per
دانشگاه صنعتی نوشیروانی بابل
مجله علمی رایانش نرم و فناوری اطلاعات
2383-1006
2588-4913
2015-12-22
4
4
51657
ارائه روش ترکیبی از الگوریتم های PSO , GAدر بهبود الگوریتم BCFCM
ارائه روش ترکیبی از الگوریتم های PSO , GAدر بهبود الگوریتم BCFCM
Jamal Ghasemi
j.ghasemi@umz.ac.ir
1
Iman Arghand
imana621@gmail.com
2
Faculty of Engineering & Technology, University of Mazandaran
قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice، عملکرد مناسب روش پیشنهادی را نشان می دهد.
قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice، عملکرد مناسب روش پیشنهادی را نشان می دهد.
https://jscit.nit.ac.ir/article_51657_4cbb4f49e1c35c11318685088295c832.pdf
per
دانشگاه صنعتی نوشیروانی بابل
مجله علمی رایانش نرم و فناوری اطلاعات
2383-1006
2588-4913
2015-12-22
4
4
51658
بهینه سازی الگوریتم BCFCM با GA و PSO برای قطعه بندی ام آر آی مغز
بهینه سازی الگوریتم BCFCM با GA و PSO برای قطعه بندی ام آر آی مغز
Jamal Ghasemi
j.ghasemi@umz.ac.ir
1
Iman Arghand
imana621@gmail.com
2
گروه مدندسی برق- الیترونیک، دانشیده فنی و مدندسی، دانشگاه آزاد اسلامی- واحد نور
قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice و Tanimoto، عملکرد مناسب روش پیشنهادی را نشان می دهد.
قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله یک روش، تحت دو ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice و Tanimoto، عملکرد مناسب روش پیشنهادی را نشان می دهد.
https://jscit.nit.ac.ir/article_51658_b3076195e3fdb3ca7c34e0fe4638eb8c.pdf
per
دانشگاه صنعتی نوشیروانی بابل
مجله علمی رایانش نرم و فناوری اطلاعات
2383-1006
2588-4913
2015-12-22
4
4
51659
یک الگوریتم ترکیبی خوشه بندی جدید در رویکرد داده های دسته ای
یک الگوریتم ترکیبی خوشه بندی جدید در رویکرد داده های دسته ای
Negin Daneshpour
ndaneshpour@sru.ac.ir
1
Maryam Nabiloo
mnabiloo13@yahoo.com
2
Shahid Rajaee Teacher Training University
Shahid Rajaee Teacher Training University
خوشه بندی داده ها یک ابزار پایه موجود برای درک ساختار مجموعه داده ها است. فرایندی که داده ها را در گروه های از اشیاء شبیه به هم قرار میدهد خوشه بندی نام دارد. خوشه بندی یکی از مهمترین مسائل بدون ناظر برای یافتن ساختار در یک مجموعه داده های برچسب نخورده است. الگوریتم های خوشه بندی با توجه به نوع داده ها به دو دسته تقسیم می شوند: الگوریتم های خوشه بندی داده های عددی و الگوریتم های خوشه بندی داده های دسته ای. الگوریتم های خوشه بندی داده های دسته ای به دلیل ماهیت و کاربرد این داده ها نسبت به الگوریتم های خوشه بندی داده های عددی از اهمیت بالایی برخوداراند. در این مقاله ابتدا به بررسی ماهیت این نوع داده ها پرداخته و سپس معیارهای شباهت و الگوریتم های خوشه بندی مطرحشده در این حوزه را بررسی می کنیم و در انتها، روشی ترکیبی، برپایه ترکیب دو الگوریتم خوشه بندی سلسلهمراتبی و خوشه بندی تفکیکی برای خوشه بندی بهتر این نوع داده ها ارائه می دهیم. آزمایشات نشان می دهد که روش ارائه شده در این مقاله نتایج حاصل از خوشه بندی را بهبود می بخشد.
