پاورپوینت فیلترهای گابور

توجه : این پروژه به صورت فایل power point (پاور پوینت) ارائه میگردد

  پاورپوینت فیلترهای گابور دارای ۱۹ اسلاید می باشد و دارای تنظیمات کامل در Power Point می باشد و آماده پرینت یا چاپ است

فایل پاور پوینت پاورپوینت فیلترهای گابور  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

لطفا به نکات زیر در هنگام خرید

دانلود پاورپوینت فیلترهای گابور

توجه فرمایید.

۱-در این مطلب، متن اسلاید های اولیه 

دانلود پاورپوینت فیلترهای گابور

قرار داده شده است

۲-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید

۳-پس از پرداخت هزینه ، حداکثر طی ۱۲ ساعت پاورپوینت خرید شده ، به ادرس ایمیل شما ارسال خواهد شد

۴-در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد

۵-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار داده نشده است

بخشی از متن پاورپوینت فیلترهای گابور :

اسلاید ۱ :

• اغلب تحقیقات انجام شده در زمینه تعیین هویت نویسنده بر روی زبان انگلیسی متمرکز بوده و تاکنون مطالعاتی در زمینه متون دستنویس فارسی گزارش نشده است. بنابراین در این مقاله روشی برای تعیین هویت نویسنده بر اساس متن دست نویس فارسی پیشنهاد شده که به صورت برون خط و مستقل از متن انجام می شود. بر اساس ایده مطرح شده در مطالعات قبلی، در روش پیشنهادی تصویر متن دست نویس به صورت یک بافت در نظر گرفته شده و پس از مرحله نرمال سازی، با کمک فیلترهای گابور ویژگی های متن استخراج می شود. ویژگی روش پیشنهادی استفاده از بانک فیلتری است که با ساختار متون دستنویس فارسی و همچنین سیستم بینایی تناسب بیشتری دارد. علاوه بر این روش جدیدی جهت استخراج ویژگیها از خروجی فیلترهای گابور پیشنهاد شده که مبتنی بر ویژگی انرژی گابور و گشتاورهای هندسی است.

اسلاید ۲ :

• ۱- روشهای برون خط (off line): در این روشها فقط تصویر متن دستنویس در دسترس است و ویژگیها با توجه به کل تصویر یا ساختار کلمه ها و نویسه ها استخراج می شوند. در این روشها بسیاری از اطلاعات دینامیکی که مربوط به طرز نوشتن افراد است، از دست می رود و این امر کار را نسبت به روشهای برخط مشکلتر می سازد. روشهای برون خط را می توان به دو گروه کلی وابسته به متن و مستقل از متن نیز دسته بندی کرد. در روشهای وابسته به متن، باید متن ثابتی توسط نویسنده نوشته شود تا بتوان هویت وی را مشخص نمود اما در روشهای مستقل از متن، با استفاده از هر نوع متنی هویت نویسنده آن مشخص می گردد.
• ۲- روشهای برخط (on line): در این روشها علاوه بر ویژگیهای برون خط از اطلاعات دینامیکی مثل فشار قلم، ترتیب نوشتن، سرعت نوشتن، فرم ضربه های قلم و غیره نیز استفاده می شود. بنابراین بدلیل داشتن اطلاعات بیشتر، تعیین هویت با دقت بیشتری انجام می شود اما این روشها کاربردهای محدودتری را شامل می شوند.

اسلاید ۳ :

۲- روش پیشنهادی

• در این روش از ایده مطرح شده در [۸] استفاده شده و تصویر متن دست نویس بصورت یک بافت در نظر گرفته شده است. برای این منظور ابتدا مراحل نرمال سازی بر روی تصویر متن انجام شده و سپس ویژگیهای متن به کمک بانکی از فیلترهای گابور استخراج می شوند. با کمک این ویژگیها و یک طبقه بندی کننده هویت متن دست نویس ورودی تعیین می گردد. در ادامه به شرح هر یک از این مراحل خواهیم پرداخت.

