سیستم های خودکار احراز هویت مبتنی بر بیومتریک اثر انگشت شامل مراحل مختلفی هستند. یکی از مهمترین این مراحل که از اهمیت برجسته و بالایی برخوردار است، مرحله استخراج یا همان تخمین درشت جهت رگه های اثر انگشت می باشد. از جمله کاربردهای این مرحله می توان به بهسازی تصاویر اثر انگشت، استخراج نقاط منفرد (هسته و دلتا) و استفاده از آنها برای طبقه بندی گسسته الگوهای اثر انگشت، طبقه بندی پیوسته، تطبیق تصاویر آثار انگشت و بسیاری کاربردهای دیگر اشاره نمود. از آنجا که جهت های استخراج شده اولیه یا به اصطلاح تخمین های درشت جهت رگه های اثر انگشت به شدت نویز پذیر می باشند، نیاز به تصحیح این تخمین ها به ویژه برای تصاویر با کیفیت پایین مثل انواع نهفته امری لازم و ضروری به نظر می رسد. در همین راستا، روش های مختلفی برای تصحیح تخمین های درشت جهت رگه ها ارائه شده است که در کل، یا از نوع مدلسازی بوده و یا به کمک فیلتر کردن حوزه زمان یا فرکانس انجام می شوند. در پایان نامه حاضر نیز روش هایی برای تصحیح بهینه جهت رگه ها پیشنهاد شده که منجر به تصحیحات دقیق تر جهات تخمینی و نیز بهبود کیفیت تشخیص و یا تایید هویت گردیده اند. روش های پیشنهادی بر پایه مدل سازی یا تقریب زنی به کمک چند جمله ای هایی مثل چند جمله ای های مثلثاتی و یا چند جمله ای های متعامد لژاندر و چبی چف نوع اول و دوم قرار دارند. در روش تصحیح تخمین درشت جهت رگه ها به کمک چند جمله ای های مثلثاتی، علاوه بر شبیه سازی روش پیشین، از مفهوم چسبیدگی برای اصلاح آن استفاده شده است. علاوه بر این شیوه، روشی نوین برای تصحیح جهت رگه ها ارائه شده است که در آن ضمن ترکیب فیلتر گوسی پایین گذر و بسط چند جمله ای هایی همچون لژاندر و یا چبی چف نوع 1 یا 2، انتخاب نوع چند جمله ای ها نیز به صورت وفقی صورت می گیرد. همچنین از دیگر مصادیق استفاده از اطلاعات جهتی در امر تطبیق آثار انگشت می باشد. در این رساله نیز روشی جدید برای انجام عملیات تطبیق با استفاده از اطلاعات جهتی، با به کار گیری مدل مخفی مارکف این اطلاعات، ارائه گردیده است. نتایج پیاده سازی ها و ارزیابی های روش های پیشنهادی حاکی از کارآیی بالا و عملکرد بهینه آنها در مقایسه با روش ها ی ارائه شده پیشین بوده است.

