اخیراً در بین تکنیک های نهان نگاری، نهان نگاری برگشت پذیر توجّه بسیاری را به خود جلب کرده است. در این روش ها نهان نگاره حاوی اطّلاعاتی درباره خود رسانه میزبان یا موضوعی که به رسانه میزبان مرتبط است می باشد و از طرفی باید بتوان در گیرنده تصویر میزبان را به طور کامل از روی تصویر نهان نگاری شده بازسازی نمود. با توجّه به اینکه یکی از چالش های پیش روی روش های نهان نگاری برگشت پذیر، ظرفیّت نهان نگاری می باشد، در این تحقیق یک روش نهان نگاری برگشت پذیر بر مبنای هیستوگرام تصویر میزبان ارائه شده است. در این روش ابتدا تصویر به بلوک های بدون هم پوشانی تقسیم می شود و با توجّه به بزرگترین فاصله خالی موجود در هیستوگرام به هفت دسته طبقه بندی می شوند. دسته بندی به طریقی صورت می گیرد که نیاز به اطّلاعات اضافی برای استخراج نهان نگاره و بازگرداندن تصویر میزبان به حالت اوّلیه در گیرنده به طور کامل از بین می رود. سپس با استفاده از روش شیفت هیستوگرام بیت های نهان نگاره در هر بلوک درج می شوند. در روش پیشنهادی ظرفیّت به مقدار قابل توجّهی نسبت به روش شیفت هیستوگرام معمولی افزایش می یابد. نتایج پیاده سازی نشان می دهد که الگوریتم پیشنهادی علاوه بر روش شیفت هیستوگرام معمولی در مقایسه با سایر روش های نهان نگاری برگشت پذیر در کیفیّتِ یکسان دارای ظرفیّت بالاتری است. همچنین تصویر نهان نگاری شده از نظر بصری دارای کیفیّت قابل قبولی می باشد.

با پیشرفت سریع تکنولوژی دیجیتال و استفاده ی گسترده از اینترنت، نهان نگاری دیجیتال به عنوان ابزار قدرتمندی در زمینه ی محافظت داده مورد استفاده قرار گرفته است. یک دسته ی مهم از روش های نهان نگاری که به نام نهان نگاری بدون اتلاف و نیمه شکننده شناخته می شوند،برای رفع مشکل شکنندگی در الگوریتم های نهان نگاری بدون اتلاف مطرح شده اند. هدف اصلی این پایان نامه ارائه ی الگوریتم هایی نیمه شکننده برای نهان نگاری بدون اتلاف به منظور بهبود نتایج وگسترش کاربرد نهان نگاری بدون اتلاف در زمینه ی سندیت تصویر است. بر این اساس سه الگوریتم نهان نگاری بدون اتلاف و نیمه شکننده پیشنهاد شده است. الگوریتم پیشنهادی اول، یک الگوریتم نهان نگاری تهی بر اساس ضرایب ویولت وماشین بردار پشتیبان است.بر این اساس، الگوریتم ارائه شده با استخراج بردار ویژگی مقاوم بر پایه ضرایب ویولت تصویر و اختصاص دنباله بیت بیشتر برای ضرایب فرکانس پایین، که با تغییر تصویر براحتی تغییر نکرده، به آموزش svm پرداخته است. trained-svm در گیرنده برای تست الگوهای آموزشی از تصویر دریافتی مورد استفاه قرار می گیرد. خروجی trained-svmنهان نگاره ی استخراجی است. اگر تصویر دریافتی در گیرنده نسبت به تصویر میزبان بدون تغییر باشد، نهان نگاره ی استخراجی معادل با نهان نگاره ی اصلی است و اگر شدت تغییرات تصویر زیاد و قابل توجه باشد، نهان نگاره ی استخراجی از trained-svmبا نهان نگاره ی اصلی متفاوت است. این مسئله نشان دهنده ی آن است که استفاده از svm، تا حد مطلوبی پاسخگوی نیازهای الگوریتم های برگشت پذیر نیمه شکننده بوده است. در الگوریتم پیشنهادی دوم، نهان