنگ سامانه بینایی انسان هستند تبدیل می کند. 20

11-1 روش های پردازش تصویر یک تصویر را می توان توسط تابع دوبعدی f(x,y) نشان داد که در آن X و Y را مختصات مکانی و مقدار f در هر نقطه را شدت روشنایی تصویر درآن نقطه می نامند. اصطالح سطح خاکستری نیز به شدت روشنایی تصاویر مونوکروم اطالق میشود. تصاویر رنگی نیز از تعدادی تصویر دوبعدی تشکیل می شود. زمانی که مقادیر X و Y و مقدار f(x,y) با مقادیر گسسته و محدود بیان شوند تصویر را یک تصویر دیجیتالی می نامند. دیجیتال کردن مقادیر X و Y را Sampling و دیجیتال کردن مقدار f(x,y) را quantization گویند. برای نمایش یک تصویر M * N از یک آرایه دو بعدی ( ماتریس( که M سطر و N ستون دارد استفاده می کنیم. مقدار هر عنصر از آرایه نشان دهنده شدت روشنایی تصویر در آن نقطه است. هر عنصر آرایه یک مقدار 8 بیتی است که می تواند مقداری بین 0 و 522 داشته باشد. مقدار صفر نشان دهنده رنگ تیره ( سیاه ) و مقدار 522 نشان دهنده رنگ روشن ( سفید ) است. به عنوان مثال تصویر روبرو که سایز آن * 588 562 است از یک ماتریس که دارای 588 سطر و 562 ستون است برای نمایش تصویر استفاده می کند. هر پیکسل از این تصویر نیز مقداری بین 0 و 522 دارد. نقاط روشن مقادیری نزدیک به 522 و نقاط تیره مقادیر نزدیک به 0 دارد. همه توابع پردازش تصویر از این مقادیر استفاده کرده و اعمال الزم را بر روی تصویر انجام می دهند. 21

پردازش تصویر در :MATLAB خواندن تصویر در محیط MATLAB با استفاده از تابع imread و نمایش آن توسط تابع imshow انجام می پذیرد. به عنوان مثال دستور زیر تصویر rice.png را خوانده و ماتریس مربوط به تصویر را در اختیار ما قرار می دهد)در مثال زیر این ماتریس با نام im مشخص شده است(. مقدار هر عنصر در این ماتریس شدت روشنایی تصویر در آن نقطه را نشان می دهد : >> im = imread('rice.png'); >> imshow(im); 11-1 تفریق دو تصویر تفریق دو تصویر هم اندازه بدین مفهوم است که شدت روشنایی پیکسل های متناظر دو تصویر را از هم کم کنیم. فرض کنید می خواهیم تغییرات مغز افرادی را بررسی کنیم که دچار بیماری آلزایمر هستند. برای این منظور می توانیم تصویری از یک مغز سالم را در مراحل مختلف با تصویر مغز فردی که دچار بیماری آلزایمر است مقایسه کنیم. با اعمال عملگر فوق بر روی دو تصویر مذکور نقاطی از مغز که در آن نقاط مغر دچار تغییر شده است مشخص می شوند. شکل 1 : عکس اسکن PET مغز نرمال و بیمار را به همراه حاصل تفریق آن ها نشان می دهد : تصویر نویزدار تصویر بدون نویز تصویر نویزدار 22

شبه کد زیر نحوه پیاده سازی عملگر تفریق را نشان می دهد : Procedure Subtract (image1, image2 : Byte[][]) Begin result :Byte[][] sub:integer For i = 1 To Height Do For j = 1 To Width Do sub = image1[i, j] - image2[i, j] result[i, j] = sub < 0? 0 : sub End For End For Return result End هنگام تفریق مقادیر پیکس ها مقادیر منفی را به مقدار صفر تبدیل می کنیم. همچنینی می توانیم هنگام تفرق از قدرمطلق تفریق نیز استفاده کنیمبه عنوان یک مثال کاربردی از تفریق دو تصویر می توان به شناسایی حرکت در سیستم های دوربین مدار بسته اشاره کرد. زمانی می گوییم حرکت رخ داده است که در بین دو فریم متوالی گرفته شده از دوربین اختالف وجود داشته باشد. و همانطور که در ابتدا یادآور شدیم برای محاسبه اختالف بین دو تصویر از عملگر تفریق استفاده می کنیم. بنابراین با تفریق فریم فعلی و فریم قبلی گرفته شده از دوربین می توانیم اختالف موجود در دو تصویر را پیدا کنیم. از دیگر کاربردهای تفریق دو تصویر می توان به حذف پشت زمینه ثابت از تصویر اشاره کرد. 23

پردازش تصویر در : MATLAB برای تفریق دو تصویر هم اندازه از تابع imsubtract در MATLAB می توان استفاده کرد. به عنوان مثال مجموعه دستورات زیر دو تصویر را خوانده و حاصل تفریق آن ها را نشان می دهد. >> im = imread('rice.png'); >> imshow(im); >> imback = imread('background.png'); >> imshow(imback); >> res = imsubtract(im,imback); 11-1 جمع دو تصویر جمع دو تصویر بدین مفهموم است که در دوتصویر شدت روشنایی پیکسل های متناظر دو تصویر را از باهم جمع کنیم. شکل 2 نتیجه اعمال عملگر جمع را نشان می دهند: تصویر اول تصویر دوم حاصل جمع دو تصویر 24

شبه کد زیر نحوه پیاده سازی عملگر جمع را نشان می دهد : Procedure Add (image1, image2 : Byte[][]) Begin result :Byte[][] sub:integer For i = 1 To Height Do For j = 1 To Width Do sub = image1[i, j] + image2[i, j] result[i, j] = sub > 255? 255 : sub End For End For Return result End یکی از رایج ترین کاربردهای جمع دو تصویر افزودن پشت زمینه به تصویر است. برای این منظور نیاز به دو تصویر پشت زمینه و تصویر شی داریم که تصویر شی باید در مقابل پرده ای با رنگ ثابت گرفته شود. از جمع کردن دو تصویر مذکور تصویری با پشت زمینه دلخواه به دست می آید. پردازش تصویر در : MATLAB برای تفریق دو تصویر هم اندازه از تابع imadd در MATLAB می توان استفاده کرد. به عنوان مثال مجموعه دستورات زیر دو تصویر را خوانده و حاصل جمع آن ها را نشان می دهد. >> im = imread('rice.png'); >> imshow(im); >> imback = imread('background.png'); >> imshow(imback); >> res = imadd(im,imback); 25

11-1 آشنایی با مفهوم تشخیص لبه یکی از ویژگی های مفید و موثر در بازشناسی اشیاء استفاده از اطالعات شکل و لبه های آن است. بنابراین استفاده از لبه ها در بسیاری از کاربردهای بینایی ماشین و بازشناسی امری متداول است. با توجه به آنچه گفته شد میتوان نتیجه گرفت که ضرورت طراحی آشکار سازهای مناسب از اهمیت بسیاری برخوردار است. در یک تصویر مرز میان یک شیء و زمینه یا مرز میان اشیاء هم پشان را لبه تعریف میکنیم. در حالت ایده آل اگر فرض شود که مقدار شدت روشنایی هر تصویر یکنواخت و با مقادیر شدت روشنایی اشیاء مجاورش متفاوت باشد آنگاه هرگونه تغییر قابل مالحظه در مقدار شدت روشنایی را میتوان لبه در نظر گرفت. با این تعریف اگر لبه های یک تصویر مشخص شوند مکان تمام اشیاء موجود در تصویر مشخص شده و خواص اساسی آنها از قبیل سطح محیط و غیره به راحتی قابل اندازه گیری خواهند بود. الگوریتم های آشکار سازی لبه الگوریتم های مختلفی برای آشکار سازی لبه ها ابداع و پیشنهاد شده است. در روش های کالسیک آشکارسازی لبه بیشینه های محلی گرادیان تصویر به عنوان نماینده مناسب برای لبه در نظر گرفته میشوند. آشکار ساز روبرت سوبل و پرویت این دسته تعلق دارند. از دیگر الگوریتم های کارآمد در این حوضه آشکار ساز لبه ی کنی است که به خاطر داشتن قابلیت دنبال کردن لبه و نیز توانایی حذف نویز تصویر به کمک فیلتر گوسی کاربرد زیادی دارد. شکل 3 : تشخیص لبه با استفاده از آشکارساز لبه ی کنی. 26

11-1 میانگین گیری از تصویر 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. به عنوان مثال مجموعه تصاویر زیر تصویر بدون نویز شکل 1 تصویر نویز دار و حاصل میانگین گیری از تصاویر نویز دار را نشان می دهد: تصویر بدون نویز تصویر نویزدار تصویر نویزدار تصویر نویزدار تصویر نویزدار میانگین تصاویر نویزدار 27

شبه کد زیر نحوه پیاده سازی عملگر میانگین را نشان می دهد : Procedure Average( bmp1, bmp2 :Image) Begin Result:Image For 1 To Height Do For 1 To Width Do Result.Pixels[ i, j] = ( bmp1.pixels[ i, j ] + bmp2.pixels[ i, j ] ) /2 End For End For End هنگام تفریق مقادیر پیکس ها مقادیر منفی را به مقدار صفر تبدیل می کنیم. همچنینی می توانیم هنگام تفرق از قدرمطلق تفریق نیز استفاده کنیم. به عنوان یک مثال کاربردی از تفریق دو تصویر می توان به شناسایی حرکت در سیستم های دوربین مدار بسته اشاره کرد. زمانی می گوییم حرکت رخ داده است که در بین دو فریم متوالی گرفته شده از دوربین اختالف وجود داشته باشد. و همانطور که در ابتدا یادآور شدیم برای محاسبه اختالف بین دو تصویر از عملگر تفریق استفاده می کنیم. بنابراین با تفریق فریم فعلی و فریم قبلی گرفته شده از دوربین می توانیم اختالف موجود در دو تصویر را پیدا کنیم. از دیگر کاربردهای تفریق دو تصویر می توان به حذف پشت زمینه ثابت از تصویر اشاره کرد. پردازش تصویر در : MATLAB برای میانگین گیری از تصویر در محیط MALTAB به صورت زیر می توان عمل کرد : >> im = imread('cameraman.tif'); >> imshow(im); >> im1 = imread('rice.png'); >> imshow(im1); >> imavg = imadd(im,im1)./ 2; >> imshow(imavg); 28

11-1 هیستوگرام تصویر هیستوگرام تصویر نموداری است که توسط آن تعداد پیکسل های هر سطح روشنایی در تصویر ورودی مشخص می شود. فرض کنید تصویر ورودی یک تصویر Grayscale با 252 سطح روشنایی باشد بنابراین هریک از پیکسل های تصویر مقداری در بازه ]255...0[ می توانند داشته باشند. برای به دست آوردن هیستوگرام تصویر کافی است با پیمایش کل پیکسل های تصویر تعداد پیکسل های هر سطح روشنایی را محاسبه می کنیم. هیستوگرام نرمال نیز از تقسیم کردن مقادیر هیستوگرام به تعداد کل پیکسل های تصویر به دست می آید. نرمال سازی هیستوگرام موجب می شود که مقادیر هیستوگرام در بازه ]0,1[ قرار گیرند. شکل 5 تصویری را به همراه هیستوگرام نرمال آن نشان می دهد. یکی از کاربردهای هیستوگرام در فوکوس خودکار دوربین های دیجیتالی است. بدین صورت که لنز دوربین از ابتدا تا انتها حرکت کرده و در هر گام از حرکت خود تصویری از صحنه می گیرد. سپس کنتراست تصویر گرفته شده را با استفاده از هیستوگرام آن محاسبه می کند. پس از آن که لنز به انتهای حرکتی خود رسید محلی از حرکت لنز که در آن تصویر دارای بیشترین کنتراست خود بوده است به عنوان محل لنز تعیین می گردد. روش مذکور یکی از ساده ترین روش های فوکوس خودکار دوربین می باشد و همانطور که می توان حدس زد این الگوریتم در صحنه هایی که رنگ تیره و روشن باهم وجود داشته باشد دچار اشکاالتی خواهد بود و باید تغییراتی در آن اعمال کرد )مفهوم کنتراست در ادامه بیان شده است(. 29

02-1 تعدیل هیستوگرام یکی دیگر از کاربردهای هیستورگرام در افزایش کنتراست تصاویر با کنتراست پایین است. زمانی که می گوییم کنتراست تصویری کم است این بدان معنا است که اختالف بین کمترین و بیشتری شدت روشنایی تصویر کم است. هم تعدیل سازی هیستوگرام موجب می شود که کنتراست تصویر ورودی تا حد ممکن افزایش یابد. به عنوان مثال شکل 2 تصویری را قبل و بعد از تعدیل سازی هیستوگرام نشان می دهد: تصویر خروجی پس از تعدیل هیستوگرام تصویر ورودی و هیستوگرام آن الگوریتم زیر روش تعدیل سازی هیستوگرام را نشان می دهد : ) 1 هیستوگرام تصویر را محاسبه می کنیم. فرض کنید مقادیر هیستوگرام در آرایه hist قرار گیرد. ) 2 با استفاده از فرمول زیر فراوانی هیستوگرام را محاسبه می کنیم : histcum[ i ] = histcum[ i-1 ] + hist[ i ] ) 3 از فرمول زیر استفاده کرده و هیستوگرام تعدیل شده را محاسبه می کنیم : eqhist[i] = Truncate( [(L * histcum[i]) N]/N ) 30

) 1 در مرحله نهایی مقادیر جدید پیکسل ها را به صورت زیر مقدار دهی می کنیم : Result[ i, j ] = eqhist[ input[ i, j ] ] که در این فرمول L تعداد سطوح خاکستری و N تعداد کل پیکسل ها Result تصویر خروجی و input تصویر ورودی را نشان می دهند. پردازش تصویر در MATLAB تعدیل سازی هیستوگرام در MATLAB با استفاده از تابع histeq و به شکل زیر انجام می پذیرد : >> I = imread('tire.tif'); >> J = histeq(i); >> figure, imshow(i), figure, imshow(j); 01-1 فیلتر کردن تصویر در کل پیکسل های تصویر را به دوسته می توان تقسیم کرد: 1( پیکسل های تیز و 2( پیکسل های آرام. به عنوان مثال شکل زیر را در نظر بگیرید: پیکسل های زیر ناحیه های قرمز در این تصویر را در دسته پیکسل های تیز قرار می دهیم. پیکسل هایی از تصویر را که اختالف شدت روشنایی آنها ( مقدار پیکسل ) با پیکسل های همسایه خود زیاد باشند پیکسل های تیز می نامیم. پیکسل های تیز معموال یا نشان دهنده لبه های اشیای موجود در تصویر هستند یا نشان دهنده نویزهای یک تصویر هستند و در حالت کلی می توان گفت که جزئیات تصویر با استفاده از پیکسل های تیز استخراج می شوند. 31