با افزایش روز افزون تصاویر اشعه x پزشکی، نیاز به ابزارهای طبقه بندی کننده و بازیابی این دسته از تصاویر که دارای قابلیت و توانایی بالایی نیز باشند، افزایش یافته است. رکن اساسی بازیابی تصاویر اشعه x بر اساس محتوا، طبقه بندی آنها است. بنابراین، در صورتی که طبقه بندی موفق و مناسبی حاصل شود، بازیابی نیز موفقیت آمیز و دارای صحت بسیار بالایی خواهد بود. برای داشتن یک طبقه بندی مناسب می بایست معیارهایی که به این منظور انتخاب می شوند بسیار دقیق بوده و توصیف جامع و کاملی از تصاویر ارائه دهند. این معیارها همان ویژگی هایی هستند که از تصاویر استخراج می شوند که به سه دسته عمده شکل، بافت و رنگ تقسیم بندی می گردند. از آنجایی که تصاویر اشعه x پزشکی، تصاویر سطح خاکستری هستند و خصوصیات بافتی نسبتا مشابهی دارند، از ویژگی رنگ و تا حد بسیار بالا از ویژگی بافتی نمی توان به عنوان معیارهای مناسب برای طبقه بندی این دسته از تصاویر استفاده نمود. در این تحقیق با هدف بهبود طبقه بندی تصاویراشعه x پزشکی و در نهایت بهبود روش های بازیابی مبتنی بر محتوا که منجر به تسریع در عمل تشخیص بیماری، شناسایی بیمار و عضو آسیب دیده می شوند و با توجه به خصوصیات تصاویر اشعه x پزشکی، تمرکز بر روی ویژگی شکلی قرار گرفت و روشی برای بهبود ویژگی های متداول استخراجی از تصاویر اشعه x پزشکی پیشنهاد گردید. در نهایت یک ویژگی کاملا جدید که ترکیبی از ویژگی های شکلی و بافتی بوده و ویژگی شکلی بافتی نامیده شد، معرفی و پیشنهاد شد که توانست توانایی بالایی در طبقه بندی این دسته از تصاویر نسبت به سایر روش های استخراج ویژگی از خود به نمایش بگذارد. نرخ صحت بدست آمده از ارزیابی این ویژگی در ترکیب با دو ویژگی دیگر برای 4402 تصویر در 21 کلاس از تصاویر اشعه x پزشکی توسط ماشین بردار پشتیبان، به بیش از 94% رسیده است.

در این پایان نامه، هدف ارائه روشی جهت ناحیه بندی خودکار تصاویر تشدید مغناطیسی مغز به سه بافت ماده سفید، ماده خاکستری و مایع مغزی-نخاعی می باشد. در روش ناحیه بندی ارائه شده، الگوریتم یادگیری مبتنی بر ماشین های بردار پشتیبان با قدرت طبقه بندی بالا و خطای عمومی سازی پایین به کار گرفته می شود. در این روش، الگوریتم کمترین مربعات به منظور تخمین تابع چگالی احتمال بافت ها انتخاب شده است. به منظور کاهش هر چه بیشتر دخالت کاربر در روند ناحیه بندی، از اطلاعات اولیه اطلس جهت انتخاب نمونه های آموزشی و نیز آموزش الگوریتم یادگیری استفاده می شود. جهت بهبود دقت نتایج در روش ارائه شده، مدلی سلسله مراتبی به عنوان روش پیشنهادی دوم جهت ناحیه بندی پیشنهاد شده است. در این مدل طی سه مرحله، عملیات حذف بافت های غیر مغزی، پیش پردازش و استخراج مایع مغزی-نخاعی، و ناحیه بندی ماده سفید و ماده خاکستری انجام می گردد. پس از آن، یک روش ترکیبی به عنوان روش سوم پیشنهادی در قالب مدل سلسله مراتبی ارائه شده جهت ناحیه بندی مورد استفاده قرار می گیرد. در این روش، به منظور انجام دو مرحله اول از روش سلسله مراتبی از روش ناحیه بندی fsl-fast استفاده می شود. نتایج شبیه سازی بر داده های شبیه سازی شده و واقعی و ارزیابی های کمی و کیفی موید دقت و کارایی مدل سلسله مراتبی ترکیبی در مقایسه با روش های متداول ناحیه بندی و نیز روش fsl-fast می باشد. نتایج ناحیه بندی تصاویر مغزی به دست آمده می تواند به کمک پردازش های بعدی در تحلیل آناتومی و یا تشخیص بیماری ها و آسیب های مغزی مورد استفاده قرار گیرد.

