رفتن به مطلب

elmiramohammadi

کاربر انجمن
  • تعداد ارسال ها

    88
  • تاریخ عضویت

  • آخرین بازدید

  • روز های برد

    1

آخرین بار برد elmiramohammadi در 9 دی 1396

elmiramohammadi یکی از رکورد داران بیشترین تعداد پسند مطالب است !

اعتبار در سایت

596 Excellent

درباره elmiramohammadi

  • درجه
    <b><font color="#000099" face="Tahoma">عضو جدید </b></font>
  • تاریخ تولد تعیین نشده

اطلاعات شخصی

  • جنسیت
    مونث
  • محل سکونت
    تهران
  • توضیحات داخل پروفایل
    [flash=width=550 height=27] http://upir.ir/941/eshge-talkh-[AloneBoy-com]-maziar-mogadam.swf[/flash]

اطلاعات شغلی و تحصیلی

  • رشته تحصیلی
    مهندسی کامپیوتر
  • مقطع تحصیلی
    دانشجوی فوق لیسانس

آخرین بازدید کنندگان نمایه

بلوک آخرین بازدید کننده ها غیر فعال شده است و به دیگر کاربران نشان داده نمیشود.

  1. در اول اینکه نحوه ی تعریف متغیر ها اشتباه است.... اول اینکه i=0 را قبل از حلقه while بزار تا درست کار کند بعد مگه شما نگفتید که وقتی error به صفر رسید باید متوقف شود پس چرا شرطت گویای این حرفت نیست؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟ شرط باید به صورت زیر باشه i در ضمن بنظر بنده i باید قبل از end آخر باشد نه قبل از دو end آخر
  2. elmiramohammadi

    گابور

    سلام تا جایی که من از صحبت های شما فهمیدم این است که الان شما یه تصویر چهره دادید به فیلتر گابور و فیلتر گابور هم 163840 ویژگی برای اون عکس به شما داده کاری که شما انجام بایدبدید این است که تصواویرتون را رو تک به تک بخونید و یک ماتریس از ویژگی ها و نمونه ها بسازید که سطرهای ماتریس نشان دهنده ی نمونه ها و ستونهای ماتریس نیز نشان دهنده ی ویژگی هاست بعد از ساخت این ماتریس ، ماتریس موردنظر را به الگوریتم های کاهش بعد داده و خروجی شما یک ماتریس با ابعاد کنر ( از لحاظ ستونی چون ستون ها مربوزط به ویژگی هاست) خواهید داشت و بعد از بدست آوردن خروجی الگوریتم کاهش بعد می توانید در طبقه بند svm استفاده کنید................ البته راهنمای اضافی و تکمیلی را مدیر عزیر خدمت شما ارایه می دهند
  3. سلام سری بعد که ملب رو گذاشتی صفحه یا عکسی از صفحه هم بزار. منظور از اینجا که گفته بردار سه بعدی است باید توجه کنید که در پردازش تصویر و مسایل الگویی مسله بعد به ویژگی هایی که برای هر نمونه بکار می روداطلاق می شود مثلا اینجا برای هر میوه سه ویژگی shpae, texture , weight استفاده کرده است و برای پرتقال و سیب این بردار را تشکیل داده است.
  4. elmiramohammadi

