دانلود ترجمه مقاله سیستم هوشمند بازیابی تصویر بر اساس ویژگی رنگ و بافت – الزویر ۲۰۰۹

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۰۹
تعداد صفحات مقاله انگلیسی	۸ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	مهندسی نرم افزار و مهندسی الگوریتم ها و محاسبات
مجله	محاسبات چشم انداز و تصویر – Image and Vision Computing
دانشگاه	گروه علوم اطلاعات، موسسه ملی فناوری Taichung، تایوان
کلمات کلیدی	بازیابی تصویر، رنگ، بافت، هم رخدادی، موتیف، انتخاب خصیصه
شناسه شاپا یا ISSN	ISSN ۰۲۶۲-۸۸۵۶
رفرنس	دارد ✓
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده

۱ مقدمه

۲ خصیصه های پیشنهادی

۲-۱ ماتریس هم رخداد رنگ (CCM)

۲-۳ هیستوگرام رنگ برای k-mean (CHKM)

۳ سیستم بازیابی تصویر

۴ انتخاب خصیصه

۵ آزمایشها

۱-۵ کارایی سیستم CTCHIRS روی مجموعه تصویر ۱

۲-۵ کارایی سیستم CTCHIRS روی مجموعه تصویر ۲

۳-۵ کارایی سیستم CTCHIRS روی مجموعه تصویر ۳

۴-۵ کارایی انتخاب خصیصه

۶ نتیجه گیری

• بخشی از ترجمه:

۶ نتیجه گیری

در این مقاله، سه خصیصه تصویر به نامهای CCM، DBPSP و CHKM برای مشخص سازی تصویر رنگی برای بازیابی تصویر ارائه شده است. CCM و DBPSP می تواند به طور موثری توزیع بافت را توصیف کند و CHKM خصیصه های رنگ پیکسهای با رنگهای مشابه در یک تصویر را توصیف می کند. CHKM با جابجایی و چرخش تصویر مورد تاثیر قرار نمی گیرد و همچنین در مقابل تغییرات مرتبط به نویز مقاومت می کند. چون این خصیصه ها می تواند خصوصیات مختلف تصویر را توصیف کند، این مقاله سه خصیصه را جمع کرده تا سیستم CTCHIRS را به وجود آورد. علاوه بر این، این مطالعه، از انتخاب پی در پی رو به جلو SFS برای انتخاب خصیصه های با قابلیت تمیز دادن بالاتر برای بازیابی تصویر و غلبه بر مشکل خصیصه های بیش از حد استفاده کرده است.

نتایج آزمایش نشان می دهد که در بیشتر موارد، سیستم پیشنهادی می تواند به طور قابل توجهی بهتر از روشهای هوانگ و جوانور عمل کند. به علاوه با استفاده از انتخاب خصیصه، محاسبۀ بازیابی تصویر از هر نوع پایگاه دادۀ تصویر می تواند بسیار کم شود. در نتیجه سرعت بازیابی می تواند افزایش پیدا کند. برای پایگاه داده های خاص کارایی تشخیص نیز می تواند افزایش یابد.

سیستم پیشنهادی بازیابی تصویر یک نرخ بالای تشخیص هنگامی که به پایگاه داده  های گوناگون به کار می رود دارد. ولی چند خصیصه تصویر لازم است تا به نرخ بالای تشخیص دست یابیم. با استفاده از انتخاب خصیصه، تعداد خصیصه های مورد نیاز بسیار کاهش یافته و هنوز نرخ تشخیص بالاتری می تواند به دست آید.

• بخشی از مقاله انگلیسی:

۶٫ Conclusions

In this paper, three image features, namely CCM, DBPSP, and CHKM, are presented to characterize a color image for image retrieval. CCM and DBPSP can effectively describe texture distribution, while CHKM can describe color features of the pixels with similar colors in an image. CHKM is not affected by image displacement and rotation and also able to resist noise-induced variations. Since these features can describe different properties of an image, this paper integrates the three features to develop the CTCHIRS system. Besides, this study further uses sequential forward selection (SFS) to select features with better discriminability for image retrieval and overcome the problem of excessive features. The experimental results indicate that, in most cases, the proposed system can significantly outperform Huang’s and Jhanwar’s methods. Moreover, through feature selection, computation of image retrieval from any type of image databases can be effectively reduced. As a result, the retrieval speed can be increased. For specific image databases, the detection efficiency can also be enhanced. The proposed image retrieval system has a high detection rate when applied to various image databases. However, multiple image features are required to achieve a high detection rate. Through feature selection, the number of features required has been significantly reduced, and a high detection rate can still be obtained.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد