1 - پیاده سازی الگوریتم لاپلاسین برای تشخیص نقطه در یک تصویر خاکستری

2 - پیاده سازی الگوریتم لاپلاسین برای تشخیص خط در یک تصویر خاکستری به صورت ایزوتروپیک

3 - پیاده سازی الگوریتم لاپلاسین برای تشخیص خط با جهتی خاص در یک تصویر خاکستری به کمک فیلترهای شکل 

4 - تشیخیص لبه در یک تصیویر خاکستری به کمک فیلتر گرادیان سوبل شیکل 14-4 و نمایش تصیاویر گرادیان در جهت x ،گرادیان در جهت y و تصیییویر اندازه گرادیان |y| + |x| عملیاتی شبیه عملیات شکل 16-4 و مقایسه جهت لبه های تشخیص داده شده در هر یک

5 - تشیکیل تصویر زاویه گرادیان برای یک تصیویر خاکستری به کمک فیلتر گرادیان پرویت

6 - تشخیص لبه در یک تصویر خاکستری هموار شده با فیلتر میانگین به کمک فیلتر گرادیان سوبل شکل 14-4 و نمایش تصاویر گرادیان در جهت x ،گرادیان در جهت y و تصیییویر اندازه گرادیان |y| + |x| عملیاتی شبیه عملیات شکل 18-4 و مقایسه جهت لبه های تشخیص داده شده در هر یک

7 - تشخیص لبه های قطری در یک تصویر خاکستری به کمک فیلتر گرادیان سوبل تصویر اندازه گرادیان |y| + |x|

8 - تشخیص لبه در یک تصویر خاکستری هموار شده با فیلتر میانگین به کمک فیلتر گرادیان سوبل شکل 14-4 ،یعنی تهیه تصویر اندازه گرادیان |y| + |x| و سپس آستانه گیری از این تصویر و نمایش آن

9 - بخش بندی یک تصویر بدون نویز خاکستری به کمک آستانه گیری سراسری

10 - بخش بندی یک تصویر نویزدار خاکستری به کمک آستانه گیری سراسری با یافتن آستانه بهینه

11 - بخش بندی یک تصویر نویزدار خاکستری به کمک هموارسازی و آستانه گیری سراسری

12 - بخش بندی یک تصویر نویزدار خاکستری که اندازه شی ء خیلی کوچکتر از پس زمینه باشد به کمک تصویر گرادیان و آستانه گیری سراسری

13 - بخش بندی یک تصویر خاکستری با روش رشد ناحیه با شرط تفاضل مطلق

14 -بخش بندی یک تصویر خاکستری با روش رشد ناحیه از طریق تقسیم و ادغام ناحیه، مطابق شکل 31-4 با شرطی دلخواه مثل متناسب بودن شدت نور ناحیه با پیکسل های همسایه

15 - با استفاده از دستور imnoise  بر روی یک تصویر grayscale چندین بار ( مثلا 100 بار ) نویز اضافه کنید و سپس با استفاده از میانگین گیری تصویر اصلی را بازیابی کنید.

16 - تصویر cameraman.tif را در نظر بگیرید و فیلتر ایده آل ، باترورث و گوسین بالاگذر با D₀=10,20,40,80 را اعمال نموده و نتایج را نمایش دهید.

17 - تصویر T1.bmp را

الف ) با نویز Salt & Pepper  با چگالی نویز 0.04

ب ) با نویز گوسین با میانگین صفر و واریانس 0.06

ج ) نویز Speckle با واریانس 0.06

ترکیب نموده و نتایج فیلترهای زیر را با ماسک هایی به ابعاد 5*5 و 7*7 را بررسی نمایید.

Alpha Trimmed mean filter (d=mark size 2)

median filter

max and min filters

18 - الگوریتم مناسبی برای رنگ آمیزی  H & E  ( Hematoxylin and Eosin stain )  پیاده سازی کنید.

19 - روش های شناسایی لبه Sobel , Prewitt , Laplacian , LOG , Canny را در محیط متلب ( یا پایتون ) پیاده سازی کنید.

20 -

21 -

22 -

23 -

24 -

25 -

26 -

27 -

28 -

29 -

30 -

31 -

32 -

33 -

34 -

35 -

36 -

37 -

38 -

39 -

40 -

41 -

42 -

43 -

44 -

45 -

46 -

47 -

48 -

49 -

50 -

| جهت سفارش پروژه و تکلیف پردازش تصویر OpenCV و متلب MATLAB لطفا در شبکه های تلگرام و واتساپ موضوع و سوال مورد نظر را به شماره  989364847193+ ارسال نمایید، تا پس از بررسی هزینه خدمت شما اعلام گردد.

