چکیده فارسی:

دستهبندی مناظر و تصاویر یکی از مسائل مهم و چالش برانگیز در حوزه بینایی ماشین است که در مواردی چون سیستم های هدایت روبات، بازیابی تصاویر مبتنی بر محتوا، سازماندهی معنایی پایگاه داده – های تصاویر دیجیتال، تخمین عمق مناظر و سرویسهای تجاری چندرسانهای کاربرد دارد. در این مسئله وجود منابع تغییر پذیر در مناظر متعلق به یک دسته یکی از چالشهای اساسی است. در این پایان نامه ما بر روی استخراج کارآمد ویژگیها تمرکز می کنیم. البته به دلیل آن که سیستمهای مبتنی بر مدل بسته ویژگیها و هرم مکانی در سال های اخیر کارایی بالایی از خود نشان داده اند، ما هم پایه الگوریتمهای پیشنهادی خود را بر این پایه ها استوار ساخته ایم. بر این اساس سه نوع ویژگی را در این پایان نامه ارائه دادهایم. دو ویژگی الگوی باینری محلی چند بلاکی و الگوی مشتق محلی چند بلاکی از جنسی بافت هستند. در حالی که ویژگی سوم که بسته ویژگیهای رنگی است از جنسی رنگ است. آزمایشات بیانگر آن است که استفاده ترکیبی از این ویژگیها مبتنی بر مدل بسته ویژگی ها کارایی بسیار خوبی از خود نشان میدهد. استخراج ویژگی به صورت متراکم و همچنین استفاده از دسته بند SVM تک کلاسه با کرنل غیرخطی از دیگر دلایل موفقیت الگوریتم های پیشنهادی است. نتایج بدست آمده از الگوریتم های پیشنهادی با بهترین الگوریتمهای موجود در حوزه دستهبندی مناظر قابل رقابت هستند.

کلمات کلیدی: دسته بندی مناظر، الگوی باینری محلی چند بلاکی، الگوی مشتق محلی چند بلاکی، بسته ویژگی رنگی، هرم مکانی، بسته ویژگیها

فهرست مطالب

فصل اول:مقدمه

1-1-مقدمه ای بر دسته بندی مناظر 1

1-2-ساختار پایان نامه 7

تصاویر نمونه از دسته های مختلف

تصاویر نمونه از دسته های مختلف

فصل دوم:کارهای مرتبط

۲-۱- ساختار پایان نامه

در فصل ۲، روش های دسته بندی مناظر از جنبههای مختلفی بررسی شده و در هر بخشی الگوریتمهای ارائه شده برری خواهند شد. در فصل ۳ کارهای مرتبط با چارچوبی که بر پا به آن الگوریتمهای ارائه شده پیشنهاد شدهاند، معرفی شده و به تفصیل شرح داده خواهند شد. در فصل ۴ ویژگیهای مورد استفاده در الگوریتمهای پیشنهادی با ذکر جزییات توضیح داده می شوند. در فصل ۵ مراحل الگوریتم پیشنهادی به سبب آن که عمده توضیحات در فصول قبل آمدهاند، به اختصار ذکر می شوند و نتایج آن آورده می شود. نتایج آزمایشها در این فصل نشان دهنده کارایی بسیار خوب الگوریتمهای جدید ارائه شده است. در فصل ۶ نیز به نتیجه گیری خواهیم پرداخت و پیشنهادهایی برای ادامه کار ارائه خواهیم کرد.

۳-۲- نتیجه گیری

در این فصل روش های دسته بندی مناظر را به دو دسته عمده تقسیم کردیم که راهکار ان ها تفاوت ماهیتی با یکدیگر دارد. این دو دسته عبارت بودند از: روشهای مبتنی بر استخراج ویژگی و روشیهای مبتنی بر تشخیص اشیا. در روشهای مبتنی بر استخراج ویژگی هر تصویر می بایست با استفاده از استخراج ویژگیها از جنبههای مختلف اعم از محلی بودن یا عمومی بودن، سطح پایین بودن ویژگی استخراج شده یا سطح بالا بودن و غیره توصیف شود. اما در روش های مبتنی بر تشخیص اشیا در صدد آن هستند که به یک تصویر با نگرش سطح بالاتری از نظر معنایی نگاه شود. در این حالت تصویر می بایست با اجزای معنادارش از جمله اشیای موجود در ان توصیف شود.

