این مطلب بخشی از یکی از فصل های دانلود پایان نامه بازیابی تصویر براساس محتوا – پردازش تصویر است .
در سالهای اخیر تلاشهای زیادی برای ایجاد روشهایی کارآمد در بازیابی تصویر بر پایه محتوی شده است. این تلاشها منجر به ساخت سیستمهای متفاوتی در بازیابی تصویر شده است. اساس کار این سیستمها بر این استوار است که تصاویر را بر پایه مجموعهای از ویژگیهای دیداری سطح پایین آنها مثل رنگ، شکل، بافت و چیدمان رنگ ارائه و نمایه سازی کنند. بازیابی با مقایسه ویژگیهای تصویر پرس و جو با نمایههای تصاویر پایگاه و تعیین شبیه ترین تصاویر انجام میشود.
عموماً کاربران هنگام پرس و جوی تصویر به ویژگیهای سطح پایین تصویر توجهی ندارند و ویژگیهای سطح بالا یا همان ویژگیهای معنایی را در نظر میگیرند. در این مورد اغلب سیستمهای بازیابی تصویر، عملکرد ضعیفی دارند. این ضعف بخاطر فاصلهای است که بین ویژگیهای دیداری سطح پایین و ویژگیهای معنای سطح بالا وجود دارد و به فاصله معنایی مشهور است . بنابراین، تحقیقات اخیر در این زمینه سعی بر تلفیق ویژگیهای معنایی و ویژگیهای سطح پایین دارند. برای این منظور، محققان بر آن شدهاند که از بازخورد ارتباط و طبقهبندی معنایی تصاویر استفاده کنند.
در استفاده از بازخورد ارتباط ، کاربر و کامپیوتر تارسیدن به تصاویر دلخواه کاربر با یکدیگر تعامل دارند. این تعامل به سیستم کمک میکند تا ارتباطی معنیدار بین ویژگیهای سطح پایین و ویژگیهای سطح بالا برقرار کرده و فاصله معنایی را کاهش دهد. در فرآیند بازخورد ارتباط، سیستم باید وزنهای مربوط به ویژگیهای متفاوت را بیاموزد تا بتواند کاربر را در رسیدن- سریع و دقیق- به اهدافش کمک کند. همچنین، یادگیری پرس و جوی مورد نظر کاربر نیز یکی از اهداف مهم استفاده از بازخورد ارتباط است که کمک شایانی به سرعت و دقت سیستم میکند.
در اکثر سیستمهای تعاملی، هدف از بازخورد ارتباط یادگیری مفاهیم دلخواه کاربری است که در همان لحظه با سیستم کار میکند. در این سیستمها، چنانچه کاربر عوض شود یا آنکه تصویر پرس و جوی خود را تغییر دهد، اطلاعاتی که در پرس و جوی قبلی به سیستم وارد شده است، از بین رفته و استفاده نمیشود. به عبارت دیگر، اکثر سیستمهای تعاملی از بازخورد ارتباط تنها برای یادگیری کوتاه مدت بهره میجویند در چنین سیستمهایی، اطلاعات ایجاد شده در تعامل کاربران قبلی و سیستم که میتواند در بازیابیهای بعدی مفید و موثر واقع شود، به فراموشی سپرده میشود. جمعآوری دانش تولید شده در بازیابیهای دوره های قبل برای بازیابیهای آینده، یادگیری بلند مدت نامیده شده است .
[box type=”tip” font=”tahoma” float=”right”]برای دریافت نسخه متنی(کامل تمامی فصل ها با جزییات کامل ) آن Word و منابع به کار رفته و مقالات موجود در سایت فارسی و انگلیسی (اصل مقالات فارسی و انگلیسی ) پایان نامه بازیابی تصویر براساس محتوا – پردازش تصویر و مراجع مبلغ ۶۰۰.۰۰۰ ریا ل – معادل شصت هزار تومان را به یکی از شماره کارت های زیر واریز نمایید و اطلاعات پرداخت را از طریق بخش تماس با من-(شماره تماس من پیامک کنید) ارسال نمایید. و یا از طریق پرداخت انلاین سایت به صورت آنی از طریق شبکه شاپرک به صورت اینترنتی واریز نمایید تا لینک دانلود ارسال شود.
