آموزش جامع پردازش تصاویر ماهواره ای با MATLAB

1,162 بازدید

بالاترین کیفیت محصولات

بالاترین امنیت خرید

خرید و دانلود آنی

پشتیبانی بسیار سریع

اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.

در این بسته آموزشی یک آموزش جامع در مورد پردازش تصویر، عملیات­­ های طیفی و مکانی، و الگوریتم­ های یادگیری ماشین بیان شده است.

برای این هدف از سه کتاب مرجع با عناوین زیر استفاده شده است. در مباحث مختلف ابتدا نگاهی به کتاب می­ شود، سپس کدنویسی آن شرح داده می­ شود.

  • Image Processing and GIS for Remote Sensing Techniques and Applications
  • Computer Vision- Algorithms and applications
  • Digital Image Processing

زمان: 14 ساعت

فرمت آموزش : ویدئو

حجم فایل : بیش از 10 گیگ

حل مسائل پردازش تصویر نیازمند تست بر روی داده های زیادی به کمک نرم افزار های شبیه سازی است. گرچه راه حل تئوری برای توسعه الگوریتم ­ها بر مبنای روش های ریاضی است، پیاده سازی این روش ها نیازمند تخمین پارامترها، شبیه سازی در نرم افزارها و مقایسه آن ها است. در نتیجه، انتخاب یک نرم افزار مناسب آموزش جامع پردازش تصاویر سنجش از دور، یک گام کلیدی و مهم در این زمینه است.

در این بسته آموزشی یک آموزش جامع در مورد پردازش تصویر، عملیات­­ های طیفی و مکانی، و الگوریتم­ های یادگیری ماشین بیان شده است.

برای این هدف از سه کتاب مرجع با عناوین زیر استفاده شده است. در مباحث مختلف ابتدا نگاهی به کتاب می­ شود، سپس کدنویسی آن شرح داده می­ شود.

  • Image Processing and GIS for Remote Sensing Techniques and Applications
  • Computer Vision- Algorithms and applications
  • Digital Image Processing

ویدئوی معرفی دوره:

ویژگی های محصول

  • مدرس: دکتر محمد کاکوئی
  • تخصص: برنامه نویسی، پردازش تصویر، هوش مصنوعی و سنجش از دور
  • موضوع:آموزش مباحث پایه، تکمیلی و الگوریتم های یادگیری ماشین در محیط MATLAB
  • نرم افزار: متلب
  • مخاطب: علاقه مندان سنجش از دور در محیط متلب
  • نوع آموزش: ویدیویی
  • داده های تمرینی:‌ دارد

معرفی مدرس

  • دکتر محمد کاکوئی
  • متخصص سنجش از دور و برنامه نویسی پردازش تصاویر ماهواره ای
  • متخصص پردازش موازی با واحد پردازنده گرافیکی GPU
  • متخصص یادگیری ماشین و هوش مصنوعی
  • دارنده مدرک کارشناسی الکترونیک از دانشگاه شهید بهشتی
  • دارنده مدرک کارشناسی ارشد الکترونیک از دانشگاه علم و صنعت
  • دارنده مدرک دکتری الکترونیک از دانشگاه صنعتی نوشیروانی
  • مدرس دانشگاه
  • دارای چندین مقاله ISI و ISC
  • ارائه چندین مقاله در کنفرانس های بین المللی

در این بسته آموزشی یک آموزش جامع در مورد پردازش تصویر، عملیات­­ های طیفی و مکانی و الگوریتم­ های یادگیری ماشین بیان شده است.

عناوین آموزشی

بخش اول: مباحث مقدماتی

  • فرخوانی تصویر، نمایش آن و مدیریت باندها
  • ذخیره تصویر زمین مرجع
  • نرمال کردن تصویر و هموارسازی هیستوگرام
  • اعمال تبدیل به فضای رنگ تصویر
  • تطبیق رنگ بین تصاویر سری زمانی
  • اعمال ریاضی مبتنی بر پیکسل
  • تعریف تابع و شاخص های طیفی
  • فیلترگذاری و تبدیل فرکانسی FFT
  • فیلترگذاری مکانی میانگین، گاوسی و لاپلاسین
  • استخراج لبه با Prewitt و Sobel
  • تبدیل فضای رنگ HSV و LAB
  • تطبیق رنگ در فضای رنگ HSV
  • تبدیل رنگ به فضای PCA
  • تغییر اندازه تصویر
  • چرخش تصویر
  • برش تصویر
  • جابجایی تصویر
  • تبدیل Affine
  • تنظیمات Georeferencing
  • مورفولوژی Dilation، Erosion، Opening، Closing
  • مورفولوژی استخراج اسکلت، Filling، Thin، Thicken، Majority

