محتوای حذف‌شده محتوای افزوده‌شده

درخط

نسخهٔ ‏۴ مارس ۲۰۱۶، ساعت ۱۴:۵۸

بینایی کامپیوتر (به انگلیسی: Computer vision) یا بینایی ماشین (به انگلیسی: Machine vision) یکی از شاخه‌های علوم کامپیوتر است که شامل روش‌های مربوط به دستیابی تصاویر، پردازش، آنالیز و درک محتوای آن‌ها است. معمولاً این پردازش‌ها تصاویر تولید شده در دنیای واقعی را به عنوان ورودی دریافت و داده‌هایی عددی یا سمبلیک را به عنوان خروجی تولید می‌کنند، مانند در شکل‌هایی از تصمیم‌گیری.^[۱]^[۲]^[۳]^[۴] یکی رویه‌های توسعهٔ این شاخه بر اساس شبیه‌سازی توانایی بینایی انسان در رایانه است.

بینایی رایانه‌ای به مسائل مختلفی از جمله استخراج داده از عکس، فیلم، مجموعه چند عکس از زوایای مختلف و پردازش تصاویر پزشکی می‌پردازد. معمولاً ترکیبی از روش‌های مربوط به پردازش تصاویر^[۵] و ابزارهای یادگیری ماشینی^[۶] و آمار برای حل مسایل مختلف در این شاخه استفاده می‌گردد.

کاوش در داده‌ها

مقالهٔ اصلی: کاوش‌های ماشینی در داده‌ها

بینایی ماشینی را می‌توان یکی از مصادیق و نمونه‌های بارز زمینهٔ مادر و اصلی‌تر کاوش‌های ماشینی داده‌ها به‌حساب آورد که در آن داده‌ها تصاویر دوبعدی یا سه‌بعدی هستند، که آن‌ها را با استفاده از هوش مصنوعی آنالیز می‌کنند.

وظایف اصلی در بینایی رایانه‌ای

تشخیص شیء

تشخیص حضور و/یا حالت شیء در یک تصویر. به عنوان مثال:

جستجو برای تصاویر دیجیتال بر اساس محتوای آن‌ها (بازیابی محتوامحور تصاویر).
شناسایی صورت انسان‌ها و موقعیت آن‌ها در عکس‌ها.
تخمین حالت سه‌بعدی انسان‌ها و اندام‌هایشان.

پیگیری

پیگیری اشیاء شناخته شده در میان تعدادی تصویر پشت سر هم. به عنوان مثال:

پیگیری یک شخص هنگامی که در یک مرکز خرید راه می‌رود.

تفسیر منظره

ساختن یک مدل از یک تصویر/تصویر متحرک. به‌عنوان مثال:

ساختن یک مدل از ناحیهٔ پیرامونی به کمک تصاویری که از دوربین نصب شده بر روی یک ربات گرفته می‌شوند.

خودمکان‌یابی

مشحص کردن مکان و حرکت خود دوربین به عنوان عضو بینایی رایانه. به‌عنوان مثال:

مسیریابی یک ربات درون یک موزه.

سامانه‌های بینایی رایانه‌ای

یک سامانهٔ نوعی بینایی رایانه‌ای را می‌توان به زیرسامانه‌های زیر تقسیم کرد:

تصویربرداری

تصویر یا دنباله تصاویر با یک سامانه تصویربرداری(دوربین، رادار، لیدار، سامانه توموگرافی) برداشته می‌شود. معمولاً سامانه تصویربرداری باید پیش از استفاده تنظیم شود.

پیش‌پردازش

در گام پیش‌پردازش، تصویر در معرض اَعمال «سطح پایین» قرار می‌گیرد. هدف این گام کاهش نوفه (کاهش نویز - جدا کردن سیگنال از نویز) و کم‌کردن مقدار کلی داده‌ها است. این کار نوعاً با به‌کارگیری روش‌های گوناگون پردازش تصویر(دیجیتال) انجام می‌شود. مانند:

زیرنمونه‌گیری تصویر.
اعمال فیلترهای دیجیتال.
- پیچشها.
- همبستگیها یا فیلترهای خطی لغزش‌نابسته.
  - عملگر سوبل.
  - محاسبهٔ گرادیان x و y(و احتمالاً گرادیان زمانی).
تقطیع تصویر.
- آستانه‌گیری پیکسلی.
انجام یک ویژه‌تبدیل بر تصویر.
- تبدیل فوریه.
انجام تخمین حرکت برای ناحیه‌های محلی تصویرکه به نام تخمین شارش نوری هم شناخته می‌شود.
تخمین ناهمسانی در تصاویر برجسته‌بینی.
تحلیل چنددقتی.

استخراج ویژگی

هدف از استخراج ویژگی کاهش دادن بیش تر داده‌ها به مجموعه‌ای از ویژگی‌هاست، که باید به اغتشاشاتی چون شرایط نورپردازی، موقعیت دوربین، نویز و اعوجاج ایمن باشند. نمونه‌هایی از استخراج ویژگی عبارت‌اند از:

انجام آشکارسازی لبه.
استخراج ویژگی‌های گوشهای.
استخراج تصاویر چرخش از نقشه‌های ژرفا.
بدست آوردن خطوط تراز و احتمالاً گذر از صفرهای خمش.

