انجام پروژه متلب MATLAB

انجام پروژه متلب MATLAB بدون واسطه و ارزان
انجام پروژه دانشجویی بدون واسط تا نصف قیمت دیگر وبسایتها - خرید پروژه آماده - انجام پروپوزال
پردازش تصویر
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
سفارش پروژه پردازش تصویر خود را ثبت کنید و در همان رو
پردازش تصویر با متلب

 
کلمات کلیدی: انجام پروژه پردازش تصویر با متلب، پروژه پردازش تصویر، پردازش تصویر

پردازش تصویر

پردازش تصویر
پردازش تصویر
پردازش تصویر یکی از شاخه های انجام پروژه هوش مصنوعی است که غالبا به شبیه سازی و تحلیل و پردازش تصاویر دیجیتال می پردازد..
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
پردازش تصویر دربرگیرنده  دو زیرشاخه اصلی بهبود تصاویر و بینایی ماشین می باشد . بینایی ماشین روش های شناسایی و پردازش معنی و محتوای تصاویر است و بهبود تصاویر به تقویت و افزایش خوانایی و کیفیت دیداری تصاویر کمک می نماید.


جهت مشاوره و ثبت درخواست مشاوره با ما تماس بگیرید

44972580
44972298

در واقع  پردازش تصویر ،نوعی پردازش سیگنال است که یک تصویر یا عکس را به عنوان ورودی ،دریافت کرده و تجزیه و تحلیل می نماید.حال آنکه خروجی این فرآیند می تواند یک عکس یا تصویر یا مجموعه ای از علایم و نماد ها باشد

در سالیان اخیر پردازش تصویر کمک فراوانی به صنایع و فرایندهای صنعتی کرده است.کنترل کیفیت محصولات،تشخیص قطعات تولیدی معیوب،تشخیص بیماری ها از روی تصاویر پزشکی،حمل و نقل،شناسایی پلاک خودروها،تشخیص چهره و سیستم های احراز هویت و... همگی از مزایای پیشرفت دانش در پردازش تصویر هستند..
پیاده سازی و کدنویسی پردازش تصویر
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
بینایی ماشین، دانش بهره گیری از حس گرها به منظوردریافت سیگنال‌های تشکیل دهنده تصاویر اشیاء است  که توسط رایانه و یا سایر وسایل پردازش سیگنال برای تفسیر و تحلیل سیگنال‌های دریافت شده از قطعه مورد استفاده قرار می‌گیرد

بینایی ماشین در صنعت کاربرد های فراوانی دارد.یکی از مهمترین کاربردها،کنترل کاشین آلات و تجهیزات صنعتی می باشد.

ارائه خدمات پردازش تصویر

 بازرسی محصول،درجه بندی و دسته بندی محصول بر اساس پردازش تصاویر

اندازه گیری و کالیبراسیون

افزایش سرعت و کیفیت تولید

احراز هویت مانند تشخیص و پردازش اثر انگشت

شناسایی و تشخیص دست خط

تشخیص و لبه یابی تصاویر
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
تشخیص و تعیین سرعت خودرو از روی تصاویر

انجام پروژه در زمینه فشرده سازی تصویر

بازیابی تصویر
پروژه پردازش تصویر

تبدیل اسناد کاغذی به الکترونیکی

سیستم های تشخیص و ردیابی حرکت

سیستم های  تشخیص و خواندن انواع بارکد

سیستم های نظارت بر روی نوار تولید، نوار نقاله و ربات ها

مباحث مربوط به بازی ها و گرافیک کامپیوتری

مباحث مرتبط با بینایی ماشین و دریافت، آنالیز و استخراج داده ها
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
بهینه سازی تصاویر
انجام پروژه پردازش تصویر پزشکی

تشخیص تومور از تصاویر پزشکی

تشخیص پلاک خودرو در شرایط مختلف
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
پردازش تصویر در زمینه تشخیص چهره با حالت های مختلف صورت و از جهات مختلف

پردازش تصویر در زمینه شناسایی راه ها،عوارض و پدیده های طبیعی از تصاویر ماهواره ای

 پروژه پردازش تصویر

پروژه تشخیص اتومبیل در خیابان و جاده با استفاده از تکنیک‌های پردازش تصویر

قطعه بندی تصویر

این بخش شامل پروژه های مربوط به حوزه قطعه بندی تصویر می باشد.

