تاریخ انتشار:
بازدید: 3110 بازدید

پردازش تصویر چیست؟

فهرست مطالب

مقدمه: 

پردازش تصویر چیست؟ یکی از حوزه‌های مهم و پرکاربرد در علوم کامپیوتر است که به تحلیل و تفسیر تصاویر و ویدئوها می‌پردازد.

 این حوزه در سال‌های اخیر به دلیل پیشرفت فناوری و افزایش قدرت محاسباتی، رشد چشمگیری داشته است.

 پردازش تصویر در بسیاری از صنایع و حوزه‌های کاربردی مورد استفاده قرار می‌گیرد، از جمله پزشکی، صنعت، امنیت و رباتیک.

 در این مقاله، به بررسی مفاهیم اصلی پردازش تصویر، کاربردهای آن، روش‌ها و الگوریتم‌های مرتبط و چالش‌ها و مسائل مرتبط با این حوزه می‌پردازیم.

تصویر چیست؟

قبل از اینکه به پردازش تصویر چیست؟ بپردازیم، ابتدا باید متوجه شوید که دقیقاً چه چیزی یک تصویر را تشکیل می‌دهد. 

 تصویر به یک نمایش بصری از یک شیء، صحنه، یا واقعه اشاره دارد. تصویر ممکن است به صورت دیجیتال (مانند تصاویر دوربین دیجیتال یا تصاویر کامپیوتری) یا آنالوگ (مانند عکس‌های چاپ شده یا تصاویر فیلم) باشد.

تصویر دیجیتال معمولاً به صورت مجموعه‌ای از پیکسل‌ها (عناصر تصویر دیجیتال که هر یک شامل اطلاعات رنگ و شفافیت هستند) در یک صفحه نمایش نشان داده می‌شود. این پیکسل‌ها با هم ترکیب می‌شوند تا یک تصویر کامل را تشکیل دهند.

تصاویر دیجیتال معمولاً از دوربین‌های دیجیتال، اسکنرها، سنسورهای مختلف و نرم‌افزارهای ویرایش تصویر به دست می‌آیند. این تصاویر می‌توانند به صورت فایل‌های تصویری در فرمت‌های مختلف مانند JPEG، PNG، TIFF و غیره ذخیره شوند.

به طور کلی، تصویر یک نمایش بصری از داده‌های بصری است که ممکن است شامل صحنه‌های طبیعی، اشیاء، افراد، نقاشی‌ها و غیره باشد.

بخش اول: مفاهیم اصلی پردازش تصویر و کاربردهای آن

در این بخش، به معرفی مفاهیم اصلی پردازش تصویرچیست؟ و کاربردهای آن می‌پردازیم. پردازش تصویر به تحلیل و تفسیر تصاویر و ویدئوها با استفاده از الگوریتم‌ها و روش‌های مختلف می‌پردازد.

 این حوزه در بسیاری از صنایع و حوزه‌های کاربردی مورد استفاده قرار می‌گیرد. به عنوان مثال، در پزشکی، پردازش تصویر برای تشخیص بیماری‌ها و تصاویر پزشکی استفاده می‌شود. در صنعت، از پردازش تصویر برای کنترل کیفیت محصولات و تشخیص خطاها استفاده می‌شود. همچنین، در حوزه امنیت، پردازش تصویر برای تشخیص چهره و تشخیص اشیاء مشکوک استفاده می‌شود.

بخش دوم: روش‌ها و الگوریتم‌های مرتبط با پردازش تصویر

در این بخش، به بررسی روش‌ها و الگوریتم‌های مرتبط با پردازش تصویرچیست؟ می‌پردازیم. الگوریتم‌های پردازش تصویر شامل الگوریتم‌های تشخیص لبخند، تشخیص چهره، تشخیص اشیاء و تشخیص حرکت می‌شوند.

 این الگوریتم‌ها با استفاده از تکنیک‌های مختلفی مانند تبدیلات هندسی، فیلترهای تصویر و الگوریتم‌های یادگیری ماشینی عمل می‌کنند.

 به عنوان مثال، الگوریتم تشخیص چهره با استفاده از الگوریتم‌های یادگیری ماشینی و شبکه‌های عصبی عمل می‌کند.