ف( به عنوان مثال تصاویری که هنگام شب توسط موبایل یا یک وب کم گرفته می شوند دارای نویز معروف فلفل-نمکی هستند. تصویر 1 گویای این مطلب است: در مقابل پیکسل های تیز پیکسل های آرام تصویر قرار دارند ( ناحیه های آبی رنگ در مثال فوق (. پیکسل هایی از تصویر که اختالف شدت روشنایی آنها با پیکسل های همجوار خود کم است پیکسل های آرام تصویر می نامیم. حال با توجه به این مطالب به شرح فیلتر کردن تصویر می پردازیم. در حوزه مکانی فیلترها به دسته تقسیم می شوند: 1( فیلترهای آرام کننده 2 یلترهای تیزکننده فیلترهای آرام کننده با اعمال تغییر در شدت روشنایی پیکسل های تیز تصویر موجب تولید تصاویر آرام تری می شود. همچنین این فیلترها تاثیر چندانی بر روی پیکسل های آرام تصویر نمی گذارند. آرام شدن تصویر بدین معنی است که بخشی از جزئیات تصویر از بین می رود. به عنوان مثال اعمال یک فیلتر آرام کننده بر روی یک تصویر نویزدار موجب کاهش شدت نویزها خواهد شد. یک مثال کاربردی ساده از فیلتر های آرام کننده را می توان حذف چین و چروک ها از تصاویر صورت بیان کرد. 32

شکل 8 : تصاویر زیر گویای این مطلب هستند. ساده ترین فیلترهای آرام کننده تصویر فیلترهای میانگین هستند. یک فیلتر میانگینm*n ماسکی است که مقدار هریک از عناصر آن برابر با عدد 1 ( m.n )/است. به عبارت دیگر مقدار هر پیکسل در تصویر خروجی برابر است با میانگین مقدار شدت روشنایی پیکسل جاری و پیکسل های همسایه پیکسل جاری. برای آرام کردن تصویر فوق از یک فیلتر میانگین 3*3 استفاده کرده ایم که هریک از عناصر این فیلتر دارای مقداری برابر با 9/1 هستند. سپس با استفاده از کانولوشن این فیلتر را بر وی تصویر باال اعمال کرده و تصویر پایین را تولید کرده ایم. برخالف فیلترهای آرام کننده فیلترهای تیز کننده با اعمال تغییر بر روی پیکسل های آرام تصویر موجب استحراج جزئیات بیشتری از تصویر می شوند. در برخی موارد می بینیم که تصویر داری حالتی بلور مانند 33

است (جزئیات نمایان نیستند). در چنین مواردی برای حذف خاصیت بلوری از فیلترهای تیز کننده تصویر استفاده می کنیم: تصویر تیز شده تصویر اصلی در شکل 9 برای افزایش جزئیات تصویر و به دست آوردن تصویر واضح تر فیلتر تیز کننده ای را بر روی تصویر سمت چپ اعمال کرده و تصویر سمت راست را تولید کرده ایم. پردازش تصویر درMATLAB اعمال فیلتر در محیط MATLAB با استفاده از دستور imfilter انجام می پذیرد. این تابع فیلتر مورد نظر را بر روی تصویر مشخص شده در دیگر پارامتر تابع اعمال کرده و نتیجه را به صورت ماتریسی بر می گرداند. مجموعه دستورات زیر آرام کردن ( بلور کردن( تصویر را با استفاده از تابع imfilter نشان می دهند. >> im = imread('rice.png'); >> filter = ones(3,3).* 0.11; >> imfilt = imfilter(im,filter); >> imshow(im),figure,imshow(imfilt); 34

35 یدنب هعطق00-1 نآ یاه شور و میسقت ندرک ریوصت هب یحاون ریغ ناسکی هعطق یدنب مان.دراد هیحان اه رد عقاو ءایشا توافتم دوجوم رد دنریوصت هک زا رظن تفاب و ای گنر تخاونکی دنتسه. یحاون دیاب یاراد هرفح یاه کچوک یحاون. دنشابن رواجم کی هعطق دیاب توافت لباق هظحلام یا اب نآ هیحان هتشاد هعطق. دنشاب یدنب رد نوچ یدراوم شزادرپ ییانیب, ریوصت, نیشام شزادرپ ریواصت,یکشزپ یاههناخباتک یبایزاب, یلاتیجید تاعلاطا رب هیاپ اوتحم رد ریواصت و لاقتنا, ملیف تاعلاطا زا قیرط تنرتنیا و یزاس هدرشف ریواصت دربراک.دراد یاهکینکت هعطق یدنب ریوصت اب هدافتسا زا گنر ار ناوتیم رد جنپ هتسد یدنبهعطق: دناجنگ رب ساسا لسکیپ هعطق یدنب رب ساسا هیحان هعطق یدنب ساسارب صیخشت,هبل هعطق یدنب یبیکرت رب ساسا هبل و هیحان و هعطق یدنب رب ساسا هشوخ ISODATA,FCM,kmean یدنب DCPSO و. هعطق یدنب ریواصت یگنر اب هدافتسا زا هتسد یدنب یزاف یکی زا یاهشور یدنبهعطق رب ساسا لسکیپ دشابیم.به نیا بیترت متسیس هک یزاف صخشم دنکیم ره لسکیپ هب مادک هتسد گنر قلعت نیاربانب. دراد فده داجیا کی متسیس یزاف تسا هک دناوتب یاهگنر یرتشیب ار هتسد یدنب یارب. دیامن راکنیا زاین هب کی درف هربخ تسا هک اب هجوت هب یاههداد یشزومآ نیناوق و عباوت تیوضع ار میظنت دیامن هک یرما رایسب ریگتقو و تقاط اسرف هچ. تسا اسب هک نیناوق ییاهن زین نیرتهب نیناوق.دنشابن اذل زاین هب کی شور کیتاموتا تسا هک اب هجوت هب یاههداد یشزومآ نیناوق و عباوت تیوضع یزاف ار داجیا یاهشور. دیامن یدایز یارب نیا روظنم عادبا هدش.تسا زا هلمج میسقت متیروگلا, ندرک کیتنژ یاضف یاهیدورو متسیس یزاف بیع هدمع نیا تسا هک ANFIS دادعت و ینیناوق هک داجیا دیامنیم رایسب دایز دادعت. دشابیم دایز نیناوق ثعاب دوشیم هک تعرس هتسد یدنب هداد شهاک.دبای نیاربانب یشور هک دناوتب دادعت نیناوق ار شهاک دهد و هداد یشزومآ اب نیرتمک اطخ هتسد یدنب دیامن دروم زاین.تسا

02-1 مقدمهای بر خوشهبندی خوشهبندی را میتوان به عنوان مهمترین مسئله در یادگیری بدون نظارت در نظر گرفت. خوشهبندی با یافتن یک ساختار درون یک مجموعه از دادههای بدون برچسب درگیر است. خوشه به مجموعهای از دادهها گفته میشود که به هم شباهت داشته باشند. در خوشهبندی سعی میشود تا دادهها به خوشههایی تقسیم شوند که شباهت بین دادههای درون هر خوشه حداکثر و شباهت بین دادههای درون خوشههای متفاوت حداقل شود. شکل 10: در این شکل نمونهای از اعمال خوشهبندی روی یک مجموعه از دادهها مشخص شده است که از معیار فاصله ( Distance )به عنوان عدم شباهت ( Dissimilarity )بین دادهها استفاده شده است. خوشهبندی در مقابل طبقهبندی در طبقهبندی هر داده به یک طبقه )کالس( از پیشین مشخص شده تخصیص مییابد ولی در خوشهبندی هیچ اطالعی از کالسهای موجود درون دادهها وجود ندارد و به عبارتی خود خوشهها نیز از دادهها استخراج میشوند. در شکل 11 تفاوت بین خوشهبندی و طبقهبندی بهتر نشان داده شده است. a 36

b شکل : 12 a :در طبقهبندی با استفاده یک سری اطالعات اولیه دادهها به دستههای معلومی نسبت داده میشوند. در خوشهبندی دادهها با توجه به الگوریتم انتخاب شده به خوشههایی نسبت داده میشوند کاربردها از آنجا که خوشهبندی یک روش یادگیری بدون نظارت محسوب میگردد در موارد بسیاری میتواند کاربرد داشته باشد در بازاریابی (Marketing): دستهبندی مشتریها به دستههایی بر حسب رفتارها و نیازهای آنها از طریق مجموعه زیادی از ویژگیها و آخرین خریدهای آنها. زیستشناسی (Biology): دستهبندی حیوانات و گیاهان از روی ویژگیهای آنها کتابداری : دستهبندی کتابها نقشهبرداری شهری (City-Planning): دستهبندی خانهها بر اساس نوع و موقعیت جغرافیایی آنها. مطالعات زلزلهنگاری studies): (Earthquake تشخیص مناطق حادثهخیز بر اساس مشاهدات قبلی. وب (WWW): دستهبندی اسناد و یا دستهبندی مشتریان به سایتها و... داده کاوی Mining): (Data کشف اطالعات و ساختار جدید از دادههای موجود در تشخیص گفتار Recognition): (Speech در ساخت کتاب کد از بردارهای ویژگی در تقسیم کردن گفتار بر حسب گویندگان آن و یا فشردهسازی گفتار در تقسیمبندی تصاویر Segmentation): Image )تقسیمبندی تصاویر پزشکی و یا ماهوارهای 37

02-1 روشهای خوشهبندی روشهای خوشهبندی را میتوان از چندین جنبه تقسیمبندی کرد: - 1 خوشهبندی انحصاری Clustering) (Exclusive or Hard و خوشهبندی با همپوشی (Overlapping or Soft Clustering) در روش خوشهبندی انحصاری پس از خوشهبندی هر داده دقیقأ به یک خوشه تعلق میگیرد مانند روش خوشهبندی K-Means. ولی در خوشهبندی با همپوشی پس از خوشهبندی به هر داده یک درجه تعلق بازاء هر خوشه نسبت داده میشود. به عبارتی یک داده میتواند با نسبتهای متفاوتی به چندین خوشه تعلق داشته باشد. نمونهای از آن خوشهبندی فازی است. - 2 خوشهبندی سلسله مراتبی (Hierarchical) و خوشهبندی مسطح( Flat ) در روش خوشه بندی سلسله مراتبی به خوشههای نهایی بر اساس میزان عمومیت آنها ساختاری سلسله مراتبی نسبت داده میشود. مانند روش Link. Single ولی در خوشهبندی مسطح تمامی خوشههای نهایی دارای یک میزان عمومیت هستند مانند مراتبی دندوگرام (Dendogram) گفته میشود.. K-Meansبه ساختار سلسله مراتبی حاصل از روشهای خوشهبندی سلسله با توجه با اینکه روشهای خوشهبندی سلسله مراتبی اطالعات بیشتر و دقیقتری تولید میکنند برای تحلیل دادههای با جزئیات پیشنهاد میشوند ولی از طرفی چون پیچیدگی محاسباتی باالیی دارند برای مجموعه دادههای بزرگ روشهای خوشهبندی مسطح پیشنهاد میشوند. 01-1 روشهای خوشهبندی سلسله مراتبی همان گونه که بیان شد در روش خوشه بندی سلسله مراتبی به خوشههای نهایی بر اساس میزان عمومیت آنها ساختاری سلسله مراتبی معموال به صورت درختی نسبت داده میشود. به ا ین درخت سلسله مراتبی دندوگرام ( dendogram )میگویند. روش کار تکنیکهای خوشهبندی سلسلهمراتبی معموال بر اساس الگوریتمهای حریصانه Algorithms) (Greedy و بهینگی مرحلهای ( stepwise-optimal )است. 38

روشهای خوشهبندی بر اساس ساختار سلسله مراتبی تولیدی توسط آنها معموال به دو دستة زیر تقسیم میشوند:. 1 باال به پایین (Top-Down) یا تقسیم کننده (Divisive): در این روش ابتدا تمام دادهها به عنوان یک خوشه در نظر گرفته میشوند و سپس در طی یک فرایند تکراری در هر مرحله دادههایی شباهت کمتری به هم دارند به خوشههای مجزایی شکسته میشوند و این روال تا رسیدن به خوشههایی که دارای یک عضو هستند ادامه پیدا میکند.. 2 پایین به باال (Bottom-Up) یا متراکم شونده (Agglomerative): در این روش ابتدا هر دادهها به عنوان خوشهای مجزا در نظر گرفته میشود و در طی فرایندی تکراری در هر مرحله خوشههایی که شباهت بیشتری با یکدیگر با یکدیگر ترکیب میشوند تا در نهایت یک خوشه و یا تعداد مشخصی خوشه حاصل شود. از انواع الگوریتمهای خوشهبندی سلسله مراتبی متراکم شونده رایج میتوان از الگوریتمهایSingle-Link Average-Linkو Complete-Link نام برد. تفاوت اصلی در بین تمام این روشها به نحوة محاسبة شباهت بین خوشهها مربوط میشود. که در بخشهای بعد به تشریح هر یک پرداخته خواهد شد. 01-1 خوشهبندی با روشSingle-Link این روش یکی از قدیمیترین و سادهترین روشهای خوشهبندی است و جزء روشهای خوشهبندی سلسله مراتبی و انحصاری محسوب میشود. به این روش خوشهبندی تکنیک نزدیکترین همسایه (Nearest ( Neighbourنیز گفته میشود. در این روش برای محاسبة شباهت بین دو خوشة A و B از معیار زیر استفاده میشود: که I یک نمونه داده متعلق به خوشة A و j یک نمونه دادة متعلق به خوشة B میباشد. در واقع در این روش شباهت بین دو خوشه کمترین فاصلة بین یک عضو از یکی با یک عضو از دیگری است. در شکل زیر این مفهوم بهتر نشان داده شده است 39

