ارایه روشی برای ح اشیه نویسی تصاویر موجود دروب براساس انتخاب بهترین تابع کرنل SVM

هدف از حاشیه نویسی تصاویر موجود در وب از بین بردن شکاف معنایی بین مفاهیم سطح بالا و ویژگیهای سطح پایین تصویر است درحاشیه نویسی خودکار تصاویر وب با استفاده از سیستم یادگیری ماشین برای دسته بندی تصاویر به کلاسهای مختلف استفاده می شود بطوریکه هر دسته معرف یک کلمه است ورودی سیستم یادگیری ماشین ویژگیهای منفرد و ویژگیهای ترکیبی از تصویر است هدف ازانجام این تحقیق تشخیص مشخصه های دیداری مناسب برای حاشیه نویسی معنایی می باشد بدین منظور از یک سیستم طبقه بندی تصویری استفاده شده است که توصیف گرهای دیداری MPEG-7 و ماشینهای بردار پشتیبان را با یکدیگر تلفیق می کند این سیستم به منظور تفسیر وسایل نقلیه و مناظر طبیعی به کار می رود دریک پایگاه داده ای شامل 2000 تصویر وسایل نقلیه و مناظر طبیعی زمانیکه برای طبقه بندی تصاویر به دو گروه معنایی از توصیفگر EdgeHistogram استفاده کردیم و به میزان طبقه بندی 89/9% دست یافتیم و زمانیکه بردارهای ویژگی را با هم ترکیب کردیم ترکیب دو ویژگی Edge Histogram Color Structure بالاترین نرخ طبقه بندی بین سایر ویژگیهای ترکیبی به میزان 90/3% را نتیجه داد و زمانیکه از بردار ویژگی Short Region Shape به جای ویژگی Region Shape استفاده کردیم که دراین حالت نرخ طبقه بندی افزایش یافت.

کلیدواژه ها:

حاشیه نویسی تصاویر ، توصیفگرهای دیداری MPEG-7 ، ماشین های بردار پشتیبان