بخش سوم: استفاده از پردازش تصویر در حوزه‌های مختلف

در این بخش، به بررسی استفاده از پردازش تصویر در حوزه‌های مختلف می‌پردازیم. پردازش تصویر در حوزه پزشکی برای تشخیص بیماری‌ها، تصاویر پزشکی و روش‌های تصویربرداری استفاده می‌شود.

 در صنعت، پردازش تصویر برای کنترل کیفیت محصولات، تشخیص خطاها و تشخیص قطعات استفاده می‌شود. همچنین، در حوزه امنیت، پردازش تصویر برای تشخیص چهره و تشخیص اشیاء مشکوک استفاده می‌شود.

بخش چهارم: چالش‌ها و مسائل مرتبط با پردازش تصویر و راهکارهای ممکن برای حل آنها

در این بخش، به بررسی چالش‌ها و مسائل مرتبط با پردازش تصویر چیست؟ و راهکارهای ممکن برای حل آنها می‌پردازیم.

 یکی از چالش‌های اصلی در پردازش تصویر، تشخیص و تفسیر تصاویر با دقت بالا است. همچنین، مسئله تشخیص اشیاء در تصاویر با پس زمینه پیچیده نیز یکی از چالش‌های این حوزه است. برای حل این چالش‌ها، راهکارهایی مانند استفاده از الگوریتم‌های یادگیری ماشینی و شبکه‌های عصبی می‌تواند مورد استفاده قرار گیرد.

الگوریتم‌های پردازش تصویر در متلب شامل مجموعه‌ای از الگوریتم‌های مختلف برای تحلیل و پردازش تصاویر است. برخی از انواع الگوریتم‌های پردازش تصویر در متلب عبارتند از:

انواع الگوریتم های پردازش تصویر:

1. فیلترینگ تصویر: الگوریتم‌های فیلترینگ تصویر برای حذف نویز، افزایش وضوح و تشخیص لبه‌ها در تصاویر استفاده می‌شوند. این شامل فیلترهای مانند فیلتر گوسی، فیلتر میانه و فیلتر سوبل است.

2. تشخیص و شناسایی الگوها: الگوریتم‌های تشخیص و شناسایی الگوها برای تشخیص اشیاء، چهره‌ها، خطوط و شکل‌ها در تصاویر استفاده می‌شوند. این شامل الگوریتم‌های تشخیص چهره، تشخیص شیء و تشخیص خطوط است.

3. ردیابی حرکت: الگوریتم‌های ردیابی حرکت برای ردیابی و پیش‌بینی حرکت اشیاء در تصاویر و ویدئوها استفاده می‌شوند. این شامل الگوریتم‌های ردیابی حرکت شیء و ردیابی حرکت چهره است.

4. پردازش تصاویر پزشکی: الگوریتم‌های پردازش تصاویر پزشکی برای تحلیل و افزایش کیفیت تصاویر پزشکی، شناسایی آسیب‌ها و بیماری‌ها، و استخراج ویژگی‌های مفید از تصاویر پزشکی استفاده می‌شوند.

5. پردازش تصاویر سه بعدی: الگوریتم‌های پردازش تصاویر سه بعدی برای تحلیل و پردازش داده‌های تصویر سه بعدی (مانند اسکن‌های MRI و CT) استفاده می‌شوند.

این تنها چند نمونه از الگوریتم‌های پردازش تصویر در متلب هستند که در بسیاری از حوزه‌های علم داده و مهندسی مورد استفاده قرار می‌گیرند.

 
پردازش تصویرچیست؟

تفاوت پردازش تصویر بابینایی ماشین چیست؟

پردازش تصویر و بینایی ماشین دو حوزه مختلف در علوم کامپیوتر هستند، اما به نحوه‌ای با یکدیگر مرتبط هستند.

1. پردازش تصویر: پردازش تصویر به تحلیل، تفسیر و استخراج اطلاعات از تصاویر دیجیتالی می‌پردازد. 

در این حوزه، الگوریتم‌ها و روش‌های مختلفی برای پردازش و تحلیل تصاویر استفاده می‌شود، مانند تشخیص شئ، شناسایی الگوها، بهبود کیفیت تصاویر و غیره.

2. بینایی ماشین: بینایی ماشین یک زیرشاخه از هوش مصنوعی است که به ماشین‌ها و سیستم‌های کامپیوتری امکان می‌دهد تا اطلاعات را از تصاویر و ویدئوها استخراج کرده و آن‌ها را تحلیل کنند. 

