Tổng quan nghiên cứu

Trong bối cảnh bùng nổ dữ liệu đa phương tiện với hơn 3,2 tỷ hình ảnh kỹ thuật số được tạo ra và chia sẻ mỗi ngày trên toàn cầu, nhu cầu tìm kiếm và truy xuất thông tin thị giác chính xác trở thành một thách thức cấp thiết. Các hệ thống tra cứu ảnh truyền thống dựa trên văn bản (Text-based Image Retrieval) bộc lộ sự hạn chế rõ rệt khi độ chính xác truy vấn chỉ đạt dưới 60% do rào cản về khoảng cách ngữ nghĩa và sự phụ thuộc hoàn toàn vào việc gán nhãn thủ công. Trước thực trạng đó, công nghệ tra cứu ảnh dựa trên nội dung (CBIR - Content-Based Image Retrieval) đã ra đời như một giải pháp đột phá, trong đó khâu phân đoạn ảnh đóng vai trò quyết định đến chất lượng trích xuất đặc trưng.

Luận văn thạc sĩ chuyên ngành Hệ thống thông tin của tác giả Lê Mạnh Hiệp, được thực hiện tại Học viện Khoa học và Công nghệ thuộc Viện Hàn lâm Khoa học và Công nghệ Việt Nam vào năm 2020 dưới sự hướng dẫn của PGS.TS Ngô Quốc Tạo, tập trung giải quyết bài toán cốt lõi: nghiên cứu và cải tiến các phương pháp phân đoạn ảnh nhằm nâng cao hiệu năng tra cứu hình ảnh số. Mục tiêu cụ thể của đề tài là xây dựng mô hình tách ghép vùng kết hợp giữa thuật toán phân cụm màu CBC (Color-Based Clustering) và thuật toán tách vùng thuần nhất CSI (Color and Spatial Information). Nghiên cứu được triển khai trong phạm vi dữ liệu ảnh số đa dạng tại Hà Nội, mang lại ý nghĩa khoa học và thực tiễn sâu sắc khi giúp tăng tốc độ tra cứu lên khoảng 35% và cải thiện độ chính xác phân đoạn vượt trên 85% so với các phương pháp tiếp cận đơn lẻ.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết xử lý ảnh số hiện đại và lý thuyết đồ thị ứng dụng trong gom cụm dữ liệu. Hai trụ cột lý thuyết chính được áp dụng xuyên suốt gồm: Lý thuyết phân cụm phân cấp (Hierarchical Agglomerative Clustering - HAC) và Mô hình biểu diễn không gian màu đa chiều.

Mô hình nghiên cứu tổng thể tích hợp quy trình xử lý ảnh 5 giai đoạn: thu nhận ảnh, tiền xử lý khử nhiễu, phân đoạn ảnh theo mô hình tách - ghép vùng, biểu diễn trích xuất đặc trưng và nhận dạng đối tượng. Trong đó, 5 khái niệm chuyên ngành then chốt được chuẩn hóa bao gồm:

  1. Điểm ảnh (Pixel) và Mức xám (Gray level với chuẩn 256 cấp độ mã hóa 8-bit).
  2. Vùng liên thông dựa trên quan hệ 4-láng giềng và 8-láng giềng.
  3. Không gian màu gồm chuẩn RGB, HSV và đặc biệt là không gian đồng nhất cảm nhận $L^*a^b^$.
  4. Lược đồ màu chuẩn hóa (Normalized Color Histogram) với các mức định lượng từ 64 đến 216 bin.
  5. Cây bao trùm tối thiểu (Minimum Spanning Tree - MST) dựa trên thuật toán tham lam Kruskal để gom cụm pixel thành các phân vùng đồng nhất.

Phương pháp nghiên cứu

Nghiên cứu sử dụng cỡ mẫu thực nghiệm gồm 1.000 hình ảnh kỹ thuật số thuộc nhiều chủ đề phong phú như phong cảnh, đồ vật, kiến trúc và họa tiết. Phương pháp chọn mẫu là lấy mẫu ngẫu nhiên phân tầng (Stratified Random Sampling), đảm bảo tính đại diện cho các mức độ phức tạp thị giác khác nhau từ đơn sắc, ít chi tiết đến đa màu và nhiều kết cấu phức tạp.

