این مقاله انگلیسی ISI در نشریه الزویر در 10 صفحه در سال 2020 منتشر شده و ترجمه آن 18 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

نوشته دانلود ترجمه مقاله تشخیص حرکت دست با استفاده از تکنیک های پردازش تصویر (ساینس دایرکت – الزویر 2020) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	2016
تعداد صفحات مقاله انگلیسی	23 صفحه با فرمت pdf
رشته های مرتبط با این مقاله	پزشکی
گرایش های مرتبط با این مقاله	آسیب شناسی، مغز و اعصاب و مهندسی بافت
مجله	محاسبات عصبی – Neurocomputing
دانشگاه	دانشکده برق و کامپیوتر دانشگاه شیراز، ایران
کلمات کلیدی	پردازش تصویر پزشکی، تشخیص تومور، الگوهای دوتایی موضعی، هیستوگرام گرادیان چرخشی، تصاویر MRI
شناسه شاپا یا ISSN	ISSN 2016.09.051
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده
1- مقدمه
2- مواد و روش ها
2-1- پیش پردازش
2-2- خوشه بندی
2-3- استخراج ویژگی
2-4- طبقه بندی
3- نتایج
4- بحث
5- نتیجه گیری

• بخشی از ترجمه:

5- نتیجه گیری
ما در این مقاله یک چارچوب را برای قطعه بندی تصاویر MRI توموری پیشنهاد کردیم. در اولین گام، از تصحیح میدان تأثیر برای افزایش کنتراست تصویر ورودی استفاده شد. سپس برازش هیستوگرام به کار رفت. در مرحله دوم، به منظور کاهش پیچیدگی زمانی و مکانی به ویژه در مرحله استخراج ویژگی، از الگوریتم آستانه گذاری اتسوی چندسطحی استفاده شد. با توجه به تعداد کثیر داده ها در تصویربرداری سه بعدی، استفاده از الگوریتم اتسوی چندسطحی حجم داده ها را کاهش میدهد. این تصاویر نامتعادل هستند و لذا اعمال این الگوریتم خوشه بندی، انتخاب توزیع متعادل تری از داده های فراگیری را به دنبال دارد.
در مرحله سوم یعنی مرحله استخراج ویژگی، الگوهای دوتایی موضعی (LBP-TOP) در سه صفحه متعامد و هیستوگرام توسعه یافته از گرادیان های چرخشی برای تصاویر سه بعدی به کار گرفته شدند. علاوه بر سادگی، برخورداری از قابلیت بزرگ تمایز در تصاویر بافت از مزایای این ویژگی هاست.

• بخشی از مقاله انگلیسی:

5. Conclusion and Future Work

In this paper we proposed a framework to segment tumorous MRI images. In the first step bias field correction is used to increase the contrast of the input image. Then histogram matching is used. In the second step, in order to reduce the time and space complexity especially in the feature extraction phase of the algorithm, the multi-level Otsu thresholding algorithm is used. Given to the large number of data in 3D imaging, using multi-level Otsu algorithm reduces the volume of the data. These images are imbalanced; applying this clustering algorithm selects more balanced distribution of data for training. The third step, the feature extraction step, the local binary patterns (LBP-TOP) in three orthogonal planes and extended histogram of orientation gradients for 3D images (HOG-TOP) are used. The advantage of these features besides their simplicity is that they have a great discrimination capability for tissue images.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله کاربرد الگوهای دوتایی موضعی در شناسایی تومور مغز در تصاویر MRI – الزویر 2016 اولین بار در ترجمه فا پدیدار شد.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	2014
تعداد صفحات مقاله انگلیسی	7 صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	مهندسی نرم افزار
چاپ شده در مجله (ژورنال)	مجله بین المللی الکترونیک و ارتباطات (AEU)
کلمات کلیدی	منطق فازی، هیستوگرام، تصاویر رنگی، گروه بندی سطح خاکستری، بهبود کنتراست
ارائه شده از دانشگاه	دانشکده علوم و فناوری اطلاعات، دانشگاه کانور، مننگتپارامبا، هند
نویسندگان	G. Raju, Madhu S. Nair
شناسه شاپا یا ISSN	ISSN 1434-8411
شناسه دیجیتال – doi	https://doi.org/10.1016/j.aeue.2013.08.015
رفرنس	دارد ✓
کد محصول	9350
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

