معرفی محصول
این محصول آموزشی به مبحث استخراج ویژگی های هندسی و تطبیق تصاویر ماهواره ای و سنجش از دور در نرم افزار متلب می پردازد.
استفاده از همبستگی متقابل، نیاز به استخراج ویژگی ندارد. اما این روش دارای پیچیدگی محاسباتی زیادی در تصاویر است. در پردازش تصویر، همبستگی متقابل اندازه گیری شباهت بین دو پنجره تصویر است که به صورت تابعی از جابجایی یکی نسبت به دیگری محاسبه می شود. این روش معمولاً برای جستجوی تصویر بزرگتر برای یک صحنه کوچکتر و شناخته شده استفاده می شود.
در یادگیری ماشین، شناسایی الگو و پردازش تصویر، استخراج ویژگی از مجموعه داده ها شامل مقادیری (ویژگی ها) است که حاوی اطلاعات و غیرتکرارشونده باشند. این ویژگی ها می توانند مراحل بعدی یادگیری و آموزش الگوریتم ها را تسهیل کنند. هنگامی که داده های ورودی به یک الگوریتم برای پردازش بیش از حد بزرگ است و احتمالا سیستم های کامپیوتری از عهده اجرای الگوریتم های آن برنیایند، آنگاه می توان آن را به مجموعه ویژگی های استخراجی تبدیل کرد.
در کاربردهای سنجش از دور، عملیات هندسی عمدتاً برای تطبیق تصاویر مختلف از صحنه به دست آمده توسط سیستم های حسگر مختلف یا در زمان های مختلف و یا از موقعیت های مختلف استفاده می شود. با تغییر دادن یک تابع چند جمله ای در نقاط کنترل زمین (GCP) می توان به یک مدل تغییر رسید. با توسعه سریع فناوری های هوش مصنوعی، انتخاب GCP تطبیق همزمان تصاویر تا حد زیادی بین تصاویر وضعیت روشنایی و باندهای طیفی / مکانی مشابه به صورت خودکار انجام می شود.
در اینجا از ویژگی های Harris، BRISK، FAST، SURF و.. برای محاسبه تابع تبدیل هندسی بین دو تصویر استفاده می شود. ابتدا این ویژگی ها در دو تصویر استخراج می شوند. سپس تطبیق بین ویژگی ها انجام می شود تا به صورت جفت ویژگی ها متناظر مشخص شوند. سپس تابع تبدیل بین دو تصویر محاسبه و به تصویر اعمال می شود.
ویژگی های محصول
- قیمت: 50000 تومان
- مدرس: دکتر محمد کاکوئی
- تخصص: برنامه نویسی، پردازش تصویر، هوش مصنوعی و سنجش از دور
- موضوع: آموزش استخراج ویژگی های هندسی و تطبیق تصاویر ماهواره ای و سنجش از دور در نرم افزار متلب
- نرم افزار: متلب
- مخاطب: علاقه مندان سنجش از دور در محیط متلب
- نوع آموزش: ویدیویی
- پاورپوینت: ندارد
- داده های تمرینی: دارد
- پیش نیاز: آموزش مقدماتی پردازش تصاویر ماهواره ای و سنجش از دور در نرم افزار متلب
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 کاربردهای سنجش از دور، عملیات هندسی عمدتاً برای تطبیق تصاویر مختلف از صحنه به دست آمده توسط سیستم های حسگر مختلف یا در زمان های مختلف و یا از موقعیت های مختلف استفاده می شود
عناوین آموزشی
- معرفی دوره
- فرخوانی تصویر، نمایش آن و مدیریت باندها
- مبانی استخراج ویژگی
- جستجوی template در تصویر با همبستگی متقابل
- ویژگی Harris در تصویر هوایی
- گسترش بررسی ویژگی Harris
- ویژگی BRISK، FAST، SURF و MSER
- استخراج و تطبیق ویژگی ها در تصویر سنتینل 2
معرفی نرم افزار
در این محصول، از نرم افزار متلب «MATLAB» استفاده شده است که دارای قابلیت بالایی در برنامه پذیری و پیاده سازی الگوریتم های پردازش تصویر است. متلب این یک زبان برنامه نویسی اختصاصی است که توسط MathWorks ساخته شده است و امکان کار با ماتریس ها و توابع، ترسیم داده ها و اجرای الگوریتم را فراهم می کند.
