دانلودمقاله مقایسه ویژگی های مبتنی بر فیلترهای گابور و ارایه روشی جدید

اختصاصی از فی موو دانلودمقاله مقایسه ویژگی های مبتنی بر فیلترهای گابور و ارایه روشی جدید دانلود با لینک مستقیم و پر سرعت .

مقایسه ویژگی های مبتنی بر فیلترهای گابور و ارایه روشی جدید برای تعیین هویت نویسنده بر اساس دست نوشته فارس

چکیده
اغلب تحقیقات انجام شده در زمینه تعیین هویت نویسنده بر روی زبان انگلیسی متمرکز بوده و تاکنون مطالعاتی در زمینه متون دستنویس فارسی گزارش نشده است. بنابراین در این مقاله روشی برای تعیین هویت نویسنده بر اساس متن دست نویس فارسی پیشنهاد شده که به صورت برون خط و مستقل از متن انجام می شود. بر اساس ایده مطرح شده در مطالعات قبلی، در روش پیشنهادی تصویر متن دست نویس به صورت یک بافت در نظر گرفته شده و پس از مرحله نرمال سازی، با کمک فیلترهای گابور ویژگی های متن استخراج می شود. ویژگی روش پیشنهادی استفاده از بانک فیلتری است که با ساختار متون دستنویس فارسی و همچنین سیستم بینایی تناسب بیشتری دارد. علاوه بر این روش جدیدی جهت استخراج ویژگیها از خروجی فیلترهای گابور پیشنهاد شده که مبتنی بر ویژگی انرژی گابور و گشتاورهای هندسی است. همچنین برای اولین بار، روشهای مختلف استخراج ویژگی از خروجی فیلترهای گابور را برای مسئله تعیین هویت نویسنده مورد بررسی کامل قرار داده ایم. تمامی این روشها به همراه دو روش ماتریس هم وقوعی و روش Said که مبتنی بر فیلترهای گابور می باشد و برای متون انگلیسی پیشنهاد شده است، را پیاده سازی نموده ایم. نتایج اجرای روشها بر روی تصاویر دستخط 40 نفر که هیچ محدودیتی در نوع دستخط آنها وجود ندارد، نشان می دهد که روش پیشنهادی از کارایی بالاتری برای متون دستنویس فارسی برخوردار است.
واژه های کلیدی: تعیین هویت نویسنده، دست نوشته، فیلتر گابور چند کانالی، ماتریس هم وقوعی
1- مقدمه
در بین ویژگی های رفتاری دستخط افراد به راحتی قابل حصول است و علاوه بر این مطالعات نشان می دهند که افراد مختلف دارای دستخط های متفاوتی نیز می باشند. به همین دلیل تعیین هویت افراد به کمک متون دست نویس آنها، به عنوان یک موضوع تحقیقاتی در طی سالهای اخیر مورد توجه قرار گرفته و کاربرد آن در زمینه مسائل امنیتی، حقوقی، کنترل دسترسی به سیستمها و فعالیتهای مالی می باشد. هرچند که تعیین هویت بر اساس دستخط در مقایسه با ویژگیهای فیزیولوژیکی مثل الگوی عنبیه و اثر انگشت از دقت کمتری برخوردار است، اما این مسئله در جاهایی که اطلاعاتی بجز دستخط در دسترس نمی باشد و یا بعنوان مکملی جهت کارایی سیستمهای امنیتی و یاری رساندن به افراد خط شناس، کاربرد مشهودتری دارد. در مسئله تعیین هویت هدف این است که با داشتن یک متن دستنویس، هویت نویسنده آن را مشخص کنیم. هدف این مقاله این است که با ترکیب روشهای پردازش تصویر و شناسایی الگو راه حلی ماشینی برای تعیین هویت نویسنده ارایه دهد. این روشها را می توان به دو دسته کلی زیر تقسیم کرد:
1- روشهای برون خط (off line): در این روشها فقط تصویر متن دستنویس در دسترس است و ویژگیها با توجه به کل تصویر یا ساختار کلمه ها و نویسه ها استخراج می شوند. در این روشها بسیاری از اطلاعات دینامیکی که مربوط به طرز نوشتن افراد است، از دست می رود و این امر کار را نسبت به روشهای برخط مشکلتر می سازد. روشهای برون خط را می توان به دو گروه کلی وابسته به متن و مستقل از متن نیز دسته بندی کرد. در روشهای وابسته به متن، باید متن ثابتی توسط نویسنده نوشته شود تا بتوان هویت وی را مشخص نمود اما در روشهای مستقل از متن، با استفاده از هر نوع متنی هویت نویسنده آن مشخص می گردد.
