خوشه‌بندی تصاویر مقیاس بالا با مدل‌سازی نشانه‌های معنایی و شبیه‌سازی مکانی

در سال‌های اخیر حاشیه‌نویسی تصاویر یکی از موضوعات تحقیقاتی فعال است. در این مقاله برای حاشیه‌نویسی تصاویر، تکنیک خوشه‌بندی تعاونی نیمه نظارت‌شده پیشنهاد می‌شود. روش‌های خوشه‌بندی به دلیل عدم نیاز به حاشیه‌نویسی بسیار موردتوجه هستند. برای دستیابی به بالاترین کارایی، نتایج خوشه‌بندی شش سیستم با فضای رنگ و معیار شباهت متفاوت با رای اکثریت به‌صورت تعاونی، باهم ترکیب می‌شوند. در شرایطی که تعداد رای‌ها برای یک تصویر کم باشد از بازخورد مرتبط برای حاشیه‌نویسی آن استفاده می‌شود. امروزه بیشتر از معیار شباهت خطی برای تعیین شباهت بین تصاویر استفاده می‌شود، ولی مدل‌های غیرخطی به دلیل نزدیکی به سیستم بینایی انسان می‌توانند کارایی بسیار بهتری داشته باشند، بدین منظور معیار شباهت غیرخطی kmrbf برای شبیه‌سازی بینایی انسان و بهبود نتایج بازیابی پیشنهاد می‌شود. آزمایش‌ها روی پایگاه داده تصاویر کورل و تصاویر ماهواره‌ای نشان می‌دهند که روش پیشنهادی دارای کارایی مناسبی است. با توجه به نتایج به‌دست‌آمده در پایگاه داده تصاویر ماهواره‌ای فضای رنگ yiq دارای دقت بالاتری (به مقدار 82/5 درصد) است. همچنین سه فضای رنگ cielab, hsv و yiq دارای کارایی بالاتری هستند، چون در این فضاهای رنگی لومینانس از کرومینانس جدا بوده و این فضاهای رنگی به سیستم بینایی انسان نزدیک‌تر هستند.

high-scale image clustering with semantic cues modeling and spatial simulation

in recent years, image annotation is one of the active research topics. in this article, a semi-supervised cooperative clustering technique is proposed for image annotation. clustering methods are very popular because they do not require annotations. in order to achieve the highest efficiency, the clustering results of six systems with different color space and similarity criteria are cooperatively combined with the majority vote. when the number of votes for an image is low, relevant feedback is used to annotate it. one of the most important parts of the image retrieval system and clustering algorithm is determining the appropriate similarity criteria between images. nowadays, the linear similarity criterion is mostly used to determine the similarity between images, but the nonlinear models can have much better performance due to their proximity to the human vision system, for this purpose, the kmrbf nonlinear similarity criterion is used to simulate vision. humans and improvement of recovery results are suggested. experiments on the corel image database and satellite images show that the proposed method has good performance. according to the results obtained in the satellite image database, the yiq color space has a higher accuracy (82.5%). also, the three color spaces cielab, hsv and yiq have higher efficiency, because in these color spaces, luminance is separated from chrominance and these color spaces are closer to the human vision system.