بانک ملی به نام مهدی فعال۱۶۰۶ – ۰۶۷۱ – ۹۹۱۸ – ۶۰۳۷ : و شماره شبا IR-91 017 000 000 010 930 580 2008
بانک سپه به نام مهدی فعال: ۷۹۸۶– ۷۳۵۰- ۱۰۱۰ – ۵۸۹۲ و شماره شبا IR32 0150 0000 0090 2300 3002 01[/box]
۴-۲- سیستم تعاملی پیشنهادی برای بازیابی معنایی تصویر
بلوک دیاگرام سیستم پیشنهادی در شکل ۴-۲ آمده است. این سیستم از جنبه های متفاوت قابل بررسی است. قبل از آنکه به بررسی آن از زوایای مختلف پرداخته شود، لازم است که بلوکهای آن بطور مختصر معرفی شوند.
۴-۲-۱- پایگاه تصویر
این بلوک شامل تصاویر پایگاه است. به عبارت دیگر، این بلوک شامل تصاویری است که کاربر برای یافتن تصویر دلخواهش آنها را جستجو میکند. در سیستم پیشنهادی برای اهداف یادگیری که بعداً به آن پرداخته میشود، تعداد اندکی از تصاویر پایگاه برچسب زده میشوند، عمل برچسب زنی را یک فرد خبره انجام میدهد. با این کار گروه معنایی بخشی از تصاویر مشخص میشود. به عبارت دیگر، از هر گروه معنایی تعدادی تصویر به سیستم معرفی میشود. این تصاویر در بلوک “انتخاب تابع شباهت و وزندهی ویژگیها” به عنوان تصاویر مجموعه یادگیری استفاده میشوند.
۴-۲-۲- پایگاه ویژگیهای سطح پایین
از هر یک از تصاویر پایگاه، تعدادی ویژگی دیداری استخراج میشود. ممکن است بسته به نوع پایگاه تصویر، ویژگیهای دیداری متفاوتی استخراج شود. بطور معمول، در بازیابی تصویر لازم است که ویژگیهای مناسبی برای توصیف خواص رنگ، شکل و بافت تصاویر استخراج شود. ویژگیهای استخراج شده از تصاویر در پایگاه ویژگیهای سطح پایین نگهداری میشوند. از آنجایی که برچسب معنایی تعدادی از تصاویر مشخص شده است، پایگاه ویژگیهای سطح پایین نیز به دو بخش تقسیم میشود، بخشی متعلق به تصاویر برچسب خورده و بخش دیگر متعلق به تصاویر برچسب نخورده است.
۴-۲-۳- انتخاب تابع شباهت و وزندهی ویژگیها
تابعی که با استفاده از آن شباهت بین دو تصویر بر اساس ویژگیهای دیداری آنها سنجیده میشود، نقش بسزایی در دقت بازیابی و طبقهبندی دارد. از وظایف این بلوک، انتخاب تابع شباهت بهینه برای هر یک از انوع ویژگی است.
تعیین نقش هر یک از ویژگیها و نیز وزندهی هر یک از مولفههای ویژگی برای رسیدن به بالاترین نرخ طبقه بندی در مجموعه ویژگیهای برچسب خورده، دیگر وظیفه این بلوک است. بعبارت دیگر، وظیفه این بلوک تنظیم پارامترهای یک طبقهبند با استفاده از تصاویر برچسب خورده است که در اینجا تصاویر برچسب خورده به عنوان تصاویر مجموعه یادگیری بکار گرفته میشود.