2- روشهای برخط (on line): در این روشها علاوه بر ویژگیهای برون خط از اطلاعات دینامیکی مثل فشار قلم، ترتیب نوشتن، سرعت نوشتن، فرم ضربه های قلم و غیره نیز استفاده می شود. بنابراین بدلیل داشتن اطلاعات بیشتر، تعیین هویت با دقت بیشتری انجام می شود اما این روشها کاربردهای محدودتری را شامل می شوند.
فرض منحصر به فرد بودن دستخط افراد، بصورت علمی توسط Srihari بررسی شده است [2و1]. در این مطالعه 1000 نفر از بین جمعیت چندین ایالت مختلف آمریکا و بر اساس تفاوت سن، نژاد، تحصیلات و جنسیت انتخاب شدند و از آنها خواسته شد که متن مشخصی را سه مرتبه و بر روی یک کاغذ بدون خط و با خودکار مشکی بنویسند. سپس ویژگیهایی در سطح کل متن، پاراگراف، خط و کلمه از متون دست نویس استخراج شده و با کمک فاصله اقلیدسی تعیین هویت انجام می شود. از جمله کارهای انجام شده در زمینه تعیین هویت نویسنده، می توان به مواردی چون روش مبتنی بر ارزیابی اطلاعات [3]، استفاده از ویژگی کانتور اجزاء متصل [4]، روش مبتنی بر ویژگیهای لبه [5]، کدگذاری هیستوگرام نمای عمودی با کمک مورفولوژی (6) و روش مبتنی بر مدل مخفی مارکوف [7] اشاره کرد. اغلب روشهای مذکور برای متن ثابت ارایه شده اند و نیازمند تقطیع متن می باشند. چون هدف ما ارایه روشی خودکار جهت تعیین هویت نویسنده بوده و محدودیتی برای نوع دستخط های مورد بررسی قرار نداده ایم، بنابراین استفاده از روشهایی که نیازمند تقطیع خودکار و کامل متن به کلمات و حروف می باشند، مورد نظر نیست. بنابراین در این مقاله با استفاده از یک روش مبتنی بر بافت، متن دستنویس را به صورت تصویر بافت در نظر گرفته و مسئله تعیین هویت نویسنده به مسئله طبقه بندی بافت تبدیل می گردد.
2- روش پیشنهادی
در این روش از ایده مطرح شده در [8] استفاده شده و تصویر متن دست نویس بصورت یک بافت در نظر گرفته شده است. برای این منظور ابتدا مراحل نرمال سازی بر روی تصویر متن انجام شده و سپس ویژگیهای متن به کمک بانکی از فیلترهای گابور استخراج می شوند. با کمک این ویژگیها و یک طبقه بندی کننده هویت متن دست نویس ورودی تعیین می گردد. در ادامه به شرح هر یک از این مراحل خواهیم پرداخت.
2-1- نرمال سازی تصویر
روشهای تحلیل بافت را نمی توان مستقیماً برای تصویر متن دست نویس به کار گرفت و ابتدا باید تصویر را نسبت به تأثیر عواملی مثل فاصله خطوط، کلمات و غیره نرمال سازی نمود تا بلوکی یکنواخت از متن دست نویس مورد نظر حاصل شود. مراحل نرمال سازی تصویر متن عبارتند از:
(الف) به منظور استخراج خطوط و کلمات موجود در متن، معمولاً از منحنی نمای نیم رخ تصویر باینری استفاده می شود [9]. در این مقاله ما نسخه ای تغییر یافته از این الگوریتم که برای تصاویر سطوح خاکستری پیشنهاد شده [10]، را استفاده نموده ایم. ابتدا نمای نیم رخ افقی تصویر محاسبه شده و سپس با یک فیلتر پایین گذر گاسین هموارسازی می شود. هموارسازی ماکزیمم های محلی را حذف نموده و حساسیت به نویز را کاهش می دهد. در شکل 1 تصویر متن دستنویس، منحنی نیم رخ افقی و منحنی هموارسازی شده متناظر با آن را مشاهده می کنیم. در این منحنی قله ها متناظر با فاصله بین خطوط و دره ها متناظر با مرکز خطوط متن هستند که برای یافتن قله ها یا خطوط در متن می توان نقاط صفر در مشتق منحنی را محاسبه نمود. به دلیل خطی بودن کانولوشن، هموارسازی و مشتق گیری را می توان در یک مرحله انجام داد. پس برای یافتن خطوط متن کافی است منحنی نمای نیم رخ افقی را با مشتق تابع گاسین فیلتر نماییم.
