باتوجه به محبوبیت و استفاده روزافزون از وسایل دیجیتال در زندگی روزمره بشر و همچنین گسترش به اشتراکگذاری تصاویر در شبکههای اجتماعی همچون فیسبوک، فلیکر، اینستاگرام و غیره و همچنین بارگذاری فیلمهای مختلف در این شبکهها، استفاده از تصاویر دیجیتال مخصوصا در دهه اخیر رشد قابل توجهی داشتهاست که در میان این تصاویر، درصد بالایی مربوط به تصاویر چهره انسان است و در مواردی از قبیل پایش تصویر برخط، تعامل انسان و ماشین، ردیابی شخص در ویدئو، بازیابی تصویر چهره افراد مجرم، کنترل تردد کارکنان سازمان و تفکیک دوست از دشمن در پایگاههای نظامی(از قبیل نیروی دریایی و ...)کاربردهای فراوانی دارد. بنابراین دقت و سرعت بازیابی در این مسئله حائز اهمیت است. در این مقاله دو روش برپایه الگوی دودوئی محلی ارائه شده است که در نهایت با تشخیص لبه ترکیب میشود. برای افزایش سرعت روش ترکیبی پیشنهادی بصورت موازی در محیط C++ CUDA اجرا شده است. در این مقاله میزان دقت و سرعت بر روی مجموعه دادههای مختلف ارزیابی شد و بطور متوسط زمان پردازش در GPU تاحدود ۱۹ برابر در مجموعه دادهی با ۱۰۲۴ عکس در مقایسه با CPU کاهش یافت. نتیجه حاکی از این تحقیق بدین صورت بود که هرچه حجم مجموعه داده بزرگتر شود تاثیر موازیسازی بهتر است. بنابراین متغیرهایی که برای این مسئله ذکر میشود عبارتند از:۱- دقت کار ۲- زمان اجرا ۳-مقیاس پذیر بودن سیستم
ادامه مطلب ...ارزیابی کارآیی بازیابی یکی از مسائل بحرانی در امر بازیابی تصویر محتوا محور به شمار می رود،روش های مختلفی برای اندازه گیری کارآیی ابداع و توسط محققین استفاده شده اند ، درoverview and proposals performance evaluation in content based image retrieval در مورد مزیت و مختصر از معیارهای اندازه گیری که در حال حاضر استفاده می شود بحث شده است.
تفاوت بین IR(Information Retrieval) و CBIR(Content Base Image Retrieval)واضح است از آنجایی که محققان IR دهها سال با مشکلات ارزیابی مواجه بوده اند برخی از راه حل های آنها می تواند برای CBIR مورد استفاده قرار گیردبا وجود اینکه تفاوتهایی هم بین آنها وجود دارد.چندین نکته بایستی به منظور ساخت مجموعهتصاویر مرسوم بررسی شوند:1-مجموعه بایستی رایگان و بدون محدودیت کپی رایت باشد بنابراین تصاویر می توانند در وب جای گیرند و قابل دسترس عموم باشند بزرگترین مسئله ساخت یک مجموعه با تصاویر متمایز کافی در موضوعات مختلفی از قبیل ماشین ، چهره ، تصاویر پزشکی و ... می باشد.
روشهای ارزیابی کارآیی :
1- ارزیابی کاربری یک روش کاملا متعامل است که کاربر می تواند مستقیما موفقیت جستجو را داوری نماید.
2- اندازه گیری تک ارزشی :رتبه بهترین تطبیق مورد ارزیابی قرار می گیرد.
3- نمایش گراف
شناسایی چهره در شرایط روشنایی مختلف هنوز بعنوان یک مسئله باز حل نشده می باشد، یکی از چالشهای موجود در دنیای واقعی برای سیستم تشخیص چهره تغییرات روشنایی است، در[Illumination Invariant Face Recognition using SQI and Weighted LBP Histogram]یک رویکرد جدیدی در مقابل تغییرات روشنایی بر پایه SQI و هیستوگرام LBP وزندار معرفی شده است، در این سیستم، کارآیی سیستم با استفاده از مقادیر مختلف سیگما در SQI در تستهای مختلف بالا رفته است، علاوه بر اینکه استفاده از دو عملگر LBP یکنواخت چند ناحیه ای برای استخراج ویژگی همزمان بکار رفته است و سیستم را در برابر تغییرات روشنایی قویتر ساخته است.این رویکرد اطلاعات تصویر را از سطوخ متفاوت محلی و سراسری جمع می نماید.
طبقه بندی بافت تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهمترین مرحله در طبقه بندی بافت تصویر، استخراج ویژگی از تصویر میباشد. تاکنون روش های بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شده اند اما از میان روش های موجود الگوهای باینری محلی، در شکل اصلی و بهبودیافته خود، به دلیل سادگی در پیاده سازی و استخراج ویژگی های مناسب با دقت طبقه بندی بالا، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است. شکل اصلی الگوهای باینری محلی هرچند از نظر پیاده سازی بسیار ساده است، اما زمانی که شعاع همسایگی افزایش یابد پیچیدگی محاسباتی بالایی دارد. شکل بهبودیافته الگوهای باینری محلی نیز به الگوهای همگن برچسبهای متمایز و به تمام الگوهای غیر همگن یک برچسب یکسان انتساب می دهد و این امر، طبقه بندی تصاویری که دارای درصد بالایی از الگوهای غیر همگن می باشند را با مشکل مواجه می سازد. در[ارائه یک شکل جدیدی از الگوهای باینری محلی به منظور طبقه بندی بافت تصویر]، یک شکل جدید از الگوهای باینری محلی ارائه شده است که پیچیدگی محاسباتی آن نسبت به شکل اصلی الگوهای باینری محلی کمتر و دقت طبقه بندی آن نیز از شکل اصلی و بهبودیافته الگوهای باینری محلی بیشترمی باشد. روش ارائه شده در این مقاله نه تنها تصاویر با الگوهای همگن را به خوبی طبقه بندی می کند، بلکه در مورد تصاویری که دارای حجم بسیار بالایی از الگوهای غیر همگن می باشند نیز به خوبی عمل می کند. همچنین می توان با تغییر در بازه های شدت روشنایی، محلی یا سراسری بودن ویژگی ها را کنترل کرد.