در این حوزه، الگوریتم‌ها و مدل‌های یادگیری عمیق برای تشخیص الگوها، شناسایی اشیاء، تشخیص چهره، تحلیل حرکت و غیره استفاده می‌شود.

بنابراین، اصلی‌ترین تفاوت بین پردازش تصویر و بینایی ماشین در این است که پردازش تصویر به تحلیل و پردازش تصاویر محدود می‌شود، در حالی که بینایی ماشین به کاربردهای گسترده‌تری از جمله شناسایی الگوها، تحلیل حرکت، شناسایی چهره و غیره متمرکز است.

خواندن، نمایش و ذخیره تصاویر در پردازش تصویر:

در پردازش تصویر، معمولاً از کتابخانه‌های برنامه نویسی مانند OpenCV یا PIL (Python Imaging Library) برای خواندن، نمایش و ذخیره تصاویر استفاده می‌شود. این کتابخانه‌ها امکانات متنوعی برای پردازش تصویر ارائه می‌دهند و عملیاتی مانند خواندن تصویر از فایل، نمایش تصویر در پنجره، و ذخیره تصویر به فرمت‌های مختلف را انجام می‌دهند.
 
برای مثال، در OpenCV می‌توانید با استفاده از توابع مانند cv2.imread() تصویر را از یک فایل بخوانید، cv2.imshow() تصویر را نمایش دهید و cv2.imwrite() تصویر را در یک فایل ذخیره کنید. همچنین، در PIL نیز می‌توانید با استفاده از توابع Image.open() تصویر را بخوانید، Image.show() تصویر را نمایش دهید و Image.save() تصویر را در یک فایل ذخیره کنید.
 
با استفاده از این کتابخانه‌ها، می‌توانید به راحتی عملیات پردازش تصویر را انجام دهید و از امکانات گسترده آن‌ها برای تحلیل و تغییر تصاویر بهره ببرید.

 فیلترینگ تصاویر در پردازش تصویر:

فیلترینگ تصاویر یکی از مهمترین عملیات در پردازش تصویر است که برای بهبود کیفیت تصویر، حذف نویز، تشخیص لبه‌ها و اجسام، و یا انجام عملیات دیگر مورد استفاده قرار می‌گیرد. 

در ادامه، به برخی از رایج‌ترین فیلتر‌های تصویر اشاره خواهم کرد:

1. فیلتر میانه (Median Filter): این فیلتر برای حذف نویز در تصویر استفاده می‌شود. با استفاده از مقدار میانه از پیکسل‌های همسایه، نویز‌های سطحی حذف می‌شوند.
 
2. فیلتر گوسی (Gaussian Filter): این فیلتر برای انحراف نوری تصویر و حذف نویز استفاده می‌شود. با استفاده از این فیلتر، تصویر از نویز‌های گاوسی پاک شده و صاف می‌شود.
 
3. فیلتر لبه (Edge Filter): این فیلتر برای تشخیص لبه‌ها در تصویر استفاده می‌شود. با استفاده از این فیلتر، لبه‌های تصویر با تغییرات شدید رنگ یا شدت تشخیص داده می‌شوند.
 
4. فیلتر سوبل (Sobel Filter): این فیلتر برای تشخیص لبه‌ها در تصویر با استفاده از گرادیان تصویر استفاده می‌شود. با استفاده از این فیلتر، لبه‌های افقی و عمودی تصویر تشخیص داده می‌شوند.
 
5. فیلتر بالگر (Blur Filter): این فیلتر برای انحراف نوری تصویر و انعکاس نور در تصویر استفاده می‌شود. با استفاده از این فیلتر، تصویر نرم و صاف شده و جزئیات غیرضروری حذف می‌شوند.
 
این تنها چند نمونه از فیلتر‌های پرکاربرد در پردازش تصویر هستند. هر کدام از این فیلتر‌ها برای موارد خاص و با هدف‌های خاص استفاده می‌شوند و بهبود کیفیت و قابلیت تحلیل تصاویر را فراهم می‌کنند.

تبدیلات هندسی بر روی تصاویر در پردازش تصویر:

تبدیلات هندسی بر روی تصاویر در پردازش تصویر به منظور تغییر شکل، اندازه، جهت و موقعیت تصویر استفاده می‌شود. این تبدیلات به صورت خطی و غیرخطی انجام می‌شوند و می‌توانند بهبود کیفیت و قابلیت تحلیل تصاویر را فراهم کنند.