    سلااام

    سلام خوبید شما؟
  5. 3-1 جزئیات الگوریتم بهینه سازی فاخته این الگوریتم یکی از جدید ترین و قوی ترین روش های بهینه سازی تکاملی می باشد که تا کنون معرفی شده است. الگوریتم فاخته الهام گرفته از روش زندگی پرنده ای به نام فاخته است که در سال 2009 توسط شین او یانگ و دب ساوش، توسعه یافته است. الگوریتم فاخته بر اساس زندگی گونه ای از فاخته است. این الگوریتم توسط پرواز levy به جای پیاده روی ایزوتروپیک ساده توسعه یافته است. الگوریتم فاخته بعد ها در سال 2011 توسط رامین رجبیون به طور کامل با جزییات بیشتر مورد بررسی قرار گرفت. در شكل 1 فلوچارت الگوريتم بهينه سازي فاخته رسم شده است. همانند ساير الگوريتمهاي تكاملي ، الگوریتم بهینه سازی فاخته هم با يك جمعيت اوليه كار خود را شروع ميكند. جمعيتي که متشكل از فاخته هاست. اين جمعيت از فاخته ها تعدادي تخم دارند كه آنها را در لانه تعدادي پرنده ي ميزبان خواهند گذاشت. تعدادي از اين تخم ها كه شباهت بيشتري به تخم هاي پرنده ميزبان دارند شانس بيشتري براي رشد و تبديل شدن به فاخته بالغ خواهند داشت. ساير تخم ها توسط پرنده ميزبان شناسايي شده و از بين مي روند. ميزان تخم هاي رشد كرده ، مناسب بودن لانه هاي آن منطقه را نشان مي دهند. هرچه تخمهاي بيشتري در يك ناحيه قادر به زيست باشند و نجات يابند به همان اندازه سود (تمايل) بيشتري به آن منطقه اختصاص مي يابد. بنابراين موقعيتي كه در آن بيشترين تعداد تخم ها نجات يابند پارامتري خواهد بود كه الگوریتم فاخته قصد بهينه سازي آن را دارد . فاخته ها براي بيشينه كردن نجات تخم هاي خود به دنبال بهترين منطقه مي گردند. پس از آنكه جوجه ها از تخم درآمدند و به فاخته بالغ تبديل شدند، جوامع و گروه هايي تشكيل مي دهند. هر گروه منطقه سكونت خود را براي زيست دارد. بهترين منطقه سكونت تمام گروه ها مقصد بعدي فاخته ها در ساير گروه ها خواهد بود. تمام گروه ها به سمت بهترين منطقه موجود فعلي مهاجرت مي كنند. هر گروه در منطقه­اي نزديك بهترين موقعيت فعلي ساكن مي شود. با در نظر گرفتن تعداد تخمي كه هر فاخته خواهد گذاشت و همچنين فاصله فاخته ها از منطقه بهينه فعلي براي سكونت تعدادي شعاع تخم گذاري محاسبه شده و شكل ميگيرد . سپس فاخته ها شروع به تخم گذاري تصادفي در لانه هايي داخل شعاع تخم گذاري خود مي كنند. اين فرآیند تا رسيدن به بهترين محل براي تخم گذاري (منطقه با بيشترين سود) ادامه مي يابد. اين محل بهينه جايي است كه بيشترين تعداد فاخته ها در آن گرد مي آيند . 3-2 تولید محل های سکونت اولیه فاخته ها براي حل يك مساله بهينه سازي لازم است تا مقادير متغيرهاي مساله به فرم يك آرايه شكل گيرند. در GA و PSO اين آرايه ها با نام هاي "كروموزوم" و "موقعيت ذرات" مشخص مي شوند. ولي در الگوريتم بهينه سازي فاخته اين آرايه habitat يا "محل سكونت" نام دارند . در يك مساله بهينه سازي N بعدي يك habitat يك آرايه 1*Nخواهد بود كه موقعيت فعلي زندگي فاخته ها را نشان مي دهد. اين آرايه به شكل زير تعريف مي :شود : Habitat = [x1,x2,…,xN] ميزان مناسب بودن (يا مقدار سود) در habitat فعلي با ارزيابي تابع سود (fp) در habitat به دست مي آيد. بنابراين Profit = fp(habitat) = fp(x1,x2,…,xN) همانطور كه ديده مي شود الگوریتم تکاملی فاخته الگوريتمي است كه تابع سود را ماكزيمم ميكند. براي استفاده از الگوریتم فاخته براي حل مسايل كمينه سازي كافي است يك علامت منفي در تابع هزينه ضرب كنيم . براي شروع الگوريتم بهينه سازي يك ماتريس habitat به اندازه Npop*N توليد ميشود. سپس براي هر كدام از اين habitatها تعدادي تصادفي تخم تخصيص مي يابد. در طبيعت هر فاخته بين5 تا 20 تخم مي گذارد. اين اعداد به عنوان حد بالا و پايين تخصيص تخم به هر فاخته در تكرارهاي مختلف استفاده مي شود. ديگر عادت هر فاخته حقيقي اين است كه آنها در يك دامنه مشخص تخم هاي خود را مي گذارند كه با آن حداكثر دامنه تخمگذاري (ELR) گفته مي .