طبقه بندی تصاویر بازیابی شده با استفاده از الگوریتم SIFT و کدگذاری خطی با قید محلی

با رشد روز افزون اینترنت و ابزارهای تصویربرداری دیجیتال، اندازه پایگاه داده تصاویر به سرعت در حال بزرگتر شدن است. در چنین شرایطی، نیاز شدیدی به ابزارها و روش های کارا برای جستجوی تصاویر دلخواه در پایگاه داده های بزرگ به وجود آمده است، استخراج ویژگی اساسی ترین قدم در ایجاد یک سامانه بازیابی تصاویر براساس محتواست و نقش بسیار تعیین کننده ای در دقت سامانه بازیابی دارد. در این مقاله روشی جدید جهت طبقه بندی تصاویر بازیابی شده براساس محتوا ارایه شد. پس از استخراج ویژگی و محاسبه توصیفگرهای مربوط به هر دسته توسط الگوریتم SIFT، الگوریتمTF-IDF توصیفگرهای مناسب را مشخص کرده و از خوشه بندی جهت یافتن توصیفگرهای کاندیدای هر دسته استفاده می کند. در مرحله بعد از ضرایب بازنمایی توصیفگرهای هر دسته با توجه به نماینده های تولید شده از مرحله قبل توسط الگوریتم کدگذاری خطی با قید محلی به عنوان ویژگی استفاده شده است. در نهایت از این ویژگی های تولید شده برای طبقه بندی تصاویر بازیابی شده استفاده می شود. دسته بندی که برای ارزیابی سیستم پیشنهادی مورد استفاده قرار گرفته، ماشین یادگیر بیشینه می باشد. دقت به دست آمده در این دسته بند بر روی پایگاه داده Caltech-101، 5/98 درصد و بر روی پایگاه داده17-Flowers، 90/97 درصد می باشد.