2-1-رویکردهای مبتنی بر استخراج ویژگی 8

2-2-رویکردهای مبتنی بر تشخیص اشیا 14

2-3-نتیجه گیری 17

تصاویر نمونه ای که با عبارت باز وبسته توصیف میشوند

تصاویر نمونه ای که با عبارت باز وبسته توصیف میشوند

فصل سوم:ادبیات موضوع

۱-۱-۳- مقدمه

در بعضی از متون به جای عبارت مدل بسته ویژگی ها از عبارت مدل بسته کلمات استفاده میشود. دلیل آن نیز منشا پیدایش این مدل است که اولین بار در کاربرد دسته بندی متون و اسناد مطرح گردید. در آن کاربرد هر سند با تمامی کلمات آن نمایش داده نمی شود بلکه با مهم ترین آنها نمایش داده میشود. این مفهوم از آنجا استنباط شده است که برچسب هر سند ارتباط زیادی با مهمترین کلمات آن سند دارد. به عنوان مثال اگر ایمیلی شامل تعداد زیادی کلمات چون بردن ، ثروت ، پول، قرعهکشی و غیره باشد با احتمال زیادی این ایمیل، یک اسپم است و میبایست در پوشه ایمیلهای کم ارزش ” قرار داده شود.

در کاربرد بینایی ماشین عبارت بسته ویژگی ها این مفهوم را مشخص می کند که هر تصویر به صورت بسته ای از کلمات دیداری مدل می شود. هر کلمه دیداری نیز به توصیفی محلی از یک قطعه تصویر اشاره دارد. همانطور که در شکل ۳-۱ نشان داده شد، رابطه مستقیم بین تصویر سمت چپ و بسته کلمات در سمت راست یک نمایش یکتا است که قدرت جداسازی در دستهبندی تصاویر را به این راهکار ارزانی می دارد. مشابه مدل بسته کلمات در دسته بندی اسناد، نمایش بسته ویژگی ها برای یک تصویر نیز بر حسب هیستوگرام بیان می شود. هیستوگرام تعداد دفعات تکرار شمار محدودی از کلمات دیداری را منعکس می کند و تفسیر این هیستوگرام منجر به دستهبندی تصویر می شود.

3-4-2-مجموعه داده Corel 5k

مجموعه داده COREL مجموعه داده مشهوری است که سالهاست در کاربردهایی چون دسته بندی تصاویر و مناظر، بازیابی محتوا محور تصاویر و غیره مورد استفاده قرار میگیرد. در این پایان نامه ما از نسخه 5Kآن استفاده کردهایم. در این مجموعه داده به طور کلی ۵۰۰۰ تصویر وجود دارد که در ۵۰ دسته به طور یکنواخت تقسیم شدهاند. بنابراین هر دسته شامل ۱۰۰ تصویر میباشد. در این پایان نامه در هر آزمایشی که روی این مجموعه داده انجام می شود، برای تشکیل مجموعه داده آموزشی از هر دسته ۰/۷ تعداد کلی تصاویر را مورد استفاده قرار می دهیم و از بقیه تصاویر هر دسته در مجموعه دادههای تست استفاده می کنیم.

۳- ۵- نتیجه گیری

در این فصل در مورد مفاهیم مقدماتی دسته بندی مناظر با استفاده از راهکار هرم مکانی مبتنی بر مدل بسته ویژگیها صحبت کردیم. از آنجا که الگوریتمهای پیشنهادی ما در این پایان نامه بر این مفهوم استوار هستند، در این فصل به تفصیل در مورد بخش های یک سیستم دسته بند مناظر صحیت کردیم ابتدا مدل هرم مکانی میننی بر مدل بسته ویژگی ها معرفی شد سپس انواع روشهای یادگیری فرهتگ لغت مورد بررسی قرار گرفتند و پس از آن از انواع روشهای کوانتیزاسیون برداری سخن به میان آوردیم.در انتها نیز اشارهای داشتیم به مجموعه دادههایی که قصد داریم آزمایشات را بر روی آنها انجام دهیم.

