Luận văn thạc sĩ hay nghiên cứu phát triển hệ thống tra cứu các loài thực vật quý hiếm tại khu bảo tồn thiên nhiên na hang tỉnh tuyên quang

Luận văn thạc sĩ nghiên cứu phát triển hệ thống tra cứu các loài thực vật quý hiếm tại khu bảo tồn thiên nhiên Na Hang, Tuyên Quang.

• Tác giả: Vũ Thanh Bình
• Người hướng dẫn: TS. Nguyễn Văn Tảo
• Trường học: Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu phát triển hệ thống tra cứu các loài thực vật quý hiếm tại khu bảo tồn thiên nhiên Na Hang, tỉnh Tuyên Quang
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: MỘT SỐ NGHIÊN CỨU LIÊN QUAN
• 1.1. Tổng quan về tra cứu ảnh
• 1.2. Tổng quan về nhận dạng, tra cứu thực vật
• 1.3. Một số nghiên cứu liên quan
• 2. CHƯƠNG 2: PHƯƠNG PHÁP TRA CỨU LÁ CÂY SỬ DỤNG KDES
• 2.1. Phương pháp KDES
• 2.2. Gradient, màu sắc, và hình dạng kernels tương ứng
• 2.3. Học tính năng nhỏ gọn
• 2.4. Phương pháp tra cứu lá cây sử dụng KDES cải tiến
• 2.5. Biểu diễn ảnh lá cây
• 2.5.1. Tính toán đặc trưng mức Pixel
• 2.5.2. Tính toán đặc trưng mức patch
• 2.5.2.1. Sinh tập patch với kích thước patch thích nghi
• 2.5.2.2. Tính toán véctơ đặc trưng mức patch
• 2.5.3. Tính toán đặc trưng mức ảnh
• 2.6. Phân lớp ảnh lá cây
• 2.6.1. Máy véctơ hỗ trợ - SVM
• 2.6.2. Máy véctơ hỗ trợ nhiều lớp – MSVM
• 2.6.2.1. Từ Binary classification tới multi-class classification
• 2.6.2.2. Xử lý dữ liệu ảnh
• 3. CHƯƠNG 3: THỰC NGHIỆM
• 3.1. Thu thập dữ liệu
• 3.1.1. Cơ sở dữ liệu hình ảnh
• 3.1.2. Phương pháp lấy mẫu hình ảnh lá cây
• 3.2. Tiền xử lý ảnh trong bộ cơ sở dữ liệu
• 3.3. Phương pháp đánh giá
• 3.4. Thử nghiệm và kết quả
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về hệ thống tra cứu thực vật quý hiếm tại Na Hang

Khu bảo tồn thiên nhiên Na Hang, Tuyên Quang, nổi bật với sự đa dạng sinh học và nguồn tài nguyên thực vật phong phú. Hệ thống tra cứu thực vật quý hiếm tại đây không chỉ giúp bảo tồn mà còn nâng cao nhận thức về giá trị của các loài thực vật. Việc phát triển hệ thống này là cần thiết để hỗ trợ công tác nghiên cứu và bảo tồn.

1.1. Đặc điểm sinh thái của khu bảo tồn thiên nhiên Na Hang

Khu bảo tồn thiên nhiên Na Hang có diện tích khoảng 22.401,5 ha, với nhiều loại hình sinh thái khác nhau. Nơi đây là môi trường sống của hàng trăm loài thực vật quý hiếm, trong đó có nhiều loài được ghi trong Sách Đỏ Việt Nam.

1.2. Tầm quan trọng của thực vật quý hiếm

Thực vật quý hiếm không chỉ có giá trị về mặt sinh thái mà còn có giá trị kinh tế và y học. Việc bảo tồn và phát triển các loài thực vật này là rất cần thiết cho sự phát triển bền vững của khu vực.

II. Vấn đề và thách thức trong việc bảo tồn thực vật quý hiếm

Mặc dù khu bảo tồn thiên nhiên Na Hang có nhiều tiềm năng, nhưng việc bảo tồn thực vật quý hiếm đang gặp phải nhiều thách thức. Các yếu tố như biến đổi khí hậu, khai thác tài nguyên và thiếu thông tin về các loài thực vật đang gây áp lực lên hệ sinh thái.

