Tổng quan nghiên cứu

Sự bùng nổ của các thiết bị thu nhận hình ảnh kỹ thuật số và môi trường mạng Internet đã tạo ra khối lượng dữ liệu đa phương tiện khổng lồ với hơn 3,2 tỷ bức ảnh được chia sẻ mỗi ngày trên toàn cầu. Trước thực trạng các phương pháp tìm kiếm truyền thống dựa trên từ khóa bộc lộ nhiều hạn chế về tính chủ quan và rào cản ngôn ngữ, kỹ thuật tìm kiếm ảnh dựa trên nội dung (Content-Based Image Retrieval - CBIR) đã trở thành giải pháp cốt lõi. Tuy nhiên, các kỹ thuật CBIR sử dụng biểu đồ màu thông thường (Conventional Color Histogram - CCH) thường gặp phải trở ngại lớn: nhạy cảm cao với sự biến thiên độ sáng và nhiễu quang học, đồng thời đòi hỏi số chiều biểu đồ lớn lên tới 4096 bin màu, gây tiêu tốn tài nguyên tính toán.

Luận văn thạc sĩ khoa học máy tính của tác giả Trần Quốc Bảo tập trung giải quyết triệt để bài toán này thông qua đề tài nghiên cứu kỹ thuật tìm kiếm ảnh trên cơ sở biểu đồ màu mờ. Mục tiêu cụ thể của công trình là xây dựng hệ thống suy luận mờ để tạo biểu đồ màu mờ (Fuzzy Color Histogram - FCH) trong không gian màu đồng nhất CIELAB, giúp tối ưu hóa số lượng bin màu và nâng cao độ chính xác truy xuất ảnh. Nghiên cứu được triển khai thực nghiệm vào tháng 6 năm 2018 tại Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên, với phạm vi ứng dụng mở rộng trên kho dữ liệu ảnh đa phương tiện và cơ sở dữ liệu ảnh y tế lâm sàng. Kết quả nghiên cứu mang ý nghĩa thực tiễn sâu sắc khi giảm tải hơn 99% kích thước vector đặc trưng từ 4096 bin xuống còn 10 bin màu, đồng thời duy trì độ ổn định truy xuất vượt trội khi dữ liệu ảnh bị tác động bởi 15% nhiễu Gaussian và 15% biến thiên độ sáng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng tích hợp của 3 khung lý thuyết học thuật then chốt: Lý thuyết tập mờ và logic mờ do Giáo sư Lotfi A. Zadeh khởi xướng năm 1965, Lý thuyết không gian màu đồng nhất CIE L*a*b* do Ủy ban Quốc tế về Chiếu sáng ban hành, và Lý thuyết biểu diễn đặc trưng thị giác cấp thấp trong hệ thống CBIR. Khung lý thuyết này vận hành dựa trên 5 khái niệm cốt lõi:

  1. Biểu đồ màu thông thường (CCH): Phương pháp biểu diễn tần suất xuất hiện của các giá trị màu điểm ảnh, phân phối rời rạc theo các bin cố định nhưng bỏ qua mối liên hệ cảm nhận giữa các bin lân cận.
  2. Biểu đồ màu mờ (FCH): Cấu trúc biểu diễn phân bố màu mềm, cho phép một điểm ảnh đóng góp giá trị thành viên vào nhiều bin màu khác nhau thông qua mức độ thuộc.
  3. Hàm thuộc mờ (Membership Function): Hàm toán học ánh xạ các giá trị rõ từ dải đo không gian màu vào khoảng xác định từ 0 đến 1, đại diện cho mức độ tương đồng thị giác.
  4. Hệ suy luận mờ Mamdani: Mô hình suy luận mờ kết hợp tập luật ngôn ngữ If-Then để ánh xạ các kênh màu đa chiều thành vector đặc trưng cô đọng.
  5. Không gian màu CIELAB: Hệ tọa độ màu 3 chiều độc lập với thiết bị, trong đó trục L* biểu diễn độ sáng và hai trục a*, b* biểu diễn các đối cực màu sắc, đáp ứng hoàn hảo tính chất đồng nhất thị giác con người.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm của luận văn bao gồm 2 tập dữ liệu tiêu chuẩn: Cơ sở dữ liệu ảnh chuẩn WANG gồm 1000 bức ảnh JPEG phân bố đồng đều trong 10 lớp chủ đề (mỗi lớp 100 ảnh) và bộ sưu tập 200 ảnh y tế chuyên khoa da liễu, nội soi thu thập tại cơ sở y tế thực hành. Phương pháp chọn mẫu phân tầng có chủ đích được áp dụng nhằm kiểm chứng toàn diện năng lực truy vấn trên các tập dữ liệu có độ phức tạp cao về sắc độ và cấu trúc mô học.

