Nghiên Cứu Cải Tiến Phương Pháp Tra Cứu Ảnh Sử Dụng Đặc Trưng Ảnh

Luận án tiến sĩ nghiên cứu nghiên cứu cải tiến một số phương pháp tra cứu ảnh sử dụng đặc trưng ảnh, phát triển phương pháp mới, đánh giá hiệu quả ứng dụng trong lĩnh vực tại Việt

• Tác giả: Nguyễn Hữu Quỳnh
• Người hướng dẫn: TS Ngô Quốc Tạo
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên Cứu Cải Tiến Phương Pháp Tra Cứu Ảnh Sử Dụng Đặc Trưng Ảnh
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2010
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan Nghiên Cứu Tra Cứu Ảnh Dựa Trên Đặc Trưng Ảnh

Những năm gần đây, sự tăng trưởng vượt bậc của dữ liệu ảnh số đặt ra thách thức lớn trong việc quản lý và truy xuất hiệu quả. Lượng thông tin ảnh khổng lồ, ước tính hàng trăm triệu ảnh trên Internet, trở nên khó tiếp cận nếu không có phương pháp tổ chức và tra cứu ảnh phù hợp. Các phương pháp truyền thống dựa vào văn bản mô tả ảnh hoặc từ khóa gặp nhiều hạn chế, bao gồm sự tốn kém về thời gian, chi phí nhân lực và tính chủ quan trong việc gán nhãn. Do đó, tra cứu ảnh dựa trên nội dung (CBIR) sử dụng đặc trưng ảnh thị giác nổi lên như một giải pháp tiềm năng. CBIR tự động trích xuất thông tin từ ảnh, loại bỏ sự can thiệp thủ công và cung cấp khả năng tìm kiếm linh hoạt hơn. Theo Nguyễn Hữu Quỳnh, việc trích rút hiệu quả đặc trưng ảnh và đo lường độ tương đồng giữa chúng là hai yếu tố then chốt trong tra cứu ảnh hiệu quả.

1.1. Giới Thiệu Phương Pháp Truy Xuất Ảnh Dựa Trên Nội Dung CBIR

Phương pháp truy xuất ảnh dựa trên nội dung (CBIR, Content-Based Image Retrieval) sử dụng các đặc trưng ảnh thị giác như màu sắc, kết cấu, hình dạng và bố cục để tìm kiếm ảnh tương tự trong cơ sở dữ liệu. Thay vì dựa vào từ khóa hoặc mô tả bằng văn bản, CBIR phân tích trực tiếp nội dung ảnh, giúp giảm thiểu tính chủ quan và nâng cao độ chính xác trong quá trình truy xuất ảnh. Quá trình CBIR bao gồm hai giai đoạn chính: trích xuất đặc trưng ảnh (feature extraction) và so sánh đặc trưng ảnh (feature matching). Giai đoạn trích xuất đặc trưng ảnh chuyển đổi ảnh thành một vector số biểu diễn các thuộc tính quan trọng của ảnh. Giai đoạn so sánh đặc trưng ảnh tính toán độ tương đồng giữa vector đặc trưng của ảnh truy vấn và các vector đặc trưng của ảnh trong cơ sở dữ liệu.

1.2. Các Loại Đặc Trưng Ảnh Thường Dùng trong CBIR

Các đặc trưng ảnh được sử dụng trong CBIR có thể được chia thành nhiều loại, bao gồm đặc trưng màu sắc, đặc trưng kết cấu, đặc trưng hình dạng và đặc trưng không gian. Đặc trưng màu sắc mô tả sự phân bố màu trong ảnh, thường được biểu diễn bằng các lược đồ màu (Global Color Histogram, Local Color Histogram). Đặc trưng kết cấu mô tả sự lặp lại của các mẫu trong ảnh, thường được biểu diễn bằng các ma trận đồng xuất hiện mức xám (GLCM) hoặc các bộ lọc Gabor. Đặc trưng hình dạng mô tả hình dạng của các đối tượng trong ảnh, thường được biểu diễn bằng các moment bất biến hoặc các đường biên. Đặc trưng không gian mô tả vị trí tương đối của các đối tượng trong ảnh, thường được biểu diễn bằng các biểu đồ không gian hoặc các cây tứ phân. Theo Nguyễn Hữu Quỳnh, màu sắc là đặc trưng được sử dụng rộng rãi nhất nhờ tính toán nhanh và ổn định.