2.1. Biến đổi khí hậu và tác động đến thực vật

Biến đổi khí hậu đang làm thay đổi môi trường sống của nhiều loài thực vật, dẫn đến nguy cơ tuyệt chủng. Việc theo dõi và nghiên cứu tác động này là rất quan trọng.

2.2. Khai thác tài nguyên và ảnh hưởng đến đa dạng sinh học

Khai thác tài nguyên thiên nhiên không bền vững đang làm giảm số lượng và chất lượng của các loài thực vật quý hiếm. Cần có các biện pháp quản lý hiệu quả để bảo vệ chúng.

III. Phương pháp phát triển hệ thống tra cứu thực vật quý hiếm

Để phát triển hệ thống tra cứu thực vật quý hiếm, cần áp dụng các công nghệ hiện đại trong việc thu thập và xử lý dữ liệu. Hệ thống này sẽ giúp người dùng dễ dàng tra cứu thông tin về các loài thực vật quý hiếm.

3.1. Sử dụng công nghệ thông tin trong tra cứu

Công nghệ thông tin đóng vai trò quan trọng trong việc xây dựng cơ sở dữ liệu về thực vật. Hệ thống sẽ cho phép người dùng truy cập thông tin một cách nhanh chóng và chính xác.

3.2. Phát triển ứng dụng di động hỗ trợ tra cứu

Việc phát triển ứng dụng di động sẽ giúp người dùng dễ dàng tra cứu thông tin về thực vật ngay tại hiện trường, từ đó nâng cao hiệu quả bảo tồn.

IV. Ứng dụng thực tiễn của hệ thống tra cứu thực vật quý hiếm

Hệ thống tra cứu thực vật quý hiếm không chỉ phục vụ cho nghiên cứu mà còn có nhiều ứng dụng thực tiễn trong bảo tồn và phát triển bền vững. Nó có thể hỗ trợ các nhà khoa học, nhà quản lý và cộng đồng địa phương trong việc bảo vệ tài nguyên thiên nhiên.

4.1. Hỗ trợ nghiên cứu và giáo dục

Hệ thống sẽ cung cấp thông tin cần thiết cho các nghiên cứu về thực vật, đồng thời nâng cao nhận thức của cộng đồng về giá trị của thực vật quý hiếm.

4.2. Tăng cường hợp tác giữa các bên liên quan

Hệ thống sẽ tạo điều kiện thuận lợi cho việc hợp tác giữa các nhà khoa học, tổ chức bảo tồn và cộng đồng địa phương trong việc bảo vệ và phát triển thực vật quý hiếm.

V. Kết luận và hướng phát triển tương lai của hệ thống

Hệ thống tra cứu thực vật quý hiếm tại khu bảo tồn thiên nhiên Na Hang là một bước tiến quan trọng trong công tác bảo tồn. Trong tương lai, cần tiếp tục cải tiến và mở rộng hệ thống để đáp ứng nhu cầu ngày càng cao về thông tin và bảo tồn thực vật.

5.1. Định hướng phát triển hệ thống

Cần có kế hoạch rõ ràng để phát triển hệ thống, bao gồm việc cập nhật dữ liệu và cải tiến công nghệ.

5.2. Khuyến khích sự tham gia của cộng đồng

Khuyến khích cộng đồng tham gia vào việc bảo tồn thực vật quý hiếm sẽ giúp nâng cao hiệu quả của hệ thống và bảo vệ tài nguyên thiên nhiên.

Nội dung chính

Tổng quan nghiên cứu

Khu bảo tồn thiên nhiên Na Hang thuộc tỉnh Tuyên Quang được thành lập theo Quyết định 274/UB-QĐ ngày 09 tháng 5 năm 1994, sở hữu tổng diện tích tự nhiên lên đến 22.401,5 ha. Khu vực này có địa hình phân hóa mạnh mẽ với 30% diện tích nằm ở độ cao dưới 300 m, 60% diện tích trong khoảng 300 đến 800 m và 10% diện tích trên 900 m. Hệ thực vật tại đây vô cùng phong phú với 1.162 loài thực vật bậc cao có mạch thuộc 604 chi và 159 họ; trong đó có 558 loài có giá trị dược liệu. Khảo sát thực địa ghi nhận 275 loài cây thuốc thuộc 96 họ, bao gồm 204 loài được cộng đồng dân tộc Cao Lan sử dụng và 05 loài có tên trong Sách Đỏ Việt Nam. Tỷ lệ phân bổ dạng sống của các loài cây thuốc gồm cây thân thảo chiếm 41,63%, cây bụi chiếm 22,01%, cây thân gỗ chiếm 16,75% và dây leo chiếm 17,61%.

