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

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 97/1% ارزیابی گردید.