elmiramohammadi 596 ارسال شده در 13 فروردین، 2015 سلام بعد از یه مدت طولانی که از میادین دور بودم دوباره من اومدم خوب برسیم به کار امروزمون من تصمیم دارم اگر کسی یاری کرد با هم یه مقاله رو پیاده سازی کنیم. 4
elmiramohammadi 596 مالک ارسال شده در 13 فروردین، 2015 طبق همیشه من پایه هستم مقاله هم در تشخیص اعداد با هیستوگرام و شبکه عصبی است هر کی پایه هست بسم الله 5
Imaaan 17059 ارسال شده در 13 فروردین، 2015 سلام المیرا خانوم مقاله مشخصه؟ یعنی مرحله به مرحله اینجا پیش میریم، کدها رو هم کامل میذاریم دیگه؟ من شبکه عصبی بلد نیست، ولی پردازش تصویرش رو هستم. البته شبکه هم دوس دارم یاد بگیرم 5
elmiramohammadi 596 مالک ارسال شده در 13 فروردین، 2015 سلام المیرا خانوم مقاله مشخصه؟ یعنی مرحله به مرحله اینجا پیش میریم، کدها رو هم کامل میذاریم دیگه؟ من شبکه عصبی بلد نیست، ولی پردازش تصویرش رو هستم. البته شبکه هم دوس دارم یاد بگیرم آره مشخصه. خوب کاری میکنی 2
elmiramohammadi 596 مالک ارسال شده در 13 فروردین، 2015 می خواهی همین الان یه استارت برای شروع کار بزنیم 2
Imaaan 17059 ارسال شده در 13 فروردین، 2015 آره مشخصه.خوب کاری میکنی می خواهی همین الان یه استارت برای شروع کار بزنیم مقاله ت رو بذار، ببینم چیه. 1
elmiramohammadi 596 مالک ارسال شده در 13 فروردین، 2015 مقاله پیوست شد. برای مشاهده این محتوا لطفاً ثبت نام کنید یا وارد شوید. ورود یا ثبت نام 4
elmiramohammadi 596 مالک ارسال شده در 14 فروردین، 2015 قدم اول ساخت LOCAL BINARY PATTERN The basic LBP operator works with a 3×3 window. Center of this window is placed on each pixel of the image and is compared with other pixels in the window. The results are put along and make a binary string which is interpreted as a decimal number. Histogram of these decimal numbers is the output features. خلاصه و مفیدش میشه این که ما یه پنجره سه در سه داریم روی تصویر حرکت می دهیم و پیکسل همسایه را با پیکسل مرکز کم می کنیم اگر کوچکتر مساوی صفر بود که میشه صفر و اگر بزرگتر از صفر بود میشه یک . هدف از این کار ساخت یک ماتریس از حالت باینری این اعداد است که فرمولش هم در مقاله است و درنهایت برای ساخت بردار ویژگی از هیستوگرام این اعداد دیسیمال استفاده میکنه 3
Imaaan 17059 ارسال شده در 14 فروردین، 2015 قدم اول ساخت LOCAL BINARY PATTERN The basic LBP operator works with a 3×3 window. Center of this window is placed on each pixel of the image and is compared with other pixels in the window. The results are put along and make a binary string which is interpreted as a decimal number. Histogram of these decimal numbers is the output features. خلاصه و مفیدش میشه این که ما یه پنجره سه در سه داریم روی تصویر حرکت می دهیم و پیکسل همسایه را با پیکسل مرکز کم می کنیم اگر کوچکتر مساوی صفر بود که میشه صفر و اگر بزرگتر از صفر بود میشه یک . هدف از این کار ساخت یک ماتریس از حالت باینری این اعداد است که فرمولش هم در مقاله است و درنهایت برای ساخت بردار ویژگی از هیستوگرام این اعداد دیسیمال استفاده میکنه اوکی فهمیدم، عکس هم میذارم که کامل شه یه سوال دایره ای و اینا هم توی خودش گفته به اونا نیاز نداریم؟ 2
elmiramohammadi 596 مالک ارسال شده در 15 فروردین، 2015 =================================== به دلیل استقبال نشدن پست ================================ ================================================================================================ ================================= پست را در همینجا می بندیم ============================== ================================================================================================ =================================:ws28::ws28::ws28::ws28::ws28::ws28::ws28:================
elmiramohammadi 596 مالک ارسال شده در 1 خرداد، 2015 سلام دوباره با اینکه استقبالی نشد ولی بر این شدیم که مقاله رو پیاده سازی کنیم 2
elmiramohammadi 596 مالک ارسال شده در 1 خرداد، 2015 اولین قدم همونطور که در صفجات اول ذکر کردیم پیاده سازی lbp است. 1