بهبود تصویر

این بخش شامل پروژه های مربوط به حوزه بهبود تصویر می باشد.
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
آشکارسازی

این بخش شامل پروژه های مربوط به حوزه آشکارسازی شی در تصویر می باشد.

تشخیص

این بخش شامل پروژه های مربوط به حوزه تشخیص شی در تصویر می باشد.

ردیابی و تحلیل حرکت

این بخش شامل پروژه های مربوط به حوزه ردیابی و تحلیل حرکت اشیا در تصویر می باشد.

دسته بندی

این بخش شامل پروژه های مربوط به حوزه دسته بندی تصویر می باشد.

بازیابی تصویر

این بخش شامل پروژه های مربوط به حوزه بازیابی و جستجو تصویر در یک مجموعه داده می باشد.
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
استخراج ویژگی

این بخش شامل پروژه های مربوط به حوزه استخراج و آشکارسازی ویژگی های تصویر می باشد.

انطباق و ادغام تصویر

این بخش شامل پروژه های مربوط به حوزه انطباق و ادغام تصویر می باشد.

فشرده سازی

این بخش شامل پروژه های مربوط به حوزه فشرده سازی تصویر می باشد.

پردازش سیگنال

این بخش شامل پروژه های مربوط به حوزه پردازش سیگنال می باشد.


azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
این بخش شامل پروژه های مربوط به دیگر حوزه های پردازش تصویر و بینایی ماشین می باشد.
خرین پروژه‌ها

    پروژه مقایسه چهار روش دسته‌بندی نزدیکترین همسایه KNN، نزدیکترین همسایه وزن‌دار، تابع شعاعی گوسی RBF و درخت تصمیم Decision Tree به همراه ارزیابی تاثیر کاهش بعد PCA
    پروژه تشخیص جنسیت گوینده با استفاده از ماشین بردار پشتیبان (SVM) و ویژگی های MFCC، LPC و LPCC
    پروژه تشخیص صدای گوینده (دسته بندی صوت) با استفاده از ویژگی‌های MFCC و مدل دسته‌بند ماشین بردار پشتیبان
    تمرین درس تبدیل متن به گفتار: طراحی رابط کاربری گرافیکی برای ضبط، پخش و نمایش سیگنال های صوتی و کار با نرم افزار

azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276

WaveSurfer

    پروژه تشخیص اتومبیل در خیابان و جاده با استفاده از تکنیک‌های پردازش تصویر
    پروژه تشخیص اسکناس با تطبیق نقاط کلیدی سیفت (SIFT Keypoints)
    پیاده سازی مقاله حذف نویز ضربه با مقادیر تصادفی (نویز فلفل نمک با مقادیر تصادفی) در تصاویر
    دسته‌بندی متون فارسی با استفاده از روش Naive Bayes
    حل مسائل رگرسیون با استفاده از الگوریتم ژنتیک (پیش‌بینی)
    تشخیص گفتار آنلاین (تشخیص کلمات مجزا به صورت آنلاین) مبتنی بر مدل مارکوف مخفی
    رگرسیون با استفاده از شبکه عصبی پرسپترون چندلایه (پیش‌بینی)
    پیاده‌سازی الگوریتم متعادل‌سازی هیستوگرام (Histogram Equalization) (برای تصاویر خاکستری و رنگی)
    پیاده سازی الگوریتم پر کردن حفره های تصاویر
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276

یادگیری ماشین و تشخیص الگو

یادگیری ماشین و تشخیص الگو
    پردازش تصویر
    شبکه عصبی
    پردازش صوت و گفتار
    پردازش تکاملی
    پردازش متن و متن کاوی

پروژه تشخیص اتومبیل در خیابان و جاده با استفاده از تکنیک‌های پردازش تصویر
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
    دسته: پردازش تصویر   



