🩻پردازش تصویر در OpenCV

🖼 چهار مرحله اساسی پردازش تصویر در OpenCV وجود دارد که به طور گسترده ای در برنامه های کاربردی بینایی ماشین مورد استفاده قرار می گیرند. فرآیند بسیار قدرتمند و کاربردی است و پایه و اساس بسیاری از الگوریتم های پیشرفته را تشکیل می دهد.

1️⃣ بارگذاری تصویر:
اولین قدم بارگذاری تصویر ورودی به عنوان ورودی اصلی برای پردازش است. این تصویر می تواند در فرمت های مختلف مانند JPEG، PNG یا BMP باشد.

2️⃣ تبدیل به مقیاس خاکستری:
پس از بارگذاری تصویر، معمولا آن را به مقیاس خاکستری تبدیل می کنند. این کار به این دلیل انجام می شود که تصویر خاکستری ساده تر و کم حجم تر از تصویر رنگی است و در بسیاری از برنامه های بینایی ماشین، رنگ اطلاعات مهمی را ارائه نمی دهد.

3️⃣ اعمال فیلترها:
در این مرحله، فیلترهای مختلفی برای بهبود کیفیت تصویر و کاهش نویز به کار گرفته می شوند. این فیلترها می توانند شامل مواردی مانند فیلترهای مه زدایی، لبه های تقویت شده یا فیلترهای نرم کننده باشند.

4️⃣ شناسایی لبه ها:
در نهایت، الگوریتم های شناسایی لبه برای شناسایی تغییرات شدید در شدت به کار گرفته می شوند. این مرحله بسیار مهم است زیرا لبه ها نشان دهنده مرزها و ساختارهای مهم در تصویر هستند و بسیاری از الگوریتم های بینایی ماشین بر این پایه کار می کنند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision
#OpenCV

🆕️ گیت‌هاب کوپایلت در VSCode

✳ گیت‌هاب کوپایلت (GitHub Copilot) یک ابزار هوش مصنوعی است که به توسعه‌دهندگان کمک می‌کند تا کد را سریع‌تر و آسان‌تر بنویسند. این مدل پیشنهادی از یادگیری عمیق برای پیش‌بینی و تولید کد استفاده می‌کند.

✳ در خبرهای اخیر، اعلام شده است که گیت‌هاب کوپایلت برای کاربران ویژوال استودیو کد (VSCode) به صورت رایگان در دسترس قرار گرفته است.

✳ ویژگی‌های گیت‌هاب کوپایلت:

* پیشنهادات کد: به صورت زنده و در حین نوشتن کد، پیشنهاداتی برای تکمیل کد ارائه می‌دهد.

* تولید کد: قادر است کدهای جدیدی را بر اساس توضیحات متنی که کاربر ارائه می‌دهد، تولید کند.

* مستندسازی: می‌تواند به طور خودکار مستندات مربوط به توابع و کدها را تولید کند.

* پشتیبانی از زبان‌های مختلف: از زبان‌های برنامه‌نویسی متنوعی پشتیبانی می‌کند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision
#python

📚 تازه های دنیای پژوهش

📄Ensemble deep learning and EfficientNet for accurate diagnosis of diabetic retinopathy

✅ موضوع این مطالعه بررسی کارآمدی استفاده از شبکه عصبی عمیق EfficientNet برای تشخیص دقیق بیماری رتینوپاتی دیابتی است.

🩺 رتینوپاتی دیابتی یک عامل مهم نقص بینایی در سطح جهانی است که تشخیص زودهنگام آن اهمیت حیاتی دارد.

🔍 این مطالعه یک چارچوب عمیق یادگیری هوشمند برای تشخیص رتینوپاتی دیابتی ارائه می دهد که از معماری EfficientNetB0 برای طبقه بندی سطوح شدت رتینوپاتی دیابتی استفاده می کند.

🔍 این چارچوب با بهره گیری از تکنیک های پیشرفته بینایی کامپیوتری و یادگیری ماشین، به دنبال ارائه تشخیص دقیق و قابل اعتماد برای رتینوپاتی دیابتی است.

🔍 آزمایش ها و تجربیات مداوم، کارآمدی این معماری را نشان داده و نتایج امیدوارکننده ای را برای بهبود تشخیص و درمان رتینوپاتی دیابتی ارائه می دهد.

🔍 نتایج این مطالعه نشان می دهد که EfficientNet می تواند به عنوان ابزاری قدرتمند برای تشخیص زودهنگام و بهبود نتایج درمان بیماران رتینوپاتی دیابتی مورد استفاده قرار گیرد.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

📽 اسکن مدل‌های سه‌بعدی خودکار با کنترلر حرکتی PINE و تکنیک پردازش تصویر فتوگرامتری

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#imageprocessing
#machin_vision
#3Dmodel

🆕️ اسکن مدل‌های سه‌بعدی خودکار با کنترلر حرکتی PINE و تکنیک پردازش تصویر فتوگرامتری

✅ در دنیای امروز، تکنولوژی به سرعت در حال پیشرفت است و یکی از نوآوری‌های جالب در این زمینه، اسکن مدل‌های سه‌بعدی به‌صورت خودکار است. با استفاده از کنترلر حرکتی PINE و تکنیک پردازش تصویر فتوگرامتری، می‌توانیم به سادگی و دقت بالا، اشیاء را به صورت سه‌بعدی اسکن کنیم.

