از آنجاکه در این تحقیق، از مدل‌های سه‌بعدی برای بازیابی تصاویر هواپیماهای جنگنده استفاده کرده‌ایم در ابتدا به بررسی برخی از روش‌های بازیابی مدل‌های سه‌بعدی می‌پردازیم، سپس در ادامه روش‌های بازیابی تصاویر دو‌بعدی را مورد بررسی قرار می‌دهیم و در نهایت روش‌های اندازه‌گیری مشابهت بازیابی تصاویر را بیان می‌کنیم.

بازیابی مدل‌های سه‌بعدی

در سال‌های اخیر با توجه به گسترش استفاده از مدل‌های سه‌بعدی در زمینه‌های صنعتی، پزشکی، باستان‌شناسی، معماری و…، بازیابی مدل‌های سه‌بعدی به یک زمینه تحقیقاتی بزرگ در سراسر دنیا تبدیل شده است. تاکنون توصیفگرهای زیادی برای بازیابی مدل‌های سه‌بعدی ارائه شده است. هر کدام از این توصیفگرها مدل‌ها را با یک ویژگی و مشخصۀ خاصی توصیف می‌کنند. این توصیفگرها به سه دسته‌ی کلی تقسیم می‌شوند:
۱) توصیفگرهای ‌مبتنی بر فرکانس
۲) توصیفگرهای مبتنی بر توپولوژی
۳) توصیفگرهای مبتنی بر هندسه مدل سه‌بعدی]۲[.
روش‌های مبتنی بر فرکانس از ویژگی‌های فرکانسی مانند ضرایب تبدیل فوریه]۳[ و تبدیل موجک]۴[ استفاده می‌کنند. در روش‌هایی که بر اساس توپولوژی مدل انجام می‌گیرند، اسکت و اجزاء مدل‌ها بررسی می‌گردد]۵[ و در روش‌های مبتنی بر هندسه، از اطلاعات هندسی مدل مانند مساحت، حجم، گشتاور و… استفاده می‌شود]۶٫[ یکی از روش‌های هندسی، استفاده از نگاشت استوانه‌ای برای تبدیل یک مدل سه‌بعدی به یک رویه‌ی دو‌بعدی است]۲[.
از دیگر روش‌های هندسی، استخراج نماهای دو‌بعدی از مدل سه‌بعدی است. در این روش دو مدل سه‌بعدی هنگامی مشابه تشخیص داده می‌شوند که نماهای دو‌بعدی متناظر آنها مشابه باشد]۷[. روش‌های مبتنی بر هندسه، علاوه بر دقت تبیین جزئی بهتر، نسبت به نویز و اعوجاج نیز پایداری بهتری نشان می‌دهند زیرا در بیشتر مواقع رویه مدل دچار نویز و اعوجاج می‌گردد، درحالی‌که ویژگی‌های هندسی مربوط به بخش‌های درونی مدل می‌باشند]۸[.
اکثر کارهایی که در زمینه‌ی بازیابی مدل‌های سه‌بعدی انجام شده است پایگاه‌داده و پرس‌و‌جو و هر دو مدل سه‌بعدی می‌‌باشند، اما از آنجا که دسترسی به مدل سه‌بعدی بع عنوان پرس‌و‌جو به نسبت دسترسی به تصویر برای کاربر سخت می‌باشد، در سال‌های اخیر تحقیقاتی هر چند اندک در این زمینه انجام شده است و در اکثر آن‎ها از روش هندسی استخراج نماهای دوبعدی استفاده شده است]۹[ ]۱۰[ ]۱۱[ ]۱۲[ ]۱۳[.

بازیابی تصاویر بر اساس محتوا

در چندین دهۀ گذشته، روش‌های مختلفی برای استخراج مشخصه‌ ها از تصاویر ارائه شده‌اند. این تحقیقات بر اساس تجزیه و تحلیل مشخصه‌ های سطح پایین تصاویر است که در ادامه به بررسی این مشخصه‌ ها می‌پردازیم.

رنگ

رنگ، یکی از ویژگی‌هایی است که کاربرد زیادی در حوزه‌ی بازیابی تصویر دارد. این مشخصه می‌تواند خودش به تنهایی و یا به صورت ترکیبی با مشخصه‌ های بافتی، شکلی و اطلاعات مکانی مورد استفاده قرار گیرد. برای تعیین رنگ پیکسل‌ها می‌توان از فضاهای رنگی مختلف مانند فضای رنگی RGB که از کانال‌های رنگی قرمز (red) ، سبز (Green) ، آبی (blue) ، و فضاهای رنگی HSV که از طول موج رنگ (Hue) ، درجه سیری رنگ (saturation) و مقدار (Value) و فضای رنگی l*a*b که مولفه های l* و a*وb* به ترتیب درجۀ روشنایی و قرمز – سبز، زرد – آبی را نمایش می‌دهند و نیز فضای رنگی L*U*V که از مولفه L* ، روشنایی و دو مؤلفه رنگی V* و U* تشکیل شده است استفاده نمود. فضاهای رنگی پیشنهادی کارایی بهینه را برای تعیین نیازهای تجسمی مختلف فراهم می‌آورند و به راحتی نیز می‌توانند به یکدیگر تبدیل گردند. در بین فضاهای رنگی پیشنهادی، HSV و l*a*b به درک انسان نزدیک‌تر می‌باشند]۱[. روش‌های مختلفی برای استفاده از محتویات رنگی تصاویر به عنوان یک پارامتر مشابهت استفاده شده‌اند که در ادامه به برخی از آنها اشاره می‌نمائیم.