شود در يك مساله بهينه سازي هر متغير داراي حد بالا varhi و حد پايين varlow است که هر ELR با استفاده از اين حدود قابل تعريف خواهد بود. ELR متناسب است با تعداد كل تخم ها، تعداد تخم هاي فعلي فاخته و همچنين حد بالا و پايين متغيرهاي مساله . بنابراين ELR به صورت رابطه (1) محاسبه می گردد . 3-3- روش فاخته ها برای تخم گذاری همانطور که در شکل 2 آمده است ، هر فاخته به صورت تصادفي تخم هايي را در لانه پرندگان ميزبان كه در ELR خود قرار دارد، مي گذارد .وقتي تمام فاخته ها تخم هاي خود را گذاشتند برخي از تخم ها كه كمتر شبيه تخم هاي پرنده ميزبان هستند شناسايي شده و از لانه بيرون انداخته مي شوند بنا براين بعد از هر تخم گذاري p% از تمام تخم ها (معمولا %10) كه مقدار تابع سود آنها كمتر است نابود مي شوند. بقيه جوجه ها در لانه هاي ميزبان تغديه شده و رشد مي كنند. نكته جالب ديگر در مورد جوجه فاخته ها اين است كه فقط يك تخم در هر لانه امكان رشد دارد. چرا كه وقتي جوجه هاي فاخته از تخم درمي آيند تخم هاي خود پرنده ميزبان را از لانه بيرون مي اندازند و اگر جوجه هاي پرنده ميزبان زودتر از تخم خارج شده باشند جوجه فاخته بيشترين مقدار غذا را كه پرنده ميزبان مي آورد می خورد و پس از چند روز جوجه هاي خود پرنده ميزبان از گرسنگي مي ميرند و فقط جوجه فاخته زنده مي ماند. 3-4- مهاجرت فاخته ها وقتي جوجه فاخته ها رشد كردند و بالغ شدند مدتي در محيط ها و گروه هاي خودشان زندگي مي كنند ولي وقتي زمان تخم گذاري نزديك مي شود به habitatهاي بهتر كه در آنجا شانس زنده ماندن تخم ها بيشتر است مهاجرت مي كنند. پس از تشكيل گروه هاي فاخته در مناطق مختلف زيست (فضاي جستجوي مساله) گروه داراي بهترين موقعيت به عنوان نقطه هدف براي ساير فاخته ها جهت مهاجرت انتخاب مي شود. هنگامي كه فاخته هاي بالغ در نقاط محيط زيست زندگي ميكنند تشخيص اينكه هر فاخته به كدام گروه تعلق دارد كار سختي است. براي حل اين مشكل، گروه بندي فاخته ها توسط روش كلاسبندي K-means انجام مي شود ( k بين1 تا 3 5 معمولا كفايت ميكند ). حال كه گروه هاي فاخته تشكيل شدند سود ميانگين گروه محاسبه مي شود تا بهينگي نسبي محل زيست آن گروه به دست آيد. سپس گروهي كه داراي بيشترين مقدار متوسط سود (بهينگي) باشد، به عنوان گروه هدف انتخاب شده و گروه هاي ديگر به سمت آن مهاجرت مي كنند . هنگام مهاجرت به سمت نقطه هدف فاخته ها تمام مسير را به سمت محل هدف طي نمي كنند. آنها فقط قسمتي از مسير را طي كرده و در آن مسير هم انحرافي دارند. اين نحوه حركت را در شكل 3 به وضوح مشاهده مي شود. همانطور كه از شكل معلوم است هر فاخته فقط λ% از كل مسير را به سمت هدف ايده آل فعلي طي ميكند و يك انحراف φ راديان نيز دارد. اين دو پارامتر به فاخته ها كمك مي كند تا محيط بيشتري را جستجو كنند. λ عددي تصادفي بين 1و 0 است و φ عددي بين π/6 و π/6 - مي باشد. وقتي تمام فاخته ها به سمت نقطه هدف مهاجرت كردند و نقاط سكونت جديد هركدام مشخص شد، هر فاخته صاحب تعدادي تخم مي شود. با توجه به تعداد تخم هر فاخته يك ELR براي آن مشخص مي شود و سپس تخم گذاري شروع مي گردد . فرمول عملگر مهاجرت در الگوريتم بهينه سازي فاخته به صورت رابطه (2) است: F پارامتري است كه باعث انحراف ميشود cuckoo_search.rar
  6. آره در همین حد توضیح داده؟
