تشخیص اشیا از درون تصاویر دوبعدی...

[hamidym]

پاسخ : تشخیص اشیا از درون تصاویر دوبعدی...

با سلام ؛
خوب از مشکلات مطرح شده تا الان فقط مونده اینکه برای تشخیص اشکال همشکل ولی با اندازه های متفاوت از چه راهی باید استفاده کرد؟

مساله اینه که ممکنه با تغییر سایز مقداری از اطلاعات تصویر از بین بره !(البته هنوز امتحان نکردم) و یکی دیگه اینکه کدوم بهتره : اینکه هر دو رو به یه سایز استاندارد ببرم یا اینکه مثلا یکی از تصویرها رو به اندازه اون یکی (بزرگتر و یا کوچکتر) برسونم!

دوستان اگه نظر خاصی در این زمینه دارین منو از راهنمایی خودتون بی بهره نذارین .
باتشکر ...

[hess]

پاسخ : تشخیص اشیا از درون تصاویر دوبعدی...

سلام بعد از یه دوره ی کامل تاخیر دوباره وارد بحث شدم .
در مورد سوالی که مطرح کردید نظر من اینه که برای مقایسه ی دو تا عکس با سایز متغییر ، بیاید و دو تاشون رو ببرید به سایز عکس بزرگتر.
دلیل این که میگم نبرید به یک سایز استاندار اینه که ممکنه یکی از عکساتون خیلیل تغییر نکنه ولی اون یکی(چون خیلی بزرگه) خیلی تغییر کنه و این یعنی اختلاف زیاد بین مقایستون .
این نظر منه حالا اساتید فن شاید نظرشون چیز ذیگه ای باشه . موفق باشید .

[hamidym]

پاسخ : تشخیص اشیا از درون تصاویر دوبعدی...

با سلام ؛
خوشحالم از این که به این بحث علاقه نشون دادین . :smile:
پس از گذروندن مراحل بیان شده الان به یک مشکل جدید برخوردم و اون اینه که بعد از پیدا کردن بردار ویژه و چرخوندن تصویر کناره های تصویر به صورت زیر در میاد و به خاطر تفاوت رنگی که رخ میده درصد تطلبق میاد پایین .





دوستان اگه کسی راه حلی داره برای و برای رفع این مشکل میتونه پیشنهادی بده ، بسم ا... !

باتشکر ...

[hamidym]

پاسخ : تشخیص اشیا از درون تصاویر دوبعدی...

با سلام و احترام ؛

دوستان سوال قبلی من همچنان به قوت خودش باقی هست و منتظر نظرات و راهنماییتون هستم .

ولی یه سوال دیگه : :redface:

دوستان به نظر شما پیاده سازی کامل این پروژه چه منافعی میتونه داشته باشه و یا به عبارت دیگه شما کاربرد چنین پروژه ای رو چیا میدونین ؟

خوشحال میشم از نظراتتون گاه بشم!

با تشکر ...

[محمد نحوی]

پاسخ : تشخیص اشیا از درون تصاویر دوبعدی...

سلام.
حامد جان در مورد سوال اول که چون کلا توی بحث نبودم راه حلی ندارم، ولی نمیشه پیکسل هایی که جدید درست میشه رو پیش فرض با 255 پر کنه نه با 0؟

در مورد سوال دوم هم من فکر میکنم اینها همه بخشی از یه سیستم هوشمند بزرگ هستن، هدف طراحی یه سیستم هوشمند بینا مثل سیستم بینایی انسان هست اینها کنار هم قرار میگیرند و یه سیستم قدرتمند رو نتیجه میدن.

ولی برای کار های صنعتی و غیر تحقیقاتی نمیدونم باید دنبال کاربرد های خاص بود چون این سیستم ها شرایط استفاده ازشون تقریبا آزمایشگاهی هست.
دوستان دیگه چه نظری دارن؟

[rany]

پاسخ : تشخیص اشیا از درون تصاویر دوبعدی...

سلام
یک از کاربردهایی این کار توی سیستم های کنترل کیفیته که میتونه قطعات سالم رو از خراب تشخیص بده که فکر میکنم الان هم بعضی جا ها استفاده بشه

[hamidym]

پاسخ : تشخیص اشیا از درون تصاویر دوبعدی...

با سلام ؛

با تشکر از دوستانی که پیگیر بحث هستن باید بگم که مشکل آخری با این function حل شد .

function fill_rt = fill_rt(img)
  fill_rt=im2bw(rgb2gray(img));
  [B,L] = bwboundaries(fill_rt,'holes');
  figure , imshow(label2rgb(L, @jet, [.5 .5 .5]));pause;
  [y,a]=find(L==0);
  t=[y a];

  for p=1:size(t,1)
    k=t(p,:);
    fill_rt(k(1,1),k(1,2))=1;
  end
  figure, imshow(fill_rt);
  pause;

دوستان من برای دفاع از پروژه باید چند تا کاربرد هم مثال بزنم که مزیت ها و کارکردهای اونو بیان کنه !
غیر از اونایی که دوستان مطرح کردن چیز دیگه ای به ذهنتون نمیرسه ؟

با تشکر ...

[rt28]

پاسخ : تشخیص اشیا از درون تصاویر دوبعدی...

