fa بازیابی تصویر مبتنی بر شکل بدون نیاز به قطعه‌بندی با هیستوگرام جهت لبه‌های مشابه در این مقاله الگوریتمی جدید از نمایه‌سازی تصویر مبتنی بر شکل, برای استفاده در سیستم‌های بازیابی تصویر معرفی می‌شود. این الگوریتم بدان جهت که برای ساخت نمایه از تصویر, نیاز به قطعه‌بندی تصویر ندارد قادر است با یک بار مرور تصویر و بدون محاسبات زمان‌گیر, کار نمایه‌سازی را انجام دهد. چون این الگوریتم برای ساخت نمایه در دو مرحلهْ استفاده از اطلاعات موجود در لبه‌های تصویر و استفاده از اطلاعات موجود در لبه‌های مشابه همسایه، به گونه‌ای مضاعف از همبستگی میان پیکسل‌های تصویر سود می‌جوید, نسبت به روش‌های مشابه بسیار دقیق‌تر است. در این مقاله با مثال‌ها و معیارهای ارزیابی که برگرفته از پیاده‌سازی عملی الگوریتم روی سیستمی نمونه است, نشان داده می‌شود که نمایه حاصل از این الگوریتم, مستقل از رنگ، نورپردازی، انتقال، تغییر اندازه و چرخش‌های جزیی عمل می‌کند و معیارهای میانگین نرخ فراخوانی و میانگین میزان دقت برای این نمایه به ترتیب از 02/1 الی 9/6 برابر و 22/1 الی 59/10 برابر نسبت به روش‌های مشابه دارای برتری‌هایی است. In this paper, we purpose a new algorithm for shape-based image indexing and retrieval. This new scheme efficiently extracts the image feature vector without any need to segmentation algorithms and high computation. The feature considers correlation between adjacent edges. Thus it includes information of continuous edges and lines of images and estimates shape of objects in images. With implementation of algorithms on a prototype system and using some evaluation metrics, we show the indexes are invariant relative to translation, image size, color, illumination, and small viewing positions. Experimental results show that averages of precision and recall rates of this new indexing scheme compared to other similar methods are 1.02 to 6.9 and 1.22 to 10.59 times greater respectively. بازیابی تصویر , نمایه‌سازی تصویر , روش‌‌های مبتنی بر شکل , هیستوگرام لبه‌ها , پردازش تصویر , بازیابی تصویر , نمایه‌سازی تصویر , روش‌‌های مبتنی بر شکل , هیستوگرام لبه‌ها , پردازش تصویر , 251 270 http://jsci.khu.ac.ir/browse.php?a_code=A-10-3-88&slc_lang=fa&sid=1