نوشته دانلود ترجمه مقاله بهبود کارآمد تصویر رنگی مبتنی بر منطق فازی و هیستوگرام – الزویر 2014 اولین بار در ترجمه فا پدیدار شد.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	2009
تعداد صفحات مقاله انگلیسی	8 صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	مهندسی نرم افزار و مهندسی الگوریتم ها و محاسبات
مجله	محاسبات چشم انداز و تصویر – Image and Vision Computing
دانشگاه	گروه علوم اطلاعات، موسسه ملی فناوری Taichung، تایوان
کلمات کلیدی	بازیابی تصویر، رنگ، بافت، هم رخدادی، موتیف، انتخاب خصیصه
شناسه شاپا یا ISSN	ISSN 0262-8856
رفرنس	دارد ✓
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده

1 مقدمه

2 خصیصه های پیشنهادی

2-1 ماتریس هم رخداد رنگ (CCM)

2-3 هیستوگرام رنگ برای k-mean (CHKM)

3 سیستم بازیابی تصویر

4 انتخاب خصیصه

5 آزمایشها

1-5 کارایی سیستم CTCHIRS روی مجموعه تصویر 1

2-5 کارایی سیستم CTCHIRS روی مجموعه تصویر 2

3-5 کارایی سیستم CTCHIRS روی مجموعه تصویر 3

4-5 کارایی انتخاب خصیصه

6 نتیجه گیری

• بخشی از ترجمه:

6 نتیجه گیری

در این مقاله، سه خصیصه تصویر به نامهای CCM، DBPSP و CHKM برای مشخص سازی تصویر رنگی برای بازیابی تصویر ارائه شده است. CCM و DBPSP می تواند به طور موثری توزیع بافت را توصیف کند و CHKM خصیصه های رنگ پیکسهای با رنگهای مشابه در یک تصویر را توصیف می کند. CHKM با جابجایی و چرخش تصویر مورد تاثیر قرار نمی گیرد و همچنین در مقابل تغییرات مرتبط به نویز مقاومت می کند. چون این خصیصه ها می تواند خصوصیات مختلف تصویر را توصیف کند، این مقاله سه خصیصه را جمع کرده تا سیستم CTCHIRS را به وجود آورد. علاوه بر این، این مطالعه، از انتخاب پی در پی رو به جلو SFS برای انتخاب خصیصه های با قابلیت تمیز دادن بالاتر برای بازیابی تصویر و غلبه بر مشکل خصیصه های بیش از حد استفاده کرده است.

نتایج آزمایش نشان می دهد که در بیشتر موارد، سیستم پیشنهادی می تواند به طور قابل توجهی بهتر از روشهای هوانگ و جوانور عمل کند. به علاوه با استفاده از انتخاب خصیصه، محاسبۀ بازیابی تصویر از هر نوع پایگاه دادۀ تصویر می تواند بسیار کم شود. در نتیجه سرعت بازیابی می تواند افزایش پیدا کند. برای پایگاه داده های خاص کارایی تشخیص نیز می تواند افزایش یابد.

سیستم پیشنهادی بازیابی تصویر یک نرخ بالای تشخیص هنگامی که به پایگاه داده  های گوناگون به کار می رود دارد. ولی چند خصیصه تصویر لازم است تا به نرخ بالای تشخیص دست یابیم. با استفاده از انتخاب خصیصه، تعداد خصیصه های مورد نیاز بسیار کاهش یافته و هنوز نرخ تشخیص بالاتری می تواند به دست آید.

• بخشی از مقاله انگلیسی:

6. Conclusions

In this paper, three image features, namely CCM, DBPSP, and CHKM, are presented to characterize a color image for image retrieval. CCM and DBPSP can effectively describe texture distribution, while CHKM can describe color features of the pixels with similar colors in an image. CHKM is not affected by image displacement and rotation and also able to resist noise-induced variations. Since these features can describe different properties of an image, this paper integrates the three features to develop the CTCHIRS system. Besides, this study further uses sequential forward selection (SFS) to select features with better discriminability for image retrieval and overcome the problem of excessive features. The experimental results indicate that, in most cases, the proposed system can significantly outperform Huang’s and Jhanwar’s methods. Moreover, through feature selection, computation of image retrieval from any type of image databases can be effectively reduced. As a result, the retrieval speed can be increased. For specific image databases, the detection efficiency can also be enhanced. The proposed image retrieval system has a high detection rate when applied to various image databases. However, multiple image features are required to achieve a high detection rate. Through feature selection, the number of features required has been significantly reduced, and a high detection rate can still be obtained.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

نوشته دانلود ترجمه مقاله سیستم هوشمند بازیابی تصویر بر اساس ویژگی رنگ و بافت – الزویر 2009 اولین بار در ترجمه فا پدیدار شد.

