مقدمه ای بر پردازش تصویر

پردازش تصوير یکی از مسائل مهم و یکی از زیرشاخه های حیاتی در هوش مصنوعی می باشد. در این نوشته از سلسله پست های آموزش پردازش تصویر  مقدمه ای بر پردازش تصویر را آماده کرده ایم و در آن به بیان مفهوم پردازش تصویر می پردازیم

مقدمه ای بر پردازش تصویر

پیدایش پردازش تصویر:

در اوايل دهه ۶۰ سفينه فضايي رنجر ۷ متعلق به ناسا شروع به ارسال تصاوير تلويزيوني مبهمي از سطح ماه به زمين کرد.

• استخراج جزئيات تصوير براي يافتن محلي براي فرود سفينه آپولو نيازمند اعمال تصميماتي روي تصاوير بود.
• اين کار مهم به عهده لابراتوار JPL Jet Propulsion قرار داده شد.
• بدين ترتيب زمينه تخصصي پردازش تصاوير رقومي آغاز گرديد و مثل تمام تکنولوژي های ديگر سريعاً استفاده هاي متعدد پيدا کرد.

از سال ۱۹۶۴ تاكنون، موضوع پردازش تصوير، رشد فراواني كرده است. علاوه بر برنامه تحقيقات فضايي، اكنون از فنون پردازش تصوير، در موارد متعددي استفاده مي شود. گر چه اغلب اين مسائل با هم نامرتبط هستند، اما عموما نيازمند روش هايي هستند كه قادر به ارتقاي اطلاعات تصويري براي تعبير و تحليل انسان باشد.

براي نمونه در پزشكي شيوه هاي رايانه اي Contrast تصوير را ارتقا مي دهند يا اين كه براي تعبير آسانتر تصاوير اشعه ايكس يا ساير تصاوير پزشكي، سطوح شدت روشنايي را با رنگ، رمز مي كنند.

متخصصان جغرافيايي نيز از اين روش ها يا روش هاي مشابه براي مطالعه الگوهاي آلودگي هوا كه با تصوير برداري هوايي و ماهواره اي بدست آمده است، استفاده مي كنند.

در باستان شناسي نيز روش هاي پردازش تصوير براي بازيابي عكس هاي مات شده اي كه تنها باقي مانده آثار هنري نادر هستند، مورد استفاده قرار مي گيرد. در فيزيك و زمينه هاي مرتبط، فنون رايانه اي بارها تصاوير آزمايش هاي مربوط به موضوعاتي نظير پلاسماهاي پرانرژي و تصاوير ريزبيني الكتروني را ارتقا داده اند. كاربردهاي موفق ديگري از پردازش تصوير را نيز مي توان در نجوم، زيست شناسي، پزشكي هسته اي، اجراي قانون، دفع و صنعت بيان كرد.

مفهوم پردازش تصویر :

اگر بخواهیم بصورت مختبصر مفهوم پردازش تصویر را بیان کنیم میتوان گفت که شما یک تصویر یا مجموعه ای از تصاویر (چه عکس ، چه ویدئو) دارید که میخواهید با انجام کارهایی بر روی این تصاویر خروجی معنی و مشخصی از تصاویر بگیرید . این کار یا فراید که روی تصویر انجام میدهید می‌توانند برای افزایش دقت تصویر باشند (Image enhancement) یا می‌توانند برای جداکردن یک بخش مشخص از تصویر‌ (Image segmentation) باشند و…

تعریف ویکی پدیا از پردازش تصویر :
پردازش تصاویر امروزه بیشتر به موضوع پردازش تصویر دیجیتال گفته می‌شود که شاخه‌ای از دانش رایانه است که با پردازش سیگنال دیجیتال که نماینده تصاویر برداشته شده با دوربین دیجیتال یا پویش شده توسط پویشگر هستند سر و کار دارد.

مفهوم پردازش تصویر 

پردازش تصاویر دارای دو شاخه عمده بهبود تصاویر و بینایی ماشین است.

• بهبود تصاویر دربرگیرنده روشهایی چون استفاده از فیلتر محوکننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آنها در محیط مقصد (مانند چاپگر یا نمایشگر رایانه)است
• بینایی ماشین به روشهایی می‌پردازد که به کمک آنها می‌توان معنی و محتوای تصاویر را درک کرد تا از آنها در کارهایی چون رباتیک و محور تصاویر استفاده شود.

