I. Khoá luận tốt nghiệp
Khoá luận tốt nghiệp của Phạm Xuân Hinh tập trung vào tra cứu ảnh đa đặc trưng và phản hồi liên quan. Nghiên cứu này nhằm giải quyết vấn đề khoảng cách ngữ nghĩa trong hệ thống CBIR (Content-Based Image Retrieval). Luận văn đề xuất phương pháp kết hợp nhiều đặc trưng và sử dụng phản hồi liên quan để cải thiện hiệu quả tra cứu ảnh. Khoá luận tốt nghiệp này không chỉ mang tính học thuật mà còn có giá trị ứng dụng cao trong lĩnh vực xử lý ảnh và học máy.
1.1. Mục tiêu nghiên cứu
Mục tiêu chính của Khoá luận tốt nghiệp là tối ưu hóa hệ thống tra cứu ảnh bằng cách kết hợp nhiều đặc trưng như màu sắc, kết cấu, hình dạng và sử dụng phản hồi liên quan. Nghiên cứu này nhằm giảm thiểu khoảng cách ngữ nghĩa, một vấn đề phổ biến trong CBIR, đồng thời nâng cao độ chính xác và hiệu quả của hệ thống.
1.2. Phương pháp tiếp cận
Luận văn sử dụng kỹ thuật học máy như SVM (Support Vector Machine) để kết hợp các đặc trưng và cập nhật trọng số dựa trên phản hồi liên quan. Phương pháp này giúp hệ thống tự động điều chỉnh và cải thiện kết quả tra cứu qua từng lần tương tác với người dùng.
II. Tra cứu ảnh đa đặc trưng
Tra cứu ảnh đa đặc trưng là phương pháp sử dụng nhiều đặc trưng như màu sắc, kết cấu, hình dạng để nâng cao hiệu quả tra cứu. Luận văn đề cập đến các kỹ thuật trích chọn đặc trưng như lược đồ màu, vector liên kết màu, và tương quan màu. Những kỹ thuật này giúp hệ thống hiểu rõ hơn về nội dung ảnh, từ đó cải thiện độ chính xác trong việc tìm kiếm.
2.1. Trích chọn đặc trưng màu sắc
Luận văn giới thiệu các phương pháp trích chọn đặc trưng màu sắc như lược đồ màu và vector liên kết màu. Lược đồ màu giúp phân tích phân bố màu toàn cục, trong khi vector liên kết màu xem xét mối quan hệ không gian giữa các điểm ảnh, giúp khắc phục hạn chế của lược đồ màu.
2.2. Trích chọn đặc trưng kết cấu
Các phương pháp trích chọn đặc trưng kết cấu như ma trận đồng hiện mức xám và phép biến đổi Wavelet được sử dụng để phân tích cấu trúc bề mặt của ảnh. Những đặc trưng này giúp hệ thống phân biệt được các ảnh có màu sắc tương tự nhưng kết cấu khác nhau.
III. Phản hồi liên quan
Phản hồi liên quan là kỹ thuật cho phép hệ thống học từ phản hồi của người dùng để cải thiện kết quả tra cứu. Luận văn đề cập đến các phương pháp như cập nhật truy vấn, học thống kê, và học ngắn hạn/dài hạn. Những kỹ thuật này giúp hệ thống tự động điều chỉnh trọng số đặc trưng và tối ưu hóa quá trình tra cứu.
3.1. Kỹ thuật cập nhật truy vấn
Kỹ thuật này cho phép hệ thống điều chỉnh truy vấn dựa trên phản hồi của người dùng. Bằng cách cập nhật trọng số đặc trưng, hệ thống có thể tìm kiếm các ảnh liên quan hơn trong các lần truy vấn tiếp theo.
3.2. Học thống kê
Phương pháp học thống kê sử dụng dữ liệu từ các phản hồi trước đó để xây dựng mô hình dự đoán. Điều này giúp hệ thống cải thiện độ chính xác và hiệu quả trong việc tra cứu ảnh.
IV. Ứng dụng công nghệ và thực nghiệm
Luận văn không chỉ dừng lại ở lý thuyết mà còn áp dụng các phương pháp vào thực tế thông qua thực nghiệm khoa học. Hệ thống được xây dựng và đánh giá trên các cơ sở dữ liệu ảnh như CSDL Wang và CSDL Oliva. Kết quả thực nghiệm cho thấy sự cải thiện đáng kể về độ chính xác và thời gian xử lý.
4.1. Cơ sở dữ liệu thực nghiệm
Hệ thống được thử nghiệm trên hai cơ sở dữ liệu phổ biến là CSDL Wang và CSDL Oliva. Những cơ sở dữ liệu này cung cấp một lượng lớn ảnh đa dạng, giúp đánh giá hiệu quả của phương pháp đề xuất.
4.2. Đánh giá hiệu năng
Kết quả thực nghiệm cho thấy phương pháp kết hợp nhiều đặc trưng và phản hồi liên quan giúp cải thiện độ chính xác và giảm thời gian xử lý. Điều này chứng minh tính khả thi và hiệu quả của nghiên cứu trong thực tế.
