Increasing the image resolution is very important and is used in various fields such as medicine, photography, and machine vision. It is possible to see more details of the image and analyze it better by increasing the image resolution. However, increasing the image resolution has also been associated with some challenges. Increase in noise, increase in artificial details, and high processing time are among the typical challenges. In addition, interaction with image complexities such as images with repetitive patterns and non-textured noises creates other challenges either. Image is divided into smaller parts using segmentation. Then, the images are combined with each other using the support vector regression algorithm and new images are created. A multi-stage process has been used to increase the image quality in this research and the pre-processing operation has been carried out in the first stage in order to improve the image quality. Three phases of training, testing, and parameter adjustment have been used after the pre-processing operation in order to increase the image quality. In the training section, the images are first converted to lower levels, and the color segmentation operation takes place at the lower levels. After the image classification operation in terms of color, the gradient is used to extract the image properties. The support vector regression algorithm was used to predict the image pixels, and this algorithm was improved by a meta-heuristic algorithm called whale algorithm. Evaluation parameters including PSNR and SSIM criteria have been used in this research that yielded promising results. پرونده مقاله

با توجه به اینکه تشخیص نقص در تجهیزات الکتریکی باعث جلوگیری از بروز حادثه، خسارت و تلفات می‌شود، ضرورت ایجاب می‌کند تا کارهای موثر در تشخیص دادن نقص انجام شود تا بتوانیم خطا را پیش‌بینی و پیش‌گیری نماییم. در حال حاضر در سیستم‌های قدرت نقص‌های حرارتی توسط ابزار ترموگرافی شناسایی می‌شود که دارای محدودیت‌هایی از قبیل نیاز داشتن به تجهیزات گران قیمت ترموگرافی می‌باشد. در این مقاله، یک روش جدید برای شناسایی نقص در تجهیزات برقی ارائه میشود. در این روش استفاده از مواد ترموکرومیک در سیستم‌های قدرت پیشنهاد شده است. ترموکرومیک‌ها نوعی از مواد هوشمند می‌باشند که به صورت برگشت پذیر رنگشان با دما تغییر می‌کنند. با توجه به اینکه اغلب نقص‌ها در تجهیزات باعث تولید حرارت می‌شوند، در صورتی که مواد ترموکرومیک روی تجهیزات پوشش داده شوند، با افزایش دما در محل نقص، تغییر رنگ حاصل می‌شود. در این مقاله، تجهیزات الکتریکی با مواد ترموکرومیک پوشش داده شدند. سپس با معرفی ویژگی‌های نوین مربوط به هیستوگرام در مرحله اول و همچنین DRLBP و شبکه عصبی در مرحله دوم به دو دسته دارای نقص و بدون نقص طبقه‌بندی شدند. نتایج نشان داد که در روش پیشنهادی با افزایش دما در محل دارای نقص تغییر رنگ مشهود حاصل می‌شود و شناسایی نقص به سادگی و با دقت بالایی قابل تشخیص است. پرونده مقاله