هیستوگرام رنگ

هیستوگرام رنگ یکی از روش‌های استخراج ویژگی بر اساس رنگ می‌باشد. یک هیستوگرام رنگ در ابتدا به‌وسیلۀ تعیین رنگ‌های هر پیکسل تعیین و سپس این مقادیر به یکی از شماره ستون‌های از پیش تعریف شده تبدیل می‌گردند.این روش به سرعت محاسبه می‌شود اما نسبت به انتقال و تغییر مقیاس اشیاء غیر مقاوم می‌باشد.

ممان رنگ

برخلاف هیستوگرام رنگ، نمایش ممان‎های‌ رنگ^[۴] تنها نیاز به یک فضای مشخصۀ خیلی کوچک دارند. ممان‌های رنگ تنها به وسیلۀ تعیین ۳ مقدار میانگین^[۵] (ممان درجه اول) ، واریانس^[۶](ممان درجۀ دوم) و چولگی^[۷] (ممان درجۀ سوم) می‎توان از آن‌ها به عنوان شاخص به‌جای تمام هیستوگرام استفاده نمود. ممان‏های اول تا سوم بر اساس روابط زیر بدست می‌آیند:

که مقدار امین پیکسل و تعداد پیکسل‌های تصویر است. استفاده از ممان سوم رنگ در کنار دو ممان اول، بازده کلی بازیابی را افزایش می‌دهد. تعداد مؤلفه‌ای بدست آمده از این ممان‌ها ۹ عدد است (سه ممان برای سه مولفه رنگی) و بدین ترتیب مؤلفه‌ی فشرده‌ای برای تصویر خواهد بود.این روش، یک روش شاخص‌گذاری خوب است اما نیاز به محاسبات بالا دارد]۱۴[.

هیستوگرام رنگ حلقوی

در]۱۵[ خواص آماری و مکانی رنگ در تصویر باعث ایجاد هیستوگرام مکانی رنگ شده است. برای این کار پس از کوانتیزه کردن فضای رنگ، هر یک از M رنگ موجود یک زیر تصویر دودویی ایجاد می‌کند و مرکز ثقل آنها محاسبه می‌شود. در هر کدام از این زیر تصویر‌ها فاصلۀ دورترین نقطه تا مرکز ثقل به N قسمت مساوی تقسیم می‌شود و سپس از مرکز ثقل N دایره رسم می‌شود. تعداد پیکسل‌های بین هر دو دایره شمرده شده و یک بردار N بعدی برای هر رنگ ایجاد می‌شود. بدین ترتیب برای هر تصویر یک ماتریس ویژگی به ابعاد N×M ایجاد می‌شود که نام این ماتریس هیستوگرام رنگ حلقوی می‌باشد.

بافت

اگر ما مشخصه‌ های رنگی را به عنوان اطلاعات پیکسل در نظر بگیریم بنابراین مشخصه‌ های بافتی اطلاعات ناحیه‌ای را نمایش می‌دهند. از آنجایی‌که بافت، پیوستگی مکانی را در مقیاس‌های محلی و عمومی در بردارد بنابراین یک تعریف عمومی از آن وجود ندارد. عموماً بافت به یک الگوی دیدنی با مشخصه‌ های همگن اشاره دارد و نتیجۀ اثر، حضور تنها یک رنگ منفرد یا شدت نمی باشد]۱[.
بر طبق لغت نامۀ انگلیسی oxford بافت به معنی زیر است:
” وضع طبیعی، ساختار یا مفهوم هر چیزی با توجه به اجزاء تشکیل دهنده‌اش”
مشخصۀ بافت، اطلاعات مهمی را دربارۀ سطوح ساختاری منظم و ارتباط آنها با محیط مجاور دربر‌می‌گیرد. ۳ جنبۀ مهم در تمییز دادن بافت‌های طبیعی وجود دارد که شامل جهت، دانه دانه بودن و پیچیدگی است. انواع مختلفی از روش‌های نمایش بافت به صورت گسترده در کشف الگو و بینایی ماشین مورد استفاده قرار می‌گیرند.
عموماً کلیۀ روش‌های مختلف برای نمایش بافت می‌توانند به داخل ۲ گروه عمده ساختاری و آماری^[۸] تقسیم شدند. در ادامه به بررسی روش‌های مختلف ساختاری و آماری جهت ارائه مشخصه بافت می‌پردازیم.

روش‌های مختلف آماری برای تعیین مشخصه بافت

روش‌های آماری، روش‌هایی می‌باشند که بافت را به وسیلۀ توزیع آماری شدت پیکسل‌های تصویر تعیین می نمایند‌. از جمله این روش‌ها می توان به طیف‌های فوریه فرکتال و تکنیک‌های فیلترینگ چند رزولومشنی مانند گابور (Gabor) و تبدیلات موجک اشاره نمود]۱۶[ ]۱۷٫[