تکه هایی از متن به عنوان نمونه:

 

فهرست مطالب

فصل1: مقدمه 1

1-1 مقدمه 3

1-2 برخی از کاربردهای سیستم‌های CBIR 4

1-2-1 جستجوی صفحات وب 4

1-2-2 اجرای قانون 4

1-2-3 حرفه پزشکی 5

1-2-4 معماری و طراحی مهندسی 5

1-2-5 مد ونشر 5

1-2-6 تحقیقات تاریخی 5

1-2-7 سنجش از راه دور 5

1-2-8 برخی از کاربردهای دیگر 6

1-3 اهداف تحقیق 6

1-4 سوالات تحقیق 6

1-5 نتایج تحقیق 7

1-6 ساختار پایان‌نامه 8

فصل2: مفاهیم پایه 9

2-1 مقدمه 11

2-2 اهداف سیستم‌های CBIR 12

2-3 تکنیک‌های مختلف در روش جستجوی هدف 13

2-3-1 جستجوی هدف به وسیلۀ نمونه دیدنی 13

2-3-2 جستجوی هدف بر اساس نقاشی 13

2-3-3 جستجوی هدف بر اساس پیش‌طرح 14

2-4 ساختار 14

فصل3: کارهای گذشته 17

3-1 بازیابی مدل‌های سه‌بعدی 19

3-2 بازیابی تصاویر بر اساس محتوا 20

3-2-1 رنگ 20

3-2-1-1 هیستوگرام رنگ 21

3-2-1-2 ممان رنگ 21

3-2-1-3 هیستوگرام رنگ حلقوی 22

3-2-2 بافت 23

3-2-2-1 روش‌های مختلف آماری برای تعیین مشخصه بافت 24

3-2-2-2 روش های ساختاری برای تعیین مشخصه بافت 24

3-2-3 شکل 25

3-2-3-1تعیین مشخصه شکل با بهره گرفتن ازروش‌های مبتنی بر لبه 25

3-2-3-2 تعیین مشخصه شکل با بهره گرفتن ازروش‌های مبتنی بر لبه کانتور یا مرز 26

3-3 معیارهای مشابهت 26

3-3-1 معیارهای مشابهت احتمالی 27

3-3-1-1 گوسین های چند متغیره(MVG) 27

3-3-1-2 توزیع های تطبیقی مستقل(FIT) 28

3-3-1-3 ترکیبی از گوسین‌ها(GMIX) 28

3-3-1-4 استفاده از رگرسیون منطقی 29

3-3-2 معیارهای مشابهت هندسی 29

3-3-3 معیارهای مشابهت هیستوگرام 29

3-3-3-1 فاصله هیستوگرام اکتشافی 29

3-3-3-2 ‌آزمایش‌های آماری غیر پارامتری 30

3-3-3-3 واگرایی اطلاعات علمی 30

3-3-4 ایجاد معیار مشابهت جدید بر اساس ترکیب چندین معیار 31

فصل4: روش‌های پیشنهادی 33

4-1 مراحل سیستم بازیابی تصویر پیشنهادی 35

4-2 پیش‌پردازش 36

4-3 همترازی مدل‌های سه‌بعدی 37

4-4 نگاشت‌های دوبعدی از مدل سه‌بعدی 38

4-5 کاهش تعداد نماها 40

4-5-1 کاهش نماها در روش‌های حساس به دوران 41

4-5-2 کاهش نماها در روش‌های مقاوم به دوران 42

4-5-3 تعداد نهایی نماهای کاهش یافته و مقایسه‌ی آن‌ها 43

4-6 استخراج سایه‌نما از تصاویر پایگاه‌داده و تصویر پرس‌وجو 43

4-7 همترازی تصاویرسایه‌نما…………………………………………………………………………………………………………………………………………………………….44

