استخراج ویژگی های چندگانه ترکیبی برای کاهش خلا معنایی با طبقه بندی نیمه نظارتی

مهندسی مخابرات جنوب

دوره 12، شماره 45، مهر 1401، صفحه 31-44   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/jce.2022.691134

نویسندگان

مهدی جلالی¹؛ توحید صدقی^{* 2}

¹گروه برق، دانشکده فنی مهندسی، واحد نقده، دانشگاه آزاد اسلامی، نقده، ایران

²گروه برق، دانشکده فنی مهندسی ، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران

چکیده

در این مقاله برای طبقه بندی تصاویر، روش طبقه‌بندی تعاونی ‌نظارت‌شده با هدف کاهش خلا معنایی پیشنهاد می‌شود. اکثر روش‌های طبقه‌بندی به مقداردهی اولیه به مراکز خوشه حساس هستند و اگر به‌‌درستی مقداردهی انجام نشود الگوریتم به بهینه محلی همگرا می‌شود. همچنین ترکیب نتایج طبقه‌بندی به‌دلیل مشخص نبودن برچسب مراکز کار بسیار مشکلی است. برای برطرف کردن این مشکلات از طبقه‌بندی ‌نیمه نظارت شده استفاده می‏شود. برای دستیابی به بالاترین کارایی، نتایج طبقه‌بندی سیستم با فضای رنگ و معیار شباهت متفاوت با ویژگی‌های متعدد بصورت تعاونی نیمه‌نظارتی با هم ترکیب می-شوند. در شرایطی که تعداد ویژگی‌ها موثر هستند، از بازخورد مرتبط برای طبقه‌بندی نیمه نظارتی استفاده می‌شود. در این پژوهش از دو روش طبقهبندی حالات استفاده شده است که شامل طبقهبندی k-NN و PNN است که با توجه به نتایج در همه روشهای پیشنهاد شده، از طبقهبندی k-NN پاسخ بهتری نسبت به PNN مشاهده شده است. الگوریتم پیشنهادی بدلیل کاهش پیچیدگی زمان، برای طبقه‌بندی پایگاه ‏داده‏های بزرگ تصاویر بسیار مناسب است. نرخ بازشناسی بر دادههای تصویری استفاده‌شده در این تحقیق که الگوریتم هیستوگرام هرمی گرادیانهای جهتدار بر آنها اعمال شده، دارای بالاترین نرخ نسبت به دیگر روشهای پیشنهادی بوده و 52/98% میباشد. آزمایشات روی پایگاه ‌داده تصاویر Corel نشان می‌دهند که روش ترکیبی افزایش دقت طبقه‌بندی بطور میانگین در روش ترکیبی حدود 20% است.

کلیدواژه‌ها

طبقه‌بندی نیمه نظارتی؛ بازیابی تصاویر؛ ویژگی؛ حاشیه نویسی

مراجع

[1] F. Cao , J. Liang and B. Liang, “ A new initialization method for categorical data clustering,” Expert Systems with Applications., vol 36,no.7, pp. 10223–10228, 2009 ,doi:10.1016/j.eswa.2009.01.060.

 

[2] A. Amato and V. Lecce, “ A knowledge based approach for a fast image retrieval system,” Image and Vision Computing vol 26,no.11, pp.  1466–1480, 2008, doi:10.1016/j.imavis.2008.01.005.

 

[3] Y. Chen, J. Z. Wang and R. Krovetz, "CLUE: cluster-based retrieval of images by unsupervised learning," in IEEE Transactions on Image Processing, vol. 14, no. 8, pp. 1187-1201, Aug. 2005, doi: 10.1109/TIP.2005.849770.

 

[4] R. Zhang and Zh. Zhang, “ Empirical Bayesian learning in the relevance feedback for image retrieval,” Image and Vision Computing. vol. 24,no.3,  pp.211–223, 2006, doi:10.1016/j.imavis.2005.11.004.

 

[5] V.Mezaris and I. Kompatsiaris, “ Region Based Image Retrieval Using an Object Ontology and Relevance Feedback,” EURASIP Journal on Applied Signal Processing ,vol.6,pp. 886–901, 2004, doi: 10.1155/S1110865704401188.

 

[6] Y. Rui, T. S. Huang and S. Mehrotra, "Content-based image retrieval with relevance feedback in MARS," Proceedings of International Conference on Image Processing, 1997, pp. 815-818 vol.2, doi: 10.1109/ICIP.1997.638621.

 

[7] J.A. Hartigan and M.A. Wong , “Algorithm AS136: A k-means Clustering algorithm,” Applied Statistic, vol.28,no.1, pp. 100-108. 1979, doi:10.2307/2346830.