در معنای خاصتر  پردازش تصویر عبارت است از هر نوع پردازش سیگنالی که ورودی آن یک تصویر است (مثل عکس یا صحنه‌ای از یک فیلم) اما خروجی پردازشگر تصویر می‌تواند یک تصویر یا یک مجموعه از نشانهای ویژه یا متغیرهای مربوط به تصویر باشد.

در اغلب موارد هنگام پردازش تصویر ، تصویر را بعنوان یک سیگنال دو بعدی (تصاویر سیاه و سفید) و یا سه بعدی (تصاویر رنگی) در نظر میگیرند و با بکار بردن تکنیک های استاندارد پردازش سیگنال آن تصویر را پردازش میکنند.

برخی موضوعات مهم در حیطه پردازش تصویر عبارت است از:

ناحیه بندی تصویر

ناحیه ­بندی تصویر عبارت است از تفکیک پیکسل­ های تصویر به نواحی مجزایی که بر حسب ویژگی­ هایی مانند شدت روشنایی، بافت و یا رنگ، یکسان هستند و یا تا حد ممکن همبستگی دارند. ناحیه ­بندی تصاویر در بسیاری از کارهای پردازشی بر روی تصاویر، چون تصاویر درمانی، بینایی ماشین، فشرده سازی تصویر، شئ شناسی، نیازی ضروری و مهم برای شروع پردازش بر روی شی یا بافت مورد نظر می ­باشد.

تشخیص اشیاء

شی به همه چیزهایی که در یک تصویر وجود دارد اطلاق می­ شود و فرایند تشخیص شی در تصویر به ساده­ترین تحلیل تا پیشرفته ترین تحلیلی که ممکن است با دیدن یک تصویر صورت بگیرد اطلاق می­ شود. مانند تشخیص انوع اجسام طبیعی و مصنوعی، تشخیص وضعیت هوا، تشخیص بیماری و روش درمان، تشخیص معادله و حل آن، تشخیص وضعیت اجتماعی، اقتصادی، سیاسی، تشخیص چهره شخص، تشخیص وضعیت اعضای بدن شخص و تشخیص وضعیت روحی شخص، همه این تشخیص ­ها از تصاویر قابل استنتاج است.

تشخیص چهره

روش تشخیص چهره یکی از چندین روش بیومتریک است که دارای دقت بالا بوده و می تواند تا مدت ها قابل اتکا باشد. برخلاف روش های دیگر اعتبار سنجی که لازم بود تا کاربر حداقل PIN و کلمه عبور، را به یاد داشته باشد، در روش های تشخیص چهره، کاربر خیلی راحت با چهره خودش، می تواند در پروسه اعتبار سنجی وارد شود. در حال حاضر علاوه بر این کاربردهای کلاسیک برای تشخیص چهره، اعتبار سنجی های جدیدی پدیدار شده اند.

لبه یابی تصویر

فرآیند تشخیص لبه یکی از مهمترین تکنیک ­های کارآمد و مفید در پردازش تصویر به ویژه در جداسازی و شناسایی چارچوب اصلی تصویر می­باشد؛ شیوه­ های متفاوتی جهت آشکارسازی لبه دریک تصویر وجود دارد که اغلب با مشکلاتی نظیر از میان رفتن داده­ های تصویر اصلی و عدم توانایی در لبه ­یابی در زوایای گوناگون مواجه هستند. هدف از تشخیص لبه، مکان­یابی مرزهایی از اشیای در یک تصویر است که پایه و اساس تجزیه و تحلیل تصویر و بینایی ماشین محسوب می­ شود.

كاربردهاي پردازش تصوير:

• بتدايي ترين کاربردهاي پردازش تصاوير رقومي در دهه ۶۰ و۷۰ جنبه هاي نظامي و جاسوسي بود که باعث شد نياز به تصاوير با کيفيت بالاتر بوجود آيد.
• پس از آن مصارف ديگري براي تصاوير رقومي سطح زمين پيدا شد که کاربرد تصاوير چند طيفي (Multi Spectral) در کشاورزي و جنگل داري از آن جمله است.
• همچنين با استفاده از تصاوير دیجیتال عملياتهايي مثل کنکاش نفت در سرزمين هاي دور افتاده و يا رديابي منابع آلودگي شهري از داخل دفتر کار متخصصين آنها انجام شد.
• بزودي کاربردهاي زميني زيادتري براي پردازش تصاوير رقومي پيدا شد .
• از اواسط دهه ۷۰ تا اواسط دهه ۸۰ اختراع اسکنر ها ي CAT يا (Computerized Arial Topography ) و اسکنر هاي MRI يا (Magnetic Resonance Imagery ) پزشکي را متحول کردند.
• صنعت چاپ استفاده کننده بعدي بود.
• در اواخر دهه ۸۰ پردازش تصاوير رقومی وارد دنياي سرگرمي شد بطوريکه امروزه اين نقش به امر عادي تبديل شده است.
• به همين ترتيب دنياي صنعت با روباتهايي که عملا مي بينند يعني در واقع با ظهور تکنولوژي Machine Vision متحول شد و هنوز هم در حال تحول است.

کاربردهای پردازش تصویر

هر ساله با سريعتر و ارزانتر شدن کامپيوتر ها و ايجاد امکان پخش تصاوير با استفاده از تکنولوژي ارتباطات، افراد بيشتري به اين تصاوير دسترسي پيدا مي کنند.

کنفرانس هاي ويدئويي يک روش زنده براي انجام ب و کار شده اند و کامپيوترها ي خانگي توانايي نمايش و مديريت تصاوير را به خوبي پيدا کرده اند.

خوشبختانه با بالاتر رفتن سرعت پردازش و فضاي حافظه کامپيوترها ديگر از بابت امکانات پردازش تصاوير نگراني ها کمتر شده است و روز به روز اين روند رو به رشد ادامه پيدا مي کند.

پردازش تصاویر امروزه بیشتر به موضوع پردازش تصویر دیجیتال گفته می‌شود که شاخه‌ای از دانش رایانه است که با پردازش سیگنال دیجیتال که نماینده تصاویر برداشته شده با دوربین دیجیتال یا پویش شده توسط پویشگر هستند سر و کار دارد.

نوشته مقدمه ای بر پردازش تصویر اولین بار در وب سایت تخصصی پردازش تصویر پدیدار شد.

یدا کردن تعداد objects تصویر در MATLAB

این برنامه تنها در صورتی درست کار می کند که پشت زمینه آن تیره باشد مثلا یک صفحه مشکی با چند شکل هندسی

قسمت اول : تصویر را در مطلب لود می کند و نمایش  می دهد.

قسمت دوم : rgb2gray تصویر را سیاه و سفید می کند . Thresholdمرزها را مشخص می کند ، که برای این کار باید از تابع graythresh استفاده کرد .im2bw تصویر را باینری می کند.

قسمت سوم :  نویز تصویر را از بین می برد . bwareaopen پیکسل های کمتر از ۳۰ را پاک می کند و فواصل خالی (Gap) را با تابع strel پر می کند

strel(‘disk’,2)

یک دایره به شعاع ۲ تشکیل می دهد که شعاع عددی غیر منفی باید باشد و عدد وسط آن دایره  را انتخاب می کند . imfill چاله ها را پر می کند و مرزها را مشخص می کند هر محدوده بسته را باholesنامگذاری می کند .

قسمت چهارم : محدوده ها را پیدا می کند مناطق مرزی را دنبال می کند و تعداد آنها را نشان می دهد . با گذاشتن noholes باعث می شود پردازش سریع تر شود label2rgb تصویر را رنگی می کند.

در انتها تعداد اشکال موجود در متغیر Count  قرار می گیرد .

کد برنامه:

RGB = imread(‘d:\test4.jpg’);              ۱

figure , imshow(RGB) ,title(‘Orginal image’)

I = rgb2gray(RGB);                              ۲

threshold = graythresh(I);

bw = im2bw(I,threshold);

imshow(bw) , title(‘threshold image’)

۳

bw = bwareaopen(bw,30);

se = strel(‘disk’,2);

bw = imclose(bw,se);

bw = imfill(bw,’holes’);

figure , imshow(bw) , title(‘fill image’)

[B,L] = bwboundaries(bw,’noholes’);                 ۴

Count=length(B)

figure , imshow(label2rgb(L)),title(‘RGB’)

منبع : http://programmer.blogsky.com

نوشته یدا کردن تعداد objects تصویر در MATLAB اولین بار در وب سایت تخصصی پردازش تصویر پدیدار شد.

