در [روشی سریع دربازیابی تصاویر مبتنی بر محتوا با استفاده از ترکیب ویژگی لبه و رنگ]رویکرد جدیدی برای بازیابی تصاویر مبتنی بر محتوا(CBIR) ارائه گردیده است. جهت استخراج ویژگی از دو ویژگی رنگ HSV و گرادیان لبه استفاده شده است. بدین صورت که ابتدا برای استخراج ویژگی لبه بر روی تصویر الگوی باینری محلی اعمال شده تا لبه های تصویر برجسته تر شوند سپس برروی تصویر حاصل از الگوی باینری محلی هیستوگرام گرادیان (SRF)که از مجموع دو اپراتور سوبل و رابرتز استفاده می کند تا زوایای افقی و عمودی و مورب را نمایش دهد استفاده می شود، جهت استخراج ویژگی رنگ با تبدیل فضای رنگ RGBبه فضای رنگ HSI و کمی سازی آن ویزگی رنگ بدست می آید.
1- استخراج ویژگی:
1-1:رنگ یکی از متداولترین و تعیین کننده ترین ویژگی دیداری در زمینه بازیابی تصویر است، چرا که نسبت به تغییرات مربوط به اندازه ،جهت ، دورنمایی و اغتشاش تصویر پایدار است.عمومی ترین روش در بازیابی رنگ تصاویر استفاده از هیستوگرام رنگ است که از مهمترین تکنیک های بازیابی تصویر بر اساس رنگ است.
اولین گام در تشکیل هیستوگرام رنگ،مشخص کردن فضای رنگ است. به صورت عمومی فرمت های مختلف تصاویر همچون GIF ، BMP و ... فضای رنگ RGB را در خود دارند. در صورت انتخاب این فضا محاسبات کمتری را خواهیم داشت اما مسئله قابل توجه یکنواخت نبودن از جهت ادراکی است. به همین دلیل ما در این مقاله فضای RGB را به فضای HSV تبدیل کردیم تا خاصیت یکنواختی ادراکی را شاهد باشیم. ابعاد تشکیلدهنده این فضا،رنگ را بر اساس رده (H) یا طول موج، درجه اشباع رنگ (S) و درجه روشنایی آن (V) تعریف میکنند. فضای مذکور یک فضای مخروطی است، که در آن :
١ . طول موج رنگ برابر زاویهی رنگ در برش دایره مخروط میباشد و در فاصله[0,2π] تعریف می شود، به صورتی که قرمز در زاویه صفر درجه، سبز در زاویه 2π/3 و آبی در زاویه4π/3 قرار گرفته که در انتها، دوباره به قرمزدر زاویه 2π باز میگردد.
٢ . درجه روشنایی رنگ معادل محور مرکزی مخروط است.
٣ . درجه اشباع رنگ برابر فاصله نقطه روی دایره تا محور مرکزی است به گونه ای که در نزدیکی محور، میزان غلظت کمتر است و رنگ مزبور به دسته رنگهای خاکستری میپیوندد.
H مولفه اصلی مورد استفاده در سیستمهای بازیابی است چرا که نسبت به تغییرات جهت تصویربرداری از شیئ یا منظره پایدارتر است. اما با این حال به تغییرات روشنایی به شدت حساس میباشد .
جهت تشکیل هیستوگرام رنگ پس از این فضا به طور خطی کوانتیزه میشود. بهدلیل اهمیتی که فضای H نسبت به سایر مولفه ها دارد، این مولفه به 16بازه و دو مولفه دیگر هر کدام به 4 بازه کوانتیزه میشوند. هیستوگرام رنگ تصویر با شمردن نقاطی که در هر بازه قرار می گیرند، محاسبه شده و به تعداد کل نقاط تصویر نرمالیزه میشود. بردار حاصل از نمایه سازی هر تصویر با استفاده از ویژگی هیستوگرام رنگ HSV ، یک بردار 256 بعدی است.