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” Means-K و تقسیم بندی تصاویر MR از مغز  ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
1.معرفی
2 . روش ها و مواد ها
3. مباحث و نتایج
4.نتیجه گیری

• بخشی از ترجمه:

نتیجه گیری
اثر FCM و Means-K ، با هیستوگرام اولیه ، روی کنتراست سطح 1TتصاویرMRورمGBMتحلیل شده بود . FCM می تواند 2 بافت کلاس و پس زمینه را شناسایی کند . GM شامل CSF وتمرکز نکروتیک یک کلاس و WM و ورم در بقیه نقاط مرکز است . FCM سه خوشه خالی را در اولین تست دو تصویر و درآخرین تست یک تصویر تولید می کند . Means-K می تواند CSF ، GM ، WM ، نکروتیک ورم وناحیه پس زمینه را شناسایی می کند . اما ، بخش های خاصی از WM با افزایش ورم وبالعکس خوشه بندی می شوند.تداخل صداهابین CSF ، نکروزی و GM نیز است . این اتفاق ویژگی های شدت ورم و بخش های خاصی از WM رابه طورکامل مساوی هم قرار می دهد . به ظور مشابه،بخش های خاصی ازCSF،GMونکروزی درویژگی های شدت همگن به اشتراک گذاشته می شود . به طور کامل GBM ، به صورت خودکار بخش بندی شده ، از این رو شدت پیچیدگی مبتنی بر بخش بندی تصاویر MR ورم پیچیده GBM نخواهد بود .

• بخشی از مقاله انگلیسی:

4. Conclusion

The efficacy of FCM and k-Means, with histogram guided initialization,was analyzed on T1 contrast axial plane MRimages of GBM-edema complex. FCM could identify two tissueclasses and background. It merged GM, CSF and necroticfocus into one class and WM and perifocal edema intoanother. FCM produced three empty clusters in first two testimages and two in the last one. k-Means could identify CSF,GM, WM, necrosis, edema and background region. But, certainparts of the WM were clustered with enhancing edemaand vice versa. This cross talk occurs between CSF, necrosisand GM also. This happens as the intensity features of theedema and certain parts of WM are perfectly equal.Similarly, certain parts of CSF, GM and necrosis also shareshomogenous intensity features. Fully automated segmentationof GBM, hence would be intricate and intensity based segmentationwould not be viable for MR images of GBM-edemacomplex.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله Means-K و تقسیم بندی تصاویر MR از مغز – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” بازیابی تصویر بر اساس منطقه با DCT سازگار با شکل ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
1.مقدمه
2. بازیابی تصویر مبتنی بر محتوا با استفاده از تبدیل DCT و هیستوگرام الگوهای آن
2.1 الگوی AC و هیستوگرام آن
2.2 الگوی DC و هیستوگرام آن
2.3 توصیف گر خصیصه و سنجش شباهت
3. حکم مسئله ای و کارهای مربوطه
3.1 روش مبتنی بر برون یابی
3.3 بازیابی تصویر مبتنی بر منطقه با استفاده از DCT سازگار با شکل
3.3 قطعه سازی تصویر
3.4 تبدیل سازگار با شکل
4.نتایج آزمایشی
4.1 پایگاه های داده های آزمایشی
4.2 ارزیابی عملکرد
4.3 نتایج با پایگاه های داده 1000- Corel و 256 Caltech
4.4 نتایج با پایگاه داده صورت GTF
4.5 ارزیابی نیرومندی
4.6 هزینه محاسباتی
5.نتیجه گیری

• بخشی از ترجمه:

5.نتیجه گیری
بر مبنای تکنیک های CBIR متداول در حوزه ی DCT ،یک سیستم RBIR جدید مبتنی بر SD-DCT برای بهبود دقت بازیابی پیشنهاد میشود.در نتیجه، فرد میتواند یک منطقه را بدون ارجاع به اطلاعات در مورد مناطق دیگر تصویر، بازیابی نماید.به طور واضح، این عمل اجازه میدهد عملیاتهای جالبی همانند جستجوی مبتنی بر شی صورت گیرد.چون یک محاسبه ی خودکار از شی با مفهوم به لحاظ معنایی ،به شدت دشوار است، رویکرد ما، با بکارگیری یک قطعه سازی قبلی، میتواند قطعه سازی را به عملکرد پیچیده سطح بالا و ضرورتا الگوریتم های فشرده ی CPU محول نماید که میتواند به طور آفلاین اجرا شود.روش پیشنهاد شده دارای قدرت کسب هم ویژگیهای موضعی و هم ویژگی های سراسری است و هم از خصوصیات معنایی و هم خصوصیات سطح پایین استفاده میکند.آزمایشات تجربی بیانگر صحت و بازده است و یک سازگاری بین نسبت بازیابی بالا و پیچیدگی پایین وجود دارد.در آینده، ما تکنیک خود را برای تصاویری ارتقا خواهیم داد که دارای بیش از دو منطقه (شی) هستند.با ساخت شاخص اهمیت منطق [13] این شاخص اثر مخرب قطعه سازی نادرست را کاهش خواهد داد.