 آشکارسازی لبه،لبه یابی در متلب

عملگرهای آشکارسازی لبه

• مرتبه نخست: چلیپای رابرنز، پرویت، سوبل، کنی، اسپیسک
• مرتبه دوم: لاپلاسی، مار- هیلدرث

اکنون عملگر کنی و پس از آن مار – هیلدرث بیشترین کاربرد را دارد. عملگرهای زیادی تاکنون منتشر شده اند اما هیچ یک برتری قابل ملاحضه ای بر عملگر کنی نداشته اند. کار بر روش های چند مقیاسی هنوز بیشتر در آزمایشگاه هاست.

عملیات لبه برداری بر روی تصاویر

آشکارسازی لبه (edge detection) معمولا برای تشخیص لبه های یک شی از بین چند شی دیگر مورد استفاده قرار می گیرد، برای این کار از تابعی به نام edge استفاده می شود.

تغییرات فیزیکی به صورت تغییر رنگ و تغییر شدت روشنایی به صورت لبه در تصویر نمایان می شوند. در محیط با مقادیر پیوسته، مشتق، تغییرات ناگهانی و شدت آن را مشخص می کند و در محیط گسسته محاسبه ی تغییرات نسبت به پیکسل های مجاور، تقریبی از مشتق را نمایان می سازد.

در عملیات لبه برداری ورودی یک تصویر به فرمت intensity می باشد و در خروجی تصویر binary داده می شود، که در تصویر حاصل مرزهای بیرونی تصویر به صورت ۱ و مرزهای داخل به صورت ۰ نشان داده می شود.

I=rgb2gray(i1);

Bw=edge(I,’sobel’)

Edge لبه ها را در تصاویر intensity پیدا می کند، این تابع یک تصویر باینری یا intensity را به عنوان ورودی می گیرد و یک تصویر باینری bw به همان اندازه ی تصویر اولی بر می گرداند، که جاهایی که تابع لبه ها را در تصویر پیدا می کند، در تصویر خروجی ۱ می کند و جاهایی دیگر را ۰ قرار می دهد.

برخی از الگوریتم های لبه برداری

-۱الگوریتم soble

-۲الگوریتم canny

-۳الگوریتم Roberts

-۴الگوریتم prewitt

-۵الگوریتمzero-cross

الگوریتم soble : این متد لبه ها را با استفاده از تخمین زدن مشتق پیدا می کند، که لبه ها را در آن نقاطی بر می گرداند که گرادیان تصویر I ، max است.

Bw= edge(I,’sobel’,thresh)

مقدار thresh یک میزان آستانه را برای این متد مشخص می کند.

این تابع (edge) را از همه لبه هایی که قوی تر (بیشتر) از thresh نیستند چشم پوشی می کند و اگر ما مقدار این thresh را مشخص نکنیم یا اگر thresh خالی باشد {[]} ، تابع edge خود به طور اتوماتیک مقداری را انتخاب می کند.

Bw=edge(I,’sobel’,thresh,direction)

در این directin , syntax جهت را مشخص می کند، یعنی رشته ای است که مشخص می کند که این تابع لبه های افقی یا عمودی و یا هردو را جستجو کند که به طور پیش فرض هردو را جستجو می کند.

‘horizontal’  افقی:

‘vertical’عمودی:

Bw=edge(I,’sobel’,…,options)

در این دستور تابع یک رشته ی اختیاری به عنوان ورودی می گیرد که رشته ‘nothinning’ سرعت عملیات الگوریتم را بالا می برد؛ به این علت که در مرحله ی نازک شدن لبه های اضافی می گذرد (می پرد) و اگر رشته ی ‘nothinning’ را انتخاب کنیم، الگوریتم لبه های نازک شده را نیز درخواست می کند.

[Bw,thresh]=edge(I,’sobel’,…)

این دستور، مقدار threshold (آستانه) را برمی گرداند.

[Bw,thresh,gv,gh]=edge(….)

%Edge detection by mathworks.ir

در این دستور، لبه های افقی و عمودی (gv,gh) را با توجه به عملگرهای گرادیان بر می گرداند.

دو متد Roberts و prewitt نیز هم به همین گونه هستند.

الگوریتم canny: این متد ل لبه ها را با جستجوی max های محلی (موضعی) گرادیان I ، که گرادیان از روی مشتق فیلتر گاوس (Gaussian) محاسبه می شود.