 در ادامه، به برخی از رایج‌ترین تبدیلات هندسی بر روی تصاویر اشاره خواهم کرد:

1. تغییر اندازه (Scaling): در این تبدیلات، اندازه تصویر با تغییر ضرایب اندازه‌گیری در جهت‌های افقی و عمودی تغییر می‌کند. این تبدیلات می‌توانند به منظور بزرگنمایی یا کوچک‌نمایی تصویر استفاده شوند.
 
2. چرخش (Rotation): در این تبدیلات، تصویر به دور مرکز چرخش داده می‌شود. این تبدیلات می‌توانند به منظور چرخش تصویر به زاویه‌های مختلف استفاده شوند.
 
3. تراز (Translation): در این تبدیلات، تصویر در جهت‌های افقی و عمودی حرکت داده می‌شود بدون تغییر اندازه و شکل. این تبدیلات معمولاً برای جابجایی تصویر در فضا استفاده می‌شوند.
 
4. فرکانس پایین و فرکانس بالا (Low-pass and High-pass Filtering): در این تبدیلات، فرکانس‌های پایین و بالای تصویر جدا شده و فیلتر شده و سپس با هم ترکیب می‌شوند. این تبدیلات برای حذف نویز، بهبود وضوح و کاهش حجم تصویر استفاده می‌شوند.
 
5. انعکاس (Reflection): در این تبدیلات، تصویر به دور یک خط انعکاس داده می‌شود. این تبدیلات معمولاً برای انعکاس تصویر در آینه یا سطوح دیگر استفاده می‌شوند.
 
این تنها چند نمونه از تبدیلات هندسی بر روی تصاویر در پردازش تصویر هستند. هر کدام از این تبدیلات برای موارد خاص و با هدف‌های خاص استفاده می‌شوند و بهبود کیفیت و قابلیت تحلیل تصاویر را فراهم می‌کنند.
 
پردازش تصویر چیست؟

تشخیص و تشخیص الگو در تصاویر در پردازش تصویر:

تشخیص الگو و تشخیص الگو در پردازش تصویر دو مفهوم مهم هستند که در حوزه هوش مصنوعی و پردازش تصویر استفاده می‌شوند. 

1. تشخیص الگو (Pattern Recognition): 

تشخیص الگو به معنای شناسایی یا تشخیص الگوهای خاص در تصاویر است. این فرایند شامل تعیین و تشخیص الگوهای خاص، مانند چهره‌ها، اشیاء، حروف و اعداد، رنگ‌ها و … است. برای این کار، از الگوریتم‌ها و مدل‌های یادگیری ماشین، شبکه‌های عصبی و روش‌های پردازش تصویر استفاده می‌شود.

2. تشخیص الگو (Pattern Detection):

 تشخیص الگو به معنای یافتن الگوهای خاص در تصاویر است. این فرایند شامل شناسایی الگوهای خاص، مانند لباس‌های خاص، طرح‌های هندسی، ساختارهای مکانی و … است. برای این کار، از الگوریتم‌ها و روش‌های پردازش تصویر، مانند فیلترینگ، استخراج و ویژگی‌ها و تطابق الگو استفاده می‌شود.
 
در هر دو حالت، هدف اصلی این فرایندها افزایش دقت و کارآمدی در تشخیص و تشخیص الگو در تصاویر است. این تکنولوژی‌ها در حوزه‌های مختلفی مانند پزشکی، امنیت، خودروهای خودران، شناسایی چهره، تشخیص نوع وسایل نقلیه و … استفاده می‌شوند و نقش مهمی در بهبود عملکرد سیستم‌های هوشمند دارند.

پردازش تصویر بر اساس یادگیری عمیق:

پردازش تصویر بر اساس یادگیری عمیق یکی از مهمترین و پرکاربردترین روش‌ها برای تشخیص الگو و تشخیص الگو در تصاویر است. یادگیری عمیق به معنای استفاده از شبکه‌های عصبی عمیق برای استخراج و تجزیه و تحلیل ویژگی‌های پیچیده و انتقال داده‌های تصویری است.
 
