بخشی از مقاله
ﭼﮑﯿﺪه
ﺑﺎزﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ ﯾﮑﯽ از ﭼﺎﻟﺶ^ﻫﺎی ﻣﻬﻢ در ﺑﺤﺚ ﺑﺎزﺷﻨﺎﺳﯽ اﻟﮕﻮ و ﺑﯿﻨﺎﯾﯽ ﻣﺎﺷﯿﻦ اﺳﺖ ﮐﻪ ﮐﺎر ﺑﺮدﻫﺎی ﻣﺘﻨﻮﻋﯽ در زﻣﯿﻨﻪ ﺳﯿﺴﺘﻢ^ﻫﺎی ﭼﻨﺪ رﺳﺎﻧﻪKای، ﭘﺰﺷﮑﯽ، ﺟﺮم ﺷﻨﺎﺳﯽ، ﻫﻨﺮ و ﺳﺎﯾﺮ زﻣﯿﻨﻪ_ﻫﺎ دارد ﺑﻪ ﻃﻮری ﮐﻪ ﺗﺎ ﮐﻨﻮن روش_ﻫﺎ و ﺳﯿﺴﺘﻢ^ﻫﺎی ﻣﺘﻔﺎوﺗﯽ ﺑﺮای ﺑﺎزﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ اراﺋﻪ ﺷﺪه اﺳﺖ. اﺳﺎس ﮐﺎر ﻏﺎﻟﺐ ﺳﺎﻣﺎﻧﻪ^ﻫﺎی ﺑﺎزﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ ﺑﺮ اﯾﻦ اﺳﺖ ﮐﻪ ﺗﺼﺎوﯾﺮ ﺑﺮ ﭘﺎﯾﻪ ﻣﺠﻤﻮﻋﻪ_ای از وﯾﮋﮔﯽ^ﻫﺎی دﯾﺪاری ﺳﻄﺢ ﻣﺜﻞ ﺷﮑﻞ، ﺑﺎﻓﺖ، رﻧﮓ، ﭼﯿﺪﻣﺎن رﻧﮓ اراﺋﻪ و ﻧﻤﺎﯾﻪ_ﺳﺎزیzﺷﺪه و ﺑﺎزﯾﺎﺑﯽ ﺗﺼﺎوﯾﺮ ﺑﺎ ﻣﻘﺎﯾﺴﻪ وﯾﮋﮔﯽ^ﻫﺎی ﺗﺼﻮﯾﺮ ﭘﺮس و ﺟﻮ ﺑﺎ ﻧﻤﺎﯾﻪ^ﻫﺎی ﺗﺼﺎوﯾﺮ ﭘﺎﯾﮕﺎه و ﺗﻌﯿﯿﻦ ﻧﺰدﯾﮑﺘﺮﯾﻦ ﺗﺼﺎوﯾﺮ اﻧﺠﺎم ﻣﯽ_ﺷﻮد. در اﯾﻦ ﻣﻘﺎﻟﻪ، ﺑﺮای اﻓﺰاﯾﺶ ﮐﺎراﯾﯽ ﺳﺎﻣﺎﻧﻪ ﺑﺎزﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ، از ﻣﺘﺪ ﺗﺮﮐﯿﺒﯽ راف و ﻓﺎزی اﺳﺘﻔﺎده ﻣﯽNﮐﻨﯿﻢ. ﺑﺮای دﺳﺘﻪ_ﺑﻨﺪی ﻛﺮدن ﺗﺼﺎوﯾﺮ ﻫﻢ از دﺳﺘﻪ ﺑﻨﺪی»ﻛﻨﻨﺪه ﺑﺮدار ﻣﺸﺨﺼﻪ_ای وزن]دار ﺑﻬﺮه ﮔﺮﻓﺘﻪ_اﯾﻢ. روش ﭘﯿﺸﻨﻬﺎدی در ﯾﮏ ﭘﺎﯾﮕﺎه ﺗﺼﻮﯾﺮ ﺑﺎ ٠٠٠٠۵ ﺗﺼﻮﯾﺮ در ﻣﺤﯿﻂ COREL آزﻣﻮده ﺷﺪه اﺳﺖ ﮐﻪ ﻧﺘﺎﯾﺞ ﺑﻬﺒﻮد دﻗﺖ ﺑﺎزﯾﺎﺑﯽ را ﻧﺸﺎن ﻣﯽ_دﻫﺪ.