۴-۲-۴- طبقه بند فازی
پارامترهای این طبقه بند با استفاده از مجموعه تصاویر برچسب خورده، در بلوک “انتخاب شباهت و وزندهی ویژگیها” تنظیم میشوند. این طبقه بند باید مجموعه تصاویر برچسب نخورده را به گروههای معنایی مختلف طبقه بندی کرده و میزان تعلق هر یک از تصاویر این مجموعه را به گروههای معنایی تعیین کند. منظور از ویژگی معنایی، تعلق یا عدم تعلق هر یک از تصاویر به هر یک از گروههای معنایی است، پرواضح است که ویژگی معنایی تصاویر برچسب نخورده مشخص نیست. بنابراین با استفاده از طبقه بندی فازی میتوان برای هر یک از این تصاویر، درجه تعلقی به گروههای معنایی نسبت داد.
۴-۲-۵- پایگاه ویژگیهای معنایی
در این پایگاه، اطلاعات مربوط به تعلق یا عدم تعلق هر تصویر به گروههای متفاوت به عنوان ویژگی معنایی آن موجود است. اطلاعات این پایگاه به جستجوی سریعتر و دقیقتر پایگاه تصویر در تعامل با کاربر کمک فراوانی میکند. برای هر تصویر، خروجی طبقه بند فازی به عنوان ویژگی معنایی اولیه در نظر گرفته میشود. این ویژگیها در فرآیند تعامل کاربران مختلف یا سیستم تصحیح میشوند. اطلاعات مربوط به میزان تعلق تصاویر پایگاه به گروهها مختلف در یک جدول به نام جدول معنایی قرار میگیرد.
پایان نامه بازیابی تصویر براساس محتوا – پردازش تصویر
۴-۲-۶- پرس و جوی معنایی
در بخش ۲-۲-۴ روشهای برقراری ارتباط بین کاربر و سیستم مطالعه شد. در سیستم پیشنهادی کاربر از طریق پرس و جوی معنایی با سیستم ارتباط برقرار میکند. در این سیستم فرض شده است که تعداد گروههای معنایی مشخص هستند. بنابراین کاربر در شروع جستجو به سیستم اعلام میکند که تصاویر دلخواهش به کدام گروه معنایی تعلق دارند. سیستم در پاسخ به تقاضای کاربر ، تعدادی از تصاویر آن گروه را بطور اتفاقی به کاربر ارائه میکند. سپس کاربر با اعلام نظر درباره این تصاویر، در قالب بازخورد ارتباط تعامل با سیستم را آغاز میکند.
۴-۲-۷- بازخورد ارتباط
بازخورد ارتباط با اعلام نظر کاربر نسبت به تصاویری که به او نشان داده شده است . آغاز میشود. نظر کاربر راجع به تصاویر میتواند به سیستم در رسیدن به آنجه دلخواه او است کمک قابل توجهی بکند. از این اطلاعات در قالبهای یادگیری کوتاه مدت و یادگیری بلند مدت استفاده میشود. هدف از یادگیری کوتاه مدت، یادگیری تصویر دلخواه کاربر در خلال یک عمل بازیابی است . با جمع آوری اطلاعات ایجاد شده در مراحل متعدد بازیابی، دانشی ایجاد میشود که به استخراج ویژگیهای معنایی از تصاویر کمک میکند. این عمل در قالب یادگیری بلند مدت انجام میشود.
۴-۲-۸- یادگیری کوتاه مدت
در سیستم پیشنهادی پرس و جو از نوع اتفاقی است. یعنی اینکه سیستم چند تصویر را بصورت اتفاقی به کاربر ارائه میکند و کاربر با اعلام نظر راجع به این تصاویر در بازیابی تصویر دلخواهش به سیستم کمک میکند. در این نوع بازیابی، در اولین مرحله سیستم باید با توجه به اطلاعاتی که کاربر راجع به تصاویر اعلام میکند، یک پرس و جوی فرضی ایجاد کند. البته این پرس و جوی فرضی در ادامه عمل بازیابی و در مراحل بعدی تصحیح میشود یا بهبود مییابد.
پس از ساخته شدن پرس وجو، سیستم میتواند پایگاه ویژگیها دیداری را برای یافتن تصاویر نزدیک به تصویر پرس و جو، جستجو کند. برای این منظور به یک تابع شباهت نیاز است . در اولین مرحله سیستم از پارامترهای بهینه شده در مرحله طبقه بندی استفاده میکند. سپس این فاصله در مراحل بعدی بازیابی بهبود مییابد.