***********
شکل 1: استخراج خطوط متن الف) تصویر متن ب) منحنی نیم رخ افقی ج) منحنی نیم رخ افقی پس از هموارسازی
(ب) هر یک از خطوط متن که در مرحله قبل پیدا شدند، باینری شده و سپس نمای نیم رخ عمودی مربوط به آن محاسبه می شود. با کمک این منحنی فاصله های بین کلمات را پیدا می کنیم و فاصله هایی که اندازه آنها از 5 نقطه بیشتر باشد را با مقدار 5 نقطه نرمال می کنیم. بنابراین فاصله کلمات حداکثر 5 نقطه خواهد بود و فاصله های کمتر از 5 نقطه نیز بعنوان فاصله های بین حروف در نظر گرفته می شوند. همچنین در صورتی که انتهای خط خالی باشد، با تکرار مجدد آنرا به حدی پر می کنیم که طول خط به اندازه مشخصی (در این مقاله 256 نقطه) برسد. فاصله بین خطوط متن را نیز با مقدار مشخصی تنظیم می کنیم. مرحله نرمال سازی فاصله بین کلمات، فاصله بین خطوط و پر کردن خطوط در شکل 2-الف ارایه شده است.
(ج) در صورت خالی بودن بخش انتهایی تصویر، آنرا با تکرار مجدد خطوط ابتدایی تصویر به نحوی پر می کنیم که طول تصویر به اندازه مشخصی (در این مقاله 384 نقطه) برسد. در شکل 2-ب تصویر نرمال سازی شده نهایی ارایه شده است.
*******************
شکل 2: الف) نرمال سازی بین کلمات، فاصله خطوط و پرکردن انتهای خطوط ب) پرکردن بخش انتهایی (تصویر نهایی)
2-2- استخراج ویژگی
به منظور ارایه روشی کارا جهت تعیین هویت نویسنده، باید ویژگی هایی را در نظر گرفت که بیانگر تفاوت دستخط های مختلف می باشند. بنابراین در این مقوله استفاده از ویژگی های معرفی شده در مطالعات OCR مناسب به نظر نمی رسد زیرا هدف طراحی این ویژگی ها، تشخیص کلمات و حروف مستقل از تفاوت دستخطهای مختلف می باشد. به دلیل کارایی خوب فیلتر گابور در بحث تحلیل بافت و کاربردهای مشابه [12و11و8]، محاسبه ویژگیها را بر این اساس انجام دادیم. برای این منظور طراحی بانک فیلتر گابور را بر اساس نتایج تجربی و مطالعات انجام شده در زمینه نحوه عملکرد سیستم بینایی انجام داده ایم وبرای استخراج ویژگی، یک روش جدید بر اساس گشتاورهای هندسی و انرژی گابور پیشنهاد کرده ایم. همچنین با استفاده از بانک فیلتر طراحی شده، سایر روشهای موجود برای استخراج ویژگی مبتنی بر فیلترهای گابور را بررسی و مقایسه نموده ایم. علاوه بر این ویژگی های مبتنی بر ماتریس هم وقوعی و روش ارائه شده توسط Said را به عنوان دو روش مقایسه ای دیگر مورد بررس قرار داده ایم.
2-2-1- استخراج ویژگی روش پیشنهادی
تحقیقات علم فیزیولوژی نشان می دهد که پردازش اطلاعات تصویری در سیستم بینایی، توسط مجموعه ای از مکانیسم های موازی به نام کانالها انجام می شود به طوریکه هر کانال برای یک باند فرکانسی کم پهنا و با جهت مشخص تنظیم می گردد. به لحاظ ریاضی هر یک از این کانالها با یک جفت فیلتر میان گذر گابور مدل سازی می شوند. ما در روش پیشنهادی از فیلترهای گابور چند کانالی که در [13] معرفی شده اند، استفاده کرده ایم. ویژگی این فیلترها در نظرگرفتن یافته های تجربی در طراحی آنهاست و با رابطه زیر تعریف می شوند:
(1)