• بخشی از مقاله انگلیسی:

5 Conclusion

Based on the conventional CBIR techniques in DCT domain, a new RBIR system based on SA-DCT is proposed to improve the retrieval accuracy. Consequently, one can retrieve a region without reference to information about other regions of the image. Clearly, this permits interesting operations such as object-based querying. Since an automatic computation of semantically meaningful object is extremely difficult, our approach, by exploiting a prior segmentation, can delegate the segmentation to sophisticated, high performance, and necessarily CPU-intensive algorithms that can be executed off-line. The proposed method has the power of capturing both local features and global features, and making use of both semantic features and low level features. The experimental results indicate its correctness and efficiency, and a compromise between high retrieval ratio and less complexity. In the future, we will enhance our technique for images which have more than two regions (objects). By constructing region importance index [13], this will reduces the adverse effect of inaccurate segmentation.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله بازیابی تصویر بر اساس منطقه با DCT سازگار با شکل – نشریه اسپرینگر اولین بار در ترجمه فا پدیدار شد.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	2011
تعداد صفحات مقاله انگلیسی	11 صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	مهندسی نرم افزار، برنامه نویسی کامپیوتر و مهندسی الگوریتم ها و محاسبات
مجله	نتایج بدست آمده در حوزه پردازش تصویر
دانشگاه	علوم طبیعی و شورای تحقیقات مهندسی کانادا
کلمات کلیدی	بهبود کنتراست، محدوده دینامیکی، تعدیل هیستوگرام، برنامه نویسی خطی، تولید مجدد (بازساخت) تن
شناسه شاپا یا ISSN	ISSN 1941-0042
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکیده
I مقدمه
II.. کنتراست و تن
III . بهینه سازی کنتراست- تن با برنامه نویسی خطی
IV. تنظیم دقیق اثرات جانبی
V. نتایج تجربی
VI. جمع بندی

• بخشی از ترجمه:

V. نتایج تجربی
شکلهای 1 تا 4، نشان دهنده برخی نمونه های تصویری هستند که توسط تکنیک OCTM بهبود یافته اند و با ان تصاویری که توسط تعدیل هیستوگرام (HE)معمولی تولید شده اند، مقایسه شده اند. برای نمایش دادن رفتارهای متفاوت هر دو تکنیک در آمار مختلف تصویر ، تابع انتقال هر دو تکنیک بهبود، نیز همراه با هیستوگرامهای ورودی مربوطه ترسیم شده اند. در تصویر ساحل ( شکل 1) ، خروجی حاصل از تعدیل هیستوگرام در نمای کلی تاریک گرفته شده است، زیرا هیستوگرام اصلی , به سمت محدوده روشن متمایل شده است. اما روش OCTM، تصویر اصلی را بدون ایجاد انحرافات غیر قابل قبول در شدت متوسط، بهبود میدهد. این، تا حدی ، به دلیل محدودیت در برنامه نویسی خطی است، که تفاوت نسبی ( در این مثال) بین شدتهای متوسط تصاویر ورودی و خروجی را محدود میکند. شکل 2، نتایج تعدیل هیستوگرام و روش OCTM را در هنگامی که این روشها برای یک تصویر پرتره مشترک بکار گرفته میشوند، نشان میدهد. در این مثال، روش تعدیل هیستوگرام ، تصویر اصلی را بیش از حد در معرض نور قرار میدهد، که همانند تصویر ساحل، باعث ایجاد اثرات نامطلوب میشود، در حالیکه روش OCTM در همان زمان، به کنتراست بالا، پیوستگی تن و اعوجاج کوچک در شدت متوسط دست می یابد.