ثبت

هدف گام ثبت برقراری تناظر میان ویژگی‌های مجموعه برداشت شده و ویژگی‌های اجسام شناخته‌شده در یک پایگاه داده‌های مدل و/یا ویژگی‌های تصویر قبلی است. در گام ثبت باید به یک فرضیه نهایی رسید. چند روش این کار عبارت‌اند از:

بینایی و تفسیر تصاویر در انسان ها

از اونجایی که هدف نهایی computer vision ساخت مفسر قدرتمند 3D رنگ ها و عمق تصاویر هست که باعث ایجاد قدرت تصور در ماشین نیز می شود. دونستن اینکه چگونه مغز بینایی و دیدن را تفسیر می کند و اینکه چند درصد نورون های کل مغز در گیر این پروسه هستن از اهمیت بسیار بالایی بر خوردار هست مقاله زیر می تونه به شما یه نگاه کلی از این روند خیلی پیچیده بدهد. همچنین با خوندن مقاله شبکه های عصبی می تونید با قسمت های مختلف مغز و تعداد نورون های درگیر هر بخش آشنا شوید. لطفا اگه مطلب جدید حول computer vision و سیستم عصبی بینایی انسان داشتید یا پیدا کردید. با کلیک بر روی ویرایش یا عضو ویکیپدیا شدن به این صفحه اضافه کنید.

لینک منبع : how brain interprets vision ؟

حل مسئله تفسیر نور به ایده ها از جهان , درک بصری ویژگی ها و اشیا ، عملی فوق پیچیده و به مراتب فراتر از توانایی های قدرتمند ترین ابرکامپیوتر های جهان است. بینایی نیازمند جدا کردن پیش ضمینه از پس ضمینه هست. تشخیص اشیا قرار گرفته در طیف گسترده ای از جهت ها , تفسیر نشانه های فضایی با دقت بالا . مکانیزم های نورونی در شبکه های عصبی ادراک بصری نگاه کلی از چگونگی محاسبه مغز در وضعیت های پیچیده برای تفسیر بینایی را به ما می دهد

]

ادراک بینایی زمانی اغاز می شوند که چشم نور را بر روی شبکیه چشم یا ( retina ) متمرکز می کند , که در آن جا توسط یک لایه از سلول های گیرنده نوری جذب می شود. این سلول ها نور را به سیگنال های الکتروشیمیایی تبدیل می کنند و به دو نوع، میله و مخروط تقسیم می شوند ( بر اساس شکل هایشان ) . سلولهای میله ای مسئول دید ما در شب هستند و به نور کم پاسخ خیلی خوبی می دهند. سلول های میله ای ( Rod cells ) عمدتا در مناطق پیرامونی از شبکیه چشم ( حول یا اطراف شبکیه ) یافت می شوند و بنابراین اکثر مردم این موضوع رو فهمیدن که اگر آنها نگاه خود را در شب متمرکز کنند می توانند منطقه مورد تمرکز رو بهتر ببینند.

سلولهای مخروطی ( Cone cells ) در یک منطقه مرکزی شبکیه متمرکز به نام گودال متمرکز شده اند که فرورفتگی یا fovea هم نام دارد. انها مسئول وظایف سنگین و دقیقی مثل خواندن هستند. سلول های Cone به سه دسته تقسیم می شوند و بسته به اینکه به نور آبی , قرمز , سبز چگونه پاسخ می دهند ، در مجموع این سه نوع از Cone ما را قادر به درک رنگ ها می کنند.

سیگنال ها از سلول های گیرنده نوری ( photoreceptor cells ) از طریق شبکه ای از interneurons ها در لایه دوم شبکیه چشم به سلول های ganglion در لایه سوم منتقل می شوند. نورون های در این دو لایه از شبکیه زمینه پذیرای پیچیده ای که آنها را قادر به تشخیص تضاد های تغییراتی در یک تصویر می کند را ارائه می دهند : این تغییرات ممکن است لبه ها و یا سایه ها را نشان دهد. سلول های Ganglion این اطلاعات را به همراه دیگر اطلاعات در مورد رنگ جمع آوری می کنند و خروجی خود را به مغز از طریق عصب بینایی ارسال می کنند. عصب یا Nerve بینایی در درجه اول اطلاعات را از طریق thalamus به قشاء مغزی ( cerebral cortex ) ارسال می کند (( cerebral cortex مغز حدود 19% نورون های کل مغز رو تشکیل می دهد و بیشترین تعداد نورون ها را بعد از [ بخش cerebellum یا مخچه که 80% از کل نورون های مغز رو در اختیار داره و وظیفه حرکت و هماهنگی حرکات بدن رو بر عهده داره ] را دارا می باشد )) که بعد از ارسال اطلاعات در قسمت cerebral cortex ادراک بصری انسان به وقوع می پیوندد . اما در عین حال این عصب یا Nerve حامل اطلاعات مورد نیاز برای مکانیک دید نیز هست که به دو قسمت از ساقه مغز (brainstem ) این اطلاعات را منتقل می کند . اولین قسمت از brainstem گروهی از سلول های هسته هستند که pretectum نام دارند که کنترل غیر ارادی اندازه مردمک در پاسخ به شدت نور را بر عهده دارند. اطلاعات مربوط به اهداف متحرک و اطلاعات ساکن اسکن شده توسط چشم نیز به قسمت دوم در brainstem منتقل می شود , یک هسته که با نام superior colliculus شناخته می شود مسئول حرکات چشم در پرش های کوتاه هست. بخش دیگر از این دو قسمت saccades هست که به مغز اجازه درک یک اسکن هموار را با کمک چسباندن سری از تصاویر نسبتا ثابت رو می دهد. Saccadic eye movement مشکل تاری شدید رو که می تونه برای تصویر پیش بیاد را حل می کند. اگر چشم می تواند به صورت هموار در سراسر چشم انداز بصری حرکت کند؛ saccades ها در بعضی از وضعیت ها تجربه بصری رو ممکن و آسان می کنند مانند مشاهده چشم فرد دیگری برای شما, در حالی که اون فرد در تلاش برای نگاه کردن سرتاسر اتاق هست.

