الگویتم رهگیری اشعه تکنیکی برای مسائل رندرسازی در کارهای گرافیکی کامپیوتر است. از این تکنیک برای ایجاد تصاویر واقعی و طبیعی در گرافیک کامپیوتر استفاده می شود.رهگیری اشعه متدی برای تبدیل مدل های سه بعدی به مدل های دو بعدی با کیفیت تصویر بالا تر است.در این تکنیک که از جهان واقعی الهام می گیرد برای ایجاد تصاویر واقعی تر باید میلیون ها اشعه شبیه سازی و برای برخورد به صحنه پیگیری شوند. متد های زیادی برای کاهش زمان رندر سازی این تکنیک در مقاله های مختلف بکار گرفته شده اند، که می توان به تسریع ساختارها اشاره نمود.kd-tree یکی از معروف ترین و عمومی ترین روش برای تسریع زمان رندرسازی در الگوریتم رهگیری اشعه است. در این پایان نامه بر روی کاهش زمان رندرسازی الگوریتم رهگیری اشعه کار انجام شده است. و همچنین در این پایان نامه دو روش برای بدست آوردن برخی از پیکسل های رنگ نشده از صفحه دید بدون روش رهگیری اشعه ارائه شده است، در روش ها ی ارائه شده ، الگوریتم های خطی سریعتر از روش رهگیری اشعه است.نتایج حاصل شده در این پایان نامه حداقل 50 درصد سریعتر از روش spatial median است.( برای صحنه های پیچیده با k70 چند ضلعی و تنزل کیفی حدود 0.5 درصد) در این پایان نامه ترکیب روش ارائه شده با روش رهگیری اشعه برای کاهش زمان رندر سازی نشان داده شده است.

یک دسته از رویکردها برای تخمین حالت ? بعدی بدن انسان، رویکرد تمایزی است که با یادگیری مدلی، حالت ? بعدی را از ویژگی های تصویر ورودی تخمین می زند. به دلیل نبود اطلاعات عمق در تصویر، این رویکرد با چالش ابهام در عمق روبرو شده است. برای حل این چالش که یکی از اساسی ترین چالش های مساله تخمین حالت ? بعدی است، روش های نظارتی متعددی ارایه شده است. اما این روش ها به داده ها ی آموزشی بسیار زیادی (بیش از هزاران) نیاز دارند. بنابراین در سال های اخیر به منظور کاهش این نیاز، روش های نیمه نظارتی برای حل چالش ابهام در عمق مورد توجه قرار گرفتند. یک دسته از روش های نیمه نظارتی، روش های مبتنی بر گراف است که برای تخمین برچسب داده ها از گراف که تخمینی از منیفولد داده ها است، استفاده می کنند. یکی از مولفه های اصلی این روش ها، ساخت گراف همسایگی است به طوری که این گراف همسایگی از داده های بدون برچسب و برچسب دار ساخته می شود. بهبود کیفیت ساخت گراف تاثیر به سزایی در کارایی و دقت این روش ها دارد. اما به دلیل استفاده از فاصله ی اقلیدسی در ساخت گراف، گراف ساخته شده شامل یال های میان بر می باشد. این یال های میان بر، داده ها با برچسب های متفاوت را به یکدیگر متصل می نمایند. در این پایان نامه روشی نیمه نظارتی مبتنی بر گراف جهت تخمین حالت ?بعدی از دنباله ای از سیاه نماها ارایه شده است. اما به دلیل استفاده از فاصله ی اقلیدسی و چالش ابهام در عمق، گراف ساخته شده شامل یال های میان بر است. با بهره گیری از پنجره های زمانی لغزنده و مقایسه شباهت بین پنجره های زمانی، یال های میان بر در گراف همسایگی را کشف و حذف می نماییم. علاوه بر رفع چالش ابهام در عمق، به واسطه استفاده از رابطه ی بین داده های بدون برچسب و برچسب دار چالش نیاز به داده ی آموزشی زیاد نیز مرتفع می شود. روش پیشنهادی را بر روی فعالیت های گوناگونی آزمایش کردیم و نتایج حاصل از آن را با چند روش های نیمه نظارتی اخیر مقایسه نمودیم. کاهش میانگین مربع خطا (mse) روش پیشنهادی نسبت به روش های اخیر و همچنین گراف اولیه نشان دهنده ی بهبود عملکرد روش پیشنهادی است.