در طی چند ده? اخیر نهان نگاری به عنوان ابزار قدرتمندی برای کاربردهایی از قبیل حفاظت از حقوق معنوی، تصدیق داده و کنترل کپی برداری مطرح شده است. تحقیقات زیادی در این زمینه در میان محققین صورت گرفته است و الگوریتم ها و روش های بیشماری مطرح شده است. اما متأسفانه ایرادی که به قریب به اتفاق این روش ها وارد است این است که در طی عملیات درج نهان نگاره، داد? اصلی مورد تغییر قرار می گیرد ولی در هنگام عملیات استخراج نهان نگاره، نمی توان داده را به صورت اصلی خود بازگرداند و در واقع عملیات نهان نگاری یک عملیات با اتلاف می باشد. نهان نگاری برگشت پذیر به عنوان پاسخی به این ایراد برای اولین بار در سال 1994 ارائه شد و از آن زمان تا کنون الگوریتم ها و روش های گوناگونی توسط محققین مختلف در این زمینه ارائه شده است. در این پایان نامه هدف بررسی این روش ها و گسترش آن ها با هدف افزایش ظرفیت و افزایش کیفیت می باشد. برای این کار دو روش پیشنهاد کرده ایم. در روش اول با اضافه کردن یک پیش پردازنده/پس پردازنده توانسته ایم تا پاره ای از نواقص روش luo که به علت سرریز/زیر ریز به وجود می آید را حل کرده و از این طریق ظرفیت درج داد? این روش را افزایش دهیم. در کار دوم با استفاده از اید? glsb تعمیمی برای روش شیفت هیستوگرام ارائه داده ایم که به درج کننده اجازه می دهد تا عمل درج را در مبناهای غیر باینری انجام دهد و از این طریق انعطاف پذیری این روش را بالا برده و اجازه می دهد تا درج کننده به طور موثرتری با مسئل? نهان نگاری تطبیق پیدا کند.

‎‎یکی از مشخصات اساسی تصاویر اشعه ‎x‎ پزشکی، وجود تغییرات سطوح روشنایی در طول یک کلاس و شباهت های قابل توجه بین کلاس های مختلف است و این امر موجب می گردد که طبقه بندی این نوع تصاویر مشکل گردد. به منظور مقابله با این مشکل، در برخی روش های قبل، افزایش ویژگی های مورد استفاده یا زیاد نمودن الگوهای آموزشی پیشنهاد گردیده است که هر دو آن ها مستلزم صرف وقت و هزینه اضافی می باشد. با توجه به این محدودیت ها، یک روش جدید مبتنی بر قوانین فازی با هدف فهرست نمودن پربازده این نوع تصاویر پیشنهاد شده است که از مجموعه ویژگی های پیشنهادی تحت عنوان الگوهای باینری محلی متقارن مرکزی‎ مبتنی بر‎‎ تبدیل کانتورلت ccs-lbp ‎‎استفاده می کند. لازم به ذکر است که مطالعات زیادی روی الگوهای باینری محلی ‎lbp و اصلاح یافته های آن شامل ‎cs-lbp‎ با تمرکز بر استفاده از پیکسل های تصویر به عنوان توصیف کننده ها در حال انجام است. روش طبقه بندی پیشنهادی شامل سه مرحله است. در مرحله اول، ویژگی های محلی با تقسیم هر تصویر به ‎ 25‎ زیرتصویر همپوشان، اعمال تبدیل به هر زیر تصویر و استخراج cs-lbp‎ از هر زیر باند حاصل از اعمال تبدیل استخراج می گردد. در مرحله بعد جهت مشخص نمودن درجه عضویت زیر تصاویر به کلاس های مختلف از منطق فازی بهره گیری شده است. در نهایت به منظور تخصیص تصاویر به گروه های متناظرشان، پیشنهاد گردید که از توابع عضویت به عنوان ورودی طبقه بندی کننده ماشین بردار پشتیبان استفاده شود و این امر منجر به دستیابی به یک طبقه بندی کننده کارا و توانمند گردید. به منظور ارزیابی این روش، ‎ 25‎ کلاس مختلف انتخاب گردید و مجموعه ای آزمایشات جامع بر روی آن ها انجام شد. آزمایشات نشان می دهد که نتایج روش پیشنهادی بدون نیاز به تعداد زیادی الگوهای آموزشی‏، رضایت بخش بوده و می تواند برای طبقه بندی موثر تصاویر اشعه x ‎پزشکی مورد استفاده قرار گیرد.