محل دقیق قسمت thalamus ( تالاموس ) در عمق مغز در تصویر سه بعدی

بسیاری از تصاویر از شبکیه چشم ( retina ) از طریق عصب بینایی به بخشی از thalamus که به نام ( lateral geniculate nucleus ) شناخته شده است و در اختصار (LGN) هم کفته می شود منتقل می شوند , thalamus در عمق مرکز مغز قرار گرفته. LGN ورودی شبکیها ( retinal ) را به جریان های موازی مورد جدا سازی قرار می دهد , که یکی حاوی رنگ و ساختار ثابت و دیگری حاوی contrast (تضاد ها ) و حرکات هست. سلول هایی که پردازش رنگ و ساختار را انجام می دهند چهار لایه بالایی از شش لایه LGN را تشکیل می دهند. اون چهار لایه به علت کوچکی سلول ها , parvocellular نامیده می شوند. سلول هایی که پردازش حرکات و تضاد های تصویر رو انجام می دهند دو لایه پایینی LGN رو تشکیل می دهند و به علت بزرگی سلول های اون قسمت لایه magnocellular نامیده می شوند .

سلول های لایه های magnocellular و parvocellular همه راه ها رو به بخش های پشت مغز و به سمت قشر بینایی اولیه ( Visual cortex _ V1 ) طرح ریزی می کند. سلول ها در V1 در چندین راه مرتب شده اند که این اجازه می دهد سیستم بینایی محل اشیاء را در فضا محاسبه کند. در ابتدا سلول های V1 به صورت retinotopically یا موضعی سازمان یافته اند , که به معنای این است که نقطه به نقطه روی نقشه بین شبکیه و قشر بینایی اولیه وجود دارد و مناطق همجوار در شبکیه چشم با مناطق همجوار در V1 مطابقت دارد. که این به V1 اجازه می دهد که موقعیت اشیا رو در دو بعد از جهان بصری که افقی و عمودی یا همون ( x , y ) هست تعیین کند. بعد سوم و عمق نیز با مقایسه سیگنال های دو چشم توسط V1 نقشه برداری و تعیین می شود. این سیگنال ها در پشته سلولها که ستون ocular dominance نامیده می شوند پردازش می شوند , که یک الگوی شطرنجی اتصالات متناوب بین سمت چپ و چشم راست. اختالفی جزئی در موقعیت یک شی نسبت به هر چشم اجازه می دهد تا به عمق توسط مثلث محاسبه شود.

در نهایت، V1 به ستون های جهت گیری سازمان یافته است، پشته از سلول ها که به شدت توسط خطوط یک جهت گیری داده شده , فعال می شوند. ستون های جهت برای تشخیص لبه های اشیاء در جهان بصری , V1 را قادر می سازند، و به طوری که آنها کار پیچیده ای از تشخیص بصری را شروع می کنند. سازمان ستونی از قشر بینایی اولیه برای اولین بار توسط David Hubel و Torsten Wiesel توصیف شده است، که در نتیجه بخاطر این موضوع جایزه نوبل 1981 را بردند.

جالب توجه است که این الگوی شطرنجی, سازمان ستونی V1 در هنگام تولد بسیار مبهم است. قشر بینایی یک نوزاد تازه متولد شده hypertrophy یا رشد بیش از حد , یا اتصالات اتفاقی دارد که باید به دقت و بر اساس تجربه بصری در بلند مدت هرس شوند ، و در نهایت به ستون های جداگانه تعریف شده تبدیل شوند. که این در واقع یک کاهش در تعداد اتصالات و نه افزایش اتصالات خواهد بود , که در نهایت توانایی نوزاد برای دیدن جزئیات ریز و به رسمیت شناختن اشکال و الگوها را بهبود می بخشد.

این نوع از پالایش وابسته , به فعالیت به V1 محدود نمی شود. و در بسیاری از مناطق سراسر قشر مغز ( cerebral cortex ) رخ می دهد. در همان زمان که توانایی تبعیض خطوط و لبه در قشر بینایی اولیه بهبود می یابد ، سلول ها را در قشر بینایی ثانویه ( secondary visual cortex V2 ) , توانایی خود را برای تفسیر رنگ پالایش می کنند. V2 تا حد زیادی مسئول پدیده ثبات رنگ است. و این حقیقت را توضیح می دهد که واقعیت یک گل سرخ تحت تاثیر بسیاری از رنگ های مختلف نور توسط ما هنوز هم به رنگ سرخ به نظر می رسد. این طور گمان می شه که ثبات رنگ وقتی رخ می دهد که V2 می تواند یک شئی و نور محیط را مقایسه کند و می تواند براورد رنگ روشنایی را کاهش دهد. با اینحال این پروسه با توجه به اینکه بیننده انتظار دارد اون شی به چه رنگی باشد به شدت تحت تاثیر قرار می گیرد.