نگاری تهی به کمک ضرایب تجزیه ی مقادیر تکین در حوزه ی ویولت انجام شده است.. فلسفه استفاده از تبدیل svd، مقاوم بودن ضرایب آن در برابر تغییرات است، بطوریکه اگر تغییرات وارد شده به تصویر اصلی کم و محدود باشد، ضرایب svd مربوط به آن تقریباً بدون تغییر باقی خواهند ماند. استفاده از ضرایب تبدیل svd خاصیت نیمه شکنندگی را برای این الگوریتم به همراه داشته است. نتایج آزمایش ها نشان می دهد که با افزایش شدت حملات، خطا در نهان نگاره استخراجی به یکباره افزایش داشته و سپس ثابت باقی می ماند. این ویژگی که ناشی از نوع ویژگی های انتخابی است، امکان معرفی یک سطح آستانه را برای شدت حملات امکان پذیر کرده است. و الگوریتم پیشنهادی سوم، نهان نگاری بر اساس انتخاب دو ناحیه ی مطلوب و غیرمطلوب از تصویر است. نهان نگاره ابتدا از ناحیه ی مطلوب تولید شده و سپس با روشی مقاوم و بدون اتلاف در ناحیه ی غیرمطلوب درج می شود.نتایج آزمایش ها نشان می دهد هر سه الگوریتم در عدم حضورحملات، بدون اتلاف هستند، یعنی قادر به استخراج دقیق نهان نگاره و بازیابی کامل تصویر میزبان هستند. در صورت وجود حملات محدود مانند فشرده سازی با ضریب کیفیت بالا نیز، استخراج صحیح نهان نگاره امکان پذیر است. . هدف از اجرای چنین تکنیکی از بین بردن نیاز به اطلاعات سربار در الگوریتم های نهان نگاری تهی است، در حالیکه تصویر بدون اتلاف کد می شود (قابل بازیابی است) و مهم تر از آن، roi که ناحیه ی مهم تصویر کد شده است، کاملاً بدون تغییر باقی می ماند. الگوریتم به گونه ای طراحی شده که امکان بررسی سندیت تصویر دریافتی در گیرنده نیز وجود دارد.هم چنین این الگوریتم ها شرایط بسیار مطلوبی برای بررسی سندیت تصاویر به خصوص برای کاربردهای پزشکی فراهم آورده اند.

در این پایان نامه هدف ارائه روشی خودکار به منظور ناحیه بندی تصاویر تشدید مغناطیسی مغز انسان به سه بافت مختلف ماده سفید، ماده خاکستری و مایع مغزی-نخاعی بر اساس الگوریتم سطوح همتراز می باشد. از مهمترین چالش ها در ناحیه بندی خودکار تصاویر تشدید مغناطیسی مغزی وجود نویز و نایکنواختی شدت روشنایی می باشد. در روش پیشنهاد شده در این پایان نامه با استفاده از الگوریتم سطوح همتراز، به طور همزمان ناحیه بندی تصاویر تشدید مغناطیسی مغزی، اصلاح نایکنواختی شدت روشنایی و حذف نویز انجام می گیرد. بدین منظور تابعی ای پیشنهاد شده است که از توزیع گوسی به همراه محاسبه اطلاعات میانگین و واریانس محلی بهره می جوید. در این روش با مدل کردن نایکنواختی شدت روشنایی تصاویر تشدید مغناطیسی مغزی به صورت یک مدل ریاضی به اصلاح آن در زمینه ناحیه بندی این گونه تصاویر پرداخته می شود. همچنین در روش پیشنهادی از میدان تصادفی مارکوف (مدل مارکوف) برای مدل سازی همبستگی مکانی بین پیکسل ها/ وکسل های تصاویر تشدید مغناطیسی استفاده شده است. نتایج اعمال الگوریتم پیشنهادی بر روی داده های شبیه سازی شده و واقعی تصاویر تشدید مغناطیسی و همچنین ارزیابی های کیفی و کمی کارایی و دقت بالای روش پیشنهادی در مقایسه با روش های ارائه شده در سال های اخیر مانند lgdf و fsl را نشان می دهد. کلمات کلیدی: تصویر تشدید مغناطیسی، ناحیه بندی مغز، الگوریتم سطوح همتراز، مدل مارکوف، ناهمگنی شدت روشنایی