شکل 13: شباهت بین دو خوشه در روش Single-Link برابر است با کمترین فاصلة بین دادههای دو خوشه - 1-1-1 مثال: در این قسمت سعی شده است تا در مثالی با فرض داشتن 2 نمونه داده و ماتریس فاصلة بین آنها که در جدول 1 نشانداده شده است نحوة اعمال روش خوشهبندی Single-Link بهتر تشریح شود جدول 1: ماتریس فاصلة بین 2 نمونة داده در ابتدا هر داده به عنوان یک خوشه در نظر گرفته میشود و یافتن نزدیکترین خوشه در واقع یافتن کمترین فاصلة بین دادههای باال خواهد بود. با توجه به جدول 1 مشخص است که دادههای 3 و 5 کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشة جدیدی حاصل میشود که فاصلة آن از سایر خوشهها برابر است با کمترین فاصلة بین 3 و یا 5 از سایر خوشهها. نتیجه در جدول 2 نشان داده شده است. 40

با توجه به جدول 2 مشخص است که دادههای 1 و 2 کمترین فاصله را دارا هستند.و در نتیجه آنها را با هم ترکیب کرده و خوشة جدیدی حاصل میشود که فاصلة آن از سایر خوشهها برابر است با کمترین فاصلة بین 1 و یا 2 از سایر خوشهها. نتیجه در جدول 3 نشان داده شده است. با توجه به جدول 3 مشخص است که خوشههای )3 و 5( و 1 کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشة جدیدی حاصل میشود که فاصلة آن از سایر خوشهها برابر است با کمترین فاصلة بین )3 و 5( و یا 1 از سایر خوشهها. نتیجه در جدول 1 نشان داده شده است. 41

با توجه به جدول 1 مشخص است که خوشههای )1 و 2( و 2 کمترین فاصله را دارا هستند. و در نتیجه آنها را با هم ترکیب کرده و خوشة جدیدی حاصل میشود که فاصلة آن از سایر خوشهها برابر است با کمترین فاصلة بین )1 و 2( و یا 2 از سایر خوشهها. نتیجه در جدول 5 نشان داده شده است. در نهایت این دو خوشة حاصل ا هم ترکیب میشوند. نتیجه در دندوگرام شکل 5 نشان داده شده است. شکل 11: دندوگرام مثالSingle-Link 42

02-1 روش خوشهبندی K-Means این روش علیرغم سادگی آن یک روش پایه برای بسیاری از روشهای خوشهبندی دیگر )مانند خوشهبندی فازی( محسوب میشود. این روش روشی انحصاری و مسطح محسوب میشود. برای این الگوریتم شکلهای مختلفی بیان شده است. ولی همة آنها دارای روالی تکراری هستند که برای تعدادی ثابت از خوشهها سعی در تخمین موارد زیر دارند: بدست آوردن نقاطی به عنوان مراکز خوشهها این نقاط در واقع همان میانگین نقاط متعلق به هر خوشه هستند. نسبت دادن هر نمونه داده به یک خوشه که آن داده کمترین فاصله تا مرکز آن خوشه را دارا باشد. در نوع سادهای از این روش ابتدا به تعداد خوشههای مورد نیاز نقاطی به صورت تصادفی انتخاب میشود. سپس در دادهها با توجه با میزان نزدیکی )شباهت( به یکی از این خوشهها نسبت داده میشوند و بدین ترتیب خوشههای جدیدی حاصل میشود. با تکرار همین روال میتوان در هر تکرار با میانگینگیری از دادهها مراکز جدیدی برای آنها محاسبه کرد و مجدادأ دادهها را به خوشههای جدید نسبت داد. این روند تا زمانی ادامه پیدا میکند که دیگر تغییری در دادهها حاصل نشود. تابع زیر به عنوان تابع هدف مطرح است. که معیار فاصلة بین نقاط و cj مرکز خوشة j ام است. الگوریتم زیر الگوریتم پایه برای این روش محسوب میشود: 1. در ابتدا K نقطه به عنوان به نقاط مراکز خوشهها انتخاب میشوند. 43

هر نمونه داده به خوشهای که مرکز آن خوشه کمترین فاصله تا آن داده را داراست نسبت داده میشود. پس تعلق تمام دادهها به یکی از خوشهها برای هر خوشه یک نقطه جدید به عنوان مرکز محاسبه میشود. )میانگین نقاط متعلق به هر خوشه( مراحل 2 و 3 تکرار میشوند تا زمانی که دیگر هیچ تغییری در مراکز خوشهها حاصل نشود..2.3.1 مثالی برای روش خوشهبندی :K-Means در شکل 15 نحوة اعمال این الگوریتم خوشهبندی روی یک مجموعه داده که شامل دو گروه داده است نشان داده شده است. یک گروه از دادهها با ستاره و گروه دیگر با دایره مشخص شده اند) a (. در مرحله اول نقطهای به عنوان مرکز خوشهها انتخاب شده اند که با رنگ قرمز نشانداده شده اند) b (. سپس در مرحله دوم هر یک از نمونه دادهها به یکی از این دو خوشه نسبت داده شده است و برای هر دسته جدید مرکزی جدید محاسبه شده سات که در قسمت c نشان داده شده اند. این روال تا رسیدن به نقاطی که دیگر تغییر نمیکنند ادامه پیدا کرده است. )a( 44

)b( )c( 45

)d( )e( 46

)f( شکل 11: مثالی برای روش خوشهبندی K-Means 01-1 مشکالت روش خوشهبندی K-Means علیرغم اینکه خاتمهپذیری الگوریتم باال تضمین شده است ولی جواب نهایی آن واحد نبوده و همواره جوابی بهینه نمیباشد. به طور کلی روش ساده باال دارای مشکالت زیر است. جواب نهایی به انتخاب خوشههای اولیه وابستگی دارد. روالی مشخص برای محاسبة اولیة مراکز خوشهها وجود ندارد. اگر در تکراری از الگوریتم تعداد دادههای متعلق به خوشهای صفر شد راهی برای تغییر و بهبود ادامة روش وجود ندارد. در این روش فرض شده است که تعداد خوشهها از ابتدا مشخص است. اما معموال در کاربردهای زیادی تعداد خوشهها مشخص نمیباشد. 47

01-1 الگوریتم خوشهبندی LBG همانگونه که ذکر شد الگوریتم خوشهبندی K-Means به انتخاب اولیة خوشهها بستگی دارد و این باعث میشود که نتایج خوشهبندی در تکرارهای مختلف از الگوریتم متفاوت شود که این در بسیاری از کاربردها قابل نیست. برای رفع این مشکل الگوریتم خوشهبندی LBG پیشنهاد شد که قادر است به مقدار قابل قبولی بر این مشکل غلبه کند. در این روش ابتدا الگوریتم تمام دادهها را به صورت یک خوشه در نظر میگیرد و سپس برای این خوشه یک بردار مرکز محاسبه میکند.)اجرای الگوریتم K-Means با تعداد خوشة 1=K(. سپس این بردار را به 2 بردار میشکند و دادهها را با توجه به این دو بردار خوشهبندی میکند )اجرای الگوریتم K-Means با تعداد خوشة 2=K که مراکز اولیه خوشهها همان دو بردار هستند(. در مرحلة بعد این دو نقطه به چهار نقطه شکسته میشوند و الگوریتم ادامه پیدا میکند تا تعداد خوشة مورد نظر تولید شوند. الگوریتم زیر را میتوان برای این روش خوشهبندی در نظر گرفت: شروع: مقدار M )تعداد خوشهها( با عدد 1 مقدار دهی اولیه میشود. سپس برای تمام دادهها بردار مرکز محاسبه میشود. شکست: هر یک از M بردار مرکز به 2 بردار جدید شکسته میشوند تا 2M بردار مرکز تولید شود. هر بردار جدید بایستی درون همان خوشه قرار داشته باشد و به اندازة کافی از هم دور باشند. :K-Means با اجرای الگوریتم K-Means با تعداد خوشة 2M و مراکز اولیه خوشههای محاسبه شده در مرحلة ii خوشههای جدیدی با مراکز جدید تولید میشود. شرط خاتمه: در صورتی که M برابر تعداد خوشة مورد نظر الگوریتم LBG بود الگوریتم خاتمه مییابد و در غیر این صورت به مرحلة ii رفته و الگوریتم تکرار میشود..1.2.3.1 48

(Fuzzy c-mean) 22-1 روش خوشه بندی C-Means یکی از مهمترین و پرکاربردترین الگوریتم های خوشه بندی الگوریتم c میانگین می باشد. در این الگوریتم نمونه ها به c خوشه تقسیم می شوند و تعداد c از قبل مشخص شده است. در نسخه فازی این الگوریتم نیز تعداد خوشه ها )c( از قبل مشخص شده است. در الگوریتم خوشه بندی c میانگین فازی تابع هدف بصورت زیر می باشد: در فرمول فوق m یک عدد حقیقی بزرگتر از 1 است که در اکثر موراد برای m عدد 2 انتخاب می شود. اگر در فرمول فوق m را برابر 1 قرار دهیم تابع هدف خوشه بندی c میانگین )کالسیک( غیر فازی بدست می آید. در فرمول فوق vi ام و k نمونه xk نماینده یا مرکز خوشه i ام و n تعداد نمونه ها می باشد. uik میزان تعلق نمونه i ام در خوشه k ام را نشان می دهد. عالمت * میزان تشابه )فاصله( نمونه با )از( مرکز خوشه می باشد که می توان از هر تابعی که بیانگر تشابه نمونه و مرکز خوشه باشد استفاده کرد. از روی uik می توان یک ماتریس U تعریف کرد که دارای c سطر و n ستون می باشد و مولفه های آن هر مقداری بین 0 تا 1 را می توانند اختیار کنند. اگر تمامی مولفه های ماتریس U بصورت 0 و یا 1 باشند الگوریتم مشابه c میانگین کالسیک خواهد بود. با اینکه مولفه های ماتریس U می توانند هر مقداری بین 0 تا 1 را اختیار کنند اما مجموع مولفه های هر یک از ستونها باید برابر 1 باشد و داریم: معنای این شرط این است که مجموع تعلق هر نمونه به c خوشه باید برابر 1 باشد. برای بدست آوردن فرمولهای مربوط به uik و vi باید تابع هدف تعریف شده را می نیمم کنیم. با استفاده از شرط فوق و برابر صفر قرار دادن مشتق تابع هدف خواهیم داشت: 49

و با استفاده از دو فرمول محاسبه شده الگویتم خوشه بندی c میانگین فازی بصورت زیر می باشد. مراحل الگوریتم: 1.مقدار دهی اولیه برای m c و U. 0 خوشه های اولیه حدس زده شوند. 2.مراکز خوشه ها محاسبه شوند )محاسبه viها(. 3.محاسبه ماتریس تعلق از روی خوشه های محاسبه شده در 2. 1.اگر Ul 1 Ul الگوریتم خاتمه می یابد و در غیر اینصورت برو به مرحله 2. برای مشاهده عملکرد خوشه بندی فازی به مثال زیر توجه کنید. در شکل زیر یک توزیع یک بعدی از نمونه های ورودی را آورده شده است. 50

شکل 11: توزیع یک بعدی نمونه ها اگر از الگوریتم c میانگین کالسیک استفاده کنیم داده های فوق به دو خوشه مجزا تقسیم خواهند شد و هر نمونه تنها متعلق به یکی از خوشه ها خواهد بود. بعبارت دیگر تابع تعلق هر نمونه مقدار 0 یا 1 خواهد داشت. نتیجه خوشه بندی کالسیک مطابق شکل زیر است: شکل 18: خوشه بندی کالسیک نمونه های ورودی شکل 2 تابع تعلق مربط به خوشه A را نشان می دهد. تابع تعلق خوشه B متمم تابع تعلق A می باشد. همانطور که مشاهده می کنید نمونه های ورودی تنها به یکی از خوشه ها تعلق دارند و بعبارت دیگر ماتریس U بصورت باینری می باشد. حال اگر از خوشه بندی فازی استفاده کنیم خواهیم داشت: 51

شکل 19 : خوشه بندی فازی نمونه ها مشاهده می کنید که در این حالت منحنی تابع تعلق هموارتر است و مرز بین خوشه ها بطور قطع و یقین مشخص نشده است. بعنوان مثال نمونه ای که با رنگ قرمز مشخص شده است با درجه تعلق 0.2 به خوشه A و با درجه تعلق 0.8 به خوشه B نسبت داده شده است. نقاط قوت الگوریتم c میانگین فازی: همیشه همگرا می شود. بدون نظارت بودن الگوریتم. نقاط ضعف الگوریتم c میانگین فازی: زمان محاسبات زیاد است. حساس به حدسهای اولیه می باشد و ممکن در مینیمم های محلی متوقف شود. حساس به نویز می باشد. 52

اگر معیار تشابه در تابع هدف بر اساس فاصله تعریف شود می توان از تعاریف مختلفی که در مورد فاصله وجود دارد استفاده کرد که در زیر چند نمونه از این توابع آورده شده است: جئول 2 : معیارهای تشابه بر اساس توابع فاصله مختلف 53

الگوریتم خوشه بندی c میانگین برای داده های نویزی: همانطور که در باال اشاره شد روش c میانگین حساسیت زیادی به نویز دارد. بهمین روش هایی ابداع شده که کمتر به نویز حساس باشند. یکی از روشهایی که در مورد داده های نویزی مطرح شده این است که یک خوشه برای داده های نویزی در نظر گرفته شود و نمونه هایی که نویز هستند با درجه تعلق زیاد به این خوشه نسبت داده شوند و نمونه هایی که نویز نیستند تعلق کمتری به این خوشه داشته باشند. میزان تعلق بردار ویژگی xk )نمونه( به خوشه نویز بر طبق رابطه زیر تعریف شود: با این اگر نمونه k ام نویز نباشد سیگمای فرمول فوق باید مقدار بزرگی باشد )نزدیک به 1( و اگر نمونه نویز باشد باید مقدار سیگما نزدیک صفر باشد. بنابر تعریف فوق مجموع درجه تعلقات نمونه ها به c خوشه اولیه کمتر از 1 باید باشد برخالف روش c میانگین اولیه که این مجموع باید مساوی 1 شود: تابع هدفی که برای این خوشه بندی تعریف شده بصورت زیر می باشد: داریم: با مشتق گیری از تابع هدف و با در نظر گرفتن شرط مربوط به مجموع تعلقات نمونه ها به خوشه های اولیه 54