خوشه بندی داده ها یک ابزار پایه موجود برای درک ساختار مجموعه داده ها است. فرایندی که داده ها را در گروه های از اشیاء شبیه به هم قرار میدهد خوشه بندی نام دارد. خوشه بندی یکی از مهمترین مسائل بدون ناظر برای یافتن ساختار در یک مجموعه داده های برچسب نخورده است. الگوریتم های خوشه بندی با توجه به نوع داده ها به دو دسته تقسیم می شوند: الگوریتم های خوشه بندی داده های عددی و الگوریتم های خوشه بندی داده های دسته ای. الگوریتم های خوشه بندی داده های دسته ای به دلیل ماهیت و کاربرد این داده ها نسبت به الگوریتم های خوشه بندی داده های عددی از اهمیت بالایی برخوداراند. در این مقاله ابتدا به بررسی ماهیت این نوع داده ها پرداخته و سپس معیارهای شباهت و الگوریتم های خوشه بندی مطرحشده در این حوزه را بررسی می کنیم و در انتها، روشی ترکیبی، برپایه ترکیب دو الگوریتم خوشه بندی سلسلهمراتبی و خوشه بندی تفکیکی برای خوشه بندی بهتر این نوع داده ها ارائه می دهیم. آزمایشات نشان می دهد که روش ارائه شده در این مقاله نتایج حاصل از خوشه بندی را بهبود می بخشد.
https://jscit.nit.ac.ir/article_51659_f121ffef581d1edd2455d32ca10e152c.pdf
per
دانشگاه صنعتی نوشیروانی بابل
مجله علمی رایانش نرم و فناوری اطلاعات
2383-1006
2588-4913
2015-12-22
4
4
51660
ارائه الگوریتم جدید جهت کشف داده های پرت محلی در جریان داده ها
ارائه الگوریتم جدید جهت کشف داده های پرت محلی در جریان داده ها
Arash Mazidi
mazidi@cse.shirazu.ac.ir
1
Mohammadhadi Sadreddini
sadredin@shirazu.ac.ir
2
Hooman Tahayori
tahayori@yahoo.com
3
Shiraz University
Shiraz University
Shiraz University
افزایش روزافزون دادهها در پایگاه دادهها، نیاز به روشهای بهینه برای آنالیز دادهها را افزایش داده است. بیشتر مطالعات، بر روی پیداکردن الگوهای کاربردی در پایگاه دادهها متمرکز شدهاند. این مطالعات برای کاربردهای تشخیص فعالیت مجرمین در تجارت الکترونیک و تشخیص انحرافات نسبت به کاربردهای دیگر مفیدتر واقع شده است. الگوریتمهای زیادی برای تشخیص دادههای پرت ارائه شده است، اما اکثر این الگوریتمها بر روی دادههای ایستا کارایی دارند. دادههای جریانی، دادههای پیوسته و نامحدودی هستند که در طول زمان، تغییر توزیع خواهند داشت. این تغییر توزیع، باعث افزایش نرخ مثبت- کاذب و عدم کارایی الگوریتمهای موجود میشود. در این مقاله، الگوریتمی جهت شناسایی داده های پرت، با استفاده از روش تقسیم جریان دادهها به قطعههای مساوی و محاسبه ضریب ناهنجاری محلی برای دادهها و استفاده از لیستی برای دادههای پرت کاندید ارائه داده ایم تا علاوه بر شناسایی دادههای پرت، نرخ مثبت-کاذب پایینی داشته باشد. نتایج بدست آمده بر روی مجموعه دادههای مصنوعی و حقیقی، نشان میدهد که الگوریتم ارائه شده، باعث کاهش قابل توجه نرخ مثبت-کاذب و افزایش دقت شده و نسبت به الگوریتم های دیگر کارایی بهتری دارد.
افزایش روزافزون دادهها در پایگاه دادهها، نیاز به روشهای بهینه برای آنالیز دادهها را افزایش داده است. بیشتر مطالعات، بر روی پیداکردن الگوهای کاربردی در پایگاه دادهها متمرکز شدهاند. این مطالعات برای کاربردهای تشخیص فعالیت مجرمین در تجارت الکترونیک و تشخیص انحرافات نسبت به کاربردهای دیگر مفیدتر واقع شده است. الگوریتمهای زیادی برای تشخیص دادههای پرت ارائه شده است، اما اکثر این الگوریتمها بر روی دادههای ایستا کارایی دارند. دادههای جریانی، دادههای پیوسته و نامحدودی هستند که در طول زمان، تغییر توزیع خواهند داشت. این تغییر توزیع، باعث افزایش نرخ مثبت- کاذب و عدم کارایی الگوریتمهای موجود میشود. در این مقاله، الگوریتمی جهت شناسایی داده های پرت، با استفاده از روش تقسیم جریان دادهها به قطعههای مساوی و محاسبه ضریب ناهنجاری محلی برای دادهها و استفاده از لیستی برای دادههای پرت کاندید ارائه داده ایم تا علاوه بر شناسایی دادههای پرت، نرخ مثبت-کاذب پایینی داشته باشد. نتایج بدست آمده بر روی مجموعه دادههای مصنوعی و حقیقی، نشان میدهد که الگوریتم ارائه شده، باعث کاهش قابل توجه نرخ مثبت-کاذب و افزایش دقت شده و نسبت به الگوریتم های دیگر کارایی بهتری دارد.
