مقاله

سیستم بازیابی محتوا محور تصویر با استفاده از شبکه عصبی

هدف از بازیابی تصاویر محتوا محور ،بازیابی تصاویری است که شباهت زیادی به تصویر مورد نطر دارد.در یک سیستم بازیابی تصویر سه وظیفه در نظر کرفته شده است:

1-       فرایند استخراج داده

2-       پردازش تصویر مورد پرس وجو

3-       بازخورد ارتباط

پردازش استخراج داده اولین قدم میباشد.در این قدم ویژگیها وخصوصیات سطح پایین یک تصویرj=1,2,3,...,m  به مانند رنگ ،بافت ، شکل وغیره استخراج میشود وبه بهترین شکل ممکن محتویات هر تصویر به مانند i را توصیف میکند.

خصوصیات وسیله مقادیر عددی مرتبط بیان میشود وبه صورت دسته هایی با بردارهای ویژگی مناسب به مانند [F_i=F_i1,F_i2,F_i3,....F_im] بطوریکه F_ij مقادیر موقعیت j از بردار ویژگی مرتبط با پرس و جوی q_i میباشد.این مراحل معمولا بصورت آفلاین انجام میگیرد.

پردازش پرس وجودر مرحله ی بعد با استفاده از بردار ویژگی و فاصله ی اقلیدسی شباهت بین تصویر مورد پرس وجو را با شباهت تصویر موجوددرپایگاه داده موردبررسی قرار میدهد.براساس نتیجه شباهت یک بردار امتیاز ایجاد میشود. یک بردار امتیاز s_i از یک تصویر i به صورت یک مجموعه از امتیازها به صورت [ُS_i=S_i1,S_i2,...,S_in] بطوریکه n ابعاد پایگاه داده تصویر می باشد. 

مقاله

 "سیستم بازیابی تصاویر محتوا محور با استفاده از شبکه عصبی "

هدف از بازیابی تصاویر محتوا محور ،بازیابی تصاویری است که شباهت زیادی به تصویر مورد نطر دارد.در یک سیستم بازیابی تصویر سه وظیفه در نظر کرفته شده است:

1-      1-فرایند استخراج داده

2-      2-پردازش تصویر مورد پرس وجو

3-      3-بازخورد ارتباط

پردازش استخراج داده اولین قدم میباشد.در این قدم ویژگیها وخصوصیات سطح پایین یک تصویرj=1,2,3,...,m  به مانند رنگ ،بافت ، شکل وغیره استخراج میشود وبه بهترین شکل ممکن محتویات هر تصویر به مانند i را توصیف میکند.

خصوصیات وسیله مقادیر عددی مرتبط بیان میشود وبه صورت دسته هایی با بردارهای ویژگی مناسب به مانند [F_i=F_i1,F_i2,F_i3,....F_im] بطوریکه F_ij مقادیر موقعیت j از بردار ویژگی مرتبط با پرس و جوی q_i میباشد.این مراحل معمولا بصورت آفلاین انجام میگیرد.

پردازش پرس وجودر مرحله ی بعد با استفاده از بردار ویژگی و فاصله ی اقلیدسی شباهت بین تصویر مورد پرس وجو را با شباهت تصویر موجوددرپایگاه داده موردبررسی قرار میدهد.براساس نتیجه شباهت یک بردار امتیاز ایجاد میشود. یک بردار امتیاز s_i از یک تصویر i به صورت یک مجموعه از امتیازها به صورت [ُS_i=S_i1,S_i2,...,S_in] بطوریکه n ابعاد پایگاه داده تصویر می باشد.

در این مقاله تمرکز برروی چگونگی نمایش تصویر مورد پرس وجو با استفاده از ویژگیها وبردارامتیازها میباشد.

بازیابی تصویربراساس شبکه عصبی

برای ساخت شبکه عصبی ،نیاز به مجموعه ای از پرس وجوها q₁,q_2,...q_n داریم.هر پرس وجوی q_i روی بردار ویژگی بوسیله ی F_qi=[F_qi1,F_qi2,...F_qim] بیان میشود بطوریکه F_qij مقادیر ویژگی در پرس وجوی q_i می باشد.فرایند بازیابی تصویر یک بردار امتیاز به صورت S_q=[S_qi1,S_qi2,...S_qin] ایجاد میکند.بطوریکه S_qij مقدار امتیاز شباهت بین تصویر موردپرس وجو q_i و تصویرj بطوریکه jϵ{i,j} می باشد.ما فرض می کنیم هر الگوریتم بازیابی تصویر با یک مدل فضای بردار نمایش داده میشود که همان رتبه بندی تصویر است.