4-8 استخراج ویژگی‌ها 45

4-8-1 استخراج ویژگی با روش مساحت ناحیه ناهمپوشان 45

4-8-2 استخراج ویژگی با روش هیستوگرام زاویه گرادیان 48

4-8-3 استخراج ویژگی با روش گشتاورهای زرنیک 50

4-9 اندازه گیری شباهت بر اساس فاصله اقلیدسی 54

4-10 بازیابی تصاویر بر اساس میزان شباهت 54

فصل5: نتایج شبیه‌سازی 57

5-1 پایگاه‌داده 59

5-2 نتایج شبیه سازی 62

5-3 نتایج آزمایش 63

5-4 نمونه‌ای از نتایج 84

5-5 نتیجه‌گیری و کارهای آینده 88

مراجع 90

 

 

فهرست اشکال

شكل 4-1 نمودار بلوکی روش بازیابی پیشنهادی 36

شکل 4-2 نحوه تغییر زوایای آلفا و بتا در سطح کره 38

شکل 4-3 موقعیت قرار گرفتن چند نمونه از دوربین‌های مجازی در سطح کره 40

شکل 4-4 نماهای دوران یافته از منظر دید روبه رو و دو پهلو برای تعداد 338 دوربین 42

شكل 4-5 چند نمونه از سایه نماهای همتراز شده از نظر موقعیت و مقیاس 44

شكل 4-6 سه نمونه از استخراج ویژگی به روش مساحت ناهمپوشان 46

شکل 4-7 چند نمونه از تشخیص اشتباه کلاس نماها در روش مساحت ناحیه ناهمپوشان 47

شکل 4-8 نمونه ای از نماهای غیر هم زاویه با تشخیص درست در روش مساحت ناحیه ناهمپوشان 47

شکل 4-9 نمایش سلول ها و همپوشانی بلوک ها در یک تصویر. 49

شکل 4-10 گشتاورهای زرنیک با تعداد ویژگی های متفاوت برای 30 نما از 50 دوربین 52

شکل 4-11 گشتاورهای زرنیک با تعداد ویژگی های متفاوت برای 23 نما از 98 دوربین 52

شکل 4-12 گشتاورهای زرنیک باتعداد ویژگی های متفاوت برای 39 نما از 200 دوربین 53

شکل 4-13 گشتاورهای زرنیک با تعداد ویژگی‌های متفاوت برای 58 نما از 338 دوربین 53

شکل 5-1 تصاویر کلاس های پایگاه داده 61

شکل 5-2 مقایسه مشابهت بین تصویر کلاس 6 و کلاس 10 62

شکل 5-3 مقایسه میانگین دقت سه روش استخراج ویژگی در هر بار تغییر تعداد دوربین‌ها 63

شکل 5-4 زمان کلاسه‌بندی تصاویر پایگاه‌داده برای هر سه روش در هر بار تغییر تعداد دوربین‌ها 64

شکل 5-5 زمان بازیابی تصویر پرس و جو در هر بار تغییر تعداد دوربین ها 65

شکل 5-6 دقت متوسط کلاسه‌بندی تصاویر پایگاه داده در هر سه روش برای تعداد 50 دوربین 66

شکل 5-7 دقت متوسط کلاسه‌بندی تصاویر پایگاه داده در هر سه روش برای تعداد 98 دوربین 66