در حقیقت، تقریبا تمام ویژگی های مرتبه بالاتر از بینایی و منظره توسط انتظارات بر اساس تجربه گذشته تحت تاثیر قرار می گیرد. این ویژگی به گسترش رنگ و درک فرم موجود در V3 و V4، به چهره و تشخیص شی در لوب temporal ( جایی که تصویر ذهنی سه بعدی از اونچه که می بینیم در نهایت تشکیل می شه ) و به حرکت و آگاهی از فضای موجود در لوب parietal می انجامد. اگر چه چنین روش و تأثیراتی گاها اجازه می دهد مغز تحت تاثیر تصورات نادرست فریب بخورد ، برای مثال در خطای دید در تصاویر خاص , با اینحال اون روش همینطور به ما توانایی دیدن و پاسخ سریع به جهان بصری را داده است. از تشخیص روشنایی و تاریکی در شبکیه چشم ( retina ) تا خطوط انتزاعی در V1 تا تفسیر اشیا و روابط فضاییشان در ناحیه های بصری بالاتر، هر وظیفه ای در ادراک بصری کارایی و قدرت سیستم بینایی انسان را نشان می دهد.

جستارهای وابسته

پانویس

↑ Reinhard Klette (2014). Concise Computer Vision. Springer. ISBN 978-1-4471-6320-6.
↑ Linda G. Shapiro and George C. Stockman (2001). Computer Vision. Prentice Hall. ISBN 0-13-030796-3.
↑ Tim Morris (2004). Computer Vision and Image Processing. Palgrave Macmillan. ISBN 0-333-99451-5.
↑ Bernd Jähne and Horst Haußecker (2000). Computer Vision and Applications, A Guide for Students and Practitioners. Academic Press. ISBN 0-13-085198-1.
↑ Image processing
↑ Machine learning

منابع

بینایی رایانه‌ای و سیستم‌های فازی - نورونی

Gonzalez, R. C. , and Woods, R. E. Digital Image Processing, 2nd edition, Prentice-Hall, Inc. , 2002

پیوندهای برونی

[Klette-2014-1] Reinhard Klette (2014). Concise Computer Vision. Springer. ISBN 978-1-4471-6320-6.

[Shapiro-Stockman-2001-2] Linda G. Shapiro and George C. Stockman (2001). Computer Vision. Prentice Hall. ISBN 0-13-030796-3.

[Morris-2004-3] Tim Morris (2004). Computer Vision and Image Processing. Palgrave Macmillan. ISBN 0-333-99451-5.

[Jahne-Haussecker-2000-4] Bernd Jähne and Horst Haußecker (2000). Computer Vision and Applications, A Guide for Students and Practitioners. Academic Press. ISBN 0-13-085198-1.

[5] Image processing

[6] Machine learning

[۱]

[۲]

[۳]

[۴]

[۵]

[۶]