Tuy nhiên, việc giám định và phân loại các loài thực vật quý hiếm bằng phương pháp phân loại hình thái truyền thống gặp nhiều khó khăn, đòi hỏi kinh nghiệm chuyên sâu của các nhà thực vật học và tiêu tốn nhiều thời gian. Xuất phát từ thực tiễn đó, luận văn tập trung nghiên cứu và phát triển hệ thống tra cứu tự động các loài thực vật quý hiếm dựa trên hình ảnh lá cây thông qua kỹ thuật thị giác máy tính và học máy. Mục tiêu cụ thể là xây dựng bộ cơ sở dữ liệu hình ảnh chuẩn hóa và hoàn thiện thuật toán trích xuất đặc trưng nhằm tối ưu hóa độ chính xác nhận dạng. Nghiên cứu mang lại ý nghĩa quan trọng trong công tác quản lý tài nguyên sinh vật, rút ngắn thời gian định danh loài từ nhiều giờ xuống còn vài giây, tạo nền tảng công nghệ phục vụ chiến lược bảo tồn đa dạng sinh học bền vững tại tỉnh Tuyên Quang.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng của phương pháp biểu diễn ảnh bằng Bộ mô tả Kernel (Kernel Descriptors - KDES) và Mô hình phân lớp Máy vector hỗ trợ nhiều lớp (Multi-class Support Vector Machine - MSVM). Phương pháp KDES cung cấp một khung làm việc thống nhất để trích chọn các đặc trưng thị giác từ mức thấp đến mức cao:

• Đặc trưng mức điểm ảnh (Pixel-level features): Tính toán vector gradient dựa trên độ lớn và hướng tại từng tọa độ điểm ảnh, kết hợp với các thuộc tính màu sắc và mẫu nhị phân cục bộ (Local Binary Patterns - LBP) trong cửa sổ lân cận 3x3.
• Đặc trưng mức vùng ảnh (Patch-level features): Sử dụng các hàm Kernel đối sánh gradient (Gradient Match Kernel) kết hợp giữa Kernel độ lớn, Kernel hướng và Kernel vị trí Gaussian để đo lường mức độ tương đồng giữa các vùng ảnh.
• Đặc trưng mức toàn ảnh (Image-level features): Áp dụng cấu trúc Kim tự tháp không gian (Spatial Pyramid) kết hợp thuật toán Kernel đối sánh hiệu quả (Efficient Match Kernel - EMK). Thuật toán này sử dụng kỹ thuật gán mềm (soft-assignment) để ánh xạ các đặc trưng vùng vào một từ điển thị giác liên tục, khắc phục hoàn toàn hiện tượng mất mát thông tin của phương pháp gán cứng trong mô hình Bag-of-Words truyền thống.
• Giảm số chiều không gian đặc trưng: Áp dụng phương pháp phân tích thành phần chính Kernel (Kernel Principal Component Analysis - KPCA) và phân tích giá trị kỳ dị Kernel bị chặn (CKSVD) nhằm xấp xỉ không gian đặc trưng vô hạn chiều thành hữu hạn chiều, tạo ra các vector 256 chiều nhỏ gọn nhưng bảo toàn tối đa thông tin phân lớp.

[Ảnh đầu vào] 
[Trích chọn KDES cải tiến]

Phương pháp nghiên cứu

Nghiên cứu sử dụng quy trình thực nghiệm nghiêm ngặt với các bước thu thập dữ liệu, tiền xử lý và đánh giá định lượng:

• Nguồn dữ liệu và kích thước mẫu: Bộ dữ liệu thực nghiệm bao gồm mẫu hình ảnh lá cây của 38 loài thực vật quý hiếm và cây thuốc đặc hữu được thu thập trực tiếp tại các sinh cảnh rừng đặc dụng Na Hang. Phương pháp lấy mẫu có chủ đích được áp dụng nhằm bao phủ các loài thực vật phân bố ở cả hai đai độ cao chính: khu vực đồi thấp dưới 300 m và vùng núi đá vôi từ 300 đến 800 m.
• Tiền xử lý ảnh: Toàn bộ ảnh lá cây được chụp trên nền đơn giản, sau đó trải qua quy trình phân đoạn tự động bằng thuật toán nhận diện vùng nổi bật (Salient region segmentation). Ảnh được chuyển đổi từ không gian màu RGB sang không gian màu Lab để tách biệt hoàn toàn thông tin độ sáng và màu sắc. Tiếp theo, các phép toán hình thái học co ảnh và giãn ảnh nhị phân được thực thi để loại bỏ nhiễu biên và chuẩn hóa hướng chính của phiến lá về trục thẳng đứng.
• Kỹ thuật cải tiến KDES: Khác với KDES gốc sử dụng kích thước ô cố định 16x16 pixel trên lưới 8x8 dẫn đến số lượng patch biến thiên mạnh theo độ phân giải ảnh, nghiên cứu đề xuất giải pháp sinh patch thích nghi. Kích thước patch được co giãn tỷ lệ thuận theo chiều rộng và chiều cao của ảnh đầu vào, đảm bảo số lượng patch sinh ra là đồng nhất trên mọi mẫu thử.
• Lý do lựa chọn MSVM: Phân lớp đa lớp MSVM dựa trên chiến lược One-vs-Rest được lựa chọn nhờ khả năng tối ưu hóa biên phân cách trong không gian đặc trưng nhiều chiều, kiểm soát tốt hiện tượng quá khớp (overfitting) ngay cả khi số lượng mẫu huấn luyện của từng loài ở mức giới hạn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm và phân tích định lượng đã chứng minh tính ưu việt của phương pháp KDES cải tiến kết hợp MSVM:

• Tối ưu hóa tính bất biến kích thước: Với phương pháp KDES truyền thống, hai bức ảnh của cùng một chiếc lá có kích thước khác nhau sinh ra số lượng patch chênh lệch lớn, từ 24 patch ở ảnh nhỏ lên 77 patch ở ảnh lớn, khiến vector đặc trưng bị sai lệch. Ngược lại, kỹ thuật patch thích nghi sinh ra số lượng patch đồng đều theo cả trục ngang và trục dọc, giúp vector biểu diễn đạt tính bất biến hoàn toàn với biến đổi tỷ lệ ảnh.
• Bất biến với phép xoay: Việc chuẩn hóa toàn bộ vector gradient theo hướng chính của từng patch giúp hệ thống nhận dạng chính xác mẫu lá bất kể góc chụp bị xoay nghiêng từ 0 đến 360 độ.
• Tốc độ xử lý vượt trội: Thông qua kỹ thuật KPCA, thời gian tính toán bộ mô tả gradient chỉ mất khoảng 1,5 giây trên mỗi ảnh chuẩn độ phân giải 300x300 pixel, nhanh hơn 2,6 lần so với bộ mô tả hình dạng phức tạp (mất khoảng 4,0 giây) và hoàn toàn đáp ứng yêu cầu tra cứu bán tự động.
• Nâng cao độ chính xác phân loại: Trên bộ dữ liệu thực nghiệm gồm 38 loài thực vật quý hiếm tại Na Hang, phương pháp KDES cải tiến đạt độ chính xác tổng thể vượt trội so với KDES gốc và các bộ mô tả điểm cục bộ truyền thống như SIFT hay SURF.

Phương pháp trích chọn đặc trưng	Cơ chế kích thước Patch	Tính bất biến góc xoay	Thời gian xử lý trung bình (giây/ảnh)	Mức độ chính xác nhận dạng
SIFT / SURF truyền thống	Điểm đặc trưng cục bộ	Tương đối	0,4 - 0,8	Trung bình
KDES gốc (Bo et al., 2010)	Cố định (16x16 pixel)	Không	1,5	Khá
KDES cải tiến (Đề tài)	Thích nghi theo tỷ lệ ảnh	Hoàn toàn (Chuẩn hóa hướng)	1,5	Cao vượt trội

Thảo luận kết quả

Hiệu năng của mô hình được kiểm chứng chi tiết thông qua Ma trận nhầm lẫn (Confusion Matrix) kích thước 38x38 lớp. Biểu đồ ma trận nhầm lẫn cho thấy các giá trị tập trung dày đặc trên đường chéo chính, chứng minh tỷ lệ nhận dạng đúng của đại đa số các loài đạt mức rất cao. Một số ít trường hợp xảy ra nhầm lẫn tập trung ở các loài có cấu trúc gân lá và hình thái phiến lá gần như tương đồng thuộc cùng một chi sinh học.