در فرمول باال δ عدد ثابتی است که برابر است با فاصله مرکز خوشه نویز با تمامی نمونه ها. اگر نمونه k ام نویز باشد جمله دوم فرمول فوق بزرگ می شود و میزان تعلق این نمونه به خوشه ها کم می شود و در نتیج میزان تعلق این نمونه به خوشه نویز افزایش می یابد. از آنجا که جمله اضافه شده به تابع هدف این الگوریتم به vi بستگی ندارد برای محاسبه مقادیر می توان از vi فرمول ارائه شده برای "الگوریتم c میانگین فازی" استفاده کرد. با پیدا کردن یک مقدار مناسب برای δ این الگوریتم نتایج بهتری نسبت به روش c میانگین اولیه خواهد داشت. الگوریتم خوشه بندی c میانگین با استفاده از نمونه های برچسب گذاری شده: در بعضی از کاربردها عالوه بر نمونه های بدون برچسب تعداد کمی نمونه بر چسب دار نیز موجود می باشد. در چنین حالتی می توان از روی این نمونه های بر چسب دار حدس های اولیه بهتری برای مراکز خوشه ها بدست آورد. فرض کنید که تعداد نمونه n باشد و M نمونه از این تعداد برچسب دار باشد. در این کاربردها تابع هدف به صورت زیر تعریف می شود: =1 و در غیر اینصورت bk بردار b نیز بدین صورت تعریف می شود که اگر نمونه k ام برچسب داشته باشد bk =0 است و lik مولفه های ماتریس L می باشند که درجه تعلق نمونه های برچسب دار را نشان می دهند. ضریب α برابر نسبت n به M در نظر گرفته می شود. مشابه قسمتهای قبل با مشتق گرفتن از تابع هدف می توان فرمول های بروز رسانی uik ها را محاسبه کرد و همچنین برای محاسبه مراکز خوشه ها از فرمول ارائه شده در الگوریتم c میانگین استاندارد استفاده می شود. مراحل الگوریتم نیز مشابه مراحل خوشه بندی c میانگین استاندارد می باشد. در این نوع خوشه بندی ها اگر M=n باشد الگوریتم خوشه بندی را با ناظر و اگر n<m باشد الگوریتم را با ناظر جزئی و اگر 0=M باشد الگوریتم خوشه بندی را بدون ناظر گویند. 55

21-1 روش تقسیم بندی Otsu's در بینایی کامپیوتر و پردازش تصویر از روش اوتسو برای انجام خودکار هیستوگرام آستانه تصاویر مبتنی بر شکل یا کاهش سطح خاکستری در تصاویر باینری استفاده میشود. در این الگوریتم فرض بر این است که تصویر آستانه شامل دو نوع پیکسل)برای مثال: پیکسل های پیش زمینه و پس زمینه( و تصویر آستانه جدای از این دو نوع پیکسل محاسبه میشود به طوری که ترکیب)داخل کالس واریانس( حداقل باشد. فرمت روش اصلی برای آستانه ی چند سطحی به روش اوتسو چندگانه اشاره میکند. شکل 20 : روش تقسیم بندی اوتسو 56

20-1 آشنایی با مفهوم موجک موجک یا ویولت ( هب انگلیسی: )Wavelet دستهای از توابع ریاضی هستند که برای تجزیه سیگنال پیوسته به مؤلفههای فرکانسی آن بکار میرود که رزولوشن هر مؤلفه برابر با مقیاس آن است. تبدیل موجک تجزیه یک تابع بر مبنای توابع موجک میباشد. موجکها )که به عنوان موجکهای دختر شناخته میشوند( نمونههای انتقال یافته و مقیاس شده یک تابع )موجک مادر( با طول متناهی و نوسانی شدیدا میرا هستند. انواع موجک موجکهای متعامد: با دیدی کلی میتوان اظهار داشت که پایههای متعامد حالتی بهینه برای تنیدن فضاهای برداری )چه فضاهای با ابعاد متناهی و چه فضاهای بی نهایت بعدی( و انجام محاسبات ارائه مینمایند. لذا همواره تمایل و تالش در این راستا قرار داشته که یا مجموعه پایهها از آغاز متعامد انتخاب شود و یا آن که با شیوههایی نظیر گرام اشمیت آنها را به سوی تعامد سوق داد. موجک هار: موجک هار اولین موجک شناخته شده میباشد که پیدایش آن به سالهای ابتدای قرن بیستم باز میگردد. این موجک سادهترین نوع هم هست و پایههایی متعامد برای تنیدن فضای محاسبه را ارائه میدهد. تبدیل موجک سریع: الگوریتمی ریاضی برای یافتن تبدیل موجک یک سیگنال است. بدین منظور تصویر سیگنال بر روی هر یک از توابع موجک در زمانها و مقیاسهای مختلف محاسبه میگردد. به عبارت دیگر حاصلضرب داخلی سیگنال با هر یک از موجکها به شکل زیر محاسبه میشود: بدین تصویر سیگنال بر فضای برابر است با: 57

22-1 شبکههای عصبی مصنوعی ANN) (Artificial Neural Network - یا به زبان سادهتر شبکههای عصبی سیستمها و روشهای محاسباتی نوینی هستند برای یادگیری ماشینی نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیشبینی پاسخهای خروجی از سامانههای پیچیده.ایده اصلی این گونه شبکهها )تا حدودی( الهامگرفته از شیوه کارکرد سیستم عصبی زیستی برای پردازش دادهها و اطالعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده ایجاد ساختارهایی جدید برای سامانه پردازش اطالعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهمپیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل میکنند و توسط سیناپسها)ارتباطات الکترومغناطیسی( اطالعات را منتقل میکنند. در این شبکهها اگر یک سلول آسیب ببیند بقیه سلولها میتوانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکهها قادر به یادگیریاند. مثال با اعمال سوزش به سلولهای عصبی المسه سلولها یاد میگیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم میآموزد که خطای خود را اصالح کند. یادگیری در این سیستمها به صورت تطبیقی صورت میگیرد یعنی با استفاده ازمثالها وزن سیناپسها به گونهای تغییر میکند که در صورت دادن ورودیهای جدید سیستم پاسخ درستی تولید کند. این شبکهها برای تخمین (Estimation) و تقریب( Approximation ) کارایی بسیار باالیی از خود نشان دادهاند. گستره کاربرد این مدلهای ریاضی بر گرفته از عملکرد مغز انسان بسیار وسیع میباشد که به عنوان چند نمونه کوچک میتوان استفاده از این ابزار ریاضی در پردازش سیگنالهای بیولوییکی مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد. 58

فصل دوم پیشینه ی کار 59

بخش اول 1-0 تازه ه یا پردازش تصویر در شناسایی گیاهی آفات مقدمه هندوستان کشوری است بر پایه ی کشاورزی جایی که شغل حدود %10 از مردم کشاورزی است. کشاورزان در هندوستان محدوده ی انتخاب گسترده ای در انتخاب سبزیجات و میوه برای این حال کشت این محصوالت برای رسیدن به کیفیت مناسب و عملکرد مطلوب نیازمند دانش ف ین است.این صنعت میتواند پیشرفت کند اگر پشتیبانی ف ین مدریت گیاهان و میوه ه یا توجهی میتواند اثر گذار باشد ر یو مناسبی داشته باشد. کشاورزی دارند. با زیادی همیشگی نیازمند نظارت نزدیک است به خصوص در مورد افات که به طور قابل محصوالت وزندگی پس از برداشت محصول. پردازش تصویر میتواند مورد استفاده قرار بگیرد برای رسیدن به اهداف زیر: 1( برای شناسایی افات برگ ساقه و میوه 2 (جهت تشخیص مناطق الوده به آفات 3 (برای پیدا کردن شکل مناطق اسیب دیده 1 (برای تعی نی 5 (برای تعی نی رنگ منطقه ی اسیب دیده اندازه و شکل میوه ها و... در مورد گیاهان افات به صورت زیر تعریف میشود: هر گونه اختالل در عملکرد طبیعی گیاه. تولید عالئم مشخص کننده ی یک نشانه یک پدیده همراه چیزی است و به عنوان شواهدی از وجود ان در نظر گرفته میشود. 60

عامل به وجود اورده ی افات "پاتوژن" است. در بسیا یر از موارد افات بر ر یو برگ یا ساقه ی گیاهان دیده میشود. بنابراین شناسایی گیاهان برگ ها و ساقه ها و پیدا کردن افت یا بیماری نشانه ی حمله ی افت یا بیماری را مشخص میکند و نقش کلیدی در کشت موفقیت امیز محصوالت دارد. این مشخص میکند که افات باعث تلفات سنگین در محصوالت بالغ بر چندین میلیارد دالر در سال میشود. در دو مثال زیر نشان داده میشود که چگونه برخی از بیماری ه یا گیاهان باعث ورشکستگی اقتصادی کشور ها میشود. 1( لکه در سیب زمینی 1811-1815 در ایرلند- تقریبا 1.5 میلیون نفر کشته بر اثر گرسنگی و 1.5 میلون نفر آواره و مجبور به مهاجرت اجباری از ایرلند به دیگر کشورها. 2( فاسد شدن: جدی ترین بیماری در مرکبات است که به طور گسترده ای در فلوریدا شایه است. گرجستان االباما کارولین یا جونبی تگزاس برزیل و میسیسیپی برنامه ی ریشه ک ین را از سال 1915 اغاز کرده اند. مطالعات انجام شده توسط رناتو و دیگران نشان میدهد گه از سال 1999 تا 2008 حدود 2 321 112 گیاه ریشه کن شده است. و بیش از 112 میلیون دالر برای از بین بردن درختان الوده و در معرض خطر در ده سال گذشته هزینه شده است.اما هنوز هم فاسد شدن مرکبات در در چند قسمت از ایاالت متحده شایع است. مدیریت افات یک کار چالش برانگیز است. بیشتر بیماری ها بر ر یو برگ ها یا ساقه ه یا گیاهان دیده میشود. به دلیل بیچیدگی الگو ه یا بصری کمیت دقیق افات مورد مطالعه و بررسی قرار نگرفته است. از این رو تقاضا برای درک تصاویر و الگوهای پیچیده افزایش پیدا کرده است. در علوم زیس یت گاهی حدود هزاران عکس در یک ازمایش تولید میشود. این تصاویر میتواند مورد استفاده قرار بگیرند در مطالعات بیشتری نظیر: طبقه بندی ظایعات و محاسبه ی مناطق خورده شده توسط حشرات. تقریبا تمام این کارها به صورت دستی و یا توسط بسته ه یا نرم افزاری انجام میشود. اما این تمام کار نیست هنوز دو مساله ی اصلی وجود دارد 1 -زمان پردازش زیاد و فاعلی بودن زیاد از این رو برای انجام ازمایش ه یا سنگین زیستشناس گاهی نیاز به نرم افزار ه یا کامپیوتری کارامد که به صورت خودکار برای تجزیه و تحلیل محتوا مورد استفاده قرار بگیرد نمود پیدا میکند. در اینجا پردازش تصویر نقش مهمی ایفا میکند. در این مقاله یک بررسی گسترده انجام شده برای بررسی پیشرفت در تکنیک ه یا پردازش تصویر مختلف و استفاده از ان در توفال کوبی افات و بیماری ه یا گیاهی. 61

هب: 0-0 روش اول:[ 1 [ تحلیل تصویر با استفاده از موجک هاوارد در مقاله ای با عنوان تحلیل تصویر میوه ها با استفاده از موجک روشی را پیشنهاد میکند مبتنی بر پردازش تصویر و شبکه ی عصبی به منظور توسعه یک روش ها شایع هستند. برای شناسایی سه نوع افت که در باغ ها شایع هستند برای این پژوهش انتخاب شدند: apple leaf curling middge, leaf- roller- coding moth صدمات در دانه ه یا میوه که در باغ تبدیل سریع موجک یا مجموعه ای از موجک ها برای استخراج ویژگی ه یا بازیا یب تصاویر مرتبط جستجو در دو مرحله انجام میشود. مهم مورد استفاده قرار گرفت. برای در مرحله ی اول میزان انحراف تصاویر با سه رنگ استاندارد مقایسه میشود. در مرحله ی دوم: یک نسخه ی سنگین از فاصله ی اقلیدسی بین ضرایب ویژگی از تصاویر انتخاب شده در مرحله ی اول تصاویری که عمل مقایسه ر یو انها انجام شده است و تصاویر با کوچکترین فاصله انتخاب و طبقه بندی میشوند. روش میکروسکوپ نوری در روش تجزیه و تحلیل تصویر در مقایسه با تجزیه و تحلیل تصاویر یک روش کارامد و دقیق برای اندازه گیری صفات میوه مانند: اندازه و شکل پراکندگی سازه میباشد. درازای میوه وقتی از روش تجزیه و تحلیل به دست امد به طور محسوسی بیشتر از طول به دست امده به وسیله ی میکروسکوپ نوری بود.تخمین زده میشود که فقط طول میوه بین این دو روش متفاوت نیست. با این وجود رابطه بسیار معنی داری بین طول میوه ی به دست امده در همه ی گونه ه یا مورد مطالعه وجود دارد.این نشان میدهد که روش تجزیه و تحلیل و روش میکروسکوپ نوری به نتایج متفاوتی منجر میشود. روش تجزیه و تحلیل دارای مزایای زیر است: زان زیادی از پارامتر ه یا میوه با یک واحد اندازه گیری ثابت به دست می اید 1 می: 2 حد اقل رسانده خطاهای انسانی 3 :کاهش زمان مورد نیاز برای به دست اوردن مجموعه ای بزرگ از داده ها در مورد انواع صفت میوه. 1 :امکان براورد انواع ویژگی ه یا میوه با اشکال پیچیده. 62

