3-2-1-1 هیستوگرام رنگ 21
3-2-1-2 ممان رنگ 21
3-2-1-3 هیستوگرام رنگ حلقوی 22
3-2-2 بافت 23
3-2-2-1 روش‌های مختلف آماری برای تعیین مشخصه بافت 24
3-2-2-2 روش های ساختاری برای تعیین مشخصه بافت 24
3-2-3 شکل 25
3-2-3-1تعیین مشخصه شکل با استفاده ازروش‌های مبتنی بر لبه 25
3-2-3-2 تعیین مشخصه شکل با استفاده ازروش‌های مبتنی بر لبه کانتور یا مرز 26
3-3 معیارهای مشابهت 26
3-3-1 معیارهای مشابهت احتمالی 27
3-3-1-1 گوسین های چند متغیره(MVG) 27
3-3-1-2 توزیع های تطبیقی مستقل(FIT) 28
3-3-1-3 ترکیبی از گوسین‌ها(GMIX) 28
3-3-1-4 استفاده از رگرسیون منطقی 29
3-3-2 معیارهای مشابهت هندسی 29
3-3-3 معیارهای مشابهت هیستوگرام 29
3-3-3-1 فاصله هیستوگرام اکتشافی 29
3-3-3-2 ‌آزمایش‌های آماری غیر پارامتری 30
3-3-3-3 واگرایی اطلاعات علمی 30
3-3-4 ایجاد معیار مشابهت جدید بر اساس ترکیب چندین معیار 31
فصل4: روش‌های پیشنهادی 33
4-1 مراحل سیستم بازیابی تصویر پیشنهادی 35
4-2 پیش‌پردازش 36
4-3 همترازی مدل‌های سه‌بعدی 37
4-4 نگاشت‌های دوبعدی از مدل سه‌بعدی 38
4-5 کاهش تعداد نماها 40
4-5-1 کاهش نماها در روش‌های حساس به دوران 41
4-5-2 کاهش نماها در روش‌های مقاوم به دوران 42
4-5-3 تعداد نهایی نماهای کاهش یافته و مقایسه‌ی آن‌ها 43
4-6 استخراج سایه‌نما از تصاویر پایگاه‌داده و تصویر پرس‌وجو 43
4-7 همترازی تصاویرسایه‌نما…………………………………………………………………………………………………………………………………………………………….44
4-8 استخراج ویژگی‌ها 45
4-8-1 استخراج ویژگی با روش مساحت ناحیه ناهمپوشان 45
4-8-2 استخراج ویژگی با روش هیستوگرام زاویه گرادیان 48
4-8-3 استخراج ویژگی با روش گشتاورهای زرنیک 50
4-9 اندازه گیری شباهت بر اساس فاصله اقلیدسی 54
4-10 بازیابی تصاویر بر اساس میزان شباهت 54
فصل5: نتایج شبیه‌سازی 57
5-1 پایگاه‌داده 59
5-2 نتایج شبیه سازی 62
5-3 نتایج آزمایش 63
5-4 نمونه‌ای از نتایج 84
5-5 نتیجه‌گیری و کارهای آینده 88
مراجع 90
 
 
فهرست اشکال
شکل 4-1 نمودار بلوکی روش بازیابی پیشنهادی 36
شکل 4-2 نحوه تغییر زوایای آلفا و بتا در سطح کره 38
شکل 4-3 موقعیت قرار گرفتن چند نمونه از دوربین‌های مجازی در سطح کره 40
شکل 4-4 نماهای دوران یافته از منظر دید روبه رو و دو پهلو برای تعداد 338 دوربین 42
شکل 4-5 چند نمونه از سایه نماهای همتراز شده از نظر موقعیت و مقیاس 44
شکل 4-6 سه نمونه از استخراج ویژگی به روش مساحت ناهمپوشان 46
شکل 4-7 چند نمونه از تشخیص اشتباه کلاس نماها در روش مساحت ناحیه ناهمپوشان 47
شکل 4-8 نمونه ای از نماهای غیر هم زاویه با تشخیص درست در روش مساحت ناحیه ناهمپوشان 47
شکل 4-9 نمایش سلول ها و همپوشانی بلوک ها در یک تصویر. 49
شکل 4-10 گشتاورهای زرنیک با تعداد ویژگی های متفاوت برای 30 نما از 50 دوربین 52
شکل 4-11 گشتاورهای زرنیک با تعداد ویژگی های متفاوت برای 23 نما از 98 دوربین 52
شکل 4-12 گشتاورهای زرنیک باتعداد ویژگی های متفاوت برای 39 نما از 200 دوربین 53
شکل 4-13 گشتاورهای زرنیک با تعداد ویژگی‌های متفاوت برای 58 نما از 338 دوربین 53
شکل 5-1 تصاویر کلاس های پایگاه داده 61
شکل 5-2 مقایسه مشابهت بین تصویر کلاس 6 و کلاس 10 62
شکل 5-3 مقایسه میانگین دقت سه روش استخراج ویژگی در هر بار تغییر تعداد دوربین‌ها 63
شکل 5-4 زمان کلاسه‌بندی تصاویر پایگاه‌داده برای هر سه روش در هر بار تغییر تعداد دوربین‌ها 64
شکل 5-5 زمان بازیابی تصویر پرس و جو در هر بار تغییر تعداد دوربین ها 65
شکل 5-6 دقت متوسط کلاسه‌بندی تصاویر پایگاه داده در هر سه روش برای تعداد 50 دوربین 66
شکل 5-7 دقت متوسط کلاسه‌بندی تصاویر پایگاه داده در هر سه روش برای تعداد 98 دوربین 66
شکل 5-8 دقت متوسط کلاسه‌بندی تصاویر پایگاه داده برای تعداد 200 دوربین 67
شکل 5-9 دقت متوسط کلاسه بندی تصاویر پایگاه داده برای تعداد 338 دوربین 67
شکل 5-10 دقت روش مساحت ناحیه ناهمپوشان با تعداد دوربین های مختلف 70
شکل 5-11 دقت روش هیستوگرام زاویه گرادیان با تعداد دوربین های مختلف 70
شکل 5-12 دقت روش گشتاورهای زرنیک با تعداد دوربین های مختلف 71
شکل 5-13 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 50 دوربین 72
شکل 5-14 نمودار ماتریس کارایی روش هیستوگرام زاویه گرادیان با تعداد 50 دوربین 72
شکل 5-15 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 50 دوربین 73
شکل 5-16 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 98 دوربین 73
شکل 5-17 نمودار ماتریس کارایی روش هیستوگرام زاویه