  ۲-۱- نرمال سازی تصویر

  • روشهای تحلیل بافت را نمی توان مستقیماً برای تصویر متن دست نویس به کار گرفت و ابتدا باید تصویر را نسبت به تأثیر عواملی مثل فاصله خطوط، کلمات و غیره نرمال سازی نمود تا بلوکی یکنواخت از متن دست نویس مورد نظر حاصل شود. مراحل نرمال سازی تصویر متن عبارتند از:

اسلاید ۴ :

• (الف) به منظور استخراج خطوط و کلمات موجود در متن، معمولاً از منحنی نمای نیم رخ تصویر باینری استفاده می شود [۹]. در این مقاله ما نسخه ای تغییر یافته از این الگوریتم که برای تصاویر سطوح خاکستری پیشنهاد شده [۱۰]، را استفاده نموده ایم. ابتدا نمای نیم رخ افقی تصویر محاسبه شده و سپس با یک فیلتر پایین گذر گاسین هموارسازی می شود. هموارسازی ماکزیمم های محلی را حذف نموده و حساسیت به نویز را کاهش می دهد. در شکل ۱ تصویر متن دستنویس، منحنی نیم رخ افقی و منحنی هموارسازی شده متناظر با آن را مشاهده می کنیم. در این منحنی قله ها متناظر با فاصله بین خطوط و دره ها متناظر با مرکز خطوط متن هستند که برای یافتن قله ها یا خطوط در متن می توان نقاط صفر در مشتق منحنی را محاسبه نمود. به دلیل خطی بودن کانولوشن، هموارسازی و مشتق گیری را می توان در یک مرحله انجام داد. پس برای یافتن خطوط متن کافی است منحنی نمای نیم رخ افقی را با مشتق تابع گاسین فیلتر نماییم.

اسلاید ۵ :

• (ب) هر یک از خطوط متن که در مرحله قبل پیدا شدند، باینری شده و سپس نمای نیم رخ عمودی مربوط به آن محاسبه می شود. با کمک این منحنی فاصله های بین کلمات را پیدا می کنیم و فاصله هایی که اندازه آنها از ۵ نقطه بیشتر باشد را با مقدار ۵ نقطه نرمال می کنیم. بنابراین فاصله کلمات حداکثر ۵ نقطه خواهد بود و فاصله های کمتر از ۵ نقطه نیز بعنوان فاصله های بین حروف در نظر گرفته می شوند. همچنین در صورتی که انتهای خط خالی باشد، با تکرار مجدد آنرا به حدی پر می کنیم که طول خط به اندازه مشخصی (در این مقاله ۲۵۶ نقطه) برسد. فاصله بین خطوط متن را نیز با مقدار مشخصی تنظیم می کنیم. مرحله نرمال سازی فاصله بین کلمات، فاصله بین خطوط و پر کردن خطوط در شکل ۲-الف ارایه شده است.
• (ج) در صورت خالی بودن بخش انتهایی تصویر، آنرا با تکرار مجدد خطوط ابتدایی تصویر به نحوی پر می کنیم که طول تصویر به اندازه مشخصی (در این مقاله ۳۸۴ نقطه) برسد. در شکل ۲-ب تصویر نرمال سازی شده نهایی ارایه شده است.

اسلاید ۶ :

۲-۲-۱- استخراج ویژگی روش پیشنهادی

• تحقیقات علم فیزیولوژی نشان می دهد که پردازش اطلاعات تصویری در سیستم بینایی، توسط مجموعه ای از مکانیسم های موازی به نام کانالها انجام می شود به طوریکه هر کانال برای یک باند فرکانسی کم پهنا و با جهت مشخص تنظیم می گردد. به لحاظ ریاضی هر یک از این کانالها با یک جفت فیلتر میان گذر گابور مدل سازی می شوند. ما در روش پیشنهادی از فیلترهای گابور چند کانالی که در [۱۳] معرفی شده اند، استفاده کرده ایم. ویژگی این فیلترها در نظرگرفتن یافته های تجربی در طراحی آنهاست و با رابطه زیر تعریف می شوند:

اسلاید ۷ :