افات ظاهری مانند لوله شدن برگ یا از بین رفتن تمام برگ افت مکیدن رطوبت برگ را کاهش میدهد. همه ی این عوارض محتوای کلروفیل برگ را تغییر میدهد و تصویر طیفی ان نیز تغییر میکند. احسن و هامر احتمال تشخیص این اثرات را با استفاده از سنجش از راه دور و کسب طیفی از تصاویر ماهواره ای ( تصویر هوابر از هواپیماهای خبره( مورد مطالعه قرار میدهند. یک نگرش جدید برای یکپارچه سازی تصویر در روش تجزیه و تحلیل در سیستم خبره ارائه شد است)آزمایشگاه مرکزی سیستم خبره مدل تشخیصی( برای مدریت محصول خیار مورد استفاده قرار میگیرد. سیستم خبره افات را با استفاده از مشاهدات کاربر پیدا میکند. به منظور تشخیص افات از برگ پردازش تصویر در 1 مرحله انجام میشود: افزایش تقسیم بندی استخراج ویژگی و طبقه بندی. سه نوع افت یا خرابی شایع در گیاهان مورد بررسی قرار گرفته است: leaft miner - powdery and aowney روش پیشنهادی تا حدود زیادی خطاهای گفت وگو ویژگی ه یا استفاده قرار میگیرد. میان کاربر و سیستم را کاهش میدهد. مورفولوژیکی برگ برای طبقه بندی بوته وتشخیص زود هنگام بیماری در گیاهان خاص مورد در این مقاله طراحی و اجرای یک سیستم بینایی مصنوعی که برای استخراج ویژگی ه یا مورفولوژیکی از برگ مورد استفاده قرار میکیرد نمایش داده میشود. خاص هندسی و سیستم پیشنهادی متشکل از یک سیستم بینایی مصنوعی )دوربین( ترکیبی از الگوریتم ه یا پردازش تصویر و پیشخواند ه یا طبقه بندی کننده مبتنی بر شبکه ه یا عصبی و روش انتخاب سطح فازی برای انتخاب ویژگی ها. روش پیش بینی بر پایه ی ماشین بردار که برای پیش بینی اب و هوا مورد استفاده قرار میگیرد بنا شده است. این طور است که بر اساس پسرفت به شرح بهتری از رابطه بین شرایط محیطی و سطح بیماری که میتواند مفید باشد برای مدیرت افات. پراساد و بابو انتشار شبکه ه یا عصبی برای تشخیص برگ ها را پیشنهاد دادند. این طور که فراهم کردن فقط یک شبکه ی انتشار و شکل برگ برای تشخیص نوع برگ کافیست. 63

یک( عملگر پری ویت و تشخیص لبه و الگوریتم استفاده شده برای پیدا کردن نشانه ه یا الگوریتم انتشار. برگ به عنوان ورودی در این گزارش امده است که دامنه را برای ازمایش ها و اموزش ه یا برگ برای تشخیص برگ ه یا مختلف که توسط افات اسیب دیده افزایش داده اند افات و بیماری ه یا برگ ها به خاطر حشرات و توسعه ی یگ سیستم خبره میباشد. روش شبکه ه یا عصبی برای تقسیم بندی زمین ه یا کشاورزی و سنجش از راه دور ارائه شده است. الگوریتم شبکه ه یا عصبی مبتنی بر انتشار است که برای تقسیم بندی تصاویر رنگی محصوالت الوده به افت استفاده میشود. افاتی که رنگ طبیعی گیاه را تغییر میدهند. مقاله ی پیاده سازی تشخیص برگ ها از الگوریتم استخراج اسان و الگوریتم تشخیص کار امد استفاده میکند. از یک شبکه ی عصبی برای تشخیص برگ گیاه استفاده میشود. این ویژگی ها توسط پی سی ای استخراج و پردازش شده است برای فرم ورودی. به این نتیجه رسیده ایم که این الگوریتم با درستی %90 برای 23 نوع گیاه کار امد است. در این مقاله سیستمی توضیح داده شده است که مدرست کامپیوتر در فرایند کشت با دانش ف ین معرفی میکند. را پای نی سیستم معرفی شده به عنوان یک برنامه ی مبتنی بر وب اجرا میشود و از منابع ازاد و زیر سیستم هایی استفاده میکند که فراهم میکنند: 1 (اطالعات ثابت در مورد کشت و بازاریا یب محصوالت 2 (شبیه سازی و پیش بینی نیاز عمومی 3 محیط همکاری 1 (قابلیت ه سیای ستم خبره و پشتیبانی سیستم خبره یک اقتباس از سیستم VIGIS است که به عنوان یک برنامه ی مبتنی بر وب مورد استفاده قرار میگیرد. و میتواند برای شناسایی افات مورد استفاده قرار گیرد. 64

2-0 روش دوم: [0 [ بندی اوتسو تشخیص آفات برنج با استفاده از از روش تقسیم سانتائو و جایا نرم افزار سیستم نمونه ی اولیه ای را بر اساس تشخیص افات برنج با استفاده از تصاویر افات ارائه کرده اند. انها برای شناسایی نقاط الوده ی گیاه از رشد تصاویر و روش ه یا تقسیم بندی تصویر استفاده میکنند. نقشه ه یا خود سازمان و شبکه ه یا عصبی برای شناسایی افات برنج مورد استفاده قرار میگیرند. دقت و سرعت روش جدید بر اساس پردازش تصویر برای درجه بندی افات رشد میکند. انها با استفاده از روش طبقه بندی اوتسو محل ه یا برگ را طبقه بندی میکنند. بیماری ه یا گیاهان به وسیله ی محاسبه ی محل ه یا افات و سطح برگ درجه بندی میشوند. بیماری برگ انگور به وسیله ی تصاوی رنگی و با استفاده از سیستم ترکیب هوشمند شاناسایی میشود. انها استفاده میکنند از نقشه های انگور. این اطالعات برای طبقه بندی پیکسل ه یا خود سازمان بازگشت انتشار شبکه ه یا برگ انگور در تصویر استفاده میشود. عصبی برای تشخیص رنگ ه یا برگ و وقتی که طبقه بندی افات برگ انگور انجام شد با استفاده از نقشه ه یا خود سازمان و الگوریتم ه یا انها برای بهینه سازی و پشتیبانی وکور ه یا ماشین طبقه بندی استفاده میشود. ژنتیک از تصاویر طبقه بندی شده با استفاده از موجک گابور طبقه بندی میشود. این موجک به سیستم قابلیت تجزیه و تحلیل موثر تر ویژگی هیای افات گیاه را میدهد. و در انتها وکتور ماشین پشتیبان اعمال میشود برای طبقه بندی انواع بیماری ه یا برگ انگور. یینگ و دیگران روش ه یا پردازش تصویر برای تشخیص بیماری ه یا زراعی را مورد مطالعه قرار دادند انها با استفاده از کپک خیار ( نقطه نقطه یا خال دار( به عنوان نمونه ی ازمایش ارائه دادند مطالعه ی تطبیقی ش نا را در مورد اثر گذاری فیلتر ساده و فیلتر متوسط. انها اعالم کردند که برگ ه یا لکه دار به منظور انجام تشخیص هوشمند پایه ویژگی ه یا مناسب باید از محصول استخراج شوند. باید اول پیش پردازش شوند بر این 65

انها متد ه یا مهم زیر را برای پردازش تصویر ارائه کردند: 1( جدا کردن تصویر جدا کردن برگ با نقطه از پس زمینه ی پیچیده 2 (کاهش اختالل در فیلتر ساده و متوسط با هم مقیسه شدند و در انتها فیلتر متوسط برای از بین بردن اختالالت تصویر انتخاب شد 3( عمل ایجاد تصاوی باینری برای بخش یا قسمتی از تصویر در پس زمینه ی نقره ای در یک کالم در پیش پردازش تصویر میتوان پارامتر ه یا ذیل را استخراج کرد بدون این که از پس زمینه شکل اندازه برگ نور و دوربین تاثیر گرفته شود. ایجاد یک زیر ساخت مناسب برای پارامتر ه یا مشخصه ی مناسب برای تشخیص بیماری. و همچنان راه اندازی سیستم تشخیص الگو در طراحی و توسعه ی یک سیستم خبره با دو روش برای تشخیص بیماری ه یا گیاهان ارائه شده است 1 (روش گام به گام 2 (روش نمایش گرافیکی گزارش شده است که سیستم خبره با نمایش تصویری مطلوب تر است. بازنمایی گرافیکی نیاز به توضیح تعدادی از کاربران دارد. سیستم پیشنهادی باعث صرفه جویی زیادی در زمان و تالش الزم برای بیماری ه یا گیاهان میشود. برای درجه بندی استخراج ویژگی ه یا تصویر فرایند بسیار مهمی است.در این مقاله یک سیستم بر مبنای تکنیک ه یا بینایی ماشین ارئه شده است. که برای بازرسی و در مان انفوالنزای تنباکو مورد استفاده قرار میگیرد. تکنیک ه یا بینایی ماشین برای حل مشکل استخراج ویژگی ها و تجزیه و تحلیل برگ تنباکو مورد استفاده قرار میگیرد. که شامل ویژگی ه یا رنگ اندازه و شکل بافت سطحی میشود. نتایج تجربی نشان میدهد که این سیستم یک راه عملی برای استخراج ویژگی ها از برگ تنباکو است و میتواند برای طبقه بندی برگ تنباکو به صورت خودکار مورد استفاده قرار گیرد. مقاله ی حاضر یک روش برای نظارت بر بیماری ه یا ناشی از هاگ میباشد. 66

عکس رنگی در ابتدا به سیاه و سفید تبدیل میشود به منظور انجام تجزیه و تحلیل و پردازش و برای نمایش طرز انتشار و فواصل نسل ه یا سلول از هم اصالح سطح خاکستری استخراج ویژگی ه یا تصویر و تشدید و تصویر و... به منظور حذف فرکانس پایین تصویر خاکستری ورودی پیش پردازش میشود با استفاده از لبه و استفاده از لبه و فیلتر متوسط و الگوریتم هوشمند لبه. در مرحله ی بعد تصویر باینری استانه ی به دست امده با استفاده از ویژگی ه یا ویژگی هایی مانند : اتساع فرسایش باز شدن و غیره. ریخت شناسی پردازش میشود. به این نتیجه رسیدیم که این روش مناسب برای کار هایی که از میکروسکوپ برای شمارش و شناسایی استفاده میکنند مانند: شمارش نوار نوری شمارش کورموزوم ها و نظارت بر بیماری ه یا برای تشخیص زود هنگام و با دقت افات برنج این مقاله پشتیبان بردار را. ارائه گیاهی و غیره میباشد. میکند یک کاربرد ازتکنیک پردازش تصویر و ماشین لکه ه یا افت در برنج طبقه بندی میشود و شکل و بافت و ویژگی ه یا ان استخراج میشود. از انجا که ویژگی ه یا رنگ عمدتا تحت تاثیر نور خارجی قرار دارد ویژگی ه یا به عنوان مقادیر مشخصه انتخاب میشوند. شکل رنگ طرح نقاط بیماری روش SVM که برای طبقه بندی سوختگی گرفته میشود. باکتریایی برگ برنج سوختگی غالف برنج و میزان رطوبت به کار روش تشخیص سریع و دقیق و طبقه بندی بیماری ه یا گیاهی ارائه شده است. انها از طبقه بندی اتسو استفاده کردند که به معنای خوشه و انتشار شبکه ه یا بندی افات و به منظور اثر گذاری ر یو برگ ه یا گیاه. عصبی برای خوشه بندی و طبقه روش ه یا عملی برای تشخیص زنگ سویا )پوسیدگی( و کمی شدت مورد مطالعه قرار گرفته است. سه پارامتر نسبت منطقه ی الوده شاخص رنگ زخم و شاخص شدت زنگ از تصاویر چند طیفی استخراج شده و برای تشخیص عفونت وشدن عفونت مورد استفاده قرار گرفته است. 67

2-0 روش سوم:[ [ 2 تحت تاثیر آفات استفاده از تصاویر طیفی برای شناسایی درختان نتایج یک ازمایش که توسط حلمی و شفری درمورد روغن درخت خرما در زمان تشخیص بیماری به عنوان پوسیدگی ساقه ی گانودرما به نمایش در امد در بیش از %50 از مزارع روغن خرما. هوابرد طیفی بیش از حد میتواند اطالعات مورد نیاز کاربر و قابلیت دستیا یب پیوسته و باریک را فراهم کند. به داده ها در باند ه یا طیفی این کار تفاوت قائل شدن بین گیاهان سالم و افات زده و مقایسه ی بهتر با استفاده از تصاویر چند طیفی را فراهم میکند. این طور است که تصاویر طیفی راه حل بهتری برای شناسایی درختان تحت تاثیر افت فراهم میکند. انها با استفاده از شاخص ه یا پوشش گیاهی و تکنیک ه یا لبه قرمز برای شناسایی روغن درخت خرما که توسط افات تحت تاثیر قرار گرفته و ثابت کردند که روش ه یا مبتنی بر لبه ی قرمز موثر تر از شاخص های پوشش گیاهی هستند. انها از طبقه بندی اتسو استفاده کردند به معنی خوشه و پیشنهاد انتشار شبکه ه یا طبقه بندی افاتی که برگ گیاهان را تحت تاثیر قار میدهد ارائه کردند. عصبی برای خوشه بندی و خالصه ی این مقاله بررسی مقاله ی ارائه شده نشان میدهد که روش ه یا تحلیل بیماری مورد استفاده قرار میگیرند. زیر توسط محققان مختلف برای تشخیص و تجزیه و 1 (انتشار شبکه ی عصبی 2 (روش ه یا تصاویر طیفی و هوایی و روش ه یا لبه ی قرمز 3 (تجزیه و تحلیل تصویر با ازمایشگاه مرکزی یکپارچه از سیستم خبره کشاورزی مدل تشخیصی 1 (ترکیبی از ویژگی ه یا مورفولوژکی برگ پردازش تصویر طبقه بندی مبتنی بر شبکه ه یا ه یا انتخاب سطح فازی برای انتخاب ویژگی ها عصبی و تکنیک 68