با پیشرفت های سریعی که در حوزه اینترنت وجود دارد، به کاربران این اجازه داده شده است که بطور روزانه اطلاعاتی را مخابره و مبادله کنند. از این رو، مقدار زیادی از این اطلاعات دیجیتالی از قبیل تصاویر دیجیتالی، صوت و ویدئو است، که در اینترنت منتشر می شوند. بنابراین، برای اطمینان از امنیت و حفاظت اطلاعات منتشر شده در فضای اینترنت، طرح های نهان نگاری غیر قابل مشاهده بطور چشمگیری مورد توجه قرار گرفت. نهان نگاری غیر قابل مشاهده به عنوان روشی برای حفاظت از حق تالیف وتصنیف پیشنهاد گردید. در زمینه تصاویر دیجیتالی، نهان نگاری، یک مفهوم مهمی از پنهان سازی اطلاعات مخفی در تصویر پوششی، با حداقل کاهش کیفیت دیداری است. یافته های جدید در زمینه نهان نگاری تصاویر دیجیتالی، دورنمای وسیعی را از روش های جدید در زمینه ارتباطات امن و مدیریت محتوا، باز کرده است. بطور کلی، تکنیک های نهان سازی اطلاعات، به دو دسته تقسیم می شوند، طرح های نهان نگاری بدون اتلاف (معکوس پذیر) و طرح های نهان نگاری با اتلاف ( غیر معکوس پذیر). در طرح های نهان نگاری با اتلاف، تصویر پوششی بطور کامل نمی توانند ذخیره و بازیابی شوند، در حالی که این گونه طرح ها مقاومت زیادی را در برابر حملات (عمدی وغیر عمدی) از خود نشان می دهند. در طرح نهان نگاری بدون اتلاف، اطلاعات مخفی بطور معکوس پذیری پنهان می شوند، بطوری که، کاربر مجاز نه فقط اطلاعات پنهان شده، بلکه اصل تصویر پوششی را بدون هیچ گونه اعوجاجی، اگر تصویر نهان نگاری شده تحت تاثیر فرایند دیگری (از جمله حملات عمدی یا غیر عمدی) قرار نگیرد، میتواند بازیابی کند. در این پایان نامه، سه طرح نهان نگاری بدون اتلاف پیشنهاد شده است. طرح نخست، یک روش نهان نگاری مقاوم براساس اصلاح هیستگرام، در حوزه تبدیل موجک صحیح است. در این طرح، تصویر تقریبی که به واسطه تبدیل موجک صحیح به وجود آمده است، به بلوک های بدون بر هم افتادگی تقسیم بندی می شود وسپس اختلاف حسابی هر بلوک محاسبه می شود. اطلاعات مخفی به وسیله تغییر مقدار اختلاف حسابی هر بلوک، پنهان سازی می شوند. طرح پیشنهادی دوم، یک روش نهان نگاری بدون اتلاف نیمه شکننده، بر اساس تغییر اختلاف هسیتگرام در حوزه تبدیل موجک صحیح است. در این طرح، تصویر تقریبی که از طریق تبدیل ایجاد شده است، به بلوک های بدون برهم افتادگی تقسیم بندی میشود. در هر بلوک، اختلاف بین پیکسل های همسایه محاسبه شده و هیستگرام این مقادیر اختلاف بدست می آید. اطلاعات مخفی در هر بلوک براساس چند مرحله تغییر در هیستگرام اختلاف جاسازی می شوند. سرانجام، در این پایان نامه، یک طرح نهان نگاری بدون اتلاف در حوزه مکان پیشنهاد شده است. طرح پیشنهادی بر اساس تغییر در هیستگرام اختلافی است، تا فضای اضافی را برای نهان سازی اطلاعات ایجاد کند. اختلاف پیکسل ها از بین پیکسل مرجع و پیکسل های همسایه اش محاسبه می شود. بعد از تغییر در هیستگرام این مقادیر اختلاف، اطلاعات مخفی بطور گسترده ای در تصویر پوششی پنهان سازی می شوند. برای افزایش ظرفیت روش نهان نگاری، چند مرحله جاسازی اطلاعات انجام می شود. نتایج شبیه سازی ها، عملکرد طرح های پیشنهادی رو نشان می دهند.

