استخراج ویژگی های چندگانه ترکیبی برای کاهش خلا معنایی با طبقه بندی نیمه نظارتی

در این مقاله برای طبقه بندی تصاویر، روش طبقه بندی تعاونی نظارت شده با هدف کاهش خلا معنایی پیشنهاد می شود. اکثر روش های طبقه بندی به مقداردهی اولیه به مراکز خوشه حساس هستند و اگر به درستی مقداردهی انجام نشود الگوریتم به بهینه محلی همگرا می شود. همچنین ترکیب نتایج طبقه بندی به دلیل مشخص نبودن برچسب مراکز کار بسیار مشکلی است. برای برطرف کردن این مشکلات از طبقه بندی نیمه نظارت شده استفاده می‏شود. برای دستیابی به بالاترین کارایی، نتایج طبقه بندی سیستم با فضای رنگ و معیار شباهت متفاوت با ویژگی های متعدد بصورت تعاونی نیمه نظارتی با هم ترکیب می-شوند. در شرایطی که تعداد ویژگی ها موثر هستند، از بازخورد مرتبط برای طبقه بندی نیمه نظارتی استفاده می شود. در این پژوهش از دو روش طبقهبندی حالات استفاده شده است که شامل طبقهبندی k-NN و PNN است که با توجه به نتایج در همه روش های پیشنهاد شده، از طبقهبندی k-NN پاسخ بهتری نسبت به PNN مشاهده شده است. الگوریتم پیشنهادی بدلیل کاهش پیچیدگی زمان، برای طبقه بندی پایگاه ‏داده‏های بزرگ تصاویر بسیار مناسب است. نرخ بازشناسی بر داده های تصویری استفاده شده در این تحقیق که الگوریتم هیستوگرام هرمی گرادیانهای جهتدار بر آنها اعمال شده، دارای بالاترین نرخ نسبت به دیگر روش های پیشنهادی بوده و 52/98% میباشد. آزمایشات روی پایگاه داده تصاویر Corel نشان می دهند که روش ترکیبی افزایش دقت طبقه بندی بطور میانگین در روش ترکیبی حدود 20% است.