برخلاف روش‌های سنتی پردازش تصویر که بر اساس الگوریتم‌های دستی و قوانین دامنه‌ای عمل می‌کنند، یادگیری عمیق از داده‌های ورودی بزرگ و متنوع برای آموزش شبکه‌های عصبی استفاده می‌کند تا خود به صورت خودکار و به صورت سلسله مراتبی و وابسته به داده‌ها ویژگی‌های مناسب را استخراج کند.

بعضی از معروف‌ترین معماری‌های شبکه عصبی عمیق برای پردازش تصویر عبارتند از:

1. شبکه‌های عصبی کانولوشنال (CNNs): 

این نوع از شبکه‌ها برای تشخیص الگو و تشخیص الگو در تصاویر بسیار موثر هستند. آن‌ها از لایه‌های کانولوشنال برای استخراج ویژگی‌های مکانی از تصویر استفاده می‌کنند.
 
  • شبکه‌های عصبی کانولوشنال یا CNNs یکی از مهمترین و پرکاربردترین معماری‌های شبکه عصبی برای پردازش تصویر است. این نوع از شبکه‌ها به طور خاص برای تشخیص الگو و تشخیص الگو در تصاویر استفاده می‌شوند. CNNs از لایه‌های کانولوشنال برای استخراج و تجزیه و تحلیل ویژگی‌های مکانی از تصویر استفاده می‌کنند.
 
  • لایه‌های کانولوشنال در CNNs به طور خودکار و به صورت مکرر ویژگی‌های مختلف از تصویر را استخراج می‌کنند. این لایه‌ها به صورت جابجایی‌محور عمل می‌کنند، به این معنی که هر فیلتر کانولوشنال بر روی تصویر حرکت می‌کند و ویژگی‌های مختلف را استخراج می‌کند. سپس لایه‌های پولینگ برای کاهش ابعاد و افزایش سرعت پردازش استفاده می‌شوند.
 
  • بعد از لایه‌های کانولوشنال و پولینگ، یک یا چند لایه پرسپترون (Fully Connected) برای ترکیب و تحلیل ویژگی‌های استخراج شده از تصویر به کار می‌روند. در نهایت، یک لایه خروجی با تابع فعال‌سازی مناسب برای تشخیص الگو و تصمیم‌گیری نهایی قرار داده می‌شود.
 
  • CNNs به دلیل قابلیت‌های بالا در استخراج و تجزیه و تحلیل ویژگی‌ها، افزایش دقت تشخیص، کارآمدی بالا و قابلیت انتقال یادگیری بین دامنه‌ها، در بسیاری از حوزه‌ها مانند پزشکی، خودروهای خودران، شناسایی چهره، امنیت، تشخیص الگو و … به طور گسترده استفاده می‌شود.
 

2. شبکه‌های عصبی بازگشتی (RNNs): 

 شبکه‌های عصبی بازگشتی یا RNNs یک نوع خاص از شبکه‌های عصبی هستند که برای پردازش داده‌های دنباله‌ای و زمانی مانند متون، گفتار، سیگنال‌های زمانی و غیره استفاده می‌شوند. RNNs دارای حلقه‌های بازگشتی هستند که به آن‌ها این امکان را می‌دهد که اطلاعات قبلی را در فرآیند تصمیم‌گیری در نظر بگیرند.

  • در RNNs، هر لایه شبکه یک واحد بازگشتی است که ورودی خود را به همراه وضعیت داخلی (حافظه) خود دریافت می‌کند و خروجی خود را بر اساس این وضعیت داخلی و ورودی جدید تولید می‌کند. این وضعیت داخلی اطلاعات قبلی را نگهداری می‌کند و به شبکه این امکان را می‌دهد که الگوهای زمانی و وابستگی‌های زمانی را در داده‌های دنباله‌ای شناسایی کند.
  • با این حال، RNNs دارای چالش‌هایی نظیر مشکل گرادیان محو شونده (Vanishing Gradient Problem) هستند که ممکن است باعث کاهش کارآیی شبکه شود. برای حل این مشکل، معماری‌های پیشرفته‌تری نظیر شبکه‌های عصبی بازگشتی با دروازه‌ها (GRUs) و شبکه‌های عصبی بازگشتی طولانی مدت-کوتاه مدت (LSTMs) توسعه داده شده‌اند.
  • RNNs به دلیل قابلیتشان در پردازش داده‌های دنباله‌ای و زمانی، در حوزه‌های مختلف از جمله پردازش زبان طبیعی، ترجمه ماشینی، تولید متن، تحلیل گفتار، پردازش سیگنال‌های زمانی و … استفاده می‌شوند.

