سیستم هوشمند بازیابی تصویر مبتنی بر محتوا بر اساس خصیصه رنگ و بافت

A smart content-based image retrieval system based on color and texture feature

مجله الزویر – Elsevier

سال ۲۰۰۹

چکیده

در این مقاله، سه خصیصه تصویر برای بازیابی تصاویر پیشنهاد شد. به علاوه، یک تکنیک انتخاب خصیصه نه تنها برای انتخاب خصیصه های بهینه بلکه برای ماکزیمم کردن نرخ تشخیص و ساده سازی محاسبۀ بازیابی تصویر بکار گرفته شده است. خصیصه‌های اول و دوم تصویر بر اساس خصیصه رنگ و بافت هستند که به ترتیب ماتریس هم رخداد رنگ (CCM) و تفاوت بین پیکسل‌های الگوی اسکن (DBPSP) در این مقاله نامیده می-شوند. خصیصه سوم تصویر بر اساس توزیع رنگ است که هیستوگرام رنگ برای K-میانگین (CHKM) نامیده می شود.

CCM ماتریس الگوی هم رخداد سنتی است که احتمال وقوع یک رنگ پیکسل بین هر پیکسل و همسایۀ آن را در تصویر محاسبه می کند و این احتمال به عنوان خصوصیت تصویر در نظر گرفته می شود. بر اساس دنبالۀ موتیف‌ها از الگوهای اسکن، DBPSP اختلاف بین پیکسل‌ها را محاسبه و آن را به احتمال وقوع روی تمام تصویر تبدیل می کند. هر رنگ پیکسل در یک تصویر سپس با یک رنگ در سبد رنگ معمول که شبیه به رنگ آن است جایگزین می شود تا بتوان کل پیکسل‌های تصویر را در k-خوشه دسته بندی کرد که خصیصه CHKM نامیده می شود.

تفاوت بین محتویات و خصوصیات تصویر نشان می دهد که خصیصه های متفاوتی در آن وجود دارد. بعضی از تصاویر خصیصه رنگ و بافتی قویتری دارند؛ درحالیکه دیگر تصاویر بیشتر به خصیصه های فاصله ای و رنگ حساس هستند. بنابراین این پژوهش CCM، DBPSP و CHKM را برای تسهیل بازیابی تصویر جمع می کند. برای افزایش نرخ تشخیص تصویر و ساده کردن محاسبۀ بازیابی تصویر، انتخاب پی در پی رو به جلو برای انتخاب خصیصه به کار رفت. علاوه بر آن بر اساس سیستم بازیابی تصویر، مجموعه ای از تحلیل ها و مقایسات در آزمایش ما انجام شد. سه پایگاه دادۀ تصویر با خصوصیات متفاوت برای انجام انتخاب خصیصه استفاده شد. خصیصه های بهینه از خصیصه های اولیه برای افزایش نرخ تشخیص استفاده شدند.

Abstract

In this paper, three image features are proposed for image retrieval. In addition, a feature selection technique is also brought forward to select optimal features to not only maximize the detection rate but also simplify the computation of image retrieval. The first and second image features are based on color and texture features, respectively called color co-occurrence matrix (CCM) and difference between pixels of scan pattern (DBPSP) in this paper. The third image feature is based on color distribution, called color histogram for K-mean (CHKM). CCM is the conventional pattern co-occurrence matrix that calculates the probability of the occurrence of same pixel color between each pixel and its adjacent ones in each image, and this probability is considered as the attribute of the image. According to the sequence of motifs of scan patterns, DBPSP calculates the difference between pixels and converts it into the probability of occurrence on the entire image. Each pixel color in an image is then replaced by one color in the common color palette that is most similar to color so as to classify all pixels in image into k-cluster, called the CHKM feature. Difference in image properties and contents indicates that different features are contained. Some images have stronger color and texture features, while others are more sensitive to color and spatial features. Thus, this study integrates CCM, DBPSP, and CHKM to facilitate image retrieval. To enhance image detection rate and simplify computation of image retrieval, sequential forward selection is adopted for feature selection. Besides, based on the image retrieval system (CTCHIRS), a series of analyses and comparisons are performed in our experiment. Three image databases with different properties are used to carry out feature selection. Optimal features are selected from original features to enhance the detection rate.

دانلود رایگان مقاله انگلیسی

خرید ترجمه آماده ورد