۴-۲-۹- یادگیری بلند مدت
اشاره شده که در سیستم پیشنهادی، از ویژگی معنایی در کنار ویژگیهای دیداری برای بهبود سرعت و دقت بازیابی استفاده شده است. این ویژگیها با استفاده از طبقه بندی ایجاد میشود و با باز خورد ارتباط در قالب یادگیری بلند مدت، تصحیح میشوند. با جمع آوری اطلاعات ارائه شده توسط کاربران مختلف هنگام کار با سیستم، دانشی غنی راجع به ویژگیهای سطح بالای تصاویر استخراج میشود. به عبارت دیگر، هدف از یادگیری بلند مدت استخراج اطلاعات مربوط به ویژگیهای سطح بالای تصاویر در خلال بازیابیهای متعدد است.
۴-۳- بررسی سیستم از زوایای مختلف
در بخش اول، به معرفی مختصر بلوکها و مفاهیم اساسی بکار رفته در بلوک دیاگرام سیستم پیشنهاد پرداخته شد. در این بخش به معرفی کلی این سیستم از زوایای مختلف پرداخته میشود.
۴-۳-۱- سیستم از دید کاربر
در این سیستم، کاربر جستجوی خود را بصورت معنایی آغاز کرده و با اعلام نظر راجع به تصاویر ارائه شده آن را ادامه میدهد. نکته بارز این سیستم این است که بر خلاف بسیاری از سیستمهای تعاملی دیگر، کاربر هیچ نیازی به داشتن دانش راجع به ویژگیهای دیداری ندارد. به عبارت دیگر، کاربر فقط بر اساس اینکه معنای تصاویر ارائه شده به تصویر دلخواهش نزدیک است یا خیر، اعلام نظر کرده و به ویژگیهای سطح پایین آنها نمیاندیشد. بنابراین، این سیستم با شرایط فکری انسانها که به معنای تصاویر فکر میکنند، سازگار است و با در نظر گرفتن این فرض، با کاربران در تعامل است. شکل ۴-۳ ، سیستم تعاملی ، پیشنهادی را از دید کاربر به تصویر کشیده است.
۴-۳-۲- سیستم از دید یادگیری
سیستم سعی میکند که فاصله معنایی بین ویژگیهای سطح پایین و سطح بالا را پرکرده و نیز هر چه سریعتر و دقیقتر به نیاز کاربر پاسخ دهد. برای رسیدن به مقاصد ذکر شده، تلفیق ویژگیهای معنایی و دیداری به عنوان راهکاری مناسب پیشنهاد شده است. ذکر این نکته ضروری به نظر میرسد که در تلفیق ویژگیهای معنایی و دیداری و بازیابی معنایی تصویر، مشکل اصلی استخراج ویژگیهای معنایی است. برای رفع این مشکل، از طبقهبندی و یادگیری بلندمدت استفاده شده است. در این سیستم، از طبقهبندی برای استخراج معانی تصاویر استفاده شده است. بنابر این، اولین مرحله از یادگیری، طراحی یک طبقهبندی است که با استفاده از ویژگیهای دیداری تصاویر بتواند معانی آنها را استخراج کند. از انجایی که در یک پایگاه بزرگ تصویر، تعداد معانی زیاد است و نرخ خطای طبقهبندی زیاد خواهد شد، تصحیح ویژگیهای معنایی ایجاد شده توسط طبقهبند در خلال کار کاربران تحت عنوان یادگیری بلند مدت استفاده از بازخورد ارتباط در نظر گرفته شده است. ترکیب طبقهبندی و یادگیری بلندمدت، منجر به تولید ویژگیهای معنایی مطمئن برای تصاویر میشود.
یادگیری مقصود یک کاربر خاص، در حین کار با سیستم، نوعی دیگر از یادگیری است که در سیستم دیده شده است.
