کاهش شکاف مفهومی در بازیابی تصویر با رویکرد بهبود اثر تلفیق در یادگیری منیفلد

بازیابی تصویر مبتنی بر محتوی، به معنای بازیابی تصاویر با استفاده از ویژگی‌های سطح پایین همچون رنگ، بافت و شکل می‌باشد. در این نوع بازیابی، شکاف معنایی به معنای اختلاف در تفسیر تصاویر، بین انسان و الگوریتم کامپیوتری می‌باشد. در این حوزه، نگاشت غیرصحیح ویژگی‌های سطح پایین تصویر به معانی سطح بالا، سبب می‌شود تا شکاف معنایی افزایش یابد. در بازیابی تصویر، چنانچه با تغییر در بافت، رنگ و یا شکل تصویر، از نظر انسان معنای تصویر تغییری نکند، ولی به دلیل تغییر غیر پیوسته در بردار ویژگی‌های سطح پایین تصویر، بازیابی تصاویر مشابه در تمامی‌موارد به درستی انجام نمی‌پذیرد. در این مقاله جهت همسو‌سازی نسبت تغییرات در فضای ویژگی متناسب با فضای معنا، از رویکرد کاهش ابعاد بردارهای ویژگی به صورت غیر خطی استفاده می‌شود. کاهش ابعاد بردارهای ویژگی به صورت غیرخطی که یادگیری منیفلد نیز نامیده می‌شود به معنای جستجوی ساختارهایی با ابعاد کم است که به صورت ذاتی و غیرخطی در مشاهدات با ابعاد بالا وجود دارد. نوآوری اصلی ارائه شده در این مقاله، استخراج یک فضای ویژگی از چند فضای ویژگی می‌باشد که با دو روش ارائه شده، اثر منفی نویز در دقت یادگیری منیفلد کاهش می‌یابد. در ارزیابی دو روش پیشنهادی، از دادگان‌های بخش b از mpeg7 و fish استفاده شده است که نتایج تجربی بیان‌گر موثر بودن روش‌های پیشنهادی می‌باشد.

Reduction of Semantic Gap in Image Retrieval by Improving the Effectiveness of Fusion in Manifold Learning

Content based image retrieval (CBIR) means image retrieval by low level features such as color, texture and shape. In this way, semantic gap is defined as the difference of image interpretation between human and computer algorithm. In this domain, incorrect mapping of lowlevel features to highlevel semantics leads to widening in semantic gap. In image retrieval it is possible to texture, color, and shape of image are changed but the concept is not transitioned in human mind. However, in most cases, feature vector of image is moved in feature space and therefore image is not correctly retrieved. The purpose of this paper is reducing the dimensions of feature vectors by a nonlinear approach, learning the manifold space and developing a new feature vector to coincide distances in semantic and feature space domains.So, the continuity between the instances of a semantic at the semantic space is kept in feature space. The main innovation of this paper is extraction of one feature space from multiple ones. In the proposed manner, adverse effect of noise in manifold learning is decreased. Experiments are done on MPEG7 Part B and Fish datasets and results show effectiveness of proposed methd.