سلام

من داشتم موضوعات قدیمی تر سایت رو بررسی میکردم گفتم ببینم این ایده ای که دارم عملی هست یا نه؟

من خیلی تو زمینه پردازش تصویر وارد نیستم ولی تا جایی که من در مورد شبکه های عصبی خوندم فکر میکنم مشکل تغییر سایز رو بشه با یه شبکه عصبی حل کرد، یعنی یه دیتابیس میشه درست کرد که مثلاً شکل های کوچیک و بزرگ مثل دایره مستطیل و همه اون شکلهایی که توی تصویر هست رو توش داشته باشه، بعد شبکه عصبی رو train میکنی که این شکلهارو توی کلاسهای مربوط به خودشون جا بده.

تو مرحله بعد میشه تصویر اصلی را به یه شیوه خاص scan کرد و مثلاً دایره رو تشخیص داد.

شیوه scan کردنش هم میتونه به این صورت باشه که مثلاً اگه ماتریس مربوط به تصویر 256×256 باشه، همه ماتریسهای 16×16 رو توی عکس رو به شبکه عصبی میدیم.

البته اولین مشکلی که ایجاد میشه مربوط به سرعت هست، عواملی که سرعت رو پایین میاره:
1- تعداد شکلهای موجود در تصویر (که همون کلاسهای شبکه عصبی باشه)
2- ابعاد تصویر
3- گاهی اوقات ممکنه مثلاً علاوه بر ماتریسهای 16×16 مجبور باشیم ماتریسهای بزرگتر یا کوچکتر رو هم به شبکه عصبی بدیم که باز هم سرعت رو پایین میاره.

البته شاید اصلاً به صرفه نباشه و راه حل های بهتری براش پیدا بشه، ولی فکر میکنم در حد یه ایده خوب باشه، البته خودم هنوز نرسیدم روش کار کنم، ولی احتمالاً توی پروژه م روی این مسئله هم کار میکنم.

منتظر نظراتتون هستم

[hess]

پاسخ : تشخیص اشیا از درون تصاویر دوبعدی...

سلام .................

بحثی که قبلا زده شده مربوط میشه به Object Recognition .. چیزی که اینجا روش خیلی تاکید شده بحث View-tune بودن آبجکت هاست و باید ما روی detect کردن این ها کار کنیم .. الان توی متدهای معمولی که در این زمینه استفاده میشه؛ بحث View Invariant Recognition به کلی حذف شده و افراد تلاش میکنن که به دسته ی اول بپردازن .. اول در مورد فرمایش شما یه مطلب رو خیلی کوتاه بگم و بعد هم یه توضیح در مورد متدهایی که توی دنیا بهش استناد میکنن ..

شما فرمودید یه شبکه عصبی تعریف کنیم کع در مرحله ی Train شامل همه ی اونچیزهایی که ما میخوایم باشه؛ درسته؟ خـــب همینجا یه مساله ای به وجود میاد و اون اینکه نمیتونیم همه ی آبجکت ها رو با در نظر گرفتن همه ی Pose هاشون لحاظ کنیم .. بحثی که خیلی توی Machine Learning مهمه؛ بحث Generalization هست به این معنا که ما از یه سری داشته به یه تعمیم در داده میرسیم .. الان من یه category خاص رو براتون مثال میزنم ببینید با متدی که شما گفتید عملیه یا نه؟ دیتابیس Pascal، کلاس های Cat .. ازتون میخوام که این دیتابیس رو ببینید تا متوجه منظور من بشید .. دیتابیس CalTech هم همینطوریه .. اینهارو حتما ببینید .. توی اینها از هر Category نمونه های زیادی وجود داره که اصلا با متدی که شما فرمودید قابل Handle کردن نیست ..

اون مطلبی هم که در مورد مربع های 16*16 فرمودید؛ من رو یاد یه ایده ای میندازه که توی یه متد جدیدا استفاده شده (2009) .. حالا متد چیه؟ یه مدل Probabilistic Learning که توی لایه هاش از از یه همچین ایده ای استفاده کردن .. میان تصویر رو میکنن Patch های 5*5 و اینا میشن فیلترهایی که بعدا با یک سری مربع های بزرگتر از خود تصویر Convolve میشن و وارد یه لایه ی جدید میشن .. حالا اونجا چه اتفاقی میوفته دیگه توضیجش خیلی سخته (زیاد مسلط نیستم..) .. اگه تونستن Paper اش رو براتون پیدا میکنم ..

امــا متدی که الان برای این کار توی دنیا استفاده میشه و خیلی هم معمول هست؛ استفاده از یک سری Feature هاییه که بتونن اثر rotation رو حذف کنن .. مثلا SIFT Feature ها (Scale Invariant Feature Transform..) یه همچین قابلیتی دارن .. توی تعریفی که در ساهتار اونها میشه یه روالی تعریف میکنن که خیلی از اثرات منفی رو از بین میبرن .. مثلا اثر Scale یا Illumination یا Rotation به سادگی حذف میشه .. حالا اگه از این Feature ها استفاده کننغ میتونن به راحتی Object Recognition رو انجام بدن .. لینک زیر شاید بتونه کمکتون کنه .. موفق باشید ..

http://www.eca.ir/forum2/index.php?topic=28044.0