2-1:ویژگی لبه یکی از سودمندترین الگوریتم ها جهت مشخص کردن تغییرات پیکسل ها و طبفه بندی تصاویر مختلف است. در این مرحله در نهایت قصد بدست آوردن هیستوگرام زوایای گرادیان SRF را داریم. نکته متمایز این مقاله استفاده از عملگر الگوهای باینری محلی LBP به عنوان مرحله پیش پردازش است، به عبارت دیگر به جای آنکه بر روی تصویر خاکستری لبه یابی انجام شود بر تصویر حاصل از الگوریتم LBP ، لبه یابی انجام می شود.
سپس یرای طبقه بندی تصاویر با محاسبه فاصله اقلیدسی بین بردارهای وِزگی تصاویر این کار امکان پذیر می باشد.
برآورد خودکار سن از روی تصویر چهره کاربردهای مختلفی از جمله در پزشکی قانونی، مدیریت ارتباط با مشتری و کنترل امنیت دسترسی دارد. بدین منظور ویژگیهای مختلفی از تصاویر چهره استخراج ، پردازش و انتخاب می شوند و با استفاده از الگوریتمهای دسته بندی سن تصویر چهره مورد نظر تخمین زده می شود، پس بنابراین استخراج و انتخاب ویژگیهای مناسب یک مرحله مهم و اساسی در این فرآیند برآورد خودکار به شمار می رود.
بطور کلی در اینجا ویژگیها به دو نوع محلی و عمومی تقسیم می شوند:
ویژگی های محلی در قسمتهای مختلف چهره مانند انواع چین و چروکها و غیره و ویژگیهای عمومی شامل اندازه و شکل ظاهری چهره هستند که در این مقاله با تلفیق ویژگیهای عمومی و محلی میزان دقت بازیابی را افزایش داده است.
مرجع: مجله مهندسی برق دانشگاه تبریز، جلد 47 ،شماره 3، پاییز 1396
در این مقاله روشی جدید برای توصیفگرهای ویژگی پیشنهاد شده است که ارتباط جهات همسایه ها و پیکسل وسط را جمع آوری می نماید و همچنین الگوی DLEP اطلاعات جهات را برپایه اکسترممهای 0و45و90و135 درجه برای هر پیکسل بدست می آورد.
استخراج داده یکی از شاخه های فعال در بازیابی اطلاعات و یا داده ها در پایگاه داده ها و یا کتابخانه های بزرگ است که در گذشته بازیابی براساس متن برای استخراج و بازیابی اطلاعات استفاده می شد، بدین صورت که در این فرآیند متونی در حاشیه تصویر نوشته می شد و سپس با استفاده از سیستم مدیریت پایگاه داده های بر پایه متن عمل بازیابی تصویر انجام می شد که پیشرفتهای زیادی از قبیل مدل نمودن داده ،شاخصهای چند بعدی ،ارزیابی Query در این روش حاصل شد، بهرحال دو مشکل عمده نیز بر سر راه این روش وجود داشت:
1- زمانیکه سایز تصویر بزرگ می شد (ده یا صد هزار ) مشکلی در ذخیره این تصویر بود.
2-مشکلی که حائز اهمیت بود محتوای درون تصویر و درک صحیح انسان از آن بود که شاید از دو تصویر مشابه درکهای مختلفی صورت می گرفت.
به همین دلایل بود که ایده CBIR بر اساس محتوای بصری شامل رنگ و بافت و شکل و ... شکل گرفت. رنگهای تصویر فقط برای زیبا سازی تصویر بکار برده نمی شوند بلکه اطلاعاتی در مورد تصویر را به ما می دهند که برای استخراج اطلاعات از تصویر رنگی کاربرد فراوان دارد،یکی از الگوهای CBIR الگوی LBP هست که در روشهای گوناگون مربعی،دایره ای ، قطری کاربرد دارد و الگوی نسبتا موفقی از نظر سرعت و کارآیی در کلاس بندی بافتها جهت موارد تشخیص چهره ، ردیابی شی ، بازیابی تصویر چهره و تشخیص اثر انگشت به شمار می رود.
در شکل زیر نحوه محاسبات نمایش داده شده است.
LBP معمولی