Système de recherche d'images basé sur le contenu et utilisant l'apprentissage automatique

Processus de recherche d'images basé sur le contenu selon une nouvelle stratégie d'appariement. Dans cet article, le modèle proposé est composé de quatre phases principales : l'extraction de caractéristiques, la réduction de la dimensionnalité, le classificateur ANN et la stratégie d'appariement. La phase d'extraction de caractéristiques permet d'extraire des caractéristiques de couleur et de texture, respectivement appelées matrice de cooccurrence des couleurs (CCM) et différence entre les pixels du modèle de balayage (DBPSP). La technique de réduction de la dimensionnalité sélectionne les caractéristiques efficaces qui ont conjointement la plus grande dépendance à la classe cible et une redondance minimale entre elles. Le réseau neuronal artificiel (ANN) dans notre modèle proposé sert de classificateur de sorte que les caractéristiques sélectionnées de l'image de la requête sont l'entrée et sa sortie est l'une des classes multiples qui ont la plus grande similarité avec l'image de la requête.

Autorentext

Prof. Rocky Upadhyay Actualmente trabaja como profesor asistente en el Instituto de Ingeniería Sigma. Tiene más de siete años de experiencia en este campo. Está cursando un doctorado en Procesamiento de Imágenes. Su máster es de la Universidad SRK y su licenciatura es de la Universidad Tecnológica de Gujarat.

Klappentext

Processus de recherche d'images basé sur le contenu selon une nouvelle stratégie d'appariement. Dans cet article, le modèle proposé est composé de quatre phases principales : l'extraction de caractéristiques, la réduction de la dimensionnalité, le classificateur ANN et la stratégie d'appariement. La phase d'extraction de caractéristiques permet d'extraire des caractéristiques de couleur et de texture, respectivement appelées matrice de cooccurrence des couleurs (CCM) et différence entre les pixels du modèle de balayage (DBPSP). La technique de réduction de la dimensionnalité sélectionne les caractéristiques efficaces qui ont conjointement la plus grande dépendance à la classe cible et une redondance minimale entre elles. Le réseau neuronal artificiel (ANN) dans notre modèle proposé sert de classificateur de sorte que les caractéristiques sélectionnées de l'image de la requête sont l'entrée et sa sortie est l'une des classes multiples qui ont la plus grande similarité avec l'image de la requête.