Content-Based Image Retrieval System Based on Fusion of Wavelet Transform, Texture and Shape Features
Notice bibliographique
Résumé
In the last few years, Content-Based Image Retrieval (CBIR) has received wide attention. Compared to text-based image retrieval contents of the image are more in information for efficient retrieval by Content-Based Image Retrieval. The single feature cannot be applied to all the images and provides lower performance. In this paper, we have put forward a proposal on an image retrieval using multi-feature fusion. The concept of multi-resolution has been exploited with the help of a wavelet transform. This method combines Local Binary Pattern (LBP) with Fast and Accurate Exponent Fourier Moments (FAEFM’s) with the wavelet decomposition of an image using multiple resolutions. In order to extract the feature of texture from image, LBP codes of Discrete Wavelet Transform (DWT), the image coefficients are estimated followed by the computation of Fast and Accurate Exponent Fourier Moments to these LBP codes so as to extract features of shape to construct the required feature vector. These constructed vectors aid us in exactly finding out and retrieving visually similar images from existing databases. The benchmark databases Corel-1k and Olivia 2688 are used to test the proposed method. The proposed method achieves 99.99% of precision and 93.15% of recall on Corel-1k database and 99.99% of precision and recall of 93.63% on Olivia-2688 database, which are higher than the existing methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».