مجموعه های فازی شهودی در پردازش تصویر و یادگیری متریک فاصله

در این رساله ابتدا روشی برای سیستم بازیابی تصاویر، مبتنی بر مفهوم مجموعه های فازی شهودی ارائه می کنیم. همچنین مفهوم شباهت با استفاده از مجموعه های فازی مدل سازی می شود. ویژگی رنگ، که توسط سیستم های متفاوتی بیان می شود، مورد استفاده قرار گرفته است. برای تولید مجموعه های فازی شهودی دوبعدی از فضای رنگ hsv برای نمایش ویژگی رنگ استفاده شده است. در مجموعه های فازی شهودی نه تنها درجه ی عضویت، بلکه عدم قطعیت موجود در درجه ی عدم عضویت که به عنوان درجه ی عدم اطمینان شناخته شده است در نظر گرفته شده است. میزان شباهت یک مفهوم مبهم است، لذا معیار شباهت مابین مجموعه های فازی شهودی پیشنهادی، برخلاف سایر معیارها که مقداری حقیقی هستند به صورت یک مقدار فازی تعریف شده است. پس از آن، روشی برای آشکارسازی لبه های یک تصویر بر اساس مفهوم مجموعه های فازی شهودی بازه ای-مقدار ارائه می شود. ابتدا تصویر مورد نظر تبدیل به یک تصویر فازی و سپس با استفاده از t‎-نرمها و t-کونرمها و اطلاعات همسایگی به یک تصویر فازی بازه ای-مقدار تبدیل می شود. سپس با معرفی مولدهای فازی شهودی بازه ای-مقدار و نقیض های فازی پارامتری، مجموعه های فازی شهودی بازه ای-مقدار را می سازیم. در نهایت، مقادیر بهینه پارامترها را با الهام از مفهوم آنتروپی محاسبه می کنیم. در ادامه، یک الگوریتم خوشه بندی جدید، با عنوان خوشه بندی c-میانگین فازی شهودی نیمه-نظارتی ارائه می دهیم. در این روش، یک پارامتر اضافه که مربوط به درجه عدم اطمینان است و به همراه تعریف تابع عضویت ظاهر می شود، مورد استفاده قرار می گیرد. همچنین، تابع هدف پیشنهادی یک عبارت اضافه برای اطلاعات نظارتی دارد. در نهایت، روشی برای یادگیری هسته ی طیفی معرفی می کنیم. این روش دارای قابلیت انعطاف در تعداد متغیرها است. تعداد متغیرها، به عنوان درجه آزادی، مابین دو حد معین قرار می گیرد. روش پیشنهادی از تعبیه سازی طیفی برای یادگیری یک ماتریس مربعی استفاده می کند. تعداد سطرهای این ماتریس، برابر با ابعاد داده در فضای تعبیه شده است. روش پیشنهادی نسبت به سایر روش های یادگیری هسته قابلیت مقیاس پذیری بالاتری را دارد. برای ارزیابی کارایی هر کدام از روش های ذکر شده آزمون هایی روی داده های ساختگی و همچنین داده های دنیای واقعی طراحی و اجرا شده است. در سیستم بازیابی تصاویر، نتایج حاصل از روش پیشنهادی با نتایج حاصل از معیارهای شباهت گوناگون مقایسه شده و قدرتمند بودن روش پیشنهادی مشهود است. همچنین نتایج آزمایشات روی پایگاه تصاویر استاندارد در مسأله ی آشکارسازی لبه ها، برتری روش پیشنهادی بر روش متناظر فازی بازه ای-مقدار را به خوبی نشان می دهد. در مسأله ی یادگیری متریک فاصله، نتایج حاصل از داده های ساختگی و واقعی کارایی بسیار بالا به همراه قدرت مقیاس پذیری و سرعت بالای روش پیشنهادی را نشان می دهد.