5 (پشتیبانی از ماشین بردار برای توسعه مدل مبتنی بر پیش بینی اب و هوا برای افات گیاهی 2 (پردازش تصویر بر اساس موجک و شبکه ه یا عصبی 1 (پردازش تصویر با PCI و شبکه ه یا عصبی احتماالتی. 8 (ترکیبی ار تصاویر در حال رشد و تقسیم بندی تصویر الگوریتم زوم و نقشه ه یا عصبی برای طبقه بندی افات برنج. خود سازمان و شبکه های 9 (نقشه ه یا خود سازمان انتشار شبکه ه یا ماشین بردار برای طبقه بندی عصبی با الگوریتم ه یا ژنتیک برای بهینه سازی و پشتیبا ین 10 (برش تصویر فیلتر کردن و تبدیل ان به تصاویر باینری. 11 (تقسیم بندی اوتسو خوشه بندی و انتشار شبکه ه یا عصبی. نتیجه گیری بررسی مقاله ی ارائه شده نشان میدهد یک پژوهش به شرح زیر است: بینش جدید را در تشخیص بیماری ه یا گیاهی دامنه دار و انجام 1 (دو ویژگی اصلی برای تشخیص بیماری ه یا دست اورده شود عبارتند از: سرعت و دقت گیاهان با استفاده از روش ه یا یادگیری ماشینی که باید به از این رو دامنه را برای کار بر ر یو دانشمندان در تشخیص افات. الگوریتم ه یا نواورانه کار امد و سریع گسترش خواهیم داد تا کمکی باشد به 2 (انجام کار میتواند به صورت خودکار برای براورد شدت و تشخیص افات انجام شود. 3 (کار ارائه شده توسط پژوهشگر یائورا میتوان برای توسعه ی الگوریتم ه یا ترکیبی مثل:الگوریتم ه یا شبکه ه یا عصبی به منظور افزایش کیفیت تشخیص در پردازش طبقه بندی نهایی به کار بست. ژنتیک و 69

بخش دوم روش های یادگیری ماشین 1-0 دقت وسرعت در شناسایی و طبقه بندی افات گیاهی ما یک راه ارزیابی تجربی با استفاده از نرم افزار برای تشخیص خودکار و طبقه بندی بیماری های برگ گیاه را پیشنهاد میکنیم. پیشنهاد ارائه شده یک راه حل سریع تر و دقیق تر رو پیشنهاد میکند. طرح توسعه ی پردازش متشکل از 1 مرحله ی اصلی است دو مرحله ی ذیل پیش از فاز تقسیم بندی اضافه مشوند. مرحله ی اول شناسایی پیکسل های عمدتا سبز است در مرحله ی بعد این پیکسل ها را بر اساس ارزش استانه ای که طبق روش اوتسو محاسبه شده است پوشانده مشوند. مرحله ی بعدی که اضافه میشود این است که پیکسل های با ارزش سبز و ابی و قرمز صفر و پیکسل های در مرز خوشه های الوده به طور کامل حذف میشوند. نتایج تجربی نشان میدهد که روش ارائه شده یک تکنیک قوی برای تشخیص بیماری های برگ است. توسعه ی الگوریتم بهره وری میتواند با موفقیت برای شناسایی و طبقه بندی بیماری ها مورد استفاده قرار گیرد. با دقت بین %83 تا %91 و میتواند %20 باعث افزایش سرعت سرعت شود. 70

مقدمه: بیماری های گیاهی به یک معضل تبدیل شده اند و میتوانند باعث کاهش قابل توجهی در کیفیت و کمیت محصوالت کشاورزی شوند. تخمین زده میشود در سال 2001 تلفات ناشی از افات در ایالت جورجیا 539.11 میلیون دالر باشد. از این مقدار حدود 185 میلیون دالر صرف کنترل افات و بقیه ی ان ضرر های ناشی از اسیب میباشد. این مقادیر در جدول 1 گرد اوری شده است. مشاهدات با چشم غیر مصلح توسط کارشناسان رویکرد اصلی در عمل برای تشخیص افات گیاهی است. با این حال این نیاز به نظارت مستمر کارشناسان دارد که در مزارع بزرگ شامل هزینه های زیادی میشود. عالوه بر این در بعضی از کشور ها ی در حال توسعه کشاورز ممکن است برای طی مسافت طوالنی و ارتباط با کارشناس محدودیت داشته باشد که این نیز خود نیازمند صرف وقت و هزینه است. 71

تشخیص خودکار بیماری های گیاهیان یک موضوع اساسی برای تحقیق و پژوهش است که این در نظارت بر مقدار زیادی از محصول برای تشخیص عالئم و نشانه های بیماری به محض این که ظاهر میشوند تشخیص داده شوند. در نتیجه جستجو برای پیدا کردن روشی سریع خودکار ارزان و دقیق برای تشخیص موارد بیماری گیاهان از اهمیت زیادی برخوردار است. ماشین های یادگیری بر اساس تشخیص و به رسمیت شناختن بیماری های گیاهی میتوانند سر نخ برای شناسایی و درمان در مراحل اولیه را فراهم کنند. در مقایسه شناسایی بیماری های گیاهان به صورت بصری گران ناکارامد و دشوار استو همچنین نیاز به متخصص و گیاه شناس اموزش دیده دارد. نویسندگان در توسعه ی روش ها برای طبقه بندی به صورت خودکار بیماری های گیاهی با استفاده از تصاویر با وضوح باال و چند طیفی و استریو کار میکنند. برگ چغندر برای ارزیابی رویکرد مورد استفاده قرار میگیرد. برگ چغندر قند ممکن است به بیماری های مختلف از جمله فاسد شدن و کپک زدن مواجه شود. یک روش جدید سریع و با دقت برای درجه بندی بیماری های گیاهان با استفاده از پردازش تصویر کامپیوتری توسعه یافته است. به همین خاطر محل های برگ ها با استفاده از طبقه بندی اوتسو تقسیم بندی میشوند. بعد از انکه نقاط الوده با استفاده از عملگر سوبل برای تشخیص بیماری های لبه تقسیم بندی شدند بیماری های گیاهی با محاسبه ی خارج قسمت نقاط بیماری و مناطق برگ درجه بندی میشوند. مطالعات نشان میدهند که روش یادگیری ماشین را میتوان به عنوان یک مکانیزم تشخیص موثر بیماری مورد استفاده قرار داد. نمونه هایی از این ماشین های یادگیری که در تحقیقات کشاورزی استفاده شده است: شبکه های عصبی مصنوعی درخت های تصمیم گیری K-MEANS و پشتیبانی ماشین بردار میباشد. 72

1-0 روش چهارم:[ [ 4 شناسایی آفات مصنوعی با استفاده از شبکه های عصبی به عنوان مثال وانگ و همکارانش عفونت های قارچی بر روی گوجه فرنگی را با استفاده از شبکه های عصبی مصنوعی پیش بینی کردند.همچنین کاراماگو وsmit با استفاده از پشتیبانی ماشین بردار به منظور شناسایی عالئم بصری از بیماری های پنبه استفاده کردند. درجدول 1 خالصه ای از کل تلفات ناشی از اسیب های گیاهی و هزینه ی کنترل در ایالت جورجیا در سال 2001 گرد اوری شده است. دو ویژگی اصلی در تشخیص بیماری های گیاهان توسط یادگیری ماشینی که باید به دست اورده شود عبارتند از : سرعت و دقت. در این مقاله طبقه بندی و تشخیص خودکار پیشنهاد شده است این روش بر پایه ی خوشه بندی با استفاده از K-MEANS و شبکه های عصبی به عنوان ابزار طبقه بندی و مجموعه ای از مجموعه های بافت است. روش ارائه شده بهبودی برای روش های قبل است. به عنوان بستر ازمون مجوعه ای از برگ ها که از الغور منطقه ای در اردن گرفته شده است استفاده مشود. برنامه ی ما برای 5 نوع از افات که گیاهان را تحت تاثیر قرار میدهند ازمایش شد. که انها عبارتند از تاول زدن در اوایل قالب دارای رنگ خاکستری تاول زدن در اواخر و سفیدی کوچک. چهارچوب پیشنهادی با موفقیت میتواند برای شناسایی و طبقه بندی بیماری ها با دقت بیشتر از %91 و به طور متوسط %20 سرعت بیشتر مورد استفاده قرار گیرد. حداقل مقدار دقت %81 در مقایسه با %80 روش قبلی است. در نهایت نتایج این کار 3 برابر شده است. 1 (شناسایی شیء یا اشیاء الوده با استفاده از خوشه بندی K- Means 73

2( استخراج ویژگی ها از مجموعه ای از اشیاء الوده با استفاده از عصبی مصنوعی با استفاده از متر رنگ رای تجزیه و تحلیل بافت. 3 (شناسایی و طبقه بندی بر اساس نوع بیماری با استفاده از شبکه های عصبی مصنوعی. عالوه بر این طرح ارائه شده برای طبقه بندی گیاه برگ و ساقه به دو گروه الوده و غیر الوده. گام به گام روش پیشنهادی مفهوم کلی که چهار چوبی برای هر الگوریتم بینایی و مربوط به طبقه بندی تصویر است که تقریبا یکسان است. در ابتدا باید یک تصویر دیجیتال از محیط به دست اوریم سپس تکنیک های پردازش تصویر روی تصاویر به دست امده برای استخراج ویژگی ها و تجزیه و تحلیل اعمال میشود. پس از ان از تکنیک های تحلیلی برای طبقه بندی تصاویر با توجه به مشکل استفاده میشود. شکل 1: نشان دهنده ی روش اساسی الگوریتم تشخیص مبتنی بر چشم انداز پیشنهادی در این تحقیق است. 74

شکل 1 : به دست اوردن تصویر پردازش تصویر تقسیم بندی تصویر استخراج ویژگی ها تجزیه و تحلیل اماری طبقه بندی و مرتب سازی. گام به گام روش پیشنهادی را طبقه بندی تصاویر و فرایند تشخیص در الگوریتم ذیل نشان داده شده است. 1( در مرحله ی اول:تصاویر RGB از تمام نمونه های برگ برداشته شده بعضی از ان نمونه های واقعی در تصویر نشان داده شده است. 2( بدیهی است که در شکل 2 برگ ها متعلق به اوایل تاول زدن است. قالب پنبه دارای رنگ خاکستر و اواخر تاول زدن تفاوت های قابل توجهی را نشان میدهد. که شامل نقاط چرب از لحاظ بافت و رنگ است. همچنین شکل 3 نشان میدهد دو عکس که در سمت چپ با بیماری سفیدی کوچک الوده و تصویر سمت راست تصویر طبیعی است الگوریتم : 1 گام به گام روش پیشنهادی: 1( به دست اوردن تصاویر RGB 2( ایجاد تحول در ساختار رنگ ها 3 (تبدیل مقدار رنگ مشخص RGB به فضای مشخص شده در تحول ساختار رنگ 1 (اجرای خوشه بندی به روش K-MEANS 5( تحت پوشش قرار دادن پیکسل های سبز 2 (حذف سلول های پوشیده شده در مرز های خوشه ی الوده 1 (تبدیل قسمت های الوده )خوشه به خوشه( از فرم RGB به HSI 8 (ایجاد ماتریس SQDM از H تا S 9 (فراخوانی تابع GLCM برای محاسبه ی ویژگی ها 10 (محاسبه ی بافت امار 75

11 (پیکربندی شبکه های عصبی برای تشخیص شکل 2: نمونه ای از مجموعه ی داده ها شکل 3: تصویر برگ مبتال به سفیدی کوچک)سمت چپ( و تصویر برگ سالم )سمت راست( شکل 1 :نشان دهنده ی 2 نمونه از ساقه ی گیاه که به افت کپک سفید مبتال شده اند. 76

شکل :1 ساقه ی گیاه الوده به کپک سفید در جزئیات در مرحله ی دوم ساختار تبدیل رنگ برای RGBبه وجود می اید و سپس یک دستگاه مستقل فضای رنگ برای تحول ساختار رنگ در مرحله 3 اعمال میشود. مرحله ی 2 و 3 برای انجام مرحله ی 1 اجتناب ناپذیرند در این مرحله تصاویر به دست امده با استفاده از خوشه بندی K-MEANS طبقه بندی میشوند. این 1 مرحله فاز 1 را تشکیل میدهند جایی که جسم یا اجسام الوده مشخص میشوند. در مرحله ی 5 شناسایی میکنیم سبزترین پیکسل ه یا اساس روش اوتسو مقدار این پیکسل ها محاسبه میشوند. این پیکسل ه یا دارند مقدار سبر آ یب محاسبه شده را پس از ان بر اساس مقادیر استانه ی مشخص شده و بر سبز به نحوه ی زیر پوشانده میشوند اگر اجزای سبز مقدار کمتری از مقدار پیش محاسبه شده و قرمز این اجزا صفر مشود. این کار به این منظور انجام مشود که این پیکسل ها ارزشی در شناسایی و طبقه بندی افات ندارند و به احتمال زیاد نشان دهنده ی مناطق سالم گیاه هستند.عالوه بر این زمان پردازش تصویر به طور قابل توجهی کاهش پیدا میکند. در مرحله ی 2 پیکسل ه یا با مقدار سبز و ا یب و قرمز صفرو پیکسل ه یا در مرز خوشه ه یا الوده به طور کامل حذف میشوند. مراحل 5 و 2 از فاز دو در این قسمت به دست می اید نتایج طبقه بندی و شناسایی افات دقیق تر و با کاربرد راضی کننده زمان مورد نیاز به طور قابل توجهی در این فاز کاهش میابد. 77

مشاهدات به دست امده در مراحل 5 و 2 به طور تجربی معتبر است. در مرحله ی 1 خوشه ی الوده از غالب RGB به HSI تبدیل میشوند. در مرحله ی بعدی ماتریس SGDM برای هر نقشه پیکسل از تصویر برای H و S تولید میشود. SGDM ام یک اندازه گیری از احتمال است که یک پیکسل در یک سطح خاکستری خاص و در فاصله ی مشخص و جهت گیری از پیکسل دیگر اتفاق میافتد. و این پیکسل در سطح خاص دوم خاکستری است. از ماتریس ه یا SGDM امار بافت برای هر تصویر ایجاد میشود. به طور مختصر مجموعه ای از ویژگی ها فقط برای پیکسل ه یا کنار مناطق الوده حذف میشوند. مراحل 1 تا 19 از فاز 3 که در ان ویژگی ه یا بافت برای تقسیم بندی مناطق الوده محاسبه میشود. در نهایت فرایند تشخیص در فاز چهارم دیده انجام میشود. از طریق ویژگی ه یا استخراجی از یک شبکه ی عصبی از قبل اموزش و برای هر تصوی از مجموعه داده ها تمام مراحل پیشین تکرار میشود. فرایند طبقه بندی و تقسیم بندی بسیا یر از گیاهان را میتوان به 1 مرحله تقسیم کرد. فاز 1 تکنیک خوشه بندی.K-MEANS دو مرحله برای انجام خوشه بندی به روش K-MEANS وجود دارد فاز با ایجاد دستگاه ه یا مستقل تحول ساختار رنگ شروع میشود. در یک دستگاه مستقل فضای رنگی برای تعی نی رنگ بدون در نظر گرفتن دستگاهی که ان را رسم کرده از مختصات استفاده میشود. بنابراین ما ساختار تبدیل رنگی ایجاد میکنیم که فضای رنگی را تعریف کند. سپس دستگاه مستقل تبدیل رنگ که ارزش رنگ مشخص شده در تصویر را به فضای رنگی مشخص شده در ساختار تبدیل تغییر میدهد را اجرا میکنیم. ساختار تبدیل رنگ مشخص میکند پارامتر ه یا مختلف تبدیل را. قضای رنگ وابسته به دستگاه که در ان رنگ حاصل به تجهیزات مورد استفاده برای تولید ان بستگی دارد. برای مثال: رنگ تولید شده با استفاده از پیکسل با مقادیر RGB تغییر میکند با روشنایی و کنتراست دستگاهی که از ان استفاده میکنیم. 78

