زینب ایمانی
حسین ابراهیم نژاد

در این مقاله روشی برای شناسایی و طبقهبندی شکلهای باینری معرفی میشود. استفاده از هیستوگرام فواصل درونی نقاط کانتور مرزی در مرحله انتخاب ویژگی پیشنهاد میگردد. در مرحله بعدی هیستوگرام فواصل محاسبه میشود وبرای پایداری نسبت به تغییر اندازه، هیستوگرام نرمالیزه میشود. مزیت عمده ویژگی استخراج شده پایداری آن در برابر مقیاس ، چرخش و انتقال و تقارن آینهای میباشد.در مرحله کلاسبندی، هیستوگرام نرمالیزه شده به طبقهبند فازی -عصبی داده میشود. روش پیشنهادی بر روی پایگاههای دادهTools و Mpeg7 اعمال میگردد. در روش پیشنهاد شده، نرخ شناسایی بالاتری روی پایگاه دادهMpeg7نسبت به پایگاه دادهtools بهدست میآید. در پایان نیز مقایسهای با شبکه عصبیPNN صورت میگیرد که طبقهبند فازی -عصبی کارایی بهتری نسبت به شبکه عصبیPNN نمایش میدهد.

شناسایی شکل، طبقهبندی شکل، هیستوگرام فواصل اقلیدسی، شبکه فازی-عصبی