چکیده: بازیابی تصویر مبتنی بر محتوا(CBIR ) یکی از مهم ترین زمینه های تحقیقاتی در علم بینایی ماشین و پردازش تصویر است. سیستم CBIR، تصویر جستجو را بر اساس محتوای بصری آن از پایگاه داده ی تصاویر، بازیابی می کند. به دلیل افزایش سریع مجموعه های تصاویر با حجم بالا و پاسخگو نبودن سیستم-های بازیابی تصویر مبتنی بر متن، وجود سیستم های بازیابی تصویر مبتنی بر محتوا ضروری است. سیستم های بازیابی تصاویر، اکثرا از ویژگی های سطح پایین(مانند رنگ، شکل و بافت) به تنهایی استفاده می کنند. ویژگی های سطح پایین، محتوای تصاویر ساده را می توانند به خوبی توصیف کنند، اما تصاویر حاوی مفاهیم سطح بالا را نمی توانند توصیف کنند. منظور از مفاهیم سطح بالا، مفاهیم ادارکی انسان از تصویر است که با استفاده از ویژگی های سطح پایین به تنهایی قابل بیان نیست. این مشکل، یکی از چالش های اصلی سیستم های CBIR است و "شکاف معنایی " نامیده می شود. در این پایان نامه دو روش سریع و کارآمد جهت کاهش "شکاف معنایی" معرفی شده است. این دو روش به دنبال اطلاعات معنایی از تصویر، با استفاده از ویژگی های سطح پایین بصورت ترکیبی هستند. بر اساس مطالعات انجام شده، سیستم بینایی انسان ویژگی های لبه و رنگ را به صورت قابل توجهی در ارزیابی تصویر ملاک قرار می دهد. لذا این دو مجموعه ویژگی اطلاعات معنایی زیادی از تصویر را پوشش داده و در سیستم های بازیابی تصویر مبتنی بر محتوا نقش بسزایی دارند. یکی از روش های مطرح در این حوزه، غالبا از ویژگی های لبه و اطلاعات رنگ در فضای رنگ L*a*b* استفاده می کند. بردار ویژگی حاصل از اختلاف رنگ مبتنی بر این ویژگی ها، "هیستوگرام اختلاف رنگ" نامیده می شود. در این پایان-نامه، ابتدا با اعمال دو معیار آنتروپی و همبستگی بین مولفه های این بردار ویژگی در تصاویر مختلف، ویژگی های موثر انتخاب می شوند. اگرچه ویژگی های حاصل، تا حدی بیان گر محتوای معنایی تصویر است، با افزودن ویژگی های جدید به مجموعه ویژگی حاصل، نرخ بازیابی تصویر را می توان افزایش داد. اولین ویژگی پیشنهادی، هیستوگرام رنگ در فضای رنگ HSV است. دو فضای رنگ HSV و L*a*b*، نسبت به سایر فضاهای رنگ به سیستم بینایی انسان نزدیک تر هستند. فضای رنگ L*a*b* در روش هیستوگرام اختلاف رنگ استفاده شده است. لذا در روش پیشنهادی اول، جهت استفاده از اطلاعات معنایی هر دو فضای رنگ، هیستوگرام رنگ در فضای رنگ HSV به بردار ویژگی اضافه می شود. این بردار ویژگی از نظر تعداد ویژگی، سرعت و دقت بازیابی تصویر، نسبت به جدیدترین روش های بازیابی تصویر اخیر، بهبود قابل توجهی را نشان می دهد. روش پیشنهادی دوم، به دنبال استفاده از اطلاعات معنایی هر دو نوع لبه، شامل لبه ی حاشیه ای اشیاء و لبه ی داخلی اشیاء، ویژگی جدیدی معرفی می شود. لبه حاشیه ای اشیاء در روش هیستوگرام اختلاف رنگ استفاده شده است. بافت تصویر شامل لبه های داخلی اشیاء در تصویر است. لذا هیستوگرام جهت لبه با استفاده از گرادیان حاصل از بافت تصویر به مجموعه ویژگی روش پیشنهادی اول اضافه می شود. در نهایت در معیار شباهت تصاویر، به هر گروه ویژگی از مجموعه های ویژگی های معنایی پیشنهادی، وزنی اختصاص می یابد. با انتساب این مقادیر وزنی، سرعت و دقت در سیستم های بازیابی پیشنهادی، افزایش می یابد. ویژگی های معنایی استخراج شده به همراه وزن دهی آن ها، به عنوان سطوح بالای معنایی شناخته می شود، چراکه منجر به درک مفاهیم سطح بالای تصویر می شوند. در این پایان نامه، از دو پایگاه داده استاندارد Corel 5k و Corel 10k استفاده شده است. این افزایش سرعت و دقت بازیابی، حاکی از آن است که سطوح بالای معنایی پیشنهادی، در عین تعداد کم ویژگی، بدون استفاده از قطعه-بندی تصویر و فرآیندهای یادگیری و خوشه بندی، بخوبی فضای دو بعدی تصویر را توصیف کرده و مفاهیم معنایی را از آن استخراج می کنند.