การแปลความหมายภาพด้วยวิธีการวัดความคล้ายกันของกราฟแบบจับคู่

       วิวัฒนาการของเครื่องมือและอุปกรณ์ถ่ายภาพดิจิทัลได้พัฒนาอย่างรวดเร็วจนทำให้ภาพถ่ายภาพดิจิทัล มีจำนวนเพิ่มมากขึ้น ทำให้การจัดเก็บข้อมูลภาพเพิ่มมากขึ้น ทำให้การค้นคืนข้อมูลภาพ และจำแนกข้อมูลภาพให้ตรงตามความหมายของภาพมีความยากลำบากเพิ่มขึ้นเช่นกัน ดังนั้นมีงานวิจัยมากมายพยายามจะคิดค้นกระบวนการ อัลกอริทึมต่างๆเพื่อทำให้เกิดความพึงพอใจของผู้ใช้มากที่สุด แต่อย่างไรก็ตาม การสืบค้นหรือการจำแนกข้อมูลภาพส่วนใหญ่มักจะคำนึงเพียงแค่ความเหมือนกันของวัตถุที่ปรากฏบนภาพเท่านั้น ซึ่งยังไม่เพียงพอต่อการแปลความหมายที่แท้จริง

      งานวิจัยนี้ได้นำเสนอวิธีการใหม่สำหรับการแปลความหมายภาพด้วยวิธีการวัดความคล้ายกันของกราฟแบบจับคู่เพื่อใช้ในระบบการสืบค้น โดยมีทั้งหมด 3 ส่วนคือ (1) การแท็กภาพ (2) การกำหนดตัวแทนความหมาย  (3)การกำหนดวิธีการจับคู่ความหมาย โดยที่ส่วนที่ 1 เป็นการให้ความหมายของวัตถุเด่นบนภาพลงบนฐานข้อมูล ส่วนที่ 2 เป็นการแทนที่ข้อมูลบนภาพด้วยแนวคิดกราฟ ส่วนสุดท้ายเป็นการวัดความคล้ายกันของกราฟแบบจับคู่ ผลที่ได้จากการจำแนกความหมายภาพด้วย  วิธีที่นำเสนอใหม่นี้สามารถจำแนกความหมายของภาพได้ดีกว่าวิธีอื่นๆ และได้ค่าความถูกต้องสูงถึง  88.81%

       Searching images their semantic is an active problem in multimedia image retrieval.Many researchers have attempted to improve semantic models by using high level conceptbased on keyword annotation. However, the annotation is tedious, in consistent, and erroneous.The retrieval process of such approaches is done by keyword searching. This model is ratherrudimentary and it does not specific enough for representing the actual meaning.

      This paper presents a new approach to represent the semantic concepts that support the semantic image indexing and retrieval systems. The approach is composed of three main phases: (1) image annotation, (2) semantic representative, and (3) semantic schema matching. Phase 1 is labeling the salient contents into content archive.  Phase 2 is representing an image into the conceptual graph. Last phase is finding the similarity matching between the conceptual graph and representative graph. The results are compared to the classification methods. The experimental results indicate that our proposed approach offers significant performance improvements in the interpretation of semantic images, compared, with the maximum of 88.81% accuracy.

---