II. Thách Thức Vấn Đề Trong Tra Cứu Ảnh Bằng Đặc Trưng Ảnh

Mặc dù CBIR hứa hẹn nhiều tiềm năng, phương pháp này vẫn đối mặt với nhiều thách thức. Một trong những vấn đề lớn nhất là khoảng cách ngữ nghĩa (Semantic Gap), tức là sự khác biệt giữa cách máy tính biểu diễn ảnh và cách con người hiểu nội dung ảnh. Các đặc trưng ảnh thị giác mức thấp có thể không phản ánh đầy đủ ngữ nghĩa của ảnh, dẫn đến kết quả tìm kiếm không chính xác. Ngoài ra, việc lựa chọn đặc trưng ảnh phù hợp và phương pháp so sánh hiệu quả cũng là những vấn đề quan trọng cần giải quyết. Các phương pháp indexing ảnh cũng cần được cải thiện để tăng tốc độ truy xuất ảnh trong các cơ sở dữ liệu lớn. Theo luận án, hầu hết các phương pháp hiện tại đều gặp phải vấn đề về không gian lưu trữ, độ chính xác, độ phức tạp và tính nhạy cảm.

2.1. Vấn Đề Khoảng Cách Ngữ Nghĩa Semantic Gap Trong CBIR

Khoảng cách ngữ nghĩa (Semantic Gap) là một thách thức lớn trong CBIR. Máy tính chỉ có thể phân tích đặc trưng thị giác mức thấp, trong khi con người hiểu ảnh dựa trên ngữ nghĩa và ý nghĩa. Ví dụ, máy tính có thể nhận diện màu xanh và hình dạng bầu trời trong một bức ảnh, nhưng không thể hiểu rằng đó là một bức ảnh về một ngày đẹp trời. Sự khác biệt này dẫn đến việc kết quả tìm kiếm có thể không liên quan đến ý định của người dùng. Để giảm khoảng cách ngữ nghĩa, các nhà nghiên cứu đang tìm cách kết hợp thông tin ngữ nghĩa vào quá trình truy xuất ảnh, chẳng hạn như sử dụng ontology hoặc các kỹ thuật học sâu.

2.2. Khó Khăn Trong Việc Lựa Chọn Đặc Trưng Ảnh Phù Hợp

Việc lựa chọn đặc trưng ảnh phù hợp cho CBIR phụ thuộc vào loại ảnh và mục đích sử dụng. Không có một đặc trưng nào là tốt nhất cho tất cả các trường hợp. Ví dụ, đặc trưng màu sắc có thể hiệu quả cho việc tìm kiếm ảnh có màu sắc tương tự, nhưng không hiệu quả cho việc tìm kiếm ảnh có nội dung tương tự. Đặc trưng kết cấu có thể hiệu quả cho việc tìm kiếm ảnh có kết cấu tương tự, nhưng không hiệu quả cho việc tìm kiếm ảnh có hình dạng tương tự. Do đó, việc lựa chọn đặc trưng cần dựa trên phân tích kỹ lưỡng về dữ liệu ảnh và yêu cầu ứng dụng. Một giải pháp là sử dụng kết hợp nhiều đặc trưng ảnh khác nhau để tận dụng ưu điểm của từng loại.

2.3. Hạn Chế Về Tốc Độ Truy Xuất Ảnh trong CSDL lớn

Khi kích thước cơ sở dữ liệu ảnh tăng lên, tốc độ truy xuất ảnh trở thành một vấn đề quan trọng. Việc so sánh đặc trưng của ảnh truy vấn với tất cả các ảnh trong cơ sở dữ liệu có thể mất rất nhiều thời gian. Để giải quyết vấn đề này, các kỹ thuật indexing ảnh được sử dụng để tổ chức cơ sở dữ liệu ảnh sao cho việc tìm kiếm trở nên nhanh chóng hơn. Các kỹ thuật indexing ảnh phổ biến bao gồm cây KD, cây Ball và các phương pháp hashing.