Lý do lựa chọn phương pháp phân tích thực nghiệm so sánh đối đầu giữa thuật toán K-Means và thuật toán CBC (kết hợp MST) bắt nguồn từ yêu cầu khắc phục nhược điểm cố hữu của K-Means. Trong khi K-Means có độ phức tạp thời gian tuyến tính nhưng lại nhạy cảm với việc khởi tạo tâm ngẫu nhiên, thuật toán CBC mô hình hóa ảnh thành đồ thị với các cạnh là khoảng cách màu Euclide, giúp loại bỏ hoàn toàn tính bất định và giảm thiểu đáng kể thời gian tính toán phân đoạn. Toàn bộ hệ thống thử nghiệm được lập trình bằng ngôn ngữ C# trên môi trường Microsoft Visual Studio 2010 và hệ quản trị cơ sở dữ liệu SQL Server 2008 trên hệ điều hành Windows 7. Timeline nghiên cứu được thực hiện tập trung trong khoảng thời gian 10 tháng, bao gồm các đợt kiểm thử hiệu năng nghiêm ngặt.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã ghi nhận 4 phát hiện quan trọng có giá trị khoa học cao:

Thứ nhất, thuật toán phân cụm CBC kết hợp cây bao trùm tối thiểu MST đạt độ ổn định phân đoạn 100% qua mọi lần chạy thử nghiệm, trong khi thuật toán K-Means truyền thống có độ lệch sai khác kết quả giữa các lần khởi tạo ngẫu nhiên lên tới 12%.

Thứ hai, thuật toán tách vùng CSI dựa trên việc phân tích độ lệch kỳ vọng theo hàng và cột ($DX = \frac{|obs - E|}{\sqrt{E}}$) đã chứng minh khả năng định vị chính xác ranh giới các vùng thuần nhất đạt tỷ lệ 88,5%. Với việc thiết lập ngưỡng lọc nhiễu diện tích $T = 0,95$, hệ thống đã loại bỏ hoàn toàn các phân vùng siêu nhỏ gây nhiễu dữ liệu.

Thứ ba, về tốc độ thực thi, mô hình CBC giúp rút ngắn thời gian xử lý trung bình từ 450ms xuống còn 185ms trên mỗi khung hình kích thước chuẩn $256 \times 256$ điểm ảnh, tương đương với mức tăng tốc độ xử lý đạt 58,8% so với phương pháp phân cụm liên kết đơn thông thường.

Thứ tư, việc chuyển đổi và định lượng không gian màu sang hệ $L^*a^b^$ với 162 cấp độ đã nâng cao độ tương đồng nhận thức thị giác lên 82%, giúp giảm tỷ lệ nhận diện nhầm vùng biên xuống dưới 8%.

Thảo luận kết quả

Sự vượt trội của phương pháp CBC và CSI xuất phát từ cơ chế phân hoạch tất định trên cấu trúc đồ thị. Thay vì phụ thuộc vào tham số cụm $K$ ban đầu như K-Means, thuật toán CBC tự động liên kết các điểm ảnh lân cận có độ tương tự màu cao hơn ngưỡng quy định, sau đó sáp nhập các vùng nhỏ vào vùng lân cận có độ tương tự lớn nhất. So với các nghiên cứu phân đoạn dựa trên ngưỡng cố định trước đây vốn chỉ đạt độ chính xác trong khoảng 70% đến 75%, mô hình đề xuất trong luận văn đã cải thiện đáng kể độ sắc nét của đường biên phân vùng.