1 - پیاده سازی عملیات ساییدگی یک مربع مشکی 200*200 پیکسل با عنصر سازنده مربع مشکی 20*20 پیکسل و 60*20 پیکسل

2 - پیاده سازی عملیات ساییدگی روی یک تصویر باینری

3 - پیاده سازی عملیات انبساط یک مربع مشکی 200*200 پیکسل با عنصر سارنده مربع مشکی 20* 20 پیکسل و 60*20 پیکسل

4 - پیاده سازی عملیات انبساط روی یک تصویر باینری 

5 - انجام عملیات ساییدگی بر روی یک تصویر باینری دلخواه مناسب ، با استفاده از تابع آماده ساییدگی  MATLAB و مقایسه نتیجه آن با  اجرای ساییدگی به صورت کدنویسی شده

6 - انجام عملیات انبساط بر روی یک تصویر باینری دلخواه مناسب ، با استفاده از تابع آماده ساییدگی  MATLAB و مقایسه نتیجه آن با  اجرای انبساط به صورت کدنویسی شده

7 - پیاده سازی عملیات بازکردن بر روی یک تصویر باینری دلخواه مناسب ، با استفاده از تابع آماده بازکردن  MATLAB و مقایسه نتیجه آن با  اجرای ساییدگی به صورت کدنویسی شده ( انبساط ساییدگی )

8 - پیاده سازی عملیات بستن بر روی یک تصویر باینری دلخواه مناسب ، با استفاده از تابع آماده بستن در  MATLAB و مقایسه نتیجه آن با  اجرای ساییدگی به صورت کدنویسی شده ( ساییدگی انبساط )

9 - پیاده سازی عملیات بازکردن و سپس بستن بر روی یک تصویر باینری دلخواه مناسب و بررسی مزایا و معایب هر مرحله

10 - پیاده سازی عملیات تبدیل اصابت  روی یک تصویر باینری 

11 - پیاده سازی عملیات استخراج مرز روی یک تصویر باینری

12 - پیاده سازی عملیات پرکردن سوراخ  روی یک تصویر باینری

13 - پیاده سازی عملیات استخراج مولفه های متصل روی یک تصویر باینری

14 - پیاده سازی عملیات پوسته محدب روی یک تصویر باینری

15 - پیاده سازی عملیات نازک کردن روی یک تصویر باینری

16 - پیاده سازی عملیات ضخیم کردن روی یک تصویر باینری

17 - پیاده سازی عملیات انبساط ژئودزیک روی یک تصویر باینری

18 - پیاده سازی عملیات ساییدگی و انبساط یک تصویر خاکستری با عنصر سازنده تخت 

19 - پیاده سازی عملیات بازکردن و بستن یک تصویر خاکستری با عنصر سازنده تخت

| جهت سفارش پروژه و تکلیف پردازش تصویر OpenCV و متلب MATLAB لطفا در شبکه های تلگرام و واتساپ موضوع و سوال مورد نظر را به شماره  989364847193+ ارسال نمایید، تا پس از بررسی هزینه خدمت شما اعلام گردد.

1 - معادلات زیر را در محیط سیمولینک Simulink نرم افزار متلب Matlab شبیه سازی کنید.

\[\left \{ \begin{matrix} 3x_{1}-5x_{2}-5x_{3}=6\\ x_{1}+8x_{2}+4x_{3}=4\\ 9x_{1}-7x_{2}+4x_{3}=5 \end{matrix} \right \}\]

\[7x^{'''}+6x^{''}-4x^{'}+3x=5\]

2 - در معادله دیفرانسیل مرتبه اول رو به رو مقدار x و y را نمایش دهید.

\[x^{'}=-\frac{1}{3}(2y^{'}+xy-x+6y)\]

\[y^{'}=V-2x^{'}-y\]

\[V=2sin(3t)\]

3 - معادله دیفرتنسیل زیر را در سیمولینک شبیه سازی کنید.

\[\frac{d^{2}x}{dt^{2}}-10(1-x^{2}) \frac{dx}{dt}=10 rect(2t))\]

4 - مدار زیر را در محیط سیمولینک شبیه سازی کنید و مقادیر جریان و ولتاژ خواسته شده را نمایش دهید.

5 - پاسخ پله یک مدار RLC سری را شبیه سازی کنید و ولتاژ دو سر مقاومت، خازن و سلف را به همراه جریان مدار نمایش دهید.

6 - گیت منطقی زیر را در سیمولینک پیاده سازی کنید.

7 - با استفاده از سیمولینک و مطابق فیلم آموزشی، یک فیلتر باال گذر ایجاد کنید

| جهت سفارش پروژه ، تکلیف و آموزش سیمولینک Simulink  و  متلب Matlab لطفا در شبکه های تلگرام و واتساپ موضوع و سوال مورد نظر را به شماره  989364847193+ ارسال نمایید، تا پس از بررسی هزینه خدمت شما اعلام گردد.

1 - سیگنال گسسته تصویر cameraman.tif و pout.tif را plot کنید. نمودار هیستوگرام Histogram  ( تعداد پیکسل های خاکستری با فراوانی آن ها ) را plot کنید. در صورت همگن نبودن ، سعی در تعدیل نمودار Histogram کنید و عکس جدید را نمایش دهید.

هدف این تکلیف پیاده سازی مفهوم histogram equalization است. در این کد از دستور histeq استفاده نشده و الگوریتم histogram equalization پیاده سازی شده است.

