Tổng quan nghiên cứu

Chữ Nôm là hệ thống chữ viết biểu ý gắn liền với tiến trình văn hóa của dân tộc Việt Nam từ thế kỷ 13 đến đầu thế kỷ 20, ghi chép hàng vạn tư liệu lịch sử, văn học và luật pháp quý giá. Sau khi chữ Quốc ngữ hoàn thiện và kỳ thi Nho học chính thức chấm dứt trong giai đoạn năm 1915 đến năm 1919, chữ Nôm dần mai một và trở thành di sản cổ ít người đọc hiểu. Hiện nay, kho tàng di sản Hán Nôm có hơn 8.400 ký tự được mã hóa trong bảng mã Unicode quốc tế, nhưng phần lớn thư tịch cổ vẫn nằm trên các bản khắc gỗ hoặc giấy dó có nguy cơ hư hại cao. Vấn đề nghiên cứu then chốt là xây dựng giải pháp nhận dạng ký tự quang học (OCR) vừa đạt độ chính xác cao, vừa tối ưu tài nguyên tính toán để giải quyết thách thức chữ Nôm có số nét nhiều và phức tạp hơn chữ Hán gốc.

Mục tiêu cụ thể của luận văn là phát triển giải pháp trích xuất đặc trưng giả khung xương (Pseudo-Skeleton Feature) kết hợp Mô hình Cực đại Entropy (Maximum Entropy Model) để tự động nhận dạng chữ Nôm in. Đề tài được thực hiện tại Phòng thí nghiệm Hệ thống Tích hợp Thông minh (SIS LAB), Khoa Công nghệ Thông tin thuộc Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội vào tháng 12 năm 2009. Ý nghĩa khoa học và thực tiễn của công trình thể hiện qua tốc độ nhận dạng ấn tượng đạt 10 giây trên 100 ký tự mẫu, đạt độ chính xác tuyệt đối 100% trên tập 2.000 ký tự in chuẩn và 86% trên tập 2.000 ký tự bị gây nhiễu điểm ảnh, đặt nền móng vững chắc cho việc phát triển các phần mềm số hóa di sản văn hóa trên thiết bị cầm tay.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên hai trụ cột lý thuyết chính: Lý thuyết trích xuất khung xương hình thái học (Morphological Skeletonization) và Mô hình Cực đại Entropy (Maximum Entropy Model - MEM) trong phân loại văn bản và hình ảnh. Trong xử lý ảnh truyền thống, phép biến đổi trục trung tâm (Medial Axis Transformation) và các thuật toán làm mảnh (Thinning Algorithm) giúp rút gọn hình dạng vật thể về các đường mảnh đơn pixel nhưng tiêu tốn tài nguyên lặp và dễ làm đứt gãy cấu trúc nét. Tác giả đã cải tiến thành khái niệm giả khung xương (P-Skeleton), chỉ giữ lại điểm ảnh biên trên - trái đặc trưng nhằm bảo toàn hình thái, độ cong nét, điểm kết thúc và điểm giao nhau của ký tự.

Mô hình nghiên cứu triển khai quy trình hai pha gồm huấn luyện và nhận dạng, ứng dụng MEM để ước lượng phân bố xác suất có điều kiện p(y|x), trong đó x biểu diễn các vector đặc trưng và y là mã định danh Unicode của ký tự. Bốn khái niệm trọng tâm bao gồm: toán tử logic nhị phân mức bit (SHIFT, AND, XOR), biểu đồ hình chiếu ngang và dọc (Projection Histograms), chuỗi mã hóa hình thái gồm ba ký hiệu L (Large), M (Medium), S (Small), và các ràng buộc hàm đặc trưng nhị phân gắn liền với xác suất thực nghiệm.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu được trích xuất từ cơ sở dữ liệu quốc tế UniHan với 8.488 ký tự chữ Nôm chuẩn mã hóa Unicode. Từ tập dữ liệu này, công cụ tự động được xây dựng để chuyển đổi mã Unicode thành các tập ảnh bitmap theo nhiều định dạng phông chữ như thường, đậm, nghiêng và co giãn kích thước. Phương pháp phân tích tích hợp xử lý ảnh hình thái học không gian hai chiều với mô hình xác suất cực đại. Bộ lọc sơ bộ tính toán ba đặc trưng thống kê gồm tỷ lệ điểm ảnh f1 cùng hai trọng số tổng hợp f2 và f3 của chuỗi mã hình thái theo công thức 4L + 2M + 1*S.