🔍 فتوگرامتری یک روش قدرتمند است که با استفاده از تصاویر دو بعدی از زوایای مختلف، مدل‌های سه‌بعدی دقیقی تولید می‌کند. این تکنیک به ما این امکان را می‌دهد که جزئیات دقیق و ظریف اشیاء را ثبت کنیم.

✅ کنترلر حرکتی PINE با قابلیت‌های خاص خود، فرآیند اسکن را تسهیل می‌کند. این کنترلر می‌تواند به‌طور خودکار حرکت کند و زوایای مختلف را برای ثبت تصاویر مورد نیاز تنظیم کند. این امر باعث افزایش دقت و کاهش زمان لازم برای انجام اسکن می‌شود.

💡 مزایای این روش:

۱. دقت بالا: ایجاد مدل‌های سه‌بعدی با جزئیات دقیق.

۲. صرفه‌جویی در زمان: کاهش زمان لازم برای انجام اسکن.

۳. کاربردهای گسترده: از صنایع طراحی و معماری گرفته تا بازی‌های ویدیویی و واقعیت مجازی.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision

📉 بهبود کنتراست تصویر با تنظیم هیستوگرام

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision
#histogram

📽🆕️ ربات های جراح؛ مجهز به فناوری بینایی ماشین

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision
#robotic

🖇#آموزش تکنیک های لبه یابی در پردازش تصویر

✅ لبه‌یابی یکی از مراحل کلیدی در پردازش تصویر و بینایی ماشین است که به شناسایی نقاط تغییر در شدت روشنایی تصویر کمک می‌کند. در سال‌های اخیر، چندین روش و تکنیک جدید برای لبه‌یابی توسعه یافته‌اند که بهبودهایی نسبت به روش‌های سنتی ارائه می‌دهند. به برخی از جدیدترین و مؤثرترین روش‌های لبه‌یابی می پردازیم:

۱. روش‌های مبتنی بر یادگیری عمیق:

   • شبکه‌های عصبی کانولوشنی (CNNs): استفاده از CNNها برای لبه‌یابی، مانند مدل‌هایی که توسط U-Net یا Mask R-CNN توسعه یافته‌اند، به طور قابل توجهی دقت را افزایش می‌دهند.

   • شبکه‌های عصبی عمیق برای لبه‌یابی (Deep Edge Detection Networks): مدل‌هایی مانند HED (Holistically-Nested Edge Detection) که به طور خاص برای شناسایی لبه‌ها طراحی شده‌اند.

۲. روش‌های مبتنی بر ترنسفورمر:

   • روش Vision Transformers (ViTs): استفاده از ترنسفورمرها در پردازش تصویر باعث ایجاد رویکردهای جدیدی برای لبه‌یابی شده است که به شناسایی ویژگی‌های پیچیده‌تر کمک می‌کند.

۳. روش‌های ترکیبی:

   • ترکیب تکنیک‌های سنتی مانند فیلترهای گابور با شبکه‌های عصبی عمیق، که می‌تواند به شناسایی بهتر لبه‌ها در شرایط مختلف کمک کند.

۴. روش‌های مبتنی بر یادگیری خودکار:

   • این روش‌ها به مدل‌ها اجازه می‌دهند تا بدون نیاز به داده‌های برچسب‌گذاری شده، ویژگی‌های مهم را یاد بگیرند و به شناسایی لبه‌ها بپردازند.

۵. فیلترهای پیشرفته:

   • فیلترهای کنی (Canny Edge Detector): این فیلتر بهبود یافته با استفاده از تکنیک‌های یادگیری ماشین و تنظیمات پارامترهای دقت بیشتری ارائه می‌دهد.

   • فیلترهای چند مقیاس (Multi-scale Filters): این فیلترها با استفاده از اندازه‌های مختلف برای شناسایی لبه‌ها در مقیاس‌های مختلف، دقت را افزایش می‌دهند.

۶. روش‌های مبتنی بر گراف:

   • استفاده از تکنیک‌های نظریه گراف برای شناسایی لبه‌ها در تصاویر پیچیده، که می‌تواند به شناسایی دقیق‌تری منجر شود.

۷. روش‌های مبتنی بر خوشه‌بندی:

   • استفاده از الگوریتم‌های خوشه‌بندی مانند K-means یا DBSCAN برای شناسایی نواحی با تغییرات شدید شدت روشنایی.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision
#edge_detection

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

✅ شناسایی و ردیابی اشیاء با استفاده از تکنیک تفریق پس‌زمینه
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#object_detection
#machin_vision

📚 #آموزش شناسایی و ردیابی اشیاء با استفاده از تکنیک تفریق پس‌زمینه

• اگر شما فیلمی با دوربین ثابت دارید، می‌توانید از تکنیک تفریق پس‌زمینه برای شناسایی اشیاء متحرک در یک تصویر با پس‌زمینه ثابت استفاده کنید. با این روش، می‌توانید یک ماسک از "شیء متحرک" ایجاد کرده و آن را با تصویر اصلی ترکیب کنید.