تشخیص اشیا در تصاویر (Object Detection) و دنبال کردن اشیا (Object Tracking) در ویدیو از حوزه‌های پرکاربرد پردازش تصاویر می‌باشد. در اینگونه کاربردها با استفاده از مشخصات شی موردنظر و یا با استفاده از تغییرات و اختلاف فریم‌های متوالی یک ویدیو اقدام به یافتن کشف شی موردنظر می‌کنند که ممکن است دنبال‌کردن شی موردنظر در ویدیو نیز مدنظر باشد. در این پروژه هدف یافتن تعداد اتومبیل‌های موجود در یک لاین جاده است. این پروژه مبتنی بر مدل پس‌زمینه عمل می‌کند. در ابتدا تعدادی تصاویر در شرایط مختلف طبیعی (روز، شب، برف، باران) از جاده موردنظر در تهیه می‌شود. در این تصاویر پس‌زمینه محل لاین هدف قبلا توسط یک خبره مشخص شده است. با دریافت یک تصویر ورودی، این تصویر ابتدا با همه تصاویر (ناحیه‌ای که قصد شمارش تعداد اتومبیل‌های آن را داریم) منطبق ([Image Matching [Registration) می‌شود. پس از انطباق تصویر ورودی با همه تصاویر زمینه موجود، تصویر پس‌زمینه با بیشترین هماهنگی انتخاب می‌شود. در نهایت مبتنی بر اختلاف تصویر ورودی و پس‌زمینه محل اتومبیل‌ها مشخص می‌شود. توجه شود که با استفاده از تصاویر ثابت‌تری از جاده (محل دوربین) و انتخاب پس‌زمینه‌های متنوع می‌توان دقت برنامه تهیه شده را تا حد بالایی افزایش داد و آن را کاربردی کرد. در کاربردهای همه‌منظوره می‌توان از فریم‌های متوالی یک ویدیو برای یافتن تغییرات (اختلاف) در تصاویر استفاده کرد و شی را با دقت بالایی توسط روش استفاده شده در این پروژه، تشخیص داد.
پروژه تشخیص اتومبیل در خیابان و جاده با استفاده از تکنیک‌های پردازش تصویر

azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
پروژه تشخیص اسکناس با تطبیق نقاط کلیدی سیفت (SIFT Keypoints)

    دسته: پردازش تصویر   



یافتن نقاط منتاظر در دو تصویر کاربردهای گسترده‌ای در زمینه‌هایی همچون تحلیل تصاویر پزشکی، ماهواره‌ای، تشخیص اشیا (دسته‌بندی) دارد. در کاربردی که در این پژوهش مدنظر قرار گرفته است قصد داریم تصاویر اسکناس ورودی را با همه تصاویر موجود در دادگان بر اساس نقاط کلیدی سیفت مقایسه کنیم و نزدیکترین الگوی به اسکناس ورودی را در دادگان تشخیص دهیم. برای این منظور تعداد نقاط تطبیق یافته را به عنوان معیار شباهت دو تصویر در نظر می‌گیریم. ابتدا همه نقاط کلیدی از دو تصویر منتطبق می‌شوند. سپس انطباق‌های چندگانه (یعنی یک نقطه متناظر با چند نقطه در تصویر دیگر شده است) حذف می‌شوند. در نهایت با استفاده از موقعیت هندسی نقاط در فضا (هموگرافی) انطباق‌های پرت حذف می‌شوند. بنابراین تعداد انطباق‌های نهایی باقیمانده نماینده خوبی برای میزان شباهت خواهد بود.

محتویات فایل قابل خرید: سورس کد پیاده سازی شده پروژه (متلب)، گزارش مختصر سورس کد و نحوه اجرا و انجام تنظیمات، دیتا ست

زبان برنامه نویسی: متلب
پروژه تشخیص اسکناس با تطبیق نقاط کلیدی سیفت (SIFT Keypoints)
590,000ریال

پیاده‌سازی الگوریتم متعادل‌سازی هیستوگرام (Histogram Equalization) (برای تصاویر خاکستری و رنگی)

    دسته: پردازش تصویر   

azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276

در این پروژه الگوریتم متعادل‌سازی هیستوگرام (Histogram Equalization) بر اساس الگوریتم ارایه شده در کتاب پردازش تصاویر دیجیتال گونزالس پیاده‌سازی شده است. الگوریتم پیاده سازی شده علاوه بر تصاویر خاکستری بر روی تصاویر رنگی نیز به کار رفته است. هدف الگوریتم متعادل‌سازی هیستوگرام، یکنواخت کردن هیستوگرام تصویر با هدف افزایش وضوح (Contrast) تصویر است.توابع پیاده‌سازی شده به زبان متلب
نحوه محاسبه هیستوگرام تصویر:
متد histg برای محاسبه هیستوگرام تصویر پیاده‌سازی شده است که قابل جایگزین با تابع imhist خود متلب نیز می‌باشد.
متعادل‌سازی هیستوگرام:
متد histogramEalization پیاده‌سازی کامل الگوریتم متعادل کردن هیستوگرام است که فقط روی یک بعد تصویر عمل می‌کند:
(contrastIm ] = histogramEqualization(Img]
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
متد testRGB:
در این اسکریپت تابع قبل به ازای سه مولفه R، G، B فراخوانی شده و متعادل سازی هیستوگرام برای هرکدام به طور مجزا انجام می‌شود و در نهایت نتایج با هم ترکیب می‌شوند.
متد testGray:
در این اسکریپت تابع متعادل‌سازی هیستوگرام بر روی تصویر خاکستری فراخوانی شده و متعادل سازی هیستوگرام انجام می‌شود و نتیجه نمایش داده می‌شود.
امکان انتخاب تصویر با Browse در برنامه وجود دارد.