الگوریتم خوشه بندیK-MEANS برای طبقه بندی اشیا ( پیکسل در این مورد( استفاده میشود بر اساس مجموعه ای از ویژگی ها و تعداد طبقه ها طبقه بندی با به حد اقل رساندن مجموعه ی مربعات فواصل بین اشیاء و خوشه ی مربوطه یا مرکز جسم انجام شده است. با این حال خوشه بندی K-MEANS برای تقسیم بندی تصویر برگ به 1 خوشه که هر یک یا چند خوشه ی محتوی افات است. در این مورد وقتی که برگ تحت تاثیر بیش از یک نوع بیماری قرار گرفته است. در ازمایش ما ارزش ه یا از تعداد خوشه ها ازمایش شده است. متعدد بهترین نتایج وقتی حاصل شد که تعداد خوشه ها 3 یا 1 عدد بود. تصویر خوشه ی الوده با تاول زدن زود هنگام و خوشه ی اول ان ( شیء الوده( در شکل 5 نشان داده شده است. شکل 5: تصویر ساقه ی آلوده به تاول زدن اولیه 1( تصویر اصلی 2( خوشه 1 تصویر نمونه ای از خوشه بندی K-MEANS برای یک برگ الوده ی مبتال به بیماری تاول زدن تولیه در شکل 2 نشان داده شده است. ان را از شکل 2 که خوشه 1 شامل جسم الوده به افت تاول اولیه مشاهده شده است. عالوه بر این خوشه ه 1 ای هستند. و 2 شامل قسمت ه یا دست نخورده از برگ است هر چند انها از یکدیگر متمایز با این حال خوشه 3 نشان دهنده ی یک پس زمینه ی سیاه از برگ که میتواند دور انداخته شود. و در نهایت تصویر در روش تقسیم بندی به وسیله ی الگوریتم.K-MEANS 79

سبز و پیکسل ه یا در مرز فاز : 2 پوشش پیکسل ه یا این فاز شامل دو مرحله است پیکسل ه یا عمدتا سبز شناسایی میشوند و سپس تصویر استانه با استفاده از روش اوتسو اعمال میشود به دلیل این که مقادیر مختلف استانه مشخص شود. مقادیر استانه به منظور به حداقل رساندن مرحله ی بعد پیکسل ه یا واریانس در پیکسل ه سیای سبز به شرح زیر پوشانده میشوند: اه و سفید مورد استفاده قرار میگیرد. در اگر اجزای سبز پیکسل کمتر از مقدار استانه ی محاسبه شده باشد مقدار ه یا حذف میشوند. سبز و ا یب و قرمز از پیکسل گام بعدی در این فاز بر شناسایی پیکسل ه یا است. فاز سوم: استخراج ویژگی ها با مقدار صفرو پیکسل ه یا در مرز مناطق الوده متمرکز شده در روش پیشنهادی روش اتخاذ شده برای استخراج مجموعه ای از ویژگی ها وقوع تصویر نامیده میشود یا به طور مخفف.CCM این یک روش است که برای رنگ و بافت مورد استفاده قرار میگیرد. ر یا رسیدن به ویژگیه یا منحصر به فرد که نشان دهنده ی تصویر وارد شده است. 80

پی( شکل : 2 نمونه ای خروجی الگوریتم K-MEANS که مبتال به بیماری تاول زدن اولیه شده است. تصویر برگ الوده میباشد) F D C B کسل ه یا پیکسل ه یا خاکستری بر اساس شاخص خوشه.) e ) اول دوم و سوم و خوشه ی چهارم) a ( یک تصویر با 81

و 2 روش وقوع برای تجزیه و تحلیل بافت: تکنیک تجزیه و تحلیل انتخاب شده برای مطالعه روش.CCM استفاده از ویژگی ه یا رنگی ویژگی ه یا مشخصه ی بیشتری از روش سنتی خاکستری فراهم میکند. رنگ در طیف نور روش CCM شامل سه مرحله ی اصلی ریاضی است. اول تصاویر RGB از برگ ها تبدیل به HSI میشوند. وقتی این فرایند کامل شد نقشه هر پیکسل استفاده میشود برای تولید یک رنگ ماتریس وقوع. و در نتیجه 3 ماتریس CCM یکی برای هر یک از S H و I نقشه پیکسل. HSI پر طرفدار است به این دلیل که فضای رنگ ان در محدوده ی دید انسان است. تابش الکترومغناطیسی در طیف وسیعی از طول موج از حدود 100 تا 100 نانو متر است و نور مرئی نامیده میشود به این دلیل که سیستم بصری انسان نسبت به این محدوده حساس است. رنگ به طور ک یل رنگ در.HSI مربوط است به طول موج نور و شدن و دامنه ی نور و در نهایت اشباع یک جزء است از تنوع 3 برای تبدیل فضای رنگ را میتوان به راحتی به فضایی دیگر تبدیل کرد در ازمایش ه یا تصویر از RGBبه HSI مورد استفاده قرار گرفت. ما معادالت 1 رنگ وقوع و روش تجزیه و تحلیل از طریق استفاده از ماتریس سطح خاکستری. سطح خاکستری وقوع یک روش اماری برای توصیف شکل اماری با سطح نسبت به دیگر سطح خاکستری میباشد. نمونه برداری از راه خاص خاکستری در 82

این ماتریس اندازه گیری احتمال است که یک پیکسل در سطح خاص خاکستری در یک فاصله ی مشخص و جهت از هر پیکسل با توجه به این که پیکسل دارای سطح خاکستری خاص رخ میدهد. برای موقعیت عملگر P میتوانیم یک ماتریس )I P و ) G تعریف کنیم جایی که سطح خاکستری را نمایش میدهد مکان )X و Y( در تصویر )X I و Y( و جی نمایش میدهند سطح خاکستری پیکسل را در فاصله ی مکان ( X و Y( و جهت زاویه ی تتا. مرجع پیکسل در موقعیت ( X و Y( به عنوان یه ی 1 تا 8 در جهت عقربه ه یا ساعت. آستریکس نشان داده شده است همه ی همسایه ها از شماره همسایه ه 1 ای تا 5 ج یا گرفته اند در یک مکان در فاصله ی 1 و جهت 0 درجه. یک مثال از ماتریس تصویر و SGMD در سه معادله ی باال داده شده است. در این تحقیق یک پیکسل فاصله ی انحراف زاویه و صفر درجه و درجه ی مورد استفاده است. پس از هر فرایند تحول ما مجموعه ی ویژگی ه Sای Hو را محاسبه کردیم. ما دیدیم )I( کاهش یافته چرا که این اطالعات اضافی را ندارد. با این حال ما استفاده کردیم از تابع GLCM در متلب برای ایجاد سطح خاکستری ماتریس وقوع. تعداد سطوح خاکستری 8 تا تعی نی دست امد. شد و ارزش متقارن ر یو درست تنظیم شد و در انتها میزان انحراف 0 به نرمال سازی ماتریس. CCM ماتریس CCM با استفاده از معادله ی 1 نرمال شد. 83

I ( P و ) G تصویر ماتریس صفت نشان دهنده ی شدت مشترک وقوع ماتریس و نشان دهنده ی تعداد کل سطوح شدت است. ماتریش احتمال حاشیه ای را میتوان همانطور که در معادله ی 5 نشان داده شده تعریف کرد. جمع و دیگر ماتریس ها همانطور که در معادله ی 2 و 1 امده است تعریف میشود. شناسایی ویژگی های بافت: مجموعه ویژگی های زیر برای محاسبه ی H,S به کار میرود. اندازه ی حرکت زاویه ای( E ) برای اندازه گیری همگن تصویر تعریف شده است. لحظه ی محصول مشابه کواریانس از شدت مشترک وقوع ماتریس تعریف شده است و در معادله ی 9 نشان داده شده است. 84

مجموع و اختالف آنتروپی با استفاده از معادالت 10 و 11 محاسبه میشود. ویژگی آنتروپی) e ( مقیاسی است برای اندازه گیری مقدار نظم در یک تصویر است که با استفاده از معادله ی 12 محاسبه میشود. Inf2h برای اندازه گیری ارتباط با استفاده از معادله ی 13 کنتراست از یک تصویر را می توان توسط تفاوت لحظه ای معکوس اندازه گیری کرد همانطور که در معادله 14 نشان داده شده است. همبستگی) c ( اندازه گیری وابستگی شدت خطی در تصویر است و تعریف شده است همانطور که در معادله 15 نشان داده شده. فاز چهارم: شبکه ه یا عصبی در این مقاله استفاده از شبکه ه یا عصبی در تشخیص افات برگ مورد بررسی قرار میگیرد. شبکه ه یا عصبی به عنوان ابزار طبقه بندی روش شناخته شده و موفق برای بسیا یر واقعی است. از برنامه ه یا کاربردی 85

و 1 هب( هب( فرایند NNS دقیق فرایند ه یا اموزش و اعتبار ازجمله گام ه یا مهم و در حال توسعه با استفاده از مدل ه یا است. مجموعه ی داده ها برای اموزش و اعتبار شامل دو بخش: مجموعه ویژگی ه یا اعتبار که برای اموزش مدل NNاستفاده میشود در حالی که تست مجموعه ویژگی ستفاده میشود به منظور بررسی دقیق و صحت مدل NN اموزش دیده. قبال از این که داده ها توسط مدل INN S, N N تغذیه شود طراحی مناسب شبکه باید انجام شود. از جمله نوع شبکه و روش آموزش. این مرحله با انتخاب پارامتر بهینه انجام میشود. با این حال این مرحله به طور همزمان با مرحله ی اموزش شبکه که در ان شبکه با استفاده از خوراک انتشار اموزش میبیند. در مرحله ی اموزش وزن ارتباط باید همیشه به روز باشد تا زمانی که تعداد قابل قبول تکرار یا خطا برسد.از این رو قابلیت مدل INN برای پاسخ با دقت باید مطمئن بود. استفاده از میانگین مربع خطا معیا یر برای تاکید به اعتبار مدل بین هدف و خروجی شبکه باشد. نتایج تجربی و مشاهدات اماده سازی داده ه یا ورودی و تنظیمات تجربی. در ازمایش تجربی ما دو فایل اصلی تولید شد به نام اموزش ویزگی بافت داده ها و تست ویژگی ه یا بافت داده. این دو فایل 192 ردیف داشتند به نمایندگی از 32 نمونه از هر یک از 2 کالس. هر سطر شامل 10 ستون به نمایندگی از ویژگی ه یا بافت استخراج شده برای یک نمونه تصویر خاص. هر سطر شماره ی واحدی داشت ( خاصی از داده هاست. 2 و 3 و 1 و 5 و 2 ( که به نمایندگی از کالس ( به عنوان مثال بیماری(ردیف تاول زدن در اوایل برگ ه یا الوده 2 نمایندگی از قالب پنبه ی الوده به بیماری 1( به نمایندگی از 3( به نمایندگی از قالب برگ خاکستری الوده به بیماری 1 نمایندگی از اواخ تاول زدن برگ الوده 86

هب( 5( به نمایندگی از بیماری سفیدی کوچک 2 نمایندگی از برگ طبیعی و سپس برنامه با استفاده از متلب نوشته شد. فایل مت به نمایندگی از اموزش داده ها اموزش ه یا طبقه بندی با استفاده از فایل اموزش و سپس استفاده از فایل تست برای انجام طبقه بندی کارهاو ازمایش داده ها. در نتیجه روال متلب تمام فایل داده ( آموزش و ازمایش( و ایجاد تغییرات در داده ها با توجه به مدل انتخاب شده. در نتایج تجربی مقدار استانه برای هر یک از دسته بندی ه یا بیماری ثابت است. فوق مشخص است و برای تمام نمونه ها ی یک این استانه شک یل است که با استفاده از روش اوتسو به دست امده است. معماری شبکه ی مورد استفاده در این مطالعه به شرح زیر است: مجموعه ای از 10 الیه ی پنهان در شبکه ی عصبی و تعداد ورودی ها به شبکه ی عصبی) به عنوان مثال تعداد نورون ها( مورد استفاده با تعداد ویژگی ه یا بافت برابر است. تعداد خروجی ها 2 عدد است که تعدادی از کالس ها به نمایندگی از 5 بیماری همراه با مورد نرمال مورد مطالعه قرار گرفت. این بیماری ها شامل : اوایل تاول زدن قالب پنبه قالب دارای رنگ خاکستری تاول زدن اواخر و سفیدی کوچک بود. شبکه ه یا عصبی با تابع عملکرد میانگین مربع خطا ( )MSI و تعداد تکرار ها 1000 و حداکثر مجاز خطا 5 تا 10 استفاده میشود. نتایج تجربی نتایج استراتژی طبقه بندی NN برای 5 نوع بیماری مختلف به دست امده به طور خاص مدل ام 1 باالترین میزان دقت را به دست اورد. که در ان دقت ک یل %91 در مقایسه با دقت %89.5 قبلی به دست اورده شد. همچنین میتوان نتیجه گرفت که مدل ام 1 بهترین مدل ک یل از نظر دقت وزمان محاسباتی برای اموزش و طبقه بندی بود. در نتیجه جدول 2 دقت طبقه بندی بهتری برای همه ی مدل ها داده است. 87