نشانه گذاری دیجیتال یک شیوه کارآمد برای محافظت از محتوای تصاویر دیجیتال است. در نشانه گذاری دوگانه، دو نشانه در درون تصویر میزبان جاسازی می شود: نشانه اول برای تشخیص نواحی دستکاری شده تصویر و نشانه دوم که از محتوای تصویر اصلی گرفته می شود برای ترمیم نواحی دستکاری شده استفاده می شود. هدف اصلی این پایان نامه، ارائه روش های نشانه گذاری دوگانه برای تشخیص و ترمیم دستکاری در تصاویر دیجیتال به منظور بهبود نتایج موجود، هم از نظر کیفیت تصویر بازسازی شده و قدرت تحمل حملات و هم از جنبه ی در نظرگرفتن قدرت بازیابی ویژه در ناحیه خاصی از تصویر (ناحیه مورد علاقه) می باشد. در این پایان نامه دو روش پیشنهاد شده است. در روش اول با تفکیک نواحی مورد علاقه و غیرموردعلاقه واستفاده از شیوه اشتراک مرجع برای تولید نشانه بازیابی، قابلیت ویژه ای در بازسازی ناحیه مورد علاقه ایجاد می شود. در روش پیشنهادی دوم تولید نشانه بازیابی بر اساس شیوه اشتراک مرجع و روش فشرده سازی spiht بوده که استفاده کارآمد از spihtو تلفیق آن با شیوه اشتراک مرجع، هم خاصیت سلسله مراتبی و هم قدرت ویژه ای در بازیابی فراهم می آورد. نتایج شبیه سازی های انجام شده نشان می دهد هر دو روش از قدرت بازیابی بسیار بهتری نسبت به روش های موجود برخوردارند، به صورتی که حتی در دستکاری های شدیدتر تصویر، تصویر را با کیفیت بهتری بازیابی می نمایند. همچنین در این روش ها بازیابی به صورت سلسله مراتبی می باشد به این صورت که هرچه ناحیه دستکاری شده کوچکتر باشد کیفیت تصویر بازیابی شده بهتر است .

تعداد سلولهای میتوزی در تصاویر هیستوپاتولوژی سرطان سینه به عنوان یکی از سه فاکتور مهم برای درجه بندی این سرطان می باشد. در این پایان نامه روشی اتوماتیک برای کمک به پاتولوژیست در تشخیص و شمارش سلولهای میتوزی ارائه شده است. در فرآیند تشخیص میتوزها در تصاویر هیستوپاتولوژی سرطان سینه دو چالش اساسی وجود دارد که یکی تنوع و گوناگونی زیاد در ساختار سلولهای میتوزی و دیگری وجود تعداد زیادی کاندیدا برای سلولهای میتوزی می باشد که این چالشها الگوریتم های موجود را تحت تاثیر قرار داده و باعث کاهش دقت تشخیص می شود. در این پایان نامه روشی ارائه می شود که تا حدود زیادی به این چالشها غلبه می کند. روش پیشنهادی در مرحله استخراج کاندیداها، پاسخ فیلتری را با استفاده از الگوریتم بهینه سازی de بدست می آورد که بر اساس آن تعداد زیادی از غیرمیتوزها حذف می شود و ناحیه جستجو را در تصویر کاهش می دهد. سپس 330 ویژگی شامل ویژگی های ماتریسهای همرخدادی و طول-اجرا، clbp ، فیلتر گابور و ویژگی های هیستوگرام، از کاندیداهای باقی مانده استخراج گردیده و در نهایت با استفاده از طبقه بندی svm ، سلولهای میتوزی تشخیص داده می شوند. نتایج بدست آمده بیانگر کارایی الگوریتم پیشنهادی در تشخیص میتوزها در تصاویر هیستوپاتولوژی سرطان سینه است به طوری که با روش پیشنهادی توانسته ایم با دقت 79/11 % سلولهای میتوزی را تشخیص دهیم.