از این نوع یادگیری با نام “یادگیری کوتاه مدت” یاد میشود که در آن سعی میشود پرس و جوی فرضی کاربر ساخته شده و بهبود داده شود. همچنین در این نوع یادگیری، وزن هر یک از ویژگیهای مختلف در تابع شباهت بکار رفته برای جستجوی پایگاه ویژگیهای دیداری، مشمول یاد گیری میشود. این نوع یادگیری به “بهبود تابع شباهت” مشهور است.
۴-۳-۳- سیستم از دید ویژگی
در سیستم فوق برای هر یک از تصاویر دو نوع ویژگی وجود دارد: ویژگیهای دیداری و ویژگیهای معنایی. با توجه به نوع پایگاه تصویر، ویژگیهای دیداری خاصی از تصاویر استخراج شده و در پایگاه ویژگیهای سطح پایین نگهداری میشود.در عمل بازیابی، سیستم پایگاه تصویر را را بر اساس تلفیق ویژگیهای دیداری و معنایی جستجو میکند. در این جستجو، ویژگیهای معنایی از اولویت برخوردارند. یعنی اینکه سیستم با دریافت یک پرس و جوی معنایی، تصاویری از پایگاه را جستجو میکند که به گروه معنایی دلخواه کاربر تعلق داشته باشند. بنابراین، هرچه ویژگیهای معنایی معتبرتر باشند، دقت بیشتر خواهد بود.
در یک پایگاه بزرگ، تعیین ویژگیهای معنایی تصاویر دستی کاری سخت و زمان بر است. در این سیستم، ویژگیهای معنایی ابتدایی توسط یک طبقه بند فازی به تصاویر نسبت داده میشوند و در خلال کار سیستم با بکارگیری یادگیری بلند مدت بهبود مییابد.
۴-۳-۴- سیستم از دید تکوین جدول معنایی
تکوین جدول معنایی در سه مرحله انجام میشود. در مرحله اول، اطلاعات معنایی مربوط به تصاویر برچسب خورده در این جدول قرار میگیرد که شامل تعلق انها به گروههای معنایی مختلف هستند. در مرحله دوم، تصاویر بر چسب نخورده، طبقه بندی شده و خروجی طبقه بند برای هر یک از انها به عنوان معنایی آن در نظر گرفته میشود. برچسبهای معنایی تولید شده برای تصاویر این دسته، به عنوان ویژگی معنایی ابتدایی برای انها در نظر گرفته شده و جدول معنایی ابتدایی ایجاد میشود. بر چسب معنایی تصاویر در خلال کار کاربران تصحیح شده و ویژگی معنایی هر تصویر استخراج میشود. تصحیح جدول معنایی، مرحله سوم از تکوین جدول معنایی است.
۴-۳-۵- سیستم از دید مراحل زمانی
این سیستم در چهار مرحله مرتبط بهم عمل میکند که درادامه به ترتیب به انها پرداخته میشود.
v مرحله اول: بر چسب زنی دستی به بعضی از تصاویر
در این مرحله تعدادی از تصاویر گروههای معنایی مختلف پایگاه، بصورت اتفاقی انتخاب شده و به سیستم معرفی میشوند. این عمل که در ادامه از آن به عنوان برچسب زنی به تصاویر یاد میشود توسط یک فرد خبره و آگاه به پایگاه تصویر صورت میگیرد.
v مرحله دوم: طراحی طبقه بند
در این مرحله که بصورت برون خط ۱ است، بلوکهایی از شکل ۴-۲ درگیر هستند که ارتباط بین آنها با خطوط پهن توخالی مشخص شده است. این بلوکها عبارتند از: بلوک “پایگاه تصویر” بلوک “ویژگیهای سطح پایین “، بلوک”انتخاب تابع شباهت و وزندهی ویژگی ” و بلوک ” و بلوک طبقهبندی فازی “. هدف از این مرحله آن است که با استفاده از تصاویر بر چسب خورده یک طبقهبند برای برچسب زنی خودکار به تصاویر پایگاه ایجاد شود. خروجی این طبقهبند برای تصاویر بر چسب نخورده به عنوان اطلاعات اولیه معنایی برای آن تصاویر در نظر گرفته میشود. در طراحی طبقه بند، باید مفاهیم سطح بالای نهفته در تصاویر براساس ویژگیهای سطح پایین آنها به بهترین وجه آموخته شود. ۴-۴، بلوک دیاگرام مربوط به این مرحله را نشان میدهد.
