بازيابي تصاوير بر اساس محتوا با استفاده از تركيب روش هاي PCA و LDA

Content-based Image Retrieval Using Combining PCA and LDA Methods

امروزه، تصاوير ديجيتال كاربرد گسترده‌اي در تشخيص بيماري‌ها، چهره، اثر انگشت، امنيت سيستم‌ها و حوزه‌هاي ديگر پيدا كرده‌اند. از اين رو، ارائه الگوريتمي دقيق در جستجو و بازيابي تصاوير از اهميت بالايي برخوردار است. در اين مقاله با استفاده از تركيب روش‌هايPCA وLDA براي بازيابي تصاوير ارائه شده است. در اين روش ابتدا تصاوير رنگي موجود در فضاي RGB به فضاي HSV منتقل، سپس ويژگي‌هاي رنگ، شكل و بافت از مولفه “V” فضاي رنگ HSV استخراج مي‌شوند. در ادامه بردار ويژگي پيشنهادي با استفاده از هيستوگرامLDP ، هيستوگرام رنگ، هيستوگرام Tamura و ماتريس رخداد مشترك ساخته مي‌شود. در ادامه با تركيب دو روش PCA وLDA كاهش ويژگي انجام و در نهايت طبقه‌بندي صورت مي‌پذيرد. براي بررسي روش پيشنهادي چهار سناريو طراحي و ارزيابي صورت پذيرفت. با توجه به آزمايشات صورت گرفته و ارزيابي انجام شده، دقت بدست آمده 97.6 حاصل گرديد كه حاكي از عملكرد مناسب روش پيشنهادي در مقايسه با كارهاي مشابه مي‌باشد.

Nowadays, digital images are widely used in the diagnosis of disease, facial and fingerprint, security systems, and more. Therefore, providing an accurate algorithm in image recognition and retrieval is very important. This paper presents a combination of PCA and LDA methods for image retrieval. In this method, first, the color images in the RGB space are transferred to the HSV space, then the color, shape, and texture properties are extracted from the "V" component of the HSV color space. The proposed feature vector is then constructed using the LDP histogram, color histogram, Tamura histogram, and common event matrix. Then, by combining the two methods of PCA and LDA, the specificity is reduced and finally, the classification is done. Four scenarios were designed and evaluated to evaluate the proposed method. According to experimental result and evaluation criteria, The accuracy obtained was 97.6 which indicates the proper performance of the proposed method compared to similar tasks.