١. ﭘﯿﺶhﮔﻔﺘﺎر
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺰاﯾﺎی زﯾﺎد ﺳﯿﺴﺘﻢ^ﻫﺎی ﺑﺎزﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ ﺑﺮ اﺳﺎس ﻣﺤﺘﻮا، در ﭘﺎﯾﮕﺎه داده^ﻫﺎی ﺗﺼﻮﯾﺮی و اﯾﻨﺘﺮﻧﺖ، در ﺳﺎل^ﻫﺎی اﺧﯿﺮ ﭼﺎﻟﺶ^ﻫﺎی زﯾﺎدی در اﯾﻦ ﺣﻮزه ﺻﻮرت ﮔﺮﻓﺘﻪ اﺳﺖ. ﺑﻄﻮرﯾﻜﻪ روش^ﻫﺎی زﯾﺎدی ﺑﺮ ﻣﺒﻨﺎی ﻣﻔﺎﻫﯿﻢ دﯾﺪﻧﯽ ﻣﺎﻧﻨﺪ رﻧﮓ، ﺑﺎﻓﺖ، ﺷﻜﻞ ﺑﺮای ﺷﺎﺧﺺ]ﮔﺬاری اﺗﻮﻣﺎﺗﯿﻚ ﺗﺼﺎوﯾﺮ اراﺋﻪ ﺷﺪه_اﻧﺪ. ﺗﺤﻘﯿﻘﺎت ﺟﺪﯾﺪ در ﺳﯿﺴﺘﻢ5ﻫﺎیCBIR اﻣﺮوزه در زﻣﯿﻨﻪ ﺗﻮﺳﻌﻪ وﯾﮋﮔﯽ^ﻫﺎی ﻛﺎرآﻣﺪ ﺑﺮای ﺗﻮﺻﯿﻒ ﺗﺼﺎوﯾﺮ ﻣﯽ_ﺑﺎﺷﺪ.]۴، ٢،[٣ﯾﻜﯽ از ﺗﻜﻨﯿﻚ^ﻫﺎی ﻣﺤﺎﺳﺒﺎت ﻧﺮم ﻛﻪ اﺧﯿﺮاً ﺟﺎی وﺳﯿﻌﯽ در ﺑﺴﯿﺎری از ﻛﺎرﺑﺮدﻫﺎ از ﺟﻤﻠﻪ ﺷﻨﺎﺳﺎﯾﯽ اﻟﮕﻮ، ﯾﺎدﮔﯿﺮی، ﻣﺎﺷﯿﻦ و ﭘﺮدازش ﺗﺼﻮﯾﺮ ﺑﺎز ﻛﺮده اﺳﺖ، روش ﻣﺠﻤﻮﻋﻪ^ﻫﺎی راف اﺳﺖ ]٣،[٧. روش ﻣﺠﻤﻮﻋﻪ^ﻫﺎی راف ﺑﻪ روش ﻣﻔﯿﺪ ﺑﺮای ﻛﺎﻫﺶ وﯾﮋﮔﯽ^ﻫﺎی ﻏﯿﺮﺿﺮوری ﻣﻌﺮوف اﺳﺖ.