در این رابطه زوج مرکز فیلتر را مشخص می کند و پارامتر نیز انحراف معیار تابع گاسین است که اندازه محدوده پذیرش فیلتر را تعیین می کند. مقدار شکل کشیدگی توابع یا محدوده پذیرش را مشخص می کند و مثلاً برای مقدار 1= شکل توابع گابور در حوزه فرکانس بصورت دایره و برای مقادیر 1< به صورت بیضی خواهد بود. پارامتر طول موج تابع cos و مشخص کننده فرکانس مکانی /1 مربوط به کانال مورد نظر می باشد. پارامتر که مقداری بین 0 و را انتخاب می کند، جهت مربوط به کانال را تعیین می نماید. در واقع دو پارامتر و مشخص کننده مکان کانال مورد نظر در نقشه فرکانسی و پارامتر نیز تعیین کننده فاز است. پاسخ فیلتر گابور از کانولوشن تابع معرفی شده در رابطه (1) با تصویر بلوک مورد نظر به دست خواهد آمد:
(2)
در این رابطه پاسخ فیلتر گابور و f(x,y) نیز تصویر بلوک مورد نظر می باشد. بر همین اساس مقدار انرژی گابور که از ترکیب پاسخ یک جفت سلول ساده با اختلاف فاز 2/ بدست می آید، با رابطه زیر تعریف می شود:
(3)
انرژی گابور رفتار سلولهای پیچیده سیستم بینایی را مدل سازی می کند و به عنوان ویژگی مؤثر در بسیاری از روشهای تحلیل بافت مورد استفاده قرار می گیرد [13و8]. بر اساس نتایج تجربی، پهنای باند فرکانسی برای سلولهای ساده ی قشر بینایی در حدود 1 اکتاو است [14]، بنابراین نسبت که تعیین کننده پهنای باند فرکانسی است با مقدار ثابت 0/56 مقداردهی می شود به نحوی که براساس رابطه زیر پهنای باند کانال برابر 1 اکتاو شود:
(4)
بر اساس مطالعاتی که Wiesel , Hubel [15] انجام داده اند، سلولهای ساده در راستای جهت های خاصی با پهنای باند تقریبی ْ30 حساس هستند. بنابراین در روش پیشنهادی برای هشت جهت و همچنین سه فرکانس مکانی مقدار انرژی گابور را محاسبه نموده و 24 تصویر پاسخ بدست می آید. انتخاب فرکانسها و جهت ها باید به نحوی باشد که دامنه فرکانسی پوشش داده شود (شکل 3).