https://jscit.nit.ac.ir/article_51660_484fc0bed10c18e4def972512e1b7a4d.pdf
per
دانشگاه صنعتی نوشیروانی بابل
مجله علمی رایانش نرم و فناوری اطلاعات
2383-1006
2588-4913
2015-12-22
4
4
51661
تعیین مختصات دقیق تارگتها به روش برازش بیضی توسعه یافته
تعیین مختصات دقیق تارگتها به روش برازش بیضی توسعه یافته
Heidar Rastiveis
hrasti@ut.ac.ir
1
Mohammad Saadat seresht
msaadat@ut.ac.ir
2
University of Tehran
University of Tehran
فتوگرامتری صنعتی شاخهای از فتوگرامتری برد کوتاه است که در آن ابعاد، موقعیت، وضعیت، شکل و تغییرشکل قطعات صنعتی با دقت و صحت بالایی اندازهگیری میشود. در فتوگرامتری صنعتی برای افزایش اتوماسیون و دقت اندازهگیری از تارگتهای مخصوص با کنتراست بالا استفاده میشود. یکی از مسائل مهم در فتوگرامتری صنعتی اندازهگیری دقیق مختصات عکسی این تارگتها است. هدف از این مقاله ارائه یک روش پیشنهادی به منظور اندازهگیری دقیق مختصات عکسی تارگتها بر مبنای مفاهیم استخراج لبه و ناحیه در پردازش تصویر میباشد. برای ارزیابی روش پیشنهادی، آزمونهای متعددی روی تارگتهای شبیهسازی-شده بر مبنای متغیرهای هندسی (اندازه، کشیدگی و توجیه تارگت) و متغیرهای کیفی (نسبت نویز به سیگنال تصویر و PSF سیستم تصویربرداری) انجام پذیرفت. پس از تحلیل نتایج مشخص گردید روش پیشنهادی در مقایسه با روشهای دیگر از کارایی بالاتری برخوردار بوده و بطورکلی وزندهی در آن یا نرم کردن تصویر موجب کاهش معنیدار خطا نمیشوند.
فتوگرامتری صنعتی شاخهای از فتوگرامتری برد کوتاه است که در آن ابعاد، موقعیت، وضعیت، شکل و تغییرشکل قطعات صنعتی با دقت و صحت بالایی اندازهگیری میشود. در فتوگرامتری صنعتی برای افزایش اتوماسیون و دقت اندازهگیری از تارگتهای مخصوص با کنتراست بالا استفاده میشود. یکی از مسائل مهم در فتوگرامتری صنعتی اندازهگیری دقیق مختصات عکسی این تارگتها است. هدف از این مقاله ارائه یک روش پیشنهادی به منظور اندازهگیری دقیق مختصات عکسی تارگتها بر مبنای مفاهیم استخراج لبه و ناحیه در پردازش تصویر میباشد. برای ارزیابی روش پیشنهادی، آزمونهای متعددی روی تارگتهای شبیهسازی-شده بر مبنای متغیرهای هندسی (اندازه، کشیدگی و توجیه تارگت) و متغیرهای کیفی (نسبت نویز به سیگنال تصویر و PSF سیستم تصویربرداری) انجام پذیرفت. پس از تحلیل نتایج مشخص گردید روش پیشنهادی در مقایسه با روشهای دیگر از کارایی بالاتری برخوردار بوده و بطورکلی وزندهی در آن یا نرم کردن تصویر موجب کاهش معنیدار خطا نمیشوند.
https://jscit.nit.ac.ir/article_51661_2b6d65b50ff5bab059bdbfc57e9f919b.pdf
per
دانشگاه صنعتی نوشیروانی بابل
مجله علمی رایانش نرم و فناوری اطلاعات
2383-1006
2588-4913
2015-12-22
4
4
51662
ارائه روشی برای بهبود گذردهی کدگذاری شبکههای بیسیم با استفاده ازمسیریابی فرصتطلبانه
ارائه روشی برای بهبود گذردهی کدگذاری شبکههای بیسیم با استفاده ازمسیریابی فرصتطلبانه
مهدی آقا صرام
mehdi.sarram@yazd.ac.ir
1
راضیه شیخ پور
rsheikhpour@ardakan.ac.ir
2
استادیار، دانشکده برق و کامپیوتر، دانشگاه یزد
دانشجوی دکتری مهندسی کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه یزد
مسیریابیازمسائل مهم و حیاتی درشبکههایمخابراتیاست .درالگوریتمهایمسیریابی،هیچگونه تغییردربستههای دادهها توسط گرههایمیانیمجازنمیباشد. کدگذاریشبکه روش جدیدی برایارسال دادهها در شبکههای مخابراتی استکه فوایدی نظیر بهبود در گذردهی و کارآیی شبکه ها را به دنبال دارد. در این روش، گرههایمیانی ترکیبی کد شده ازبستههایورودی را به سمت مقصد ارسال میکنند. مسیریابی فرصتطلبانه نیز باعث افزایش گذردهی شبکههای بیسیم میشود. دراین روش، از ابتدا هیچ گرهای به عنوان گره میانی انتخاب نمیشود و هرگرهای که انتقال را به درستی دریافت کند، میتواند آن را به سمت مقصد ارسال کند. در این مقاله، روشی برای افزایش گذردهی شبکههای بیسیم با استفاده از مسیریابی فرصت طلبانه در کدگذاری شبکه پیشنهاد میشود. در روش پیشنهادی از کدگذاری تصادفی خطی بستههای ارسالی از یک مبدأ استفاده شده و نیازی به کدگشایی در تمام گرههای میانی نمیباشد. بهعلاوه در مسیریابی از دریافتهای شانسی استفاده شده و از ابتدا و قبل از شروع انتقال، مسیر ثابتی در نظر گرفته نمیشود.نتایج شبیهسازی روش پیشنهادی با استفاده از شبیهساز NS-2 و مقایسهی آن با پروتکلهای کدگذاری COPE و فرصت طلبانه EXOR نشان میدهد که روش پیشنهادی توانسته است گذردهی شبکه را بهبود دهد.
مسیریابیازمسائل مهم و حیاتی درشبکههایمخابراتیاست .درالگوریتمهایمسیریابی،هیچگونه تغییردربستههای دادهها توسط گرههایمیانیمجازنمیباشد. کدگذاریشبکه روش جدیدی برایارسال دادهها در شبکههای مخابراتی استکه فوایدی نظیر بهبود در گذردهی و کارآیی شبکه ها را به دنبال دارد. در این روش، گرههایمیانی ترکیبی کد شده ازبستههایورودی را به سمت مقصد ارسال میکنند. مسیریابی فرصتطلبانه نیز باعث افزایش گذردهی شبکههای بیسیم میشود. دراین روش، از ابتدا هیچ گرهای به عنوان گره میانی انتخاب نمیشود و هرگرهای که انتقال را به درستی دریافت کند، میتواند آن را به سمت مقصد ارسال کند. در این مقاله، روشی برای افزایش گذردهی شبکههای بیسیم با استفاده از مسیریابی فرصت طلبانه در کدگذاری شبکه پیشنهاد میشود. در روش پیشنهادی از کدگذاری تصادفی خطی بستههای ارسالی از یک مبدأ استفاده شده و نیازی به کدگشایی در تمام گرههای میانی نمیباشد. بهعلاوه در مسیریابی از دریافتهای شانسی استفاده شده و از ابتدا و قبل از شروع انتقال، مسیر ثابتی در نظر گرفته نمیشود.نتایج شبیهسازی روش پیشنهادی با استفاده از شبیهساز NS-2 و مقایسهی آن با پروتکلهای کدگذاری COPE و فرصت طلبانه EXOR نشان میدهد که روش پیشنهادی توانسته است گذردهی شبکه را بهبود دهد.
