Bối cảnh và vấn đề nghiên cứu

Sự phát triển nhanh chóng của công nghệ thông tin cùng quá trình tin học hóa sâu rộng trong các hoạt động sản xuất, kinh doanh và đời sống xã hội đã tạo ra khối lượng dữ liệu khổng lồ. Hàng triệu cơ sở dữ liệu (CSDL) đạt dung lượng từ hàng nghìn Gigabyte đến mức Terabyte được thiết lập và vận hành. Tình trạng bùng nổ dữ liệu này đặt ra thách thức lớn: làm thế nào để chuyển đổi nguồn tài nguyên dữ liệu thô thành các tri thức hữu ích phục vụ cho công tác phân tích và hỗ trợ ra quyết định. Trong bối cảnh đó, lĩnh vực Khám phá tri thức trong cơ sở dữ liệu (Knowledge Discovery in Databases - KDD) và Khai phá dữ liệu (Data Mining) đã ra đời, trở thành hướng nghiên cứu trọng tâm trong nền công nghệ thông tin.

Trong các bài toán khai phá dữ liệu, phân cụm dữ liệu (clustering) đóng vai trò là một kỹ thuật học không giám sát nền tảng, giúp phát hiện các cấu trúc ẩn mà không cần gán nhãn trước. Song song với đó, trong lĩnh vực xử lý ảnh và thị giác máy tính, phân đoạn ảnh (image segmentation) là bước xử lý sơ khởi nhưng mang tính quyết định, có nhiệm vụ phân chia ảnh số thành các vùng đồng nhất tương ứng với các đối tượng thực tế. Việc chuyển dịch từ xử lý ảnh mức xám sang ảnh màu đòi hỏi các thuật toán phân đoạn phải đáp ứng tốt cả về độ chính xác lẫn hiệu năng tính toán.

Đồ án tốt nghiệp thực hiện các nhiệm vụ nghiên cứu cụ thể sau:

  1. Nghiên cứu tổng quan về quy trình khám phá tri thức và các kỹ thuật khai phá dữ liệu phổ biến.
  2. Hệ thống hóa cơ sở lý thuyết về phân cụm dữ liệu, các kiểu thuộc tính, cấu trúc ma trận dữ liệu và các độ đo khoảng cách.
  3. Khảo sát các hướng tiếp cận phân cụm dữ liệu chính: phân hoạch, phân cấp, dựa trên mật độ, dựa trên lưới, dựa trên mô hình và phân cụm có ràng buộc.
  4. Nghiên cứu các phương pháp phân đoạn ảnh màu và khảo sát chi tiết thuật toán phân cụm cứng $K$-means, phương pháp phân đoạn yếu $25$ màu của B. Prasad và phương pháp phân đoạn ngưỡng cục bộ thích nghi kết hợp giải thuật Watershed.
  5. Cài đặt chương trình thực nghiệm mô phỏng ứng dụng thuật toán $K$-means trong bài toán phân đoạn ảnh màu.
  • Đối tượng nghiên cứu: Các phương pháp phân cụm dữ liệu cứng (trọng tâm là thuật toán $K$-means) và bài toán phân đoạn ảnh số (không gian màu RGB, HSV, ảnh mức xám).
  • Phạm vi nghiên cứu: Đồ án tốt nghiệp chuyên ngành Hệ thống thông tin, Khoa Công nghệ thông tin, Trường Đại học Dân lập Hải Phòng; được thực hiện dưới sự hướng dẫn của PGS. TS. Ngô Quốc Tạo (thời gian hoàn thành: tháng 11 năm 2013, sinh viên thực hiện: Bùi Trung Thành, lớp CT1301).

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng nghiên cứu dựa trên quy trình khám phá tri thức và lý thuyết không gian metric, kết hợp các phương pháp toán học và thị giác máy tính:

  • Khung quy trình KDD: Gồm 4 bước tuần tự có tính lặp:
    1. Tìm hiểu lĩnh vực và hình thành bài toán: Xác định mục tiêu ứng dụng và bản chất dữ liệu.
    2. Thu thập và tiền xử lý dữ liệu: Loại bỏ nhiễu, xử lý dữ liệu thiếu, biến đổi và rút gọn dữ liệu (bước chiếm nhiều thời gian nhất trong quy trình).
    3. Khai phá dữ liệu: Trích xuất các mẫu hoặc mô hình tiềm ẩn.
    4. Hiểu và đánh giá tri thức: Làm sáng tỏ các mô tả và dự đoán để phục vụ thực tiễn.
  • Thành phần giải thuật khai phá dữ liệu: Gồm 3 thành phần chính: biểu diễn mô hình (ngôn ngữ mô tả), kiểm định mô hình (đánh giá chéo, kiểm tra dữ liệu) và tìm kiếm mô hình (tìm kiếm theo số để tối ưu tham số và tìm kiếm theo mô hình dùng kỹ thuật heuristic).
  • Cấu trúc dữ liệu trong phân cụm:
    • Ma trận dữ liệu: Mảng $n \times p$ biểu diễn $n$ đối tượng với $p$ thuộc tính.
    • Ma trận phi tương tự: Ma trận đối xứng $n \times n$ chứa khoảng cách $d(i,j)$ giữa từng cặp đối tượng ($d(i,j) \ge 0, d(i,i) = 0$).
Kiểu thuộc tính Đặc điểm miền giá trị Độ đo khoảng cách / Độ phi tương tự áp dụng
Khoảng (Interval-scaled) Liên tục, định lượng theo xấp xỉ tuyến tính Khoảng cách Minkowski: $d(x,y) = \left(\sum_{i=1}^n |x_i - y_i|^q\right)^{1/q}$
- $q=1$: Khoảng cách Manhattan
- $q=2$: Khoảng cách Euclide
- $q \to \infty$: Khoảng cách cực đại (Chebyshev)
Nhị phân (Binary) Gồm hai trạng thái $0$ và $1$ (đối xứng hoặc không đối xứng) Bảng tham số $\alpha, \beta, \gamma, \delta$ ($\tau = \alpha+\beta+\gamma+\delta$):
- Hệ số đối sánh đơn giản: $d(x,y) = \frac{\beta + \gamma}{\tau}$
- Hệ số Jaccard: $d(x,y) = \frac{\beta + \gamma}{\alpha + \beta + \gamma}$
Định danh (Nominal) Rời rạc, không thứ tự, nhiều hơn 2 trạng thái $d(x,y) = \frac{p - m}{p}$ ($m$ là số thuộc tính trùng khớp, $p$ là tổng số thuộc tính)
Có thứ tự (Ordinal) Có thứ tự nhưng không định lượng ($M_i$ trạng thái) Chuẩn hóa $z_i^{(j)} = \frac{r_i(j) - 1}{M_i - 1}$ về đoạn $[0,1]$ rồi áp dụng độ đo khoảng
Tỷ lệ (Ratio-scaled) Xác định tương đối so với mốc Biến đổi logarit $q_i = \log(x_i)$ rồi xử lý như thuộc tính khoảng
  • Phương pháp chuẩn hóa thuộc tính số: Biến đổi thuộc tính về dạng không có đơn vị đo thông qua tính độ lệch tuyệt đối trung bình $s_f = \frac{1}{n} \sum_{i=1}^n |x_{if} - m_f|$ (với $m_f$ là giá trị trung bình) và tính giá trị chuẩn hóa $z_{if} = \frac{x_{if} - m_f}{s_f}$.
  • Hệ thống phân loại các thuật toán phân cụm:
    • Phân hoạch (Partitioning): $K$-means, $K$-medoids (PAM), CLARA, CLARANS.
    • Phân cấp (Hierarchical): AGNES (gộp), DIANA (tách), CURE, BIRCH, ROCK.
    • Dựa trên mật độ (Density-based): DBSCAN, OPTICS, DENCLUE.
    • Dựa trên lưới (Grid-based): STING, WaveCluster, CLIQUE.
    • Dựa trên mô hình (Model-based): Thống kê (COBWEB, CLASSIT, AutoClass), Mạng nơ-ron (Bản đồ tự tổ chức SOM).
    • Dựa trên ràng buộc (Constraint-based): Thuật toán COP-$K$means (Wagstaff, 2001) sử dụng cặp ràng buộc Must-link và Cannot-link.

Nội dung chính theo từng chương

Chương I: Tổng quan về khai phá dữ liệu

Chương này tập trung trình bày khái niệm nền tảng về khám phá tri thức trong cơ sở dữ liệu và bản chất của khai phá dữ liệu. Tác giả phân tích dữ liệu, thông tin và tri thức theo cấp độ trừu tượng tăng dần. Khai phá dữ liệu được định vị là giai đoạn cốt lõi trong quy trình KDD gồm 4 bước (Hình 1).