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله  19  صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید

دانلود مقاله طراحی فیلتر میان گذر با استفاده از فیلترهای بالاگذر و پایین گذر در حوزه فرکانس(Ideal ، Butterworth و Gaussian)

اختصاصی از فی موو دانلود مقاله طراحی فیلتر میان گذر با استفاده از فیلترهای بالاگذر و پایین گذر در حوزه فرکانس(Ideal ، Butterworth و Gaussian) دانلود با لینک مستقیم و پر سرعت .

چکیده:
در این پروژه ، فیلتری را طراحی می کنیم که فرکانس های زیر 10 (شعاع قطع پایین) و بالای 20 (شعاع قطع بالا) را از خود عبور دهد.این فیلتر با استفاده از فیلترهای Low-pass و High-pass ایده آل ، Butterworth و Gaussian طراحی شده است. روند تعریف این فیلتر در این گزارش بیان شده و هم چنین با بررسی نتایج حاصل از این فیلترها ، به مقایسه عملکرد آنها می پردازیم.

شرح تکنیکی مساله:
هدف این است که فیلتری بسازیم که فرکانس های زیر 10 و بالای 20 را از خود عبور داده و بقیه فرکانس ها را حذف یا تضعیف کند.
تصویر اصلی، شکل (1) ، یک تصویر 500*500 است که می خواهیم آن را از این فیلتر عبور دهیم. بدین منظور ابتدا یک فیلتر Low-pass ایده آل یا Butterworth یا Gaussian طراحی کرده تصویر را از آن عبور میدهیم وسپس تصویرحاصل را از یک فیلتر High-pass ایده آل یا Butterworth یا Gaussian گذر می دهیم تا به ترتیب فرکانس های زیر 10 و بالای 20 را تقویت کند.
اولین راهی که به ذهن می رسد این است که طبق مراحل گفته شده برای اعمال فیلتر به تصویردر حوزه فرکانس ، پس از تغییر فاز ، ابتدا تبدیل فوریه تصویررا گرفته(با دستور fft2)، وحاصل را در فیلتر Low-pass ضرب نظیر به نظیر کنیم و بعد از جواب بدست آمده عکس تبدیل فوریه بگیریم(با دستور ifft2 ) تا پس از انجام مراحل باقیمانده ، تصویر خواسته شده در حوزه مکان حاصل شود.
این الگوریتم در برنامه های (2) ، (3) و (5) ، به ترتیب برای فیلتر های ایده آل ، Butterworth و Gaussian که در پیوست موجود است پیاده سازی شده و نتایج حاصل از آنها در شکل های (5) ، (8) و (12) قابل مشاهده است.
توضیح: برای فیلتر ایده آل اول تصویر عبور داده شده از فیلتر Low-pass به صورت فایل JPEG ذخیره شد وسپس در برنامه ای جداگانه ای تصویر حاصل از فیلتر Low-passرا از یک فیلتر High-passعبور دادیم. که نتیجه همان شکل 5-5 است.
اما راه حل بهینه این است که دو بار از تصویرها تبدیل فوریه و عکس تبدیل فوریه نگیریم. به عبارت دیگر دو مرتبه وارد حوزه فرکانس نشویم. در نتیجه باید ابتدا تبدیل فوریه تصویر را بدست آورده و در فیلتر Low-pass ضرب کنیم. سپس جواب را در فیلتر High-pass هم ضرب کرده و از این حاصل ضرب عکس تبدیل فوریه بگیریم و بقیه مراحل تغییر فاز و ... را طی کنیم. بنابراین یک بار وارد حوزه فرکانس شده و محاسبات برنامه کمتر می شود و سرعت اجرا هم بالاتر می رود.
این الگوریتم در برنامه های (4) و (6) برای فیلترهای Butterworth و Gaussian که در پیوست موجود است پیاده سازی شده و نتایج حاصل از آنها در شکل های (9) و (13) مشاهده می شود.