  7. سوالم این است که مس خواهم نواحی مشکوک به سرطان رو تعیین کنم داخل مقاله آمده در هفت و هشت گام نواحی مشکوک را مشخص کرده منم می خوام همون قسمت را پیاده سازی کنم بخش 3 مقاله 3- روش پيشنهادي براي يافتن نواحي مشكوك روش پيشنهادي براي يافتن مناطق مشكوك و يا نواحي موردتوجه براي يافتن تومور شامل مراحل زير است: 1. يافتن مرز سينه و ماهيچه پكتورال و حذف تماممصنوعات و پكتورال (اين نواحي مشابه تومورها دارايروشناييهاي زيادي هستند). براي يافتن مرز سينه ازروش آستانهگذاري براساس آنتروپي و براي يافتن مرزماهيچه پكتورال نيز از روش فيلترهاي گابور استفاده شده.[10,9] است 2. استفاده از عملگر Bottom Hat بر روي تصويربدستآمده از مرحله اول بهمنظور حذف جزئيات روشنتصوير كه داراي اندازههايي كوچكتر از اندازه المانساختاري هستند [3]. 3. استفاده از عملگر Top Hat با المان ساختاري بزرگ برروي تصوير بدست آمده از مرحله اول بهمنظور حذفجزئيات تاريك تصوير و حفظ مناطق روشن تصوير. 4. تفاضل تصوير خروجي مرحله دوم از تصوير خروجيمرحله سوم؛ به اين ترتيب تصويري كه بدست ميآيدفقط شامل مناطقي خواهد بود كه داراي روشناييبيشتري نسبت به پيكسلهاي مجاور خود هستند. 5. بافت سينه داراي رگها و مجاري شير ميباشد كه دارايروشناييهاي زياد هستند و بايد تا حد ممكن حذفشوند. براي حذف آنها از عملگر Opening استفادهميشود. اندازه درنظر گرفته شده براي المان ساختاريمربوطه بايد داراي شعاع نسبتاً كمي باشد تا باعث حذفتومورهاي با اندازه كوچك نشود [3]. 6. پس از استفاده از عملگر Opening براي افزايشپيوستگي بين پيكسلها، از عملگر Closing با المانساختاري كمي كوچكتر از المان ساختاري مورد استفادهدر مرحله 5 استفاده ميكنيم [3]. 7. استفاده از تابع(, ) (, ) max( ( , )) 1 ( , )Ixy I xy Ixy Ixy ′ = + −كه روشناييها را بهصورت غير خطي تغيير ميدهد وباعث واضحتر شدن مناطق روشن در تصوير ميشود. 8. پيدا كردن ماكزيممهاي محلي در تصوير. 9. درنظر گرفتن نقاط بدستآمده از مرحله 8 بهعنوان مركزبراي 2 مناطق مشكوك و استفاده از روش رشد ناحيهيافتن مرز آن. هر نقطه ماكزيمم تا حداكثر شعاع 2 .............. ........................................................................................................................................................ من در حال حاضر مراحل 2 تا 7 را پیاده سازی کردم ولی مرحله اول رو متوجه نشدم چه جوری حلش کنم؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟
  8. سلام دوستان کسی هست کمکی در این موارد به من کنه ؟ تعیین نواحی مشکوک در تصاویر ماموگرافی؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟ pdf هم ضمیمه کردم 1.pdf
  9. البته نا گفته نماند که در این کد بنده از الگوریتم ژنتیک برای وزن دهی استفاده کرده ام............ نحوهی وزن دهی به ویژگی ها به این صورت است که ما برای هر ویژگی 14 بیت در نظر می گیریم . حال برای محاسبه وزن، دسیمال این چهارده بیت را بدست آورده و بر (دو به توان 14) منهای یک تقسیم می کنیم. و این می شود وزن آن ویژگی ...... دوستان می توانند برای انتخاب ویژگی نیز از الگوریتم ژنتیک استفاده کنند......
