بازیابی تصاویر پزشکی با استفاده از خوشه بندی ترکیبی فازی و استخراج ویژگی هایتامورا، الگوی باینری محلی و گابور و کلاس بندی QDA

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 بازیابی تصاویر پزشکی با استفاده از خوشه بندی ترکیبی فازی و استخراج ویژگی هایتامورا، الگوی باینری محلی و گابور و کلاس بندی QDA دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد بازیابی تصاویر پزشکی با استفاده از خوشه بندی ترکیبی فازی و استخراج ویژگی هایتامورا، الگوی باینری محلی و گابور و کلاس بندی QDA  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی بازیابی تصاویر پزشکی با استفاده از خوشه بندی ترکیبی فازی و استخراج ویژگی هایتامورا، الگوی باینری محلی و گابور و کلاس بندی QDA،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن بازیابی تصاویر پزشکی با استفاده از خوشه بندی ترکیبی فازی و استخراج ویژگی هایتامورا، الگوی باینری محلی و گابور و کلاس بندی QDA :

تعداد صفحات :۸

چکیده مقاله:

تصویر به عنوان مدرک میتواند حجم قابل توجهی از اطلاعات بخصوص در حوزه پزشکی را منتقل کند. در این مقاله یک الگوریتم بازیابی تصاویر پزشکی بر حسب محتوا ارایه می گردد. بنابراین با استفاده از دو الگوریتم ابتدا نقاط برجسته تصویر را بدست می آوریم . در الگوریتم اول ابتدا ویژگی های الگوی باینری محلی، گابور و ویژگی بافت تامورا را از هر تصویر محاسبه می کنیم. سپس تمامی ویژگی ها در یک بردار ویژگی قرار می گیرد. سپس بر حسب الگوریتم انتخاب ویژگی بهترین ویژگی ها که دارای بالاترین اطلاعات باشند، را انتخاب می کنیم. سپس توسط الگوریتم ترکیبی خوشه بندی K-means و C-means جهت دسته بندی ویژگی ها استفاده خواهیم کرد. پس از عملیات خوشه بندی اطلاعات ویژگی در یک دیکشنری قرار می دهیم. سپس از هر تصویر پرس و جو ویژگی هایی که در مرحله انتخاب ویژگی انتخاب کردیم، استخراج می کنیم. سپس عملیات مقایسه ویژگی های تصاویر جستجو با ویژگی های موجود در دیکشنری از الگوریتم QDA استفاده خواهد شد. پس از اتمام مرحله اول تصاویر مشابه تشخیص داده شده است. در مرحله دوم از تصاویر مشابه و تصویر جستجو ویژگی SIFT استخراج کرده و توسط تطابق ویژگی SIFT تصاویر بازیابی شده، شناسایی می شود. نتایج الگوریتم پیشنهادی در بازیابی تصاویر پزشکی حدود ۹۷/۱% ارزیابی گردید.