فهرستمطالبفصل1: مقدمه11-1 مقدمه31-2 برخی از کاربردهای سیستم‌های CBIR41-2-1 جستجوی صفحات وب41-2-2 اجرای قانون41-2-3 حرفه پزشکی51-2-4 معماری و طراحی مهندسی51-2-5 مد ونشر51-2-6 تحقیقات تاریخی51-2-7 سنجش از راه دور51-2-8 برخی از کاربردهای دیگر61-3 اهداف تحقیق61-4 سوالات تحقیق61-5 نتایج تحقیق71-6 ساختار پایان‌نامه8فصل2: مفاهیم پایه92-1 مقدمه112-2 اهداف سیستم‌های CBIR122-3 تکنیک‌های مختلف در روش جستجوی هدف132-3-1 جستجوی هدف به وسیلۀ نمونه دیدنی132-3-2 جستجوی هدف بر اساس نقاشی132-3-3 جستجوی هدف بر اساس پیش‌طرح142-4 ساختار14فصل3: کارهای گذشته173-1 بازیابی مدل‌های سه‌بعدی193-2 بازیابی تصاویر بر اساس محتوا203-2-1 رنگ203-2-1-1 هیستوگرام رنگ213-2-1-2 ممان رنگ213-2-1-3 هیستوگرام رنگ حلقوی223-2-2 بافت233-2-2-1 روش‌های مختلف آماری برای تعیین مشخصه بافت243-2-2-2 روش های ساختاری برای تعیین مشخصه بافت243-2-3 شکل253-2-3-1تعیین مشخصه شکل با استفاده ازروش‌های مبتنی بر لبه253-2-3-2 تعیین مشخصه شکل با استفاده ازروش‌های مبتنی بر لبه کانتور یا مرز263-3 معیارهای مشابهت263-3-1 معیارهای مشابهت احتمالی273-3-1-1 گوسین های چند متغیره(MVG)273-3-1-2 توزیع های تطبیقی مستقل(FIT)283-3-1-3 ترکیبی از گوسین‌ها(GMIX)283-3-1-4 استفاده از رگرسیون منطقی293-3-2 معیارهای مشابهت هندسی293-3-3 معیارهای مشابهت هیستوگرام293-3-3-1 فاصله هیستوگرام اکتشافی293-3-3-2 آزمایش‌های آماری غیر پارامتری303-3-3-3 واگرایی اطلاعات علمی303-3-4 ایجاد معیار مشابهت جدید بر اساس ترکیب چندین معیار31فصل4: روش‌های پیشنهادی334-1 مراحل سیستم بازیابی تصویر پیشنهادی354-2 پیش‌پردازش364-3 همترازی مدل‌های سه‌بعدی374-4 نگاشت‌های دوبعدی از مدل سه‌بعدی384-5 کاهش تعداد نماها404-5-1 کاهش نماها در روش‌های حساس به دوران414-5-2 کاهش نماها در روش‌های مقاوم به دوران424-5-3 تعداد نهایی نماهای کاهش یافته و مقایسه‌ی آن‌ها434-6 استخراج سایه‌نما از تصاویر پایگاه‌داده و تصویر پرس‌وجو434-7 همترازی تصاویرسایه‌نما...............444-8 استخراج ویژگی‌ها454-8-1 استخراج ویژگی با روش مساحت ناحیه ناهمپوشان454-8-2 استخراج ویژگی با روش هیستوگرام زاویه گرادیان484-8-3 استخراج ویژگی با روش گشتاورهای زرنیک504-9 اندازه گیری شباهت بر اساس فاصله اقلیدسی544-10 بازیابی تصاویر بر اساس میزان شباهت54فصل5: نتایج شبیه‌سازی575-1 پایگاه‌داده595-2 نتایج شبیه سازی625-3 نتایج آزمایش635-4 نمونه‌ای از نتایج845-5 نتیجه‌گیری و کارهای آینده88مراجع90 فهرست اشکالشكل 4-1 نمودار بلوکی روش بازیابی پیشنهادی36شکل 4-2 نحوه تغییر زوایای آلفا و بتا در سطح کره38شکل 4-3 موقعیت قرار گرفتن چند نمونه از دوربین‌های مجازی در سطح کره40شکل 4-4 نماهای دوران یافته از منظر دید روبه رو و دو پهلو برای تعداد 338 دوربین42شكل 4-5 چند نمونه از سایه نماهای همتراز شده از نظر موقعیت و مقیاس44شكل 4-6 سه نمونه از استخراج ويژگی به روش مساحت ناهمپوشان46شکل 4-7 چند نمونه از تشخیص اشتباه کلاس نماها در روش مساحت ناحیه ناهمپوشان47شکل 4-8 نمونه ای از نماهای غیر هم زاویه با تشخیص درست در روش مساحت ناحیه ناهمپوشان47شکل 4-9 نمایش سلول ها و همپوشانی بلوک ها در یک تصویر.49شکل 4-10 گشتاورهای زرنیک با تعداد ویژگی های متفاوت برای 30 نما از 50 دوربین52شکل 4-11 گشتاورهای