چشم انسان بین شش تا هفت میلیون سلول مخروطی دارد که یکی از سه پروتئین حساس به رنگ معروف به اپسین ها را شامل می شود.
هنگامی که فوتون های نور به این اپسین ها برخورد می کنند، شکل آنها تغییر می کند و آبشاری ایجاد می کند که سیگنال های الکتریکی تولید می کند که به نوبه خود پیام ها را برای تفسیر به مغز منتقل می کند.
کل این فرآیند یک پدیده بسیار پیچیده است و ساخت ماشینی برای تفسیر آن در سطح انسانی همیشه یک چالش بوده است.
« اولین و کاملترین دوره آموزشی نرم افزار اودئون ODEON برای طراحی آکوستیک »
ثبت نام دوره آموزشی نرم افزار اودئون ODEON
انگیزه پشت سیستم بینایی ماشین مدرن در هسته اصلی تقلید بینایی انسان برای تشخیص الگوها، چهره ها و ارائه تصاویر دو بعدی از دنیای سه بعدی به سه بعدی نهفته است.
همپوشانی زیادی بین پردازش تصویر و بینایی کامپیوتری در سطح مفهومی وجود دارد و اصطلاحات اصطلاحی که اغلب به اشتباه درک می‌شوند، به جای یکدیگر مورد استفاده قرار می‌گیرند.
در اینجا مروری کوتاه بر تکنیک‌ها ارائه می‌کنیم و توضیح می‌دهیم که چگونه آنها در سطح بنیادی متفاوت هستند.
پردازش تصویر دیجیتال در آزمایشگاه پیشرانش جت ناسا در اواخر دهه 1960 برای تبدیل سیگنال‌های آنالوگ از فضاپیمای رنجر به تصاویر دیجیتال با ارتقاء رایانه آغاز شد.
در حال حاضر، تصویربرداری دیجیتال دارای طیف گسترده ای از کاربردها، با تاکید ویژه بر پزشکی است. کاربردهای شناخته شده آن شامل اسکن توموگرافی کامپیوتری (CAT) و سونوگرافی است.
پردازش تصویر بیشتر مربوط به استفاده و کاربرد توابع ریاضی و تبدیل‌ها بر روی تصاویر است، بدون توجه به هرگونه استنتاج هوشمندی که روی خود تصویر انجام می‌شود.
به سادگی به این معنی است که یک الگوریتم تغییراتی را روی تصویر انجام می دهد مانند صاف کردن، شارپ کردن، کنتراست، کشش روی تصویر.
برای کامپیوتر، تصویر یک سیگنال دو بعدی است که از ردیف ها و ستون هایی از پیکسل ها تشکیل شده است. ورودی یک شکل گاهی اوقات می تواند به شکل دیگری تبدیل شود.
به عنوان مثال، تصویربرداری تشدید مغناطیسی (MRI)، برانگیختگی یون ها را ثبت می کند و آن را به یک تصویر بصری تبدیل می کند.
در اینجا مثالی از صاف کردن تصاویر با پایتون آورده شده است: در مورد سیگنال های یک بعدی، تصاویر نیز می توانند با فیلترهای مختلف پایین گذر (LPF)، فیلترهای بالاگذر (HPF) و غیره فیلتر شوند.
تصویر فیلتر HPF به یافتن لبه‌های تصویر کمک می‌کند.
این نوع تبدیل‌ها با استفاده از ماتریس‌ها در الگوریتم‌های یادگیری ماشین مانند شبکه عصبی کانولوشن کاملاً رایج هستند.
جایی که یک فیلتر روی یک تصویر (ماتریس دیگری از مقادیر پیکسل) برای تشخیص لبه‌ها یا شدت رنگ پیچیده می‌شود.
برخی از تکنیک‌هایی که در پردازش تصویر دیجیتال مورد استفاده قرار می‌گیرند عبارتند از:
بینایی رایانه از مدل‌سازی پردازش تصویر با استفاده از تکنیک‌های یادگیری ماشین به دست می‌آید.
بینایی رایانه یا کامپیوتر ویژن از یادگیری ماشینی برای تشخیص الگوهای تفسیر تصاویر استفاده می کند. بسیار شبیه فرآیند استدلال بصری بینایی انسان.
ما می توانیم بین اشیاء تمایز قائل شویم، آنها را طبقه بندی کنیم، آنها را بر اساس اندازه آنها مرتب کنیم و غیره. بینایی کامپیوتر، مانند پردازش تصویر، تصاویر را به عنوان ورودی می گیرد و خروجی را به صورت اطلاعات در مورد اندازه، شدت رنگ و غیره می دهد.
در زیر اجزای یک سیستم بینایی ماشین استاندارد آمده است:
Camera
Lighting devices
Lens
Frame grabber
Image processing software
Machine learning algorithms for pattern recognition
به عنوان مثال، دوربین فیلمبرداری نصب شده بر روی یک خودروی بدون راننده باید افراد مقابل خود را شناسایی کرده و آنها را از وسایل نقلیه و سایر ویژگی ها متمایز کند. یا ممکن است بخواهیم مسافت طی شده توسط یک تنیسور را در یک بازی اندازه گیری کنیم.
بنابراین، اطلاعات زمانی نقش عمده‌ای در بینایی رایانه ایفا می‌کند، دقیقاً مانند روشی که ما برای درک جهان داریم.
هدف نهایی در اینجا استفاده از رایانه برای تقلید بینایی انسان، از جمله یادگیری و توانایی استنتاج و انجام اقدامات بر اساس ورودی های بصری است.
دوره آموزش ماژول آکوستیک ساختمانی نرم افزار کامسول
ثبت نام دوره آموزشی نرم افزار کامسول
پردازش تصویر زیر مجموعه ای از بینایی کامپیوتری است. یک سیستم بینایی کامپیوتری از الگوریتم‌های پردازش تصویر برای انجام تقلید بینایی در مقیاس انسانی استفاده می‌کند.
به عنوان مثال، اگر هدف بهبود تصویر برای استفاده بعدی باشد، ممکن است به آن پردازش تصویر گفته شود و اگر هدف تشخیص اجسام برای رانندگی خودکار باشد، می توان آن را بینایی رایانه یا کامپیوتر ویژن نامید.