Phương pháp chọn mẫu bao gồm 2.000 ký tự ảnh in chuẩn, 2.000 ký tự tạo nhiễu nhân tạo bằng kỹ thuật thêm hoặc xóa điểm đen ngẫu nhiên, cùng 200 dòng thơ trích từ tác phẩm Truyện Kiều bản khắc in năm 1866. Lý do lựa chọn MEM và P-Skeleton thay vì mạng nơ-ron MLP hay Tesseract OCR là nhờ khả năng thực thi các phép toán mức bit cực nhanh, không phụ thuộc vào giả định độc lập nghiêm ngặt giữa các thuộc tính và chiếm dụng bộ nhớ rất thấp dưới 80MB. Toàn bộ quy trình thực nghiệm được hoàn thành vào tháng 12 năm 2009.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thực nghiệm hệ thống trên máy tính cá nhân trang bị vi xử lý Centrino Duo 2 nhân tốc độ 1.5 GHz và bộ nhớ RAM 1 GB đã đem lại bốn phát hiện cốt lõi:

Thứ nhất, trên tập kiểm thử 2.000 ký tự Nôm in chuẩn không nhiễu, hệ thống đạt độ chính xác tuyệt đối 100%, trích xuất chính xác mã Unicode và âm đọc tiếng Việt tương ứng.

Thứ hai, trên tập 2.000 ký tự bị tạo nhiễu nhân tạo bằng cách xóa hoặc thêm các điểm đen ngẫu nhiên, tỷ lệ nhận dạng chính xác vẫn duy trì ở mức cao xấp xỉ 86%.

Thứ ba, đối với văn bản mộc bản cổ trong Truyện Kiều bản khắc in năm 1866, khi không nạp dữ liệu huấn luyện phông chữ cổ, độ chính xác ban đầu đạt khoảng 40%; tuy nhiên, sau khi được bổ sung dữ liệu huấn luyện đặc thù cho 200 dòng thơ đầu, tỷ lệ nhận diện tăng vọt lên mức xấp xỉ 100%.

Thứ tư, về mặt hiệu năng tính toán, khi nhận dạng cùng tập 100 ký tự mẫu, mô hình MEM kết hợp P-Skeleton chỉ tiêu tốn 10 giây, nhanh hơn 44,4% so với mô hình mạng nơ-ron nhiều lớp MLP tiêu tốn 18 giây.

Thảo luận kết quả

Hiệu năng vượt trội của giải pháp xuất phát từ việc các toán tử nhị phân SHIFT, AND, XOR trong P-Skeleton loại bỏ hoàn toàn các vòng lặp làm mảnh đa tầng, giúp giảm hơn 50% thời gian xử lý ảnh đầu vào. Biểu đồ hình chiếu thu gọn cấu trúc chữ thành chuỗi mã L, M, S đơn giản nhưng vẫn giữ trọn vẹn đặc trưng hình học của các ký tự ghép phức tạp. Dữ liệu thực nghiệm có thể được trình bày trực quan qua bảng ma trận độ chính xác phân loại theo từng loại nhiễu hoặc biểu đồ cột thể hiện thời gian thực thi (10 giây so với 18 giây).

Khi so sánh với mạng nơ-ron MLP vốn suy giảm độ chính xác và phình to bộ nhớ khi tập mẫu vượt quá 4.000 ký tự, mô hình MEM thể hiện tính ổn định vượt trội nhờ khả năng tối ưu hóa hàm lồi toàn cục. Hạn chế ghi nhận là hệ thống khá nhạy cảm với các ký tự bị xoay nghiêng hoặc tài liệu cổ bị ố nhòe nghiêm trọng, đòi hỏi phải bổ sung module tiền xử lý hình học chuyên dụng.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, bốn nhóm giải pháp hành động được đề xuất nhằm hoàn thiện công nghệ nhận dạng chữ Nôm:

Thứ nhất, xây dựng module tiền xử lý quang học chuyên sâu nhằm tự động nắn chỉnh góc nghiêng và khử nhiễu nền giấy dó cổ. Mục tiêu cụ thể là nâng độ chính xác nhận dạng văn bản cổ chưa qua huấn luyện từ mức 40% lên trên 85% trong lộ trình 6 tháng, do các nhóm nghiên cứu thị giác máy tính chủ trì thực hiện.