تشخیص چهره، توانــایی تشخـــیص یک افـــراد با توجه به ویژگی های چهر? آنها است. تشخیص چهره، یک موضوع مهم در کاربردهایی همچون سیستم های امنیتی، کنترل کارت اعتباری و شناسایی مجرمان محسوب می شود. استفاده از تصاویر ویدیویی موجب می شود که محدودیت تصاویر ثابت از بین رفته و بتوان تحت هر شرایطی تصویر کاربر را دریافت کرد و تشخیص چهره انجام شود. در این سیستم ها چالش هایی وجود دارد: تغییرات ژست فرد، تغییرات نور، پوشیدگی چهره، کفیت پایین تصاویر ویدیویی و تغییرات ویژگی های شخصی در هریک از فریم ها. برای انجام کار تشخیص چهره با استفاده از تصاویر ویدیویی نیاز به سه فاز وجود دارد: آشکارسازی، دنبال کردن کردن تصویر چهره در فریم ها و تشخیص چهره. هدف اصلی در این پروژه نوآوری در فاز تشخیص چهره می باشد. در این پژوهش با استفاده از روش های مبتنی بر الگوی باینری محلی به حل چالش های موجود در سیستم های تشخیص چهره پرداختیم. به همین منظور از رویکرد همسایگی نامتقارن در الگوهای باینری محلی استفاده شده است. با تعریف همسایگی نامتقارن در تصویر اطلاعات مفید تصاویر چهره که قدرت تمایز بیشتری در تصاویر چهره را دارا هستند، استخراج می شوند. این روش با استفاده از یک نمون? آموزشی به ازای هر کلاس و توسط یادگیری نیمه نظارتی ارزیابی شده است. دقت تشخیص این روش روی پایگاه داده های mobo، honda/ucsd و essex به ترتیب برابر 93.4، 85.5 و 96.2 است. این رویکرد در الگوهای باینری محلی حجمی که در تصاویر ویدیویی و با بعد زمان کار می کند، استفاده شده است. به این منظور از شبک? عصبی خودسازمانده برای پیدا کردن نقاط کلیدی در یک همسایگی استفاده می شود. با استفاده از الگوی بهینه شده توسط شبک? عصبی خودسازمانده در این ناحیه، الگوهای باینری محلی حجمی به محاسب? ویژگی های کلیدی تصویر می پردازد و عملکرد الگوهای باینری محلی حجمی بهبود پیدا می کند. دقت تشخیص این روش روی پایگاه داده های mobo، honda/ucsd و essex به ترتیب برابر 96.9، 85.8 و 98.4 است. از دیگر رویکردهایی که برای بهبود الگوهای باینری محلی حجمی استفاده شده است، استخراج ویژگی های متمایز کنند? تصویر چهره بر اساس آنتروپی می باشد. با استفاده از آنتروپی محلی تصویر، نواحی حائز اهمیت در تصاویر الگوی چهره استخراج می شوند و به این ترتیب نواحی با اهمیت برای تمایز تصاویر چهره استفاده می شوند. دقت تشخیص این روش روی پایگاه داده های mobo، honda/ucsd و essex به ترتیب برابر 98.4، 91.1 و 99.1 است. با استفاده از الگوریتم pso می توان به استخراج نواحی مهم با توجه به شرایط محلی و سراسری پرداخت و دقت تشخیص به دست آمده با استفاده از این روش روی پایگاه داده های mobo، honda/ucsd و essex به ترتیب برابر 99.0، 92.8 و 99.8 است. با استفاده از نقاط کلیدی که توسط روش sift استخراج می شود، همسایگی نواحی مهم تصویر استخراج می شود و با محاسب? الگوی باینری محلی حجمی به ازای هریک از نواحی استخراج شده، می توان به طور چشمگیری عملکرد الگوهای باینری محلی حجمی را بهبود بخشید. دقت تشخیص این روش روی پایگاه داده های mobo، honda/ucsd و essex به ترتیب برابر 99.5، 95.3 و 99.6 است.