Chương I cũng làm rõ 3 thành phần cấu thành một giải thuật khai phá dữ liệu (biểu diễn mô hình, kiểm định mô hình, tìm kiếm mô hình) và phân loại 6 hướng tiếp cận chính trong khai phá dữ liệu:

  1. Phân lớp và dự đoán (Classification & Prediction): Học có giám sát, xây dựng mô hình dự đoán nhãn lớp hoặc giá trị thiếu.
  2. Phân cụm (Clustering): Học không giám sát, nhóm các đối tượng tương đồng vào cùng một cụm.
  3. Luật kết hợp (Association Rules): Phát hiện các mối liên hệ phổ biến giữa các mục dữ liệu.
  4. Khai phá chuỗi theo thời gian (Sequential/Time-series Patterns): Tìm kiếm mẫu có tính thứ tự thời gian.
  5. Phân tích ngoại lệ (Outlier Analysis): Phát hiện các đối tượng cá biệt, dị biệt so với xu hướng chung.
  6. Hồi quy (Regression): Mô hình hóa hàm phụ thuộc để dự báo biến định lượng.

Cuối chương, tác giả liệt kê phạm vi ứng dụng rộng rãi của khai phá dữ liệu trong y tế, tài chính - ngân hàng, chứng khoán, bảo hiểm, tối ưu hóa sản xuất, thiên văn học, viễn thông và công cụ tìm kiếm.

Chương II: Phân cụm dữ liệu và các thuật toán phân cụm dữ liệu

Chương II đi sâu vào nền tảng toán học của phân cụm dữ liệu. Tác giả định nghĩa phân cụm là quá trình chia tập dữ liệu $D$ thành các cụm sao cho độ tương tự nội cụm đạt cực đại và độ tương tự liên cụm đạt cực tiểu. Vấn đề nhiễu (noise) được xác định là trở ngại lớn nhất trong quá trình phân cụm.

Chương này trình bày chi tiết các dạng ma trận biểu diễn, các kiểu dữ liệu theo kích thước miền và hệ đo, cùng các công thức tính khoảng cách metric (Euclide, Manhattan, Minkowski, Cực đại, Jaccard, Simple Matching). Đồng thời, tác giả phân tích chi tiết 6 nhóm thuật toán:

  • Thuật toán $K$-means: Phân chia $n$ đối tượng vào $k$ cụm dựa trên việc tối thiểu hóa hàm mục tiêu sai số bình phương $E = \sum_{i=1}^k \sum_{x \in C_i} D^2(x, m_i)$ (với $m_i$ là trọng tâm cụm $C_i$). Nhược điểm là nhạy cảm với nhiễu, chỉ phát hiện cụm dạng cầu và yêu cầu xác định trước $k$.
  • Thuật toán $K$-medoids: Khắc phục nhiễu bằng cách lấy đối tượng thực tế gần tâm nhất làm medoid đại diện, đổi lại chi phí tính toán cao hơn $K$-means.
  • Thuật toán phân cấp CURE (Clustering Using Representatives): Khắc phục hạn chế của các cụm dạng cầu bằng cách sử dụng một tập cố định các điểm đại diện phân tán cho mỗi cụm kết hợp hệ số co cụm (shrink factor) để kéo các điểm về tâm, loại bỏ ngoại lệ hiệu quả. Độ phức tạp tính toán của CURE là $O(n^2 \log n)$.
  • Thuật toán mật độ DBSCAN: Dựa trên hai tham số là bán kính lân cận $Eps$ và ngưỡng trù mật $minPts$. Phân loại các điểm thành điểm hạt nhân ($N_{Eps}(p) \ge minPts$), điểm biên và điểm nhiễu; tìm cụm dựa trên khái niệm liên thông mật độ (density-connected).
  • Thuật toán bán giám sát COP-$K$means: Bổ sung ràng buộc Must-link (hai đối tượng bắt buộc cùng cụm) và Cannot-link (hai đối tượng không được cùng cụm) vào các bước gán và cập nhật tâm của $K$-means.