 

بخش دوم: مباحث تکمیلی

  • تعریف بردار و ماتریس
  • ضرب بردار و ماتریس
  • مرتب سازی
  • فیلتر گذاری
  • شاخص مکانی تصویر
  • مکمل تصویر
  • نمایش Scatter Plot با برجسته سازی نواحی خاص
  • اندازه و زاویه گرادیان تصویر
  • اضافه کردن نویز به تصویر و حذف نویز با فیلتر گاوسی
  • دستورات کنترل جریان (If، For، while، Switch-case)
  • تبدیل حلقه تو در تو به عملیات ماتریسی
  • استخراج خط با تبدیل هاف
  • استخراج مقدار یک پیکسل
  • رسم پروفایل تصویر
  • رسم Contour تصویر
  • هیستوگرام تطبیقی تصویر
  • از بین بردن همبستگی باندها
  • رسم Scatter plot سه بعدی
  • افزایش روشنایی تصویر با الگوریتم حذف مه

 

بخش سوم: الگوریتم های یادگیری ماشین

  • آستانه گذاری با APP
  • آستانه گذاری دو کلاسه اوتسو
  • آستانه گذاری چندسطحی اوتسو
  • خوشه بندی (Clustering) KMeans
  • نمایش Scatter خوشه ها
  • بخش بندی (Segmentation) تصویر به روش برش گراف (Graph-Cut) در APP
  • بخش بندی تصویر با ویژگی طیفی
  • در نظر گرفتن ویژگی Gabor در بخش بندی
  • در نظر گرفتن ویژگی همسایگی در بخش بندی
  • برچسب زنی (Labeling) داده های آموزشی (Training Data) با App
  • طبقه بندی درختی
  • طبقه بندی ماشین بردار پشتیبان SVM
  • طبقه بندی بیزین
  • طبقه بندی KNN
  • طبقه بندی LDA
  • طبقه بندی Ensemble
  • تطبیق تصویر (Registration) با همبستگی متقابل
  • استخراج نقاط ویژگی
  • تطبیق نقاط ویژگی
  • استخراج تابع تبدیل
  • تبدیل هندسی تصویر با تابع تبدیل
  • ویژگی Harris
  • ویژگی BRISK
  • ویژگی FAST
  • ویژگی SURF
  • ویژگی MSER

توضیحات آموزش

آموزش ­های این بسته به سه بخش تقسیم شده است، اما این امر اتفاقی نیست، بلکه مبتنی بر نیازسنجی دانشجویان است تا در حداقل زمان به سطح مهارت مورد نیاز برسند. با این حال ادعا نمی­ شود که این بسته، بدون عیب و نقص است و امید است با نظرات خود به کامل شدن آن در آینده کمک کنید. هر بخش به زیر بخش­ هایی تقسیم شده است که ضمن حفظ همبستگی، دارای ساختار مستقل است. در این آموزش از نسخه R2019a نرم افزار MATLAB استفاده شده است و توصیه می­ شود که نرم افزار استفاده شده قدیمی تر از R2018b نباشد.

اولین بخش به مباحث پایه اختصاص یافته است تا به زبانی ساده و در قالب پیاده سازی بر روی تصاویر سنجش از دور، عملیات های پایه را اعمال کنند. در ضمن، آشنایی با بخش­ های مختلف نرم افزار و نحوه به کارگیری آن­ها آموزش داده می­ شود. اسکرین شات هایی از ویدئوهای مربوط به این بخش در اینجا نمایش داده شده است

 

 

بخش دوم به جنبه­ هایی از MATLAB یا موارد خاص می­پردازد که در روند یادگیری دارای اهمیت کمتری است و اگر دارای محدودیت زمانی هستید، می­توانید از آن چشم پوشی کنید. از سوی دیگر، اگر از لحاظ کاربردی، یا تئوری به آن­ها نیاز داشتید می­توانید با مراجعه به آن­ها نگاه عمیق تری به مفاهیم داشته باشید. به اسکرین شات های این بخش توجه کنید.