اﯾﻦ روش ﺑﻪ ﻃﻮر ﻣﻮﺛﺮ وﯾﮋﮔﯽ^ﻫﺎی زاﯾﺪ را ﻛﺎﻫﺶ ﻣﯽ¾دﻫﺪ و ﻓﻘﻂ ﻧﻮﯾﺰﻫﺎ و داده_ﻫﺎﯾﯽ ﻛﻪ ﺗﻨﻬﺎ ﺑﺎﻋﺚ ﻛﻨﺪ ﺷﺪن و ﺣﺘﯽ اﺧﺘﻼل در ﺳﯿﺴﺘﻢ ﻣﯽÁﺷﻮد را ﺣﺬف ﻣﯽ»ﻛﻨﺪ ]٧.[ در اﯾﻦ ﻣﻘﺎﻟﻪ ﺳﻌﯽ ﺷﺪه اﺳﺖ ﺗﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺌﻮری راف در ﻫﺮ ﻣﺮﺣﻠﻪ ﺑﺎزﺧﻮرد رﺑﻂ ﯾﻚ ﺑﺮدار وﯾﮋﮔﯽ ﻛﺎﻣﻞ ﺑﺮ اﺳﺎس وﯾﮋﮔﯽ^ﻫﺎی رﻧﮓ و ﺑﺎﻓﺖ ﺗﻌﯿﯿﻦ و در اداﻣﻪ ﺑﺎ اﺳﺘﻔﺎده از اﻃﻼﻋﺎت ﺣﺎﺻﻠﻪ از ﺗﺌﻮری راف و ﻣﻨﻄﻖ ﻓﺎزی ﺑﻪ ﺻﻮرت ﻫﺮﭼﻪ ﻣﻮﺛﺮﺗﺮ ﻣﯿﺰان ﻣﺸﺎﺑﻬﺖ ﻫﺮ ﺗﺼﻮﯾﺮ از ﭘﺎﯾﮕﺎه داده ﺗﻌﯿﯿﻦ ﮔﺮدد، ﺗﺎ ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ اﻃﻼﻋﺎت در ﺳﯿﺴﺘﻢ ﺑﺎزﯾﺎﺑﯽ ﺑﺘﻮان ﺑﻪ ﺳﺮﻋﺖ و دﻗﺖ ﺑﺎﻻﺗﺮی در ﻧﺘﺎﯾﺞ ﻛﻪ ﻣﺪ ﻧﻈﺮ ﻛﺎرﺑﺮ اﺳﺖ، رﺳﯿﺪ. ﺳﺎزﻣﺎﻧﺪﻫﯽ ﻣﻘﺎﻟﻪ ﺑﺼﻮرﺗﯽ اﺳﺖ ﻛﻪ در ﺑﺨﺶ دوم، روش ﺗﺌﻮری ﻣﺠﻤﻮﻋﻪ راف، در ﺑﺨﺶ ﺳﻮم، روش ﭘﯿﺸﻨﻬﺎدی اراﺋﻪ ﺷﺪه اﺳﺖ.
٣. روش ﭘﯿﺸﻨﻬﺎدی
وﯾﮋﮔﯽ^ﻫﺎی ﻫﺮ ﺗﺼﻮﯾﺮ اﺳﺘﺨﺮاج ﺷﺪه در روش ﻣﺎ ﺗﺸﻜﯿﻞ ﯾﻚ ﺑﺮدار ﺑﻪ ﺻﻮرت ::: fn ;۲f ;۱راf ﻣﯽ»دﻫﻨﺪ. ﺟﺰﺋﯿﺎت در ﻣﻮرد وﯾﮋﮔﯽ^ﻫﺎی اﺳﺘﻔﺎده ﺷﺪه در ﺳﯿﺴﺘﻢ ﭘﯿﺸﻨﻬﺎدی در ﺑﺨﺶ ۴ آورده ﺷﺪه اﺳﺖ. در اﯾﻦ ﺑﺨﺶ ﺗﻮﺿﯿﺤﺎت ﻛﻠﯽ راﺟﻊ ﺑﻪ ﺗﻌﺎرﯾﻒ ﭘﺎﯾﻪ_ای از ﺗﺌﻮری راف اﺳﺘﻔﺎده ﺷﺪه در روش ﭘﯿﺸﻨﻬﺎدی اراﺋﻪ ﺷﺪه و ﻣﺮاﺣﻞ ﻣﺨﺘﻠﻒ ﺳﯿﺴﺘﻢ ﺑﺎزﯾﺎﺑﯽ اراﺋﻪ ﺷﺪه ﺗﺸﺮﯾﺢ ﻣﯽyﮔﺮدد. در روش ﭘﯿﺸﻨﻬﺎدی، از ﺑﺎزﺧﻮرد رﺑﻂ ﺑﻪ ﻣﻨﻈﻮر ﺑﻬﯿﻨﻪ_ﺳﺎزی ﻧﺘﺎﯾﺞ ﺑﺎزﯾﺎﺑﯽ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ﺑﻪ ﻃﻮرﯾﻜﻪ اﯾﻦ ﺗﻜﻨﯿﻚ، ﻓﺮاﯾﻨﺪی ﺑﯿﻦ ﺳﯿﺴﺘﻢ ﺑﺎزﯾﺎﺑﯽ و ﻛﺎرﺑﺮ اﺳﺖ ]۶.[ از ﺑﯿﻦ M ﺗﺼﻮﯾﺮ ﺑﺎزﯾﺎﺑﯽ ﺷﺪه ﺗﻮﺳﻂ ﺳﯿﺴﺘﻢ، ﻛﺎرﺑﺮ ﯾﻜﺴﺮی از ﺗﺼﺎوﯾﺮ را ﺑﻪ ﻋﻨﻮان ﺗﺼﺎوﯾﺮ ﻣﻨﺎﺳﺐ و ﺑﻘﯿﻪ ﺑﻪ ﻋﻨﻮان ﺗﺼﺎوﯾﺮ ﻧﺎﻣﻨﺎﺳﺐ ﺑﺮﭼﺴﺐ ﻣﯽ_ﺧﻮرﻧﺪ. اﻃﻼﻋﺎت ﺑﻪ دﺳﺖ آﻣﺪه از اﯾﻦ ﺑﺎزﺧﻮرد ﺑﻪ ﺳﯿﺴﺘﻢ ﺑﺮﮔﺮداﻧﺪه ﻣﯽÁﺷﻮد ﺗﺎ ﻧﺘﺎﯾﺞ ﺑﺎزﯾﺎﺑﯽ ﺑﻬﯿﻨﻪ ﮔﺮدد.