Thứ hai, mở rộng quy mô cơ sở dữ liệu mẫu huấn luyện từ 8.488 ký tự lên hơn 15.000 biến thể dị thể chữ Nôm xuất hiện trong văn bia và mộc bản triều Nguyễn. Viện Nghiên cứu Hán Nôm phối hợp cùng các trường đại học triển khai thu thập và chuẩn hóa dữ liệu trong thời gian 12 tháng.

Thứ ba, tích hợp mô hình ngôn ngữ thống kê N-gram và mạng nơ-ron tích chập sâu nhằm kết hợp phân tích ngữ cảnh câu, phấn đấu giảm tỷ lệ nhận diện sai sót trên các tài liệu nhiễu nặng từ 14% xuống dưới 5% trong giai đoạn 18 tháng tiếp theo.

Thứ tư, tối ưu hóa và đóng gói thuật toán thành ứng dụng di động gọn nhẹ với dung lượng bộ cài dưới 30MB, tiêu hao ít bộ nhớ RAM và có khả năng xử lý thời gian thực dưới 0,1 giây mỗi ký tự. Các doanh nghiệp công nghệ phối hợp với các bảo tàng văn hóa bảo trợ phát hành ứng dụng trong vòng 2 năm, hỗ trợ du khách tra cứu nhanh văn bia tại các di tích lịch sử như Văn Miếu - Quốc Tử Giám.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho bốn nhóm đối tượng chuyên biệt:

Thứ nhất, các nhà nghiên cứu thị giác máy tính và nhận dạng mẫu có thể khai thác thuật toán trích xuất P-Skeleton bằng phép toán logic nhị phân để áp dụng cho các hệ thống chữ viết tượng hình phức tạp khác như chữ Hán cổ, chữ Nôm Dao hay chữ Phạn cổ với hơn 5.000 biến thể.

Thứ hai, các kỹ sư phát triển phần mềm nhúng và ứng dụng di động có thể ứng dụng khung mô hình Cực đại Entropy tối ưu bộ nhớ để xây dựng các công cụ OCR chạy trực tiếp trên thiết bị đầu cuối với dung lượng dưới 50MB mà không cần kết nối máy chủ đám mây.

Thứ ba, các chuyên gia thư viện học, lưu trữ học và bảo tồn văn hóa Hán Nôm có cơ sở khoa học để thiết lập quy trình tự động hóa số hóa hàng vạn trang tài liệu mộc bản, gia phả và văn bản hành chính cổ từ thế kỷ 13 đến thế kỷ 19.

Thứ tư, học viên cao học và sinh viên ngành Khoa học Máy tính có thể học hỏi phương pháp luận khoa học, cách thiết kế thực nghiệm đối sánh chặt chẽ giữa 2.000 mẫu chuẩn và 2.000 mẫu nhiễu, cùng cấu trúc mã nguồn tối ưu viết bằng ngôn ngữ C# trong phần phụ lục.

Câu hỏi thường gặp

Đặc trưng giả khung xương P-Skeleton khác biệt gì so với thuật toán làm mảnh truyền thống? Thuật toán làm mảnh cổ điển phải lặp lại nhiều vòng bóc tách lớp pixel ngoài cùng làm kéo dài thời gian tính toán và dễ gây đứt nét. Ngược lại, P-Skeleton chỉ sử dụng 3 phép toán logic nhị phân cơ bản gồm SHIFT, AND và XOR trên mảng bit để trích xuất điểm ảnh góc trên - trái, giúp giữ trọn độ cong và điểm giao cắt với tốc độ xử lý nhanh hơn 50%.

