چکیده:
یکی از مهمترین اولویتهای کشورهای پیشرفته دنیا استفاده از تصمیم گیری ماشین بهجای انسان است. یکی از حوزههایی که نیازمند این زمینه است، حوزه سلامت است. به این منظور مشخص کردن چاقی و لاغری افراد میتواند در مطالعه و بررسی وضعیت سلامت یک جامعه و اتخاذ سیاستهای نظام سلامت بسیار مفید واقع شود. تصاویر افراد به عنوان پایگاه داده پژوهش از چند محیط مختلف که فاصله دوربین و فرد در تمامی آنها یکسان بوده تهیه شدهاند. سپس پسزمینه تصویر با استفاده از تفریق پسزمینه حذف میشود. ویژگیهای تصویر که ویژگیهای مورفولوژیکی تصویر را شامل میشود از تصویر استخراج شده و به دو دسته بند داده میشود تا عملیات دستهبندی صورت پذیرد. افراد به سه دسته چاق، متوسط و لاغر تقسیم شدند. در این مقاله، دو دستهبند ماشین بردار پشتیبان، K-نزدیکترین همسایه بر روی سه نوع مجموعه تصویر خام، فیلتر شده و نویزدار شده اعمال شده است. تصاویر با استفاده از روش فیلتر پایین گذر گاوسین با فرکانسهای مختلف فیلتر شده با استفاده از دو روش نویز فلفل نمک و نویز گاوسین نویز دار شده اند.در تصاویر نرمال بالاترین دقت مربوط به روش ماشین بردار پشتیبان با دقت 7/91 درصد، در تصاویر فیلتر شده بالاترین دقت مربوط به روش K- نزدیکترین همسایه با 3/83 درصد و در تصاویر نویز دار شده بالاترین دقت مربوط به روش ماشین بردار پشتیبان با 75 درصد بود. نتایج حاصل از این مقاله نشان داد که با روش پیشنهادی ارائه شده علاوه بر اینکه میتوان افراد یک جامعه را از لحاظ چاقی و لاغری دسته بندی کرد به دقت بالاتری نسبت به بیشتر روشهایی که تا کنون ارائه شدهاند، رسید. با توجه به راهکارها و نتایج این پژوهش با افزایش تصاویر افراد علاوه بر بالا بردن دقت به سطح کاربردیتری خواهد رسید.
One of the most important priorities in developed countries is the use of machine decision-making instead of a human. One of the areas that need this field is health. For this purpose, determining the obesity and thinness of people can be very useful in studying and examining the health status of a society and adopting health system policies. Images of people as a database of research have been prepared from several different environments where the distance between the camera and the person is the same in all of them. Then, the background of the image is removed using background subtraction. Image features that include image morphological characteristics are extracted from the image and are classified into two categories to perform classification operations. The people were divided into three categories: fat, medium, and thin. The images are noised using the Gaussian low pass filter method with different frequencies filtered using two methods of salt and pepper noise and Gaussian noise. n normal images, the highest accuracy is related to the support vector machine method with an accuracy of 91.7%The results of this paper showed that with the proposed method, in addition to being able to classify the people of a society in terms of obesity and thinness, a higher accuracy was achieved than most of the methods that have been presented so far. According to the solutions and results of this research, by increasing the images of people, in addition to increasing the accuracy, it will reach a more practical level.