این مدل فضای برداری بوسیله یک ماتریس m*n با نام w مشخص میشود،بطوریکه برای هر q_i که بوسیله بردارویژگی F_qi توصیف شده ،به یک بردار امتیاز S_qi مرتبط میشود .بنابراین:

F_qi*w=S_qi                 (1)

در این مقاله کوشش میکنیم که ماتریس w را با استفاده از یک مجموعه پرس وجوها (یک مجموعه از پرس وجوها برای فاز اموزش ویک مجموعه از پرس وجوها برای فاز اعتبارسنجی )وبردارهای امتیاز S_qi مرتبط با آن پیشگویی کنیم.برای حل معادله (1) یک شبکه عصبی شامل 2 لایه می سازیم . 

با

زیابی تصویربراساس شبکه عصبی

بازیابی تصاویر بر اساس متن

روش معمول و سنتی بازیابی تصاویر، بازیابی مبتنی بر متن است. در این روش کلمات کلیدی برای توصیف محتوای تصویر استفاده میشوند. تصاویر توسط اطلاعات متنی همراه خود، مانند نام تصویر، نوع تصویر، کلمات کلیدی ، متنی که تصویر به آن مربوط است و غیره در مجموعه داده شاخص گذار ی میشوند وبازیابی از طریق جستجو در این مجموعه داده و بر اساس این اطلاعات متنی صورت می گیرد. بنابراین تکنیکهای معمول برای بازیابی مبتنی بر متن ، همان تکنینهای ارائه شده در زمینه ی بازیابی اطلاعات می باشند.چالشهای پیش رو در این زمینه شامل موارد زیر است :

-         ارائه ی مناسبی به منظور سازمان دهی و دسته بندی داده ها در مجموعه داده ،به نحوی که زمان جستجو وبار محاسباتی مناسبی داشته باشد.

-          ارائه روشهای چستجوی مناسب ، به نحویکه مرتبط ترین تصاویر با توجه به پرس وجوی کاربر بازیابی شود.

-          ارائه ی روشهایی برای در نظرگرفتن بازخورد کاربر به منظور بهبود نتایج

-          ارائه ی روشهایی برای فشرده سازی تصاویر در مجموعه داده

-         پردازش پرس وجوی کاربر

-          تطابق معنایی  

مقایسه بین الگوریتمهای LBP و SIFT و SURF

همانطور که در مطالب قبلی گفته شد عملیات پردازش تصویر به طور کلی به دو دسته پیش پردازش و تحلیل دسته بندی میشود.از طرفی استخراج ویژگیهای تصویر یکی از مراحل اساسی در زمینه های مختلف بهبود پیش پردازش میباشدو ویژگیهای قابل استخراج از تصاویر به دو دسته سراسری و محلی تقسیم بندی میشوند. ویژگیهای سراسری، یک تصویر را به صورت کلی توصیف میکنند؛ در مقابل ویژگیهای محلی بخشهایی از تصویر را مورد بررسی قرار میدهند. از مهمترین نمونه های ویژگیهای محلی میتوان به SIFT ،SURF وLBP را برشمرد.ویژگیها میتوانند ناحیه ای از تصویر ،نقاط کلیدی و برخی از خصوصیات مشابه باشند.نقاط کلیدی ویژگیهای مهمی از یک تصویر هستند که در برابر اعوعاج های هندسی پایدار میباشند .به عنوان نمونه گوشه ها،لبه ها وحبابها به عنوان نقاط کلیدی در نظر گرفته میشوند. 

الگوریتم ویژگی مقاوم سرعت یافته SURF(Speed - up Robust Feature)

الگوریتم ویژگی مقاوم سرعت یافته(SURF) یک آشکارسازویژگی محلی مقاوم است که اولین بار توسط بای و همکارانش درسال ۲۰۰۸ ارائه شده است. الگوریتمSURF از اندازه گیری  سریع ماتریس هسیان برای آشکارساز و توصیفگر مبتنی بر توزیع استفاده میکند. اگرچه SURF عملکردی مشابه SIFTدارد، امّا در یک زمان ثابت میتواند سریعتر عمل کند. در ادامه الگوریتم SURF ، به طور مختصر توضیح داده شده است.  

الگوریتم تبدیل ویژگی مقیاس ثابت SIFT(Sift Scale Invariant Feature Transform)

                                      

الگوریتم تبدیل ویژگی مقیاس ثابت (SIFT) ، یک الگوریتم تشخیص ویژگی در بینایی رایانه برای شناسایی و توصیف ویژگی های محلی در تصاویر است و مورد توجه و مطالعه پژوهشگران قرار گرفته و بهبود داده شده است ،توسط دیوید لو در سال 1999 منتشر شد. وی این الگوریتم را به عنوان یک شناساگر مقاوم نسبت به تغییرات مقیاس وچرخش و همچنین نسبت به نویز وشدت روشنایی پیشنهاد کرد.الگوریتم SIFT نه نتها یک شناساگر قوی ،بلکه یک توصیف گر وتطبیق گر قوی هم می باشد. این الگوریتم ونسخه های بهبود یافته آن در انطباق تصویر،موزاییک تصویر،جعل کپی – جابجایی وردیابی تصویر کاربرد دارد.کاربردهای فراوان این الگوریتم هرروز توجه دانشمندان را به خود جلب می کند.