سیستم های شرح نگاری خودکار تصاویر، وظیفه توصیف محتوای تصاویر به وسیله تخصیص برچسب به آنها را بر عهده دارند. هدف از انجام این تحقیق بهبود نتایج دقت و سرعت یک سیستم شرح نگار تصاویر است. اخیراً با توجه به رشد روزافزون تصاویر، فرایند شرح نگاری بر روی پایه های تصاویر به جای خودشان اجرا می گردد. یکی از این روش های جدید، پیاده سازی الگوریتم تجزیه نامنفی ماتریس (NMF) بر روی ویژگی های به دست آمده از تصاویر است. در روش پیشنهادی برای افزایش سرعت و کارایی بهتر سیستم شرح نگاری، برای اولین بار از روشی به نام چرخش بلاک اصلی برای حل NMF در شرح نگاری استفاده شده است. این روش با توانایی افزودن برخط کلاس جدیدی از داده ها به دانش خود و یادگیری دانش به صورت فشرده و علاوه بر آن، توانایی آموزش بر اساس داده های دریافتی بدون نیاز به پردازش مجدد توانسته از روش های پیشین ارائه شده برای حل NMF عملکرد بهتری را نشان دهد. در مرحله آموزش با روش چرخش بلاک اصلی ماتریس ضرایب و پایه تصاویر ورودی به دست می آیند. سپس در مرحله آزمون برای تصویر ورودی، توسط ویژگی های استخراج شده از تصویر و ضرایب به دست آمده از مرحله آموزش، ضریب تعلق تصویر آزمون به هر یک از کلاس های تصاویر آموزش محاسبه می گردد. سپس این ضریب در هنگام جستجو در میان تصاویر آموزش برای تخصیص برچسب به تصویر آزمون، دقت کار را افزایش می دهد. این جستجو توسط روش KNN بر روی پایه های تصاویر صورت می گیرد. برای آزمایش روش پیشنهادی از دو پایگاه داده K5Corel و داده های واقعی حیوانات (برگرفته از px 500) استفاده شده و نهایتاً با روش های موجود مقایسه شده که در پایگاه داده K5Corel به میزان دقت 20/50 و روی داده های واقعی به 89/62 رسیدیم که به طور قابل ملاحظه ای دقت افزایش یافته است.

Keywords