بازشناسی متون چاپی، از جمله زمینه های پرکاربرد بازشناسی الگو است. تاکنون تحقیقات متعددی در زمینه ی بازشناسی متون چاپی فارسی و عربی صورت گرفته است اما این تحقیقات، غالبا با محدودیت های فراوانی به ویژه در حوزه ی عملیاتی شدن، همراه بوده اند. کلیه ی تحقیقات انجام شده در این حوزه را می توان در قالب سه رویکرد مبتنی بر جداسازی حروف، رویکرد مبتنی بر بازشناسی شکل کلی زیرکلمات و رویکرد ترکیبی، تقسیم بندی نمود. در این پژوهش سعی شده است تا دو راهکار در زمینه ی رویکرد بازشناسی مبتنی بر شکل کلی کلمات و رویکرد ترکیبی ارائه شود. در راهکار نخست که مبتنی بر رویکرد شکل کلی کلمات می باشد، ابتدا به ارائه ی الگوی باینری محلی هرمی، به عنوان یک روش استخراج ویژگی مستقل از چرخش و کارا در حوزه ی تشخیص زیرکلمات چاپی پرداخته شده و سپس با بهره گیری از خوشه بندی فازی و شبکه های عصبی توابع پایه شعاعی، عملیات بازشناسی انجام می پذیرد. آزمایشات صورت گرفته حاکی از آن است که راهکار پیشنهادی با دقتی در حدود 97.81 درصد، قادر به تفکیک و تشخیص زیرکلمات چاپی می باشد. در راهکار دوم که مبتنی بر رویکرد ترکیبی است، نخست، گروهی از حروف ابتدا، میانه و انتهای کلمات، که با دقت بالایی قابل جداسازی و بازشناسی می باشند، به عنوان حروف شاخص مشخص می شوند و سپس با بهره گیری از الگوریتم ژنتیک و عملگرهای مورفولوژی، مجموعه ای ازعملگرهای مورفولوژی به همراه عناصر ساختاری بهینه که قادر به توصیف مناسب هر یک از گروه ها هستند مشخص شده و زیر کلمات هر یک از گروه ها بر اساس این حروف شاخص، کدگذاری می شوند. سپس یک دیکشنری تصویری، بر اساس زیرکلمات کد شده، ایجاد شده و در نهایت، عملیات بازشناسی زیرکلمات از طریق یک شبکه عصبی توابع پایه شعاعی و به کارگیری ویژگی موجک صورت پذیرفته است، صورت می پذیرد. در پایان این پژوهش نیز به منظور بکارگیری اطلاعات معنایی زمینه، به بررسی بهره گیری از مدل زبانی srilm در سطح کلمه و زیرکلمه بر روی یک سیستم پیشنهادی، پرداخته شده است. کلمات کلیدی بازشناسی متون، خوشه بندی فازی، شبکه عصبی توابع پایه شعاعی، الگوریتم ژنتیک، مدل زبانی

پیش بینی در بازار بورس یکی از مهم ترین مباحث مطرح در اقتصاد و تجارت است. پیش-بینی و ارائه رویکردی برای معامله در زمان مناسب، در میزان دستیابی به بازده مالی اهمیتی بسزا دارد و داده های پر نوسان، نا ایستا و نامنظم بازار سهام حوزه ای پرچالش برای پژوهشگران محسوب می شود. هدف این پژوهش ارائه ی روشی برای کمک به تصمیم گیری در معاملات بازار بورس ارائه است و با به کار گیری ابزار های محاسبات نرم و تحلیل تکنیکی، سه مدل پیشنهاد شده است. سیستم پیشنهادی اول به پیش بینی قیمت سهام روز بعد سهام با استفاده از شبکه عصبی پرداخته و از آن برای ارائه راهکار معاملاتی بهره می برد. سیستم پیشنهادی دوم، سیستم استخراج خودکار قوانین معاملاتی است و سیستم سوم پیشنهاد