طبقه بندی تصاویر متنی ( به انگلیسی: Contextual image classification ) ، شاخه ای از بینایی کامپیوتری برای تشخیص الگو، رویکردی از طبقه بندی بر اساس اطلاعات متنی در تصاویر است. «متنی» به این معنی است که این رویکرد بر رابطه پیکسل های نزدیک متمرکز است که به آن همسایگی نیز می گویند. هدف این رویکرد طبقه بندی تصاویر با استفاده از اطلاعات متنی است.
همانند پردازش زبان طبیعی ، یک کلمه ممکن است معانی متعددی داشته باشد، مگر اینکه اطلاعات جانبی و زمینه تصویر نیز ارائه شود، الگوهای درون جملات تنها بخش های حاوی اطلاعات هستند که ما به آنها اهمیت می دهیم. برای تصاویر نیز اصول به همین شکل است. تنها کافیست الگوها را بیابید و معانی مناسب را به آنها مرتبط کنید.
همانطور که در تصویر زیر نشان داده شده است، اگر تنها بخش کوچکی از تصویر نشان داده شود، تشخیص اینکه تصویر در مورد چیست بسیار دشوار است.
حتی بخش دیگری از تصویر را امتحان کنید، باز هم طبقه بندی تصویر دشوار است.
با این حال، اگر زمینه تصویر را افزایش دهیم، تشخیص آن راحت تر می شود.
همانطور که تصاویر کامل در زیر نشان می دهد، تقریباً همه می توانند آن را به راحتی طبقه بندی کنند.
در طول فرآیند تقسیم بندی تصاویر، روش هایی که از اطلاعات زمینه ای استفاده نمی کنند به نویز و پراکندگی حساس هستند، بنابراین نتیجه تقسیم بندی تعداد زیادی از مناطق طبقه بندی شده اشتباه است و اغلب این مناطق کوچک هستند ( مثلاً یک پیکسل ) .
در مقایسه با سایر تکنیک ها، این رویکرد در مقابل نویز، قوی است و تغییرات قابل توجهی دارد زیرا پیوستگی بخش ها را در نظر می گیرد.
چندین روش از این رویکرد در ادامه توضیح داده خواهد شد.
این رویکرد در برابر مناطق کوچک ناشی از نویز بسیار موثر است. و این مناطق کوچک معمولاً توسط یک یا چند پیکسل تشکیل می شوند. در این رویکرد محتمل ترین برچسب به این مناطق اختصاص داده شده است. با این حال، این روش یک اشکال دارد. نواحی کوچک نیز می توانند توسط نواحی صحیح به جای نویز تشکیل شوند و در این مورد این روش در واقع طبقه بندی را بدتر می کند. این رویکرد به طور گسترده در برنامه های سنجش از راه دور استفاده می شود.
در این رویکرد، یک فرآیند طبقه بندی دو مرحله ای انجام می شود:
• برای هر پیکسل، پیکسل را برچسب گذاری کنید و یک بردار ویژگی جدید برای آن تشکیل دهید.
• از بردار ویژگی جدید استفاده کنید و با توجه به اطلاعات متنی و بردار ویژگی جدید، برچسب نهایی را به آن اختصاص دهید
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفهمانند پردازش زبان طبیعی ، یک کلمه ممکن است معانی متعددی داشته باشد، مگر اینکه اطلاعات جانبی و زمینه تصویر نیز ارائه شود، الگوهای درون جملات تنها بخش های حاوی اطلاعات هستند که ما به آنها اهمیت می دهیم. برای تصاویر نیز اصول به همین شکل است. تنها کافیست الگوها را بیابید و معانی مناسب را به آنها مرتبط کنید.
همانطور که در تصویر زیر نشان داده شده است، اگر تنها بخش کوچکی از تصویر نشان داده شود، تشخیص اینکه تصویر در مورد چیست بسیار دشوار است.
حتی بخش دیگری از تصویر را امتحان کنید، باز هم طبقه بندی تصویر دشوار است.
با این حال، اگر زمینه تصویر را افزایش دهیم، تشخیص آن راحت تر می شود.
همانطور که تصاویر کامل در زیر نشان می دهد، تقریباً همه می توانند آن را به راحتی طبقه بندی کنند.
در طول فرآیند تقسیم بندی تصاویر، روش هایی که از اطلاعات زمینه ای استفاده نمی کنند به نویز و پراکندگی حساس هستند، بنابراین نتیجه تقسیم بندی تعداد زیادی از مناطق طبقه بندی شده اشتباه است و اغلب این مناطق کوچک هستند ( مثلاً یک پیکسل ) .
در مقایسه با سایر تکنیک ها، این رویکرد در مقابل نویز، قوی است و تغییرات قابل توجهی دارد زیرا پیوستگی بخش ها را در نظر می گیرد.
چندین روش از این رویکرد در ادامه توضیح داده خواهد شد.
این رویکرد در برابر مناطق کوچک ناشی از نویز بسیار موثر است. و این مناطق کوچک معمولاً توسط یک یا چند پیکسل تشکیل می شوند. در این رویکرد محتمل ترین برچسب به این مناطق اختصاص داده شده است. با این حال، این روش یک اشکال دارد. نواحی کوچک نیز می توانند توسط نواحی صحیح به جای نویز تشکیل شوند و در این مورد این روش در واقع طبقه بندی را بدتر می کند. این رویکرد به طور گسترده در برنامه های سنجش از راه دور استفاده می شود.
در این رویکرد، یک فرآیند طبقه بندی دو مرحله ای انجام می شود:
• برای هر پیکسل، پیکسل را برچسب گذاری کنید و یک بردار ویژگی جدید برای آن تشکیل دهید.
• از بردار ویژگی جدید استفاده کنید و با توجه به اطلاعات متنی و بردار ویژگی جدید، برچسب نهایی را به آن اختصاص دهید
wiki: طبقه بندی تصاویر متنی