استخراج ويژگي هاي چندگانه تركيبي براي كاهش خلا معنايي با طبقه بندي نيمه نظارتي

Extraction of Multiple Hybrid Features to Reduce the Semantic Vacuum with the Semi-Supervised Classification

در اين مقاله براي طبقه بندي تصاوير، روش طبقه‌بندي تعاوني ‌نظارت‌شده با هدف كاهش خلا معنايي پيشنهاد مي‌شود. اكثر روش‌هاي طبقه‌بندي به مقداردهي اوليه به مراكز خوشه حساس هستند و اگر به‌‌درستي مقداردهي انجام نشود الگوريتم به بهينه محلي همگرا مي‌شود. همچنين تركيب نتايج طبقه‌بندي به‌دليل مشخص نبودن برچسب مراكز كار بسيار مشكلي است. براي برطرف كردن اين مشكلات از طبقه‌بندي ‌نيمه نظارت شده استفاده ميشود. براي دستيابي به بالاترين كارايي، نتايج طبقه‌بندي سيستم با فضاي رنگ و معيار شباهت متفاوت با ويژگي‌هاي متعدد بصورت تعاوني نيمه‌نظارتي با هم تركيب مي-شوند. در شرايطي كه تعداد ويژگي‌ها موثر هستند، از بازخورد مرتبط براي طبقه‌بندي نيمه نظارتي استفاده مي‌شود. در اين پژوهش از دو روش طبقهبندي حالات استفاده شده است كه شامل طبقهبندي k-NN و PNN است كه با توجه به نتايج در همه روشهاي پيشنهاد شده، از طبقهبندي k-NN پاسخ بهتري نسبت به PNN مشاهده شده است. الگوريتم پيشنهادي بدليل كاهش پيچيدگي زمان، براي طبقه‌بندي پايگاه دادههاي بزرگ تصاوير بسيار مناسب است. نرخ بازشناسي بر دادههاي تصويري استفاده‌شده در اين تحقيق كه الگوريتم هيستوگرام هرمي گراديانهاي جهتدار بر آنها اعمال شده، داراي بالاترين نرخ نسبت به ديگر روشهاي پيشنهادي بوده و 52/98% ميباشد. آزمايشات روي پايگاه ‌داده تصاوير Corel نشان مي‌دهند كه روش تركيبي افزايش دقت طبقه‌بندي بطور ميانگين در روش تركيبي حدود 20% است.

In this paper, for the classification of images, the observed cooperative classification method is proposed with the aim of reducing the semantic vacuum. Because most classification methods are sensitive to cluster centers at initialization, the algorithm converges optimally locally if the quantification is not done correctly. It is also very difficult to combine the results of the classification due to the fact that the labels of the work centers are not clear. Supervised semi-classification is used to solve these problems. To achieve the highest performance, the system classification results are combined with different color space and similarity criteria with multiple features as a semi-supervised cooperative. When the number of features is effective, the relevant feedback is used for its semi-regulatory classification. One of the most important parts of an image retrieval system and a classification algorithm is to determine the appropriate similarity between images. In this study, two methods of classification of cases have been used, which include k-NN and PNN classification, which according to the results in all proposed methods, a better response from k-NN classification than PNN has been observed. The proposed algorithm is very suitable for classifying large image databases due to the reduction of time complexity. Also, in image retrieval in different color spaces and using different similarity criteria, different classifications are obtained. Better results can be achieved if the classification results are combined.