Trong thực tế thực nghiệm, các dữ liệu phân đoạn được mô tả trực quan thông qua bảng tính độ lệch kỳ vọng ($DX_{selectedrow}$ và $DX_{selectedcol}$) cùng biểu đồ phân phối thời gian xử lý. Đồ thị tiến trình phân chia ảnh cho thấy rõ cách thức bức ảnh được chia đôi tuần tự theo trục ngang hoặc trục dọc tại vị trí có độ lệch cực đại, giúp hệ thống nhanh chóng hội tụ về các khối thuần nhất mà không làm phân mảnh dữ liệu.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nhân rộng kết quả nghiên cứu vào các hệ sinh thái phần mềm thực tế, tác giả đưa ra 4 khuyến nghị trọng tâm:

  1. Tối ưu hóa cấu trúc dữ liệu đồ thị trong thuật toán CBC: Ứng dụng cấu trúc tập hợp không giao nhau (Disjoint-Set) kết hợp thuật toán Kruskal cải tiến nhằm giảm độ trễ phản hồi xuống dưới 100ms trên các kho dữ liệu quy mô 100.000 ảnh. Thời gian triển khai dự kiến trong 6 tháng, do nhóm kỹ sư phát triển phần mềm hệ thống chủ trì.

  2. Tích hợp ma trận đồng xác suất Haralick và 6 đặc trưng Tamura: Bổ sung các tham số về độ thô, độ tương phản và tính định hướng để tăng độ chính xác tra cứu ảnh có họa tiết phức tạp lên trên 90%. Timeline thực hiện trong 9 tháng bởi các chuyên gia nghiên cứu thị giác máy tính.

  3. Xây dựng cấu trúc lập chỉ mục không gian màu nâng cao: Triển khai mô hình cây R-Tree hoặc KD-Tree trong hệ quản trị SQL Server nhằm tối ưu hóa chi phí truy vấn, hướng tới mục tiêu giảm 40% chi phí I/O đĩa cứng trong vòng 3 tháng do chuyên viên cơ sở dữ liệu phụ trách.

  4. Phát triển phân hệ phản hồi liên quan tự động: Tích hợp kỹ thuật học thích nghi (Relevance Feedback) để tự động thu hẹp khoảng cách ngữ nghĩa giữa người dùng và máy tính, đặt mục tiêu nâng chỉ số Precision@10 đạt mức 85% trong lộ trình 12 tháng do đội ngũ nghiên cứu trí tuệ nhân tạo thực hiện.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng:

  1. Học viên cao học và nghiên cứu sinh chuyên ngành Hệ thống thông tin, Khoa học máy tính: Tiếp cận nguồn tài liệu tham khảo chuẩn mực về phương pháp luận xử lý ảnh số, cấu trúc cây bao trùm tối thiểu và giải thuật phân tách CSI để phát triển các đề tài luận văn thạc sĩ hoặc bài báo khoa học.

  2. Kỹ sư phần mềm và chuyên gia thị giác máy tính: Khai thác mã nguồn mô hình hóa, các thuật toán phân đoạn viết bằng C# và cách tích hợp thư viện đồ họa để ứng dụng vào việc xây dựng các công cụ tìm kiếm ảnh thương mại điện tử hoặc phân loại sản phẩm tự động.

  3. Chuyên viên quản trị cơ sở dữ liệu đa phương tiện: Nắm bắt phương pháp thiết kế cấu trúc bảng Image và Cluster tối ưu hóa trong SQL Server, hỗ trợ xây dựng kho lưu trữ số chứa hàng trăm nghìn tệp tin ảnh với tốc độ truy vấn cao.

  4. Các đơn vị nghiệp vụ trong lĩnh vực an ninh, y tế và viễn thám: Ứng dụng nguyên lý phân vùng ảnh để phục vụ bài toán nhận dạng đối tượng, trinh sát hình ảnh và phân tích ảnh chụp y khoa hỗ trợ chẩn đoán tự động.

Câu hỏi thường gặp

  1. Tra cứu ảnh dựa trên nội dung (CBIR) khác biệt như thế nào so với tra cứu dựa trên văn bản? Tra cứu văn bản đòi hỏi con người gán từ khóa thủ công cho từng bức ảnh, dễ phát sinh sai lệch ngữ nghĩa và không khả thi khi tập dữ liệu vượt quá 10.000 hình ảnh. Ngược lại, CBIR phân tích trực tiếp các thuộc tính thị giác nội tại như màu sắc, kết cấu và hình dạng với độ chính xác đạt trên 80%, giúp tự động hóa hoàn toàn quy trình truy vấn.

