حاشیه نویسی تصویر با استفاده از الگوریتم خوشه بندی نیمه نظارتی طیفی

نویسندگان

نگار صادق زاده

negar sadeghzadeh science and research university kerman branchدانشگاه علوم تحقیقات کرمان محبوبه شمسی

mahboubeh shamsi دانشگاه صنعتی قم عبدالرضا رسولی کناری

abdolreza rasouli kenari دانشگاه صنعتی قم

چکیده

چکیده: با توجه به رشد تصاویر دیجیتال در دنیای امروز نیاز به روش هایی کارا برای حاشیه نویسی تصاویر احساس می شود. در این مقاله، از روش خوشه بندی نیمه نظارت شده طیفی همراه با بازخورد مرتبط برای حاشیه نویسی تصاویر دیجیتال استفاده شده است که استفاده از این روش باعث غلبه کردن بر مسئله همگرا شدن در مینیمم محلی شده است. عملکرد روش پیشنهادی بر روی 5000 داده مجموعه داده corel تست شده است و نتایج بدست آمده نشان دهنده کارآیی و دقت بالای روش پیشنهادی در مقایسه با روش های خوشه بندی دیگر است.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

حاشیه‌نویسی تصویر با استفاده از الگوریتم خوشه‌بندی نیمه نظارتی طیفی

Abstract: Due to the growth of digital images require efficient methods to annotate the images is sense. In this paper, a semi-supervised spectral clustering with relevance feedback is used to annotate digital photos which is overcome the local minima problem on clustering methods by using some labeled information given by users. Performance of the proposed method is tested on Corel 5K dataset ...

متن کامل

خوشه بندی تصاویر پوشاک با استفاده از پردازش تصویر و الگوریتم K-means

امروزه صنعت پوشاک و مد صنعتی جهانی است و اکثر کشورها روی این صنعت سرمایه گذاری می کنند. در سالهای اخیر با گسترش تجارت الکترونیک و با توجه به مزیت های آن مثل قابل استفاده بودن کالاها با هزینه کمتر، انتخاب گسترده تر و صرفه جویی در زمان، انبوه مردم مایحتاج خود را از وبگاه ها و فروشگاه های اینترنتی به جای مغازه ها تهیه می کنند. این موضوع، نیاز به سامانه ای را ایجاد کرده که بتواند پوشاک را شناسایی و...

متن کامل

قطعه بندی تصاویر با استفاده از روش خوشه بندی طیفی مبتنی بر سوپرپیکسل

علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستم‌های هوشمند به کار گرفته می‌شود. اولین گام در بسیاری از کاربرد‌های بینایی ماشین، قطعه‌بندی تصویر می‌باشد. در این پژوهش، روش خوشه­بندی طیفی با سوپرپیکسل برای قطعه­بندی تصویر ارائه شده است. با اعمال الگوریتم KFCM و با استفاده از توزیع عضویت در ماتریس بخش­بندی، یک میزان تشابه فازی هسته­ای جدید پیشنهاد داده­ایم که سبب کا...

متن کامل

قطعه بندی تصاویر با استفاده از روش خوشه بندی طیفی مبتنی بر سوپرپیکسل

علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستم‌های هوشمند به کار گرفته می‌شود. اولین گام در بسیاری از کاربرد‌های بینایی ماشین، قطعه‌بندی تصویر می‌باشد. در این پژوهش، روش خوشه­بندی طیفی با سوپرپیکسل برای قطعه­بندی تصویر ارائه شده است. با اعمال الگوریتم KFCM و با استفاده از توزیع عضویت در ماتریس بخش­بندی، یک میزان تشابه فازی هسته­ای جدید پیشنهاد داده­ایم که سبب کا...

متن کامل

حاشیه نویسی خودکار تصاویر مبتنی بر خوشه بندی دو‌سطحی بصری و معنایی

حاشیه‌نویسی خودکار تصاویر به ایجاد خودکار برچسب‌های متنی مطابق با محتوای بصری تصاویر دلالت دارد. اگرچه در دهه گذشته تحقیقات فراوانی در این زمینه انجام گرفته است اما وجود برچسب‌های متعدد و وجود شکاف معنایی میان این برچسب‌ها و ویژگی‌های سطح پایین بصری باعث کاهش دقت و کارایی این سامانه‌ها شده است. در این پژوهش یک روش حاشیه‌نویسی با استفاده از خوشه‌بندی دو‌سطحی بر مبنای ویژگی‌های کاهش یافته با الگو...

متن کامل

جداسازی خودکار کانی های موجود در مقاطع نازک سنگ ها با استفاده از الگوریتم های پردازش تصویر و خوشه بندی

جداسازی خودکار کانی‌ های موجود در مقاطع نازک با استفاده از روش‌های پردازش تصویر، یکی از موضوعاتی است که در سال‌های اخیر مورد توجه زمین‌ شناسان قرار گرفته است. سنگ‌ها اصلی‌ترین منبع اطلاعاتی زمین‌ شناسان می‌باشند، و یکی از روش‌های متداول مطالعه سنگ‌ها، تهیه مقاطع نازک از آن‌ها و بررسی این مقاطع با استفاده از میکروسکوپ‌ های انکساری قطبی کننده نور است. همچنین جداسازی کانی‌ های موجود در مقاطع نازک،...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید


عنوان ژورنال:
محاسبات نرم

جلد ۳، شماره ۱، صفحات ۲۰-۳۵

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023