استفاده از ماشین بردار پشتیبان با کرنل تابع شعاعی جهت کلاس بندی تصاویر با ویژگی های موجک

در حال حاضر کلاس بندی تصاویر در کلاس های مختلف نقش مهمی در علم کامپیوتر بینایی ماشین ایفا می کند محققان زیادی در این زمینه دست به تحقیقات مختلف زده اند. طبقه بندی تصویر با استفاده از الگوریتم های یادگیری ماشین سنتی به دلیل این که مجموعه داده تصویر در اندازه بزرگ با جزییات زیاد کار بسیار پیچیده ای است. امروزه به یکی از چالش های مهم تبدیل شده است. محدودیت دیگر الگوریتم های موجود نیاز به مدت زمان طولانی برای طبقه بندی است. مساله اصلی مورد تحقیق در این مقاله، ارایه الگوریتمی است که افزایش دقت طبقه بندی به میزان قابل توجه ایجاد کنند. در این راستا، یک روش طبقه بندی ترکیبی بر اساس به کارگیری ماشین بردار پشتبان با کرنل تابع شعاعی مبتنی بر ویژگی های موجک پیشنهاد شده داده ایم. روش پیشنهادی ابتدا از تابع موجک گسسته برای استخراج ویژگی های تصاویر استفاده می شود پس از استخراج ویژگی ها از تصویر ویژگی ها را با استفاده از کلاس بند ماشین بردار پشتیبان کلاس بندی می کنیم. نتایج آزمایشات روش پیشنهادی را روی داده های معتبر پاسکال 2010 آزمایش کردیم که نسبت به کارهای انجام شده روش پیشنهادی ما به دقت بهتری رسید

Keywords:

کلاس بندی تصاویر , یادگیری ماشین , ماشین بردار پشتبان , کرنل تابع شعاعی ویژگی های موجک.