Chương III: Ứng dụng thuật toán K-means trong phân đoạn ảnh

Chương III phân tích toàn diện bài toán phân đoạn ảnh số và các hướng tiếp cận chính:

                           Kỹ thuật phân đoạn ảnh màu
 Không gian đặc trưng            Không gian ảnh                 Mô hình vật lý
 (Feature-based)                (Spatial-based)                (Physics-based)

Tác giả so sánh chi tiết ưu và nhược điểm của các nhóm kỹ thuật phân đoạn ảnh qua bảng tổng hợp:

Nhóm kỹ thuật Ưu điểm chính Khuyết điểm chính
Không gian đặc trưng Phân loại không giám sát; cài đặt nhanh; thuật toán trực tiếp Bỏ qua hoàn toàn mối quan hệ vị trí không gian của các pixel; khó xác định số cụm tối ưu
Không gian ảnh Đảm bảo tính liên tục và cô đọng không gian của các vùng ảnh Chi phí tính toán và bộ nhớ cao; thuật toán chia - trộn (Quadtree) dễ gây lỗi khối
Mô hình vật lý Xử lý tốt ảnh hưởng của bóng sáng, bóng tối và phản xạ bề mặt Giới hạn ở một số vật liệu (kim loại, điện môi không đồng nhất); độ phức tạp tính toán rất lớn

Chương này phân tích sâu hai phương pháp phân đoạn ảnh cụ thể:

  1. Phương pháp phân đoạn yếu của B. Prasad: Áp dụng lượng tử hóa màu trên không gian RGB, rút gọn về $25$ màu phân biệt theo cảm nhận thị giác (Bảng tra màu gồm Black, Sea green, Light green, Olive green, Aqua, Bright green, Blue, Green, Turquoise, Brown, Blue gray, Lime, Lavender, Plum, Teal, Dark red, Magenta, Yellow green, Fluoro green, Red, Rose, Yellow, Pink, Orange, White). Pixel được gán vào màu có khoảng cách Euclide nhỏ nhất: $$C_d = \min \sqrt{(p_r - C_{iR})^2 + (p_g - C_{iG})^2 + (p_b - C_{iB})^2} \quad (i=1..25)$$ Sau đó, thuật toán tạo histogram tần suất màu, dò tìm 3 vùng màu trội nhất qua liên thông 8 điểm (8-connected) và thiết lập hình chữ nhật biên với kích thước chuẩn hóa $s(R) = \frac{|x_1 - x_2| \cdot |y_1 - y_2|}{N}$.
  2. Phương pháp phân đoạn ngưỡng cục bộ thích nghi kết hợp Watershed: Chuyển ảnh sang mức xám, áp dụng toán tử Canny tìm ảnh gradient $I_G$. Áp dụng thuật toán Watershed (mô phỏng ngâm nước của Vincent và Soille) để xác định các vũng chứa nước (catchment basin) và đập ngăn (dams). Các vùng khởi tạo được hợp nhất lặp dựa trên hàm khoảng cách khác biệt $f(R_i^{m_i}, R_j^{m_j})$ kết hợp thành phần màu sắc Hue trong không gian HSV và cường độ gradient biên $G$: $$f(R_i^{m_i}, R_j^{m_j}) = w_1 \cdot d(h(R_i^{m_i}), h(R_j^{m_j})) + w_2 \cdot G(R_i^{m_i}, R_j^{m_j})$$ với $G(R_i^{m_i}, R_j^{m_j}) = \frac{1}{|B_{ij}|} \sum_{(x,y) \in B_{ij}} I_G(x,y)$.
  3. Ứng dụng thuật toán $K$-means: Phân tích không gian màu của các pixel ảnh thành $k$ cụm màu đại diện, gán nhãn từng pixel theo tâm cụm gần nhất và trích xuất danh sách các màu chiếm ưu thế (top $x$ color).

Thiết kế và triển khai

Phần thực nghiệm của đồ án tập trung xây dựng chương trình mô phỏng thuật toán $K$-means ứng dụng trong phân đoạn ảnh màu:

  • Mô tả bài toán: Đầu vào là một ảnh màu kỹ thuật số. Bài toán yêu cầu gom cụm các điểm ảnh có giá trị màu tương tự nhau trong không gian màu, từ đó phân tách ảnh thành các vùng màu đồng nhất và làm nổi bật các đối tượng chính.
  • Quy trình thực hiện của thuật toán:
    1. Khởi tạo: Nhận ảnh đầu vào, chuyển đổi dữ liệu pixel thành mảng giá trị màu; chọn ngẫu nhiên $k$ tâm cụm ban đầu.
    2. Gán cụm: Tính khoảng cách Euclide giữa từng pixel với $k$ tâm cụm; gán pixel vào cụm có khoảng cách ngắn nhất.
    3. Cập nhật tâm: Tính toán lại tọa độ tâm cụm mới bằng trung bình cộng giá trị màu của toàn bộ các pixel trong cụm đó.
    4. Lặp và dừng: Lặp lại bước 2 và bước 3 cho đến khi vị trí các tâm cụm hội tụ (không có sự thay đổi đáng kể).
    5. Trích xuất đặc trưng: Tìm kiếm và xác định nhóm màu chủ đạo (top $x$ color).
  • Giao diện và chức năng chương trình:
    • Giao diện chính: Cung cấp chức năng mở và hiển thị ảnh gốc đầu vào.
    • Cấu hình tham số: Cho phép thiết lập số lượng cụm $k$ phục vụ phân đoạn.
    • Hiển thị kết quả: Hiển thị trực quan ảnh sau khi phân cụm màu và bảng màu đặc trưng tương ứng của các vùng phân đoạn.

Kết quả và đóng góp

  • Kết quả khoa học:
    • Hệ thống hóa đầy đủ cơ sở lý luận về quy trình khám phá tri thức (KDD), bản chất của các giải thuật khai phá dữ liệu và các không gian độ đo metric.
    • Xây dựng bức tranh phân loại chi tiết về các kỹ thuật phân cụm dữ liệu (phân hoạch, phân cấp, mật độ, lưới, mô hình, ràng buộc) và phân đoạn ảnh (dựa trên đặc trưng, không gian ảnh, mô hình vật lý).
    • Phân tích chi tiết thuật toán lượng tử hóa $25$ màu của B. Prasad, thuật toán phân cấp CURE với độ phức tạp $O(n^2 \log n)$, và giải thuật kết hợp Watershed - Gradient Canny - Hue (HSV).
  • Kết quả thực nghiệm:
    • Cài đặt thành công công cụ demo thuật toán $K$-means cho bài toán phân vùng ảnh màu.
    • Kiểm chứng trực quan khả năng gộp nhóm các vùng màu đồng nhất trên ảnh thực nghiệm và trích xuất top các màu đặc trưng của ảnh.
  • Đóng góp của tác giả:
    • Tổng hợp và hệ thống hóa tài liệu chuyên khảo về phân cụm cứng trong khai phá dữ liệu và thị giác máy tính.
    • Đưa ra bảng đối chiếu ưu - nhược điểm rõ ràng giữa các phương pháp phân vùng ảnh, giúp định hình tiêu chí lựa chọn thuật toán phù hợp cho từng bài toán thực tế.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế được đề cập trong văn bản:
    • Thuật toán $K$-means yêu cầu người sử dụng phải cung cấp trước số lượng cụm $k$.
    • $K$-means có độ nhạy cảm cao với nhiễu và các phần tử ngoại lai; chỉ hoạt động tối ưu đối với các cụm dữ liệu có dạng hình cầu trong không gian thuộc tính số.
    • Việc phân đoạn ảnh thuần túy bằng $K$-means chỉ dựa trên không gian đặc trưng màu sắc mà bỏ qua thông tin về vị trí không gian của pixel, dẫn đến nguy cơ làm mất tính liên tục của các vùng ảnh.
  • Hướng phát triển tiếp theo:
    • Nghiên cứu kết hợp thông tin không gian ảnh vào quá trình phân cụm màu sắc để đảm bảo tính cô đọng hình học của vùng phân đoạn.
    • Khảo sát các kỹ thuật tự động xác định số lượng cụm tối ưu $k$.
    • Mở rộng thử nghiệm với các giải thuật phân cụm nâng cao như phân cụm phân cấp CURE hoặc phân cụm bán giám sát có ràng buộc COP-$K$means.

Giá trị tham khảo

  • Đối tượng tham khảo:
    • Sinh viên, học viên ngành Hệ thống thông tin, Công nghệ thông tin và Khoa học máy tính đang làm đồ án, khóa luận về Khai phá dữ liệu hoặc Xử lý ảnh.
    • Các nhà nghiên cứu cần tài liệu tổng quan bằng tiếng Việt về lý thuyết phân cụm dữ liệu và các kỹ thuật phân đoạn ảnh màu.
  • Các nội dung có giá trị tham khảo cao:
    • Hệ thống công thức toán học chuẩn xác về các độ đo khoảng cách trên các kiểu dữ liệu khác nhau (khoảng, nhị phân, định danh, thứ tự, tỷ lệ).
    • Bảng tổng hợp cấu trúc $25$ màu RGB chuẩn và quy trình phân đoạn yếu theo thuật toán B. Prasad.
    • Mô hình toán học kết hợp thành phần màu Hue (HSV) và gradient Canny trên đường biên Watershed để hợp nhất vùng ảnh thích nghi.