• بخشی از مقاله انگلیسی:

V. EXPERIMENTAL RESULTS

Figs. 1–4 present some sample images that are enhanced by the OCTM technique in comparison with those produced by conventional histogram equalization (HE). The transfer functions of both enhancement techniques are also plotted in accompany with the corresponding input histograms to show different behaviors of the two techniques in different image statistics. In image Beach (Fig. 1), the output of histogram equalization is too dark in overall appearance because the original histogram is skewed toward the bright range. But the OCTM method enhances the original image without introducing unacceptable distortion in average intensity. This is partially because of the constraint in linear programming that bounds the relative difference ( % in this instance) between the average intensities of the input and output images.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود مقاله ترجمه شده متد برنامه نویسی خطی جهت نگاشت کنتراست تن – مجله IEEE اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
1. مقدمه
2. تحقیقات مرتبط
3. اصل شناسایی و تشخیص خودرو
4. شناسایی خودرو
4-1: ویژگی Haar – like
4-2: الگوریتم آدابوست
4-3: شناسایی خودرو
5. تشخیص خودرو
5-1: تبدیل موجک گابور
5-2: الگوی دودویی گابور محلی (LGBP) و دنباله هیستوگرام
5-3: کاهش ابعاد ویژگی با استفاده از PCA
6. ارزیابی های تجربی
6-1: نتایج شناسایی خودرو
6-2: نتیجه تشخیص خودرو
7. نتیجه گیری

• بخشی از ترجمه:

7. نتیجه گیری
شناسایی و تشخیص دقیق و قوی خودرو هنوز یک کار چالش برانگیز در زمینه سیستم های نظارت هوشمند حمل ونقل می باشد. در این مقاله، ما یک مجموعه از طبقه بندی های قوی براساس ویژگی های تصاویر خودرو به منظور استفاده برای شناسایی خودرو در تصاویر آنلاین از صحنه جاده ارائه کردیم. سپس، ویژگی های Haar – like و الگوریتم آدابوست را برای ایجاد طبقه بندی جهت شناسایی خودرو، که مجزا از تحقیقات قبلی منتشرشده در شناسایی خودرو می باشد، بکار بردیم. پس ازآن، تقاطع هیستوگرام برای اندازه گیری تشابه دنباله هیستوگرام LGBP مختلف بکار برده شد، و نزدیک ترین همسایه از فاصله اقلیدسی برای طبقه بندی نهایی، که به طور چشمگیری به تغییرات ظاهری ناشی ازروشنایی یا موقعیت خودرو غیرحساس می باشد، بهره گرفتیم. ما این روش را برروی مجموعه داده های واقعی بیش از 800 تصویر از جلو ماشین ها که برای شناسایی خودرو بکار می روند، امتحان کردیم؛ که منجربه دستیابی به دقت بالای 97.3% شد. بیش از 7 نوع از خودروها با 227 تصویر در آزمایش ما تست شدند. نرخ تشخیص بیش از 92% بود و زمان پردازش سریع بیش از سطح میانگین روش های شناخت خودروی کنونی بود. با این حال، تصاویر مورداستفاده درطی روز گرفته شده بود، بنابراین تلاش های آینده ما بر شناسایی و تشخیص خودروها درطی شب، که با فناوری موجود مسئله بسیار دشواری برای حل¬کردن می باشد، متمرکز خواهدبود.

• بخشی از مقاله انگلیسی:

7 Conclusion

Accurate and robust vehicle detection and the recognition still a challenging task in the field of intelligent transportation surveillance systems. In this paper, we presented a cascade of boosted classifiers based on the characteristics of the vehicle images to be used for vehicle detection in on-road scene images. Then, Haar-like features and an AdaBoost algorithm were used to construct the classifier for the vehicle detection, which is distinct from previous research published on vehicle detection. Next, the histogram intersection was used to measure the similarity of different LGBP Histogram Sequence, and the nearest neighborhood of the Euclidean distance was exploited for final classification, which is impressively insensitive to appearance variations due to lighting or vehicle pose. We have tested this method on a realistic data set of over 800 frontal images of cars that were used for vehicle detection, which achieved a high accuracy of 97.3 %. Over seven types of vehicle with 227 images were tested in our experiment. The recognition rate was over 92 %, with a fast processing time, which is over the average levels of current vehicle recognition methods. However, the images we used were captured during the day, so our future efforts will be focused on detecting and recognizing vehicles during the night, which is very difficult problem to solve with existing technology.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله تشخیص خودرو جهت سیستم هوشمند نظارت ترافیک – نشریه اسپرینگر اولین بار در ترجمه فا پدیدار شد.