علی رغم پیشرفت ماهواره های مشاهده زمین در دهه اخیر، همواره نیاز به بهبود تصاویر سنجش از دور مطرح بوده است. در سال های اخیر رزولوشن مکانی تصاویر چند طیفی به سرعت بهبود یافته است و بر خلاف سال های پیش که pansharpening موضوع بیشتر پژوهش ها بود، ادغام تصاویر ابرطیفی و چندطیفی در کانون توجه قرار گرفته است. هدف این پایان نامه بهبود تصاویر ابرطیفی با کیفیت پایین با اتکا به نسخه ای چندطیفی از آن با کیفیت بالاتر است. در این راستا دو روش پیشنهادی ارائه خواهد شد. روش پیشنهادی اول، مبتنی بر تکنیک های حوزه مکان است. در این روش با استفاده از چارچوب بیز و ادغام تصویر ابرطیفی با کیفیت پایین با تصویر چندطیفی با کیفیت بالاتر اقدام به بهبود تصویر ابرطیفی می شود. بازیابی بر مبنای تکرار الگوریتم em است و حذف نویز و مات زدایی به صورت جداگانه و به شکل مراحل دوگانه الگوریتم em انجام می پذیرد. به منظور پیاده سازی عملی، تصویر به بلوک های کوچک تر تقسیم شده و هر بلوک به صورت جداگانه پردازش می شود. راهکار جدیدی برای تخمین نویز پیشنهاد شده است. شبیه سازی های انجام شده نشان می دهند که الگوریتم پیشنهادی ضمن برخورداری از سرعت بالاتر، psnr و sam را در مقایسه با روش های موجود بهبود می دهد. در روش پیشنهادی دوم، با توجه به ویژگی های ممتاز تبدیل موجک در کاربرد های حذف نویز، این کار در حوزه تبدیل انجام می پذیرد. هم چنین به جای استفاده از توزیع گاوسی برای توزیع ضرایب در حوزه تبدیل، در این روش از مدل ترکیب مقیاس های گاوسی برای توزیع پیکسل ها استفاده شده است که توزیع پیکسل ها را در حوزه تبدیل، با دقت بیشتری مدل می کند. برای تخمین نویز هم روش دقیق تری به کار گرفته می شود و علاوه بر مولفه های قطری، مولفه های غیرقطری ماتریس کواریانس نویز نیز در نظر گرفته می شوند. درستی این روش هم با شبیه سازی های انجام شده، مورد بررسی قرار گرفت و مشاهده شد که psnr و sam به میزان قابل توجهی در مقایسه با روش های پیشین بهبود یافته است.

امروزه تصاویر بافت در گستره ی وسیعی از علوم، از پزشکی تا صنایع فضایی، کاربرد وسیعی یافته اند. یکی از مهم ترین مسائل مرتبط با این تصاویر، چگونگی ناحیه بندی دقیق آنها می باشد. شیوه های متنوعی تا کنون برای این منظور ابداع شده است و هر روز نیز شیوه های جدید تری ارائه می شوند. عموما ناحیه بندی بافت، شامل دو مرحله می شود: اول ویژگی های تصویر استخراج می شوند و سپس با استفاده از یک سری معیارها، ناحیه بندی انجام می شود. قلب یک روش ناحیه بندی استخراج ویژگی ها می باشد و هر چه ویژگی های استخراجی دقیق تر باشند، ناحیه بندی انجام شده به حالت ایده آل نزدیک تر خواهد بود. ثابت شده است که ویژگی های استخراج شده از اعمال عملگر سلول شبکه ای به تصویر، در مقایسه با سایر عملگرهای موجود، دقیق تر می باشند. اما پیاده سازی ها نشان می دهند که اعمال این عملگر مستلزم محاسبات نسبتا پیچیده بوده و زمان بر می باشد و بنابراین هم شبیه سازی آن و هم پیاده سازی آن با استفاده از مدارات عملی، مشکل می باشد. استفاده از تبدیلات موجک به واسطه ی داشتن ویژگی های کاربردی، روز به روز رایج تر می شود. از جمله این ویژگی ها می توان به توانایی این تبدیلات در آنالیز یک سیگنال در اندازه و رزولوشن های مختلف و نیز وجود مدارات عملی و ساختار های کاربردی vlsi برای پیاده سازی آنها اشاره نمود. در این پایان نامه، هدف طراحی موجک، با توانایی استخراج ویژگی های مشابه با ویژگی های مستخرج شده از عملگر سلول شبکه ای می باشد. بنابراین می توان از خصوصیات تبدیل موجک و مخصوصا سادگی پیاده سازی های عملی آن برای ناحیه بندی بافت استفاده نمود. برای این منظور ابتدا موجک های با طول محدود b-spline را که مشابه با اعمال فیلترهای گابور عمل می کنند، پیدا می کنیم و سپس با استفاده از ساختار lifting و ویژگی های آن، عملگر سلول شبکه ای پیاده سازی می شود. در پایان نتایج پیاده سازی و اعمال این موجک ها به تصاویر دلخواه نشان داده می شود و این نتایج با نتایج حاصل از اعمال عملگر سلول شبکه ای، مقایسه می شود. نتایج نشان دهنده ی این است که ویژگی های به دست آمده از موجک های طراحی شده، مشابه با ویژگی های عملگر سلول شبکه ای می باشد.