شکل۴-۴ بلوک دیاگرام مرحله طراحی طبقه بند
برای این منظور، چنانچه در شکل ۴-۲ مشاهده میشود، تصاویر پایگاه به دو دسته تقسیم میشوند. دسته اول، تعداد اندکی از تصاویر هستند که بر چسب معنایی آنها در مرحله اول به طور دستی مشخص میشود و به منظور انتخاب تابع شباهت مناسب و وزندهی مناسب ویژگیهای برای بهترین انطباق ویژگیها معنایی بر ویژگیهای سطح پایین در مرحله طبقهبندی، استفاده میشوند. اطلاعات بدست آمده از این قسمت، شامل اطلاعات مربوط به تاثیر نوع ویژگیها و نیز تاثیر نقش مولفههای ویژگی در ارتباط با یادگیری بهتر مفاهیم معنایی در تنظیم پارامترهای طبقهبند فازی، برای طبقهبندی تصاویر بر چسب نخورده پایگاه تصویر و ایجاد ویژگی معنایی ابتدایی استفاده میشود.
v مرحله سوم: برچسبزنی خودکار به تصاویر بر چسب نخورده و ایجاد جدول معنایی ابتدایی
مرحله سوم نیز مانند مرحله دوم بصورت برون خط انجام میشود. بلوک دیاگرام این مرحله در شکل ۴-۵ آمده است.
در این مرحله، دسته دوم تصاویر- دسته اکثریت- که بر چسب معنایی آنها مشخص نیست، پس از استخراج ویژگی به طبقهبندی فازی سپرده میشوند. درجه تعلیق هر یک از تصاویر این دسته به گروههای معنایی متفاوت، پس از طبقهبندی آنها مشخص میشود. این اطلاعات به عنوان ویژگیهای معنایی اولیه تصاویر در نظر گرفته میشوند (پیکانهای پهن توپر در شکل ۴-۲). اطلاعات مربوط به دره تعلیق هر یک از تصاویر پایگاه، اعم از برچسب نخورده به بلوک “ویژگیهای معنایی” سپرده میشود. این اطلاعات در مرحله بازیابی بسیار مفید و ارزشمند هستند.
شکل ۴-۵ بلوک دیاگرام مرحله ایجاد جدول معنایی ابتدایی
همانطور که در اغلب سیستمها مرسوم است، در مواجهه با یک پرس و جو، ویژگیهای سطح پایین آن استخراج شده و پایگاه ویژگیهای سطح پایین برای یافتن نزدیکترین تصاویر به آن جستجو میشود. حال اگر ویژگی معنایی تصاویرپایگاه مشخص باشد، برای یافتن نزدیکترین تصاویر به پرس و جو تنها تصاویری که ویژگی معنایی مرتبط با آن دارند، جستجو خواهند شد. این امر باعث افزایش سرعت و دقت بازیابی خواهد شد. البته این موضوع بسیار وابسته به این است که آیا ویژگیهای معنایی به درستی استخراج شدهاند یا خیر؟ حالتی را درنظر بگیرید که ویژگیهای معنایی، که در سیستم پیشنهادی با استفاده از یک طبقهبند ایجاد میشوند، نا معتبر یا حتی اشتباه باشند، در این حالت، استفاده از ویژگیهای معنایی در کنار ویژگیهای سطح پایین نه تنها باعث افزایش دقت بازیابی نشده، بلکه باعث کاهش چشمگیر کارآیی آن نیز خواهد شد. استفاده از بلوک ” انتخاب تابع شباهت و وزندهی ویژگیها “، برای یادگیری هر چه بهتر مفاهیم سطح بالا بر اساس مفاهیم سطح پایین در طبقهبند، به علت حساسیت بالایی است که اطلاعات معنایی ایجاد شده توسط طبقهبند دارد.