3-1-نمایش بسته ویژگی ها 18

3-1-1-مقدمه   19

3-1-2-طریقه پیاده سازی 20

3-1-3-هرم مکانی مبتنی بر مدل بسته ویژگی ها 24

3-2-کوانتیزاسیون برداری   28

3-2-1-مقدمه    28

3-2-2-کوانتیزاسیون برداری سخت  29

3-2-3-کوانتیزاسیون برداری نرم 30

3-3-یادگیری فرهنگ لغت 33

3-3-1-روش K میانگین 33

3-3-2-روش یادگیری تنک 34

3-4-مجموعه داده ها 36

3-4-1-مجموع داده 15 دسته منظره 36

3-4-2-مجموعه داده corel 5Kا  27

3-5-نتیجه گیری 37

تغییر پذیری درون دسته ای وبین دسته ای

تغییر پذیری درون دسته ای وبین دسته ای

فصل چهارم:ویژگی های مورد استفاده

در این قسمت قصد داریم ویژگی هایی را که در الگوریتم پیشنهادی از آنها استفاده شده است، معرفی کنیم. در بخشی ۴-۱-۱- الگوی باینری محلی چند بلاکی معرفی می شود که ابتدا در  برای کاربرد تشخیص چهره مورد استفاده قرار گرفت. سپس در بخشی ۴-۱-۲- نیز ویژگی الگوی مشتق محلی چند بلاکی مورد بررسی قرار میگیرد. در ویژگی الگوی مشتق محلی برای بازشناسی چهره معرفی شد اماما در اینجا از این دو ویژگی در چارچوب هرم مکانی مبتنی بر مدل بسته ویژگیها (بخشی ۱۳- ۳ ) استفاده می کنیم. جزییات این کار در بخش ۴-۱-۲- آمده است. در بخش ۴-۱-۳- نیز یک ویژگی رنگ مبتنی بر بسته ویژگی ها ارائه میدهیم.

۱-۱-۱-۴- الگوی باینری محلی

الگوریتم الگوی باینری محلی اولین بار در آرایه شد. این الگوریتم می تواند برای توصیف بافت یا شکل تصاویر دیجیتالی استفاده شود. به وسیله ی الگوی باینری محلی می توان اطلاعاتی را درباره همسایگی یک نقطه ی مشخص به دست آورد. یک کد الگوی باینری محلی با مقایسه مقدار شدت یک نقطه با نقاط همسایهای آن به دست می آید. در این قسمت الگوی باینری محلی را با جزئیات شرح داده و قابلیتهای این روش در توصیف بافت و شکل یک تصویر بیان می شود.

۱-۳-۱-۴ – قضاهای رنگی

هدف ایجاد فضای رنگ، ساده نمودن استاندارد سازی نمایش و بیان خصوصیات رنگ به روشی متعارف میباشد. در اصل فضای رنگ دستگاه مختصاتی است که هر رنگ در آن با یک نقطه نمایش داده میشود. رنگ با استقاده از مولفههای ان شتاسایی میگردد. رنگ را به طرق مختلقی می توان به مولقه های گوناگون تجزیه نمود. هر فضای رنگ دارای خصوصیات خاصی میباشد. بعضی از ویژگیهای فضای رنگ برای سهولت و اقزایش کارایی مطلوب میباشد. بعضی از این خصوصیات عبارتند از: ۱. داری یکنواختی ادراکی باشد، یعنی در صورتی که در قضایی رنگ دو رنگ از یکدیگر فاصله داشته باشند، تفاوتی که ناظر انسانی از این دو رنگ احساسی میکند متناسب با این فاصله باشد، یعنی هر چه فاصله دو رنگ در فضای رنگی از یکدیگر بیشتر باشد، انسان نیز این دو رنگ را متفاوت تر تشخیص دهد. ۲. مستقل از سخت افزار باشد. ۳. هر یک از مولفه های رنگ در فضای رنگی برای انسان داری معنا و مقهوم باشند. RCiB و SV با دو فضای رنگ معروف و پرکاربرد می باشند. فضای رنگ R(i B با الهام از چشم انسان فضایی رنگ را یا سه مولفه قرمز، سبز و آبی نشان میدهد. فضای رنگ HSV، رنگ را از روشنایی جدا کرده است و به همین دلیل به درک انسان از رنگ نزدیک است. این دو فضای رنگ دارای مشکلاتی نظیر وابستگی مولقه های رنگ در RGB و عدم نمایش صحیح رنگ در صورت کم بودن اشباع در VSباشند. کاستیهای این دو فضای رنگ، باعث می شود ما به سراغ فضاهای رنگ دیگری برویم.

