⭕️ تفاوت بین پردازش تصویر و بینایی کامپیوتر در چیست؟

🔹 پردازش تصویر و بینایی کامپیوتر دو حوزه مرتبط در علوم کامپیوتر هستند که هر دو با تصاویر دیجیتال سروکار دارند، اما اهداف و کاربردهای متفاوتی دارند. در ادامه به بررسی تفاوت‌های این دو حوزه می‌پردازیم:

🔍 پردازش تصویر (Image Processing): پردازش تصویر به مجموعه‌ای از تکنیک‌ها و الگوریتم‌ها اطلاق می‌شود که برای اصلاح، بهبود یا استخراج اطلاعات از تصاویر دیجیتال به کار می‌روند. این فرآیند شامل تغییر تصاویر از طریق دستگاه‌هایی مانند فیلترهاست.

اهداف:
🔸 بهبود کیفیت تصاویر (مانند کاهش نویز، افزایش وضوح).
🔸 تغییر تصاویر (مانند چرخش، تغییر اندازه، فشرده‌سازی).
🔸 آماده‌سازی تصاویر برای تحلیل‌های بعدی.

کاربردها:
◽️ تصویربرداری پزشکی (مانند بهبود تصاویر MRI یا CT اسکن).
◽️ فشرده‌سازی تصاویر برای ذخیره‌سازی یا انتقال.
◽️ بهبود تصاویر ماهواره‌ای برای تحلیل‌های جغرافیایی.

🚫 محدودیت‌ها: پردازش تصویر تنها به بهبود و آماده‌سازی داده‌ها می‌پردازد و به "معنا" یا "مفهوم" تصاویر توجهی ندارد.

🔍 بینایی کامپیوتر (Computer Vision): بینایی کامپیوتر شاخه‌ای از علوم کامپیوتر و هوش مصنوعی است که به ماشین‌ها امکان می‌دهد تصاویر و ویدئوها را مانند انسان "درک" کنند و بر اساس آن‌ها تصمیم‌گیری نمایند. این حوزه بر استخراج اطلاعات معنادار از تصاویر دیجیتال تمرکز دارد.

اهداف:
🔸 شناسایی و تشخیص اشیاء، افراد یا محیط‌ها.
🔸 درک محتوا و روابط بین عناصر موجود در تصویر.
🔸 خودکارسازی وظایفی که نیاز به تحلیل بصری دارند.

کاربردها:
◽️ رانندگی خودکار (تشخیص جاده، موانع، علائم ترافیکی).
◽️ تشخیص چهره در سیستم‌های امنیتی.
◽️ سیستم‌های نظارتی هوشمند.
◽️ واقعیت افزوده (AR) و واقعیت مجازی (VR).

🔻 مزایا: بینایی کامپیوتر به سیستم‌ها این امکان را می‌دهد که اطلاعات بصری را تحلیل و تفسیر کرده و به شکل خودکار و هوشمند عمل کنند.

📍 ارتباط بین این دو

پردازش تصویر معمولاً به عنوان مرحله‌ای ابتدایی و ضروری در بینایی کامپیوتر عمل می‌کند. در واقع، بینایی کامپیوتر برای رسیدن به درک بهتر از تصاویر، از تکنیک‌های پردازش تصویر بهره می‌برد.

به بیان ساده:

پردازش تصویر معادل "پاکسازی و آماده‌سازی داده‌ها" است.
بینایی کامپیوتر معادل "درک و استفاده از داده‌ها برای تصمیم‌گیری".

داستان پیدایش الگوریتمی که بقول مرحوم دایجکسترای فقید باعث شهرتش هم شد جالبه. گفته ایده الگوریتم دایجکسترا که برای یافتن کوتاه‌ترین مسیر در گراف کاربرد داره رو توی بیست دقیقه و زمانی که داشته قهوه‌ش رو می‌نوشیده داده. متن کاملش رو پایین قرار میدم.

Cornerstone of fame: Dijkstra’s algorithm

Dijkstra worked at the Mathematisch Centrum from 1952 to 1962, where he came up with what has become, in his words, ‘one of the cornerstones of my fame’. That cornerstone is the algorithm for the shortest path, also known as Dijkstra’s algorithm. According to Dijkstra, ‘it was a twenty-minute invention’ that he conceived while having a cup of coffee on a café terrace with his fiancée Ria, who he had met at Mathematisch Centrum. He initially used the algorithm in 1956 to showcase the potential of a new computer called ARMAC. But he understood all too well that a demonstration for laypeople had to have a problem and answer that they could understand.

