نام پژوهشگر: مجید انصاری اصل

استخراج ویژگی های مستقل از نور محیط از رنگ پوست به منظور تشخیص بیماری در طب سنتی ایران
پایان نامه وزارت علوم، تحقیقات و فناوری - دانشگاه شاهد - دانشکده مهندسی 1392
  مجید انصاری اصل   علیرضا بهراد

رنگ پوست از مهم¬ترین علایمی است که متخصصان طب سنتی ایران برای تعیین مزاج و تشخیص بیماری استفاده می¬کنند. تعیین رنگ پوست توسط متخصصان طب سنتی به صورت کاملا ذهنی انجام می¬شود، بنابراین مشمول خطای انسانی است. در این پایان¬نامه روشی پیشنهاد داده¬شده است که بتوان رنگ پوست را به¬راحتی و بدون نیاز به تجهیزات کالیبره شده، تصحیح رنگ کرد. از سویی در طب سنتی ایران دسته¬بندی استانداردی برای رنگ پوست وجود دارد. در قسمت دوم این پایان¬نامه، پس از جمع¬آوری یک پایگاه داده، با استفاده از طبقه¬بندی کننده¬ی ماشین بردار پشتیبان، یک طبقه¬بندی روی رنگ پوست مطابق گروه¬های رنگی طب سنتی ایران انجام شده که از میانگین رنگ پوست در فضاهای مختلف رنگی به عنوان ویژگی استفاده شده است. سپس بهترین فضاهای رنگی به عنوان ویژگی¬های برتر برای طبقه¬بندی رنگ پوست معرفی می شوند. در این پایان نامه، ما به بررسی استخراج اطلاعات بیشتر از تصاویر برای حصول بازتاب و تابش پرداختیم. ما نشان دادیم که رنگ یک جسم را می¬توان از تصاویرrgb استاندارد که با دوربین غیر کالیبره و تحت شرایط کنترل نشده¬ی تابش اخذ شده¬اند، بازیابی کرد. برای این کار ما از یک چارت رنگی به عنوان مرجع تصحیح رنگ استفاده کردیم. رنگ این خانه¬ها باید نزدیک به رنگ جسمی باشد که قرار است تعیین رنگ شود. در الگوریتم پیشنهادی، در مرحله اول برای تعیین دقیق و مستقل از تابش رنگ پوست، عمل کالیبراسیون رنگی صورت می گیرد. برای این منظور از یک شبکه مشبک (چارت) رنگی استفاده می شود. بدین صورت که باتعیین نواحی رنگی چارت و استفاده از یک معیار مناسب عمل تصحیح صورت می گیرد. سپس اندازه گیری و تعیین رنگ با استفاده از اطلاعات تصحیح شده صورت می گیرد. در مرحله دوم از الگوریتم پیشنهادی، از یک طبقه بند ماشین بردار پشتیبان برای تعیین نوع رنگ پوست مبتنی بر معیارهای طب سنتی استفاده می شود. برای آموزش طبقه بند ماشین بردار پشتیبان از یک پایگاه داده جمع آوری شده به همراه نظر متخصص طب سنتی در مورد رنگ پوست داوطلبان استفاده شده است. الگوریتم پیشنهادی با استفاده از فضاهای رنگی مختلف به عنوان ویژگی آزمایش شد و فضای ycbcrبا 81 % تشخیص درست، بیش¬ترین موفقیت را در طبقه¬بندی حاصل کرد.