۴. ﻧﺘﺎﯾﺞ ﺗﺠﺮﺑﯽ
ﺑﻪ ﻣﻨﻈﻮر ﺗﻌﯿﯿﻦ ﺑﺮدار وﯾﮋﮔﯽ ﻛﺎراﻣﺪ از دو وﯾﮋﮔﯽ رﻧﮓ و ﺑﺎﻓﺖ در اﯾﻦ ﻣﻘﺎﻟﻪ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. ﺑﻪ ﻃﻮر ﯾﻜﻪ از ﻫﯿﺴﺘﻮﮔﺮام ﻓﺎزی ﭼﺮﺧﻪ رﻧﮕﯽ اﯾﺘﻦ و ﻫﯿﺴﺘﻮﮔﺮام ﻟﺒﻪ ﻓﺎزی ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﺮای وﯾﮋﮔﯽ^ﻫﺎی رﻧﮓ و ﺑﺎﻓﺖ اﺳﺘﻔﺎده ﺷﺪه_اﻧﺪ. ﺑﺮای اﻧﺪازه_ﮔﯿﺮی ﻛﯿﻔﯿﺖ اﺛﺮات ﺑﺎزﯾﺎﺑﯽ اﻟﮕﻮر ﯾﺘﻢ ﭘﯿﺸﻨﻬﺎدی،از ٧٠٠٠ ﺗﺼﻮﯾﺮ ﺑﺎ اﻧﺪازه ۶۵٢×۴٣٨ ﻛﻪ ﺷﺎﻣﻞ ٠۶ ﮔﺮوه ﺗﺼﻮﯾﺮی ﻣﺨﺘﻠﻒ از ﭘﺎﯾﮕﺎه داده _ای COREL ﻣﯽ_ﺑﺎﺷﺪ اﺳﺘﻔﺎده ﻧﻤﻮده_اﯾﻢ. اﯾﻦ ﭘﺎﯾﮕﺎه داده_ای ﺷﺎﻣﻞ اﻧﻮاع ﻣﺨﺘﻠﻔﯽ از ﺗﺼﺎوﯾﺮ ﻣﺎﻧﻨﺪ ﮔﻞ، ﻣﻨﻈﺮه، ﺧﺎﻧﻪ، ﻛﻮﻫﺴﺘﺎن، در ﯾﺎ، آﺳﻤﺎن، ﻏﺮوب ﺧﻮرﺷﯿﺪ، ﻣﯿﻮه، اﻣﺎ ﻛﻦ ﻋﻤﻮﻣﯽ، آﺗﺶ_ﺑﺎزی و ... ﻣﯽﺑﺎﺷﺪ. ﺗﻤﺎﻣﯽ آزﻣﺎﯾﺸﺎت روی ﻧﺮماﻓﺰار ﻣﻄﻠﺐ و ﭘﺮدازﺷﮕﺮ +٠٠۵٣ و ﺣﺎﻓﻈﻪ ١ ﻣﮕﺎﺑﺎﯾﺖ اﻧﺠﺎم ﺷﺪه اﺳﺖ.