در MATLAB می توان:
- داده را تحلیل کرد
- الگوریتم ها را توسعه داد
- مدل های دلخواه را ایجاد کرد
همچنین، این نرم افزار دارای توابع تعریف شده زیادی در حوزه پردازش تصویر و یادگیری ماشین است که از جمله می توان به طبقه بندی تصویر، خوشه بندی تصویر، بهبود تصویر، کاهش نویز و تبدیل های هندسی تصویر اشاره کرد.
داده ها
در این محصول آموزشی از تصاویر ماهواره ای سنتینل 2 (Sentinel-2) 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.
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.
منطقه مورد مطالعه
تکنیک ارائه شده در این محصول آموزشی به هیچ مکانی محدود نبوده و برای تمامی نقاط دنیا قابل استفاده است.
کاربرد این محصول
تطبیق تصاویر سنجش از دور مسئله ای چالش برانگیز است، زیرا تغییر شکل های پیچیده در آنها متداول است. برای استفاده از تکنیک های تطبیق تصویر، ابتدا باید نقاط متناظر پیدا شوند. این نقاط به کمک یافتن ویژگی هایی هندسی متناظر در دو تصویر استخراج می شود. الگوریتم های فراوانی در این گروه قرار دارند که سریع و قابل اطمینان هستند. این نقاط در این آموزش استخراج می شوند و به ساخت تابع تبدیل بین دو تصویر کمک می کنند.
کاربردهای اصلی این محصول عبارتند از:
کالیبراسیون هندسی / تصحیح تصویر: اعوجاج ناشی از تصویربرداری را حذف کنید، یعنی تبدیل مختصات پیکسل غیر مستطیلی به مختصات مستطیلی تبدیل کنید.
انجام تطبیق بین تصاویر: از نظر هندسی دو تصویر را مطابقت دهید و یا تصویر را با نقشه مطابقت دهید. اشیاء ثابت باید در هر دو تصویر (یا در تصویر و نقشه) یکسان باشند.
مخاطب این محصول
مخاطبان این محصول آموزشی افرادی هستند که قصد دارند الگوریتم های سنجش از دور را در محیط متلب (MATLAB) پیاده سازی کنند. استفاده از ویژگی های هندسی می تواند به مخاطبین زیر کمک کند:
- کسانی که به تصحیح هندسی تصویر علاقه دارند
- کسانی که به دنبال template خاصی در تصویر می گردند
- کسانی که تصاویر سنجنده های مختلف را تلفیق می کنند و به ویژگی های هندسی یکسان نیاز دارند
- کسانی که به شناسایی اشیا با ویژگی های خاص اقدام می کنند (مانند شناسایی گوشه و …)
سوال دارید؟
در این صفحه سعی شده تا تمامی مطالب مورد نیاز کاربران پیش از فرایند خرید عرضه شود. با این حال در صورتی که از مدرس سوال دارید می توانید از بخش نظرات در بخش بالای صفحه استفاده کنید. بخش نظرات برای پرسش و پاسخ با مدرس طراحی شده است. هم چنین در صورتی که نسبت به محتوای محصول انتقاد و یا پیشنهاداتی دارید از طریق بخش نظرات آن را مطرح کرده و سپس نسبت به این محصول امتیاز دهید. هرچه امتیاز دهی شما دقیق تر باشد، سایر کاربران به شکل بهتری در استفاده از این محصول و کیفیت مدرس آگاهی پیدا خواهند کرد.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.