يك روش مبتني‌بر خوشه‌بندي سلسله‌مراتبي تقسيم‌كننده جهت شاخص‌گذاري اطلاعات تصويري

A Divisive Hierarchical Clustering-based Method for Indexing Image Information

در سامانه‌هاي رايج بازيابي تصوير مبتني بر محتوا از ساختارهاي شاخص گذاري چند بعدي براي سرعت‌بخشيدن به عمليات جستجو استفاده مي شود. در اكثرحوزه هاي كاربردي، ابعاد بالايي از بردارهاي ويژگي چند بعدي براي توصيف تصاوير موردنياز است؛ اما ساختار هاي شاخص‌گذاري چند بعدي رايج كارايي خود را با افزايش ابعاد فضاي ويژگي از دست مي دهند. افزايش ابعاد فضاي داده موجب افزايش نمايي اندازه فضاي جستجو و تعداد گره ها در ساختارهاي شاخص گذاري چندبعدي و همچنين موجب افزايش هم‌پوشاني بين گره هاي ساختارهاي شاخص گذاري چندبعدي مي شود. اين مسايل منجر به افزايش هزينه جستجو از طريق ساختارهاي شاخص گذاري چندبعدي رايج مي‌شود. هدف اين پژوهش ارايه يك ساختار شاخص گذاري تصوير مبتني بر خوشه بندي سلسله مراتبي تقسيم كننده، جهت مديريت بردارهاي ويژگي متناظر با تصاوير، در فضاي ويژگي با ابعاد بالاست كه درضمن از هم‌پوشاني نواحي گره ها نيز جلوگيري به عمل آورد. آزمون هاي مختلف نشان داده كه ساختار شاخص گذاري پيشنهادي در فضاهاي با ابعاد بالا كارايي مناسبي داشته و نسبت به رويكردهاي پيشين داراي برتري است.

It is conventional to use multi-dimensional indexing structures to accelerate search operations in content-based image retrieval systems. In most practical applications, high-dimensional feature vectors are required, but current multi-dimensional indexing structures lose their efficiency with growth of dimensions. Increase in dimensions of data space leads to exponentially growth of the search space and increase of the number of nodes in multi-dimensional indexing structure, as well as increase in overlap between nodes in multi-dimensional indexing structures. These problems lead to increase in cost of search through indexing structure. The goal of this research is to propose a divisive hierarchical clustering-based multi-dimensional indexing structure in order to manage high-dimensional feature vectors extracted from images, which also prevents overlapping in its structure. Various tests on high-dimensional datasets indicate the performance of our proposed method in comparison with others.