Về phương pháp phân tích, tác giả thiết lập quy trình tính toán gồm 2 giai đoạn: trích chọn đặc trưng ngoại tuyến và đo khoảng cách tương tự trực tuyến. Lý do lựa chọn hệ suy luận mờ Mamdani với 27 luật mờ và phương pháp khử mờ LOM (Largest of Maximum) trong không gian màu CIELAB là nhằm khắc phục hiện tượng phân mảnh biên màu của không gian RGB, đồng thời giảm độ phức tạp tính toán từ 4096 chiều xuống vector 10 chiều. Quá trình tính khoảng cách tương tự giữa ảnh truy vấn và kho dữ liệu sử dụng độ đo khoảng cách Euclide và khoảng cách toàn phương Quadratic. Toàn bộ quy trình thử nghiệm được lập trình, mô phỏng trên nền tảng phần mềm MATLAB trong giai đoạn 2017 đến 2018.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Tối ưu hóa vượt bậc không gian lưu trữ và tốc độ tính toán: Việc chuyển đổi từ CCH 4096 bin màu trong không gian RGB/HSV sang FCH 10 bin màu trong không gian CIELAB giúp giảm 99,75% số chiều vector đặc trưng, rút ngắn thời gian so sánh khoảng cách giữa các biểu đồ màu xuống dưới 0,02 giây cho mỗi lượt truy vấn trên tập 1000 ảnh.
  2. Độ bền vững vượt trội trước tác động của nhiễu quang học: Khi tiến hành thử nghiệm chèn 15% nhiễu Gaussian vào các ảnh truy vấn mẫu, biểu đồ CCH bị biến dạng mạnh làm giảm độ chính xác nhận diện xuống dưới 45%, trong khi cấu trúc biểu đồ FCH gần như giữ nguyên hình thái ban đầu, duy trì độ chính xác truy xuất các ảnh tương đồng đạt trên 88%.
  3. Khả năng chống chịu với sự thay đổi điều kiện chiếu sáng: Trong điều kiện độ sáng của ảnh thay đổi biên độ 15%, khoảng cách Euclide của phương pháp CCH bị sai lệch đáng kể, dẫn đến việc xếp sai thứ hạng hơn 50% số ảnh kết quả. Ngược lại, phương pháp FCH với sự hỗ trợ của các hàm thuộc mờ đã duy trì thứ hạng chính xác cho 100% các ảnh cùng chủ đề.
  4. Hiệu quả ứng dụng trong phân loại ảnh y khoa: Trên tập dữ liệu ảnh bệnh lý da liễu, FCH đạt tỷ lệ bao phủ và độ chính xác phân lớp trung bình cao hơn 22% so với CCH, giúp nhận diện chính xác các tổn thương da có sắc thái màu gần tương đồng.

Thảo luận kết quả

Nguyên nhân căn bản giúp FCH vượt trội hoàn toàn so với CCH nằm ở cơ chế gán mềm (soft assignment) của lý thuyết logic mờ. Thay vì gán cứng một pixel vào một bin duy nhất dẫn đến hiện tượng mất thông tin ở ranh giới lượng tử hóa, 27 luật suy luận mờ Mamdani đã phân phối mức độ thuộc của từng pixel vào các tập mờ tam giác và hình thang tương ứng. So sánh với các phương pháp biểu đồ màu truyền thống hay thuật toán phân cụm mờ FCM, mô hình FIS 10 bin màu của tác giả không chỉ giữ vững độ chính xác cảm nhận thị giác mà còn loại bỏ hoàn toàn nhu cầu tính toán ma trận thành viên lặp lại cho từng điểm ảnh.