 

در بخش سوم بر الگوریتم­ های یادگیری ماشین تاکید شده است تا با روش های به کارگیری آن­ها در مسائل روز آشنا شویم. یادگیری ماشین عبارت است از به کارگیری روش هایی که با استفاده از داده های موجود به پیش­بینی و پاسخ دهی داده ­های آینده می­ پردازیم.

این معنا دارای قرابت زیادی با مفاهیم شناسایی الگو، آمار محاسباتی و هوش مصنوعی است. مولفه ­های یادگیری ماشین عبارتند از: داده، مدل و آموزش (با مربی یا بدون مربی).

این بخش می­تواند دیدگاه تحقیقی و پژوهشی دانشجویان را تا حد زیادی گسترش دهد. مثال هایی از ویدئوهای این بخش در شکل های زیر نشان داده شده است

 

 

 

 

داده ها

در این محصول آموزشی از تصاویر ماهواره ای سنتینل 2 (Sentinel-2)، سنتینل 1 (Sentinel-1) و تصاویر هوایی NAIP استفاده شده است.

سنتینل-2 توسط سازمان فضایی اروپا پرتاب شده است و مأموریت آن شامل تصویربرداری با طیف گسترده، با وضوح بالا و پشتیبانی از مطالعات زمین، از جمله بررسی پوشش گیاهی، پوشش خاک و آب و همچنین مشاهده آبراه های داخلی و مناطق ساحلی است. داده سنتینل 2 حاوی 13 باند طیفی است که شامل باندهایی با رزولوشن ها 10، 20 و 60 متر است. علاوه بر این، سه باند QA در آنجا حضور دارند که یک (QA60) باند بیت ماسک با اطلاعات ماسک ابر است.

سنتینل-1 یک ماهواره راداری SAR است که داده ها را در باند C جمع­ آوری می­ کند. این مجموعه شامل تمام صحنه های GRD است. هر صحنه یکی از 3 وضوح تصویر (10 ، 25 یا 40 متر) و 4 ترکیب باند (مربوط به قطبش صحنه) را دارد. هر صحنه بسته به تنظیمات قطبش، دارای ترکیبات ممکن تک باند VV یا HH و باند دوتایی VV + VH و HH + HV است.

طی برنامه ملی تصویر برداری کشاورزی (NAIP) در فصل های رشد کشاورزی در ایالات متحده آمریکا، تصویربرداری هوایی انجام می­ شود. تصاویر NAIP دارای رزولوشن مکانی با قدرت تفکیک 1 متر هستند. تصاویر قدیمی تر با استفاده از 3 باند (قرمز، سبز و آبی: RGB) وجود دارند، اما تصاویر جدیدتر معمولاً علاوه بر باندهای RGB دارای یک باند نزدیک مادون قرمز (NIR) هستند.

0/5 (0 نظر)

محصولات مرتبط :

آموزش های رایگان پیشنهادی :

نتیجه‌ای پیدا نشد.

20 دیدگاه. ارسال دیدگاه جدید

  • جعفر بطحایی
    1400-08-06 12:57 ق.ظ

    سلام وقت بخیر.
    در فایل آموزشی پردازش تصویر تصاویر ماهواره ای با متلب به جز فایل ویدئو ها، بقیه فایلها در دسترس نیستند. لطفا بررسی نمائید. با تشکر

    پاسخ
  • سلام ببخشید پیشنیاز این آموزش چیست؟

    پاسخ
    • Mohammad Kakooei
      1400-09-07 10:13 ب.ظ

      سلام
      پیش نیاز خاصی نداره
      بسته جامع آموزش متلب هست و از بحث های مقدماتی شروع میشه و تا الگوریتم های یادگیری ماشین را شامل می شود.
      اگر آشنایی مقدماتی با متلب ندارید، به همین ترتیبی که در آموزش تدریس شده است مباحث را پیگیری کنید.

      پاسخ
  • عبدالرضا انصاری
    1400-09-17 4:32 ب.ظ

    با سلام
    و تشکر از زحمات بیدریغ آکادمی و محصولات بسیار مفیدی که برای جامعه ی سنجش از دور ایران تهیه می فرمایید، می خواستم بببینم برتری زبان MATLAB در حوزه ی پردازش تصویر نسبت به
    نرم افزارهای این حوزه در چیست؟ با تشکر از شما.