ﺑﻪ ﻣﻨﻈﻮر ﻣﻘﺎﯾﺴﻪ ﺳﻪ روش ﺗﺸﺮﯾﺢ ﺷﺪه، ﻣﺎ از ٢٠٠ ﺗﺼﻮﯾﺮ در ۶ ﮔﺮوه ﻣﺨﺘﻠﻒ ﺑﻪ ﻋﻨﻮان query و ٢٠ ﺗﺼﻮﯾﺮ ﺑﻪ ﻋﻨﻮان ﺗﺼﺎوﯾﺮ ﺑﺎزﯾﺎﺑﯽ ﻛﻪ ﺗﻮﺳﻂ ﺳﯿﺴﺘﻢ ﺑﺮﮔﺮداﻧﺪه ﻣﯽÁﺷﻮد اﺳﺘﻔﺎده ﻧﻤﻮده_اﯾﻢ. ﺟﺪول ٢ ﺟﺰﺋﯿﺎت ﻣﻘﺎﯾﺴﻪ ﺑﯿﻦ ﮔﺮوه^ﻫﺎی ﻣﺨﺘﻠﻒ و روش_ﻫﺎ را ﺑﻪ ﺷﻜﻞ ﻣﯿﺎﻧﮕﯿﻦ دﻗﺖ ﺑﺎزﯾﺎﺑﯽ ﻧﺸﺎن ﻣﯽ_دﻫﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻦ ﺟﺪول، واﺿﺢ اﺳﺖ ﻛﻪ روﺷﯽ ﻛﻪ اراﺋﻪ ﻧﻤﻮدهMاﯾﻢ در ﺗﻤﺎﻣﯽ ﮔﺮوه^ﻫﺎی ﺗﺼﻮﯾﺮی ﺑﺴﯿﺎر ﺑﻬﺘﺮ از دو روش دﯾﮕﺮ اﺳﺖ. ﺑﻪ ﻃﻮر ﯾﻜﻪ ﻣﯿﺎﻧﮕﯿﻦ دﻗﺖ ﺑﺎزﯾﺎﺑﯽ را ﻧﺴﺒﺖ ﺑﻪ روش ﺗﺮﻛﯿﺒﯽ ﺗﺎ ٣٠ درﺻﺪ و ﻧﺴﺒﺖ ﺑﻪ روش ﻫﯿﺴﺘﺮوﮔﺮام رﻧﮕﯽ ﻓﺎزی ﺗﺎ ٣٧ درﺻﺪ اﻓﺰاﯾﺶ داده اﺳﺖ. ﺑﻪ ﻣﻨﻈﻮر ﺗﻌﯿﯿﻦ دﻗﺖ ﺑﺎزﯾﺎﺑﯽ ﻛﻠﯽ، آزﻣﺎﯾﺸﺎت را ﺑﺎ ﺗﺼﺎوﯾﺮ ﺑﯿﺸﺘﺮی ﻛﻪ ﺗﻮﺳﻂ ﺳﯿﺴﺘﻢ ﺑﺎزﯾﺎﺑﯽ ﺑﺮﮔﺮداﻧﺪه ﺷﺪه اﺳﺖ اداﻣﻪ داده_اﯾﻢ.