Dữ liệu thực nghiệm của nghiên cứu được minh họa trực quan thông qua các đồ thị phân bố biểu đồ màu 1 chiều 10 bin và bảng so sánh ma trận khoảng cách Euclide. Biểu đồ cột trực quan cho thấy sự ổn định gần như tuyệt đối của các cột bin màu FCH giữa ảnh gốc và ảnh biến dạng 15% ánh sáng, trong khi các cột của biểu đồ CCH bị dịch chuyển và biến động biên độ trên 40%.

Đề xuất và khuyến nghị

  1. Tích hợp giải thuật FCH vào hệ thống thông tin lưu trữ và truyền hình ảnh y tế PACS: Các bệnh viện và viện nghiên cứu y khoa cần phối hợp triển khai mô-đun tìm kiếm ảnh dựa trên FCH trong vòng 6 đến 12 tháng, hướng tới mục tiêu nâng tỷ lệ hỗ trợ chẩn đoán chính xác các bệnh lý da liễu và nội soi lên 85%.
  2. Mở rộng mô hình truy vấn đa đặc trưng kết hợp màu sắc, kết cấu và hình dạng: Các nhóm nghiên cứu thị giác máy tính cần tiến hành tích hợp vector FCH 10 chiều với các bộ lọc Gabor và mô tả biên Fourier trong giai đoạn 2024 - 2025, đặt mục tiêu tăng độ chính xác tìm kiếm tổng thể trên các tập dữ liệu phức tạp lên trên 92%.
  3. Tối ưu hóa quá trình tính toán tham số mờ bằng thuật toán thích nghi: Các kỹ sư phần mềm cần nghiên cứu tích hợp hệ suy luận mờ thích nghi (ANFIS) để tự động vi chỉnh 27 luật mờ trong lộ trình 6 tháng, giúp giảm thời gian trích xuất đặc trưng ngoại tuyến xuống dưới 0,05 giây trên mỗi hình ảnh.
  4. Xây dựng cổng dữ liệu trực quan phục vụ đào tạo y khoa tiền lâm sàng: Các cơ sở đào tạo y dược cần số hóa và thiết lập hệ thống tra cứu ca bệnh lâm sàng trực tuyến trong vòng 1 năm, cung cấp công cụ trực quan hóa cho hơn 2000 học viên và giảng viên tiếp cận dữ liệu bệnh lý thực tế.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư phát triển phần mềm thị giác máy tính và AI: Tiếp cận chi tiết cấu trúc 27 luật mờ và phương pháp khử mờ LOM để xây dựng các công cụ tìm kiếm hình ảnh thương mại có độ ổn định cao trước nhiễu và biến thiên ánh sáng.
  2. Học viên cao học và nghiên cứu sinh ngành Khoa học máy tính: Sử dụng luận văn như một tài liệu tham khảo chuẩn mực về phương pháp kết hợp lý thuyết mờ với không gian màu CIELAB trong xử lý dữ liệu đa phương tiện quy mô lớn.
  3. Bác sĩ chuyên khoa và chuyên gia quản lý dữ liệu y tế: Ứng dụng giải pháp tìm kiếm ảnh nội dung để tra cứu, phân loại các ca bệnh da liễu tương đồng trong kho lưu trữ hơn 10.000 hồ sơ bệnh án điện tử.
  4. Giảng viên và sinh viên các trường đại học công nghệ: Sử dụng toàn bộ khung lý thuyết, mã nguồn thử nghiệm MATLAB và dữ liệu 1000 ảnh chuẩn WANG làm học liệu trực quan cho các môn học Xử lý ảnh số, Logic mờ và Hệ thống thông tin đa phương tiện.

