اين تکنيک‌ها مي‌توانند در پروژه‌هاي طراحي گرافيکي مورد استفاده قرار بگيرند و ‌يا در جهت عکس،‌ يعني آشکارسازي نقص‌هاي ساختاري تصوير، اشياي پنهان و‌ يا حرکت‌هاي خفيف که از چشم غير مسلح پنهان هستند، کاربرد داشته باشند.

در واقع اين پروژه متعلق به گروهي از محققان لابراتوار علوم کامپيوتر و هوش مصنوعي دانشگاه MIT است. آن‌ها سعي دارند در ويديوهاي ديجيتالي، اشکال‌ها و نقص‌هاي تصاوير را آشکار کنند. تالي دکل(Tali Dekel) ،‌يکي از اعضاي لابراتوار و از نويسندگان مقاله‌ها مي‌گويد: «در بزرگنمايي پديده‌هاي متحرک، ايرادها و اختلال‌هاي تصويري در طول زمان ديده مي‌شوند و ما در مدل خود سعي داريم اين ايرادها را در محيطي ثابت و استاتيک نمايش دهيم. در واقع ما عامل زمان را حذف مي‌کنيم و ويدئوها را به صورت تصوير‌هاي تکي در نظر مي‌گيريم تا بتوانيم ايراد هر تصوير را آشکار کنيم.»

در‌يکي از دو مقاله‌ي ارائه شده به کنفرانس سيگراف که دکل نويسنده‌ي اول آن است، الگوريتمي‌ ارائه شده است که در تصويرها، الگوهاي تکرارشونده را جستجو مي‌کند، مانند دانه‌هاي ذرت و‌ يا آجرهاي ‌يک ديوار. سپس تفاوت‌هاي ميان واحدهاي اين الگو را‌ يافته و آن‌ها را به شکلي که همچنان طبيعي جلوه کنند اصلاح مي‌کند. همچنين اين الگوريتم مي‌تواند تفاوت‌ها را بزرگ‌تر نشان دهد تا چشم غير مسلح بتواند آن‌ها را تشخيص دهد.
اين الگوريتم هم با شکل‌هاي مختلف سر و کار دارد و هم با رنگ‌هاي متفاوت. براي مثال، مي‌تواند تصوير‌ يک آفتاب پرست را که روي تنه‌ي‌ يک درخت نشسته است و اختلاف رنگ چنداني با درخت ندارد، دريافت کند و تفاوت‌هاي رنگي اين دو را به خوبي نشان دهد. تا جايي که شما متوجه شويد که بخش‌هايي از بدن آفتاب پرست آبي است و روي تنه‌اي نارنجي رنگ نشسته است.

شکل‌هاي ناکامل:
الگوريتمي‌ که در مقاله‌ي ديگر ارائه شده، مي‌تواند نقص‌هايي را که نسبت به ‌يک شکل هندسي کامل وجود دارد،  نمايان کند. به عنوان مثال مي‌توانيد سقف ‌يک خانه را در نظر بگيريد که با چشم غير مسلح صاف به نظر مي‌رسد. اما اين الگوريتم مي‌تواند شيب و کجي آن را به خوبي نشان دهد. اين رهيافت براي مطالعه و بزرگنمايي ايرادهاي ساختاري بسيار مناسب است. 

اين الگوريتم در آزمايشي ديگر توانست ناهمواري ‌هايي را در سطح حلقه‌هاي سياره‌ي زحل آشکار کند. چنين اطلاعاتي کمک قابل توجهي به شناخت الگوهاي مداري اقمار اين سياره مي‌کند. همچنين الگوريتم تعريف شده توانست با آشکارسازي تغييرهاي ايجاد شده در الگوي حرارتي‌ يک صفحه که پشت ‌يک شمع قرار داده شده بود، افت و خيزهاي حرارتي شعله‌ي شمع را نشان دهد. اولين نويسنده‌ي مقاله‌ي دوم، نيل وادوا (Neal Wadhwa)، دانشجوي دوره‌ي کارشناسي ارشد در رشته‌ي مهندسي الکترونيک و علوم کامپيوتر دانشگاه MIT است. 

اولين الگوريتم که الگوهاي تکرار شونده را تشخيص مي‌دهد، کار خود را با مقايسه‌ي ‌يک تکه از تصوير با ساير بخش‌ها در مقياس‌هاي مختلف آغاز مي‌کند. اين الگوريتم ابتدا الگوهاي شبيه به هم را تشخيص مي‌دهد و سپس ميزان شباهت آن‌ها را بررسي مي‌کند تا بتواند‌ يک الگوي منظم از تصوير را بسازد. ممکن است تصوير ثانويه کمي ‌غيرطبيعي به نظر برسد، اما اين فقط‌ يک طرح ابتدايي است. الگوريتم ‌يک تابع رياضي را تعريف مي‌کند که بهترين تقريب ممکن از تصوير را ارائه مي‌دهد. با استفاده از اين تابع، تصوير ديگري ساخته مي‌شود. تابع آنقدر در پس و پيش تصوير تکرار مي‌شود تا طبيعي‌ترين تصوير را در اختيار کاربر قرار دهد. در نهايت دو تصوير ساخته شده بر هم منطبق مي‌شوند. همان طور که اين الگوريتم مي‌تواند ‌يک تصوير منظم‌تر را ارائه دهد، قادر است تصويري آشفته‌تر از نمونه‌ي اوليه را نيز بسازد.