بررسی نتایج:
طیف فوریه تصویر اصلی را در شکل(2) می بینید که حاصل از تابع(1) موجود در پیوست است. شکل(3)، تصویر حاصل ازفیلتر پایین گذر ایده آل است. همان طور که مشاهده می شود، تصویربه شدت تار شده و پدیده Ringing در آن ظاهر شده است. این پدیده در شکل(4) که حاصل از فیلتربالاگذر ایده آل است نیز قابل رویت است. شکل(5) تصویر به دست آمده از تصویر حاصل ازاعمال فیلتر پایین گذر است که از یک فیلتربالاگذر هم گذرانده شده است. مشخص است که جزییات تصویر به کلی از بین رفته و جز حلقه های اطراف مربع های بزرگتر و چند لکه اطراف a جزییات دیگری قابل دیدن نیست.
شکل(6) تصویر حاصل ازاعمال فیلتر پایین گذر Butterworth با مرتبه 2 است. تصویرتار شده و لبه ها از بین رفته اند. ولی Ringing تقریبا وجود ندارد. این پدیده در تصویر حاصل از اعمال فیلتربالاگذر (شکل(7)) نیز دیده نمی شود. زیرا مرتبه فیلتر2 بوده است.اگر مرتبه بالاتر باشد پدیده Ringing هم اتفاق می افتد. اشکال (8) و (9) حاصل ازاعمال فیلتر میان گذری هستند که با الگوریتم های اول و دوم ساخته شده اند. واضح است که تفاوتی در آنها وجود ندارد. همانطور که پیش بینی می شد شدت تاری تصویر به اندازه تار شدگی شکل(6) نیست و لبه ها کمی شارپ شده اند.
اشکال (10) و (11) تصاویر حاصل از اعمال فیلترهای پایین گذر و بالاگذرGaussian هستند. تارشدگی در شکل(10) به شدت فیلترهای Butterworth و ایده ال نیست و هم چنین پدیده Ringing هم در آنها وجود ندارد. اشکال (12)و(13) هم حاصل از اعمال فیلتر میانگذر Gaussian هستند که به ترتیب از الگوریتم های 1و2 نتیجه شده اند.این تصاویر نسبت به (8) و (9) دارای لبه های شارپ تری هستند و گسستگی سطوح خاکستری بسیار کمتر از تصاویر حاصل از اعمال فیلتر Butterworth است.

نتایج:

شکل(2) :طیف فوریه تصویر اصلی شکل(1) :تصویر اصلی

Ideal

شکل(4) : تصویر حاصل از فیلتر ایده آلHigh-pass شکل(3) : تصویر حاصل از فیلتر ایده آل pass-Low

شکل(5) : تصویر حاصل از فیلتر میان گذر ایده آل

Butterworth

شکل(7) :تصویر حاصل از فیلتربالاگذر شکل(6) : تصویر حاصل ازفیلتر پایین گذر
Butterworth Butterworth

شکل(9) : تصویر حاصل از فیلتر میان گذر شکل(8) : تصویر حاصل از فیلتر میان گذر
Butterworth- الگوریتم دوم Butterworth- الگوریتم اول

Gaussian

.

شکل(11) : تصویر حاصل از فیلتربالاگذر شکل (10) : تصویر حاصل ازفیلتر پایین گذر
Gaussian Gaussian

شکل(13) : تصویر حاصل از فیلتر میان گذر شکل(12) : تصویر حاصل از فیلتر میان گذر
Gaussian-الگوریتم دوم Gaussian-الگوریتم اول

پیوست:
برنامه(1) : نمایش طیف فوریه تصویر اصلی:
img=imread('Fig4.11(a).jpg');
img=double(img);
[R,C]=size(img);
for r = 1:R
for c=1:C
phased_img(r,c)=(img(r,c))*(-1)^(r+c);
end
end
fourier_img = fft2(phased_img);
mag_fourier_img = abs(fourier_img );
Log_mag_fourier_img = log10(mag_fourier_img +1);
Max=max(max(Log_mag_fourier_img));
Normalized_DFT=(Log_mag_fourier_img)*(255/Max);
imshow(uint8(Normalized_DFT))

برنامه(2) :طراحی فیلتر میان گذر Ideal :
%Band-Pass Filter With Ideal Low-Pass & High-Pass Filters
img=imread('Fig4.11(a).jpg');
img=double(img);
img=mat2gray(img);
[R,C]=size(img);
for r = 1:R
for c=1:C
phased_img(r,c)=(img(r,c))*((-1)^(r+c));
end
end
fourier_img = fft2(phased_img);
filter=fourier_img;
[M,N]=size(filter);
for r=1:M
for c=1:N
if ((((r-(M/2))^2)+ ((c-(N/2))^2))^(1/2))<=10
filter(r,c)=1;
else
filter(r,c)=0;
end
end
end
answer=filter.*fourier_img;
f=ifft2(answer);
for i=1:M
for j=1:N
f2(i,j)=real(f(i,j));
end
end
for r=1:M
for c=1:N
f2(r,c)=(f2(r,c))*((-1)^(r+c));
end
end
imshow(f2)
f3=mat2gray(f2);
imshow(f3)