۴- ۲- نتیجه گیری

در این فصل دو ویزگی جدید برای کاربرد دستهبندی مناظر پیشنهاد شده است. دو ویژگی پیشنهاد شده عبارتند از: الگوی باینری محلی چند بالاکی و الگوی مشتق محلی چند بالاکی. لازم به ذکر است که ایده اولیه این دو ویژگی در کاربردهای تشخیص چهره و بازشناسی چهره مطرح شده بود ولی این ویژگی ها به همان صورت در کاربرد دستهبندی مناظر کارای قابل قبولی نداشتند. به همین دلیل با ترکیبی کردن ایده چند بالاکی بودن ویزگی با روش استخراج این ویزگیها کیفیت این دو ویژگی ارتقا یافت. لازم به ذکر است که به کار بستن ویژگیهای مذکور در چارچوب هرم مکانی مبتنی بر مدل بسته ویژگی ها نیز تاثیر بسزایی در بهبود نتایج حاصل از به کار بستن این ویژگی ها دارد. روش جدیدی نیز برای استخراج ویژگی رنگ بر اساسی مدل بسته ویژگیها نیز ارائه شد. ویژگی CEDD نیز که در پیشنهاد شده است، به سبب آنکه از ویژگیهای مورد استفاده ما در الگوریتمهای پیشنهادی میباشد، در این فصل به تقصیل مورد بحث قرار گرفت،

4-1-1-الگوی باینری محلی چند بلاکی 38

4-1-1-1-الگوی باینری محلی 38

4-1-1-2-عملگر الگوی باینری محلی چند بلاکی 39

4-1-2-الگوی مشتق محلی چند بلاکی 42

4-1-2-1-الگوی باینری محلی 42

4-1-2-2-ویژگی الگوی مشتق محلی         43

4-1-3-بسته ویژگی رنگی 50

4-1-3-1-فضاهای رنگی 50

4-1-3-2-فضای رنگ  51

4-1-3-3-ممان رنگ 51

4-1-3-4-استخراج ویژگی های رنگ 52

4-1-4-ویژگی CEDDا 52

4-1-4-1-استخراج اطلاعات رنگ 53

4-1-4-2-استخراج اطلاعات بافت 55

4-1-4-3-مراحل بدست آوردن بردار ویژگی CEDDا 58

4-2-نتیجه گیری 59

دسته بندی مناظرپیچیده وقایعی چون قایق رانی با قایق بادی و وزش قایق رانی مستلزم فهم سطح بالای تصاویر است

دسته بندی مناظرپیچیده وقایعی چون قایق رانی با قایق بادی و وزش قایق رانی مستلزم فهم سطح بالای تصاویر است

فصل پنجم:الگوریتم پیشنهادی

در این فصل روشی را برای دستهبندی مناظر معرفی می کنیم که در آن روش جدیدی برای استخراج ویژگی از تصاویر پیشنهاد می شود. مدلی که از آن برای تمایش تصاویر استفاده می کنیم، تطابق هرم مکانی مبتنی بر مدل بسته ویژگیها (بخشی ۳-۱ – ۳-) است. مراحل الگوریتم پیشنهادی در ادامه آمده است

۵- ۱- استخراج ویژگی

در این پایان نامه برای استخراج ویژگیهای الگوی باینری محلی و الگوی مشتق محلی از تکنیک استخراج ویژگی متراکم استفاده می کنیم. بدین صورت که این ویژگیها از تکه تصویرهایی استخراج شوند که به صورت مشخص روی تصویر چیده میشوند، به عتوان متال اگر بخواهیم این ویژگیها را از تکههایی با سایز ۱۶*۱۶ استخراج کنیم که در جهت افقی در ۱۰ مقطع و در جهت عمودی در ۸ مقطع جاسازی شدهاند، محلی این تکهها در تصویر مانند شکل ۵-۱ خواهد بود.

