Abstract
In a typical content-based image retrieval (CBIR) system, target images (images in the database) are sorted by feature similarities with respect to the query. Similarities among target images are usually ignored. This paper introduces a new technique, cluster-based retrieval of images by unsupervised learning (CLUE), for improving user interaction with image retrieval systems by fully exploiting the similarity information. CLUE retrieves image clusters by applying a graph-theoretic clustering algorithm to a collection of images in the vicinity of the query. Clustering in CLUE is dynamic. In particular, clusters formed depend on which images are retrieved in response to the query. CLUE can be combined with any real-valued symmetric similarity measure (metric or nonmetric). Thus, it may be embedded in many current CBIR systems, including relevance feedback systems. The performance of an experimental image retrieval system using CLUE is evaluated on a database of around 60,000 images from COREL. Empirical results demonstrate improved performance compared with a CBIR system using the same image similarity measure. In addition, results on images returned by Google's Image Search reveal the potential of applying CLUE to real-world image data and integrating CLUE as a part of the interface for keyword-based image retrieval systems
چکیده
در سیستم های بازیابی تصویر مبتنی بر محتوا (CBIR)، تصاویر موجود در پایگاه داده نسبت به پرس و جویی که مطرح میشود، بوسیله تشابهات ویژگی مرتب میشوند. یافتن شباهت ها وظیفه اصلی در سیستم بازیابی تصویر است. در این مقاله یک روش بازیابی مبتنی بر خوشه تصاویر بوسیله یادگیری غیر نظارتی (CLUE)، جهت بهبود دادن تعاملات کاربر، بوسیله استفاده کامل از اطلاعات تشابه، معرفی می شود. CLUE خوشه های تصویر را بوسیله اعمال یک الگوریتم خوشه بندی تئوری گراف به یک مجموعه از تصاویر در همسایگی یا مجاورت پرس و جو، بازیابی میکند. خوشه بندی در CLUE پویا است. به خصوص، CLUE میتواند با هر سنجش تشابه متقارن مقدار-حقیقی (متریک یا غیر متریک) ترکیب شود. بنابراین، این روش میتواند در اکثر سیستم های CBIR حال حاضر، از جمله سیستم های بازخورد ارتباطی، استفاده شود. کارایی یک سیستم بازیابی تصویر آزمایشی با استفاده از CLUE بر روی پایگاه دادهای با 60000 تصویر از COREL ارزیابی شده است. نتایج تجربی نشان دهنده بهبود عملکرد در مقایسه با یک سیستم بازیابی تصویر با استفاده از همان سنجش تشابه تصویر است. بعلاوه، نتایج روی تصاویر بدست آمده بوسیله جستجوی تصویر گوگل، پتانسیل ناشی از اعمال CLUE به داده های تصویر دنیای حقیقی را آشکار کرد و CLUE را بعنوان یک قسمت از رابط نرم افزاری برای سیستم های بازیابی تصویر مبتنی بر کلمه کلیدی، مورد توجه قرار داد.
1-مقدمه
1-1-کارهای قبلی
بازیابی تصویر مبتنی بر محتوا (CBIR) قصد دارد تا تکنیک هایی که بطور موثر جستجوهای کتابخانه های دیجیتالی تصویر بزرگ مبتنی بر ویژگی های تصویری مشتق شده خودکار را پشتیبانی میکنند، توسعه دهد. بطور خلاصه، یک سیستم CBIR نوعی، تصویر پرس و جو و تصاویر موجود در پایگاه داده را بعنوان یک مجموعه از ویژگی ها نشان میدهد و ارتباط بین تصویر پرس و جو و هر تصویر در پایگاه داده را به تناسب اندازه تشابه محاسبه شده از ویژگی ها، رتبه بندی میکند....