  10. پیاده سازی یک پروژه با الگوریتم ژنتیک که در ابتدا توضیحات الگوریتم ژنتیک آورده شده است برای بدست آوردن تعداد خطا از الگوریتم طبقه بند نزدیک ترین همسایه استفاده کرده ایم.الگوریتم ژنتیک گلدبرگ در سال ١٩٨٩ قواعد الگوريتم ژنتيك را ارائه نمود و در سال ١٩٩٠ همگرایي الگوريتم ژنتيك ثابت شد. الگوريتم هاي ژنتيك، هيوريستيك هاي جستجو و الگوريتم هاي بهينه سازي ای هستند كه به طور موازي اجرا مي شوند و بوسيله اصل داروين از انتخاب طبيعي و تكثير ژنتيكي الهام گرفته شده اند. به عبارت ديگر اين الگوريتم ها، تكنيك هاي بهينه سازي بر اساس انتخاب و تركيب مجدد راه حل هاي اميد بخش مي باشند. در الگوريتم هاي ژنتيك سنتي، راه حل ها به عنوان رشته هاي باينري 0 و 1 نمايش داده مي شوند. چارچوب الگوريتم ژنتيك در شکل1 نشان داده شده است. تصویر یک شكل1. چارچوب الگوريتم ژنتيك تصویر دوم شکل2. عملگرهای ژنتیک در گام اول جمعیت اولیه تولید می شود. قبل از هرچیز مقادیر کروموزوم ها که وزن دهی ویژگی ها هستند، بطور تصادفی مقداردهی اولیه می شوند. ابتدا باید ساختار کروموزوم را که به فرم رشته های باینری است طراحی کنیم. همانطور که در شکل3 نشان داده شده، طول هر کروموزوم n بیت است. تصویر سوم شکل3. ساختار ژن بعد از تولید جمعیت اولیه، سیستم با استفاده از پارامترهای موجود در کروموزوم ها، الگوریتم KNN را اجرا می کند و عملکرد هر کروموزوم توسط تابع ارزیابی در الگوریتم ژنتیک محاسبه می شود. هدف اصلی ما پیدا کردن پارامترهای بهینه و یا نزدیک به بهینه ای است که دقیق ترین راه حل را تولید کند. تابع ارزیابی را به صورت زیر تعریف می کنیم. [TABLE=align: left] [TR] [TD][/TD] [/TR] [TR] [TD][/TD] [TD][/TD] [/TR] [/TABLE] cost=error که Error خطای دسته بندی است. در گام آخر، با استفاده از عملگرهای ژنتیک نسل جدیدی تولید می شود. با توجه به مقدار تابع ارزیابی برای هر کروموزوم، کروموزوم هایی با ارزش بالاتر انتخاب شده و برای تولید جمعیت جدید از عملگر های Crossover و Mutationاستفاده می کنند. عملگر آميزش (Crossover ): در جریان عمل تلفیق به صورت اتفاقی بخشهایی از کروموزوم ها با یکدیگر تعویض می شوند. این موضوع باعث می شود که فرزندان ترکیبی از خصوصیات والدین خود را به همراه داشته باشند و دقیقاً مشابه یکی از والدین نباشند. [5] هدف تولید فرزند جدید می باشد به این امید که خصوصیات خوب دو موجود در فرزندشان جمع شده و یک موجود بهتری را تولید کند. روش کار به صورت زیر است: بصورت تصادفی یک نقطه از کروموزوم را انتخاب می کنیم ژن های مابعد آن نقطه از کروموزوم ها را جابجا می کنیم تلفیق تک نقطه ای (Single Point Crossover) اگر عملیات تلفیق را در یک نقطه انجام دهیم به آن تلفیق تک نقطه ای می گویند. تلفیق بدين صورت انجام مي گيرد که حاصل ترکيب کروموزومهاي پدر و مادر مي باشد.روش توليد مثل نيز بدين صورت است که ابتدا بصورت تصادفي ,نقطه اي که قرار است توليد مثل از آنجا آغاز گردد ,انتخاب مي گردد.سپس اعداد بعد از آن به ترتيب از بيت هاي کروموزومهاي پدر و مادر قرار مي گيرد که در شکل زير نيز نشان داده شده است. تصویر چهارم شکل 4 یک نمونه تلفیق (آمیزش) در شکل بالا کروموزومهاي 1 و2 در نقش والدين هستند. و حاصل توليد مثل آنها در رشته هائي بنام Offspring ذخيره شده است.دقت شود که علامت "|" مربوط به نقطه شروع توليد مثل مي باشد و در رشته هاي Offspring اعدادي که بعد از نقطه شروع توليد مثل قرار مي گيرند مربوط به کروموزومهاي مربوط به خود مي باشند.بطوريکه اععدار بعد از نقطه شروع مربوط به Offspring1 مربوط به اعداد بعد از نقطه شروع مربوط به کرومکوزوم 1 و اعداد بعد از نقطه شروع توليد مثل مربوط به Offspring2 مربوط به اعداد بعد از نقطه شروع توليد مثل مربوط به کروموزوم 2 مي باشند روش ادغام دو نقطه ای((Two-point CrossOver : در این روش دو مکان را به صورت تصادفی انتخاب کرده و مقادیر بین این دو نقطه را جابجا می کنیم. تصویر پنجم شکل 5 یک نمونه تلفیق (آمیزش) تلفیق نقطه ای (Multipoint Crossover) : می توانیم این عملیات را در چند نقطه انجام دهیم ، که به آن بازترکیبی چند نقطه ای می گویند .