تصنيف صور النماذج الملونه باستخدام الشبكات العصبيه

معالجة الصور تشمل العديد من المجالات التطبيقية الحيوية مثل المجالات العسكرية و الطبية و الأمنية و مجالات الاتصال و شبكات الحاسبات و غيرها. و لذلك تعددت الأبحاث النظرية والتطبيقية فى هذا المجال و جاءت هذه الأبحاث بأساليب و منهجيات حديثة تغطى مجالات ضغط الصور و التعرف عليها و مقارنتها و تشفيرها.

و حيث أن التعرف على الأشخاص من خلال الصور هو جزء من التعرف على الأجسام المصورة بصفة عامة فإن استخدام الشبكات العصبية الاصطناعية هي أحد أساليب معالجة الصور و التعرف عليها. تقدم الرسالة تغطية لأستخدم الشبكات العصبية الاصطناعية، و الاستفادة بما تتيحه من مرونة و كفاءة فى مجال التعرف على صور الأشخاص و تميزهم من خلال بناء شبكة من النوع الخطى تستخدم فى عملية معالجة الصور (ضغط الصور) و بناء شبكة من النوع الهجين تستخدم فى تصنيف الصور.

و تعرض الرسالة بناء شبكة خطية من النوع Principal Component analysis (PCA ) و أخرى غير خطية من النوع Self-Organizing Feature Map (SOFM) و مقارنة أدائهما فى عملية معالجة الصور و تصنيفها و ذلك بتطبيق شبكة مهجنة على صور أشخاص ملونة و غير ملونة.

الشبكة خطية PCA تمثل صور الأشخاص كمجموعة من القيم تستخدم كلها أو جزء منها فى عملية إعادة بناء الصور من جديد بعد ضغطها. تم دراسة تأثير تغير عدد القيم المستخدمة على كفاءة الشبكة فى عملية معالجة الصور من خلال قاعدة بيانات كبيرة مكونة من 400 صورة غير ملونة.

الشبكة المهجنة لتصنيف الصور مكونة من شبكة unsupervised باستخدام PCA or SOFM network لعملية معالجة الصور قبل تصنيفها و شبكة supervised مستخدمين Multi-Layer Perceptron (MLP) network لعملية تصنيف الصور. و صور الأشخاص المستخدمة تحوى صور متعددة للشخص الواحد مع التغير فى ملامح الوجه. و قد تم دراسة تأثير أداء الشبكة المهجنة على تغير عدد القيم المستخدمة من الشبكة الأولى و كذلك على تغير عدد الصور المستخدمة لكل شخص.

و النتيجة أن أداء الشبكة PCA/MLP هو 93.73% فى عملية تصنيف الصور من خلال قاعدة بيانات من الصورة غير ملونة و المكونة من 40 شخص (مستخدمين 9 صور لكل شخص أثناء عملية تدريب الشبكة) . أما أداء الشبكة SOFM/MLP فقد أعطى نتائج جيدة بمسبة 93.5% لتصنيف قاعدة بيانات من الصور غير الملونة و المكونة من 40 شخص لكل شخص 5 صور أثناء عملية تدريب الشبكة مقارنة بالـ PCA/MLP (82,2%).

تم دراسة تأثير استخدام اكثر من color space فى عملية تصنيف الصور الملونة و ذلك من خلال التعامل مع الثلاث مكونات الأساسية لكل color space . و قد تم استخدام YUV, RGB, and HSV . و قد أوضحت الدراسة أن استخدام مكونات الصور الملونة يعطى نتائج افضل فى عملية تصنيف الصور و أن بعض المكونات افضل من البعض الأخر. استخدام Y مع الشبكة أعطى نسبة تعرف على الصور بمقدار 94.6% و استخدام B أعطى نسبة تعرف بمقدار 100% . و قد أوضحت الدراسة أيضاء أن جمع أو قسمة أي مكونين من نفس الـ color space لا يزيد من نسبة التعرف على الصور. و قد كان أداء شبكة SOFM/MLP باستخدام Y, B, and G منفصلين هو 100% نسبة تعرف بالنسبة للصور الملونة المستخدمة.

تختتم الرسالة بعرض خلاصة الاستنتاجات التى تضمنتها الرسالة، و عرض بعض المقترحات و التعديلات المستقبلية لتطوير النظام المقترح.