تاکنون شبیه سازهای مختلفی برای شبیه سازی تصاویر mri مغزی بزرگسالان ساخته شده است. از آنجا که شبیه سازی تصاویر در این شبیه سازها بر اساس فانتوم ساخته شده از آناتومی سر بزرگسالان می باشد قادر به شبیه سازی تصویر mri خردسالان نیستند. از طرف دیگر در شبیه سازی تصاویر تنها تعداد محدودی از تکنیک های توالی پالس شبیه سازی شده اند. در این پایان نامه شبیه ساز تصاویر mri برای مغز خردسالان طراحی شده است. این شبیه ساز، توانایی شبیه سازی شش تکنیک توالی پالس براساس حل گسسته ی معادلات بلاخ را دارد. دو فانتوم دیجیتال خردسالان با رزولوشن های 1 میلی متری با 9 بافت و 5/0 میلی متری با 6 بافت به دو صورت گسسته و فازی طراحی شده است. آرتیفکت های مختلفی از جمله نویز حرارتی و انحراف شیمیایی نیز شبیه سازی شده اند. تصاویر شبیه سازی شده می توانند به عنوان یک داده ی مرجع جهت مقایسه ی الگوریتم های مختلف آنالیز تصویر مانند ناحیه بندی مورد استفاده قرار گیرند.

موضوع این پایان نامه، آشکارسازی اهداف متحرک زمینی با استفاده از رادار دهانه مصنوعی، تخمین سرعت در راستای پرواز و تخمین سرعت در راستای عمود بر پرواز می باشد. در این پایان نامه یک آشکارساز مبتنی بر آزمون نسبت درست نمایی تعمیم یافته برای کشف اهداف متحرک زمینی با استفاده از رادار دهانه مصنوعی طراحی شده است و عملکرد این آشکارساز مورد بررسی قرار گرفته است. پارامترهای نامعلوم ولی غیر تصادفی سیگنال برگشتی در آشکارسازی اهداف، مولفه های سرعت آنها یکی در راستای پرواز و دیگری عمود بر راستای پرواز و همچنین مکان قرارگیری هدف در راستای سمت می باشد. برای تخمین این سه پارامتر سه تخمین گر مبتنی بر ماکزیمم درست نمایی پیشنهاد شده است. نتایج شبیه سازی نشان می دهد این آشکارساز در نسبت سیگنال به نویز 18- دسیبل، به احتمال آشکارسازی 9/0 خواهد رسید.

فشرده سازی تصاویر sar در کاهش حجم داده برای ذخیره کردن تصویر و انتقال آن در شبکه های با پهنای باند محدود نقش بسیار مهمی دارد. این پایان نامه الگوریتمی با ساختاری ساده ارائه می دهد که کیفیت تصویر بازسازی شده در یک نرخ بیت ثابت را نسبت به الگوریتم های مطرح موجود بهبود می بخشد. الگوریتم ارائه شده دارای مقیاس پذیری کیفیت می باشد به این مفهوم که با کد کردن یک مرتبه تصویر می توان کیفیت های مختلفی از تصویر را بازسازی کرد. همچنین این الگوریتم از کد کردن ناحیه مورد علاقه(roi) پشتیبانی می کند. الگوریتم ارائه شده بر مبنای اصلاح الگوریتم ezbc است. نظر به آنکه الگوریتم ezbc رویکرد بلوکی در کد کردن تصویر دارد و هر زیرباند را به صورت مجزا کد می کند، هنگام کد کردن ضرایب بین زیرباند های مختلف ارتباط برقرار نمی کند. از اینرو برای تصاویری که دارای پیچیدگی های بافتی زیادی هستند، مناسب می باشد. در الگوریتم ارائه شده برای نمایش بهتر لبه ها و ساختار بافتی تصویر بجای تبدیل موجک از بسته موجک استفاده شده است. با مرتب کردن زیرباندها در بسته موجک بر اساس میزان انرژی و اولویت دادن در کد کردن بلوک های با انرژی بیشتر، الگوریتم برای تصاویر sar بهبود می یابد. نتایج بدست آمده بیانگر بهبود نتایج الگوریتم ارائه شده نسبت به سه الگوریتم مطرح spiht ، speck و ezbc می باشد.

داده های پلاریمتری سار به دلیل اطلاعات گسترده ای که در مورد منطقه تصویربرداری شده ارائه می¬دهند امروزه بسیار مورد توجه قرار گرفته¬اند. به دلیل اطلاعاتی که سار پلاریمتری ارائه می¬دهد یکی از کاربردهای اصلی این نوع داده ها استفاده برای طبقه بندی تصاویر می¬باشد. داده های پلاریمتری سار حجم زیادی را اشغال می¬کنند و این حجم زیاد باعث مشکلاتی مانند کم شدن سرعت پردازش، پایین آمدن سرعت انتقال داده، نیاز به پهنای باند زیاد برای انتقال و نیاز به فضای ذخیره سازی زیاد می¬گردد. برای حل این مشکل در این پایان نامه روشی برای فشرده سازی داده های پلاریمتری سار ارائه شده است. در روش پیشنهادی به منظور تعیین ناحیه مورد علاقه تصاویر پلاریمتری توسط الگوریتم طبقه بندی اچ/ای/آلفا طبقه بندی می¬شوند، ناحیه مورد علاقه انتخاب می¬شود و این ناحیه و بقیه تصویر به کمک الگوریتم فشرده سازی به نحوی فشرده سازی می¬شوند که کیفیت ناحیه مورد علاقه بیشتر از ناحیه زمینه باشد. سادگی پیاده سازی الگوریتم و کیفیت بالای فشرده سازی ناحیه مورد علاقه و ناحیه زمینه بر اساس معیار کیفیت معرفی شده در متن از ویژگی های این روش می¬باشد.

آنالیز تصاویر هیستوپاتولوژی و رتبه بندی نمونه ی بافت برداری شده، نقش مهمی را در تشخیص زودهنگام بیماری سرطان بر عهده دارد. سیستم رتبه بندی ناتینگهام، یک معیار استاندارد برای تشخیص و ارزیابی سرطان سینه می باشد که شامل سه بخش شمارش میتوزها، هسته های تغییر شکل یافته ی سلول ها و ساختارهای لوله ای شکل، است. در این پایان نامه سیستمی جهت آشکارسازی و درجه بندی هسته های تغییر شکل یافته-ی سلول ها ارائه شده است که از سه مرحله تشکیل می شود. ابتدا، در مرحله ی پیش پردازش، از تفکیک رنگ های هماتوکسیلین- ائوزین و یا اعمال فیلتر دوسویه به همراه تبدیل تصحیح گاما، استفاده می شود و مرکز هسته های تغییر شکل یافته ی سلول ها با استفاده از چند عملیات ریخت شناسی و اعمال تبدیل dog بر تصویر پیش پردازش شده، آشکار می گردد. سپس، مرز هسته ها با به کارگیری الگوریتم سطوح هم تراز استخراج شده و هسته ها ناحیه-بندی می شوند. در نهایت، هسته های استخراجی، درجه بندی می شوند و بدین ترتیب درجه ی یکی از سه بخش معیار ناتینگهام بدست می آید. برای درجه بندی هسته ها، چهار معیار ابعاد هسته ها، تراکم کروماتین، نظم کانتور و تعداد هستک های موجود در تصویر بکار گرفته شده است. نتایج شبیه سازی نشان می دهد که سیستم cad پیشنهادی با دقت 86.6%، پیشرفت قابل توجهی نسبت به روش های موجود در این حوزه داشته است.

