Browsing by Subject "content-based image retrieval"

Now showing 1 - 2 of 2

Access status: Restricted ,
Identyfikacja wizualnie podobnych fotografii przy wykorzystaniu metod wyszukiwania obrazem
(Data obrony: 2018-10-05) Krzyżanowska, Olga Weronika
Wydział Geologii, Geofizyki i Ochrony Środowiska
Praca porusza zagadnienia z dziedziny analizy i przetwarzania obrazów cyfrowych, a dokładniej dotyczy wyszukiwania na podstawie treści obrazu. Głównym celem pracy magisterskiej było napisanie programu, który pozwala na wyszukanie w obrazowej bazie danych wszystkich obrazów najlepiej pasujących do podanego wzorca. Na potrzeby niniejszej pracy utworzono dwie bazy danych oraz rozważono dwa podejścia do porównywania obrazów. Pierwsze traktowało obraz całościowo, natomiast w drugim był on podzielony na cztery równe części. Wyszukiwanie opierało się na opisaniu obrazów za pomocą cech, obliczeniu odległości między obrazem zadanym a obrazami w bazie, na podstawie metryki euklidesowej oraz wyborze k najlepszych dopasowań. Ponadto, stworzony program został szczegółowo opisany. W pracy przedstawiono najważniejsze definicje z wyszukiwania obrazem, opisano różne istniejące rozwiązania, szerokie zastosowania algorytmu oraz możliwości jego rozwoju, oceniono sposób działania i przydatność.
Access status: Open Access ,
Robust content-based image retrieval using ICCV, GLCM, and DWT-MSLBP descriptors
(Wydawnictwa AGH, 2022) Chavda, Sagar; Goyani, Mahesh
Content-based image retrieval (CBIR) retrieves visually similar images from a dataset based on a specified query. A CBIR system measures the similarities between a query and the image contents in a dataset and ranks the dataset images. This work presents a novel framework for retrieving similar images based on color and texture features. We have computed color features with an improved color coherence vector (ICCV) and texture features with a gray-level co-occurrence matrix (GLCM) along with DWT-MSLBP (which is derived from applying a modified multi-scale local binary pattern [MS-LBP] over a discrete wavelet transform [DWT], resulting in powerful textural features). The optimal features are computed with the help of principal component analysis (PCA) and linear discriminant analysis (LDA). The proposed work uses a variancebased approach for choosing the number of principal components/eigenvectors in PCA. PCA with a 99.99% variance preserves healthy features, and LDA selects robust ones from the set of features. The proposed method was tested on four benchmark datasets with Euclidean and city-block distances. The proposed method outshines all of the identified state-of-the-art literature methods.