Một Số Kỹ Thuật Nâng Cao Hiệu Quả Tra Cứu Ảnh Dựa Trên Nội Dung

Những năm 1970 đánh dấu sự khởi đầu của nghiên cứu về tra cứu ảnh. Ban đầu, phương pháp chủ yếu là chú thích ảnh bằng văn bản, sau đó sử dụng hệ quản trị cơ sở dữ liệu truyền thống để tìm kiếm. Cách tiếp cận này có nhiều hạn chế, đặc biệt là độ chính xác và khả năng mô tả đầy đủ nội dung ảnh. Sự ra đời của CBIR đã mở ra một hướng đi mới, tập trung vào việc trích xuất và so sánh các đặc trưng ảnh trực quan một cách tự động. Các hệ thống CBIR ban đầu sử dụng các kỹ thuật đơn giản như so sánh histogram màu và đặc trưng kết cấu cơ bản.

Để cải thiện hiệu suất, các hệ thống CBIR hiện đại thường sử dụng cơ chế lập chỉ mục để tăng tốc độ tìm kiếm. Lập chỉ mục giúp tổ chức dữ liệu ảnh một cách hiệu quả, cho phép hệ thống nhanh chóng xác định các ảnh tiềm năng. Ngoài ra, cơ chế phản hồi liên quan (Relevance Feedback) cho phép người dùng cung cấp phản hồi về kết quả tìm kiếm ban đầu, giúp hệ thống điều chỉnh truy vấn và cải thiện độ chính xác. Phản hồi liên quan là một phương pháp quan trọng để giảm khoảng cách ngữ nghĩa giữa hiểu biết của người dùng và kết quả trả về từ hệ thống tìm kiếm ảnh.

Một bộ mô tả ảnh trực quan tốt cần đáp ứng nhiều yêu cầu. Quan trọng nhất, nó phải bất biến với các thay đổi trong quá trình thu nhận ảnh, chẳng hạn như sự thay đổi của ánh sáng hoặc góc nhìn. Tuy nhiên, cũng cần đảm bảo khả năng phân biệt giữa các ảnh khác nhau. Quá nhiều tính bất biến có thể làm mất đi khả năng phân biệt các chi tiết quan trọng. Việc cân bằng giữa tính bất biến và khả năng phân biệt là một thách thức lớn trong thiết kế thuật toán CBIR. Các phương pháp phân vùng ảnh thành các vùng có ý nghĩa cũng đóng vai trò quan trọng trong việc cải thiện hiệu suất mô tả.

Khoảng cách ngữ nghĩa là sự khác biệt giữa nhận thức của con người và máy tính về độ tương đồng giữa các ảnh. Các yếu tố ảnh hưởng bao gồm: nội dung ảnh (đối tượng, cảnh quan), đặc trưng được sử dụng để mô tả ảnh (màu sắc, kết cấu, hình dạng), thuật toán so sánh ảnh (Euclide, Cosine Similarity), và mục đích tìm kiếm của người dùng. Khoảng cách này có tác động lớn đến tính hữu dụng của các hệ thống CBIR, vì nó ảnh hưởng đến việc liệu kết quả tìm kiếm có đáp ứng được nhu cầu của người dùng hay không.

Eakins và Graham đề xuất phân loại các truy vấn CBIR dựa trên mức độ nội dung ngữ nghĩa. Các truy vấn cấp thấp chỉ dựa trên các đặc trưng trực quan như màu sắc và kết cấu. Các truy vấn cấp trung bình liên quan đến các đối tượng và thuộc tính. Các truy vấn cấp cao đòi hỏi hiểu biết sâu sắc về ngữ cảnh và ý nghĩa của ảnh. Việc phân loại này giúp các nhà nghiên cứu tập trung vào việc phát triển các thuật toán phù hợp cho từng loại truy vấn.

Để giảm khoảng cách ngữ nghĩa, các nhà nghiên cứu đã đề xuất nhiều phương pháp tiếp cận khác nhau. Một số phương pháp tập trung vào việc trích xuất các đặc trưng ngữ nghĩa từ ảnh, chẳng hạn như sử dụng mạng nơ-ron tích chập (CNN) để nhận dạng đối tượng và cảnh quan. Các phương pháp khác sử dụng phản hồi liên quan để cho phép người dùng hướng dẫn hệ thống tìm kiếm theo cách phù hợp với ý định của họ. Một số nghiên cứu còn sử dụng tri thức bên ngoài, chẳng hạn như ontology, để bổ sung thông tin ngữ nghĩa cho hệ thống CBIR. Sử dụng Deep learning trong CBIR là một hướng đi đầy hứa hẹn.

Biểu đồ màu là một sự biểu diễn hiệu quả nội dung màu của ảnh nếu màu là duy nhất so với phần còn lại của tập dữ liệu. Nó dễ tính toán và hiệu quả trong việc mô tả đặc điểm của sự phân bố màu toàn cục và cục bộ trong một hình ảnh. Ngoài ra, nó ít bị ảnh hưởng bởi sự dịch chuyển, xoay. và chỉ thay đổi từ từ theo tỉ lệ và góc nhìn. Tuy nhiên, biểu đồ màu không xem xét thông tin không gian của các pixel, do đó các ảnh rất khác nhau có thể có sự phân bố màu sắc tương tự.

Các đặc trưng kết cấu mô tả các thuộc tính bề mặt của ảnh, chẳng hạn như độ thô, độ tương phản, và hướng. Đặc trưng Tamura bao gồm các thuộc tính như độ thô, độ tương phản, và độ định hướng. Bộ lọc Gabor là một công cụ mạnh mẽ để trích xuất các đặc trưng kết cấu, vì nó có thể phân tích ảnh ở nhiều tần số và hướng khác nhau. Các phương pháp khác bao gồm phân tích Wold và biến đổi wavelet.