این متد از دو آستانه (thresholds) استفاده می کند تا لبه های ضعیف و قوی را پیدا کند که فقط شامل لبه هایی ضعیف در خروجی می باشد که آنها متصل به لبه های قوی باشند.

این روش بیشتر به کشف لبه های ضعیف به درستی می پردازد و کمتر فریب نویز را می خورد و از بقیه روش ها بهتر است.

Bw= edge(I,’canny’,thresh)

این متد یک بدار آستانه (thresh) را مشخص می کند که المنت اول آن آستانه پایین و المنت دوم آن آستانه بالا را مشخص می کند.

اگر یک عدد را به عنوان (thresh) انتخاب کنیم این عدد به عنوان آستانه بالا (high threshold) و عدد (۰٫۴×thresh) به عنوان آستانه پایین در نظر گرفته می شود و اگر هیچ عددی را برای thresh انتخاب نکنیم، تابع edge خود به طور اتوماتیک هردو المنت را انتخاب می کند.

[Bw,thresh]=edge(I,’canny’,…)

دستور بالا یک بردار دو المنتی را برمی گداند که میزان آستانه بالا و پایین را مشخص می کند.

منبع:http://mathworks.ir

نوشته آشکارسازی لبه،لبه یابی در متلب اولین بار در وب سایت تخصصی پردازش تصویر پدیدار شد.

آنالیز بافت Texture Analysis

آنالیز بافت ، به خصوصیات مناطق بر اساس محتوای بافت آنها در تصویر اشاره دارد. بافت یک تصویر ، توصیفی از خواص یک ناحیه از تصویر می باشد که درکی از صافی، زبری ، باقاعده یا بی قاعده بودن تغییرات آن ناحیه، ریزی و درشتی اجزای تصویر و مانند ان را در بیننده القا میکند. روشهای مختلفی برای استخراج ویژگیهای بافتی وجود دارد از جمله روشهای آماری، ساختاری و طیفی.
آنالیز بافت در مواردی مانند،  سنجش از راه دور،  بازرسی های خودکار، و پردازش تصاویر پزشکی  مورد استفاده قرار میگیرد. آنالیز بافت را می توان برای پیدا کردن مرزهای بافت، یا تقسیم بندی بافت مورد استفاده قرار داد .
جعبه ابزار پردازش تصویر در متلب ، شامل چندین تابع آنالیز بافت است که یک تصویر را با استفاده از روشهای آمار استاندارد فیلتر میکنند. این روشهای آماری می تواند  بافت  یک تصویر را مشخص کنند چونکه این روشها اطلاعاتی در مورد تنوع محلی مقدار شدت پیکسل ها در یک تصویر ارائه میکنند. به عنوان مثال، در مناطق با بافت صاف، بازه مقدار پیکسل ها در همسایگی اطراف یک پیکسل ، مقدار کوچکی دارد؛ در نواحی با بافت خشن، محدوده بازه بزرگتر خواهد بود. به طور مشابه، محاسبه انحراف استاندارد پیکسل ها در یک همسایگی می توانید درجه تنوع مقادیر پیکسل در آن منطقه را نشان دهد. در زیر لیست این توابع  نشان داده شده است.
تابع : rangefilt : محاسبه طیف محلی یک تصویر.
تابع stdfilt : محاسبه انحراف استاندارد محلی یک تصویر.
تابع entropyfilt : محاسبه آنتروپی محلی یک تصویر سیاه و سفید. آنتروپی یک اندازه گیری آماری تصادفی است.

توابع فیلتر بافت چگونه کار می کنند :

همه توابع به یک روش مشابه عمل میکنند:ابتدا یک همسایگی در اطراف پیکسل مورد علاقه تعریف میکنند، سپس ویژگی های آماری ان ناحیه را محاسبه کرده، و از آن مقدار به عنوان ارزش پیکسل در تصویر خروجی استفاده میکنند.
این مثال نشان میدهد که تابع rangefilt  به چه صورت بر روی  یک آرایه ساده عمل میکند:

  A = [1 2 3 4 5؛  ۶ ۷ ۸ ۹ ۱۰؛  ۱۱ ۱۲ ۱۳ ۱۴ ۱۵؛  ۱۶ ۱۷ ۱۸ ۱۹ ۲۰]