پردازش توالی تصاویر ویدئویی برای قسمت‌بندی اجسام دارای حرکت (پیشنما) از قسمت‌های ثابت (زمینه) توالی تصاویر،یک مرحله اساسی در بسیاری از کاربردهای بینایی ماشین به ویژه تشخیص حرکت می‌باشد. یکی از روش‌های مرسوم، بکار بردن رویکرد تفریق زمینه است که اجسام متحرک را از مقایسه هر فریم با فریم زمینه بدست آمده، ایجاد می‌کند.در این مقاله، به بررسیروش‌های تفریق زمینه بازگشتی مبتنی بر فیلتر سیگمادلتا (الگوریتم سیگمادلتا) می‌پردازیم. الگوریتم تفریق زمینه یک تقریب بسیار سریع و ساده از زمینه فراهم می‌آورد و همچنین دارای این مزیت است که به منابع بسیار کمی از حافظه نیاز دارد. به دلیل غیر خطی بودن این الگوریتم، ویژگی جالب آن مقاومت زیاد در مقایسه با میانگین‌های بازگشتی خطی و هزینه‌ محاسباتی بسیار کم است. اما، از طرف دیگر الگوریتم اصلی سیگمادلتا، در صحنه-های پیچیده و شلوغ با اجسام دارای حرکت آهسته و یا موقتا متوقف شده، آلوده می‌شود. همچنین، در این الگوریتم اثر روح و اثر روزنه‌ای به وضوح قابل مشاهده است. این مقاله به ارزیابی این الگوریتم و بررسی روش‌های تکمیلی و رویکردهای مختلف ارائه شده برای آن می‌پردازد. در این مقاله،تمام الگوریتم‌ها به صورت گام به گام اجرا و پیاده سازی شده است. هدف این مکمل‌ها و رویکردها، رفع و یا کاهش معایب و مشکلات الگوریتم اصلی است. در انتها یک تحلیل کمی بین این رویکردها انجام می‌شود و بهبودهای انجام شده، مزایا و معایب هر الگوریتم مورد ارزیابی قرار می‌گیرد و مقایسه بین الگوریتم اصلی سیگما‌دلتا و سایر الگوریتم‌های مرتبط ارائه می‌شود. پرونده مقاله

در این مقاله گروه‌بندی و بازشناسی حروف تنهای فارسی که به صورت برخط نوشته شده باشند، بر اساس ویژگی‌های ساختاری آن‌ها ارائه شده است. حروف بر اساس شکل و ساختار نوشتاری بدنه اصلی آن‌ها به 9 گروه تقسیم می‌شوند. پس از استخراج ویژگی‌ها، گروه‌بندی با استفاده از درخت تصمیم انجام می‌شود. بازشناسی نهایی حروف با توجه به ساختار اجزای کوچک آن‌ها در هر گروه صورت می‌پذیرد. با توجه به این که در این مقاله از روش‌های زمان‌بر برای بازشناسی استفاده نشده است، روش پیشنهادی، روشی سریع در بازشناسی حروف برخط فارسی است. نتایج پیاده‌سازی این روش بر روی مجموعه داده "حروف برخط دانشگاه تربیت مدرس"، گروه‌بندی و بازشناسی حروف را به ترتیب با دقت بالای %94 و %92 نشان می‌دهد و این در حالی است که میانگین زمان پردازش و بازشناسی یک حرف حدود 3 میلی ثانیه به دست آمد. پرونده مقاله

یکی از مهم‌ترین کاربردهای عکس‌های هوایی، شناسایی و استخراج جاده و خودرو از تصاویر هوایی می‌باشد. در این مقاله ابتدا، با استفاده از شدت روشنایی و محتوای رنگ و فیلتر کردن تصویر در مدل‌های HSI و RGB، محدوده‌های جاده تعیین می‌گردد. سپس به منظور حذف نویز از فیلترهای متوسط‌گیر و میانه استفاده می‌شود. پس از لبه‌یابی توسط فیلتر لبه یاب مناسب، زاویه بین خط‌های مجاور جاده، توسط روش تبدیل هاف محاسبه شده و خط‌های غیر موازی زاید حذف می‌گردد. در گام بعدی، کدهای زنجیره‌ای به منظور فرموله کردن لبه‌های جاده به دست می‌آید و بازسازی جاده از فایل کدهای زنجیره‌ای صورت می‌پذیرد. مرحله آخر، تشخیص خودرو از تصاویر هوایی با استفاده از ویژگی سایه ایجاد شده از خودرو است. هدف از این مقاله ارائه روش بهینه در شناسایی جاده، انجام چندین مرحله اصلاح جاده، کد کردن آن و تشخیص خودرو می‌باشد. در این تحقیق مرجع تصاویر هوایی جاده، پایگاه Google Earth است. دقت کدهای زنجیره‌ای به منظور شناسایی جاده حدود 90% به دست آمده که نسبت به کارهای قبلی انجام شده بهبود نسبی حاصل شده است. پرونده مقاله