نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر

مجموعه عملیات و روش هایی که برای کاهش عیوب و افزایش کیفیت ظاهری تصویر مورد استفاده قرار می گیرد، پردازش تصویر نامیده می شودحوزه های مختلف پردازش تصویر را می توان شامل بهبود تصاویر مختلف پزشکی مانند آشکار سازی تومور های مغز یا پهنای رگ های خونی و ، افزایش کیفیت تصاویر حاصل از ادوات نمایشی مانند تصاویر تلویزیونی و ویدیویی، ارتقا متون و شکل های مخاب

مجموعه عملیات و روش هایی که برای کاهش عیوب و افزایش کیفیت ظاهری تصویر مورد استفاده قرار می گیرد، پردازش تصویر نامیده می شود.حوزه های مختلف پردازش تصویر را می توان شامل بهبود تصاویر مختلف پزشکی مانند آشکار سازی تومور های مغز یا پهنای رگ های خونی و ... ، افزایش کیفیت تصاویر حاصل از ادوات نمایشی مانند تصاویر تلویزیونی و ویدیویی، ارتقا متون و شکل های مخابره شده در رسانه های مختلف مانند شبکه و فاکس و همچنین بهبود کیفیت روش های کنترل توسط بینایی ماشین و درک واقعی تر مناظر توسط ربات ها دانست.

اگرچه حوزه ی کار با تصاویر بسیار گسترده است ولی عموما محدوده ی مورد توجه در چهار زمینه ی بهبود کیفیت ، بازسازی تصاویر مختل شده، فشرده سازی تصویر و درک تصویر توسط ماشین متمرکز می گردد. در اینجا سه تکنیک اول بررسی خواهد شد.

از آنجایی که برای کار روی تصاویر با پیکسل ها سروکار داریم و هر پیکسل نشان دهنده ی یک عنصر از یک آرایه ی دوبعدی است، کار روی تصاویر همواره با کار روی ماتریس ها عجین شده است. ماتریس اسپارس یا ماتریس خلوت ، ماتریسی است که درایه های صفر آن زیاد باشد و در نتیجه ذخیره ی عناصر صفر مقرون به صرفه نیست و همواره سعی در کاهش ذخیره ی این عناصر است تا بتوان عملیات ماتریسی را سریع تر انجام داد. در کار با تصویر با اینگونه ماتریس ها زیاد برخورد می کنیم . در این پروژه ابتدا تکنیک ها و روش های مختلف پردازش تصویر را معرفی می کنیم. در بخش بعد الگوریتم های موازی را شرح می دهیم که در GPU کاربرد دارند و با معماری موازی آشنا می گردیم. در بخش سوم برخی از الگوریتم های مربوط به ماتریس خلوت را مورد بررسی قرار می دهیم و در نهایت در بخش چهارم کاربرد این ماتریس ها را در پردازش تصویر معرفی خواهیم نمود.

و در آخر، پیاده سازی یکی از ا لگوریتم های مبحث فشرده سازی را روی تصاویر باینری، انجام خواهیم داد و با یکی از الگوریتم های فشرده سازی مربوط به تصاویر باینری به نام Run length coding مقایسه خواهیم نمود. 

فهرست مطالب

مقدمه

بخش اول

روش های پردازش تصویر

1-1 تصویر دیجیتالی

2-1 تعریف رنگ و ویژگی های آن

1-2-1 فضای رنگ HSV

2-2-1 فضای رنگ RGB

3-1پردازش تصویر (Image Processing )

1-3-1 بهبود كیفیت تصویر( image enhancement )

2-1-3-1 بهبود کیفیت تصویر در حوزه فرکانس

2-3-1 بازسازی تصاویر

3-3-1 کدینگ و فشرده سازی تصویر

4-3-1 قطعه بندی تصویر ( Image segmentation )

1-4-3-1 روش های مبتنی بر از مشتق اول

2-4-3-1 روش مبتنی بر مشتق دوم یا لاپلاس

بخش دوم

الگوریتم های موازی

1-2 الگوریتم های موازی

2-2 معماری موازی

بخش سوم

ماتریس اسپارس(خلوت)

1-3 الگوریتم های ذخیره ماتریس اسپارس

1-3-1Coordinate storage (COO)

2-3-1 روش CRS

3-3-1 روش CCS

4- 3-1 (CDS ) Compresses diagonal storage

5-3-1 Jagged Diagonal Format (JDS)

6-3-1 The transpose jagged diagonal format

7-3-1 Robs Alorithm

بخش چهارم

کاربرد ماتریس اسپارس در پردازش تصاویر

1-4 (GPU) Graphic Processing Unit

2-4 پردازش تصویر و GPU 

3-4 مقایسه ی دو الگوریتم

نتیجه گیری

ضمیمه 1

کد matlab مربوط به پیاده سازی دو الگوریتم run length coding و runrobs برای فشرده سازی

ضمیمه 2

تصاویر تست شده در بخش چهارم

منابع

برچسب ها : نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر , ماتریس اسپارس , پردازش تصویر