ارائه سیستم بازیابی تصاویر مبتنی بر محتوا با بهرهگیری از یادگیری نیمه¬نظارتشده و کاوش الگوهای مکرر انجمنی
محورهای موضوعی : electrical and computer engineering
1 - دانشگاه آزاد اسلامي واحد سوسنگرد،گروه کامپیوتر
کلید واژه: تبدیل موجک, توصیه گر تصویر, کاوش الگوهای مکرر, یادگیری ماشین,
چکیده مقاله :
بازیابی تصاویر مبتنی بر محتوا که با عنوان پرس وجو بر اساس محتوای تصویر نیز شناخته می شود، یکی از زیرشاخه های بینایی ماشین است که جهت سازماندهی و تشخیص محتوای تصاویر دیجیتال با بهره گیری از ویژگی های بصری به کار می رود. این تکنولوژی، تصاویر مشابه با تصویرپرس وجو را از پایگاه داده های عظیم تصویری بهصورت خودکار جستجو میکند و با استخراج مستقیمویژگی های بصری از داده های تصویری و نه کلمات کلیدی و حاشیه نویسی های متنی، مشابهترین تصاویر را برای کاربران فراهم میآورد؛ بنابراین در این مقاله روشی ارائهشده است که جهت کاهش شکاف معنایی میانویژگیهای بصری سطح پایین و معانی سطح بالای تصاویر از تبدیل موجک و ترکیب ویژگیها با هیستوگرام رنگ استفاده می گردد. در این راستا، خروجی نهایی، از پایگاه داده ی تصویر با بهره گیری از روش استخراج ویژگی از تصاویر ورودی، خواهد بود.در گام بعد، هنگامیکه تصاویر پرس وجو توسط کاربر هدف به سیستم داده می شود، جهت بازیابی تصاویر مرتبط، از یادگیری نیمه نظارتشده که از ترکیب روشهای خوشهبندی و طبقهبندی بر اساس کاوش الگوهای مکرر حاصل می شود، مشابهترین تصاویربرای کاربران بازیابی میگردد. نتایج آزمایش نشان میدهد که سیستم پیشنهادی، بالاترین میزاناثربخشی را در مقایسه با سایر روشهای مورد مقایسه ارائه نموده است.
Content-based image retrieval, which is also known as query based on image content, is one of the sub-branches of machine vision, which is used to organize and recognize the content of digital images using visual features. This technology automatically searches the images similar to the query image from huge image database and it provides the most similar images to the users by directly extracting visual features from image data; not keywords and textual annotations. Therefore, in this paper, a method is proposed that utilizes wavelet transformation and combining features with color histogram to reduce the semantic gap between low-level visual features and high-level meanings of images. In this regard, the final output will be presented using the feature extraction method from the input images. In the next step, when the query images are given to the system by the target user, the most similar images are retrieved by using semi-supervised learning that results from the combination of clustering and classification based on frequent patterns mining. The experimental results show that the proposed system has provided the highest level of effectiveness compared to other methods.
