fa روشی برای بازخورد ربط براساس بهبود تابع شباهت در بازیابی تصویر بر اساس محتوا مقالات پردازش تصویر Paper پژوهشي Research در سامانه‌های بازیابی تصویر بر اساس محتوا، ویژگی های دیداری تصاویر پایگاه استخراج شده و پایگاه ویژگی های دیداری برای یافتن نزدیک ترین تصاویر به تصویر پرس و جو، جستجو می‌شود. کاربر با سامانه تا رسیدن به هدف نهایی خود تعامل کرده و سامانه از اطلاعات کاربر و ابزار بازخورد ربط به منظور بالا بردن کارایی بازیابی استفاده می کند. در این تحقیق، هر تصویر با یک بردار ویژگی شامل 3 نوع ویژگی و مجموع 270 مؤلفه نمایه می شود. برای اندازه گیری شباهت بین دو تصویر از یک معیار وزن‌دار استفاده شده است که در آن برای هر نوع و هر مؤلفه ویژگی یک وزن در نظر گرفته شده است. این وزن ها در طول بازیابی با استفاده از اطلاعات کاربر و روش پیشنهادی بهبود می یابند. در این روش، وزن هر نوع ویژگی با توجه به رتبه تصاویر مرتبط در بازیابی بر اساس آن نوع ویژگی تنظیم می شود و برای تصحیح وزن هر مؤلفه ویژگی از میانگین و انحراف معیار آن مؤلفه روی تصاویر مرتبط و نامرتبط استفاده می‌شود. روش پیشنهادی روی یک پایگاه تصویر شامل 10000 تصویر از 82 گروه معنایی متفاوت آزموده شده است. نتایج آزمایش ها، برتری روش پیشنهادی به روش های موجود را نشان می دهد. In content based image retrieval systems, the suitable visual features are extracted from images and stored in the feature database Then the feature database are searched to find the most similar images to the query image. In this paper, three types of visual features by 270 components were used for image indexing. Here, we use a weighted distance for similarity measurement between two images. This paper presents a new relevance feedback approach based on similarity refinement. In the proposed approach, weight correction of feature’s components is done by a proposed rule set using the mean and standard deviation of feature vectors of related (positive) and non-related (negative) images. Also, the weight of each type of features is adjusted according to the related images’ rank in the retrieval with this type of feature. To evaluate the performance of the proposed method, a set of comparative experiments on a general image database containing 10000 images of 82 different semantic groups are performed. The results confirm the efficiency of the proposed method comparing by well-known conventional methods. بازخورد ربط, بازیابی تصویر, بهبود بردار پرس‌و‌جو, بهبود تابع شباهت. relevance feedback, image retrieval, similarity refinement, query refinement. 43 55 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-358-1&slc_lang=fa&sid=1 Asma Shamsi gooshki اسما شمسی گوشکی as_shamsi@yahoo.com 10031947532846001488 10031947532846001488 Yes bahonar university of kerman دانشگاه باهنر کرمان Hossein Nezamabadi-pour حسین نظام آبادی پور nezam@mail.uk.ac.ir 10031947532846001489 10031947532846001489 No bahonar university of kerman دانشگاه باهنر کرمان Saeed Saryazdi سعید سریزدی saryazdi@mail.uk.ac.ir 10031947532846001490 10031947532846001490 No bahonar university of kerman دانشگاه باهنر کرمان ehsanollah Kabir احسان اله کبیر kabir@modares.ac.ir 10031947532846001491 10031947532846001491 No Tarbiat Modares University دانشگاه تربیت مدرس