So với các nghiên cứu phân đoạn phức tạp như Marker-Controlled Watersheds hay đường bao chủ động (Active Contours) vốn rất nhạy cảm với điều kiện chiếu sáng, quy trình xử lý tách nền trong không gian màu Lab kết hợp chuẩn hóa hướng lá của đề tài mang lại độ ổn định cao hơn. Đồ thị sai số bình phương trung bình gốc (RMSE) giữa xấp xỉ KPCA và Kernel thực nghiệm giảm nhanh tiệm cận về 0 khi kích thước lưới lấy mẫu vượt qua ngưỡng 16, khẳng định tính chính xác của việc ánh xạ không gian đặc trưng. Kết quả này chứng minh rằng việc kết hợp giữa biểu diễn đa mức độ của KDES và bộ phân loại lề cực đại MSVM là giải pháp kỹ thuật tối ưu cho bài toán nhận dạng thực vật có cấu trúc phức tạp.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và đưa kết quả nghiên cứu vào ứng dụng thực tiễn sâu rộng, luận văn đưa ra 4 khuyến nghị trọng tâm:

• Mở rộng quy mô cơ sở dữ liệu thực vật số: Ban Quản lý Khu bảo tồn thiên nhiên Na Hang cần phối hợp với các viện nghiên cứu thực vật thu thập thêm mẫu ảnh, nâng tổng số loài được số hóa từ 38 loài hiện tại lên toàn bộ 275 loài cây thuốc và 558 loài thực vật có giá trị trong vòng 12 đến 18 tháng tới.
• Tối ưu hóa thuật toán trên phần cứng chuyên dụng: Đội ngũ kỹ thuật cần tái cấu trúc và lập trình song song hóa thuật toán KDES trên nền tảng vi xử lý đồ họa (GPU) sử dụng thư viện CUDA. Mục tiêu là giảm thời gian trích xuất đặc trưng xuống dưới 0,2 giây mỗi ảnh trong vòng 6 tháng nhằm phục vụ các truy vấn tức thời.
• Phát triển ứng dụng di động thông minh: Sở Thông tin và Truyền thông tỉnh Tuyên Quang phối hợp với nhóm nghiên cứu xây dựng ứng dụng di động chạy trên nền tảng Android và iOS trong giai đoạn 2020 - 2022. Ứng dụng cho phép lực lượng kiểm lâm và du khách chụp ảnh lá cây trực tiếp ngoài thực địa để tra cứu tên khoa học, công dụng dược liệu và mức độ quý hiếm mà không cần kết nối Internet liên tục.
• Tích hợp mô hình học sâu và dữ liệu đa phương thức: Khuyến nghị các nhà nghiên cứu tiếp tục mở rộng mô hình bằng cách kết hợp đặc trưng lá với hình ảnh hoa, quả, vỏ thân cây và dữ liệu vị trí địa lý GPS, nâng tỷ lệ nhận diện chính xác tổng thể lên trên 95% vào giai đoạn 2022 - 2025.

[Lộ trình triển khai khuyến nghị]

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo chuyên môn giá trị cho 4 nhóm đối tượng chính:

• Học viên cao học và nhà nghiên cứu Khoa học máy tính: Cung cấp tài liệu tham khảo chi tiết về kỹ thuật trích chọn đặc trưng Kernel Descriptors, giải thuật xấp xỉ EMK, biến đổi không gian màu và phương pháp xây dựng bộ phân lớp MSVM trong xử lý ảnh.
• Cán bộ quản lý lâm nghiệp và lực lượng kiểm lâm: Cung cấp phương pháp luận và công cụ công nghệ thông tin hỗ trợ giám sát, kiểm kê và bảo vệ nguồn tài nguyên thực vật rừng đặc dụng một cách khoa học.
• Chuyên gia Dược liệu học và Thực vật học: Cung cấp cơ sở dữ liệu tra cứu trực quan về hình thái của 38 loài thực vật đặc hữu, hỗ trợ quá trình đối chiếu nguồn gen và sàng lọc các hợp chất tự nhiên quý.
• Kỹ sư phát triển phần mềm và hệ thống thông tin: Cung cấp kiến trúc hệ thống hoàn chỉnh từ khâu thu nhận, tiền xử lý ảnh đến xây dựng mô hình phân loại đa lớp có khả năng mở rộng trong thực tế.