3. شبکه‌های عصبی بازگشتی با در نظر گرفتن حافظه (LSTM و GRU): 

این نوع از شبکه‌ها برای مدل‌سازی داده‌های دنباله‌ای با در نظر گرفتن حافظه بلندمدت و کوتاهمدت مناسب هستند.

استفاده از یادگیری عمیق در پردازش تصویر به دلیل قابلیت‌های بالا در استخراج و تجزیه و تحلیل ویژگی‌ها، افزایش دقت تشخیص، کارآمدی بالا و قابلیت انتقال یادگیری بین دامنه‌ها، به طور گسترده در بسیاری از حوزه‌ها مانند پزشکی، خودروهای خودران، شناسایی چهره، امنیت، تشخیص الگو و … استفاده می‌شود.

شبکه‌های عصبی بازگشتی با دروازه‌ها (GRUs) و شبکه‌های عصبی بازگشتی طولانی مدت-کوتاه مدت (LSTMs) دو نوع از معماری‌های پیشرفته RNN هستند که برای حل مشکل گرادیان محو شونده و بهبود عملکرد شبکه‌های عصبی بازگشتی توسعه داده شده‌اند.

1. شبکه‌های عصبی بازگشتی با دروازه‌ها (GRUs):

GRUs یک نوع از شبکه‌های عصبی بازگشتی هستند که دارای ساختار ساده‌تری نسبت به LSTMs هستند. GRUs دارای دو دروازه اصلی به نام‌های دروازه باز (Update Gate) و دروازه بازنو (Reset Gate) هستند که به شبکه این امکان را می‌دهند تا تصمیم بگیرد کدام اطلاعات را نگه دارد و کدام را فراموش کند. این دروازه‌ها به شبکه کمک می‌کنند تا از اثر گرادیان محو شونده جلوگیری کنند و اطلاعات را بهتر حفظ کنند.

2. شبکه‌های عصبی بازگشتی طولانی مدت-کوتاه مدت (LSTMs):

LSTMs یک نوع پیچیده‌تر از شبکه‌های عصبی بازگشتی هستند که دارای سلول حافظه خود (Cell State)، دروازه فراموشی (Forget Gate)، دروازه ورود (Input Gate) و دروازه خروجی (Output Gate) هستند. این دروازه‌ها به LSTM این امکان را می‌دهند که اطلاعات را بخوبی نگه دارد، اطلاعات جدید را به سلول حافظه اضافه کند و اطلاعات مورد نیاز را استخراج کند. به این ترتیب، LSTMs قادر به حفظ الگوهای زمانی پیچیده تر هستند و مشکل گرادیان محو شونده را کاهش می‌دهند.

در کل، GRUs و LSTMs به دلیل قابلیتشان در حفظ و استفاده از اطلاعات زمانی، در حوزه‌های پردازش زبان طبیعی، ترجمه ماشینی، تولید متن، تحلیل گفتار و … بسیار مورد استفاده قرار می‌گیرند و بهبود قابل توجهی را در عملکرد شبکه‌های عصبی بازگشتی به ارمغان آورده‌اند.

نتیجه گیری:

در این مقاله، به بررسی مفاهیم اصلی پردازش تصویر، کاربردهای آن، روش‌ها و الگوریتم‌های مرتبط و چالش‌ها و مسائل مرتبط با این حوزه پرداختیم.

 پردازش تصویر به تحلیل و تفسیر تصاویر و ویدئوها با استفاده از الگوریتم‌ها و روش‌های مختلف می‌پردازد و در بسیاری از صنایع و حوزه‌های کاربردی مورد استفاده قرار می‌گیرد.

 در آینده، با پیشرفت فناوری و افزایش قدرت محاسباتی، انتظار می‌رود که پردازش تصویر به میزان بیشتری در حوزه‌های مختلف مورد استفاده قرار گیرد و بهبود‌های چشمگیری را در این حوزه به ارمغان بیاورد.

پروژه های برنامه نویسی با پردازش تصویر را شمادوستان عزیز می توانید ازاینجا خریداری کنید.

 

ادامه مطلب

نوشته قبلی

الگوریتم پرسپترون
نوشته بعدی

الگوریتم شبکه عصبی هاپفیلد