Câu hỏi thường gặp

  1. Biểu đồ màu mờ FCH khắc phục nhược điểm gì lớn nhất của biểu đồ màu thông thường CCH? Biểu đồ CCH gán cứng mỗi điểm ảnh vào đúng 1 bin màu, khiến nó cực kỳ nhạy cảm với sai số lượng tử hóa và biến đổi ánh sáng. FCH giải quyết triệt để vấn đề này bằng cách phân phối giá trị thành viên của điểm ảnh vào nhiều bin màu lân cận thông qua hàm thuộc mờ, giúp duy trì độ chính xác trên 88% ngay cả khi ảnh bị nhiễu 15%.

  2. Tại sao luận văn lại sử dụng không gian màu CIE L*a*b* thay vì không gian RGB truyền thống? Không gian RGB mang tính phụ thuộc thiết bị và không đồng nhất về mặt thị giác người nhìn. Ngược lại, không gian CIELAB phân tách hoàn toàn độ sáng L* với 2 kênh sắc độ a* và b*, đảm bảo khoảng cách hình học Euclide giữa các điểm phản ánh chính xác sự khác biệt màu sắc mà mắt người cảm nhận được trong thực tế.

  3. Hệ suy luận mờ 27 luật Mamdani trong luận văn vận hành theo nguyên lý nào? Hệ tiếp nhận 3 giá trị đầu vào rõ từ các kênh L*, a*, b*, tiến hành mờ hóa qua các hàm thuộc tam giác, sau đó kích hoạt 27 luật hợp thành If-Then để ánh xạ các mối quan hệ màu sắc. Cuối cùng, phương pháp khử mờ LOM tổng hợp các tập mờ hình thang để tạo ra vector đặc trưng cô đọng gồm đúng 10 bin màu.

  4. Bằng chứng thực nghiệm nào khẳng định khả năng chống nhiễu và thích nghi ánh sáng của FCH? Trong các thử nghiệm trên tập ảnh WANG với xe bus và phong cảnh, khi tác giả thêm 15% nhiễu Gaussian và thay đổi 15% độ sáng, biểu đồ FCH 10 bin gần như không thay đổi hình dạng phân bố, trong khi CCH bị biến dạng hoàn toàn và giảm hơn 40% độ chính xác truy xuất.

  5. Ngoài lĩnh vực y tế, kỹ thuật FCH có thể ứng dụng trong những bài toán thực tế nào? Kỹ thuật FCH có thể triển khai hiệu quả trong hệ thống nhận diện thương hiệu logo, hệ thống giám sát an ninh truy bắt tội phạm, quản lý ảnh viễn thám GIS và tối ưu hóa công cụ tìm kiếm sản phẩm thương mại điện tử với độ trễ xử lý dưới 0,05 giây.

Kết luận

  • Luận văn đã thiết kế thành công hệ thống tìm kiếm ảnh theo nội dung (CBIR) dựa trên biểu đồ màu mờ (FCH) trong không gian màu CIELAB.
  • Đề xuất mô hình suy luận mờ Mamdani với 27 luật mờ và phương pháp khử mờ LOM, rút gọn không gian đặc trưng từ 4096 bin xuống còn 10 bin màu duy nhất.
  • Chứng minh thực nghiệm trên 1000 ảnh WANG và 200 ảnh y tế da liễu về khả năng chống chịu vượt bậc trước 15% nhiễu Gaussian và 15% biến động độ sáng.
  • Mở ra hướng phát triển kết hợp đa đặc trưng (màu sắc, kết cấu Gabor, hình dạng) và tối ưu hóa tự động luật mờ bằng mạng nơ-ron trong giai đoạn 2024 - 2026.
  • Kêu gọi các nhà nghiên cứu, kỹ sư phần mềm và cơ sở y tế tiếp cận toàn diện công trình để ứng dụng chuyển đổi số trong quản lý dữ liệu hình ảnh đa phương tiện quy mô lớn.