محتویات فایل قابل خرید: سورس کدهای متلب، گزارش مختصر، دو تصویر نمونه برای آزمایش برنامه.
زبان برنامه‌نویسی: متلب
پیاده‌سازی الگوریتم متعادل‌سازی هیستوگرام (Histogram Equalization) (برای تصاویر خاکستری و رنگی)
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276

پیاده سازی الگوریتم پر کردن حفره های تصاویر

    دسته: پردازش تصویر   



در این پروژه از یک الگوریتم تکراری مبتنی بر عملگر انبساط (Dilation)، مکمل‌گیری و اشتراک‌گیری برای پرکردن حفره‌ ها استفاده شده است.
الگوریتم‌های پر کردن حفره های تصویر جز عملگرهای مورفولوژیک روی تصاویر هستند. عملگرهای مورفولوژی روی تصاویر شامل مجموعه وسیعی از الگوریتم‌هایی است که تصاویر را بر اساس شکل آنها پردازش می‌کنند. در عملیات مورفولوژیک نتیجه عملیات یک تصویر دقیقا هم‌اندازه تصویر اصلی است. در یک عملگر مورفولوژی مقدار هر پیکسل در تصویر خروجی با مقایسه آن پیگسل در تصویر ورودی با همسایه‌های آن تعیین می‌شود.
عملگر انبساط (Dilation) در مرزهای یک شی در تصویر پیکسل‌هایی اضافه می‌کند و عملگر انقباض (erosion) پیکسل‌هایی را از تصویر حذف می‌کند. تعداد پیکسل‌هایی که به تصویر اضافه یا از آن حذف می‌شوند به سایز و شکل یک ساختار همسایگی که تعریف می‌کنیم بستگی دارد. یک ساختار همسایگی می‌تواند برای مثال یک مربع 5*5 از 1 باشد.
الگوریتم تکراری برای پرکردن نواحی (حفره‌ها):
یک الگوریتم تکراری مبتنی بر عملگر انبساط (Dilation)، مکمل‌گیری و اشتراک‌گیری برای پرکردن حفره‌ها وجود دارد. این الگوریتم نیازمند این است که از هر حفره‌ای که قصد پر کردن آن را داریم حداقل یک نقطه مشخص باشد. ماتریس X_0 در ابتدا شامل حداقل یک نقطه از حفره‌های مورد نظر است و در نهایت ماتریس X_k شامل همه نقاط حفره‌هاست. ابتدا یک ماتریس همسایگی، مثلا 8 همسایگی تعریف می‌کنیم.

محتویات فایل: فایل ورد گزارش، تصویر آزمون، سورس کد
زبان برنامه نویسی: متلب
پیاده سازی الگوریتم پر کردن حفره های تصاویر

پیاده سازی الگوریتم‌ تشخیص لبه تصویر با جاروب افقی و عمودی
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
    دسته: پردازش تصویر   



در این پروژه الگورتیم آشکارسازی لبه با جاروب افقی و عمودی تصویر را پیاده سازی کرده و آنرا بر تصویر نمونه اعمال کرده و نتیجه گزارش شده است.
الگوریتم آشکارسازی لبه با جاروب افقی و عمودی:

1. افراز روشنایی‌ها به دو بخش B1 و B2: در این پروژه ما روشنایی‌های زیر 128 را متعلق به B1 و روشنایی‌های بالای 128 را به عنوان مجموعه B2 در نظر گرفتیم.
2. یافتن لبه‌های عمودی و افقی: در راستای عمودی و سپس افقی پیش می‌رویم. هر پیکسل و پیکسل قبل از آن (سطر قبل همان ستون) عضو یکی از مجموعه‌های B1 یا B2 می‌باشد. در صورتی که این دو پیکسل به دو مجموعه متفاوت تعلق داشته باشند یعنی یک لبه داریم (روشنایی لبه را Le و روشنایی عدم لبه را Lb فرض می‌کنیم). ما در این پروژه Lb و Le را به ترتیب برابر 0 و 255 در نظر گرفته‌ایم.