Câu hỏi thường gặp

1. Khai phá dữ liệu khác gì so với quy trình Khám phá tri thức (KDD)?
Theo đồ án, Khám phá tri thức trong cơ sở dữ liệu (KDD) là toàn bộ quy trình nhận biết các mẫu hoặc mô hình trong dữ liệu với các đặc tính hợp thức, mới, hữu ích và có thể hiểu được. Trong khi đó, Khai phá dữ liệu (Data Mining) là một bước kỹ thuật cốt lõi trong quy trình KDD, sử dụng các thuật toán chuyên dụng để trực tiếp trích xuất các mẫu hoặc mô hình ẩn dưới dữ liệu.

2. Điểm khác biệt căn bản giữa phân lớp dữ liệu và phân cụm dữ liệu là gì?
Phân lớp dữ liệu là kỹ thuật học có giám sát, xây dựng mô hình dựa trên các lớp định trước để phân đối tượng và dự đoán nhãn lớp. Ngược lại, phân cụm dữ liệu là kỹ thuật học không giám sát, tự động nhóm các đối tượng chưa gán nhãn vào các cụm dựa trên độ tương đồng giữa các phần tử mà không cần biết trước cấu trúc phân lớp.

3. Tại sao thuật toán CURE có thể phát hiện các cụm có hình dạng bất kỳ mà $K$-means không làm được?
$K$-means chỉ dùng một trọng tâm duy nhất để đại diện cho cụm nên chỉ hiệu quả với các cụm dạng hình cầu. Ngược lại, thuật toán CURE sử dụng một tập hợp nhiều điểm đại diện nằm rải rác trong không gian dữ liệu để mô tả cụm và dùng nhân tố co cụm để kéo các điểm này về phía tâm, giúp nhận dạng chính xác các cụm có kích thước biến đổi và hình dạng phức tạp.

4. Ràng buộc Must-link và Cannot-link trong thuật toán COP-$K$means có ý nghĩa như thế nào?
Trong thuật toán phân cụm nửa giám sát COP-$K$means, Must-link là ràng buộc quy định hai đối tượng dữ liệu bắt buộc phải được xếp vào cùng một cụm, còn Cannot-link là ràng buộc quy định hai đối tượng dữ liệu bắt buộc phải nằm ở hai cụm khác nhau. Các ràng buộc này được áp dụng xuyên suốt quá trình gán cụm để điều hướng kết quả theo tri thức bổ trợ của người dùng.

5. Trong phương pháp phân đoạn ngưỡng cục bộ thích nghi kết hợp Watershed, hàm khác biệt giữa hai vùng được xác định như thế nào?
Hàm khác biệt $f(R_i^{m_i}, R_j^{m_j})$ giữa hai vùng lân cận được tính dựa trên sự kết hợp tuyến tính có trọng số của hai thành phần: độ chênh lệch giá trị trung bình màu Hue (trong không gian màu HSV) và giá trị gradient trung bình $G$ của các điểm ảnh nằm trên ranh giới chung $B_{ij}$ giữa hai vùng (trích xuất từ ảnh gradient Canny).

Kết luận

Đồ án tốt nghiệp của sinh viên Bùi Trung Thành đã hoàn thành việc hệ thống hóa toàn diện cơ sở lý thuyết về khai phá dữ liệu, các kỹ thuật phân cụm dữ liệu và các phương pháp phân đoạn ảnh màu. Công trình phân tích sâu sắc các thuật toán tiêu biểu như $K$-means, CURE, DBSCAN, COP-$K$means, giải thuật phân đoạn 25 màu của B. Prasad và mô hình kết hợp Watershed với không gian màu HSV. Việc cài đặt thành công ứng dụng demo phân đoạn ảnh bằng thuật toán $K$-means đã minh chứng tính khả thi của lý thuyết phân cụm cứng trong bài toán xử lý ảnh số, cung cấp tài liệu tham khảo có giá trị học thuật cao cho sinh viên và người nghiên cứu chuyên ngành Hệ thống thông tin.