• فهرست مطالب:

چکیده
مقدمه
۲. کارهای مربوطه
۲.۱.۱ تبدیل کرولت 2D ( دو بعدی) پیوسته ی زمانی
۲.۱.۲ تبدیل کرولت سریع پیچشی
۲.۲ محاسبه ی لگاریتم و LBP
۲.۲.۱ محاسبه ی لگاریتم
۲.۲.۲ LBP
۲.۳ LPP
۳. روش ارایه شده
۴ نتایج آزمایشگاهی
۴.۱ نتایج در مجموعه داده ی چهره ی Yale
۴.۲ نتایج در پایگاه داده ی گسترش یافته ی YaleB
۴.۳. در مجموعه داده ی ,
۴.۴ نتایج در داده ی FRGC
۵ نتیجه گیری

• بخشی از ترجمه:

۵ نتیجه گیری
در این مقاله, یک روش جدید در تشخیص چهره با استفاده از تبدیل کرولت , LBP و LPP ارایه شد. ایده ی اصلی پردازش اطلاعات کرولت در باندهای فرکانسی گوناگون با تکنیک های مختلف است. آزمایشات در مجموعه داده ی Yale مجموعه داده ی گسترش یافته ی YaleB , مجموعه داده ی PIE و FRGC اجرا شدند و روش ارایه شده را به طور مداوم تایید کردند. طبق جدول های ۱-۴ و شکل های ۸-۶ , اثبات شد که روش ارایه شده در این مقاله می تواند به طور موثری چهره را تشخیص داده و نتایج تشخیص چهره ی بهتری را نسبت به روش Mandal و همکارانش در ۲۰۰۹ داشته باشد. کارهای ما به صورت زیر خلاصه می شود. (i) با استفاده از روش LPP با ویژگی های کرولت می توان به طورموثری نرخ تشخیص را در مقایسه با روش های PCA و LDA به ویژه در حالتی که تعداد نمونه های آموزشی کم است , بهبود بخشد.(ii) همچنین با استفاده از روش LBP می توان نرخ تشخیص را به طور مداوم بهبود داد (iii) روش ارایه شده می تواند برای مساله ی تشخیص چهره با حالت ها ساختار هاو روشنایی های گوناگون چهره , استفاده شود (iv) روش ارایه شده می تواند نتایج نوید بخشی در حالتی که تعداد نمونه های آموزشی کم است به ما بدهد.

• بخشی از مقاله انگلیسی:

5. Conclusions

In this paper, a new approach on face recognition is proposed by using the curveletinformationindifferentfrequency bands withdifferent techniques. Experiments are conducted on the Yale dataset, the Extended Yale B dataset, the PIE dataset and the FRGC database and the results validated the proposed approach consistently. According Tables 1–4 and Figs. 6–8, it is proven that the proposed method in this paper can effectively recognize the face and has better recognition results than the method Mandal et al. (2009). Our contribution can be summarized as below. (i) Using the LPP approach with Curvelet features can significantly improve the recognition rate in comparison with using the PCA and LDA methods especially in case with a small number of training samples. (ii) Also using the LBP method can improve the recognition rate consistently. (iii) The proposed method can be used for face recognition problem with different facial expressions, configurations, and illuminations. (iv) The proposed approach can achieve very promising results in the case with a small number of training samples.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله استفاده از حفظ محلیت جهت شناسایی چهره بر اساس كرولت ها و مشخصه الگوي باينری – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
1- مقدمه
2- مبنای تئوریکی
2-1- درختهای فیلوژنتیک و شاخصهای تنوع
2-2- الگوهای دوتایی محلی
2-3- الگوریتم میکرو ژنتیک
3- روش پیشنهادی
3-1- اکتساب
3-2- پیش پردازش
3-3- اموزش و اعتبار
3-3- ردیابی چگالی سینه
3-3-1- پیش پردازش
3-3-2- استخراج مشخصه
3-4- بخش بندی
3-5- کاهش مثبتهای کاذب
3-5-1- کاهش مثبت کاذب با
3-5-2- کاهش مثبتهای کاذب با درختهای فیلوژنتیک، و
استخراج مشخصات
زیر نواحی مد نظر
بردارهای ویژگی
4- نتایج و توضیحات
4-1- ردیابی توده ها
4-1-1- کسب و پیش پردازش
4-1-2- ردیابی سینه چگال
4-1-3- بخش بندی ها
4-1-4- کاهش مثبتهای کاذب با استفاده از
4-1-5- کاهش مثبتهای کاذب با استفاده از درختهای فیلوژنتیک
4-2- مطالعات موردی
4-2-1- مورد اول: ردیابی صحیح چگالی
4-2-2- مورد دوم: ردیابی غیر صحیح چگالی
4-2-3- مورد سوم: موفقیت در ردیابی توده ها
4-2-4- مورد چهارم: شکست در ردیابی توده ها
4-2-5- مورد پنجم: شکست بخش بندی
4-2-6- مورد ششم: شکست در کاهش مثبتهای کاذب
4-3- بحث
4-4- مقایسه با سایر کارهای مربوطه
5- جمع بندی
تقدیر و تشکر

