توضیحات
ABSTRACT
In this paper a new approach is presented for image retrieval using image fuzzification based on weighted relevance feedback on image feature vectors. The mind attributes of present work are the image retrieval using fuzzy approach and the relevance feedback by attention of the query image and the resemble images in the database. At the first the color features (Hue) and saturation (S) for each image by help of Fuzzy C means (FCM) algorithm are quantized to 20 bins. Then the feature vectors for each image are become fuzzy using KNN algorithm and for corresponding image, the 20 Gaussian functions have been regarded. The data scatter in around of each image from viewpoint of features by help of covariance matrix of each image is caused the retrieval of similar samples become excellent. The dominant point of this paper is a new approach for relevance feedback. In the relevance feedback by attention of weighting of image semantic groups by user, the image weight which belongs to each semantic group is changed. The obtained results on an image database show that our approach accuracy versa the number iteration with respect to is better. The images using in this paper, are selected from Corel database and Simplicity project.
INTRODUCTION
In recent years, due to rapid growing of data in multimedia format, Content-Based Image Retrieval, CBIR, has became one of the most active research areas. Image retrieval is done by two approaches: 1- The text based image retrieval 2- The content based image retrieval. In the text based image retrieval, for each image a keyword has been regarded and the images are retrieved based on keywords. By high volume of images, this retrieval approach for man is wearisome. Because for each image should has been regarded a keyword and also man understanding on a distinct image, may become different. For solving this problem, the content based image retrieval is used. In the content based image retrieval, the images are described in feature format. Two types of features for images have been regarded. 1- Low level features 2- High level features The low level features include information of color, shape and texture. But another level of feature is semantic level.
چکیده
در این مقاله یک روش جدید برای بازیابی تصویر با استفاده از فازی سازی تصویر براساس بازخورد ارتباطات وزن بر روی بردارهای تصویر ارائه شده است. ویژگی های ذهنی کار حاضر تصویر بازیابی با استفاده از رویکرد فازی و بازخورد ارتباط با توجه به تصویر پرس و جو و تصاویر شبیه به تصاویر در پایگاه داده است. در ابتدا، ویژگی های رنگ (رنگ) و اشباع (S) برای هر تصویر با کمک الگوریتم Fuzzy C معنی (FCM) به 20 باینز تقسیم می شوند. سپس بردارهای ویژگی برای هر تصویر با استفاده از الگوریتم KNN فازی می شوند و برای تصویر مربوطه، توابع 20 گاوسی مورد توجه قرار گرفته اند. داده های پراکنده در اطراف هر تصویر از دیدگاه ویژگی ها با کمک ماتریس کوواریانس هر تصویر باعث می شود بازیابی نمونه های مشابه بسیار عالی انجام شود. نقطه قوت این مقاله یک رویکرد جدید برای بازخورد ارتباط است. در بازخورد ارتباط با توجه به وزن بندی گروه های معنایی تصویر توسط کاربر، وزن تصویر که متعلق به هر گروه معنایی است تغییر می کند. نتایج به دست آمده در یک پایگاه داده تصویری نشان می دهد که دقت رویکرد ما نسبت به تکرار تعداد با توجه به بهتر است. تصاویر استفاده شده در این مقاله از پایگاه داده Corel و Simplicity انتخاب شده است.
مقدمه
در سال های اخیر، با توجه به رشد سریع داده ها در فرمت چند رسانه ای، بازپخش تصویر بر اساس محتوا، CBIR یکی از فعال ترین زمینه های تحقیقاتی بوده است. بازیابی تصویر با دو روش انجام می شود: 1- بازیابی تصویر مبتنی بر متن 2- بازیابی تصویر مبتنی بر محتوا. در بازیابی تصویر مبتنی بر متن، برای هر تصویر یک کلمه کلیدی در نظر گرفته شده و تصاویر بر اساس کلمات کلیدی بازیابی می شوند. با حجم زیاد تصاویر، این روش بازیابی برای مرد خسته کننده است. از آنجا که برای هر تصویر باید یک کلمه کلیدی در نظر گرفته شود و همچنین درک مرد از یک تصویر متمایز، ممکن است متفاوت باشد. برای حل این مشکل، بازیابی تصویر مبتنی بر محتوا مورد استفاده قرار می گیرد. در بازیابی تصویر مبتنی بر محتوا، تصاویر در قالب مشخصات توصیف می شوند. دو نوع ویژگی برای تصاویر در نظر گرفته شده است. 1- ویژگی های سطح پایین 2- ویژگی های سطح بالا ویژگی های سطح پایین شامل اطلاعات رنگ، شکل و بافت است. اما سطح دیگری از ویژگی سطح معنایی است.
Year: 2010
Publisher : Eighteenth International Energy Conference of Iran
By : Mohammad Kazem Anvarifard, Sajjad Imandoost, Hadi Sadoghi Yazdi Javad Haddadnia
File Information: English Language/ 7 Page / size: 1.15 MB
سال :1389
ناشر : هجدهمین کنفرانس بین المللی برق ایران
کاری از : محمد کاظم انوریفارد، سجاد امندووست، هادی صدیقی یزدی جواد حدادانیه
اطلاعات فایل : زبان انگلیسی / 7صفحه / حجم : MB 1.15
نقد و بررسیها
هنوز بررسیای ثبت نشده است.