Vì sao Mô hình Cực đại Entropy được lựa chọn thay vì Tesseract OCR hay Mạng nơ-ron? Tesseract OCR vốn tối ưu hóa cho bảng chữ cái Latin nên hoạt động kém hiệu quả trên hệ ký tự biểu ý có số nét dày đặc. Mạng nơ-ron MLP tiêu tốn bộ nhớ lớn và giảm độ chính xác khi số lớp đầu ra mở rộng trên 4.200 ký tự. Mô hình MEM cho phép tích hợp linh hoạt nhiều đặc trưng thống kê và tối ưu phân bố xác suất đồng đều nhất.

Tại sao độ chính xác trên văn bản Truyện Kiều bản 1866 lại có sự chênh lệch lớn giữa hai thử nghiệm? Khi không có dữ liệu huấn luyện phông chữ khắc gỗ năm 1866, độ chính xác chỉ đạt khoảng 40% do dị thể nét khắc cổ và vết xước giấy dó. Khi được nạp mẫu huấn luyện bổ sung cho 200 dòng thơ đầu, mô hình MEM nhanh chóng thích nghi với đặc trưng hình chiếu riêng biệt và nâng tỷ lệ nhận dạng chính xác lên xấp xỉ 100%.

Ba đặc trưng thống kê lọc trước f1, f2, f3 đóng vai trò gì trong hệ thống nhận dạng? Đặc trưng f1 đo lường tỷ lệ điểm ảnh khung xương giả trên kích thước ảnh, trong khi f2 và f3 tính tổng trọng số các đoạn mã L, M, S theo chiều ngang và dọc với công thức 4L + 2M + 1*S. Ba chỉ số này tạo thành bộ lọc thô ban đầu giúp loại bỏ hơn 70% ứng viên sai trước khi chuyển sang bộ phân loại MEM chi tiết.

Hệ thống nhận dạng đòi hỏi cấu hình phần cứng như thế nào và tốc độ thực thi ra sao? Hệ thống được thử nghiệm thực tế trên máy tính cá nhân cấu hình cơ bản gồm CPU Centrino Duo 2 nhân 1.5 GHz, RAM 1 GB chạy hệ điều hành Windows 7. Tốc độ nhận dạng đạt 10 giây cho 100 ký tự mẫu, chứng minh tiềm năng lớn để triển khai trực tiếp trên các thiết bị di động thông minh có cấu hình giới hạn.

Kết luận

Luận văn Thạc sĩ Khoa học Máy tính của tác giả Lê Hồng Trang đã giải quyết thành công bài toán nhận dạng ký tự quang học cho chữ Nôm – một di sản văn hóa độc đáo nhưng chứa đựng nhiều thách thức kỹ thuật. Năm đóng góp then chốt của công trình bao gồm:

  • Đề xuất giải pháp trích xuất đặc trưng giả khung xương (P-Skeleton) bằng các phép toán logic nhị phân SHIFT, AND, XOR siêu nhẹ và bảo toàn hình thái.
  • Ứng dụng thành công Mô hình Cực đại Entropy (MEM) kết hợp biểu đồ hình chiếu và chuỗi mã hóa L, M, S trên kho dữ liệu 8.488 ký tự Nôm chuẩn UniHan.
  • Đạt độ chính xác tuyệt đối 100% trên 2.000 ký tự in chuẩn và duy trì 86% trên 2.000 ký tự có nhiễu điểm ảnh nhân tạo.
  • Cải thiện tốc độ xử lý vượt bậc đạt 10 giây trên 100 ký tự, nhanh hơn 44,4% so với mô hình mạng nơ-ron nhiều lớp truyền thống.
  • Thử nghiệm thành công trên tác phẩm mộc bản cổ Truyện Kiều bản 1866 với độ chính xác đạt xấp xỉ 100% sau khi nạp mẫu huấn luyện thích nghi.

Trong kế hoạch 12 đến 24 tháng tới, việc tích hợp thuật toán khử nhiễu tự động và phát hành ứng dụng di động sẽ là bước đi chiến lược. Hãy bắt đầu nghiên cứu và ứng dụng giải pháp này để chung tay bảo tồn kho tàng di sản Hán Nôm quý báu của dân tộc.