طبقه بندی بافت یکی از مهم ترین مسائل مطرح در پردازش تصویر می باشد. جهت انجام عمل طبقه بندی نیاز به استخراج ویژگی از بافت می باشد. در این تحقیق تمرکز اصلی بر روی استخراج ویژگی از بافت و بالا بردن نرخ طبقه بندی بافت می باشد. همچنین در این تحقیق روش جدیدی جهت استخراج الگوهای باینری محلی مبتنی بر فیلترینگ و ارتباط بین مقیاس های مختلف پیشنهاد می گردد. در این الگوریتم از سه ویژگی مختلف استفاده می شود: ارتباط بین مقیاس های مختلف، اطلاعات اندازه و علامت. ارتباط بین مقیاس های مختلف شامل دو مرحله است. مرحله اول پیش پردازشی بر روی تصویر توسط فیلترهای پایین گذر گوسی انجام می پذیرد، در مرحله دوم هر پیکسل اطراف پیکسل مرکزی توسط پیکسل های مقیاس های مختلف توصیف می گردد. جهت بهره مندی از اطلاعت اندازه از دو معیار کنتراست، یعنی انرژی موثر محلی و ضریب پراکندگی استفاده شده است. آخرین گام استفاده از اطلاعات علامت می باشد. بدین منظور از الگوی باینری محلی چند مقیاسی استفاده می شود. هیستوگرام های ترکیبی حاصل از این ویژگی ها هم موجب می شود که این روش دقت طبقه بندی بالاتری در کلاس بندی بافت نسبت به بقیه روش های موجود داشته باشد. همچنین کم بودن تعداد بین های هیستوگرام، مقاومت در برابر چرخش و ثابت بودن تعداد نمونه ها در هر مقیاس از ویژگی های این روش می باشد.

این پایان¬نامه به ارائه و بررسی روش¬های ادغام ویژگی برای طبقه¬بندی بیماری کبد چرب با استفاده از تصاویر فراصوت می¬پردازد. ترکیب و ادغام ویژگی¬ها می¬تواند اطلاعات اضافی ناشی از ویژگی¬های اضافی و نا¬مربوط را حذف کند که این امر در بهبود عملکرد سیستم تشخیص طبی به کمک کامپیوتر تاثیر بسزایی دارد. دو روش ترکیب سری و موازی برای دو حالت مختلف انجام شده ¬است که این حالت¬ها عبارتند از دسته¬بندی کبد سالم، چرب و ناهمگن و همچنین درجه¬بندی کبد چرب. روش¬های ادغام ویژگی پیشنهاد شده سه روش می¬باشند: ترکیب ویژگی-ها، ادغام ویژگی¬ها و ادغام سلسله مراتبی ویژگی¬ها. در هر سه روش از ویژگی¬های آماری و تبدیل مبنا برای تحلیل بافت تصاویر استفاده شده است. در نهایت دسته¬بندی به صورت سلسله مراتبی به کمک طبقه¬بندی کننده ماشین بردار پشتیبان انجام شده است که برای حالت اول شامل دو گام (گام اول تفکیک کبد همگن از ناهمگن و گام دوم کبد سالم از کبد چرب) و برای حالت دوم شامل سه گام دسته¬بندی ( گام اول تفکیک کبد سالم از کبد چرب، گام دوم تفکیک کبد چرب درجه1 از کبد چرب درجه2,3 و گام سوم تفکیک کبد چرب درجه2 از درجه3) می¬باشد. نتایج بدست آمده در مقایسه با نتایج مرتبط و موجود در این زمینه، بیانگر کارایی الگوریتم پیشنهادی در طبقه¬بندی کبد چرب با استفاده از تصاویر فراصوت است، به طوری که با روش پیشنهادی توانسته¬ایم با دقت 100% در حالت اول و با دقت 09/95% در حالت دوم بیماری کبد چرب را تشخیص و درجه¬بندی کنیم.