elmiramohammadi 596 مالک ارسال شده در 20 خرداد، 2015 اینم اولین کد lbp برای مشاهده این محتوا لطفاً ثبت نام کنید یا وارد شوید. ورود یا ثبت نام برای مشاهده این محتوا لطفاً ثبت نام کنید یا وارد شوید. ورود یا ثبت نام 2
elmiramohammadi 596 مالک ارسال شده در 20 خرداد، 2015 آقای مدیر لطفا بعد از نظر دادن در باره این کد قسمت بعد که مربوط به projection ها ست رو شما انجام بدید ....... من بلد نبودم عکس اون قسمت از پی دی اف رو بزاریم اینجا که دوستان متوجه کارمون بشن خودت اینو درستش کن..... 1
Imaaan 17059 ارسال شده در 22 خرداد، 2015 اینم اولین کد lbp برای مشاهده این محتوا لطفاً ثبت نام کنید یا وارد شوید. ورود یا ثبت نام آقای مدیر لطفا بعد از نظر دادن در باره این کد قسمت بعد که مربوط به projection ها ست رو شما انجام بدید .......من بلد نبودم عکس اون قسمت از پی دی اف رو بزاریم اینجا که دوستان متوجه کارمون بشن خودت اینو درستش کن..... سلام کد که خب درسته، ولی میشه بدون حلقه هم نوشت، اون counter برای چیه؟ var5 و var6 رو برای چی جدا کردی، دوباره مگه توی بردار ویژگی کنار هم نذاشتی، فرقی هم می کنه؟ مثلا اینجوری هم میشه نوشت، از دستور im2col استفاده کرده، میاد بلاک های 3 در 3 هر پیکسل رو به صورت ستونی کنار هم قرار میده، یعنی اول تبدیل به بردار ستونی می کنه شون: برای مشاهده این محتوا لطفاً ثبت نام کنید یا وارد شوید. ورود یا ثبت نام 1
elmiramohammadi 596 مالک ارسال شده در 23 خرداد، 2015 جمع هر قسمت را جدا محاسبه می کنم در سته کنار هم گذاشتم ولی دلیل کنار هم گذاشتن ساخت یک بردار ویژگی است برای مرحله بعد که می خواهیم بدیم شبکه عصبی 1
Imaaan 17059 ارسال شده در 23 خرداد، 2015 جمع هر قسمت را جدا محاسبه می کنم در سته کنار هم گذاشتم ولی دلیل کنار هم گذاشتن ساخت یک بردار ویژگی است برای مرحله بعد که می خواهیم بدیم شبکه عصبی خب تو دو بردار باشه کنار هم قرار داده بشه، با اینکه از اول تو یه بردار بذاری که فرقی نمی کنه. سوالم در مورد counter رو جواب ندادی؟ 1
elmiramohammadi 596 مالک ارسال شده در 23 خرداد، 2015 counter برای ارقام هست. برای اینکه ما بتونیم ارقام هر رقم رو بخوانبم نیاز به یم حلقه داریم. دیتا بیسی که ما استفاده می کنیم دیتا بیس هدا است که کلا 80000 عکس داره یعنی از هر رقم 8000 تا . برای همین از counter استفاده کردم. 1
elmiramohammadi 596 مالک ارسال شده در 25 خرداد، 2015 سلام به دوستان گرامی یک سری توضیحات درباره کد ها می گذارم همانطور که تمام دوستان در جریان هستند تمام کلاس بندی ها ( موضوعاتی که در بخش کلاس بندی جایی می گیرند) برای متمایز کردن از بقیه کلاس ها نیاز به یک سری ویژگی دارند. هر الگوریتم دسته بندی(همانند شبکه عصبی , svm) شامل دو قسمت می باشند یک داده های آموزشی و داده های تست. در داده های آموزشی ما کلاس داده را نیز مشخص می کنیم. نکته ای باید به آن توجه کنید آن است که داده های آموزشی همان بردار ویژگی های مربوز به هر رقم می باشد. حال نوبت به توضیح کد ها می رسه برای مشاهده این محتوا لطفاً ثبت نام کنید یا وارد شوید. ورود یا ثبت نام dataTrain برای نگه داری بردار وپژگی ها و TargetTrain برای نگه داری کلاس داده ها بکار می رود. حلقه اول for counter=1:10 برای پیماش رقم ها استفاده می گردد(0 تا 9) حلقه دوم برای خواندن تصاویر هر نمونه از رقم استفاده می شود. همانظور که مشخص است ما برای هر رقم 150 تصویر در نظر گرفته ایم. برای ساخت بردار ویژگی برای هر رقم ابتدا باید تصویر ورودی را به تصویر با ساختار LBP ببریم که توضیحات آن در بالا مندرج گردیده است و بعد از این که ما تصویر را با استفاده از ساختار LBP ساختم نوبت به استخراج ویژگی می رسد. برای استخراج ویژگی در این مقاله از Histogtram Ptrojection در راستای عمودی و افقی استفاده گردیده است. برای اینکه ویژگی ها متمایز گردن تصوی را به چهار قسمت تقسیم کرده ایم بعد عملیات Projection را روی آن انجام داده ایم. برای مشاهده این محتوا لطفاً ثبت نام کنید یا وارد شوید. ورود یا ثبت نام کد های بالا تبدیل تصویر با استفاده از ساختار LBP را انجام می دهد و کد های زیر عملیات Projection روی چهار قسمت تصویر به کار می برد. برای مشاهده این محتوا لطفاً ثبت نام کنید یا وارد شوید. ورود یا ثبت نام 2
ارسال های توصیه شده