۱-۱-۵- روش استخراج ویژگی متراکم

برای استخراج ویژگی MBLBP و MBLDP به روش متراکم، تصویر به تکههایی در جهت افقی و عمودی تقسیم میشود و عملیات استخراج ویژگی BP اMH برای هر یک از بلاک های مجاور مسکن در این تکهها انجام میشود. در این صورت درون هر یکی از این تکهها به ازای هر ۹ بالاک، مجاور (شکل ۴-۲) یک توصیفگر در بازه آ۲۵۵و۰ | بدست میآید. بنابراین اگر به ازای هریک از تکهها یک هیستوگرام دارای ۳۵۶ خانه تشکیل دهیم، با اختصاص دادن هر یک از توصیف گرهای متناظر با مجموعه بلاک های مجاور، هیستوگرام تکمیل می شود. مقادیر هیستوگرام تشکیل شده همان توصیفگر آن تکه خواهد بود.بنابراین طول بردار توصیفگر هر تکه ۲۵۶ میباشد که معادل و منتاظر است با تعداد خانه های هیستوگرام. در این پایان نامه عملیات استخراج ویزگی تا سطح ۲ از هرم مکانی انجام میگیرد

۵- ۲- یادگیری فرهنگ لغت

در این قسمت از بین تمام توصیف گرهای دیداری بدست آمده از تکهها در تصاویر مجموعه داده باید به تعداد کافی کلمه دیداری یاد گرفته شوند تا بتوان فرهنگ لغت را تشکیل داد. در این مرحله میتوان از هر یک از روش های k- میانگین و یا یادگیری قرهنگ لغت به روش تنکا بهره جست. فرضی میکنیم تعداد کلمات دیداری فرهنگ لغت که حاصل عملیات یادگیری هستند، k تا باشند. در این صورت هریک از توصیف گرهای استخراج شده باید با استفاده از این k کلمه دیداری کوانتیزه شوند.طول کلمات دیداری یاد گرفته شده برابر با طول بردارهای توصیفگر یعنی ۲۵۶ است.

۵- ۳- اجرای کوانتیزاسیون

در این مرحله باید هریک از توصیف گرهای استخراج شده از تکهها در تصاویر را کوانتیزه کنیم. بدین معنا که می بایست هر توصیفگر اصطلاحا کد شود. در صورتی که از روش کوانتیزاسیون برداری سخت (بخشی ۳-۲-۲-) استقاده شود، توصیفگر به نزدیک – ترین کلمه دیداری در فرهنگ لغت اختصاص داده می شود و با استقاده از آن کد می شود. در این روش بردار توصیفگر با یک بردار کد بیتی به طول k کد میشود که همه عناصر آن صفر هستند به جز عنصر متناظر با همان کلمه دیداری که توصیف گریدان نزدیک تر است. در مقابلی اگر از روش کوانتیزاسیون برداری نرم (بخشی ۳-۲-۳-) استفاده شود، توصیفگر با یک بردار کند به طول k کد می شود که ممکن است چندین عنصر آن غیر صفر باشند. در این روش عناصر غیر صفر متناظر با کلمات دیداری در فرهنگ لغت هستند که بردار توصیفگر با استفاده از ترکیب آنها کد شده است. برای اجرای این روش می توان از هر یک از تکنیکهای کدینگ تنکا و یا کدینگ خطی با محدودیت محلی استفاده کرد