Các đặc trưng hình dạng mô tả hình dạng của các đối tượng trong ảnh. Mô men bất biến là một tập hợp các đặc trưng số học bất biến với phép dịch chuyển, xoay, và chia tỉ lệ. Mô tả Fourier sử dụng biến đổi Fourier để biểu diễn hình dạng trong miền tần số. Việc sử dụng hình dạng bị giới hạn trong các ứng dụng chuyên biệt, vì nó đòi hỏi sự phân đoạn ảnh chính xác.

Khoảng cách Minkowski là một độ đo tổng quát cho khoảng cách giữa hai điểm trong không gian đa chiều. Các trường hợp đặc biệt của khoảng cách Minkowski bao gồm khoảng cách L1 (Manhattan), khoảng cách L2 (Euclide), và khoảng cách L∞ (Chebyshev). Khoảng cách Euclide được sử dụng rộng rãi trong CBIR do tính đơn giản và hiệu quả. Nó phù hợp khi các chiều của véc tơ đặc trưng là độc lập và có tầm quan trọng như nhau.

Khoảng cách Mahalanobis tính đến sự tương quan giữa các đặc trưng, làm cho nó phù hợp hơn khi các đặc trưng không độc lập với nhau. Nó sử dụng ma trận hiệp phương sai để chuẩn hóa dữ liệu trước khi tính khoảng cách. Khoảng cách Mahalanobis có thể cải thiện độ chính xác của CBIR trong một số trường hợp, nhưng nó cũng phức tạp hơn về mặt tính toán.

Phân kỳ Kullback-Leibler (KL) và Jeffrey-Divergence (JD) là các độ đo mức độ khác biệt giữa hai phân phối xác suất. Chúng thường được sử dụng để so sánh biểu đồ màu hoặc biểu đồ kết cấu. JD là đối xứng và ổn định hơn về mặt số so với KL. Tuy nhiên, JD đòi hỏi tính toán nhiều hơn. Lựa chọn giữa KL và JD phụ thuộc vào ứng dụng cụ thể và yêu cầu về độ chính xác và tốc độ.

Độ chính xác là phần nhỏ của các hình ảnh được tra cứu thực sự có liên quan đến truy vấn. Độ phủ là phần hình ảnh có liên quan được trả về bởi truy vấn. Việc cải thiện truy hồi sẽ có thể phải hy sinh độ chính xác và ngược lại. Do đó, độ chính xác và độ phủ chỉ là những mô tả sơ bộ về hiệu năng của hệ thống tra cứu.

ANMRR kết hợp độ chính xác và độ phủ để có được một độ đo khách quan nhất. Nó gán một giá trị thứ hạng cho mỗi hình ảnh chân lý cơ bản (ground truth) dựa trên vị trí của nó trong kết quả tìm kiếm. Giá trị ANMRR càng thấp, hiệu năng của hệ thống càng tốt. ANMRR được khuyến nghị sử dụng vì nó cung cấp một đánh giá toàn diện hơn so với chỉ sử dụng độ chính xác và độ phủ.

Việc đánh giá hiệu năng CBIR có thể bị ảnh hưởng bởi nhiều yếu tố, bao gồm: chất lượng của tập dữ liệu thử nghiệm, độ chính xác của các nhãn chân lý cơ bản, và sự phù hợp của các độ đo đánh giá. Cần đảm bảo rằng tập dữ liệu thử nghiệm đại diện cho ứng dụng mục tiêu và các nhãn chân lý cơ bản là chính xác. Ngoài ra, cần lựa chọn các độ đo đánh giá phù hợp với mục tiêu của ứng dụng. Việc sử dụng nhiều độ đo khác nhau có thể cung cấp một cái nhìn toàn diện hơn về hiệu năng của hệ thống.

Deep learning đã chứng minh khả năng vượt trội trong nhiều lĩnh vực của thị giác máy tính, bao gồm nhận dạng ảnh, phân loại ảnh, và phát hiện đối tượng. Các mô hình CNN có thể tự động học các đặc trưng phức tạp từ dữ liệu ảnh, loại bỏ nhu cầu thiết kế các đặc trưng thủ công. Việc sử dụng các mô hình CNN được tiền huấn luyện (pre-trained) có thể cải thiện đáng kể hiệu năng của CBIR, đặc biệt khi dữ liệu huấn luyện hạn chế.

Semantic retrieval tập trung vào việc hiểu ý nghĩa của ảnh và truy vấn. Thay vì chỉ dựa trên các đặc trưng trực quan, semantic retrieval sử dụng tri thức bên ngoài, chẳng hạn như ontology, để bổ sung thông tin ngữ nghĩa cho hệ thống CBIR. Điều này cho phép người dùng tìm kiếm ảnh dựa trên ngữ cảnh và ý định của họ, thay vì chỉ dựa trên các đặc trưng trực quan.

Các kỹ thuật tiên tiến trong CBIR bao gồm content-aware image retrieval, spatial pyramid matching (SPM), và bag of visual words (BoVW). Các ứng dụng tiềm năng của CBIR bao gồm tìm kiếm ảnh trực tuyến, quản lý cơ sở dữ liệu ảnh y tế, và phân tích ảnh vệ tinh. Sự phát triển của CBIR tiếp tục mở ra nhiều cơ hội mới trong lĩnh vực thị giác máy tính và trí tuệ nhân tạo.