• بخشی از ترجمه:

5- جمع بندی
این کار یک روش شناسی را برای ردیابی توده ها در ماموگرافی با کمک تکنیکهای پردازش تصویر ؛ تشخیص الگو و الگوریتمهای سیر تکاملی با انطباق اتوماتیک چگالی برای هر سینه ی تحت انالیز ارائه نموده است.
این روش از تصاویر حاصل از که یک پایگاه داده عمومی است استفاده میکند. به هر حال؛ سایر پایگاههای داده ای میتوانند استفاده شوند. که در ان صورت فقط به تنظیم برخی از پارامترها ی مورد نیاز برای مراحل روش نیاز میباشد. علاوه بر تصاویر؛ اطلاعات زیادتر ی مورد نیاز است؛ مانند علامتگذاری نواحی که محتوی توده هستند و نوع چگالی سینه‌ی مورد آنالیز.
مرحله برای ردیابی چگالی سینه دارای عملکرد خوبی است؛ که نرخ 100% را در حساسیت؛ ویژگی و دقت در اعتبار سنجی مدل آموزشی دارد و در مجموع آزمایش دارای، حساسیت؛ ویژگی و دقت میباشد. این نشان میدهد که برای تولید مدلهای آموزشی بخوبی مدیریت شده است؛ که دارای قدرت تعمیم خوبی به موارد جدید میباشد.

• بخشی از مقاله انگلیسی:

5. Conclusion

This work presents a methodology for detection of masses in mammography by means of image processing techniques, pattern recognition and evolutionary algorithms which automatically adapt the density of each breast under analysis. The proposed methodology uses images from DDSM, a public image database. However, other databases can be used, which will require only the adjustment of some parameters needed by the stages of the methodology. Besides the images, extra information is necessary, such as markings of the regions that contain masses and type of density of the breast under analysis. The stage for detection of the density of the breast had a good performance, achieving 100% rates of sensitivity, specificity and accuracy in the validation of the training model and, in the test set, 98,10% sensitivity, 98,52% specificity and 98,26% accuracy. This indicates that μGA managed to create good training models, which allowed a good generalization capability for new cases.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله تشخیص توده ها در ماموگرام با سازگاری بر چگالی سینه با الگوریتم ژنتیک – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

چکیده
۱  مقدمه
۲  تکنیک پیشنهاد شده
۱  ۲ پیش پردازش
۲  ۲ هموارسازی و دودویی سازی تصویر
۳  ۲ تشخیص و آشکارسازی مولفه های کاراکتر
۴  ۲ تصحیح چوله و تشخیص متن
۳  آزمایشات و بحث
۴  نتیجه گیری

بخشی از ترجمه:

 ۱ مقدمه

در طول این سالها تصاویر موجود بر روی اینترنت به سرعت رو به افزایش می باشد. بسیاری از این تصاویر حاوی اطلاعات متنی هستند که در سایر مکان های صفحات وب یافت نمی شوند. تشخیص اطلاعات متنی در تصاویر وب برای درک و شناخت بهتر محتوای صفحات وب بسیار مفید می باشد. از آنجایی که این تصاویر متنی (تصاویری که متن درون آنها درج شده است) در اینترنت به منظورهای مختلف بکاربرده شده اند، در نتیجه از روش تشخیص متن درتصاویر وب می توان در برنامه های کاربردی مختلف من جمله شاخص گذاری (اندیس گذاری) و بازیابی صفحه وب، فیلتر نمودن محتوای صفحه وب استفاده نمود. از آنجایی که اطلاعات متنی درون تصاویر وب سهم بسزایی در توسعه آتی شبکه دارند در نتیجه این امر حتی مهمتر نیز ظاهر می شود.
تکنیک های زیادی برای استخراج و تشخیص متن برروی تصاویر ویدیویی و صفحه و منظره طبیعی پیشنهاد شده است، اما در خصوص تشخیص متن درون تصاویر وب تلاشهای کمی صورت گرفته است. در مقایسه با سایر تصاویر، تصاویر وب اغلب مستعد تنزل و کاهش کارایی تصویر خاص من جمله رزولاسیون پائین و اندازه کوچک برای نرخ انتقال سریعتر شبکه، آثار کاراکتر تولید شده توسط کامپیوتر و اثرات خاص برروی تصاویر به منظور جذابیت می باشند. در نتیجه در صورت استفاده مستقیم ازتکنیک های توسعه یافته برای تصاویر ویدیویی / مناظر طبیعی برای تصاویر وب، نتایج رضایتبخشی حاصل نمی کنند.

4. نتیجه گیری
در این مقاله، تکنیک تشخیص متن پایداری برای تصاویر وب جهت بررسی مشکلات توصیف شده در قسمت فوق پیشنهاد می کنیم. تکنیک پیشنهاد شده از هموارسازی نرم L0 برای بهبود کنتراست بین متن و زمینه استفاده کرده و مانع از تغییر شدت درون متن و زمینه تصاویر وب می شود. آزمایشات انجام شده روی مجموعه داده های روباست     تحت آخرین کنفرانس CI-DAR انجام شد تا بدین طریق توضیح داده شود که تکنیک پیشنهادی نرخ تشخیص OCR را به طور قابل توجهی بهبود می بخشد.

بخشی از مقاله انگلیسی:

1. Introduction

The images on Internet are increasing tremendouslyduring these years. Many of these images contain textinformation that cannot be found in other places of theweb pages [2]. The recognition of the textual informa-tion within web images is very helpful for a better un-derstanding of the contents of web pages. As these im-ages with text embed are used in Internet for differentpurposes, text recognition in web images can be appliedon different kinds of applications, such as web page in-dexing & retrieval, web page content filtering [3]. It willbecome even more important as the textual informationwithin web images is contributing more and more due to the future network development.

Many techniques have been proposed for text ex-traction and recognition on videos and natural sceneimages [6, 10], but much fewer efforts have been re-ported for the recognition of the text within web im-ages [3, 5]. Compared with other images, web im-ages are often more susceptible to certain specific imagedegradations including low resolution and small size forfaster network transmission rate, computer-generate-character artifacts, and special effects on images for at-tractiveness purpose. As a result, the techniques devel-oped for video/natural scene images often fail to pro-duce satisfactory results when they are directly appliedfor web images.

4. Conclusion

In this paper, we propose a robust text recognition technique for web images to address the problems described above. The proposed technique that makes uses of the L0-norm smoothing to enhance the contrast between text and background and suppress the intensity variation within text and background of the web images. Experiments have been conducted on the recent Robust Reading Competition dataset held under the latest ICDAR conference [3] to demonstrate that our proposed technique significantly improves the OCR recognition rate.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه

نوشته دانلود ترجمه مقاله استخراج کاراکتر در تصویر وب به منظور تشخیص و بازشناسی متن – مجله IEEE اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

چکیده
۱ مقدمه
۲ الگوهای دودویی محلی
۳ تغییرات اخیر الگوی دودویی محلی
۴ انتخاب ویژگی بر مبنای الگوی دودویی محلی
۵ تحلیل تصویر چهره مبتنی بر الگوی دودویی محلی
۶ ملاحظات پایانی

بخشی از ترجمه:

 ۱ مقدمه

در طول چند سال گذشته، الگوهای دودویی محلی (LBP) علاقه فزاینده ای در زمینه پردازش تصویر و دیدن کامپیوتر پدید آورده اند.به عنوان یک روش غیر پارامتری، LBP ، ساختارهای محلی تصاویر را به گونه ای کارآمد و با مقایسه هر پیکسل با پیکسل های همسایه اش جمع بندی می کند. مهمترین خصوصیات LBP عبارتنداز تحمل تغییرات روشنایی یکنواخت و سادگی محاسباتی اش. LBP در اصل برای تحلیل بافت پیشنهاد و به عنوان شیوه ای ساده اما قدرتمند برای شرح ساختارهای محلی بکار گرفته شد. از آن در بسیاری از برنامه های کاربردی، مثلاً تحلیل تصویر چهره، بازیابی ویدیویی و تصویر، مدلسازی محیط، بازبینی بصری و دیداری، تحلیل حرکت، تحلیل تصویر هوایی و بیومدیکال و سنجش از راه دور استفاده شده است (به کتابشناسی جامع روش LBP آنلاین نگاه کنید).
تحلیل تصویر چهره برمبنای LBP به عنوان یکی از مشهورو موفق ترین کاربردها در سالهای اخیرشناخته شده است. تحلیل تصویر چهره یک عنوان تحقیقاتی و پژوهشی فعال در دیدن کامپیوتر بوده و دارای کاربردهای مهمی مثلاً تعامل بین انسان- کامپیوتر، شناسایی بیومتریک، نظارت و امنیت، و انیمیشن کامپیوتری می باشد.از LBP برای نمایش چهره در کارهای مختلف من جمله تشخیص چهره، شناسایی چهره، تحلیل حالت چهره ، طبقه بندی دموگرافیکی (جنس، نژاد، سن و…) و دیگر کاربردهای وابسته استفاده شده است. در تحلیل تصویر چهره می توان به خوبی روند توسعه روش LBP را تشریح کرده و بخش عمده ای از تغییرات اخیرش در این بخش پیشنهاد شده است.
برخی بررسی های مختصر پیرامون تحلیل تصویر یا تحلیل چهره که از LBP استفاده می کنند مشخص می باشند، اما همه این مطالعات راجع به مقالات محدودی از پژوهش بحث کرده و در سالهای اخیر روشهای وابسته جدید زیادی ظاهر شده اند. در این مقاله، روش LBP من جمله تغییرات اخیر و انتخاب ویژگی برمبنای LBP و همچنین کاربرد آن در تحلیل تصویر چهره را به طور جامع بررسی می کنیم. بر طبق دانش و آگاهی ما، این مقاله اولین بررسی است که روش LBP و کاربردش در تحلیل تصویر چهره را با بیش از ۱۰۰ پژوهش بررسی شده وابسته در سطح گسترده مرور و بررسی می کند. رئوس مقاله حاضر به شرح ذیل می باشد. روش LBP در بخش ۲ معرفی شده است. بخش ۳ تغییرات اخیر LBP را مطرح می کند. روشهای انتخاب ویژگی بر مبنای LBP در بخش ۴ مورد بحث قرار گرفته اند. بخش ۵ جنبه هاوصورت های مختلف کاربردهایش در تحلیل تصویر چهره را شرح می دهد. بالاخره در بخش ۶ مقاله به پایان می رسد.