https://jscit.nit.ac.ir/article_51662_d29020d6dc026b6d5af1f460b4bf6ccb.pdf
per
دانشگاه صنعتی نوشیروانی بابل
مجله علمی رایانش نرم و فناوری اطلاعات
2383-1006
2588-4913
2015-12-22
4
4
51663
ترکیـب لبـه های دوبعدی و سـه بعدی برای یافتـن نواحی پنـهان در ابـرنقـاط لیـزر اسکنرهای زمینی
ترکیـب لبـه های دوبعدی و سـه بعدی برای یافتـن نواحی پنـهان در ابـرنقـاط لیـزر اسکنرهای زمینی
Morteza Heidari Mozaffar
m_heidari@dena.kntu.ac.ir
1
Masood Varshosaz
varshosazm@kntu.ac.ir
2
Mohammad Saadatseresht
msaadatseresht@gmail.com
3
دانشکده مهندسی ژئودزی و ژئوماتیک دانشگاه صنعتی خواجه نصیرالدین طوسی
دستگاه های لیزر اسکنر زمینی توانایی ثبت اطلاعات مختصاتی، شدت انرژی بازگشتی و همچنین تصاویر رنگی اطراف نقطه استقرار خود را به صورت همزمان دارند. خروجی برداشت عوارض با این دستگاه را میتوان در دو گروه ابرنقاط و تصاویر دوبعدی ثبت شده توسط دوربین آن دستهبندی کرد. ناپیوستگی فیزیکی و ویژگیهای هندسی و غیرهندسی عوارض و همچنین توجیه زاویهای عوارض نسبت به لیزر اسکنر و دوربین موجب ایجاد تغییرات در مقدار انرژی بازتابش، روشنایی و توجیه و عمق آنها در ابرنقاط و تصویر ثبت شده است. از آنجا که ویژگیهای ابرنقاط سه بعدی و تصاویر دوبعدی عوارض مکمل هم هستند؛ در حوزه نقشهبرداری هم، همچون بینایی ماشین میتوان از ترکیب این اطلاعات برای درک صحیح عوارض و اشیاء بهره گرفت. در این مقاله با ترکیب لبههای بدست آمده از روشهای پردازش تصویری با ابرنقاط، لبههای عوارض موجود در محدوده اسکن به صورت سه بعدی استخراج شدند. ابرنقاط و تصاویر ثبت شده در محوطة حیاط دانشکده نقشهبرداری دانشگاه صنعتی خواجه نصیر الدین طوسی برای این منظور استفاده شد. الگوریتم Canny در ترکیب با روش Range Border Detector برای یافتن لبه عوارض استفاده شد. این روش توانایی بالایی در یافتن نواحی پنهان، به عنوان یکی از مشکلات اصلی دادههای لیزراسکنر دارد.
دستگاه های لیزر اسکنر زمینی توانایی ثبت اطلاعات مختصاتی، شدت انرژی بازگشتی و همچنین تصاویر رنگی اطراف نقطه استقرار خود را به صورت همزمان دارند. خروجی برداشت عوارض با این دستگاه را میتوان در دو گروه ابرنقاط و تصاویر دوبعدی ثبت شده توسط دوربین آن دستهبندی کرد. ناپیوستگی فیزیکی و ویژگیهای هندسی و غیرهندسی عوارض و همچنین توجیه زاویهای عوارض نسبت به لیزر اسکنر و دوربین موجب ایجاد تغییرات در مقدار انرژی بازتابش، روشنایی و توجیه و عمق آنها در ابرنقاط و تصویر ثبت شده است. از آنجا که ویژگیهای ابرنقاط سه بعدی و تصاویر دوبعدی عوارض مکمل هم هستند؛ در حوزه نقشهبرداری هم، همچون بینایی ماشین میتوان از ترکیب این اطلاعات برای درک صحیح عوارض و اشیاء بهره گرفت. در این مقاله با ترکیب لبههای بدست آمده از روشهای پردازش تصویری با ابرنقاط، لبههای عوارض موجود در محدوده اسکن به صورت سه بعدی استخراج شدند. ابرنقاط و تصاویر ثبت شده در محوطة حیاط دانشکده نقشهبرداری دانشگاه صنعتی خواجه نصیر الدین طوسی برای این منظور استفاده شد. الگوریتم Canny در ترکیب با روش Range Border Detector برای یافتن لبه عوارض استفاده شد. این روش توانایی بالایی در یافتن نواحی پنهان، به عنوان یکی از مشکلات اصلی دادههای لیزراسکنر دارد.
https://jscit.nit.ac.ir/article_51663_5b961d9fc2f6d8b0c67f3edb02ae735e.pdf