زرنیک با تعداد ویژگی های متفاوت برای 23 نما از 98 دوربین52شکل 4-12 گشتاورهای زرنیک باتعداد ویژگی های متفاوت برای 39 نما از 200 دوربین53شکل 4-13 گشتاورهای زرنیک با تعداد ویژگی‌های متفاوت برای 58 نما از 338 دوربین53شکل 5-1 تصاویر کلاس های پایگاه داده61شکل 5-2 مقایسه مشابهت بین تصویر کلاس 6 و کلاس 1062شکل 5-3 مقایسه میانگین دقت سه روش استخراج ویژگی در هر بار تغییر تعداد دوربین‌ها63شکل 5-4 زمان کلاسه‌بندی تصاویر پایگاه‌داده برای هر سه روش در هر بار تغییر تعداد دوربین‌ها64شکل 5-5 زمان بازیابی تصویر پرس و جو در هر بار تغییر تعداد دوربین ها65شکل 5-6 دقت متوسط کلاسه‌بندی تصاویر پایگاه داده در هر سه روش برای تعداد 50 دوربین66شکل 5-7 دقت متوسط کلاسه‌بندی تصاویر پایگاه داده در هر سه روش برای تعداد 98 دوربین66شکل 5-8 دقت متوسط کلاسه‌بندی تصاویر پایگاه داده برای تعداد 200 دوربین67شکل 5-9 دقت متوسط کلاسه بندی تصاویر پایگاه داده برای تعداد 338 دوربین67شکل 5-10 دقت روش مساحت ناحیه ناهمپوشان با تعداد دوربین های مختلف70شکل 5-11 دقت روش هیستوگرام زاویه گرادیان با تعداد دوربین های مختلف70شکل 5-12 دقت روش گشتاورهای زرنیک با تعداد دوربین های مختلف71شکل 5-13 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 50 دوربین72شکل 5-14 نمودار ماتریس کارایی روش هیستوگرام زاویه گرادیان با تعداد 50 دوربین72شکل 5-15 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 50 دوربین73شکل 5-16 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 98 دوربین73شکل 5-17 نمودار ماتریس کارایی روش هیستوگرام زاویه گرادیان با تعداد 98 دوربین74شکل 5-18 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 98 دوربین74شکل 5-19 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 200 دوربین75شکل 5-20 نمودار ماتریس کارایی روش هیستوگرام زاویه گرادیان با تعداد 200 دوربین75شکل 5-21 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 200 دوربین76شکل 5-22 نمودار ماتریس کارایی روش مساحت ناحیه ناهمپوشان با تعداد 338 دوربین76شکل 5-23 نمودار ماتریس کارایی روش هیستوگرام زاویه گرادیان با تعداد 338 دوربین77شکل 5-24 نمودار ماتریس کارایی روش گشتاورهای زرنیک با تعداد 338 دوربین77 فهرستجداولجدول 4-1 تعداد و موقعیت قرار گرفتن دوربین‌های مجازی در سطح کره39جدول 4-2 تعداد نماهای نهایی در آرایش‌های مختلف دوربین مجازی43جدول 5-1 نتایج حاصل از مقایسه شکل‌های 5-6 تا 5-9 برای کمترین و بیشترین دقت آزمایش‌ها69جدول 5-2 مقایسۀ درصد تشخیص اشتباه هر کلاس در روش مساحت ناحیه ناهمپوشان81جدول 5-3 مقایسۀ درصد تشخیص اشتباه هر کلاس در روش هیستوگرام زاویه گرادیان82جدول 5-4 مقایسۀ درصد تشخیص هر کلاس در روش گشتاورهای زرنیک83فصل اولمقدمه 1- 4 1-1 مقدمهسیستمهای 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 حوزهCBIR، در جهت تعیین مشخصه‌های کارآمد برای نمایش محتوای تصاویر و تکنیک‌های تطبیقی برای تعیین هر چه کارآمدتر میزان مشابهت بین تصاویر، ارائه نمودند.انسان جهان واقعی را به صورت معنایی درک می‌کند اما سیستم‌هایCBIR، تصاویر را بر اساس مشخصه‌های سطح پایین مانند رنگ، بافتو شکل درک می‌نمایند. بنابراین بین درک سیستمی و درک انسان، فاصله‌ای وجود دارد که به آن"فاصله معنایی" گویند.