با توجه به افزایش روز افزون انواع تصاویر پزشکی و نیاز پزشکان به این تصاویر برای انجام تشخیصی دقیق تر، نیاز به سیستم های خودکار که فرآیند تشخیص را سریعتر و آسانتر می کنند بیش از پیش احساس می شود. این الگوریتم ها با تطبیق دو تصویر هم جنس یا غیر هم جنس، امکان تشخیص، اندازه گیری و مقایسه بسیار دقیق تصاویر را فراهم می کنند. در این مقاله جهت تثبیت خودکار در تصاویر تشدید مغناطیسی مغز، ابتدا به استخراج ویژگی های مکانی کارآمد از طریق کانتورهای فعال پرداخته شده است. نقاط نشانه از مرکز ثقل فضاهای بسته موجود در تصویر انتخاب می شود و پس از ارزیابی نقاط نشانه و انتخاب نقاط متناظر با استفاده از تبدیل هندسی مناسب به تثبیت بهینه دو تصویر مغز می پردازد. Manuscript profile

عمل فشرده‌سازی ویدیو با بهره‌گیری از افزونگی زمانی و فضایی موجود در رشته ویدیو انجام می‌گیرد. این افزونگی‌ها را می‌توان به ترتیب با اعمال یک تبدیل، تخمین و جبران‌سازی حرکت و کوانتیزاسیون به‌گونه‌ای کارآمد جبران‌سازی نمود. استانداردهای موجود برای فشرده‌سازی ویدیو مانند MPEG مبتنی بر تبدیل کسینوسی بلوکی می‌باشند که در آن تصویر ورودی باید به ‌صورت بلوک‌هایی درآید. بنابراین همبستگی در عرض مرزهای بلوک حذف نشده و این امر منجر به مقدار قابل توجهی نویز بلوکی می‌گردد. با استفاده از تبدیل موجک می‌توان بر این پدیده غلبه نمود. اما چنین الگوی فشرده‌سازی از نظر زمان اجرا کمی کند است و برای غلبه بر این مشکل نیز از تبدیل موجک چندسطحی استفاده می‌شود. در واقع استفاده از تبدیل موجک باعث می‌شود که عمل تجزیه نمودن بر روی بُعد زمان نیز علاوه بر بُعد مکانی صورت گیرد. هدف از این مقاله دستیابی به یک الگوریتم فشرده‌سازی سریع‌تر و با نرخ فشرده‌سازی بالاتر می‌باشد. برای این منظور یک الگوریتم فشرده‌سازی ویدیو مبتنی بر تبدیل ویولت سه سطحی معرفی و شبیه‌سازی شده است. برای انجام عمل پیش‌گویی از شبکه عصبی استفاده شده است. نتایج شبیه‌سازی‌ها مزایای استفاده از تبدیل موجک را آشکار می‌کنند. این نتایج نشان می‌دهندکه الگوریتم پیشنهادی از نظر زمان اجرا سریع‌تر و از نظر نرخ فشرده‌سازی کارآیی بهتری نسبت به استاندارد MPEG را از خود نشان می‌دهد. همچنین ویدیوی نهایی به‌دست آمده دارای کیفیت دیداری قابل قبولی برای چشم انسان می‌باشد و به دلیل نیاز به حجم کم حافظه می‌توان از آن در تجهیزات قابل حمل استفاده نمود. Manuscript profile