کاربردها:
 تکنيک‌هاي تعريف شده در اين مقاله‌ها، فقط در حيطه‌ي شکل‌هاي ساده‌اي مانند دانه‌هاي ذرت و‌ يا آجرهاي ديوار محدود نيستند. براي مثال آن‌ها مي‌توانند فيلم ‌يک گروه رقصنده را که به طور هماهنگ با هم پاهايشان را حرکت مي‌دهند دريافت کنند و فاصله‌ي ميان پاها و‌ يا اختلاف ميان ارتفاع پاها را هنگام بلند کردن تصحيح و هماهنگ کنند. همچنين اين تکنيک‌ها براي برش تصويرهاي زائد به طوري که تصوير اصلي طبيعي جلوه کند مناسب هستند و از اين جهت مي‌توانند منبع مفيدي براي نرم افزارهاي رتوش و اصلاح تصويرها مانند نرم افزار فتوشاپ باشند.

يکي ديگر از کاربردهاي اين الگوريتم‌ها در حوزه‌ي مهندسي مواد است. دانشمندان براي بررسي افت و خيزها و بي‌نظمي‌هاي سطحي مواد، از حباب‌هاي صابون استفاده مي‌کنند. اما با استفاده از الگوريتم‌هاي طراحي شده در دانشگاه MIT مي‌توان با دقت قابل قبولي ناکاملي‌هاي سطح مواد را‌ يافت. 

الگوريتم دوم نيز با استفاده از تکنيک‌هاي موجود، اشکال هندسي را با استفاده از درجه بندي رنگ‌ها شناسايي مي‌کند و باريکه‌اي از تصوير را که هر کدام از شکل‌ها را تعريف مي‌کند در نظر مي‌گيرد. سپس اين باريکه را تعميم مي‌دهد تا در اشکال مختلف‌ يکنواختي و نظم ايجاد شود. اين الگوريتم مي‌تواند الگوهاي متفاوت را با تکنيک‌هاي مبالغه، مشخص کند و تصوير را با موارد بزرگنمايي شده نيز بسازد.  

شيا آويدان (Shai Avidan)، استاد علوم کامپيوتر مي‌گويد: « چشم انسان در تشخيص نظم و قاعده مندي‌ يا انحراف و نقص به خوبي عمل مي‌کند. اما کامپيوترها مي‌توانند به ما کمک کنند که اين موارد را در مقياس‌هاي کوچک بيابيم. من اطمينان دارم که الگوريتم‌هاي ارائه شده در حوزه‌هاي مختلف از جمله بازرسي مواد، مهندسي عمران و اخترشناسي استفاده خواهند شد.»

توضيح: کنفرانس سيگراف از سال 1974 کار خود را آغاز کرد. البته در آن سال اين کنفرانس متشکل از گروه کوچکي بود که در يک رشته‌ي ناشناخته متخصص بودند. اما امروزه آن گروه کوچک تبديل به يک جامعه ي بين المللي از محققان، هنرمندان، فيلم سازان، دانشمندان و تاجران حرفه‌اي علاقه‌مند به گرافيک رايانه‌اي و تکنيک‌هاي تعاملي شده است. کنفرانس سيگراف و کنفرانس سيگراف آسيايي، دو مورد از معتبرترين گردهمايي‌هاي سالانه در حوزه ي تکنولوژي هستند. مأموريت اصلي اين کنفرانس‌ها گرد هم آوردن متخصصان حوزه‌ي گرافيک رايانه‌اي به صورت حضوري و يا اينترنتي است تا اين افراد نخبه بتوانند با همکاري و هم‌فکري هم،  به اختراع و يا اصلاح تکنيک‌هاي متعدد گرافيکي بپردازند. هدف ديگر اين گروه، ترويج تکنيک‌هاي گرافيکي در صنايع و رشته‌هاي مختلف است. کنفرانس آسيايي سيگراف امسال در شهر کوبه (kobe) کشور کره‌ي جنوبي برگزار شد.

منبع:

Phys.org

Siggraph.prg

منابع مفيد:
الگوريتم جستحوي گوگل

معايب چشم

ترکيب نصاوير

هنرمندي که عينک‌هاي اصلاح ديد را تست مي‌کند!

Analyzing pixel correlation in photographs

SIGGRAPH

Variation in Virtual search abilities and performance