استفاده از بینایی ماشین به عنوان یک روش دقیق و سریع در تشخیص رقم بذر می تواند در جلوگیری از ضرر ناشی از اختلاط بذور نقش موثری داشته باشد. در این پژوهش، تصاویر توده از بذر نه رقم متداول گندم در ایران (تریتیکاله، بهار، سایونز، فلات، چمران، پیشتاز، سپاهان، پیشگام، توس) توسط یک دوربین ccd و در نورپردازی یکسان تهیه گردید. ویژگی های بافتی از ماتریس سطوح خاکستری تصاویر ، ماتریس هم وقوعی (glcm)، ماتریس طول گام (glrm)، ماتریس الگوهای دودویی محلی (lbp)، ماتریس الگوهای شباهت محلی (lsp)، ماتریس عدد شباهت محلی (lsn)، تبدیل موجک و تبدیل کانتورلت استخراج گردید. آنالیز آماری برای تعیین ویژگی هایی که بیشترین تاثیر را در فرایند طبقه بندی دارند به روش تحلیل افتراقی گام به گام انجام شد. پس از آن به روش تحلیل تفکیک خطی (lda) فرایند طبقه بندی انجام شد. میانگین دقت طبقه بندی با استفاده از 50 ویژگی برتر بافتی از شش گروه ماتریس ها برابر با 15/98 درصد و میانگین دقت طبقه بندی با استفاده از 50 ویژگی برتر حاصل از تبدیل های موجک و کانتورلت برابر با 15/93 درصد بدست آمد. در بخش دوم پروژه با استفاده از 14 ویژگی شکلی استخراج شده از تصاویر دانه های جدا از هم و مطابق با استاندارد مصوب برای بذر اصلاح شده گندم، بذر خالص گندم از سایر ناخالصی ها (بذر شکسته، بذر سایر رقم ها، بذر سایر گیاهان، بذر علف های هرز و کاه وکلش) در 10 کلاس مجزا تشخیص داده شد. نتایج نشان داد روش پیشنهادی می تواند با دقت متوسط 12/97 درصد این 10 کلاس را از یکدیگر تفکیک کند.

بازیابی تصویر مبتنی بر محتوا، تکنیکی است که با توجه به تصویر منتخب کاربر و براساس محتوای بصری تصاویر، موارد مشابه را از پایگاه داده های بزرگ جستجو می کند. بطور کلی، سیستم های بازیابی تصویر مبتنی بر محتوا را می توان به دو گروه تقسیم کرد: سیستم های بازیابی تصویر معنایی که به دنبال تصاویر مشابه با تصویر منتخب هستند، و سیستم های بازیابی تصویر تکراری-جزئی، که هدفشان جستجو و بازیابی تصاویری است که شی خاصی از تصویر منتخب در آن ها تکرار شده باشد. روش های بازیابی تصویر از دهه 1990، به یک حوزه تحقیقاتی فعال و پیشرفته تبدیل شده است. در طول دو دهه گذشته، پیشرفت های قابل توجهی در گسترش سیستم ها و پ‍ژوهش های تئوری صورت گرفته است. با این حال، هنوز چالش های زیادی وجود دارد که توجه محققان را به خود جلب کرده است. یکی از مهم ترین چالش ها، گسترش سریع تصاویر توسط انواع منابع تولیدکننده اطلاعات در اینترنت و شبکه های اجتماعی می باشد که موجب کاهش کارایی این سیستم ها شده است. از این رو، در این پایان نامه، یک سیستم بازیابی تصویر تکراری-جزئی ارائه شده است که شامل سه گام اصلی می باشد: تشخیص برجستگی، استخراج ویژگی و تعیین شباهت. در گام اول، براساس اصل رنگ پس زمینه، نقشه برجستگی تصویر تعیین می گردد. سپس، توسط یک حد تطبیقی، مهمترین بخش نقشه برجستگی مشخص شده است و به عنوان ناحیه برجسته (ناحیه مورد توجه)، از تصویر استخراج می شود. تشخیص ناحیه مورد توجه باعث حذف نواحی غیرضروری تصویر شده است، که می تواند تأثیر مطلوبی در بازیابی نتایج داشته باشد، از طرفی دیگر، موجب افزایش سرعت فرآیند استخراج ویژگی و صرفه جویی در مصرف حافظه می گردد. در گام دوم، نقاط کلیدی ناحیه برجسته و ویژگی های آن ها با استفاده از الگوریتم sift محاسبه می شود، و برای ناحیه اطراف هر نقطه کلیدی، یک هیستوگرام رنگ بدست می آید. در گام سوم، با استفاده از ویژگی های sift محاسبه شده، تطابق هر جفت نقطه کلیدی از تصویر منتخب کاربر و تصویر پایگاه داده بررسی می شود. از آنجا که ویژگی sift مستقل از رنگ می باشد، ممکن است دو نقطه که از لحاظ رنگ با یکدیگر اختلاف دارند، به عنوان تطابق صحیح در نظر گرفته شوند. جهت حل این مشکل، فاصله هیستوگرام رنگ آن ها هم بررسی می گردد. همچنین برای عدم تطابق بین یک نقطه کلیدی با چند نقطه کلیدی و برطرف کردن تفاوت تعداد تطابق بدست آمده از مقایسه تصویر اول با تصویر دوم و بالعکس، الگوریتم تعیین تطابق را بهبود دادیم. در این گام، برای مقابله با چالش حجم عظیم و روز افزون تصاویر، از چارچوب hadoopmapreduce استفاده شده است. روش پیشنهادی بر روی پایگاه داده های ipdid و instre پیاده سازی و ارزیابی شد و براساس معیار شباهت map، به ترتیب، نتایج 80% و 65% حاصل گردید. نتایج پیاده سازی، حاکی از عملکرد مناسب روش پیشنهادی است.