هدف اصلی در این پروژه تخمین عرض معابر بر استفاده از تصاویر به دست آمده از فیلمی از آن معبر می باشد. به طوری که بتوان مشخص کرد آن معبر یک کوچه باریک، یک خیابان عریض، و یا یک میدان بزرگ می باشد. به دست آوردن تخمینی از یک معبر باعث سهولت در تشخیص مکان یک شخص در یک شهر توسط وسایل سیار (مانند گوشی های تلفن همراه و یا رایانه های پوشیدنی) می گردد. این امر بدین گونه موجب تسهیل می گردد که جستجو درون پایگاه داده را محدود به تصاویری می کند که از معابر با آن عرض گرفته شده اند.الگوریتم ارایه شده در این پروژه شامل چهار مرحله اساسی می باشد: مشخص کردن نقاط متناظر در دو تصویر محاسبه دوران دوربین برای از بین بردن اثرات تکان خوردن دوربین، محاسبه میزان جابجایی دوربین، و در نهایت محاسبه عرض معبر، این امر به وسیله برازش یک صفحه به هر کدام از دو دیوار سمت چپ و سمت راست معبر و سپس استفاده از معادله هوموگرافی به دست آمده از یک صفحه انجام می شود. در این روش ضرورتی برای محاسبه ماتریس اساسی تصاویر به منظور محاسبه دوران و انتقال دوربین نیست؛ چرا که محاسبه دوران و انتقال دوربین به طور مستقیم و در دو مرحله جداگانه انجام می شود. افزایش پایداری در محاسبات ویژگی مهم الگوریتم ارایه شده می باشد.همچنین این الگوریتم از نقاط متناظر کمتری در روش های پایدار استفاده می کند که این امر باعث کاهش زمان محاسبه می گردد. با توجه به این دو قابلیت این، الگوریتم می تواند در مسایل دیگر بیینایی ماشین نیز استفاده گردد.

تحلیل تصاویر راداری یکی از بخش های مهم سنجش از دور است و یکی از مباحث آن تشخیص نواحی است که این نواحی می توانند متفاوت باشند. در این پایان نامه تلاش می کنیم نواحی خشکی از نواحی آبی و دریایی در تصاویر تشخیص دهیم. تشخیص نواحی در این جا بر اساس یک روش مبتنی بر بافت تصویر، به نام میدان تصادفی مارکوف است. اساسا این روش، فرض می کند که توزیع یک کمیت از نقاط مثلا سطح خاکستری آنها، در یک همسایگی مناسب یک نقطه دریافتی مشخص برای تمام آن تقریبا یکسان است بنابرانی با تحلیل توزیع سطح خاکستری نقاط همسایگی هر نقطه در تصویر می توان آن را تقطع نمود. کمیت های مختلفی از نقاط را می توانیم برای تحلیل بافت استفاده کنیم و این بستگی به نوع بافت تصویر دارد که به طور معمول، از سطح خاکستری تصویر استفاده می شود از آنجا که در اینجا نتیجه استفاده از سطح خاکستری قابل قبول نبود. سه روش دیگر را آزمودیم تا نتیجه خوبی به دست آوریم. ابتدا سطح خاکستری نقاط در تفاضل تصویر را آزمودیم و سپس از لایه های رنگی قرمز، سبز و آبی استفاده کردیم. هیچ یک از این روش ها به نتیجه قابل قبولی نرسیدند ایده سوم که به نتیجه بسیار بهتری رسید، اعمال یک عملگر لبه یابی با پارامتر مناسب بود به گونه ای که نقاط زیادی از تصویر به عنوان لبه اعلام شوند. سپس توزیع تعداد نقاط روی لبه را در همسایگی هر نقطه تحلیل کردیم. از آنجا که تصویر سطح آب معمولا کاملا صاف است نقاط کمی به عنوان لبه اعلام شدند. ولی در نواحی خشکی این گونه نبود. همچنین در مرحله پس پردازش برای بهبود نتایج از میدان تصادفی مارکوف دو مرحله ای و ریخت شناسی ریاضیاتی استفاده کردیم که نتیجه دومی بهتر بود. برای ارزیابی روش ها در تقطیع و دسته بندی نواحی، دو معیار ارایه شده است مبتنی بر معیار اول دقت چهار روش بحث شده در تقطیع تصویر، به ترتیب 7712/0 و 7451/0 و 7776/0 و 8909/0 و طبق معیار دوم 7780/0 و 7700/0 و 7818/0 و 8996/0 بود از آنجا که نتایج روش چهارم یعنی عملگر لبه یابی به مراتب بهتر از سه روش دیگر بود. در مرحله دسته بندی نیز از آن استفاده شد در این مرحله نیز طبق آن دو معیار، به ترتیب نتایج 9192/0 و 9302/0 را به دست آوردیم.