شکل 5-8 دقت متوسط کلاسه‌بندی تصاویر پایگاه داده برای تعداد 200 دوربین 67

شکل 5-9 دقت متوسط کلاسه بندی تصاویر پایگاه داده برای تعداد 338 دوربین 67

شکل 5-10 دقت روش مساحت ناحیه ناهمپوشان با تعداد دوربین های مختلف 70

شکل 5-11 دقت روش هیستوگرام زاویه گرادیان با تعداد دوربین های مختلف 70

شکل 5-12 دقت روش گشتاورهای زرنیک با تعداد دوربین های مختلف 71

شکل 5-13 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 50 دوربین 72

شکل 5-14 نمودار ماتریس کارایی روش هیستوگرام زاویه گرادیان با تعداد 50 دوربین 72

شکل 5-15 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 50 دوربین 73

شکل 5-16 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 98 دوربین 73

شکل 5-17 نمودار ماتریس کارایی روش هیستوگرام زاویه گرادیان با تعداد 98 دوربین 74

شکل 5-18 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 98 دوربین 74

شکل 5-19 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 200 دوربین 75

شکل 5-20 نمودار ماتریس کارایی روش هیستوگرام زاویه گرادیان با تعداد 200 دوربین 75

شکل 5-21 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 200 دوربین 76

شکل 5-22 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 338 دوربین 76

شکل 5-23 نمودار ماتریس کارایی روش هیستوگرام زاویه گرادیان با تعداد 338 دوربین 77

شکل 5-24 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 338 دوربین 77

 

فهرست جداول

 

جدول 4-1 تعداد و موقعیت قرار گرفتن دوربین‌های مجازی در سطح کره 39

جدول 4-2 تعداد نماهای نهایی در آرایش‌های مختلف دوربین مجازی 43

جدول 5-1 نتایج حاصل از مقایسه‌ شکل‌های 5-6 تا 5-9 برای کمترین و بیشترین دقت آزمایش‌ها 69

جدول 5-2 مقایسۀ درصد تشخیص اشتباه هر کلاس در روش مساحت ناحیه ناهمپوشان 81

جدول 5-3 مقایسۀ درصد تشخیص اشتباه هر کلاس در روش هیستوگرام زاویه گرادیان 82

جدول 5-4 مقایسۀ درصد تشخیص هر کلاس در روش گشتاورهای زرنیک 83

 

چکیده

در این پایان‌نامه، مسأله بازیابی تصاویر هواپیماهای جنگنده از یک پایگاه‌داده شامل 10 مدل مختلف بر اساس یک تصویر پرس‌وجو[1]، مورد بررسی قرار گرفته است. هواپیماهای هم‌مدل با تصویر پرس‌وجو در درون پایگاه‌داده شناسایی شده و به کاربر ارائه می‌شوند. چالش اصلی در بازیابی تصاویر هواپیماهای جنگنده، هم زاویه نبودن منظر دید دوربین در تصاویر موجود در پایگاه‌داده و تصویر پرس‌و‌جو است، که برای حل آن استفاده از مدل سه‌بعدی هواپیماهای جنگنده و تهیه تصاویر مرجع از زوایای دید مختلف توسط نگاشت‌های هندسی سه‌بعدی (دوربین‌های مجازی) پیشنهاد شده است.

سه روش مختلف برای استخراج ویژگی از تصاویر و اندازه‌گیری شباهت تصاویر پیشنهاد داده‌ایم که دو روش آن حساس به دوران و روش دیگر مقاوم به دوران می‌باشد. در روش‌های حساس به دوران، روش اول بر مبنای اندازه‌گیری مساحت ناحیه ناهمپوشان و دیگری بر مبنای هیستوگرام زاویه گرادیان کار می‌کند. در روش مقاوم به دوران از گشتاورهای زرنیک برای استخراج ویژگی استفاده شده است.

نتایج شبیه‌سازی برتری روش گشتاورهای زرنیک به لحاظ دقت بازیابی را با دقتی حدود 8/80% نشان می‌دهد که علیرغم استفاده از چند کلاس مشابه در پایگاه‌داده، این دقت بازیابی امیدبخش می‌باشد

کلمات کلیدی: بازیابی تصویر، مدل سه‌بعدی، هیستوگرام زاویه گرادیان، مساحت ناحیه ناهمپوشان، گشتاورهای زرنیک، دوربین‌ مجازی، هواپیمای جنگنده.