2 - برنامه ای بنویسید که ابتدا یک تصویر را بخواند ، سپس رنگ های مختلف آن را جدا کند ، در مرحله بعد هیستوگرام هر رنگ را ترسیم کند ، در مرحله بعد با استفاده از برابر سازی هیستوگرام histeq تصاویر جدید را بسازد و دوباره هیستوگرام را ترسیم کند. ( برای افزایش کنتراست تصویر )

3 - Design a CNN network for CIFAR-10 classification. a. Train the designed model with at least three different batch sizes and three different optimizers. b. Select the best model using validation data. c. Visualize the training process and analyze the results using appropriate methods, graphs, and evaluation metrics. d. Evaluate the designed and trained model with MNIST test data, compare the results with CIFAR-10 test data, and analyze the outcomes. If there is a need, apply an appropriate transformer to the inputs. e. Train the model using MNIST training data, evaluate and analyze the results, and compare them with previous results.

4 - Design a CNN network for the Intel Image Classification dataset. a. Train the model and find the best weights. b. Evaluate the model on the test data. c. Attempt to find a better model using transfer learning techniques. d. Analyze and report the results. e. Use the best model as a feature extractor and extract the training, validation, and test features from the second-to-last layer. f. Create three folders for the training, validation, and test data. g. Save the features of each image as a NumPy array in the corresponding folder, ensuring that the filename allows retrieval of both the name and the class of the image.

 

جهت سفارش پروژه و تکلیف پردازش تصویر OpenCV و متلب MATLAB لطفا در شبکه های تلگرام و واتساپ موضوع و سوال مورد نظر را به شماره  989364847193+ ارسال نمایید، تا پس از بررسی هزینه خدمت شما اعلام گردد.

 

1 - تعیین ناخالصی در سنگ مرمر

2 - تعیین ناخالصی در سنگ گرانیت

3 - تعیین محدوده ابر

4 - شمارش تعداد آجرهای دیوار

5 -جداسازی تخم مرغ و تعیین عناصر آن

6 - جداسازی محدوده بالایی پر کبوتر

7 - تعیین ناخالصی در فیروزه

8 -تعیین تشدید و سرکش در متن دست نوشته

9 - تعیین محدوده ماسه

10 - تعیین نوع برگ درخت

11 - تعیین محدوده در تصاویر ماموگرافی

12 - تعیین محدوده در تصاویر X-ray دست

13 - عیین محدوده در تصاویر X-ray قفسه سینه

14 -عیین محدوده در تصاویر X-ray زانو

15 - تشخیص نقاط در یک متن

16 - تعیین محدود ترک  آسفالت

17 - تعیین عمق جوش

18 - تعیین شکستگی برنج

19 - تعیین ریگ در نخود

20 - تعیین ریگ در لوبیا

21 - تعیین ریگ در عدس

22 - تعیین محدوده متن در تصاویر طبیعی

23 - تعیین لایه های متن نوشته شده یا چاپی

24 - تعیین محدوده سفیدی چشم انسان

25 - تعیین رگه های کف دست

26 - تعیین میزان لب پریدگی در مته کاری

27 - تعیین خندان بودن پسته

28 - تعیین نوع اسکناس ایرانی

29 - تعیین نوع اسکناس هندی

30 - تعیین نوع سکه ایرانی

31 - تعیین میزان چربی گوشت

32 - به دست آوردن محدوده شناور بر روی آب

33 - تعیین کثیفی ( آلودگی ) در خرما

34 - تعییین میزان فرسودگی در لاستیک ماشین

35 - تعیین جنسیت با استفاده از انگشتان دست

36 - تعیین میزان چروک و میزان اندازه عناب

37 - تعیین رگه های مختلف در سنگ های تراورتن

38 - تعیین محدوده غده در سرطان روده

39 - تعیین خندان بودن لب ها

40 - تعیین محدوده ابروها و مشخصات آن ها در انسان

41 - تعیین مشخصات صورت انسان

42 - تعیین آلودگی در آب با استفاده از پردازش تصویر

43 - تعیین رگه های موجود در چوب

44 - تعیین محدوده های گل های قالی

45 - تعیین طول و عرض و محدوده میلگرد

46 - تعیین محدوده امضا در یک متن

47 - تعیین اندازه ، محدوده شماره مهره ها ( پیچ و مهره )

48 - تعیین محدوده پنجره در یک ساختمان

49 - تعیین میزان ملات موجود بین آجرهای ساختمان

50 - تعیین گلبرگ ها در گیاه زعفران

51 - تعیین محدوده پلاک خودرو

52 - تعیین محدوده مدارهای الکترونیکی

53 - تعیین میزان گوگرد در سیخ های کبریت

54 - تعیین محدوده لکه روغن بر روی آب

| جهت سفارش پروژه و تکلیف پردازش تصویر OpenCV و متلب MATLAB لطفا در شبکه های تلگرام و واتساپ موضوع و سوال مورد نظر را به شماره  989364847193+ ارسال نمایید، تا پس از بررسی هزینه خدمت شما اعلام گردد.