ملاحظات پایانی

یکی از توصیف گرهای قدرتمند برای نمایش ساختارهای محلی LBP می باشد. به خاطر محاسنش، به عبارتی تحمل تغییرات روشنایی یکنواخت و سادگی محاسباتی اش، از LBP با موفقیت برای بسیاری از وظایف تحلیل تصویرمثلاً تحلیل تصویر چهره، تحلیل تصویر بیومدیکال، تحلیل تصویر هوایی، تحلیل حرکت و بازیابی ویدیویی و تصویر استفاده شده است. در طول توسعه روش LBP ، تعداد زیادی تغییربرای توسعه حیطه کاربرد طراحی شده است که عملکرد بهتری عرضه کرده و پایداری را در یک یا چند بعد از LBP اصلی افزایش می دهند. ILBP ، LBP همینگ، و ELBP توانایی افتراقی LBP را بهبود می بخشند؛ LTP و SLBP بر بهبود یا افزایش پایداری LBP در تصاویر نویزی تاکید می کنند. MB-LBP ، LBP طویل شده، TPLBP ، و FPLBP ، مقیاس LBP را به منظور فراهم نمودن طبقات دیگری از اطلاعات محلی ، تغییر می دهند؛ LBP بر مبنای موجک گابور، CS-LBP ، و LBP-HF برای شکل گیری محاسن جدید، سایر روشها را با LBP ترکیب می کنند. اما توسعه های قبلی فقط برروی داده های 2 بعدی سنتی عمل می کند؛ گونه های 3dlbp و vlbpباید روشن شوند، زیرا هر دو آنها حیطه و گستره برنامه های LBP را توسعه می دهند: 3-DLBP اپراتور LBP را برای توصیف داده های حجم سه بعدی توسعه می دهد در حالیکه VLBP ، توانایی دستیابی به اطلاعات پویا را به LBP می دهد. برای دستیابی به مجموعه کوچکی از ویژگیهای افتراقی مبتنی بر LBP جهت نیل به عملکرد بهتر و کاهش ابعاد، نمایش های مبتنی بر LBP با برخی تکنیک های مشهور از طرح های انتخاب ویژگی برای کاهش طول ویژگی کدهای LBP ارتباط دارند که حاوی استراتژی مبتنی بر قاعده، یادگیری تقویتی و زیرفضا و … می شوند.

بخشی از مقاله انگلیسی:

I. INTRODUCTION

DURING the past few years, local binary patterns (LBPs)[1] have aroused increasing interest in image processingand computer vision. As a nonparametric method, LBP summarizeslocal structures of images efficiently by comparing eachpixel with its neighboring pixels. The most important propertiesof LBP are its tolerance regarding monotonic illuminationchanges and its computational simplicity. LBP was originallyproposed for texture analysis [2], and has proved a simple yetpowerful approach to describe local structures. It has been extensivelyexploited in many applications, for instance, face imageanalysis [3], [4], image and video retrieval [5], [6], environmentmodeling [7], [8], visual inspection [9], [10], motion analysis[11], [12], biomedical and aerial image analysis [13], [14],and remote sensing [15] (see a comprehensive bibliography ofLBP methodology online [16]).LBP-based facial image analysis has been one of the mostpopular and successful applications in recent years. Facial imageanalysis is an active research topic in computer vision, with a wide range of important applications, e.g., human–computerinteraction, biometric identification, surveillance and security,and computer animation. LBP has been exploited for facialrepresentation in different tasks, which include face detection[4], [17]–[19], face recognition [20]–[26], facial expressionanalysis [27]–[31], demographic (gender, race, age, etc.) classification[32], [33], and other related applications [34], [35].The development of LBP methodology can be well illustratedin facial image analysis, and most of its recent variations areproposed in this area.Some brief surveys on image analysis [36] or face analysis[37]–[39], which use LBP, were given, but all these studiesdiscussed limited papers of the literature, and many new relatedmethods have appeared in more recent years. In this paper,we present a comprehensive survey of the LBP methodology,including its recent variations and LBP-based feature selection,as well as the application to facial image analysis. To the bestof our knowledge, this paper is the first survey that extensivelyreviews LBP methodology and its application to facial imageanalysis, with more than 100 related reviewed literatures.The remainder of this paper is organized as follows. The LBPmethodology is introduced in Section II. Section III presents therecent variations of LBP. LBP-based feature-selection methodsare discussed in Section IV. Section V describes different facetsof its applications on facial image analysis. Finally, Section VIconcludes the paper. II. LOCAL BINARY PATTERNSThe original LBP operator labels the pixels of an image withdecimal numbers, which are called LBPs or LBP codes thatencode the local structure around each pixel. It proceeds thus, asillustrated in Fig. 1: Each pixel is compared with its eight neighborsin a 3 × 3 neighborhood by subtracting the center pixelvalue; the resulting strictly negative values are encoded with 0,and the others with 1. For each given pixel, a binary number isobtained by concatenating all these binary values in a clockwisedirection, which starts from the one of its top-left neighbor. Thecorresponding decimal value of the generated binary numberis then used for labeling the given pixel. The derived binarynumbers are referred to be the LBPs or LBP codes.One limitation of the basic LBP operator is that its small3 × 3 neighborhood cannot capture dominant features withlarge-scale structures. To deal with the texture at different scales,the operator was later generalized to use neighborhoods of differentsizes [1]. A local neighborhood is defined as a set ofsampling points evenly spaced on a circle, which is centered atthe pixel to be labeled, and the sampling points that do not fall incorporatedin LBPri(P,R) vary greatly and the crude quantizationof the angular spaces at 45◦ intervals.It has been shown that certain patterns contain more informationthan others [1]. It is possible to use only a subset of 2p binarypatterns to describe the texture of images. Ojala et al. namedthese patterns uniform patterns,which are denoted asLBPU 2(P,R) .An LBP is called uniform, if it contains at most two bitwisetransitions from 0 to 1 or vice versa when the corresponding bitstring is considered circular. For instance, 00000000 (0 transitions)and 01110000 (2 transitions) are both uniform, whereas11001001 (4 transitions) and 01010011 (6 transitions) are not.It is observed that the uniform patterns account for around 90%of all the patterns in a (8, 1) neighborhood, and around 70% ina (16, 2) neighborhood in texture images [1]. A similar experimentwas conducted on the FERET database, and it was foundthat 90.6% of the patterns in a (8, 1) neighborhood, and 85.2% ina (8, 2) neighborhood are uniform [20].