استفاده از تصاویر درموسکوپی یکی از راه های تشخیص ضایعات پوستی است. ناحیه بندی یکی از مهم ترین مراحل تشخیص سرطان به کمک تصاویر درموسکوپی است که نقش مهمی در مراحل بعدی تشخیص دارد. در این پایان نامه روشی برای ناحیه بندی تصاویر درموسکوپی براساس منحنی های فعال و شبکه عصبی ساختار جنگلی پیشنهاد شده است. به منظور ناحیه بندی با استفاده از منحنی های فعال ابتدا به حذف مو، تشخیص سایه و حذف آن پرداخته می شود. در مرحله بعد به کمک الگوریتم های بهینه سازی، تصویری با بیشترین کانتراست جهت ناحیه بندی انتخاب می شود. سپس به کمک روش مالتی اتسو کانتور اولیه انتخاب می شود. در نهایت ناحیه بندی با منحنی های فعال انجام خواهد شد. نتایج پیاده سازی نشان می دهد که روش پیشنهادی دقت بهتری نسبت به روش های ارایه شده دارد. در این پایان نامه روش دیگری برای ناحیه بندی تصاویر درموسکوپی براساس شبکه های عصبی ساختار درختی و الگوریتم بهینه سازی تجمع ذرات پیشنهاد شده است. در مرحله پیش پردازش بعد از حذف مو، ضرایب بهینه تصویر بدست می آیند. یک ناحیه بندی اولیه روی تصویر با ضرایب بهینه با استفاده از مالتی اتسو انجام می شود. در مرحله ناحیه بندی ابتدا ناحیه بندی اولیه اصلاح می شود. برای شکل گیری شبکه عصبی ساختار جنگلی، نمونه های بهینه با استفاده از الگوریتم بهینه سازی تجمع ذرات انتخاب می شوند. نتایج پیاده سازی نشان می دهد الگوریتم ارایه شده دقت بهتری نسبت به الگوریتم های آستانه گذاری اتسو و k-means دارد.

یکی از مهمترین معیارها برای درجه بندی سرطان سینه از روی بافت سینه نمونه برداری شده، میانگین شمارش تعداد تقسیمات سلولی نوع میتوز است. این شمارش عملی بسیار تخصصی است که امکان بروز خطا در آن وجود دارد. لذا، در سال های اخیر شیوه های تشخیص خودکار میتوزها به کمک پردازش تصاویر رایانه ای پیشنهاد شده اند. در رساله ی حاضر، شیوه های عملی نوین و خلاقانه ای برای تشخیص خودکار میتوزها از روی تصاویر اسلایدهای هیستوپاتولوژی دیجیتال پیشنهاد شده اند. در همه ی الگوریتم های پیشنهادی، اولویت با استخراج شیءگرای ویژگی ها شامل ویژگی های آماری آنتروپی (entropy statistics)، ویژگی هاقرار دارد. ویژگی های مستخرج از ماتریس سختی از جمله ویژگی های جدیدی بوده اند که در سامانه های آشکارسازی میتوزهای پیشنهادی به دو صورت ناحیه محور و شیءگرا استفاده شده اند. در فاز طبقه بندی یکی از سامانه های پیشنهادی، ادغام سری طبقه بندی کننده ها ارائه شده اند. همچنین سامانه ای کمک رایانه ای با رویکرد پیشرونده ارائه شده است. نتایج ارزیابی پیاده سازی های سامانه های پیشنهادی بر روی پایگاه داده mitos-icpr2012 کارآیی بالای آنها را نشان می دهد.