Câu hỏi thường gặp

Tại sao nghiên cứu lại chọn hình ảnh lá cây thay vì hoa hoặc quả để nhận dạng?

Lá cây là bộ phận hiện diện quanh năm trên hầu hết các loài thực vật, dễ dàng tiếp cận và thu thập mẫu ở mọi mùa trong năm. Ngược lại, hoa và quả chỉ xuất hiện trong những khoảng thời gian sinh sản ngắn hạn theo mùa, gây khó khăn lớn cho việc xây dựng hệ thống tra cứu thường xuyên tại thực địa.

Điểm cải tiến then chốt của phương pháp KDES trong luận văn là gì?

Cải tiến quan trọng nhất là việc áp dụng kỹ thuật sinh patch với kích thước thích nghi và chuẩn hóa vector gradient theo hướng chính của từng patch. Giải pháp này giúp bộ mô tả đạt tính bất biến trước sự thay đổi về kích thước ảnh và góc xoay của phiến lá, khắc phục triệt để nhược điểm cố định kích thước của KDES gốc.

Thuật toán phân đoạn ảnh trong nghiên cứu hoạt động như thế nào?

Hệ thống sử dụng giải thuật phân đoạn vùng nổi bật (Salient region segmentation) kết hợp chuyển đổi không gian màu từ RGB sang Lab. Kỹ thuật này giúp tách biệt rõ ràng giữa vùng lá cây và nền đơn giản, sau đó áp dụng các phép toán hình thái học co/giãn nhị phân để trích xuất chính xác đường biên phiến lá.

Mô hình phân loại Multi-class SVM đóng vai trò gì trong hệ thống?

MSVM nhận đầu vào là vector đặc trưng mức ảnh được tổng hợp từ cấu trúc Kim tự tháp không gian và tính toán khoảng cách siêu phẳng để xác định xác suất mẫu ảnh thuộc về từng loài thực vật. Hệ thống sau đó sắp xếp và trả về danh sách các loài có độ tương đồng cao nhất với câu truy vấn.

Hệ thống có khả năng ứng dụng cho các khu bảo tồn thiên nhiên khác không?

Kiến trúc hệ thống và quy trình trích chọn đặc trưng KDES cải tiến có tính tổng quát rất cao. Khi áp dụng cho các khu bảo tồn thiên nhiên hoặc vườn quốc gia khác, người quản trị chỉ cần bổ sung tập ảnh mẫu huấn luyện của các loài thực vật bản địa mới vào cơ sở dữ liệu mà không cần thay đổi cấu trúc thuật toán lõi.

Kết luận

• Luận văn đã giải quyết thành công bài toán tự động hóa tra cứu 38 loài thực vật quý hiếm và cây thuốc tại Khu bảo tồn thiên nhiên Na Hang thông qua hình ảnh lá cây.
• Đề xuất thành công giải pháp cải tiến bộ mô tả Kernel (KDES) với cơ chế kích thước patch thích nghi và chuẩn hóa hướng chính, giúp hệ thống đạt tính bất biến đối với kích thước và góc xoay ảnh.
• Xây dựng hoàn chỉnh quy trình công nghệ kết hợp giữa phân đoạn vùng nổi bật trong không gian màu Lab, xấp xỉ EMK trên cấu trúc Kim tự tháp không gian và phân loại đa lớp bằng MSVM.
• Kết quả thực nghiệm khẳng định độ chính xác vượt trội của mô hình so với KDES gốc và các phương pháp trích chọn đặc trưng truyền thống như SIFT, SURF với thời gian xử lý đạt 1,5 giây mỗi ảnh.
• Đề ra lộ trình 6 đến 18 tháng để tối ưu hóa thuật toán trên nền tảng GPU và phát triển ứng dụng di động thông minh phục vụ công tác bảo tồn đa dạng sinh học thực địa.

Hệ thống mở ra hướng tiếp cận hiện đại trong việc ứng dụng công nghệ thông tin vào quản lý tài nguyên rừng. Các cơ quan quản lý và nhà nghiên cứu quan tâm có thể ứng dụng khung giải pháp này để xây dựng hệ thống số hóa thực vật cho đơn vị mình ngay hôm nay.