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه

نوشته دانلود ترجمه مقاله کاربرد الگوی دودویی محلی در تحلیل تصویر چهره – مجله IEEE اولین بار در ترجمه فا پدیدار شد.

بخشی از ترجمه:

چکیده

در این مقاله، یک الگوریتم جدید نمایه­ سازی و بازیابی تصویر با استفاده از الگوهای مش ( مش در الگوی دودویی محلی ) برای استفاده در بازیابی تصویر پزشکی پیشنهاد شده است. الگوریتم باینری محلی استاندارد رابطه­ی بین پیکسل مرجوعی (مورد نظر) و همسایه ­های اطراف آن را کدگذاری می­کند، در حالیکه روش پیشنهادی رابطه­ ی میان همسایه­ های اطراف یک پیکسل مرجوعیِ مشخص در یک تصویر را کدگذاری می­کند. روابط ممکن میان همسایه­ های اطراف به تعداد همسایه­ ها، P، بستگی دارد. علاوه بر این، کارایی الگوریتم پیشنهادی در این مقاله با ترکیب این الگوریتم با تبدیل گابور اثبات شده است. برای اثبات کارایی این الگوریتم سه آزمایش بر روی سه پایگاه داده­ی مختلف تصویر پزشکی پیاده­سازی شده است. دو آزمایش از این سه آزمایش برای توموگرافی کامپیوتری (CT) و یک آزمایش برای رزونانس مغناطیسی (MR) بازیابی تصویر انجام می­شود. سپس اشاره خواهد شد که پایگاه داده­ی مورد نظر برای سه آزمایش عبارتند از: پایگاه داده­ی OASIS-MRI، پایگاه داده­ی NEMA-CT و پایگاه داده­ی VIA/I-ELCAPکه شامل ناحیه­ی تصاویر CT مورد نظر است. نتایج پس از بررسی بهبود معناداری بر حسب معیارهای ارزیابی آن­ها در مقایسه با LBP، LBP با تبدیل گابور، و دیگر روش­های فضایی و دامنه­ی تبدیل نشان داد.

1.      مقدمه

الف) انگیزه

برای پرداختن به این مساله، بازیابی تصویر پزشگی مبتنی بر محتوا بوجود آمد. بازیابی تصویر مبتنی بر محتوا (CBIR) از محتواهای تصویری یک تصویر همانند رنگ، بافت، شکل، چهره­ ها، طرح فضایی و غیره برای بیان و نمایه­ کردن پایگاه داده­ی تصویری استفاده می­کند. سیستم­های بازیابی تصویر پزشکی قبلی موجود در [1]-[6] ارائه شده­ اند. استخراج ویژگی در CBIR گام بسیار مهمی است که کارایی آن به روش اتخاذ شده برای استخراج ویژگی­هایی از تصاویر معین بستگی دارد. مرور جامع و گسترده ای بر منابع CBIR در [7]-[11] ارائه شده است.