5-1-استخراج ویژگی 60

5-1-1-روش استخراج ویژگی متراکم 62

5-2-یادگیری فرهنگ لغت 63

5-3-اجرای کوانتیزاسیون 63

5-4-دسته بندی 64

5-5-نتایج وتحلیل آنها 65

5-5-1-مجموعه داده 15 دسته منظره 65

5-5-1-1-آنالیز حساسیت تعداد تکه تصویرها در ویژگی متراکم 66

5-5-1-2-آنالیز حساسیت اندازه  تکه تصویرها در ویژگی متراکم 66

5-5-1-3-آنالیز حساسیت پارامتر C دردسته بندی با استفاده از ویژگی متراکم 67

5-5-1-4-آنالیز حساسیت پارامتر V دردسته بندی با استفاده از ویژگی متراکم 68

5-5-1-5-آنالیز حساسیت پارامتر C در دسته بندی با استفاده از ویژگی متراکم 69

5-5-1-6-آنالیز حساسیت روش کدگذاری برای ویژگی متراکم 70

5-5-1-7-آنلایز حساسیت روش یادگیری فرهنگ لغت برای ویژگی متراکم 72

5-5-1-8-آنالیز حساسیت اندازه فرهنگ لغت برای ویژگی متراکم 72

5-5-1-9-آنالیز حساسیت اندازه فرهنگ لغت برای ویژگی متراکم 73

5-5-1-10-مقایسه الگوریتم پیشنهادی با روشهای دیگر 74

5-5-2-مجموعه داده COREL 1Kا     76

5-5-2-1-ارزیابی الگوریتم های پیشنهادی روی مجموعه داده COREL 1Kا     77

5-5-3-مجموعه COREL 5Kا     78

5-5-3-1-آنالیز حساسیت از پارامتر C دردسته بندی با استفاده از ویژگی متراکم  78

5-5-3-2-مقایسه الگوریتم های پیشنهادی با روشهای دیگر 79

5-6-نتیجه گیری 80

سه سطح مختلف از توصیف منظره

سه سطح مختلف از توصیف منظره

فصل ششم:نتیجه گیری و کارهای آینده

مثالی که فرایند پیاده سازی نمایش بسته ویژگی ها را نشان میدهد

مثالی که فرایند پیاده سازی نمایش بسته ویژگی ها را نشان میدهد

فهرست شکلها

1-1-مثالهایی از تصاویری که میتوانند تحت عنوان منظره صنعتی دسته بندی شوند 3

1-2-تغییرپذیری درون دسته ای وبین دسته ای 3

1-3-تصاویر نمونه از دسته های مختلف 4

1-4-سه سطح مختلف از توصیف منظره 6

1-5-تصاویر نمونه ای که با عبارات باز و بسته توصیف میشوند 7

2-1-طریقه محاسبه مقدار تبدیل سنسس 10

2-2-مثالی از یک تصویر تبدیل سنس یافته 10

2-3-دسته بندی مناظر پیچیده وقایعی مستلزم فهم سطح بالای تصاویراست   15

2-4-نمایش بانک اشیا 17

3-1-نمایش بسته ویژگی ها 18

3-2-مثالی از به کارگیری شبکه ای از نواحی هم اندازه ومتراکم 21

3-3-مثالی که فرایند پیاده سازی نمایش بسته ویژگی ها را نشان میدهد 23

3-4-فلوچارت ساختار هرم مکانی برای جمع آوری اطلاعات بردارهای ویژگی ورسیدن به یک نمایش نهایی برای یک تصویر 26

3-5-هسته تطابق هرمی برای محاسبه فاصله بین دو مجموعه از بردارهای ویژگی درفضای ویژگی یک هرم تشکیل میدهد 27

3-6-نمایش یک بعدی مقایسه مجموعه های بردارهای ویژگی با استفاده از هسته تطابق هرمی 28

3-7-کوانتیزاسیون برداری سخت 30

3-8-کوانتیزاسیون برداری نرم با استفاده از تکنیک کدینگ تنک 31

3-9-کوانتیزاسیو برداری نرم با استفاده از تکنیک کدینگ خطی با محدودیت محلی 32

3-10-یافتن K نزدیک ترین همسایهxi درکدینگ خطی با محدودیت محلی 32

3-11-تصاویر نمونه از مجموعه داده15 دسته منظره 36

4-1-نحوه ی محاسبه کدگذاری باینری محلی 39

4-2-ویژگی الگوی باینری محلی چند بلاکی برای نمایش تصویر 41

4-3-مثالی از همسایگی 8 تایی حول Z0ا   42

4-4-نمیاش گرافیکی حالات مختلف الگوهای LDP برای چهار جهت 0،45،90 و 135 درجه 45

4-5-معنای 0و1 برای LDP مرتبه دوم  47

4-6-طریقه بدست آوردن LDP مرتبه دوم 49

4-7-استخراج لبه ها با استفاده از فیلتر CLF-ANDا 54

4-8-توابع عضویت برای گسترش به 24 بیت 55

4-9-ضرایب فیلترها برای تشخیص لبه 56

4-10-دیاگرام نوع لبه   58

5-1-حل تکه تصویرهایی که در فرایند استخراج ویژگی با راهکار متراکم مورد استفاده قرار میگیرند 61