Trích đoạn nội dung tài liệu

phần mở đầu, kết luận, mục lục, danh mục tài liệu, tài liệu tham khảo, luận văn đƣợc chia thành 3 chƣơng nhƣ sau: - CHƢƠNG 1: MỘT SỐ NGHIÊN CỨU LIÊN QUAN Chƣơng này giới thiệu bài toán và thông tin tổng quan về tra cứu/ nhận dạng thực vật. Trong chƣơng này cũng trình bày sơ lƣợc một số nghiên cứu liên quan đến bài toán nhận dạng, tra cứu ảnh lá cây; giới thiệu sử dụng LUAN VAN CHAT LUONG download : add [e-mail] 5 phƣơng pháp KDES (kernel descriptor) cho bài toán tra cứu thông tin về cây thông qua hình ảnh lá cây. - CHƢƠNG 2: PHƢƠNG PHÁP TRA CỨU LÁ CÂY SỬ DỤNG KDES Trong chƣơng này trình bày phƣơng pháp tra cứu thông tin cây thông qua hình ảnh lá cây sử dụng phƣơng pháp KDES. CHƢƠNG 3: THỰC NGHIỆM Nội dung chƣơng này bao gồm phƣơng pháp thu thập dữ liệu, phƣơng pháp đánh giá, việc thử nghiệm và kết quả của thử nghiệm trên cơ sở dữ liệu đã thu thập.

LUAN VAN CHAT LUONG download : add [e-mail] 6 CHƢƠNG 1 MỘT SỐ NGHIÊN CỨU LIÊN QUAN 1.1 Tổng quan về tra cứu ảnh Những năm gần đây ảnh số ngày càng thu hút đƣợc sự quan tâm của nhiều ngƣời, một phần là do các thiết bị thu nhận ảnh số ngày càng phổ biến và có giá cả phù hợp, cho phép nhiều ngƣời có thể sở hữu và sử dụng. Mặt khác các công nghệ chế tạo thiết bị lƣu trữ luôn đƣợc cải tiến để cho ra đời các thiết bị lƣu trữ có dung lƣợng lớn và giá thành hạ làm cho việc lƣu trữ ảnh dƣới dạng các file trở nên phổ biến. Thêm nữa là sự phát triển của mạng internet làm cho số lƣợng ảnh số đƣợc đƣa lên lƣu trữ và trao đổi qua internet là rất lớn. Năm 2006, trên 300 triệu hình ảnh đã đƣợc tải lên Flickr, một trong những cộng đồng chia sẻ hình ảnh lớn nhất trên internet.

Con số này cho thấy thực tế là số lƣợng ảnh số đƣợc lƣu trữ trong các cơ sở dữ liệu đang gia tăng nhanh chóng. Tuy nhiên khi số lƣợng ảnh đƣợc lƣu trữ trở lên rất lớn thì vấn đề là phải có những phƣơng pháp tổ chức cơ sở dữ liệu ảnh tốt cùng với những kỹ thuật tìm kiếm tra cứu ảnh có hiệu quả có độ chính xác cao và có hiệu năng tốt. Việc tìm kiếm đƣợc một bức ảnh mong muốn trong hàng triệu bức ảnh thuộc đủ loại chủ đề khác nhau là rất khó. Khi số lƣợng ảnh trong một bộ sƣu tập còn ít, việc nhận diện bức ảnh hay việc so sánh sự giống và khác nhau giữa nhiều bức ảnh có thể đƣợc thực hiện bằng mắt thƣờng, tuy nhiên khi số lƣợng ảnh rất lớn thì việc so sánh bằng mắt thƣờng là rất khó khăn, đòi hỏi phải có những phƣơng pháp hiệu quả và chính xác hơn.

Trong thực tế, bài toán tra cứu ảnh số có rất nhiều ứng dụng quan trọng. Ví dụ nhƣ trong lĩnh vực ngân hàng, việc so sánh chữ ký của khách hàng với mẫu chữ ký đã đƣợc lƣu trữ sẵn có thể thực hiện rất nhanh và chính xác nếu có đƣợc một phần mềm so sánh mẫu chữ ký tốt. Thực tế hiện nay tại các ngân LUAN VAN CHAT LUONG download : add [e-mail] 7 hàng ở Việt Nam, ngƣời ta vẫn phải sử dụng phƣơng pháp so sánh bằng mắt thƣờng và việc so sánh chữ ký bằng phần mềm vẫn chƣa thực hiện đƣợc. Một ví dụ khác là bài toán quản lý biểu trƣng (logo) trong lĩnh vực sở hữu trí tuệ.