جستجوي تصاوير وب برپايه رويكرد تركيبي آنتولوژي گرا

Web Image Search Based on Ontology-Oriented Hybrid Model

در سيستم هاي بازيابي تصاوير از رويكرد بازيابي مبتني بر متن (كلمات كليدي) يا بازيابي مبتني بر محتوا استفاده مي شود. همچنين گروهي از سيستم هاي بازيابي تصاوير از تركيب اين دو رويكرد استفاده مي كنند. استفاده از كلمات كليدي براي بازيابي، به دليل كاربر پسند بودن و ذات معنايي كلمات مورد توجه پژوهشگران بسياري بوده است و جستجو از طريق آنها نتايج خوبي را بهمراه داشته است. كلمات كليدي مناسب و مرتبط با عنوان تصاوير در بازيابي تصاوير، اهميت بسيار زيادي دارد. در اين مقاله، مدلي براي بازيابي تصاوير مبتني بر متن، ارائه شده است كه اين مدل تركيبي، از خوشه بنديK-Means و وردنت، استفاده مي كند. وردنت باعث مي شود كه با توجه به انواع روابط معنايي با مفاهيم مورد نظر، بازيابي اطلاعات تصويري تا حد امكان به بهترين وجه، صورت گيرد. ارزيابي مدل پيشنهادي برروي ديتاست UIUC انجام شده است. نتايج نشان مي دهد كه كارايي مدل پيشنهادي در ارزيابي دقت تشخيص خوشه بندي تصاوير مبتني برمتن بالاي 90% است.

On the Internet, search engines can retrieve images with optimum precision and speed by searching through text and web pages. In the image retrieval systems, Text Based Image Retrieval (TBIR) approach (keywords), Content Based Image Retrieval (CBIR) and the combination of those approaches have been applied. It is worth noting the application of keyboards are user-friendly and hence many researchers prefer to use them in retrieval problems. As expectation, suitable keywords which are much more related to image titles are very important in retrieving images. In this paper, based on WordNet, a model is proposed to retrieve text-based image recognition accuracy and then the proposed approach has been used for clustering (i.e. K-Means algorithm). The semantic web is related to relations and the discovery of meanings and attempts to discover the patterns of the class and the meanings of words. WordNet has a variety of semantic relationships with concepts, therefore it is possible to retrieve file information in the best way. We applied the proposed model on the UIUC data. The results indicated the high performance of the proposed model in evaluating the accuracy of detection of TBIR clustering ( 90% overall accuracy).