تلفیق جامع (Uniform Crossover) : اگر تمام نقاط کروموزوم را بعنوان نقاط بازترکیبی انتخاب کنیم به آن بازترکیبی جامع می گوئیم. عملگر جهش (Mutation ): پس از اتمام عمل آميزش, عملگر جهش بر روي كروموزوم‏ها اثر داده مي‏شود. اين عملگر يك ژن از يك كروموزوم را به طور تصادفي انتخاب نموده و سپس محتواي آن ژن را تغيير مي‏دهد. اگر ژن از جنس اعداد دودويي باشد, آن را به وارونش تبديل مي‏كند و چنانچه متعلق به يك مجموعه باشد, مقدار يا عنصر ديگري از آن مجموعه را به جاي آن ژن قرار مي‏دهد. در شكل 6 چگونگي جهش يافتن پنجمين ژن يك كروموزوم نشان داده شده است. [5] پس از اتمام عمل جهش, كروموزوم‏هاي توليد شده به عنوان نسل جديد شناخته شده و براي دور بعد اجراي الگوريتم ارسال مي‏شوند. [TABLE=align: left] [TR] [TD][/TD] [/TR] [TR] [TD][/TD] [TD=align: center][/TD] [/TR] [/TABLE] تصویر ششم در این کد ما از single crossover و جهش را هم فقط در یک بیت انجام داده ایم....... دیتا بیس مورد استفاده pima از دیتا بیس های UCI 9.rar z.rar
  11. سلام دوستان آیا کسی هست که دیتا بیسی درباره ماموگرافی داشته باشه؟
  12. عدد باینری؟! آره دیسیمالش کردیم مزیت این کار دقیقا چیه؟ مزیت این کار تا جایی که می دونم این است که پیکس هایی که بهم نزدیک هستند از یک الگوی دیسمال پیروری می کنن که نمود این کار در هیستوگرام آن مشخص می شود... اصلا منظور از lbp چیه؟ منظور این است که از یک الگور محلی باینری استفاده کرده تا این نتایج در گام خای بعدی که استخراج ویژگی است کاربرد داشته باشد........ برای تصویری مثل مامو که کنتراستش پایین هست به این ترتیب ویژگی که استخراج میشه مطلوبه؟ باید اجرا کنی ببینی آیا برای این تصاویر هم خوب هست یا نه البته بنظرم مفید واقع بشه چرا اینجا از هیستوگرام پروجکشن استفاده کرده بود؟ برای استخراج ویژگی از هیستوگرام استفاده کرده ایم من یه تعداد تصویر دارم اما برای هر کدوم میخوام جداگانه این lbp رو بدست بیارم که نمیدونم مطلوبم هست یا نه اما شما برای 150 تا تصویر این کار رو انجام دادید. چرا برای 150 تا تصویر همزمان lbp رو بدست میاری بعد پروجکشن؟ شما اشتباه متوجه شدید ، من برای هر تصویر جدا محاسبه می کنم یعنی برای هر تصویر lbp را بصورت جدا محاسبه کردم اگر دقت کنی متوجه می شوی.... برای سوال آخرت هم اگر به صورت زیر بنویسی درست میشه [h w]=size(Img);
  13. سلام این که میگی را میشه اجرا کرد ولی دیگر 80 در اندازه تصویر نمیشه بلکه برابر خود تصویر میشه یعنی برای هر پیکسل یه عدد باینری تولید می کنیم و این عدد باینری می توانید به عنوان یه ویژگی استفاده کنید برای این کار هم کافی است برای هر تصویر این قسمت از کد را اجرا کنید البته باید توجه کنید که در این حالت باید در اطراف ماتریس تصویر صفر ایجاد کنید. یعنی یه لایه صفر اطراف تصویر قرار می گیرد و در آخر ماتریس result رو به بردار تبدیل کنید البته توجه کنید چون اطراف تصویر صفر قرار داده اید تصویر شما از سطر 2 تا h-1 و از ستون 2 تا w-1 می باشد for i=2:h-1 for j=2:w-1 im=main(i-1:i+1,j-1:j+1); for ii=1:3 for jj=1:3 if(~(ii==2 && jj==2)) if(im(ii,jj)-im(2,2)>0) im(ii,jj)=1; else im(ii,jj)=0; end end end end num=[num2str(im(2,1)) num2str(im(3,1)) num2str(im(3,2)) num2str(im(3,3)) num2str(im(2,3)) num2str(im(1,3)) num2str(im(1,2)) num2str(im(1,1))]; Resault(i-1,j-1)=bin2dec(num); end end
  14. elmiramohammadi

