استفاده از ماشین بردار پشتیبان در طبقه‌بندی طرح‌های قالی لچک ترنج و هندسی ترکمن

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده مهندسی نساجی، دانشگاه صنعتی امیرکبیر

چکیده

طرح یکی از مهم‌ترین جنبه‌های مهم ارزیابی قالی ایرانی به­شمار می­آید. در حالی که قالی‌های ایرانی در طرح­های مختلفی بافته می‌شوند، نقش‌های منحصر به فرد این اثر هنری، آن را از سایر سبک­های قالی به عنوان مثال قالی­های ترکیه، هند و چین متمایز می­کند. در این تحقیق طبقه بندی دو دسته متمایز قالی ایرانی (لچک ترنج و هندسی ترکمن) به کمک ماشین بردار پشتیبان (SVM)  و براساس استخراج شاخص فوریه صورت گرفت. در این خصوص، تصاویر خاکستری 60 قالی با طرح مختلف جمع‌آوری شد. با استفاده از تبدیل فوریه شاخص‌های تفکیک کننده این دو دسته قالی استخراج و برای طبقه‌بندی استفاده شد. به این منظور، از ماشین بردار پشتیبان دو کلاسه استفاده گردید. مطابق نتایج به دست آمده، روش طبقه‌بندی SVM با به‌کارگیری شاخص فوریه در حالت قطبی قادر به طبقه‌بندی این دو دسته قالی با دقت بالای 89 درصد می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

The Use of Support Vector Machine in The Classification of Lachack Toranj and Torkaman Geometric Rug Designs

نویسندگان [English]

  • Tayebe Soleymanian Moghadam
  • Mansoureh Ghanbar Afjeh
  • S.H. Amirshahi
Textile Engineering Department, Amirkabir University of Technology
چکیده [English]

Design is one of the most critical aspects of evaluating Persian rugs. While Persian rugs are woven in different designs, their unique patterns distinguish them from other rug styles such as Turkish, Indian and Chinese. In this study, the classification of two categories of Persian rugs (Lachak Toranj and Torkaman Geometric) was followed using Support Vector Machine (SVM) and based on Fourier feature. In this regard, the grayscale images of 60 rugs with different designs were collected. Using the Fourier transform, the unique feature of these two rugs’ categories were extracted and used for classification. For this purpose, a two-class support vector machine was used. According to the results, the SVM classification method can classify these two categories of rugs with an accuracy of 89% by using the polar Fourier feature.

کلیدواژه‌ها [English]

  • Rug design
  • Lachak Toranj
  • Torkaman Geometric
  • Fourier transform
  • Classification
  • Support Vector Machine
  1. Edwards A.C. The Persian carpet: a survey of the carpet-weaving industry of Persia, London: Duckworth, 1952, 60-70.
  2. ش. صور اسرافیل. طراحان بزرگ فرش ایران، سیری در تحول طراحی فرش، انتشارات سروش، تهران، 1371.
  3. Mahyar, H. Izadan, L. Taghavi, S. Sadeghian Nodoushan, An investigation into the meaning of colour harmony using psychophysical techniques. J. Color Sci. Tech. 8(2014), 85-92.
  4. Ghanean, M. Ghanar Afjeh. Application of derivative spectrophotometry to determine the relation between color intensity and dye concentration of madder, Prog. Color, Colorants Coat. (2016), 1-14.
  5. Hosseinnezhad, K. Gharanjig, Review on Metal and Natural Mordants for Dyeing Fibers. J. Stud. Color World, 10(2021), 21-30.
  6. Vafaei and H. Pourghassem. Carpet map classification based on directional and textural features, 8th Internatinal Conference On Machine Vision and Image Processing, 2013.
  7. -ح. غالبی، ا. کبیر و ه. داوودی. خوشه­بندی آرایه­های گل­های قالی بابکارگیری توصیفگر فوریه، ششمین کنفرانس ماشین بینایی و پردازش تصویر ایران، ص. 404-408، 1389.
  8. ا. ایزدی­پور و ا. کبیر. ارائه روشی برای خواندن خودکار نقشه چاپی فرش و مقایسه آن با روش خوشه­یابی C- میانگین، نشریه مهندسی برق و مهندسی کامپیوتر ایران، سال هشتم، شماره 1، ص. 49-56، 1389.
  9. ف. شیری و ا. کبیر. آشکارسازی خطوط نقشه­های دستی فرش، ششمین کنفرانس ماشین بینایی و پردازش تصویر ایران، ص. 130-136، 1389.
  10. ح. غالبی. بازشناسی خودکار گل­های قالی با تاکید برتوصیفگرهای شکل، پایان­نامه کارشناسی ارشد، دانشکده مهندسی برق، دانشگاه آزاد اسلامی واحد تهران جنوب، 1390.
  11. م. خداکرمی و ا. کبیر. بازنمایی گل‌های قالی با استفاده از تبدیل‌های موجک و فوریه- ملین ، هوش محاسباتی در مهندسی برق، شماره 4، 1391
  12. ص. شعبانی خطیب. فرهنگ­نامه تصویری آرایه و نقشه فرش­ ایران، سپهر اندیشه، قم، 1387.

  13. ف. ترکمی آذر. مقدمه­ای بر پردازش تصاویر دیجیتال، انتشارات ارکان، اصفهان، 1384.

  14. Gonzalez, R. E. Woods. Digital Image Processing, 3nd edition, Prentice-Hall, New Jersey, 2008.

  15. Graham, C. Redies. Statistical regularities in art: Relations with visual coding and perception, Vision Res. 50(2010), 1503–1509.

  16. Menzel, G. Hayn-Leichsenring, O. Langner, H. Wiese, C. Redies, Fourier power spectrum characteristics of face photographs: attractiveness perception depends on low-level image properties, PLoS One . (2015), 1-25.

  17. Redies, J. Hanisch, M. Blickhan, J. Denzler. Artists portray human faces with the fourier statistics of complex natural scences. Network. 18(2007), 235-248.

  18. J. Grahman, C. Redies. Relations with visual coding and perception. Vision Res., 50(2010), 1503-1509.

  19. Koch, J. Denzler, C. Redies. 1/f2 characteristics and isotropy in the Fourier power spectra of visual art, cartoons, comics, mangas and different categories of photographs. PLoS One, 5(2010), 1-11.Angiulli, M. Cacciola, M. Versac. Microwave devices and antennas modeling by support vector regression machines, IEEE Trans. Magn. (2007), 1589-1592.

  20. R. Kohavi, A study of cross-validation and bootstrap for accuracy estimation and model selection. Int. Joint Conference on Artificial Intelligence, 2(1995), 1137-1145.