ﺷﻜﻞ ١ ﻣﻘﺎﯾﺴﻪ ﻣﯿﺎﻧﮕﯿﻦ دﻗﺖ ﺑﺎزﯾﺎﺑﯽ ﻛﻠﯽ ﺣﺎﺻﻞ ﺷﺪه از ۶ ﮔﺮوه ﺗﺼﻮﯾﺮی ﻣﺨﺘﻠﻒ را ﺑﺮ اﺳﺎس ٢٠ ﺗﺎ ١٠٠ ﺗﺼﻮﯾﺮ ﺑﺎزﯾﺎﺑﯽ ﺷﺪه ﺗﻮﺳﻂ ﺳﯿﺴﺘﻢ ﺑﺎ اﺳﺘﻔﺎده از ﺳﻪ روش ﺗﺸﺮﯾﺢ ﺷﺪه ﺑﺮ روی ٠٠٠۵ ﺗﺼﻮﯾﺮ از ﭘﺎﯾﮕﺎه داده - ایCOREL ﺑﺎ اﺳﺘﻔﺎده از ﺗﺼﻮﯾﺮ query ٠۵١ ﻧﺸﺎن ﻣﯽ_دﻫﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺷﻜﻞ ١ ﺑﻪ وﺿﻮح دﯾﺪه ﻣﯽÁﺷﻮد ﻛﻪ روش ﭘﯿﺸﻨﻬﺎدی ﻣﺎ ﺑﺮای ﻫﺮ ﺗﻌﺪاد ﺗﺼﺎوﯾﺮ ﺑﺎزﯾﺎﺑﯽ ﺷﺪه از ٢٠ ﺗﺎ ١٠٠ ﺑﻪ ﻋﻨﻮان ﺑﻬﺘﺮﯾﻦ روش ﺑﺎ ﺑﺎﻻﺗﺮﯾﻦ دﻗﺖ ﺑﺎزﯾﺎﺑﯽ ﻛﻠﯽ ﻣﯽﺑﺎﺷﺪ. ﻣﻘﺎﯾﺴﺎت ﻓﺮاﺧﻮاﻧﯽ ﺑﺎزﯾﺎﺑﯽ ﻛﻠﯽ ﺑﺮای ﺗﻌﺪاد ﺗﺼﺎوﯾﺮ ﻣﺨﺘﻠﻒ ﺑﺎزﯾﺎﺑﯽ ﺷﺪه در ﺷﻜﻞ ٢ ﻧﺸﺎن داده ﺷﺪه_اﻧﺪ. ﺑﻄﻮر ﯾﻜﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﻤﻮدار ﻓﺮاﺧﻮاﻧﯽ ﺣﺎﺻﻠﻪ ﻣﯽ_ﺗﻮان ﮔﻔﺖ ﻛﻪ روش ﻣﺎ، ﻓﺮاﺧﻮاﻧﯽ ﺑﺎزﯾﺎﺑﯽ ﻛﻠﯽ ﺑﺎﻻﺗﺮی را ﺑﺮای ﻫﺮ ﺗﻌﺪاد ﺗﺼﺎوﯾﺮ ﺑﺎزﯾﺎﺑﯽ ﺷﺪه در ﺳﯿﺴﺘﻢ ﻧﺸﺎن ﻣﯽ_دﻫﺪ.
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻤﺎﻣﯽ آزﻣﺎﯾﺸﺎت اﻧﺠﺎم ﺷﺪه و ﺑﺮرﺳﯽ ﻧﺘﺎﯾﺞ ﺣﺎﺻﻠﻪ، ﻣﯽ_ﺗﻮان ﮔﻔﺖ ﻛﻪ ﻫﯿﺴﺘﻮﮔﺮام رﻧﮕﯽ ﻓﺎزی ﺗﻨﻬﺎ ﺗﻮزﯾﻊ ﻛﻠﯽ رﻧﮕﻬﺎ را در ﺗﺼﻮﯾﺮ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ و ﻫﯿﭽﮕﻮﻧﻪ اﻃﻼﻋﺎت ﻣﻜﺎﻧﯽ و ﻣﻮﻗﻌﯿﺖ ﻧﺴﺒﯽ اﺷﯿﺎ در ﺗﺼﻮﯾﺮ را در ﻧﻈﺮ ﻧﻤﯽ_ﮔﯿﺮد ﻛﻪ ﻣﻮﺟﺐ ﻛﺎراﯾﯽ ﭘﺎﯾﯿﻦ روش ﻣﺬﻛﻮر ﺷﺪه اﺳﺖ. در روش ﺗﺮﻛﯿﺒﯽ ﺑﻪ دﻟﯿﻞ اﯾﻨﻜﻪ ﺗﻌﯿﯿﻦ ﻣﺸﺨﺼﻪ ﻟﺒﻪ، واﺑﺴﺘﻪ ﺑﻪ ﻣﻘﺎدﯾﺮ رﻧﮕﯽ ﻛﻮاﻧﺘﯿﺰه ﺷﺪه و ﭘﺎراﻣﺘﺮﻫﺎﯾﯽ اﺳﺖ ﻛﻪ ﺑﻪ ﺻﻮرت ﺗﻘﺮﯾﺒﯽ در ﯾﻚ ﻫﻤﺴﺎﯾﮕﯽ در اﻃﺮاف ﻫﺮ ﭘﯿﻜﺴﻞ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه، ﺑﻪ دﺳﺖ ﻣﯽ_آﯾﻨﺪ ﻟﺬ ﻧﻤﯽ]ﺗﻮاﻧﺪ روش دﻗﯿﻘﯽ ﺑﺮای ﺗﻌﯿﯿﻦ ﺗﺸﺨﯿﺺ ﻟﺒﻪ در ﺗﺼﺎوﯾﺮ ﺑﺎﺷﺪ ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺎ اﯾﻦ روش ﻧﯿﺰ ﻧﻤﯽ_ﺗﻮان ﺑﻪ ﻛﺎراﯾﯽ ﻗﺎﺑﻞ ﻗﺒﻮﻟﯽ در ﺳﯿﺴﺘﻢ^ﻫﺎی ﺑﺎزﯾﺎﺑﯽ دﺳﺖ ﯾﺎﻓﺖ.