• تصویر بالا، فیلم اصلی است و تصویر پایین، ماسک شده است که عناصر متحرک را در همان فیلم نشان می‌دهد ؛ خودروهای در حال حرکت ماسک شده و نمایش داده شده‌اند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#object_detection
#machin_vision

🆕️‌ رقابت چین با مدل OpenAI o1

📌 شرکت چینی Alibaba که بزرگترین شرکت خرده فروش جهان است و در فهرست بزرگترین شرکت‌های تجارت الکترونیک دنیا جای دارد، از مدل هوش مصنوعی دارای قابلیت استدلال رونمایی کرده است که رقیب جدید مدل o1 از OpenAI به حساب می‌آید.

✅ مدل معرفی شده شامل ۳۲.۵ میلیارد پارامتر است و می‌تواند به درخواست‌هایی با حداکثر ۳۲ هزار توکن پاسخ بدهد.

✅ عملکرد این مدل مانند دیگر مدل‌های بزرگ دارای قابلیت استدلال است، به این معنا که هوش مصنوعی در طول استنتاج خود، برای بررسی پاسخ‌هایی که می‌خواهد به کاربر ارائه کند و تصحیح اشتباهات، از چرخه‌های محاسباتی بیشتری استفاده می‌کند.

✅ این مدل در نتیجه برای کارهایی که به استدلال منطقی و برنامه‌ریزی نیاز دارند، مانند ریاضیات و کدنویسی، مناسب‌ است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision
#AI_news

🆕️ شبکه اطلس تومورهای انسانی (HTAN): بررسی تکامل تومور در زمان و فضا

📌 مطالعه تکامل بدخیمی سرطان در زمان و فضا سرنخ‌هایی را ارائه می‌دهد که برای درک نحوه توسعه تومورها، چگونگی فرار آن‌ها از سیستم ایمنی و مقاومت آن‌ها به درمان و عود بیماری حیاتی است.

✅ از سال ۲۰۱۸، شبکه اطلس تومورهای انسانی (HTAN) که یک ابتکار محوری از موسسه ملی سرطان ایالات متحده (NCI) است، مشغول تهیه اطلس‌های سه‌بعدی است که ویژگی‌های سلولی، مولکولی و بافتی انواع مختلف تومورها را در طول تکامل سرطان ادغام می‌کند.

✅ شبکه HTAN متشکل از ده مرکز تحقیقاتی است که با هم برای ساخت ابزارهایی به منظور استخراج، تحلیل و تجسم داده‌های چندبعدی از سرطان همکاری می‌کنند. این رویکرد یکپارچه هدفش روشن ساختن فرآیندهای زیستی اساسی است که موجب آغاز، پیشرفت و مقاومت درمانی در سرطان می‌شود.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#cancer_news

📚 بررسي #پروژه بازوی رباتیک مجهز به بینایی ماشین

✅ هدف طراحی یک سیستم روباتیک خودکار میباشد که قادر به شناسایی و برداشتن اشیاء با دقت شبیه به انسان است.  تا چالش‌های واقعی در زمینه حمل اشیاء را حل کند!

✅ این بازوی روباتیک دارای ایدئال انتهایی شبیه به دست انسان است که برای گرفتن دقیق و انعطاف‌پذیر اشیاء طراحی شده و با بینایی کامپیوتری (OpenCV و YOLOv8) برای شناسایی و ردیابی اشیاء در زمان واقعی یکپارچه شده است.

✅ در طراحی این پروژه از نرم‌افزار AutoDesk Fusion 360 برای مدل‌سازی دقیق CAD و AutoDesk Maya و همچنین از Arduino Uno و Tinkercad برای شبیه‌سازی مدارها استفاده شده است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision
#robotic

✅ Fundemental Steps in Digital Image Processing

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision

📚 تازه های دنیای پژوهش

🌐 nature communication:

📃 Stratifying vascular disease patients into homogeneous subgroups using machine learning and FLAIR MRI biomarkers

❇ این مطالعه چارچوبی را پیشنهاد می‌کند که بیماران مبتلا به بیماری عروق را بر اساس سلامت مغز و خطر بیماری عروق مغزی (CVD) با استفاده از بیومارکرهای ناحیه‌ای Fluid-Attenuated Inversion Recovery (FLAIR) طبقه‌بندی میکند.

❇ محققان بیومارکرهای موثر را از حجم FLAIR 379 بیمار آترواسکلروزی استخراج کرده و از خوشه‌بندی K-Means برای شناسایی زیرگروه های همگن استفاده کردند.

❇ بیومارکرهای مهم با استفاده از طبقه‌بندی جنگل تصادفی برای تمایز زیر گروه ها شناسایی شده و این مطالعه با استفاده از بیومارکرهای FLAIR از درمان شخصی‌سازی شده و طبقه‌بندی ریسک بیماران مبتلا به بیماری عروقی پشتیبانی می‌کند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#article