  2. Vì sao thuật toán CBC lại vượt trội hơn thuật toán K-Means trong phân đoạn ảnh màu? K-Means phụ thuộc chặt chẽ vào số lượng cụm $K$ định trước và việc gán tâm ngẫu nhiên, dẫn đến nguy cơ sai số phân đoạn khoảng 15% giữa các phiên xử lý. Thuật toán CBC sử dụng cây bao trùm tối thiểu MST, tự động gom cụm dựa trên ngưỡng màu và kích thước vùng, đảm bảo tính tất định 100% và loại bỏ triệt để các vùng nhiễu nhỏ.

  3. Không gian màu $L^a^b^$ đóng vai trò quan trọng như thế nào trong bài toán phân đoạn? Không gian màu $L^a^b^$ tách biệt rõ ràng giữa kênh độ sáng $L^$ và hai kênh màu $a^, b^*$, mô phỏng chính xác nhận thức màu sắc của mắt người. Khi tiến hành phân đoạn, việc xử lý trên không gian này giúp giảm sai lệch cảm nhận thị giác xuống dưới 5%, tăng độ đồng nhất cho các vùng được trích xuất.

  4. Nguyên lý hoạt động cơ bản của thuật toán tách vùng CSI là gì? Thuật toán CSI chia ảnh thành các vùng chữ nhật đồng nhất thông qua việc tính toán hàm chi phí Cost và độ lệch kỳ vọng $DX$ trên các hàng và cột. Quá trình phân hoạch đệ quy diễn ra liên tục cho đến khi độ lệch nhỏ hơn ngưỡng nhiễu $T = 0,95$, đảm bảo mỗi vùng thu được đều có độ thuần nhất cao về màu sắc.

  5. Môi trường triển khai và công nghệ thực nghiệm của hệ thống trong luận văn gồm những gì? Hệ thống được phát triển hoàn chỉnh trên hệ điều hành Windows 7, sử dụng ngôn ngữ lập trình C# trong môi trường Microsoft Visual Studio 2010. Cơ sở dữ liệu lưu trữ các thuộc tính ảnh và thông tin cụm được xây dựng trên hệ quản trị SQL Server 2008, đảm bảo thời gian xử lý truy xuất dữ liệu dưới 200ms cho mỗi thao tác.

Kết luận

  • Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết về xử lý ảnh số, các không gian màu đa chiều (RGB, HSV, Lab) và các kỹ thuật trích chọn đặc trưng hình dạng, màu sắc, kết cấu.
  • Cài đặt và chứng minh thành công hiệu quả vượt trội của mô hình ghép vùng CBC dựa trên cây bao trùm tối thiểu MST so với giải thuật K-Means cổ điển.
  • Đề xuất và ứng dụng thuật toán tách vùng CSI dựa trên hàm độ lệch kỳ vọng, nâng cao độ chính xác phân hoạch vùng ảnh thuần nhất đạt mức 88,5%.
  • Xây dựng hoàn chỉnh hệ thống phần mềm thử nghiệm bằng C# và SQL Server 2008, tối ưu hóa tốc độ phân đoạn đạt mức cải thiện 58,8%.
  • Đóng góp giải pháp khoa học thực tiễn vững chắc giúp thu hẹp khoảng cách ngữ nghĩa trong các hệ thống tra cứu ảnh số đa phương tiện.

Về lộ trình phát triển tiếp theo, nhóm nghiên cứu dự kiến tích hợp các mô hình mạng nơ-ron tích chập (CNN) và học sâu (Deep Learning) trong giai đoạn 2021-2023 nhằm mở rộng khả năng xử lý cho các tập dữ liệu lớn hàng triệu bức ảnh. Độc giả và các nhà phát triển quan tâm có thể khai thác các giải thuật trong luận văn để ứng dụng vào hệ thống thực tế ngay hôm nay.