A =  ۱ ۲ ۳ ۴ ۵
۶ ۷ ۸ ۹ ۱۰
۱۱ ۱۲ ۱۳ ۱۴ ۱۵
۱۶ ۱۷ ۱۸ ۱۹ ۲۰

B = rangefilt (A)

B = 6 7 7 7 6
۱۱ ۱۲ ۱۲ ۱۲ ۱۱
۱۱ ۱۲ ۱۲ ۱۲ ۱۱
۶ ۷ ۷ ۷ ۶

شکل زیر نشان میدهد که  چگونه مقدار عنصر B(2,4)  از A(2,4)  محاسبه شد .به طور پیشفرض، تابع rangefilt  از یک همسایگی ۳ در ۳ استفاده میکند اما شما می توانید همسایگی هایی بااشکال و اندازه های مختلف را مشخص کنید.

تعیین مقدار پیکسل در محدوده تصویر خروجی فیلتر شده

 توابع stdfilt  و entropyfilt  به طور مشابه عمل میکنند، یک همسایگی در اطراف پیکسل مورد علاقه ایجاد میکنن و محاسبات آمار برای همسایگی را به منظورتعیین مقدار آن پیکسل در تصویر خروجی را انجام میدهند. تابع stdfilt  انحراف استاندارد تمام مقادیر موجود در همسایگی را محاسبه میکند.
تابع entropyfilt  آنتروپی همسایگی را محاسبه میکند  و آن مقدار را به  پیکسل خروجی اختصاص می دهد. توجه داشته باشید که، به طور پیش فرض، تابع entropyfilt یک همسایگی ۹ در ۹ در اطراف پیکسل مورد علاقه تعریف می کند. برای محاسبه آنتروپی یک تصویر کامل، از تابعentropy میتوان استفاده کرد.

شناسایی مناطق بافت در تصاویر
این مثال نشان می دهد که چگونه مناطق بافت در یک تصویر با استفاده از توابع فیلتر بافت تشخیص داده میشوند:
خواندن تصویر و نمایش آن:

 I = imread (‘eight.tif’)؛
imshow (I)

در این تصویر ، پس زمینه صاف است. تنوع بسیار کمی در مقادیر سطح خاکستری وجود دارد. در پیش زمینه، خطوط سطح سکه بافت بیشتری دارند. در این تصویر، پیکسل های پس زمینه  تنوع بیشتری دارند و در نتیجه مقادیر دامنه بالاتری دارند.
تصویر را با تابع rangefilt  فیلتر کرده و نتیجه را نمایش میدهیم. فیلتر محدوده باعث می شود لبه ها و خطوط  سکه ها قابل مشاهده باشد.

K = rangefilt (I)؛
figure، imshow (K)

======================================================

جهت درخواست انواع پروژه های در حوزه بافت تصویر Texture Analysis، پردازش تصویر، واترمارکینگ watermarking، استگانوگرافی stegano، کریپتوگرافی cryptography، استانه گیری thresholding و …. با ما تماس بگیرید

شماره تماس : ۰۹۱۳۹۹۳۵۳۶۰

نوشته آنالیز بافت Texture Analysis اولین بار در وب سایت تخصصی پردازش تصویر پدیدار شد.

وب سایت تخصصی پردازش تصویر

این وب سایت با هدف آموزش، مشاوره و پیاده سازی انواع تکنیک های پردازش تصویر راه اندازی شد.

امروزه با پیشرفت تجهیزات تصویر برداری و الگوریتم‌های پردازش تصویر شاخهٔ جدیدی در کنترل کیفیت و ابزار دقیق به وجود آمده‌است؛ و هر روز شاهد عرضه سیستمهای تصویری پیشرفته برای سنجش اندازه، کالیبراسیون، کنترل اتصالات مکانیکی، افزایش کیفیت تولید و … هستیم. پنج کاربرد عمده پردازش تصویر را می توان رباتیک ، سیستم های دفاعی ، مهندسی پزشکی ، کنترل صنعتی و گرافیک کامپیوتری عنوان کرد.

وب سایت ایمیج یار اماده همکاری در  زمینه مشاور و مشارکت در انجام پروژه های آموزشی، دانشگاهی و تجاری در حوزه پردازش تصویر می باشد.

پردازش تصویر، واترمارکینگ، استگانوگرافی، کریپتوگرافی و.. را از ما بخواهید

نوشته وب سایت تخصصی پردازش تصویر اولین بار در وب سایت تخصصی پردازش تصویر پدیدار شد.