دهنده سیگنال معاملاتی با ارائه میزان قطعیت است که مبتنی بر تشخیص الگو با استفاده از شبکه های عصبی و تحلیل تکنیکی است. کارآیی سه سیستم پیشنهاد شده با راهبرد خرید و نگهداری و برنامه ریزی ژنتیک مقایسه شده است. مقایسه بازده میانگین سیستم ها نشان داد که هر سه روش پیشنهادی در این پژوهش، از راهبرد خرید و نگهداری و همچنین روش برنامه ریزی ژنتیک برتر عمل نموده اند. بازده راهبرد خرید و نگهداری با میزان بازده 1.93-% کمترین بازده را در بین مدل های سرمایه-گذاری مورد بحث کسب نمود. مدل برنامه ریزی ژنتیک بازده 4.08% را کسب نمود و بعد از راهبرد خرید ونگهداری، کمترین بازده را حاصل نمود. سیستم های پیشنهادی اول، دوم و سوم به ترتیب دارای بازده های میانگین 7.68%، 15.61% و 32.11% بودند. سیستم پیشنهادی سوم بهترین بازده را در بین سیستم های معرفی شده داشت و در رتبه های بعدی بازده میانگین، به ترتیب سیستم پیشنهادی دوم و اول قرار دارند.

یکی از موضوعات مطرح در حوزه ی پردازش تصویر و ویدئو در دهه گذشته، ردیابی و تشخیص نوع رفتار اشیا متحرک می باشد. توانایی استخراج اشیا متحرک و ردیابی آن در یک دنباله ی ویدئو، اولین گام در تحلیل ویدئوهای نظارتی است. روش های زیادی در خصوص اشیا متحرک و ردیابی آن ها مطرح شده است. روش رایج تشخیص اشیا متحرک، تفاضل پس زمینه است. از چالش های مطرح در حوزه ی ردیابی، می توان وجود اشیا مشابه در پنجره ی جستجو، تغییر شکل و تغییرات روشنایی محیط و یافتن مدل پس زمینه ای دقیق برای تشخیص درست اشیا پیش زمینه را نام برد. در این پژوهش برای مدل کردن پس زمینه روش میان گیری فریم ها بکار گرفته شده است و جهت ردیابی وسایل نقلیه دو روش پیشنهاد شده است.که در روش اول از عملگر الگوی باینری محلی چند مقیاسه سلسله مراتبی و الگوریتم ژنتیک جهت ردیابی وسایل نقلیه استفاده شده است و در روش دوم الگوریتم تطبیق الگو و تانژانت فاصله به همراه فیلترکالمن بکارگرفته شده است. مزیت استفاده از فیلتر کالمن در این است که اگر اشیای مشابه در ناحیه ی جستجو وجود داشته باشد، فیلتر کالمن این مسئله را مدیریت می کند و تانژانت فاصله زمان جستجو را تا حد زیادی کاهش می دهد. مقایسه زمان جستجوی دو روش نشان می دهد که متوسط زمان جستجوی یافتن موقعیت شی در هر فریم برای روش اول 5 ثانیه و برای روش دوم 0.06 ثانیه می باشد. خروجی سیستم تشخیص و ردیابی که همانا دنباله مسیر اشیا مورد ردیابی می باشند، بعنوان ورودی در پردازش های مرتبه بالاتر مانند تشخیص نوع رفتار بکار می روند. جهت تشخیص رفتارهای نرمال و غیرنرمال وسایل نقلیه متحرک الگوریتم فازی ژنتیک که مبتنی بر الگوریتم های pittsburgh وmichigan می باشد را بکارگرفتیم. مقایسه این روش با روش efunn که شبکه عصبی فازی تکاملی می باشد، نشان دهنده ی این است که دقت الگوریتم فازی ژنتیک در کلاسه بندی رفتارها 96% و دقت شبکه ی عصبی فازی تکاملی برابر 92% است.

