ورود
مقالات فارسیISIکنفرانسهاژورنالها

چارچوبی موثر برای بازیابی تصویر رنگی بر اساس مدل محدوده کامل اتورگرسیو

محل انتشار: دومین کنفرانس بین المللی پژوهش در علوم و تکنولوژی
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 388

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/504805

شناسه ملی سند علمی:

CRSTCONF02_007

تاریخ نمایه سازی: 21 شهریور 1395

چکیده مقاله:

در این تحقیق یک چارچوب جدید و موثر برای بازیابی تصویر رنگی بر اساس مدل محدوده کامل اتورگرسیو) FRAR ( پیشنهاد می شود که در آن رویکرد بیزی) BA ( به منظور برآورد پارامترهای مدل FRAR استفاده می گردد. همچنین تصاویر بازیابی شده بر اساس امتیازات مشابه، رتبه بندی گشته و به منظور آموزش RBFNN ، بردارهای ویژگی در پایگاه داده بردار ویژگی به صورت خودسرانه به چندمجموعه تقریباً هم اندازه تقسیم می شوند . طبقه بندی بردار ویژگی با استفاده از RBFNN به طور قابل توجهی عملکرد سیستم پیشنهادی CBIR را با فیلتر کردن دسته های نامربوط بردار ویژگی بهبود می بخشد

کلیدواژه ها:

مدل محدوده کامل اتورگرسیو ، شبکه عصبی تابع پایه شعاعی ، لبه توصیف هیستوگرام ، میکروبافت

نویسندگان

سارا چهرازی

دانشجوی ارشد، دانشکده فنی مهندسی، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی واحد خمین،

حمید پایگذار

عضو هیئت علمی دانشکده فنی مهندسی، گروه مهندسی کامپیوتر گرایش نرم افزار، دانشگاه آزاد اسلامی واحد خمین

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Chang SK, Hsu A. Image information systems: where do _ ...
  • Chun YD, Kim NC, Jang IH. Content-based image retrieval using ...
  • Penatti OAB, Valle E, Torres RDS. Comparative study of globalcolor ...
  • Seetharaman K. Texture analysis based on a family of stochastic ...
  • Seetharaman K, Palanivel N. Texture c haracterization representation description and ...
  • Gagaudakis G, Rosin PL. Incorporating shape into histograms for CBIR. ...
  • Drew MS, Lee TK, Rova A. Shape retrieval with eigen-CSS ...
  • Mu: Iler H, Michoux N, Bandon D, Geissbuhler A A ...
  • Chang SF, Sikora T, Puri A. Overview of the MPEG-7 ...
  • Alefs B, Eschemann G, Ramoser H, et al. Road sign ...
  • Won CS, Park DK, Park SJ. Efficient use of MPEG-7 ...
  • Zhang D, Islam MM, Lu G. A review on automatic ...
  • Zhao Y, Zhao Y, Zhu Z. TSVM-HM. transductive SVM based ...
  • Burdescu DD, Mihai CG, Stanescu L, Brezovan M Automatic image ...
  • Savvas A, C hatzichristofs AA. Late fusion of compact composite ...
  • Seetharaman K, Kri shnamoorthi R. A statistical framework based _ ...
  • White DA, Jain R. Algorithms and strategies for similarity retrieval. ...
  • Zhang GP. Neural network for classification: a survey. IEEE Trans ...
  • Broomhead DS, Lowe D. Multivariable functional interpolation and adaptive network. ...
  • Park J, Sandberg IW. Approximation and radial basis function networks. ...
  • Fu X, Wang L. Data dimensionality reduction with application to ...
  • Leo n T, Carello PZ, Ayala G, deVes E, Domingo ...
  • Xu X, Lee D-J, Antani SK, Long LR, Archibald JK ...
  • Technical report, Computer Vision Group, University of Geneva, No. 98.05; ...
  • Huang J, Kumar SR, Mitra M, Zhu W, Zabih R. ...
  • Seetharaman K, Sathiamoorthy S. A statistical model based color image ...
  • Su Z, Zhang H, _ S, Ma S. Relevance feedback ...
  • Cheng HD, Jiang XH, Sun Y, Wang J. Color image ...
    • نمایش کامل مراجع