@@ خط ۱: / خط ۱: @@
-'''بینایی رایانه‌ای''' {{به انگلیسی|Computer vision}} یا '''بینایی ماشینی''' {{به انگلیسی|Machine vision}} یکی از شاخه‌های علوم کامپیوتر است که شامل روش‌های مربوط به دستیابی تصاویر، پردازش، آنالیز و درک محتوای آن‌ها است. معمولاً این پردازش‌ها تصاویر تولید شده در دنیای واقعی را به عنوان ورودی دریافت و [[داده‌ها|داده‌هایی]] عددی یا سمبلیک را به عنوان خروجی تولید می‌کنند، مانند در شکل‌هایی از تصمیم‌گیری.<ref name="Klette-2014">
+'''بینایی کامپیوتر''' {{به انگلیسی|Computer vision}} یا '''بینایی ماشین''' {{به انگلیسی|Machine vision}} یکی از شاخه‌های علوم کامپیوتر است که شامل روش‌های مربوط به دستیابی تصاویر، پردازش، آنالیز و درک محتوای آن‌ها است. معمولاً این پردازش‌ها تصاویر تولید شده در دنیای واقعی را به عنوان ورودی دریافت و [[داده‌ها|داده‌هایی]] عددی یا سمبلیک را به عنوان خروجی تولید می‌کنند، مانند در شکل‌هایی از تصمیم‌گیری.<ref name="Klette-2014">
 {{cite book|author=Reinhard Klette|title=Concise Computer Vision|publisher=Springer|year=2014|isbn=978-1-4471-6320-6}}</ref><ref name="Shapiro-Stockman-2001">
 {{cite book|author=Linda G. Shapiro and George C. Stockman|title=Computer Vision|publisher=Prentice Hall|year=2001|isbn=0-13-030796-3}}</ref><ref name="Morris-2004">{{cite book|author=Tim Morris|title=Computer Vision and Image Processing|publisher=Palgrave Macmillan|year=2004|isbn=0-333-99451-5}}</ref><ref name="Jahne-Haussecker-2000">{{cite book| author=Bernd Jähne and Horst Haußecker|title=Computer Vision and Applications, A Guide for Students and Practitioners|publisher=Academic Press|year=2000|isbn=0-13-085198-1}}</ref> یکی رویه‌های توسعهٔ این شاخه بر اساس شبیه‌سازی توانایی بینایی انسان در رایانه است.[[پرونده:NASA Mars Rover.jpg|thumb|230x230px|تصویر هنری از مریخ نورد NASA بر روی سطح سیاره مریخ . مثالی از خودروهای زمینی بدون سرنشین ]]
@@ خط ۵۶: / خط ۵۶: @@
 * استخراج [http://www.ri.cmu.edu/projects/project_94.html تصاویر چرخش] از نقشه‌های ژرفا.
 * بدست آوردن [[خطوط تراز]] و احتمالاً گذر از صفرهای [[خمش]].
+[[پرونده:Anti-Submarine Warfare (ASW) Continuous Trail Unmanned Vessel (ACTUV).jpg|thumb|235x235px|ناو های بدون سرنشین هوشمند - نوع ضد زیردریایی ( [[:en:ACTUV|<u>ACTUV</u>]] ) تکنولوژی های مرتبط    [[یادگیری ماشینی|<span lang="en" dir="rtl">Machine learning</span>]]  <span lang="en" dir="rtl">Computer Vision  [[هوش ازدحامی|Swarm Intelligence]]</span>  ]]
 === ثبت ===
 هدف گام ثبت برقراری تناظر میان ویژگی‌های مجموعه برداشت شده و ویژگی‌های اجسام شناخته‌شده در یک [[پایگاه داده‌ها|پایگاه داده‌های]] [[مدل]] و/یا ویژگی‌های تصویر قبلی است. در گام ثبت باید به یک [[فرضیه]] نهایی رسید. چند روش این کار عبارت‌اند از:
+*[[تخمین کمترین مربعات]].
-*[[پرونده:Anti-Submarine Warfare (ASW) Continuous Trail Unmanned Vessel (ACTUV).jpg|thumb|229x229px|ناو های بدون سرنشین هوشمند - نوع ضد زیردریایی ( [[:en:ACTUV|<u>ACTUV</u>]] ) تکنولوژی های مرتبط    [[یادگیری ماشینی|<span lang="en" dir="rtl">Machine learning</span>]]  <span lang="en" dir="rtl">Computer Vision  [[هوش ازدحامی|Swarm Intelligence]]</span>  ]][[تخمین کمترین مربعات]].
 * [[تبدیل هاگ]] در انواع گوناگون.
 * [[درهم‌سازی هندسی]].
 * [[پالودن ذره‌ای]].
+= بینایی و تفسیر تصاویر در انسان ها =
+از اونجایی که هدف نهایی computer vision ساخت مفسر قدرتمند 3D رنگ ها و عمق تصاویر هست که باعث ایجاد قدرت تصور در ماشین نیز می شود. دونستن اینکه چگونه مغز بینایی و دیدن را تفسیر می کند و اینکه چند درصد نورون های کل مغز در گیر این پروسه هستن از اهمیت بسیار بالایی بر خوردار هست  مقاله زیر می تونه به شما یه نگاه کلی از این روند خیلی پیچیده بدهد. همچنین با خوندن مقاله [[شبکه عصبی|شبکه های عصبی]] می تونید با قسمت های مختلف مغز و تعداد نورون های درگیر هر بخش آشنا شوید. لطفا اگه مطلب جدید حول computer vision و سیستم عصبی بینایی انسان داشتید یا پیدا کردید. با کلیک بر روی ویرایش یا عضو ویکیپدیا شدن به این صفحه اضافه کنید.
+لینک  منبع : [http://www.brainhq.com/brain-resources/brain-facts-myths/how-vision-works how brain interprets vision ؟]