5-2-تقسیم تصویربه تکه های مختلف برای استخراج متراکم ویژگی 62

5-3-دسته بندی SVM تک کلاسه 64

نمایش بسته ویژگی ها.یک تصویر به صورت بسته ای از ویژگی های محلی تعریف میشود

نمایش بسته ویژگی ها.یک تصویر به صورت بسته ای از ویژگی های محلی تعریف میشود

فهرست جداول

4-1-رنگ های تعیین شده برای ستون های هیستوگرام 53

نمایش بانک اشیا

نمایش بانک اشیا

فهرست نمودارها

5-1-آنالیز حساسیت تعداد تکه تصویرها دراستخراج ویژگی متراکم     66

5-2- آنالیز حساسیت تعداد تکه تصویرها دراستخراج ویژگی متراکم     67

5-3-آنالیز حساسیت پارامتر C در دسته بندی با استفاده از ویژگی متراکم 68

5-4- آنالیز حساسیت پارامترv در دسته بندی با استفاده از ویژگی متراکم 69

5-5- آنالیز حساسیت پارامترC در دسته بندی با استفاده از ویژگی متراکم 70

5-6-آنالیز حساسیت روش کدگذاری برای ویژگی MBLBP متراکم با فرهنگ لغت یادگرفته شده توسط kmeansا    71

5-7-انالیز حساسیت روش کدگذاری برای ویژگی MBLBP متراکم با فرهنگ لغت یادگرفته شده توسط روش تنک 71

5-8-آنالیز حساسیت روش یادگیری فرهنگ لغت برای ویژگی MBLBP متراکم 72

5-9-آنالی حساسیت اندازه فرهنگ لغت برای ویژگی MBLBP متراکم 73

5-10-آنالیز حساسیت اندازه فرهنگ لغت برای ویژگی MBLBP متراکم 73

5-11-مقایسه الگوریتم های پشنهادی با روش های دیگر روی مجموعه داده 15 دسته منظره 75

5-12-نمودار ROC مربوط به استفاده از ویژگی MBLBPا 76

5-13-نمودار ROC مربوط به استفاده از ویژگی MBLBPا 76

5-14-ارزیابی الگوریتم های پیشنهادی روی مجموعه داده COREL 1kا 78

5-15-آنالیز حساسیت پارامتر C در دسته بندی با استفاده از ویژگی MBLBP متراکم 79

5-16-مقایسه الگوریتم های پیشنهادی با روشهای دیگربرروی مجموعه داده Corel 5kا 80

5-17-نمودار ROC مربوط به استفاده از ویژگی MBLBPا   81


Abstract

Scene classification is one of the most controversial fields in computer vision. It has many applications such as robot navigation and control, content-based image retrieval (CBIR), semantic organization of image databases, depth estimation and multimedia services, in fact the outcome of any classification system depends on the ability of the feature vector defined for the problem, by means of its distinguishing strength. In this research we focus on efficient feature extraction methods. In recent years, methods based on bags of features and special pyramid approach, have shown good performance in scene classification comparison to the others. So we based our proposed method on these ideas. There are three new suggestions in this thesis.Multi-block local binary patterns and multi-block local derivative patterns are two proposed methods for scene texture classification. In addition we implemented the color property of images in bags of color features, Experimental results showed that combination of these three methods based on the idea of bags of feature had a good performance. Using dense feature extraction and One-class SWM classifier with nonlinear kernel is another distinguishing issue in our works. The results of the proposed methods have been compared with the state of the art methods in this field and have shownimprovements in performance.

Keywords: scene classification, multi block local binary pattem, multi block local derivative pattern, color bag of features, spatial pyramid, bag of features


تعداد صفحات فایل : 95

مقطع : کارشناسی ارشد

بلافاصله بعد از پرداخت به ایمیلی که در مرحله بعد وارد میکنید ارسال میشود.


فایل pdf غیر قابل ویرایش

خرید فایل pdf و سفارش فایل word

قبل از خرید فایل می توانید با پشتبانی سایت مشورت کنید