پایان نامه بازیابی تصویر براساس محتوا – پردازش تصویر
مهمترین دلیل استفاده از طبقه بند فازی، این است که این طبقهبند، محتاطانهتر از یک طبقهبند غیرفازی عمل میکند. طبقهبند غیر فازی ، تصویر را به یک گروه معنایی اختصاص میدهد و شانسی برای تعلق آن به گروههای دیگر قائل نمیشود. این در حالی است که طبقهبند فازی، برای هر تصویر درجهای از تعلق به گروههای متفاوت قائل میشود. بنابراین در این حالت شانس تخصیص کامل یک تصویر به گروهی که به آن تعلق ندارد کمتر شده و این فرصت ایجاد میشود که این تصویر در بازیابیهای مربوط به گروه واقعی خود نیز شرکت کند. حال این سوال مطرح میشود که چگونه میتوان پیبرد که هر یک از تصاویر پایگاه به کدام یک از گروههای معنایی تعلق دارند؟ به عبارت دیگر چگونه میتوان اطلاعات معنایی مربوط به هر تصویر را استخراج کرد؟ پاسخ به این سوال در سیستم پیشنهادی دیده شده است. سیستم با ویژگیهای معنایی ایجاد شده توسط طبقهبند ، کار خود را آغاز کرده و در فرآیند بازیابی که در تعامل با کاربر انجام میدهد، ویژگیهای معنایی مربوط به تصاویر را تصحیح میکند. این عمل در سیستم ارائه شده، در فرآیند یادگیری بلند مدت انجام میشود. یعنی اینکه با تعامل کاربران با سیستم ، اطلاعات مربوط به ویژگیهای معنایی تصاویر تصحیح میشود. در این سیستم انتظار میرود که رفته رفته با افزایش تعداد دفعاتی که کاربر با سیستم کار میکند، دقت و سرعت بازیابی افزایش پیدا کند. این هدف در صورتی قابل تحقق است که ویژگیهای معنایی ایجاد شده توسط طبقه بند، به مرور تصحیح شده و در نهایت ویژگی معنایی نهفته در تصاویر استخراج شود. بعد از طبقه بندی تصاویر بر چسب نخورده، اطلاعات مربوط به میزان تعلق هر یک از آنها به گروههای منفاوت به همراه اطلاعات مربوط به تصاویر برچسب خورده در یک جدول قرار میگیرد که به آن جدول معنایی گفته میشود. به محض آنکه جدول معنایی ایجاد شود، سیستم میتواند مرحله چهارم کار خود را که بصورت بر خط انجام میشود، آغاز کند.
مرحله چهارم : پاسخگویی به نیاز کاربر
در این مرحله که به صورت برخط انجام میشود، سیستم آماده پاسخگویی به نیازهای کاربران است. همانگونه که قبل از این اشاره شد، در سیستم پیشنهادی فرض بر این است که مفاهیم سطح بالا یا همان ویژگیهای معنایی نهفته در تصاویر پایگاه ، محدود بوده و همه کاربران در این مورد با یکدیگر توافقنظر دارند. بنابراین جستجوی کاربر به این شکل آغاز خواهد شد که کاربر گروه معنایی مورد نظر خود را از میان گروههای معنایی موجود انتخاب کرده و به سیستم اعلام میکند (پیکانهای نازک نقطه چین در شکل ۴-۲ ). این عمل میتواند به صورت متنی یا گرافیکی انجام شود.
