ارائه یک روش جدید برای بازیابی تصاویر با استفاده از دستهبندی معنایی آنها
کلمات کلیدی:
بازیابی تصاویر, دستهبندی معنایی, LBP, SIFT, BOW , دستهبند SVMچکیده
با گسترش فناوریهای دیجیتال در سالهای اخیر، تعداد تصاویر دیجیتال بطور چشمگیری افزایش پیدا کرده است. سهولت استفاده از این فناوریها و در دسترس بودن ابزارهای مؤثر برای ذخیرهسازی و انتقال تصاویر باعث شده که حجم عظیمی از تصاویر در دسترس عموم قرار گیرد. اما افزایش تعداد تصاویر، مشکلاتی را نیز به همراه داشته است که از مهمترین آنها میتوان به جستجوی یک تصویر خاص در بین مجموعهایی از تصاویر اشاره کرد. یافتن این تصویر خاص بصورت دستی و با نگاه کردن به تک تک تصاویر، کاری زمانبر، حتی در برخی اوقات غیرممکن است. بنابر این نیاز به یک سیستم بازیابی تصویر که بتواند تصویر مورد نظر را از میان تصاویر آن مجموعه استخراج کند، بیش از پیش احساس میشود. مهمترين چالش موجود در اين راه، دستيابي به روشی كارا براي بررسي ميزان شباهت تصاوير به يكديگر و بازیابی آنها است. امروزه به دلیل افزایش روز افزون اهمیت بازیابی تصاویر دیجیتالی نیاز به سامانهای که روند بازیابی را سریع و دقیق انجام دهد بیشتر احساس میشود. لذا وجود سیستم هوشمندی که بتواند این امر را تحقق بخشد ضرورت دارد. در این مقاله روشی جدید برای بازیابی تصاویر با استفاده از دستهبندی معنایی آنها ارائه شده است. در روش ارائه شده ویژگیهای تصاویر با استفاده از توصیفگرهای SIFT[1] (ویژگیهای مقاوم در برابر تغییر مقیاس) و LBP[2] (الگوی دودویی محلی) در قالب روش بستۀ واژگان استخراج شد. در نهایت بررسیهای مختلف منجر به ارائۀ روشی جدید با ترکیب توصیفگرهای SIFT و LBP در قالب بستۀ واژگان تصویر برای بازیابی تصاویر شد. کارایی روش پیشنهادی با استفاده از دستهبند SVM[3] (ماشین بردار پشتیبان) غیرخطی با کرنر گوسی روی پایگاه دادۀ معروف OT که شامل 2688 تصویر در 8 دستۀ مختلف میباشد، اندازهگیری شد. نتایج نشان داد که روش ارائه شده کارایی بالایی در بازیابی تصاویر با استفاده از دستهبندی معنایی آنها داشته است
دانلود
چاپ شده
شماره
نوع مقاله
مجوز
حق نشر 2023 مجله علمی مطالعات پژوهشی در علوم کامپیوتر آینده
این پروژه تحت مجوز بین المللی Creative Commons Attribution 4.0 می باشد.