بخشی از مقاله انگلیسی:

I. INTRODUCTIONA. MotivationTHERE has been a radical expansion of biomedical imagesin medical institutions and hospitals for patient diagnosis.Database for patient diagnosis exists in different formats suchas computer tomography (CT), magnetic resonance imaging(MRI), ultrasound (US), X-ray, etc. However, one cannot makeuse of this data unless it is organized to allow efficient access,search, and retrieval. To address this problem, content-basedbiomedical image retrieval came into existence. The contentbasedimage retrieval (CBIR) utilizes visual contents of an imagesuch as color, texture, shape, faces, spatial layout etc., to representand index the image database. The previously availablebiomedical image retrieval systems are presented in [1]–[6].The feature extraction in CBIR is a prominent step whoseeffectiveness depends upon the method adopted for extractingManuscript received August 13, 2012; revised February 8, 2013 and June 21,2013; accepted October 24, 2013. Date of publication November 4, 2013; dateof current version May 1, 2014. This work was supported by the Canada ResearchChair program, the Natural Sciences and Engineering Research Councilof Canada (NSERC) Discovery Grant.The authors are with the Computer Vision and Sensing Systems Lab, Departmentof Electrical and Computer Engineering, University ofWindsor,Windsor,ON N9B 3P4, Canada (e-mail: muralasu@uwindsor.ca; jwu@uwindsor.ca).Color versions of one or more of the figures in this paper are available onlineat http://ieeexplore.ieee.org.Digital Object Identifier 10.1109/JBHI.2013.2288522features from given images. Comprehensive and extensive literaturesurvey on CBIR is presented in [7]–[11].The visual content descriptors are either global or local. Aglobal descriptor represents the visual features of the whole image,whereas a local descriptor represents the visual features ofregions or objects to describe the image. Furthermore, these aresubdivided into two categories, spatial and transform domainbasedfeatures. The first approach makes use of pixels (or agroup of adjacent pixels) gray value and the second approachmakes use of transformed data of the gray image for featureextraction.Texture-based biomedical image retrieval is a branch of textureanalysis particularly well suited for the identification ofdisease region, and then retrieval of related documents in thedatabase is making it a star attraction from medical perspective.Cai et al. [12] have used the physiological kinetic featurewhich reduces the image storage memory for positron emissiontomography (PET) image retrieval. Scott and Shyu havedesigned the biomedical media retrieval system [1], where theyutilize the entropy balanced statistical (EBS) k-d tree for featureextraction. The index utilizes statistical properties inherentin large-scale biomedical media databases for efficient andaccurate searches. Rahman et al. [13] have designed the relevancefeedback-based biomedical image retrieval system. Theyhave proposed the query-specific adaptive linear combination ofsimilarity-matching approach by relying on the image classificationand feedback information from users. Nakayama et al. [14]investigated four objective similarity measures as an image retrievaltool for selecting lesions similar to unknown lesions onmammograms. Classification of benign and malignant breastmasses based on shape and texture features in sonography imagesis proposed in [15]. The mass regions were extracted fromthe region of interest (ROI) subimage by implementing a hybridsegmentation approach based on level set algorithms. In [16],a boosting framework for visuality-preserving distance metriclearning is proposed for medical image retrieval. The mammographicimages and dataset from ImageCLEF are used for performanceevaluation. Quellec et al. [17] proposed the optimizedwavelet transform for medical image retrieval by adapting thewavelet basis, within the lifting scheme framework for waveletdecomposition. The weights are assigned between wavelet subbands.They used the diabetic retinopathy and mammographicdatabases for medical image retrieval. The wavelet transformbasedbrain image retrieval is presented in [18]. The cooccurrencematrix-based retrieval of medical CT and MRI images indifferent tissues is can be seen in [19]. Furthermore, the imageretrieval of different body parts is proposed in [20], whichemploy color quantization and wavelet transform.

نوشته دانلود ترجمه مقاله طرح شبکه مش در الگوی دودویی محلی – مجله IEEE اولین بار در ترجمه فا پدیدار شد.