+حل مسئله تفسیر نور به ایده ها از جهان , درک بصری ویژگی ها و اشیا ، عملی فوق پیچیده و به مراتب فراتر از توانایی های قدرتمند ترین ابرکامپیوتر های جهان است. بینایی نیازمند جدا کردن پیش ضمینه از پس ضمینه هست. تشخیص اشیا قرار گرفته در طیف گسترده ای از جهت ها , تفسیر نشانه های فضایی با دقت بالا . مکانیزم های نورونی در شبکه های عصبی ادراک بصری نگاه کلی از چگونگی محاسبه مغز در وضعیت های پیچیده برای تفسیر بینایی را به ما می دهد
+[[پرونده:Ventral-dorsal streams.svg|right|thumb|343x343px|[[:en:Dorsal_stream|جریان dorsal]] بصری ( سبز رنگ در تصویر ) و [[:en:Ventral_stream|جریان ventral]]  ( بنفش ) در تصویر مشخص شده. قسمت های بسیار زیادی از [[قشر مغز|cerebral cortex]] در پروسه بینایی نقش دارند [https://en.wikipedia.org/wiki/Visual_perception]]]
+ادراک بینایی  زمانی اغاز می شوند که چشم نور را بر روی شبکیه چشم یا ( retina ) متمرکز می کند , که در آن جا توسط یک لایه از سلول های گیرنده نوری جذب می شود. این سلول ها نور را به سیگنال های الکتروشیمیایی تبدیل می کنند  و به دو نوع، میله و مخروط تقسیم می شوند ( بر اساس شکل هایشان ) . سلولهای میله ای مسئول دید ما در شب هستند و به نور کم پاسخ خیلی خوبی می دهند. سلول های میله ای ( Rod cells )  عمدتا در مناطق پیرامونی از شبکیه چشم ( حول یا اطراف شبکیه ) یافت می شوند و بنابراین اکثر مردم این موضوع رو فهمیدن که اگر آنها نگاه خود را در شب متمرکز کنند می توانند منطقه مورد تمرکز رو بهتر ببینند.
+سلولهای مخروطی ( Cone cells ) در یک منطقه مرکزی شبکیه متمرکز به نام گودال متمرکز شده اند که فرورفتگی یا  fovea هم نام دارد. انها مسئول وظایف سنگین و دقیقی مثل خواندن هستند. سلول های Cone به سه دسته تقسیم می شوند و بسته به اینکه به نور آبی , قرمز , سبز چگونه پاسخ می دهند ، در مجموع این سه نوع از Cone ما را قادر به درک رنگ ها می کنند.
+سیگنال ها از سلول های گیرنده نوری ( photoreceptor cells )  از طریق شبکه ای از  interneurons ها در لایه دوم  شبکیه چشم به سلول های ganglion در لایه سوم منتقل می شوند. نورون های در این دو لایه از شبکیه زمینه پذیرای پیچیده ای که آنها را قادر به تشخیص تضاد های تغییراتی در یک تصویر می کند را ارائه می دهند : این تغییرات ممکن است لبه ها و یا سایه ها را نشان دهد. سلول های Ganglion این اطلاعات را به همراه دیگر اطلاعات در مورد رنگ جمع آوری می کنند و خروجی خود را به مغز از طریق عصب بینایی ارسال می کنند.  عصب یا Nerve بینایی در درجه اول  اطلاعات را از طریق thalamus به قشاء مغزی ( cerebral cortex ) ارسال می کند ((  cerebral cortex مغز حدود 19% نورون های کل مغز  رو تشکیل می دهد و بیشترین تعداد نورون ها را بعد از  [ بخش '''cerebellum''' یا مخچه که 80% از کل نورون های مغز رو در اختیار داره و وظیفه حرکت و هماهنگی حرکات بدن رو بر عهده داره ] را دارا می باشد  )) که بعد از ارسال اطلاعات در قسمت cerebral cortex ادراک بصری انسان به وقوع می پیوندد . اما در عین حال این عصب یا Nerve حامل اطلاعات مورد نیاز برای مکانیک دید نیز هست که به دو قسمت از ساقه مغز (brainstem ) این اطلاعات را منتقل می کند . اولین قسمت از brainstem گروهی از سلول های هسته هستند که pretectum نام دارند که کنترل غیر ارادی اندازه مردمک در پاسخ به شدت نور را بر عهده دارند.  اطلاعات مربوط به اهداف متحرک و اطلاعات ساکن اسکن شده توسط چشم نیز به قسمت دوم در brainstem منتقل می شود , یک هسته که با نام superior colliculus شناخته می شود مسئول حرکات چشم در پرش های کوتاه هست. بخش دیگر از این دو قسمت saccades هست که به مغز اجازه درک یک اسکن هموار را با کمک چسباندن سری از تصاویر نسبتا ثابت رو می دهد. Saccadic eye movement مشکل تاری شدید رو که می تونه برای تصویر پیش بیاد را حل می کند. اگر چشم می تواند به صورت هموار در سراسر چشم انداز بصری حرکت کند؛ saccades ها در بعضی از وضعیت ها تجربه بصری رو ممکن و آسان می کنند مانند مشاهده چشم فرد دیگری برای شما, در حالی که اون فرد در تلاش برای نگاه کردن سرتاسر اتاق هست.
+[[پرونده:Thalamus small.gif|thumb|محل دقیق قسمت [[:en:Thalamus|thalamus]] ( تالاموس ) در عمق مغز در تصویر سه بعدی ]]
+بسیاری از تصاویر از شبکیه چشم ( retina )  از طریق عصب بینایی به بخشی از thalamus که به نام ( lateral geniculate nucleus ) شناخته شده است و در اختصار (LGN) هم کفته می شود منتقل می شوند , thalamus در عمق مرکز مغز قرار گرفته. LGN ورودی شبکیها (  retinal ) را به جریان های موازی مورد جدا سازی قرار می دهد , که یکی حاوی رنگ و ساختار ثابت و دیگری حاوی contrast (تضاد ها ) و حرکات هست. سلول هایی که پردازش رنگ و ساختار را انجام می دهند چهار لایه بالایی از شش لایه LGN را تشکیل می دهند. اون چهار لایه به علت کوچکی سلول ها , parvocellular نامیده می شوند. سلول هایی که پردازش حرکات و تضاد های تصویر رو انجام می دهند دو لایه پایینی LGN رو تشکیل می دهند و به علت بزرگی سلول های اون قسمت لایه magnocellular نامیده می شوند .
+سلول های لایه های magnocellular و parvocellular همه راه ها رو به بخش های پشت مغز و به سمت قشر بینایی اولیه ( Visual cortex  _ V1 ) طرح ریزی می کند. سلول ها در V1 در چندین راه مرتب شده اند که این اجازه می دهد سیستم بینایی محل اشیاء را در فضا محاسبه کند. در ابتدا سلول های V1 به صورت retinotopically یا موضعی سازمان یافته اند , که به معنای این است که نقطه به نقطه روی نقشه بین شبکیه و قشر بینایی اولیه وجود دارد و مناطق همجوار در شبکیه چشم با مناطق همجوار در V1 مطابقت دارد. که این به V1 اجازه می دهد که موقعیت اشیا رو در دو بعد از جهان بصری که افقی و عمودی یا همون ( x , y ) هست تعیین کند. بعد سوم و عمق نیز با مقایسه سیگنال های دو چشم توسط V1 نقشه برداری و تعیین می شود. این سیگنال ها در پشته سلولها که ستون ocular dominance نامیده می شوند پردازش می شوند , که یک الگوی شطرنجی اتصالات متناوب بین سمت چپ و چشم راست. اختالفی جزئی در موقعیت یک شی نسبت به هر چشم اجازه می دهد تا به عمق توسط مثلث محاسبه شود.
+در نهایت، V1 به ستون های جهت گیری سازمان یافته است، پشته از سلول ها که به شدت توسط خطوط یک جهت گیری داده شده , فعال می شوند. ستون های جهت برای تشخیص لبه های اشیاء در جهان بصری , V1 را قادر می سازند، و به طوری که آنها  کار پیچیده ای از تشخیص بصری را شروع می کنند. سازمان ستونی از قشر بینایی اولیه برای اولین بار توسط David Hubel و Torsten Wiesel توصیف شده است، که در نتیجه بخاطر این موضوع جایزه نوبل 1981 را بردند.
+جالب توجه است که این الگوی شطرنجی, سازمان ستونی V1 در هنگام تولد بسیار مبهم است. قشر بینایی یک نوزاد تازه متولد شده hypertrophy یا رشد بیش از حد , یا اتصالات اتفاقی دارد که باید به دقت و بر اساس تجربه بصری در بلند مدت هرس شوند ، و در نهایت به ستون های جداگانه تعریف شده تبدیل شوند. که این در واقع یک کاهش در تعداد اتصالات و نه افزایش اتصالات خواهد بود , که در نهایت توانایی نوزاد برای دیدن جزئیات ریز و به رسمیت شناختن اشکال و الگوها را بهبود می بخشد.
+[[پرونده:Visualcortex.gif|thumb|121x121px|<span lang="ach" dir="ltr">[[:en:Visual_cortex|primary visual cortex (V1)]]</span>]]
+این نوع از پالایش وابسته , به فعالیت به V1 محدود نمی شود. و در بسیاری از مناطق سراسر قشر مغز ( cerebral cortex ) رخ می دهد. در همان زمان که توانایی تبعیض خطوط و لبه در قشر بینایی اولیه بهبود می یابد ، سلول ها را در قشر بینایی ثانویه ( secondary visual cortex V2 ) , توانایی خود را برای تفسیر رنگ پالایش می کنند. V2 تا حد زیادی مسئول پدیده ثبات رنگ است. و این حقیقت را توضیح می دهد که واقعیت یک گل سرخ تحت تاثیر بسیاری از رنگ های مختلف نور توسط ما هنوز هم به رنگ سرخ به نظر می رسد. این طور گمان می شه که ثبات رنگ وقتی رخ می دهد که V2 می تواند یک شئی و نور محیط را مقایسه کند و می تواند براورد رنگ روشنایی را کاهش دهد. با اینحال این پروسه با توجه به اینکه بیننده انتظار دارد اون شی به چه رنگی باشد به شدت تحت تاثیر قرار می گیرد.
+در حقیقت، تقریبا تمام ویژگی های مرتبه بالاتر از بینایی و منظره توسط انتظارات بر اساس تجربه گذشته تحت تاثیر قرار می گیرد. این ویژگی به گسترش رنگ و درک فرم موجود در V3 و V4، به چهره و تشخیص شی در لوب temporal ( جایی که تصویر ذهنی سه بعدی از اونچه که می بینیم در نهایت تشکیل می شه ) و به حرکت و آگاهی از فضای موجود در لوب parietal می انجامد. اگر چه چنین روش و تأثیراتی گاها اجازه می دهد مغز تحت تاثیر تصورات نادرست فریب بخورد ، برای مثال در خطای دید در تصاویر خاص , با اینحال اون روش همینطور به ما توانایی دیدن و پاسخ سریع به جهان بصری را داده است. از تشخیص روشنایی و تاریکی در شبکیه چشم ( retina ) تا خطوط انتزاعی در V1 تا تفسیر اشیا و روابط فضاییشان در ناحیه های بصری بالاتر، هر وظیفه ای در ادراک بصری کارایی و قدرت سیستم بینایی انسان را نشان می دهد.
 == جستارهای وابسته ==
+[[پرونده:1414 Rods and Cones.jpg|thumb|485x485px|''[[:en:Photoreceptor_cell|Photoreceptor Cell]]'' سلول ''های'' گیرنده های نوری]]
 * [[هوش مصنوعی]]
 * [[یادگیری ماشینی|یادگیری ماشین]]
@@ خط ۷۵: / خط ۱۰۲: @@
 * [[چشم انسان|بینایی انسان]]
 * [[:en:Biorobotics|Biorobotics]]
+* [[شبکه عصبی|'''شبکه های عصبی ( Neural Network NN )''']]
 == پانویس ==