سیستم ویژگی معنایی تصویر دلخواه کاربر را میداند و با توجه به اطلاعات جدول معنایی، از گروه معنایی مورد نظر تصاویری را انتخاب کرده و به کاربر ارائه میکند (پیکانهای نازک نقطه چین در شکل ۴-۲). در این باره که سیستم چه تصاویری را انتخاب و به کاربر ارائه کند، راههای زیادی میتوان پیشنهاد کرد. انتخاب اتفاقی از میان تصاویر گروه مورد نظر یا انتخابی که بر اساس درجه تعلق تصاویر به گروه مورد نظر باشد یا آنکه خوشهبندی تصاویر گروه معنایی در حوزه ویژگیهای سطح پایین و انتخاب چند تصویر از هر خوشه، میتوانند به عنوان راهکارهایی مناسب ارائه شوند.
بعد از نمایش تصاویر، کاربر باید برای هر یک از آنها، یکی از وضعیتهای پیشبینی شده در مورد ارتباط تصویر بازیابی شده با تصویر دلخواهش را اعلام کند. فرآیند استفاده از بازخورد ارتباط با اعلام نظر کاربر شروع میشود . از این به بعد، سیستم دو هدف را دنبال میکند. هدف اول، ساخت یا بهبود پرس و جوی فرضی کاربر و نیز پیدا کردن تابع شباهت مناسب برای جستجوی تصاویر گروه معنایی مورد نظر است. این هدف با توجه به اعلام نظری که کاربر درباره تصاویر میکند به عنوان هدف کوتاه مدت، پیگیری خواهد شد (پیکانهای نازک با خط پر در شکل ۴-۲ ) .
هدف دوم، تصحیح ویژگیهای معنایی مربوط به تصاویری است که کاربر راجع به آنها اعلام نظر کرده است. با توجه به اینکه کاربر مشغول به جستجوی تصویری از یک گروه خاص معنایی است، تصاویر مرتبط و غیر مرتبط به آن گروه معنایی، طی اعلام نظر کاربر درباره آنچه که به او نشان داده شده است، مشخص میشوند. به این ترتیب درجه تعلق این تصاویر به گروههای متفاوت تصحیح میشود. این موضوع تحت عنوان یادگیری بلند مدت دنبال میشود(پیکانهای نازک با خط پر در شکل ۴-۲ ).
سیستم پس از تصحیح تابع شباهت و بهبود پرس و جوی کاربر، پایگاه ویژگیهای سطح پایین را با توجه به اطلاعات جدول معنایی جستجو کرده و نزدیکترین تصاویر را به کاربر ارائه میکند. لازم به ذکر است که تنها تصاویری جستجو میشوند که شامل ویژگی معنایی مد نظر کاربر باشند. کاربر نظر خود را درباره ارتباط تصاویر ارائه شده با تصویر دلخواه خود به سیستم نظر میکند. این روال تا زمان رسیدن کاربر به تصاویر دلخواه ادامه مییابد . بدیهی است که در این سیستم، ویژگیهای معنایی مربوط به تصاویر، به مرور بهبود پیدا میکنند و برای بازیابیهای بعدی مفید خواهد بود.
[box type=”tip” font=”tahoma” float=”right”]برای دریافت نسخه متنی(کامل تمامی فصل ها با جزییات کامل ) آن Word و منابع به کار رفته و مقالات موجود در سایت فارسی و انگلیسی (اصل مقالات فارسی و انگلیسی ) پایان نامه بازیابی تصویر براساس محتوا – پردازش تصویر و مراجع مبلغ ۶۰۰.۰۰۰ ریا ل – معادل شصت هزار تومان را به یکی از شماره کارت های زیر واریز نمایید و اطلاعات پرداخت را از طریق بخش تماس با من-(شماره تماس من پیامک کنید) ارسال نمایید. و یا از طریق پرداخت انلاین سایت به صورت آنی از طریق شبکه شاپرک به صورت اینترنتی واریز نمایید تا لینک دانلود ارسال شود.
بانک ملی به نام مهدی فعال۱۶۰۶ – ۰۶۷۱ – ۹۹۱۸ – ۶۰۳۷ : و شماره شبا IR-91 017 000 000 010 930 580 2008
بانک سپه به نام مهدی فعال: ۷۹۸۶– ۷۳۵۰- ۱۰۱۰ – ۵۸۹۲ و شماره شبا IR32 0150 0000 0090 2300 3002 01[/box]