 

[8] B. Kimia, “Shape Representation for Image Retrieval”,  Image Databases: Search and Retrieval of Digital Imagery, John Wiley & Sons, pp. 345-358, 2001, doi:10.1002/0471224634.ch13.

 

[9] J.Li,  J. Z. Wang and G. Wiederhold , “Integrated Region Matching for Image Retrieval,” ACM Multimedia, p. 147-156,2000 ,doi: 10.1145/354384.354452.

 

[10] J. Mao and A.K. Jain, “Texture Classification and Segmentation using Multi-Resolution Simultaneous Autoregressive Models,” Pattern Recognition, vol. 25,no.2, pp. 173-188, 2010, doi:10.1016/0031-3203(92)90099-5. 

 

[11] M. Jalali and T. Sedghi, "Semi Supervised Feature Extraction for Filling Semantic Gap in Image Retrieval," Iranian Conference on Machine Vision and Image Processing, 2011, pp. 1-4, doi: 10.1109/IranianMVIP.2011.6121537.

 

[12] A. Pentland, R. Picard and S. Sclaroff “Photobook: Contentbased manipulation of image databases,” International  Journal of  Computer Vision, vol.18,no.3, pp.233–254 ,1996, doi:10.1007/BF00123143.

 

[13] T. N. Kipf and M. Welling, “Semi-supervised classification with graph convolutional networks,” 5th Int. Conf. Learn. Represent. ICLR 2017 - Conf. Track Proc., pp. 1–14, 2017.

 

[14] R. Zhang and Z. Zhang " BALAS: Empirical Bayesian learning in the relevance feedback for image retrieval," Image and Vision Computing , vol.24, no.3, pp. 211–223,2006, doi:10.1016/j.imavis.2005.11.004.

 

[15]  J. Smith,  “Color for Image Retrieval”, Image Databases: Search and Retrieval of Digital Imagery, John Wiley & Sons, New York, pp.285-311,2001. 

 

[16] J. R. Smith and Shih-Fu Chang, "Single color extraction and image query," Proceedings., International Conference on Image Processing, 1995, pp. 528-531 vol.3, doi: 10.1109/ICIP.1995.537688.

 

[17] M. Stricker and M. Swain, "The capacity of color histogram indexing," 1994 Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 1994, pp. 704-708, doi: 10.1109/CVPR.1994.323774.

 

[18] M. Unser, "Texture classification and segmentation using wavelet frames," in IEEE Transactions on Image Processing, vol. 4, no. 11, pp. 1549-1560, Nov. 1995, doi: 10.1109/83.469936.

 

[19] K. P. Yip, D. W. Cheung and M. K. Ng, "On discovery of extremely low-dimensional clusters using semi-supervised projected clustering," 21st International Conference on Data Engineering (ICDE'05), 2005, pp. 329-340, doi: 10.1109/ICDE.2005.96.

 

[20] L. Nanni, A. Rigo, A. Lumini, and S. Brahnam, “Spectrogram classification using dissimilarity space,” Appl. Sci., vol. 10, no. 12, pp. 1–17, 2020, doi:10.3390/app10124176.

 

[21] Y. Chen, J. Z. Wang and R. Krovetz, "CLUE: cluster-based retrieval of images by unsupervised learning," in IEEE Transactions on Image Processing, vol. 14, no. 8, pp. 1187-1201, Aug. 2005, doi: 10.1109/TIP.2005.849770.

 

[22] K. Z. Mao, K. -C. Tan and W. Ser, "Probabilistic neural-network structure determination for pattern classification," in IEEE Transactions on Neural Networks, vol. 11, no. 4, pp. 1009-1016, July 2000, doi: 10.1109/72.857781.

 

[23] M. Flickner et al., "Query by image and video content: the QBIC system," in Computer, vol. 28, no. 9, pp. 23-32, Sept. 1995, doi: 10.1109/2.410146.

 

[24] X. Zhang, M. Lei, D. Yang, Y. Wang and L. Ma, “Multi-scale curvature product for robust image corner detection in curvature scale space,”  Pattern Recognition Letters, vol.28,no.5,Apr. 2007, doi:10.1016/j.patrec.2006.10.006.

 

[25] N. C. Shirazi, R. Hamzehyan, and A. Masoomi, " The Comparison of Classification Algorithms for Remote Sensing Images," Journal of Communication Engineering., vol. 5,no.17, pp. 31-38, 2015(in persian).

 

[26]  A. Soltani-Farani, H. R. Rabiee, and S. A. Hosseini, "Spatial-aware dictionary learning for hyperspectral image classification," IEEE Trans. Geosci. Remote Sens., vol. 53,no.1, pp. 527-541, 2015, doi: 10.1109/TGRS.2014.2325067.