    پاسخ
  • علیرضا
    1400-11-19 1:49 ب.ظ

    سلام وقت همگی بخیر
    میخواستم ببینم این دوره برای کاربرد سنجش از دور در کشاورزی دقیق بهتره یا دوره پایتون که گذاشتین؟ برای هردو نیاز به پردازش تصاویر ماهواره ای هست
    و هردو به نظرم جامع هستن و نمیتونم انتخاب کنم بینشون
    لطفاً راهنمایی کنید

    پاسخ
    • Mohammad Kakooei
      1400-11-19 10:26 ب.ظ

      سلام
      نمیدونم منظور شما از دوره پایتون، کدام دوره است.
      با این حال، اگر به برنامه نویسی متلب نیاز دارید، این دوره را تهیه کنید ولی اگر هنوز وارد بحث برنامه نویسی نشده اید و تازه میخواهید زبان برنامه نویسی را انتخاب کنید، بهتر است از دوره های گوگل ارث انجین (جاوا اسکریپت) یا پایتون (دوره مد نظر شما) استفاده کنید.
      موفق باشید

      پاسخ
  • یاسر طهماسبی بیرگانی
    1400-12-14 6:30 ق.ظ

    سلام من این آموزش رو تهیه کردم اما تنها 3 فایل در بخش دانلودها برای من گذاشته شده. آیا درسته؟ بنظرم ناقصه. لطفا بررسی کتید
    ممنون

    پاسخ
    • با عرض سلام
      ما دو تا آموزش متلب داریم. شما اون یکی رو تهیه کردید. بله درسته و مشکلی نیست. شامل 3 فایل ویدئویی میشه.
      موفق باشید

      پاسخ
  • محمد صالحی
    1400-12-27 12:58 ق.ظ

    با سلام و احترام
    در این پکیج اموزشی نحوه باز کردن یا فراخوانی کردن تصاویر فراطیفی مانند هایپرون هم توضیح داده شده؟ به طوری که بتوان به باند های تصویر و اطلاعات آن دسترسی پیدا کرد؟ یا فقط تصاویری که معرفی کرده اید را می توان با اموزش این پکیج باز و پردازش کرد؟
    اگر این امکان وجود ندارد لطفا منبعی در این بابت معرفی نمایید.
    با تشکر

    پاسخ
    • Mohammad Kakooei
      1400-12-27 11:46 ب.ظ

      سلام
      در اینجا با فایل تصاویری کار شده که دارای فرمت GeoTiff هستند. اگر فایل ورودی شما GeoTiff باشد فرقی نمیکند که کدام ماهواره است یا تعداد باند آن چندتاست.
      موفق باشید

      پاسخ
  • سلام وقت بخیر
    من می خواستم یه سری شاخص پوشش گیاهی رو روی تصویرم اعمال کنم و از هر کدوم از شاخص ها به صورت فایل تیف خروجی بگیرم ودر نرم افزار انوی باز کنم و پردازش کنم .
    چه جوری می تونم این کار رو انجام بدم؟ ممنون میشم راهنماییم کنین.

    پاسخ
    • Mohammad Kakooei
      1401-01-26 4:37 ب.ظ

      سلام
      خواندن تصاویر GeoTiff، ذخیره آن ها و محاسبه شاخص جزو سرفصل های آموزش بخش مقدماتی است. در کدام قسمت آموزش دچار اشکال هستید و با چه خطایی مواجه میشوید؟

      پاسخ
  • سلام طبقه بندی به روش CNN هم شامل این اموزش هست؟

    پاسخ
    • Mohammad Kakooei
      1401-06-26 5:35 ب.ظ

      سلام
      خیر، مبحث یادگیری عمیق در این آموزش وجود ندارد. سرفصل های طبقه بندی در این آموزش شامل طبقه بندی درختی، طبقه بندی ماشین بردار پشتیبان SVM، طبقه بندی بیزین، طبقه بندی KNN، طبقه بندی LDA و طبقه بندی Ensemble میشود.
      موفق باشید

      پاسخ
  • صدیقه امامی
    1401-07-05 6:35 ب.ظ

    سلام وقت بخیر
    آموزش جامع پردازش تصویر با متلب شبکه عصبی CNN رو هم شامل میشه؟

    پاسخ
    • Mohammad Kakooei
      1401-07-08 3:21 ب.ظ

      سلام
      خیر، مبحث یادگیری عمیق در این آموزش وجود ندارد.
      موفق باشید

      پاسخ

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.