بازگشت به بانک اطلاعات پایان نامه ها

شماره دانشجویی : 930339030
نام و نام خانوادگي : سمیه قاسمی خانلر
عنوان پایان نامه : بهبود طبقه¬بندی تصاویر رنگی بر اساس محتوا توسط الگوریتم ماشین بردار پشتیبان (SVM) و بهینه-سازی ازدحام ذره (PSO)
دانشكده : دانشکده فنی و مهندسی
گروه تحصيلي : مهندسي کامپيوتر
رشته/گرایش تحصيلي : نرم افزار
مقطع تحصيلي : کارشناسی ارشد
استاد راهنما (عضو هیات علمی مرکز) : آلبرت پوربنیامین ,
استاد مشاور () : ,
چكيده : با افزایش روز افزون حجم تصاویر در نتیجه¬ی پیشرفت¬های اخیر تکنولوژی تصویربرداری و نیز پیشرفت¬های خیره کننده سخت افزار کامپیوتر در آرشیو تصاویر، باعث توسعه یافتن روش¬های طبقه¬بندی و بازیابی محتوا محور تصاویر شده است. ابتدا روش¬هایی که برای طبقه¬بندی محتوا محور تصاویر انجام می¬شد توصیف متن بوده که توسط اپراتور کلمات کلیدی در نظر گرفته می¬شد که این روش با توجه به خودکار نبودن، زمانبر بوده و کارایی لازم را نداشت چرا که با توجه به حجم انبوه تصاویر و نیز برداشت¬هایی که از عکس می¬شود ممکن است برای هر کاربر متفاوت باشد. تاکنون روش¬های زیادی برای طبقه¬بندی تصاویر ارائه شده اند که هرکدام به نوبه خود عملکرد قابل قبولی داشته¬اند. روش طبقه¬بندی تصاویر بر اساس محتوا زیر مجموعه مهم و اصلی سیستم¬های بازیابی تصاویر بر اساس محتوا می¬باشد. با توجه به این مهم در صورتی که این بخش به صورت دقیق پیاده سازی نشود عملا سیستم¬های بازیابی محتوا محور تصاویر کارایی لازم را نخواهند شد. روش پیشنهادی به گونه¬ای است که ویژگی¬های تعدادی تصویر از چهار کلاس متفاوت با استفاده از فضای تصویر CIE Lab و توصیفگر هیستوگرام رنگ استخراج می¬شوند و به عنوان ورودی به الگوریتم بهینه¬سازی ازدحام ذرات(PSO) داده شده و پس از آن بهینه¬سازی ازدحام ذره با انتخاب ویژگی¬های کارآمدتر، تعداد ویژگی¬ها را کاسته و آن¬ها را وارد طبقه¬بند ماشین بردار پشتیبان می¬کند. ماشین بردار پشتیبان نیز با توجه به تابع هسته شعاعی تعریف شده ویژگی¬ها را طبقه¬بندی نموده و تشخیص می¬دهد که تصویر مورد نظر در چه کلاسی قرار دارد. قرار دادن الگوریتم بهینه-سازی ازدحام ذره برای انتخاب ویژگی به عنوان نقطه قوت این پژوهش به نظر می¬آید چرا که مزیت این را دارد زمانی که ویژگی¬های مستخرج از تصاویر بسیار زیاد باشد ماشین بردار پشتیبان با حجم انبوهی از ویژگی¬های ناکارآمد روبه رو خواهد شد که این امر موجب بالا رفتن هزینه زمان پردازش و پایین آمدن دقت آن خواهد شد. روش پیشنهادی در نرم افزار متلب پیاده سازی شده و با الگوریتم ژنتیک مقایسه شده است که با توجه به نتایج بدست آمده، الگوریتم دقت حدود 88 درصد از خود نشان داده است. کليد واژه: طبقه¬بندی، ماشین بردار پشتبان، محتوا محور، بهینه¬سازی ازدحام ذره، فضای رنگی CIE Lab.
كلمات كليدي : طبقه¬بندی، ماشین بردار پشتبان، محتوا محور، بهینه¬سازی ازدحام ذره، فضای رنگی CIE Lab.
تاريخ دفاع : 1397-04-17