استرجاع الصور باستخدام الخوارزمية TlTrDMCM وتقنيات التعلم الآلي

الملخص

بسبب التزايد المتسارع في أحجام قواعد البيانات، برز نظام استرجاع الصور المستند إلى المحتوى (CBIR) كوسيلة واعدة لوصف واسترجاع الصور، من خلال استخلاص السمات المرئية للصورة (اللون، الشكل، النسجة). يهدف البحث إلى أمرين أولاً: اقتراح ثلاثة إصدارات موسعة للخوارزمية FDMCM (Four Diagonal Pixels Motif co-occurrence Matrix) وهي على التواليTlBrDMCM-TlTrDMCM-TrBlDMCM:. ثانياً: تحسين دقة استرجاع الصور للخوارزمية المقترحة TlTrDMCM. حيث تم في الإصدارات الموسعة الثلاث تخفيض تعقيد الخوارزمية FDMCM من خلال تخفيض عدد النقاط المستخدمة كنقاط أولية للمسح، ففي الإصدار الموسع الأول TlBrDMCM استُخدمت بكسلات القطر الرئيس كنقاط أولية للمسح، وفي الإصدار الموسع الثاني TlTrDMCM استخدمت البكسلات القطرية الأفقية العلوية فقط كنقاط أولية للمسح، وفي الإصدار الموسع الثالث TrBlDMCM تم استخدام بكسلات القطر الثانوي فقط كنقاط أولية للمسح. حسّن البحث دقة استرجاع الصور من خلال دمج الإصدار الموسع TlTrDMCM مع خوارزميات التعلم الآلي. وأظهرت النتائج أن الإصدارين الموسعين الأول والثاني أعطت معايير تقييم جيدة وقريبة من الخوارزمية الأصلية FDMCM، مع انخفاض حجم شعاع السمات من 1152 سمة إلى 576 سمة. وأن دمج الخوارزمية TlTlDMCM مع تقنيات التعلم الآلي حسّن متوسط الدقة من 36.74% إلى 84% من أجل القاعدة Corel1k، ومن 71.49% إلى 94.33% من أجل Brodatz DB ، ومن 75.83% إلى 99.21% من أجل Vistex DB، وذلك عند الدمج مع تقنية ensemble subspace discriminant .