اندازه شبکه بیز (Bayesian Network) داخل تصویر چقدر است؟

توی این فایل از دانشگاه شریف، در مورد تئوری احتمالات و شبکه‌های بیزین توضیحات خوب و کاملی داده شده و منبع خوبی برای فصل آخر هوش هست.

‌‌ [PS752]


بر سنگ گوری تازه نامی هست...
‌
دارنده این نام را هرگز ندیدم من
اینجا میان سوگواران آشنایانند و خویشانند
و مردمانی هم که چون من
دارنده‌ٔ این نام را هرگز ندیدند و نمی‌دانند
اما
هر کس که اینجا هست
با خشم و فریادی گره در مشت
می‌داند که او را کشت…
‌
بر گرد گور تازه جمع سوگواران است
دیگر کسی اینجا نمی‌پرسد
این خفته در خاک از کجا و از کدامان است!؟…
می‌دانند او «فرزند ایران» است...

✍ هوشنگ ابتهاج


به یاد ۱۷۶ عزیز از دست رفته که بال برگشودند بر سیاهی شب 🕊



‌‌
#بهانه
#هواپیمای_اکراینی
#PS752


🆔 @ToranjSUT

برای ساخت باس مشترک داخل تصویر با استفاده از مالتی‌پلکسر، به چند مالتی‌پلکسر و با چه سایزی نیاز داریم؟

فون نویمان در طول عمر حرفه‌ای خود بیش از ۱۵۰ مقاله علمی نوشت که در زمینه‌هایی مانند ریاضیات محض، فیزیک و ریاضیات کاربردی پراکنده بودند. حتی زمانی که در بیمارستان بستری بود، همچنان کار علمی می‌کرد و دست‌نویسی ناتمام از خود به‌جا گذاشت که بعدها در قالب کتابی به نام «رایانه و مغز» منتشر شد.

این نابغه بی‌نظیر در ۸ فوریه ۱۹۵۷ در واشنگتن دی‌سی از دنیا رفت، اما میراث علمی‌اش همچنان زنده است.

چون خیلی تعریف Deep Seek رو شنیده بودم رفتم امتحان‌ش کنم و موقع پرسیدن سوالی که عکسش رو گذاشتم اشتباهی دستم خورد روی enter. خلاصه ده دقیقه‌س داره همین جمله رو بصورت متوالی مینویسه :) امیدوارم طبق همون تعریف‌هایی که ازش میشه خوب باشه.

مساله فروشنده دوره‌گرد یا TSP، اینجوریه که تعدادی شهر دارید که فاصله شون مشخص هست و یه فروشنده باید از همه این شهرها فقط یه بار بازدید کنه و هدف اینه که کمترین مسافت رو طی کنه.
Martin Grötschel
ریاضیدان آلمانی، که در زمینه هایی مثل
Graph theory, Combinatorial optimization
و OR کار می کنه و با ریاضیدانی مثل
László Lovász
هم همکاری داشته در سال ۱۹۷۵ رکورد حل مساله TSP رو می شکنه. یک مساله با ۱۲۰ شهر رو حل می کنه. ۱۲۰ شهر که مسافت بین شون مشخص هست و هدف رفتن به همه شهرها فقط یکبار و طی کردن کمترین مسافت هست. نکته جالب اینه که بخشی از کار رو با استفاده از Solver های IBM انجام می ده و بخشی دیگه رو به صورت دستی(مساله رو در حالت کلی solver حل می کرده و بعد بخشی از حل رو خودش دستی و چشمی بررسی می کرده) کلا سیزده تا iteration تا رسیدن به جواب نهایی تکرار می شه و حل مساله چندین هفته طول می کشه.
البته الان دیگه به این کارها نیازی نیست و مسائلی از این دست خیلی راحت و به روش های مختلف حل می شه.

تصویر هم از کاغذی که روی اون مساله رو به صورت دستی حل کرده(ظاهرا تکرار دوم الگوریتم)

اینم اولین جزوه که برای درس مدار منطقی هست. رنگی اسکن کردم که یسری بخش‌هایی که هایلایت کردم هم مشخص باشه.
امیدوارم بدردتون بخوره و اگه بدخطه شرمنده خلاصه :)

باقی دروس رو هم به مرور میذارم.

در مورد منابعی که این جزوه و معمولا تمام جزوه‌هام رو هم نوشتم یچیزی بگم.
معمولا یه استاد رو به عنوان base قرار دادم و جزوه رو از روی همون نوشتم، بعد منابع دیگه رو هم دیدم و اگه کم و کاست یا ایرادی داشته باشه به جزوه اضافه میکنم یا حذف میکنم.

مثلا همین مدار منطقی، از تدریس دو تا استاد کنکور ارشد و تدریس پروفسور نوابی در دانشگاه تهران نوشته شده.