بالاترین کیفیت
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:
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.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.