۲-۲-۲- انرژی گابور

• انرژی گابور بعنوان یک ویژگی مفید در روشهای مبتنی بر فیلترهای گابور مورد استفاده قرار می گیرد. همچنین فیلترهای گابور چند کانالی و ویژگی انرژی گابور در [۱۱]، برای تعیین نوع زبانِ متون چاپی به کار رفته اند. Zhu از انرژی گابور برای شناسایی نوع قلم در زبان انگلیسی و چینی استفاده کرد [۱۲]. در این مقاله مقدار انرژی گابور را برای بانک فیلتر طراحی شده محاسبه نموده و چون شکل هیستوگرام تصاویر پاسخ اغلب شبیه به یک تابع گاسین است [۱۱]، بنابراین میانگین و انحراف معیار هر ۲۴ تصویر انرژی گابور محاسبه شده و بردار ویژگی نهایی را تشکیل می دهند. برای هر تصویر بلوک ورودی یک بردار ویژگی ۴۸ تایی بدست خواهد آمد.

اسلاید ۸ :

۲-۲-۳- تبدیل فوریه انرژی گابور

• Tan [17] مجموعه ای از ویژگی هایی را پیشنهاد نمود که بر اساس تبدیل فوریه انرژی گابور محاسبه شه و نسبت به چرخش نیز حساس نمی باشند. با کمک این ویژگیها، نوع زبان در متون چاپی تشخیص داده می شود. در این روش ابتدا انرژی گابور محاسبه شده و سپس مقدار متوسط برای تصویر انرژی گابور با رابطه زیر محاسبه می گردد:

• تصویر انرژی گابور و مساحت تصویر انرژی گابور است. برای یک فرکانس ثابت         ، تبدیل فوریه          یا بسادگی        محاسبه شده و ضرایب فوریه به عنوان ویژگی بکار می روند.

اسلاید ۹ :

۲-۲-۶- روش Said

• در این مقاله ویژگی هایی که توسط Said [8] برای متون دستنویس انگلیسی پیشنهاد شده را نیز مورد بررسی قرار داده ایم. در این روش فیلترهای گابوری که در [۱۸] معرفی شده است، استفاده شده و هر کانال توسط یک جفت فیلتر گابور مدل سازی می شود. مقدار انرژی گابور به ازای چهار جهت ْ۰,۴۵,۹۰,۱۳۵ و چهار فرکانس f=32,16,8,4 محاسبه می شود و میانگین و انحراف معیار آن به عنوان ویژگی مورد استفاده قرار می گیرند.

  ۲-۲-۷- ماتریس هم وقوعی

  • ماتریس هم وقوعی به عنوان یک روش سنتی در بحث تحلیل بافت پیاده سازی شده و نتایج آن مورد بررسی قرار گرفته اند. ماتریس هم وقوعی بلوک مورد نظر به ازای چهار جهت ْ۰,۴۵,۹۰,۱۳۵ و چهار فاصله d=1,2,3,4 محاسبه شده و به دلیل باینری بودن تصاویر، یک ماتریس هم وقوعی ۲*۲ به ازای هر جهت و فاصله مشخص به دست می آید. به دلیل تقارن قطری، سه عنصر از چهار عنصر هر ماتریس به عنوان ویژگی در نظر گرفته می شود که در نهایت برای هر تصویر بلوک ورودی ۴۸ ویژگی بدست خواهد آمد.

اسلاید ۱۰ :

۲-۳- تعیین هویت نویسنده

• در مسئله تعیین هویت نویسنده، استفاده از روشهایی چون ماشین بردار پشتیبان یا شبکه های عصبی چند لایه چندان مناسب به نظر نمی رسد زیرا بار محاسباتی این روشها برای داده های واقعی توجیه پذیر نخواهد بود. بنابراین از فاصله اقلیدسی وزن دار و فاصله x2 جهت تعیین هویت استفاده نموده ایم. چون فاصله x2 دارای دقت بهتری بود، در این مقاله فقط نتایج مربوط به این طبقه بندی کننده ارائه می شوند. فاصله x2 برای ویژگی های دو متن مورد نظر با رابطه زیر تعریف می شود:

• در این رابطه fki ویژگی kام متن ورودی iام و mkj میانگین ویژگی kام نویسنده jام است که با استفاده از بلوکهای آموزشی مربوط به وی محاسبه می شود.