اﻣﺎ در روش ﭘﯿﺸﻨﻬﺎدی اﯾﻦ ﻣﻘﺎﻟﻪ، ﺑﻪ ﻃﻮر ﻣﻮﺛﺮ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺌﻮری راف ﺳﺖ وﯾﮋﮔﯽ^ﻫﺎی ﻛﺎراﻣﺪ ﻣﺸﺨﺺ ﺷﺪه و ﺑﻪ وﺳﯿﻠﻪ ﺗﻘﺮﯾﺐ^ﻫﺎی ﺣﺎﺻﻠﻪ از ﻣﺠﻤﻮﻋﻪ ﺗﺼﺎوﯾﺮ ﻣﻨﺎﺳﺐ و ﻧﺎﻣﻨﺎﺳﺐ ﺑﻪ دﺳﺖ آﻣﺪه ﺑﻌﺪ از ﻫﺮ ﺑﺎزﺧﻮرد ر ﺑﻂ ﺑﻪ ﻫﻤﺮاه ﻣﻨﻄﻖ ﻓﺎزی، ﻣﯿﺰان ﻣﺸﺎﺑﻬﺖ ﻫﺮ ﺗﺼﻮﯾﺮ از ﭘﺎﯾﮕﺎه داده ﺑﻪ ﻃﻮر ﻣﻮﺛﺮ ﻧﺴﺒﺖ ﺑﻪ ﺗﺼﻮﯾﺮ query ﺑﻪ دﺳﺖ ﻣﯽ_آﯾﺪ. ﺑﻄﻮر ﯾﻜﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﺘﺎﯾﺞ ﺣﺎﺻﻠﻪ ﻣﯽ_ﺗﻮان ﮔﻔﺖ ﻛﺎﻫﺶ وﯾﮋﮔﯽ^ﻫﺎی ﻧﺎ ﻛﺎراﻣﺪ و ﺗﻌﯿﯿﻦ دﻗﯿﻖ ﻣﺸﺎﺑﻬﺖ ﺗﺼﺎوﯾﺮ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺌﻮری راف ﻣﻨﻄﻖ ﻓﺎزی ﺑﺎﻋﺚ اﻓﺰاﯾﺶ ﻛﺎراﯾﯽ ﺑﺎزﯾﺎﺑﯽ ﺗﺎ ﺣﺪ ﺑﺴﯿﺎر ﻣﻄﻠﻮب~ﺗﺮی ﺷﺪه اﺳﺖ.