 

1-1 مقدمه
سیستم‌های بازیابی تصاویر بر اساس محتوا (CBIR)[1]، شامل مجموعه‌ای از روش‌ها می‌باشند که عمل بازیابی را برای تعیین تصاویر مورد نظر کاربر بر اساس مشخصه‌ های دیدنی سطح پایین مانند رنگ، بافت، شکل و یا مشخصه‌ های معنایی سطح بالا از پایگاه‌داده تصویر انجام می‌دهند. در این سیستم‌ها بازیابی تا حد بسیار بالایی به مشخصه‌ های دیدنی سطح پایین مربوط است. با توجه به این امر که کاربرد این سیستم‌ها امروزه به میزان گسترده‌ای در حال افزایش است، بنابراین نیاز به تکنیک‌هایی که بتوانند عمل بازیابی را به صورت هر چه دقیق‌تر انجام دهند ضروری به نظر می‌رسد.

از آنجا که دو مرحله اصلی در تمامی سیستم‌های CBIR، استخراج مشخصه‌ های دیدنی و اندازه‌گیری مشابهت می‌باشد، محققان برای بالا بردن دقت عمل بازیابی، امروزه روش‌های مختلفی در حوزهCBIR ، در جهت تعیین مشخصه‌ های کارآمد برای نمایش محتوای تصاویر و تکنیک‌های تطبیقی برای تعیین هر چه کارآمدتر میزان مشابهت بین تصاویر، ارائه نمودند.

انسان جهان واقعی را به صورت معنایی درک می‌کند اما سیستم‌هایCBIR ، تصاویر را بر اساس مشخصه‌ های سطح پایین مانند رنگ، بافت و شکل درک می‌نمایند . بنابراین بین درک سیستمی و درک انسان، فاصله‌ای وجود دارد که به آن “فاصله معنایی” گویند.

بنابراین یکی از مشکلات اساسی در سیستم‌های بازیابی تصویر بر اساس محتوا، فاصله معنایی بین درک سیستم و درک انسان می‌باشد، به‌طوری‌که هر چه روش‌های ارائه شده در سیستم‌های بازیابی بتوانند در تعیین بردار مشخصه‌ای و مشابهت بین تصاویر، این پارامتر را بیشتر کاهش دهند، روش‌های مناسب‌تری می‌باشند.

هر چند محققان امروزه تکنیک‌های مختلفی را بر مبنای مشخصه‌ های سطح پایین برای تعیین بردار ویژگی معنایی که بسیار نزدیک به ادراک انسانی است ارائه نموده‌اند، اما باز هم بردار حاصله در بسیاری از موارد فاصله معنایی زیادی با ادراک انسانی دارد]1[.

1-2 برخی از کاربردهای سیستم‌های CBIR
کاربردهای سیستم‌های بازیابی تصویر، روز‌به‌روز در حال افزایش است و کاربردهای بسیار زیادی در این زمینه وجود دارد. در این قسمت به برخی از کاربردهای مهم آن اشاره می‌گردد.

1-2-1 جستجوی صفحات وب
اغلب کاربردهای CBIR جهت جستجوی صفحات وب است. تعدادی از موتورهای جستجو مانند: Yahoo Simplicity , Netra , Qbic و جستجوی تصاویر Google وجود دارند که جستجوی تصاویر را از صفحات وب ساده نموده‌اند.

1-2-2 اجرای قانون
CBIR کاربردهای گوناگونی در اجرای قانون و جلوگیری از وقوع جرایم دارد، مثل تشخیص اثر انگشت، تشخیص چهره، شناسایی ردپا و نظام‌های نظارتی . بسیاری از افراد از اینترنت برای فروش و به نمایش گذاشتن کالاهای غیر‌قانونی خود مثل مواد مخدر، قاچاق اسلحه و… استفاده می‌کنند. استفاده از CBIR می‌تواند کمک شایانی به شناسایی آن‌ها نمایند.

[1] Content Based Images Retrieval

 

[1] query

 

ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است

متن کامل را می توانید دانلود نمائید

چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

ولی در فایل دانلودی متن کامل پایان نامه

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

موجود است

تعداد صفحه :117