ندول های ریه ممکن است که دلالت بر سرطان ریه داشته باشند. پرتونگاری مقطعی کامپیوتری، دقیق ترین نوع تصویربرداری برای شناسایی ندول می باشد. توسعه یک سیستم تشخیص سرطان ریه به کمک کامپیوتر، از اهمیت درمانی بالایی در امر تشخیص و درمان زود هنگام سرطان ریه به منظور افزایش شانس بقای بیماران برخوردار است. رویکردهای موجود در شناسایی ندول به دو دسته کلی مبتنی بر چگالی و مبتنی بر مدل تقسیم می شوند. معمولاً روش های مبتنی بر چگالی خطای مثبت بالایی داشته و وابسته به شرایط تصویربرداری می باشند. سیستم پیشنهاد شده رویکردی مبتنی بر مدل و مابین روش های دوبعدی و سه بعدی است که به شناسایی انواع ندول های ریه می پردازد. سیستم اشاره شده شامل 5 مرحله اصلی است: مرحله اول استخراج ریه ها از قفسه سینه و قطعه بندی ساختار داخلی ریه ها با استفاده از روش آستانه گذاری و برچسب گذاری مولفه های متصل است، مرحله دوم به حذف اشیای لوله ای شکل مانند رگ ها می پردازد، در مرحله سوم شناسایی ندول های کاندید با الگوریتم شناسایی حرکت جریان نوری در 3 اسلایس پشت سرهم را خواهیم داشت. مرحله چهارم، شامل بریدن ندول های کاندید در هر تصویر و استخراج ویژگی های الگوهای باینری محلی که نوعی ویژگی بافتی محسوب می شود، در 3 صفحه عمود بر هم در 8 دنباله از اسلایس های متوالی است. در نهایت مرحله پنجم کاهش خطای مثبت با استفاده از الگوریتم مدل مخفی مارکوف از طریق ایجاد 11 مدل متفاوت به منظور آموزش 11 کلاس از 65 دنباله ندول های جمع آوری شده از پایگاه داده lidc است. برای آزمایش سیستم، ما از مجموعه داده های جمع آوری شده از 10 بیمار شامل بیش از 2000 اسلایس از 120 ندول مختلف، استفاده شده است. سیستم ارائه شده حساسیت 98.87 % با میزان خطای مثبت 1.9 در هر اسلایس را نتیجه می دهد. این نتایج دلالت بر این دارد که روش پیشنهادی نتایج قابل مقایسه ای با توجه به نظر فرد خبره دارد و کارایی تشخیص قابل رضایت می باشد.

در سالهای گذشته، تعدادی سیستمهای تجزیه و تحلیل تصویر به صورت خودکار، برای تشخیص، تجزیه و تحلیل و ردیابی اشیای متحرک در اماکن و کاربردهای گوناگون، توسعه داده شده اند. این موضوع یکی از مسائل مهم و در حال توسعه در پردازش تصویر و بینایی ماشین، است. ردیابی اشیاء، نمایش تغییرات موقعیت یک شیء و دنبال کردن آن در یک دنباله از تصاویر ویدئویی، با هدفی خاص است که باید با دقت مطلوبی انجام شود. اگرچه سابقه ایجاد پدیده ردیابی اشیاء به مسائل نظامی برمی گردد ولی امروزه به دلیل کاربردهای بسیار گسترده ی ردیابی اشیاء در زمینه های مختلف، مثلاً کنترل ترافیک و تشخیص حرکات غیرمعمول، این مقوله و جوانب مختلف آن مورد توجه ویژه ای قرار گرفته است. از جمله مسائلی که همواره عملکرد الگوریتم های ردیابی را با مشکل مواجه ساخته است، تعامل آنها با روش های تشخیص هدف، ظاهر متغیر اهداف و همچنین ردیابی همزمان چند هدف است. در این پژوهش، یک روش با بهره وری بالاتر و دقیق تر از روش های قبل برای ردیابی اشیاء با استفاده از تصویر برداری با دوربین ثابت معرفی می گردد. در این سیستم تصاویر ویدئویی گرفته شده از محل مورد نظر، پردازش شده و اشیای متحرک آن شناسایی و استخراج می گردند. الگوریتم پیشنهادی در چندین مرحله عمل می کند. ابتدا پس زمینه ی ثابت را شناسایی و نویز را از آن حذف می کند. این پس زمینه برای تفریق شدن از اشیا ی متحرک به کار می رود. پس از آن طی یک مرحله ی فیلتر کردن تصویر، سایه ها و نویزهای تصویر فیلمبرداری شده حذف و در نهایت با استفاده از روش مسیریابی حباب شی متحرک یا اشیا ی متحرک تفکیک، شناسایی و ردیابی می شوند. آزمایش این سیستم، بر روی تصاویری از یک فرد در حیاط منزل و جاده های شهری انجام شد. نتایج تجربی نشان می دهد که مدل پیشنهادی برای تشخیص اشیاء متحرک و ردیابی آنها، به خوبی کار می کند و می تواند تخمین حرکت و مسیر حرکت اشیاء را از نظر سرعت و دقت تا حد مطلوبی بهبود دهد. این بهبود از نظر دقت نسبت به روش های گذشته به 10 درصد نیز می رسد.

