1 - Lowpass Filtering

a ) Implement the Gaussia lowpass filter in Eq. You must be able to specify the size , M * N , of the resulting 2D function. in addition , you must be able to specify the location of the center of the Gaussian function.

b ) Doenload Fig from the book web site and lowpass filter it to duplicate the results in fig.

2 - Highpass Filtering

a ) Implement the Gaussian highpass filter of eq. ( Note that , you can use basically program to generate highpass filters )

b ) Doenload Fig from the book web site and highpass filter it to duplicate the results in fig.

3 - Highpass Filtering Combined with Threshoding

Download Fig from the book web site and use your program from project to approximate the results in fig. ( Note  that you will be using a Gaussian, instead of a Butterworth  filter.

4 - یک عکس انتخاب کنید و سه روش آستانه گیری متفاوت را بر روی آن اجرا کنید. در مرحله بعد تبدیل توان و Negative را بر روی تصویر پیاده سازی کنید.

5 - با استفاده از حلقه های تو در تو (بدون استفاده از دستور imfilter ) فیلتر لاپلاسین زیر را بر روی عکس پیاده سازی کنید.

\[Laplacian Filter=\begin{bmatrix} 0 & -1 &0 \\ -1 & 5 &-1 \\ 0 & -1 & 0 \end{bmatrix}\]

6 - پروژه تعیین محدوده شناور در دریا با استفاده از لبه یابی

7 - گزارش پروژه نهان نگاری با روش بیت کم ارزش  LSB Steganography در MATLAB

( فایل گزارش ورد 20 صفحه  به همراه کد متلب )

8 - یکی از تفریحات کودکی انسان ها ، بازی جورچین ( پازل ) است که منجر به رشد فکری و توانایی الگویابی در ذهن کودکان می شود. یک تصویر به قسمت های مشخصی تقسیم شده  و ترتیب قرار گرفتن آن ها به هم می ریزد. کودک با الگویابی تلاش می کند که تصویر اصلی را بازسازی کند.

در این کد قصد داریم که یک تصویر مشخص ، به تعداد دلخواه تقسیم شده و بر اساس الگویی که کاربر مشخص کرده است ( پازل به هم ریخته ) دوباره بازسازی شود.

9 - آستانه گذاری تصاویر را شرح و کاربرد آن را بیان نمایید.

10 - روش های آستانه گذاری تصاویر را ( حداقل 4 روش ) بیان کرده ، مزایا و معایب آن را ذکر نموده و برنامه های آن را نوشته و روی تصاویر اعمال کنید.

11 - دو تصویر را در نظر گرفته و با یک روش آستانه گذاری مناسب متن را از پس زمینه جدا نمایید.

12 - تابعی بنویسید که با دریافت یک تصویر خاکستری ، یک نوار اریب در گوشه چپ تصویر با عرض 20 پیکسل را سیاه کند.

13 - الف- تصویر sample.png را در محیط متلب بارگزاری نموده و نمایش دهید.

ب- با استفاده از دستور rgb2ind، تصویر فوق را به تصویری اندیسی (index image) با 15 رنگ تبدیل نمایید.

ج- تصویر اندیس‌ها را (بدون جدول رنگ) به صورت یک تصویر سطح خاکستری (با 0=سیاه و 14=سفید) نمایش دهید.

د- با استفاده از دستور impixelinfo مشخص کنید که پیکسل‌های پورت‌های ورودی/خروجی (واقع در حاشیه پایین، چپ و بالای تصویر) با کدام اندیس در تصویر فوق مشخص شده‌اند.

ه- با نوشتن دستورات مناسب، یک تصویر باینری شامل پورت‌های ورودی/خروجی به عنوان پیش‌زمینه ایجاد نموده و نمایش دهید.

14 -  دستور bwselect در محیط MATLAB مطابق الگوی زیر تعریف شده است:

BW2 = bwselect(BW,c,r,n)

به طوری که در تصویر باینری BW همه اشیایی که شامل پیکسل‌های بذر[1] (r,c)[2] باشند را براساس همسایگی مشخص شده با n (4=همسایگی چهارتایی و 8=همسایگی هشت‌تایی) مشخص نموده و در تصویر خروجی BW2 برمی‌گرداند.

الف- مطابق الگوریتم تدریس شده در کلاس، تابع MyBWSelect را چنان بنویسید که مشابه دستور bwselect در محیط MATLAB عمل کند.

الگوریتم مذکور بدین شرح می‌باشد:

1- تصویر پاسخ f را هم‌اندازه با تصویرورودی BW ایجاد نموده و با صفر مقداردهی اولیه نمایید.

2- آرایه پشته v را با ابعاد N×2 ایجاد نموده و با صفر مقداردهی نمایید (N باید به اندازه کافی بزرگ باشد تا همه پیکسل‌های کاندیدا در ادامه الگوریتم را بتوان در آن ذخیره نمود).

3- مختصات پیکسل‌های بذر را به ترتیب از بالا در v ذخیره نموده و شمارنده k را برابر با تعداد این پیکسل‌ها قرار دهید. شمارنده k همواره موقعیت آخرین پیکسل در پشته v را نشان خواهد داد.

4- مختصات c=v(k,:) را از پشته استخراج نموده و یک واحد از k کم نمایید.

5- سطح خاکستری پیکسل c در تصویر f را برابر یک قرار دهید.

6- از میان همسایه‌های c در تصویر BW، آنهایی که دارای سطح خاکستری 1 در تصویر BW و سطح خاکستری صفر در تصویر f هستند را مشخص نمایید (فرض کنید همسایه‌های مذکور شامل پیکسل‌های c0، c1، ... و cm باشند).

7- مختصات پیکسل‌های همسایه مشخص شده در مرحله قبل را به انتهای پشته اضافه نموده و شمارنده k را به اندازه m واحد افزایش دهید.

8- مراحل 4 تا 7 را تا آنجا ادامه دهید که k برابر صفرگردد؛ در این حالت، الگوریتم خاتمه می‌یابد.

ب - برای تست عملکرد تابع خود (همانند مینی پروژه قبلی)، تصویر plate.jpg را در محیط متلب در متغیری با نام gim بارگذاری نمایید (تصویر را به نوع double تبدیل کنید). با استفاده از دستور imcrop (مطابق کد زیر) ناحیه پلاک را از تصویر مذکور استخراج نموده و در متغیری با نام cim ذخیره نمایید.

cim = imcrop(gim,[225 376 220 40]);

سپس، مطابق کد زیر، با اعمال آستانه 0.7 بر تصویر cim، یک تصویر باینری شامل کاراکترهای پلاک بدست آورید.

bim = cim<0.7;

ج - پاسخ دستورهای bwselect و تابع MyBWSelect را با r=[23,15,23] و c=[9,68,133] برای تصویر bim بدست آورده و مقایسه کنید.

د - اشیا موجود در تصویر bim را با دستور bwlabel برچسب‌گذاری نموده و با استفاده از دستور regionprops مرکز ثقل آنها را بدست آورید. اکنون، با استفاده از دستور MyBWSelect سعی کنید اشیا تصویر bim را با استفاده از نقاط مرکز ثقل آنها (به عنوان بذر) از تصویر استخراج نمایید. ضمن نمایش نتایج توضیح دهید که چرا برخی اشیای تصویر bim در تصویر حاصل از دستور bwselect حضور ندارند؟ برای پاسخ خود دلیل مستند بیاورید.

15 -

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.