مشخصات مقاله:
عنوان فارسی مقاله:
فضای رنگ ICA برای تشخیص الگو
عنوان انگلیسی مقاله:
ICA Color Space for Pattern Recognition
کلمات کلیدی مقاله:
محیط آزمایش بیومتریک(BEE)، مدل پیشرفته فیشتر(EFM)، چالش بزرگ تشخیص چهره(FRGC)، فضای رنگ تحلیل مولفه های مستقل(ICA)، تشخیص الگو، تحلیل مولفه های اصلی(PCA)، فضای رنگ RGB
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی نرم افزار و هوش مصنوعی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1- مقدمه
2- پیش زمینه و هدف
3- فضای رنگICA برای نمایش تصویر رنگی موثر
4- فضای رنگی ICA برای دسته بندی تصویر رنگی کارامد
5- آزمایشات
6- نتیجه گیری
قسمتی از ترجمه مقاله انگلیسی:
1- مقدمه
تصویر رنگ، که با دو متغیر مکانی و یک متغیر مکانی تعیین می شود، سه بعدی و چند طیفی است(14). بعد طیفی معمولا به باند های طیفی قرمز R، سبز G و آبیB نمونه برداری می شود که موسوم به رنگ های اصلی هستند. یک تصویر رنگی دارای سه تصویر می باشد: تصاویر قرمز،آبی و سبز. هر پیکسل از یک تصویر رنگی در فضای رنگی تعیین شده و به صورت یک سیستم مختصات رنگی عمل می کند. یک فضای رنگی رایج و مورد استفاده، فضای رنگ RGB بوده و سایر فضا های رنگی معمولا از فضای رنگ RGCB با استفاده از تبدیلات خطی وغیر خطی محاسبه می شود
از آن جا که فضا های رنگی متفاوت تبدیل شده از فضای رنگی RGB قدرت افتراقی و تمایزی متفاوتی را برای تشخیص الگو نشان می دهند(10، 23 و 34)، این مقاله به بررسی یک روش فضای رنگی(ICA) تحلیل مولفه های مستقل برای هر دو الگوی تصویر رنگی موثر و طبقه بندی تصویر رنگی کارامد می پردازد. اولا، روش فضای رنگی ICA فرض می کند که هر تصویر رنگی با سه تصویر منبع مستقل C1-C2-C3 تعریف می شود که با استفاده از روش تفکیک منبع کور نظیر ICA(7-22) استخراج می شود دوما، سه تصویر رنگی مستقل با هم تلفیق شده و تشکیل یک بردار الگو می دهند که بعدیت آن ها با مولفه های اصلی(PCA)(11)کاهش می یابد. به طور اخص، سه تصویر C1-C2-C3 ابتدا به بردار تبدیل می شوند. هر یک از سه بردار سپس به میانگین صفر و واریانس واحد نرمال سازی می شوند. سه بردار نرمال سازی شده در نهایت تلفیق شده و تشکیل بردار الگوی تلفیقی می دهند. سپس یک مدل فیشر پیشرفته(EFM)(25) ویژگی های افتراقی بردار الگوی کاهش یافته را برای تشخیص الگو استخراج می کند.