دیابت¬رتینوپاتی یکی از شایعترین عوارض دیابت و از مهم¬ترین دلایل ضعف بینایی است. این در حالی است که تشخیص زود هنگام این بیماری از نابینایی فرد جلوگیری می¬کند. از طرفی اولین علامت این بیماری میکروآنوریسم¬ها هستند. لذا در این پژوهش به تشخیص این ضایعه پرداخته¬ شده است. بر اساس پژوهش¬های پیشین، روش¬های تشخیص میکروآنوریسم دارای دو مرحله اصلیِ قطعه¬بندی عروق و تشخیص نواحی کاندید ضایعه می¬باشند. یکی از چالش¬های مهم در قطعه-بندی عروق شبکیه، استخراج عروق در تصاویر پاتولوژیک شبکیه می¬باشد. جهت بهبود این چالش، رویکردی جدید ارائه نمودیم، که شامل دو مرحله می¬باشد¬، ا- قطعه¬بندی اولیه عروق بر اساس ویژگی¬های سطح پایین، 2- حذف ساختار¬های غیررگ بر اساس ویژگی¬های سطح بالای پیشنهادی. از چالش¬های تشخیص نواحی کاندید، تشخیص میکروآنوریسم¬های با وضوح پایین می¬باشد. لذا در این پژوهش روشی جدید مبتنی بر اعمال مدل میدان تصادفی مارکوف جهت بهبود این چالش، پیشنهاد شده است .

مغز از حدود 100 میلیارد نورون تشکیل شده که هر نورون در واقع یک سیستم زیستی می باشد که جریان الکتریکی را در شرایط خاصی از خود عبور می دهد، فعالیت هر گروه از این نورون ها نشانگر دستور یا پردازشی خاص است. سیستم¬های رابط مغز با رایانه (bci) بر مبنای این سیگنال¬های مغزی عمل می¬کنند. اساس این سیستم¬ها بر پایه تغییر سیگنال¬¬های مغزی در هنگام انجام فعالیت¬های ذهنی است که به روش¬های متفاوتی از جمله الکتروانسفالوگرافی قابل ثبت است. یکی از کاربردهایی که اخیراً از این رابط مطرح شده است، انجام محاسبات با کمک انسان می باشد که استفاده از اطلاعاتی که مستقیماً از مغز گرفته شده را به منظور افزایش کارایی فرآیندهای یادگیری ماشین وکمک به کامپیوتر در انجام وظایفی که هنوز به تنهایی قادر به انجام آنها نیست، پیشنهاد می کند. به عنوان مثال الگوریتم های بینایی کامپیوتر، دارای سرعت پردازشی بالایی هستند، اما تصاویر را بر اساس یک سری مفاهیم سطح پایین و مشخص طبقه بندی می کنند، این درحالی است که انسان می تواند اهداف را در شرایط دشوار، تقریباً بی درنگ شناسایی کند. هدفی که در این پایان نامه دنبال می کنیم ترکیب نقاط قوت هر دو سیستم بینایی انسان و بینایی کامپیوتر در حوزه سامانه های جستجوی تصاویر می باشد، چراکه در عصر کنونی با افزایش حجم داده های تصویری، نیاز به سامانه های جستجوی تصاویر کارا به شدت احساس می شود. در این راستا سیستم er2 را که برای اولین بار در ایران مطرح شده است را پیشنهاد کردیم. این سیستم از یک سیستم تک آزمایش مبتنی بر eeg تشکیل شده. استراتژی استفاده شده در این سیستم، توانست با دقت 80.56، کلاس اهداف را شناسایی کند و به دقت طبقه بندی 90.28 دست یابد. همچنین در بازیابی تصاویر دقت قابل قبولی را از خود نشان داده است. به منظور ارزیابی ونشان دادن کارایی سیستم پیشنهادی نیز، آن را با کلاس های هدف مختلف از پایگاه داده caltech-101 مشتمل بر 2802 نمونه تصویر بررسی کردیم.