گرادیان با تعداد 98 دوربین 74
شکل 5-18 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 98 دوربین 74
شکل 5-19 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 200 دوربین 75
شکل 5-20 نمودار ماتریس کارایی روش هیستوگرام زاویه گرادیان با تعداد 200 دوربین 75
شکل 5-21 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 200 دوربین 76
شکل 5-22 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 338 دوربین 76
شکل 5-23 نمودار ماتریس کارایی روش هیستوگرام زاویه گرادیان با تعداد 338 دوربین 77
شکل 5-24 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 338 دوربین 77
 
فهرست جداول
جدول 4-1 تعداد و موقعیت قرار گرفتن دوربین‌های مجازی در سطح کره 39
جدول 4-2 تعداد نماهای نهایی در آرایش‌های مختلف دوربین مجازی 43
جدول 5-1 نتایج حاصل از مقایسه‌ شکل‌های 5-6 تا 5-9 برای کمترین و بیشترین دقت آزمایش‌ها 69
جدول 5-2 مقایسۀ درصد تشخیص اشتباه هر کلاس در روش مساحت ناحیه ناهمپوشان 81
جدول 5-3 مقایسۀ درصد تشخیص اشتباه هر کلاس در روش هیستوگرام زاویه گرادیان 82
جدول 5-4 مقایسۀ درصد تشخیص هر کلاس در روش گشتاورهای زرنیک 83
 
چکیده
در این پایان‌نامه، مسأله بازیابی تصاویر هواپیماهای جنگنده از یک پایگاه‌داده شامل 10 مدل مختلف بر اساس یک تصویر پرس‌وجو[1]، مورد بررسی قرار گرفته است. هواپیماهای هم‌مدل با تصویر پرس‌وجو در درون پایگاه‌داده شناسایی شده و به کاربر ارائه می‌شوند. چالش اصلی در بازیابی تصاویر هواپیماهای جنگنده، هم زاویه نبودن منظر دید دوربین در تصاویر موجود در پایگاه‌داده و تصویر پرس‌و‌جو است، که برای حل آن استفاده از مدل سه‌بعدی هواپیماهای جنگنده و تهیه تصاویر مرجع از زوایای دید مختلف توسط نگاشت‌های هندسی سه‌بعدی (دوربین‌های مجازی) پیشنهاد شده است.
سه روش مختلف برای استخراج ویژگی از تصاویر و اندازه‌گیری شباهت تصاویر پیشنهاد داده‌ایم که دو روش آن حساس به دوران و روش دیگر مقاوم به دوران می‌باشد. در روش‌های حساس به دوران، روش اول بر مبنای اندازه‌گیری مساحت ناحیه ناهمپوشان و دیگری بر مبنای هیستوگرام زاویه گرادیان کار می‌کند. در روش مقاوم به دوران از گشتاورهای زرنیک برای استخراج ویژگی استفاده شده است.
نتایج شبیه‌سازی برتری روش گشتاورهای زرنیک به لحاظ دقت بازیابی را با دقتی حدود 8/80% نشان می‌دهد که علیرغم استفاده از چند کلاس مشابه در پایگاه‌داده، این دقت بازیابی امیدبخش می‌باشد
کلمات کلیدی: بازیابی تصویر، مدل سه‌بعدی، هیستوگرام زاویه گرادیان، مساحت ناحیه ناهمپوشان، گشتاورهای زرنیک، دوربین‌ مجازی، هواپیمای جنگنده.
 

1-1 مقدمه
سیستم‌های بازیابی تصاویر بر اساس محتوا (CBIR)[1]، شامل مجموعه‌ای از روش‌ها می‌باشند که عمل بازیابی را برای تعیین تصاویر مورد نظر کاربر بر اساس مشخصه‌های دیدنی سطح پایین مانند رنگ، بافت، شکل و یا مشخصه‌های معنایی سطح بالا از پایگاه‌داده تصویر انجام می‌دهند. در این سیستم‌ها بازیابی تا حد بسیار بالایی به مشخصه‌های دیدنی سطح پایین مربوط است. با توجه به این امر که کاربرد این سیستم‌ها امروزه به میزان گسترده‌ای در حال افزایش است، بنابراین نیاز به تکنیک‌هایی که بتوانند عمل بازیابی را به صورت هر چه دقیق‌تر انجام دهند ضروری به نظر می‌رسد.
از آنجا که دو مرحله اصلی در تمامی سیستم‌های CBIR، استخراج مشخصه‌های دیدنی و اندازه‌گیری مشابهت می‌باشد، محققان برای بالا بردن دقت عمل بازیابی، امروزه روش‌های مختلفی در