محتویات فایل: فایل ورد صورت مسئله، فایل ورد گزارش (8 صفحه)، تصویر آزمون، سورس کد

زبان برنامه نویسی: متلب
پیاده سازی الگوریتم‌ تشخیص لبه تصویر با جاروب افقی و عمودی

پردازش صوت و گفتار

وژه تشخیص جنسیت گوینده با استفاده از ماشین بردار پشتیبان (SVM) و ویژگی های MFCC، LPC و LPCC

    دسته: پردازش صوت و گفتار   


azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276

 هدف از این پروژه تشخیص جنسیت گوینده با استفاده از ویژگی‌های MFCC، LPC، LPCC و مدل دسته‌بند SVM است. از یک مجموعه داده کوچک فارسی به این منظور استفاده شده است. در روش پیاده‌سازی شده برای تشخیص جنسیت گوینده، ابتدا صوت فریم بندی شده و از هر فریم ویژگی‌های MFCC، LPC، LPCC استخراج می‌شود. این مرحله در واقع توصیفی فرکانسی از فریم را مدل می‌کند. در واقع ما انتظار داریم فریم‌های متناظر با جنسیت خاصی از (مثلا فریم‌های مربوط به مردان) بردار ویژگی MFCC مشابهی داشته ‌باشند. به عبارت دیگر اختلاف آنها ناچیز باشد. ویژگی‌های (مجموعا 36 ویژگی) هر فریم از یک صوت مربوط به یک گوینده، با برچسب جنسیت آن گوینده (1 [مرد] یا 2 [زن]) به دسته‌بند ماشین بردار پشتیبان داده می‌شود. برای مثال فرض کنید یک صوت مردان، شامل 100 فریم ‌باشد. از این 100 فریم، 100 بردار ویژگی 36-تایی (3 نوع ویژگی 12 بعدی) به دست می‌آید. هرکدام از این 100 بردار (36- بعدی) به دست آمده برچسب "1" می‌خورند و به دسته‌بند داده می‌شوند. در هنگام آزمون مدل آموزش دیده شده همین فرآیند تکرار می‌شود با این تفاوت که 100 برچسب توسط مدل SVM پیش‌بینی می‌شود. برای به دست آوردن برچسب، بین 100 پیش‌بینی به دست آمده رای اکثریت گرفته می‌شود تا برچسب نهایی یک صوت به عنوان یک زن یا مرد پیش بینی شود. در این پروژه دقت دسته‌بندی فریم‌های آزمون 89% و دقت دسته‌بندی در سطح صوت‌های آزمون 100% به دست آمد.
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
محتویات فایل قابل خرید: سورس کد متلب، فایل ورد گزارش پروژه، مجموعه داده نمونه
زبان برنامه نویسی: متلب
پروژه تشخیص جنسیت گوینده با استفاده از ماشین بردار پشتیبان (SVM) و ویژگی های MFCC، LPC و LPCC


پروژه تشخیص صدای گوینده (دسته بندی صوت) با استفاده از ویژگی‌های MFCC و مدل دسته‌بند ماشین بردار پشتیبان

    دسته: پردازش صوت و گفتار   

azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
در این پروژه هدف تشخیص (دسته‌بندی) گوینده صوت ورودی است. برای این منظور از ویژگی‌های MFCC و مدل دسته‌بند ماشین بردار پشتیبان استفاده شده است. در روش پیاده‌سازی شده برای تشخیص گوینده، ابتدا صوت فریم بندی شده و از هر فریم ویژگی‌های MFCC استخراج می‌شود. این مرحله در اکثر پژوهش‌های پردازش گفتار رایج است و در واقع توصیفی فرکانسی از فریم را مدل می‌کند. در واقع ما انتظار داریم فریم‌های متناظر با بخش خاصی از یک واج (مثلا فریم‌های مربوط به بخش انفجاری واج انفجاری "ب") برای یک گوینده خاص، بردار ویژگی MFCC مشابهی داشته ‌باشند. به عبارت دیگر اختلاف آنها ناچیز باشد. ویژگی‌های MFCC هر فریم از یک صوت مربوط به یک گوینده، با برچسب آن گوینده (1 تا 10) به دسته‌بند ماشین بردار پشتیبان داده می‌شود. برای مثال فرض کنید یک صوت گوینده "پنج" ، شامل 100 فریم ‌باشد. از این 100 فریم، 100 بردار ویژگی MFCC به دست می‌آید. هرکدام از این 100 بردار (13- بعدی) به دست آمده برچسب "پنج" می‌خورند و به دسته‌بند داده می‌شوند. در هنگام آزمون مدل آموزش دیده شده همین فرآیند تکرار می‌شود با این تفاوت که 100 برچسب توسط مدل SVM پیش‌بینی می‌شود. برای به دست آوردن برچسب، بین 100 پیش‌بینی به دست آمده رای اکثریت گرفته می‌شود.
پروژه تشخیص صدای گوینده (دسته بندی صوت) با استفاده از ویژگی‌های MFCC و مدل دسته‌بند ماشین بردار پشتیبان