تشخیص پوسیدگی دندان یکی از مبنایی ترین مهارت هایی است که متخصصان حوزه ی بهداشت دهان و دندان باید یاد بگیرند و در عین حال، یکی از سخت ترین مهارت هایی است که این متخصصان کسب می کنند، چرا که فرد خبره باید بتواند با اطمینان بالا مکان و مقدار پوسیدگی را تشخیص دهد. بهره گیری از تکنولوژی روز و ابزارهای گوناگون، خصوصاً سیستم های کامپیوتری که در زمان نسبتاً کوتاهی، جای خود را در همه ی علوم به وضوح باز کرده اند، در اینجا نیز همانند سایر حوزه های پزشکی، کارگشا بوده و امری اجتناب ناپذیر است. در همین راستا، یک سیستم پیشنهادی برای تشخیص پوسیدگی دندان از روی تصاویر رادیوگرافی پری اپیکال ارائه شده است که در پیدا کردن مکان پوسیدگی به دندانپزشک کمک خواهد کرد. در سیستم پیشنهادی، ابتدا تصاویر رادیوگرافی پری اپیکال به منظور کاهش نویز پیش پردازش می شوند، سپس طی دو مرحله استفاده از روش قطعه بندی اکتیوکانتور بدون لبه که زیرمجموعه ای از روش های level set است، تک دندان ها از تصویر استخراج شده و پس زمینه ی آنها حذف می گردد. در نهایت تعدادی ویژگی از تصاویر استخراج می گردد و مبتنی بر این ویژگی ها، دندان هایی که دارای پوسیدگی هستند، از دندان های فاقد پوسیدگی جدا می گردند. با توجه به تفاوت های انواع مختلف تصاویر دندانپزشکی که نیاز به استفاده از روش های مختلف پردازش را ایجاد می کند، سیستم پیشنهادی این پژوهش، نخستین سیستم یکپارچه ی ارائه شده به منظور پردازش تصاویر رادیوگرافی پری اپیکال است و می تواند به عنوان پایه ی پژوهش های آتی در این زمینه قرار گیرد.

گاهی روند پیشرفت این بیماری های پوستی به قدری تند است که درمان آن به سختی صورت می گیرد لذا پزشکان به دنبال روشی جهت پیش بینی زودهنگام روند پیشرفت/ بهبود بیماری هستند. هر زخم شامل فاکتورهای قابل اندازه گیری مختلفی است که با بررسی آن ها می توان روند پیشرفت/بهبود بیماری را تعیین کرد. از مهم ترین آن ها می توان به سطح، بافت، رنگ و عمق اشاره کرد. در حال حاضر بررسی فاکتورهای بیان شده توسط پزشکان به صورت حضوری، پر مشقت، طی مراقبت های طولانی مدت، پر هزینه و با دقت بالا صورت می گیرد. با توجه به نیازمندی پزشکان و سهولت در بررسی این روند، الگوریتمی پیشنهاد شده که با استفاده از تکنیک های پردازش تصاویر رنگی موجود در بازه های زمانی مختلف، این فاکتورها را بررسی کرده و با استفاده از الگوریتم های هوشمند، بهبود/پیشرفت آن را تعیین می کند.