    ***.. تولد یه پسر خووووب... ***

    سلام تولدت مبارک امیدوارم 120 سال با خوبی و خوشی زندگی کنی
  15. سلام به دوستان گرامی یک سری توضیحات درباره کد ها می گذارم همانطور که تمام دوستان در جریان هستند تمام کلاس بندی ها ( موضوعاتی که در بخش کلاس بندی جایی می گیرند) برای متمایز کردن از بقیه کلاس ها نیاز به یک سری ویژگی دارند. هر الگوریتم دسته بندی(همانند شبکه عصبی , svm) شامل دو قسمت می باشند یک داده های آموزشی و داده های تست. در داده های آموزشی ما کلاس داده را نیز مشخص می کنیم. نکته ای باید به آن توجه کنید آن است که داده های آموزشی همان بردار ویژگی های مربوز به هر رقم می باشد. حال نوبت به توضیح کد ها می رسه DataTrain=[]; TargetTrain=[]; dataTrain برای نگه داری بردار وپژگی ها و TargetTrain برای نگه داری کلاس داده ها بکار می رود. حلقه اول for counter=1:10 برای پیماش رقم ها استفاده می گردد(0 تا 9) حلقه دوم برای خواندن تصاویر هر نمونه از رقم استفاده می شود. همانظور که مشخص است ما برای هر رقم 150 تصویر در نظر گرفته ایم. برای ساخت بردار ویژگی برای هر رقم ابتدا باید تصویر ورودی را به تصویر با ساختار LBP ببریم که توضیحات آن در بالا مندرج گردیده است و بعد از این که ما تصویر را با استفاده از ساختار LBP ساختم نوبت به استخراج ویژگی می رسد. برای استخراج ویژگی در این مقاله از Histogtram Ptrojection در راستای عمودی و افقی استفاده گردیده است. برای اینکه ویژگی ها متمایز گردن تصوی را به چهار قسمت تقسیم کرده ایم بعد عملیات Projection را روی آن انجام داده ایم. for i=2:h-1 for j=2:w-1 im=main(i-1:i+1,j-1:j+1); for ii=1:3 for jj=1:3 if(~(ii==2 && jj==2)) if(im(ii,jj)-im(2,2)>0) im(ii,jj)=1; else im(ii,jj)=0; end end end end num=[num2str(im(2,1)) num2str(im(3,1)) num2str(im(3,2)) num2str(im(3,3)) num2str(im(2,3)) num2str(im(1,3)) num2str(im(1,2)) num2str(im(1,1))]; Resault(i-1,j-1)=bin2dec(num); end end کد های بالا تبدیل تصویر با استفاده از ساختار LBP را انجام می دهد و کد های زیر عملیات Projection روی چهار قسمت تصویر به کار می برد. ver5=sum(Resault(1:20,:),2)'; ver6= sum(Resault(21:40,:),2)'; ver7=sum(Resault(:,1:20),1); ver8=sum(Resault(:,21:40),1);
×
×
  • جدید...