تمرین درس تبدیل متن به گفتار: طراحی رابط کاربری گرافیکی برای ضبط، پخش و نمایش سیگنال های صوتی و کار با نرم افزار WaveSurfer

    دسته: پردازش صوت و گفتار   
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276

در این تمرین قصد داریم تا با کارهای مقدماتی بر روی فایل‌های صوتی و نمایش آن به همراه طراحی یک واسط کاربری ساده، مهارت های اولیه را در این درس کسب نماییم. در این تمرین هر دانشجو باید یک واسط کاربری، مشابه آنچه در زیر نمایش داده شده را در MATLAB R2013b به بالا طراحی کند. در ادامه توضیحاتی مربوط به این واسط کاربری داده شده است. در هر مورد میتوانید با مراجعه به Help در MATLAB از جزئیات دستورات استفاده کنید.(در ادامه متن صورت مسئله و موارد خواسته شده آمده است)
تمرین درس تبدیل متن به گفتار: طراحی رابط کاربری گرافیکی برای ضبط، پخش و نمایش سیگنال های صوتی و کار با نرم افزار WaveSurfer


تشخیص گفتار آنلاین (تشخیص کلمات مجزا به صورت آنلاین) مبتنی بر مدل مارکوف مخفی

    دسته: پردازش صوت و گفتار   
   azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276
تشخیص گفتار آنلاین (تشخیص کلمات مجزا به صورت آنلاین) مبتنی بر مدل مارکوف مخفی (Hidden markov model)
این پروژه به منظور تشخیص کلمات گفتاری طراحی و پیاده‌سازی شده است. توجه شود که مجموعه داده به سادگی قابل تغییر است کافی است که به ازای هر کلمه موردنظر حدودا 20 فایل صوتی (و یا بیشتر) ضبط شود (توسط واسط گرافیکی تهیه شده برای برنامه). برای مثال ما برای تشخیص کلمات بهرام، کامران، محمد و سعید، به ازای هرکدام از این کلمات 25 فایل صوتی ضبط کرده‌ایم که 18 فایل از هرکدام برای آموزش مدل و 7 فایل برای آزمون آفلاین مدل استفاده شده است. پس از آموزش مدل‌های HMM با ضبط هر کلمه توسط واسط گرافیکی به صورت آنلاین توسط برنامه، برچسب کلمه مشخص می‌شود.

امکانات پروژه
1- تشخیص کلمات گفتاری
2- امکان تغییر مجموعه داده به صورت ساده و با ضبط صوت توسط برنامه
3- ضبط صوت
4- نمایش صوت هنگام ضبط
5- ذخیره صوت
6- پخش صوت
7- باز کردن صوت‌های wav
8- تنظیم پارامترهای مدل HMM در واسط گرافیکی
azsoftir.com
09367292276
[e-mail]
azsoftir.com
09367292276az
[e-mail]
azsoftir.com
09367292276

محتویات فایل قابل خرید: سورس کد متلب، فایل راهنمای ورد، فایل راهنمای توضیح روش استفاده شده به زبان انگلیسی (این پروژه بر اساس پروژه نهایی یکی از دانشگاههای دانمارک تهیه شده و برای مجموعه داده‌های گفتار فارسی و انگلیسی قابل استفاده است)، مجموعه داده شامل 4 کلمه و 25 فایل صوتی (قابل تغییر)
زبان برنامه نویسی: متلب
تشخیص گفتار آنلاین (تشخیص کلمات مجزا به صورت آنلاین) مبتنی بر مدل مارکوف مخفی