ن ب و علوم رایانه
Note: This template roughly follows the 2012 ACM Computing Classification System.
سخت‌افزار	برد مدار چاپی دستگاه جانبی مدار مجتمع یکپارچه‌سازی کلان‌مقیاس سامانه روی یک تراشه رایانش سبز خودکارسازی طراحی الکترونیکی شتاب‌دهنده سخت‌افزاری
سازمان سامانه‌های رایانه	معماری رایانه سامانه نهفته رایانش بی‌درنگ اطمینان‌پذیری
شبکه رایانه‌ای	معماری شبکه پروتکل ارتباطات سخت‌افزار شبکه برنامه‌ریز شبکه کارایی شبکه رایانه‌ای سرویس شبکه‌ای
سازمان نرم‌افزار	مفسر میان‌افزار ماشین مجازی سیستم‌عامل کیفیت نرم‌افزار
نظریه زبان‌های برنامه‌نویسی و ابزار توسعه نرم‌افزار	الگو برنامه‌نویسی زبان برنامه‌نویسی کامپایلر زبان خاص دامنه زبان مدل‌سازی چارچوب نرم‌افزاری محیط یکپارچه توسعه نرم‌افزار مدیریت پیکربندی نرم‌افزار کتابخانه (رایانه) مخزن نرم‌افزاری
توسعه نرم‌افزار	فرایند توسعه نرم‌افزار تحلیل نیازمندی‌ها طراحی نرم‌افزار ساخت نرم‌افزار استقرار نرم‌افزار تعمیر و نگهداری نرم‌افزار تیم برنامه‌نویسی نرم‌افزار متن‌باز برنامه‌نویسی آزمون نرم‌افزار
نظریه محاسبات	مدل محاسبه زبان صوری نظریه اتوماتا نظریه رایانش‌پذیری نظریه پیچیدگی محاسباتی منطق در علوم کامپیوتر معنی‌شناسی (علوم رایانه)
الگوریتمها	الگوریتم تحلیل الگوریتم‌ها کارایی الگوریتمی الگوریتم‌های تصادفی هندسه محاسباتی
ریاضیات رایانه	ریاضیات گسسته احتمالات آمار نرم‌افزار ریاضی نظریه اطلاعات آنالیز ریاضی آنالیز عددی
سامانه اطلاعاتی	پایگاه داده ذخیره‌سازی داده رایانه سامانه اطلاعات سازمانی نرم‌افزار اجتماعی سامانه اطلاعات جغرافیایی سامانه پشتیبانی تصمیم کنترل فرایند پایگاه داده چند رسانه‌ای داده‌کاوی کتابخانه دیجیتال سکوی رایانش بازاریابی اینترنتی وب جهان‌گستر بازیابی اطلاعات مستندسازی فنی
امنیت رایانه	رمزنگاری روش‌های صوری خدمات امنیتی سامانه تشخیص نفوذ خرابی سخت‌افزار امنیت شبکه امنیت اطلاعات امنیت برنامه
تعامل انسان و رایانه	طراحی تعاملی رایانش اجتماعی رایانش فراگیر مصورسازی دسترس‌پذیری رایانه واسط‌های کاربر رایانش پوشیدنی
همروندی	رایانش همزمان رایانش موازی رایانش توزیع‌شده چندریسمانی چندپردازشی
هوش مصنوعی	پردازش زبان‌های طبیعی بازنمود دانش بینایی رایانه‌ای برنامه‌ریزی خودکار بهینه‌سازی نظریه کنترل فلسفه هوش مصنوعی هوش مصنوعی توزیع شده استدلال خودکار زبان‌شناسی رایانشی یادگیری ماشین
یادگیری ماشین	یادگیری با نظارت یادگیری بی‌نظارت یادگیری تقویتی یادگیری چند-وظیفه‌ای روش اعتبارسنجی متقابل
گرافیک رایانه‌ای	پویانمایی رایانه‌ای رندرینگ (گرافیک رایانه‌ای) روتوش واحد پردازش گرافیکی واقعیت ترکیبی واقعیت مجازی فشرده‌سازی تصویر مدلسازی جامد
رایانش کاربردی	تجارت الکترونیک نرم‌افزار سازمانی ریاضیات محاسباتی فیزیک محاسباتی شیمی محاسباتی زیست‌شناسی محاسباتی علوم اجتماعی محاسباتی مهندسی و علم محاسبه انفورماتیک پزشکی هنر دیجیتال نشر الکترونیک جنگ مجازی رأی‌گیری الکترونیکی بازی ویدئویی واژه‌پرداز تحقیق در عملیات فناوری آموزشی سامانه مدیریت اسناد
توجه: بنا بر سامانه رده‌بندی رایانش ای‌سی‌ام علم رایانه همچنین می‌تواند به موضوع‌ها یا زمینه‌های گوناگون تقسیم شود. کتاب:علوم رایانه رده:علوم رایانه طرح کلی علوم رایانه ویکی‌پدیا:ویکی‌پروژه علوم رایانه ویکی‌انبار