چهارچوب استخراج ويژگي سيستم تشخيص محتواي تصاوير بر اساس آناليز تبديل چرخشي و اطلاعات مكاني

Feature Extraction Framework for CBIR Systems based on Cyclic Transform Analysis & Spatial Information

يك چارچوب جديد استخراج ويژگي براي بازيابي تصاوير ارائه مي‌شود. اين سيستم براي آناليز تبديل چرخشي طراحي شده است. از توصيفگرهاي آماري در دامنه فركانسي سيگنال استفاده مي كند. تبديل چرخشي توسط يك الگوريتم نيمه نظارتي محاسبه مي شود كه اين الگوريتم بسيار ساده و موثر است. ويژگي هاي استخراجي انرژي و بردار نرم-1 هستند كه از بخش هاي مختلف صفحه دو قطبي فركانسي بدست مي ‌آيد. اين ويژگي هاي بازدهي مناسبي را به ارمغان مي اورند. مضافا بر اينكه اين مقاله چارچوبي جديد ديگري براي ويژگي هاي مكاني ارائه مي دهد كه منجر به افزايش مجدد درصد بازيابي در پايگاه داده تصاوير رنگي مي‌شود. طلاعات مكان توسط ماتريس ميدان نزولي بدست مي آيد. تركيب معنادار ويژگي بافتي با اطلاعات طيفي منجر به ويژگي مقاوم در مقابل چرخش و مقياس بندي مي‌شود. نتايج آزمايشات بر روي پايگاه داده مقياس بزرگ با 10000 تصوير، تضمين كننده كارايي سيسيتم پيشنهادي است. در بلوك بازيابي جهت اندازه گيري فاصله از فاصله كانبرا و مينكوفسكي استفاده شده است. نتايج نهايي سيستم با چند روش قبلي مقايسه مي‌شود كه در تمامي كلاسها روش پيشنهادي عملكرد مناسبي دارد كه در حدود 10 درصد باعث بهبود نتايج مي‌شود.

A novel framework of feature generation for Content based image retrieval (CBIR) is proposed. This system is realized on Cyclic transform Analysis (CTA). It introduces statistical descriptors in the signals frequency domain. Then the CT of data is computed by Semi supervised algorithm (SSA) which is a simple & efficient algorithm. Presented Features are Norm-1 & energy CTA extracted from different sections of bi-frequency plane. This layout illustrate good characteristic in database. In addition, this manuscript illustrates a novel framework for generating textural and spatial information, and higher retrieval percentages. The textural features extracted with proposed CTA utilizing first & second moments among the image tiles is so effective in data processing. Spatial information is extracted utilizing decent field matrix (DFM). After that, moments are computed from DFM to get spatial features. The composition of the textural features and conjunction with the spatial information leads to a fantastic features matrix for retrieval. The experimental results on database guaranty the method efficiency on all classes of database with more than 10000 image. For measuring the distance of features a simple matching system based on Minkowski & Canberra distances is introduced. The results are compared with previous scholars and retrieval percentage is increased more than 10% in comparison with previous systems.