همچنین شکل 1 نشان دهنده ی یک گراف برای درصد طبقه بندی افات مختلف از تمام مدل ه یا داده در جدول 2 نشان داده شده است. نرخ شناخت برای استراتژی طبقه بندی ان ان از تمام مدل ه یا محاسبه شده برای تاول در اوایل قالب پنبه و تصاویر برگ طبیعی مبتنی بر الگوریتم 1 نتایج به دست امده از مدل 1 و 5 در جدول 3 گزارش شده است. 88

جدول 3 میزان شناخت از بیماری ه یا گیاهی منحصر به فرد این را میتوان در جدول 3 نشان داد که مدل 1 M که تنها از اجزIH&S در محاسبه ی ویژگی استفاده میکند به عنوان بهترین مدل در مدل ه یا میان مختلف انتخاب میشود. بافت های عالوه بر این این را میتوان از جدول 3 مشاهده شود جایی که مدل 5 M دارای کمترین قدرت تشخیص نسبت به مدل 1 M است. در بخشی به د یلل از بین بردن شدت ( جزء I( از محاسبه ی ویژگی ه یا به عنوان بخشی از واقعیت از بین بردن شدت سرویس در این مطالعه به خاطر صفر شدن شدت اثر است. تعداد نمونه ه یا مدل.1 M جدول 8 به نمایش در امده است. تغییرات برگ که در هر یک از 5 گروه ازمایش با استفاده از مدل ام 1 با ارزش استانه ی خاص در در جدول 1 مشاهده میشود تنها چند نمونه از تاول زدن در اواخر و سفیدی کوچک در برگ از طبقه بندی خارج شده است. عالوه بر این تصاویر 3 ازمایش جاهایی که دارای تاول در اواخر بوده اند از طبقه بندی خارج شده اند. به صورت مشابه در مورد تصاویر با سفیدی کوچک تنها تصویر ازمایش از طبقه بندی خارج شد. به طور میانگین دقت طبقه بندی با استفاده از رویکردها 91.21% بود در مقایسه با 92.1 درصد روش قبلی. 89

جدول 1 نتایج طبقه بندی در کالس برای شبکه ه یا عصبی. 90

منحنی همگرایی برای مرحله ی یادگیری در شبکه ه یا نمایش در امده از شکل 9 است. عصبی که در این مقاله ارائه شده بهتر از مورد به در شکل 9 رویکرد 1 به نمایش در امده در حالی که رویکرد 2 نشان دهنده ی مطالعات ماست. از جدول وشکل فوق میتوان به این نتیجه رسید که نتایج به دست امده به یک سطح قابل قبول رسیده نتایجی که میتواند با مطالعه بیشتر بر وزن ان اضافه گردد. روش ه یا ارائه شده در این مقاله در متلب و در محیط ویندوز به دست امده است. همه ی ازمایش ها بر روی یک کامپیوتر با پردازنده اینتل پنتیوم 2.20 گیگاهرتز و رم 252 مگابایت انجام گرفت. زمام محاسبه به طور متوسط برای هر دو رویکرد چند ثانیه بود برای مدل ه یا نمایش داده شده است. ام 1 و 2 و 3 و 1 و 5 در جدول داده ه یا جمع اوری شده در جدول 5 برای دو رویکرد استفاده از همان ساختار شبکه ه یا همان دستگاه. عصبی و تحت 91

شکل 10 نشان میدهد که روش پیشنهادی ما افزاشی سرعتی در حدود %19 داشته است. 92

نتیجه گیری و اینده ی کار در این مقاله به ترتیب برنامه ه یا کاربردی خوشه بندی به روش K-MEANS و شبکه ه یا خوشه بندی و طبقه بندی افاتی که برگ گیاه را تحت تاثیر قرار میدهند فورموله شده است. عصبی برای شناخت بیماری هدف اصلی ما در این مقاله بود. به این ترتیب الگوریتم ه یا پیشنهادی برای 5 نوع بیماری که شامل: تاول زدن در اوایل قالب پنبه قالب دارای رنگ خاکستری تاول زدن در اواخر و سفیدی کوچک بوده است. نتایج تجربی نشان میدهد که روش پیشنهادی یک روش با ارزش است که به میزان قابل توجهی از دقت در تشخیص افات برگ گیاه و زمان محاسبه ی کم پشتیبانی میکند. نمایش این کار بر توسعه ی الگوریتم ه یا ترکیبی مانند الگوریتم ه یا ژنتیک و به منظور افزایش شناخت از روند طبقه بندی نهایی با توجه به مزایای استفاده از الگوریتم ه یا ترکیبی متمرکز شده است. همچنین ما اختصاص خواهیم داد کار اینده ی مان را برای تشخیص خودکار شدت بیماری ه یا گیاهی. 93

فصل سوم مراحل پیاده سازی 94

بخش اول در بخش اول این فصل بیشتر در مورد مباحث تئوریک پیاده ساری بحث خواهیم کرد. 1-3 وارد کردن تصویر در مرحله ی اول باید تصویر مورد نظر را به محیط برنامه وارد کنیم: JPEG, TIFF, GIF, BMP, PNG, HDF, PCX, میتواند فایلهای گرافیکی با فرمتهای Matlab, XWDرا ICO, CUR به عنوان فایل گرافیکی بخواند. مثال برای وارد کردن تصویری به نام cameraman.tifبه فضای Matlab کافی است از دستور imread استفاده کنیم: MyImage=imread( cameraman.tif,'tif ); توجه داشته باشید که فایلی که دستور خواندنش را میدهید باید برای برنامه قابل دسترس باشد. یعنی یا باید در مسیر (Path) Matlab باشد یا اینکه در پروندهای (folder) قرار داشته باشد که در حال حاضر برنامه به آن دسترسی دارد. برای اینکه بدانید که Matlab برای پیدا کردن فایلی که دستورش را دادید کجا را خواهد گشت اینکارها را بکنید: از دستور path برای اینکه بدانید کدام پروندهها جزء مسیر پیشفرض Matlab است و از دستور dir برای اینکه بدانید که Current Directory چیست استفاده کنید. خب تا اینجا یک فایل تصویر را در محیط Matlab وارد کردهایم. همانطور که میدانیم یک تصویر دیجیتال بر روی کامپیوتر در قالب یک ماتریس ذخیره میشود. پس MyImage مثل همه متغیرهای Matlab یک ماتریس است. برای اینکه بدانیم فایل خوانده شده از چه فرمتی است)سیاه سفید یا Gray Scale یا رنگی مینویسیم:( imfinfo( cameraman.tif ) اما اگر بخواهید بدانید که ماتریس ذخیره شدة MyImage از چه نوعی است کافی است بنویسد whos :و لیست متغییرهای مقیم شده در حافظه و نوع و اندازه آنها را ببینید. برای دیدن تصویر وارد شده نیز میتوان از دستور زیر استفاده کرد: 95

imshow(myimage) در گام بعدی برای این که بتوانیم رنگ های موجود در تصویر را به منظور خوشه بندی از هم تفکیک کنیم باید فضای رنگ تصویر را از RGB به L*A*B تغییر دهیم. 0-2 توضیح فضای رنگ :L*A*B مدل Lab نامی مخفف برای دو فضای رنگ متفاوت است. شناختهترین انها مدلLAB CIE )به بیان دقیقتر* a*b )CIE 1976 *L و دیگری مدل Hunter )به Lab بیان دقیقتر )Hunter,L,a b است. این دو مدل بر مبنای نظریه تضاد رنگها استوار شده اند در این نظریه گیرندههای چشم انسان رنگها را به صورت زوجهای مخالف زیر مشاهده میکنند : *روشن تیره *قرمز سبز *زرد - ابی Labنامی غیر رسمی و مختصر شده است و نباید ان ار به صورت پیش فرض به یکی از این دو مدل نسبت داد. این دو فضای رنگ دارای هدف و مقصود مشترکی هستند اما از طرفی ساختاری متفاوت از یکدیگر دارند. هردو فضا بر پایه فضای رنگ CIEاستوارند. 1931 XYZ به هر حال CIEبا LAB محاسبه ریشه سوم و Hunterبا Lab محاسبه ریشه دوم مورد استفاده قرار میگیرند. به استثناء مواردی که حتما باید از متغیرهایLab Hunterموجود برای محاسبات استفاده کرد پیشنهاد شده است که برای سایر موارد کاربردی جدید از CIEاستفاده LAB شود. هدف هر دو مدل رنگ ایجاد یک فضای رنگی است که نسبت به مدلهای دیگر به طور ادراکی خطی تر باشد. خطی بودن به طور ادراکی به این معنا است که تفاوت بین هر دو رنگ به میزان یکسانی با رنگهای دیگر باشد و این تفاوت خواه با رنگ بنفش قرمز نارنجی و یا ابی به یک میزان باشد. زمانی که دو مدل رنگ Labبه مدل XYZ و بر عکس نگاشت میشوند از نقطه سفید در مدل XYZ برای تبدیالت استفاده میکنند. مؤلفههای Labرنگها را به صورت مطلق تعریف نمیکنند مگر این که نقطه سفید نیز مشخص باشد. در این حالت هر دو مدل مطلق هستند بنابراین رنگها را به صورت دقیق و درست تعریف میکنند در مقابل مدلهایی مثل RGB و یا CMYKرنگها را به طور کامل تعریف نمی کنند بلکه فقط مخلوطی از رنگهای روشن و چاپی را تعریف میکنند. 96

برخی از کاربردهای مدل رنگ CIEدر LAB نرم افزارهای خاص عبارتست از : - در نرم افزار Adobe Photoshop به منظور ویرایش تصویر از CIEاستفاده LAB میشود. - در پروفایلهای ICC فضای رنگ Labکه به عنوان یک ارتباط دهنده پروفایل به کار میرود مدل CIE LAB است. - در فایلهای TIFF فضای رنگ Lab به کار رفته مدل CIEاست LAB. - در اسناد PDF فضای رنگ Lab به کار گرفته شده مدل CIEمیباشد LAB. 3-3 [ 5 ]نحوهی تبدیل به فضای رنگ L*A*B برای تبدیل از فضای رنگ XYZ به L*A*B به صورت زیر عمل میکنیم: که در آن X0,Y0 وZ0 مختصات رنگ سفید مرجع میباشد. *A متناظر محور قرمز- سبز و *b متناظر محور زرد آبی میباشد و f برابر است با: 97

تابعی که مقادیر 1 بیتی در فضای XYZ را با مقادیر 1 بیتی در L*A*B تبدیل میکند: نام تابع: z) [L a b] = xyz2lab (x, y, %scaling components to [0,1] x = double(x)/255; y = double(y)/255; z = double(z)/255; %Computing L* if (y > 0.008856) L = 116*(y^(1/3))-16; else L = 903.3 * y; end; %Computing f(x/x0) if (x > 0.008856) fx = x^(1/3); else fx = 7.787 * x + 16/116; end; %Computing f(y/y0) if (y > 0.008856) fy = y^(1/3); else fy = 7.787 * y + 16/116; end; %Computing f(z/z0) if (z > 0.008856) fz = z^(1/3); else fz = 7.787 * z + 16/116; end; %Computing a*,b* a = 500 * (fx - fy); b = 200 * (fy - fz); %scaling components to 8-bits values [L a b] = Scale28bit(L,a,b,3,100, -416,416, -167,167); 98

در مرحله ی سوم باید رنگ های به دست آمده از مرحله ی قبل را با استفاده از روش K-Means خوشه بندی کنیم. الگوریتم K-Means به طور کامل در فصل 2 شرح داده شده است. اما به طور مختصر روش کار این الگوریتم به این صورت است که رنگ های شبیه به هم در تصویر را تا فاصله ی مشخصی که برنامه نویس آن را مشخص میکند در تعداد معینی خوشه خوشه قرار میدهد که هر کدام از این خوشه ها بخشی از نتیجه ی نهایی است. مثال در این مقاله خوشه های تصویر شامل قسمت آفت زده قسمت سالم و پیکسل های خیلی سبز میباشد. در مراحل بعد خوشه های تولید شده در مرحله ی سوم را شاخص گذاری کرده و در انتها تک تک خوشه ها را بازیابی میکنیم. 99

بخش دوم در این بخش با استفاده از مفاهیم پایه ای که در فصل یک شرح داده شد و استفاده از تجربیات دیگرانی که در این زمینه فعالیت نموده اند که شرح آن در فصل دوم آورده شده است از روش خوشه بندی K-Means برای پیاده سازی استفاده خواهیم کرد. در پیاده سازی این مقاله از برنامه متلب استفاده خواهیم کرد. پیاده سازی شامل 5 مرحله خواهد بود که به ترتیب شرح داده خواهد شد. 2-2 مرحله ی اول: وارد کردن تصویر در این مرحله تصویر برگ یا گیاهی که آلوده با آفت است را به منظور تشخیص قسمت های آلوده و سالم به برنامه وارد میکنیم. برای این منظور از کدهای زیر استفاده خواهیم کرد: he = imread('bag.png'); imshow(he), title('h&e image'); text(size(he,2),size(he,1)+15,... 'Image courtesy of Alan Partin, Johns Hopkins University',... 'FontSize',7,'HorizontalAlignment','right'); 100

شکل 1 :تصویر برگ آلوده به آفت 1-2 مرحله ی دوم: تبدیل تصویر از فضای رنگ RGB به فضای L*A*B فضای رنک L*A*B ما را قادر میسازد تا بتوانیم رنگ های موجود در تصویر را تشخیص دهیم. cform = makecform('srgb2lab'); lab_he = applycform(he,cform); 1-2 مرحله ی سوم: طبقه بندی رنگ های به دست آمده از فضای رنگ L*A*B با استفاده از روش خوشه بندی K-Means خوشه بندی یک روش برای طبقه بندی اشیاء است برای خوشه بندی روش های متفاوتی وجود دارد ما در اینجا از روش K-Means که به صورت کامل در فصل دوم شرح داده شد استفاده خواهیم کرد. برای استفاده از این روش باید تعداد خوشه ها و میزان فاصله ی هر خوشه از دیگری را مشخص کنیم. برای استفاده از روش K-Means و مشخص کردن تعداد خوشه ها و میزان فاصله از کدهای زیر ستفاده میکنیم. 101