۵. ﻧﺘﯿﺠﻪ_ﮔﯿﺮی
در ﺳﺎﻟﻬﺎی اﺧﯿﺮ روﺷﻬﺎی زﯾﺎدی ﺑﺮای ﺑﺎزﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ ﺑﺮ اﺳﺎس ﻣﺤﺘﻮا اراﺋﻪ ﺷﺪه اﺳﺖ. ﺗﻤﺎﻣﯽ آﻧﻬﺎ ﺳﻌﯽ در اراﺋﻪ روﺷﻬﺎی ﺟﺪﯾﺪ ﺟﻬﺖ اﺳﺘﺨﺮاج وﯾﮋﮔﯽ^ﻫﺎی ﻛﺎراﻣﺪ و ﺗﻌﯿﯿﻦ روش^ﻫﺎی ﺑﻬﯿﻨﻪ ﺑﺮای اﻧﺪازه ﮔﯿﺮی ﻣﺸﺎﺑﻬﺖ ﺑﯿﻦ ﺗﺼﺎوﯾﺮ دارﻧﺪ. ﯾﻜﯽ از ﻣﺸﻜﻼت اﺳﺎﺳﯽ در روش^ﻫﺎی ﺑﺎزﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ، ﺗﻌﯿﯿﻦ وﯾﮋﮔﯽ^ﻫﺎی ﻣﺪ ﻧﻈﺮ ﻛﺎر ﺑﺮ و اﺳﺘﻔﺎده از ﯾﻚ ﻣﻌﯿﺎر ﻣﺸﺎﺑﻬﺖ ﻣﻨﺎﺳﺐ ﻣﯽﺑﺎﺷﺪ. ﺑﻪ ﻃﻮر ﯾﻜﻪ ﻫﺮﭼﻪ روش اراﺋﻪ ﺷﺪه در ﺳﯿﺴﺘﻢ ﺑﺎزﯾﺎﺑﯽ ﺑﺘﻮاﻧﻨﺪ اﯾﻦ ﭘﺎراﻣﺘﺮﻫﺎ را ﺑﺼﻮرت دﻗﯿﻘﺘﺮ ﻣﺸﺨﺺ ﻧﻤﺎﯾﺪ، روش ﻣﻨﺎﺳﺐ~ﺗﺮی ﻣﯽﺑﺎﺷﺪ.
از آﻧﺠﺎﯾﯽ ﻛﻪ ﺗﺌﻮری راف ﺳﺖ ﺑﻪ ﺧﻮﺑﯽ وﯾﮋﮔﯽ^ﻫﺎی ﻣﻨﺎﺳﺐ را ﺷﻨﺎﺳﺎﯾﯽ ﻣﯽ_ﻧﻤﺎﯾﺪ، ﺑﻨﺎﺑﺮاﯾﻦ در اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺌﻮری راف ﺑﺨﻮﺑﯽ وﯾﮋﮔﯽ^ﻫﺎی ﻣﻨﺎﺳﺐ ﺟﻬﺖ ﺑﺎزﯾﺎﺑﯽ، ﺑﻌﺪ از ﻫﺮ ﺑﺎزﺧﻮرد ر ﺑﻂ ﺷﻨﺎﺳﺎﯾﯿﻜﺮدﯾﻢ. در اداﻣﻪ، ﺑﺎ ﺑﻬﺮه_ﮔﯿﺮی از ﺗﺨﻤﯿﻦ^ﻫﺎی ﺑﺎﻻ و ﭘﺎﯾﯿﻦ از ﻣﺠﻤﻮﻋﻪ ﺗﺼﺎوﯾﺮ ﻣﻨﺎﺳﺐ و ﻧﺎﻣﻨﺎﺳﺐ ﺣﺎﺻﻞ از ﺑﻜﺎرﮔﯿﺮی ﺗﺌﻮری راف، ﺑﻪ ﻫﻤﺮاه ﻣﻨﻄﻖ ﻓﺎزی ﺑﻪ ﺻﻮرت ﻫﺮﭼﻪ دﻗﯿﻖ ﺗﺮ ﻣﯿﺰان ﻣﺸﺎﺑﻬﺖ ﺗﺼﺎوﯾﺮ ﭘﺎﯾﮕﺎه داده را ﺗﻌﯿﯿﻦ ﻛﺮده_اﯾﻢ. ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺸﺎت اﻧﺠﺎم ﺷﺪه در ﻣﻘﺎﻟﻪ - ﺑﺮ روی ٧٠٠٠ ﺗﺼﻮﯾﺮ از ﭘﺎﯾﮕﺎه داده_ای - COREL - ﺣﺎ ﻛﯽ از دﻗﺖ ﺑﺎﻻی روش ﭘﯿﺸﻨﻬﺎدی^ﻣﺎن در ﻋﻤﻞ ﺑﺎزﯾﺎﺑﯽ دارد. ﺑﻪ ﻃﻮر ﯾﻜﻪ ﻣﯿﺎﻧﮕﯿﻦ دﻗﺖ ﺑﺎزﯾﺎﺑﯽ را ﺑﻪ اﻧﺪازه ۴٣ درﺻﺪ ﻧﺴﺒﺖ ﺑﻪ دو روش دﯾﮕﺮ اﻓﺰاﯾﺶ داده اﺳﺖ.