img=imread('ideal-lowpass2.jpg');
img=rgb2gray(img);
img=double(img);
[I,J]=size(img);
for i = 1:I
for j=1:J
phased_img(i,j)=(img(i,j))*(-1)^(i+j);
end
end
fourier_img = fft2(phased_img);
filter=fourier_img;
for r=1:I
for c=1:J
if ((((r-(I/2))^2)+ ((c-(J/2))^2))^(1/2))>=20
filter(r,c)=1;
else
filter(r,c)=0;
end
end
end
answer=filter.*fourier_img;
f=ifft2(answer);
for i=1:406
for j=1:406
f2(i,j)=real(f(i,j));
end
end
for r=1:406
for c=1:406
f2(r,c)=(f2(r,c))*(-1)^(r+c);
end
end
f3=mat2gray(f2);
imshow(f3)

برنامه(3) :تابع اولیه طراحی فیلتر میان گذر Butterworth :

%Band-Pass Filter With Butterworth Low-Pass & Hogh-Pass Filters
img=imread('Fig4.11(a).jpg');
img=double(img);
img=mat2gray(img);
[R,C]=size(img);
for r = 1:R
for c=1:C
phased_img(r,c)=(img(r,c))*((-1)^(r+c));
end
end
fourier_img = fft2(phased_img);
filter=fourier_img;
[M,N]=size(filter);
for r=1:M
for c=1:N
D1=((((r-(M/2))^2)+ ((c-(N/2))^2))^(1/2));
filter(r,c)=(1/(1+((D1/10)^4)));
end
end
answer=filter.*fourier_img;
f=ifft2(answer);
for i=1:M
for j=1:N
f2(i,j)=real(f(i,j));
end
end
for r=1:M
for c=1:N

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله 14   صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید

طرح توجیهی بازیافت فیلترهای روغنی ماشین

اختصاصی از فی موو طرح توجیهی بازیافت فیلترهای روغنی ماشین دانلود با لینک مستقیم و پر سرعت .

طرح توجیهی بازیافت فیلترهای روغنی ماشین

امروزه امر بازیافت و تبدیل و بهره برداری مجدد از مواد بازیافتی بسیار رایج است. چرا که با ازدیاد انواع زباله زمین دیگر جای زندگی نخواهد بود. لذا تاکنون طرحهای مختلفی در خصوص بازیافت انواع زباله ها ارائه و اجرا گردیده است. طرح بازیافت فیلترهای روغنی نیز از این قاعده مستثنی نیست و هم اکنون نیز در بسیاری از کشورها در حال اجرا میباشد. در طرح بازیافت فیلترهای روغنی دو هدف مشخص گردیده است بدینصورت که روغن های حاصله از فیلترها به شرکتهای تصفیه کننده فرستاده شده و سپس در اختیار شرکتهای تولیدی جهت تولید واکس و این قبیل موارد قرار میگیرد. قسمت بنده فیلتر نیز ابتدا خرد شده و سپس جهت مصارف مختلف در اختیار شرکتهای ذوب فولاد قرار میگیرد. همچنین حداقل میزان ایجاد اشتغال در این طرح به تعداد حدودا 30 نفر میباشد.

فرمت فایل: PDF

تعداد صفحات: 54 صفحه

شبیه سازی های EM , 3D FEM برای فیلترهای تشدید کننده دی الکتریک DRFs

اختصاصی از فی موو شبیه سازی های EM , 3D FEM برای فیلترهای تشدید کننده دی الکتریک DRFs دانلود با لینک مستقیم و پر سرعت .

مقاله با عنوان شبیه سازی های EM , 3D FEM برای فیلترهای تشدید کننده دی الکتریک DRFs در فرمت پی دی اف و شامل مطالب زیر می باشد:

مقدمه
مراحل طراحی و ساخت DRF
شبیه سازی های سه بعدی DRF با استفاده از روش المان محدود
نتیجه گیری
منابع