III. Nghiên Cứu Cải Tiến Phương Pháp Dựa Trên Lược Đồ Màu Khối

Luận án này đề xuất một số phương pháp cải tiến dựa trên lược đồ màu khối (Color Cell Histogram - CCH) nhằm nâng cao hiệu quả truy xuất ảnh. Phương pháp HG (Histogram Graph) được giới thiệu, tập trung vào việc giảm không gian lưu trữ và tăng tính ổn định trước các biến đổi hình học. Tiếp theo, phương pháp IHG (Improving Histogram Graph) được phát triển dựa trên HG, hướng đến việc giảm thời gian tính toán và tăng độ chính xác. Cả hai phương pháp đều sử dụng ít không gian lưu trữ lược đồ màu và ít nhạy cảm với quay và dịch chuyển.

3.1. Phương Pháp HG Histogram Graph Giảm Không Gian Lưu Trữ

Phương pháp HG (Histogram Graph) được đề xuất nhằm giảm không gian lưu trữ lược đồ màu so với các phương pháp truyền thống như Global Color Histogram (GCH) và Local Color Histogram (LCH). HG biểu diễn lược đồ màu bằng một đồ thị, trong đó các đỉnh đại diện cho các dải màu và các cạnh đại diện cho mối quan hệ giữa các dải màu. Bằng cách chỉ lưu trữ các mối quan hệ quan trọng, HG giảm đáng kể không gian lưu trữ mà vẫn giữ được thông tin quan trọng về phân bố màu sắc trong ảnh. Luận án chỉ ra rằng phương pháp HG ít nhạy cảm hơn với quay và dịch chuyển so với các phương pháp khác.

3.2. Phương Pháp IHG Improving Histogram Graph Tăng Tốc Độ và Độ Chính Xác

Phương pháp IHG (Improving Histogram Graph) là một cải tiến của HG, nhằm giảm thời gian tính toán và tăng độ chính xác truy xuất ảnh. IHG sử dụng một kỹ thuật indexing để tăng tốc quá trình so sánh đặc trưng. Ngoài ra, IHG sử dụng một độ đo tương đồng cải tiến để tăng độ chính xác trong việc đánh giá sự tương đồng giữa các ảnh. Kết quả thực nghiệm cho thấy IHG có tốc độ truy xuất ảnh nhanh hơn và độ chính xác cao hơn so với HG, đồng thời vẫn giữ được ưu điểm về không gian lưu trữ.

IV. Ứng Dụng Vùng Ảnh Trong Tra Cứu Ảnh CSI và CCS

Luận án cũng khám phá việc sử dụng vùng ảnh và thông tin không gian để cải thiện hiệu năng truy xuất ảnh. Phương pháp CSI (Color and Spatial Information) trích xuất cả đặc trưng màu sắc và thông tin không gian từ các vùng ảnh. Phương pháp CCS (Cluster of Colors and Space) phân chia ảnh thành các cụm màu đồng nhất và trích xuất thông tin màu sắc và không gian từ mỗi cụm. Cả hai phương pháp đều hướng đến việc tận dụng thông tin về bố cục và vị trí của các đối tượng trong ảnh để nâng cao độ chính xác truy xuất ảnh.

4.1. Phương Pháp CSI Color and Spatial Information Kết Hợp Màu Sắc và Vị Trí

Phương pháp CSI (Color and Spatial Information) trích xuất cả đặc trưng màu sắc và thông tin không gian từ các vùng ảnh. Thông tin không gian được biểu diễn bằng các mối quan hệ không gian giữa các vùng ảnh. Bằng cách kết hợp cả màu sắc và thông tin không gian, CSI có thể phân biệt các ảnh có màu sắc tương tự nhưng có bố cục khác nhau. CSI cho phép biểu diễn vị trí của các vùng ảnh và sự tương quan giữa chúng, từ đó cải thiện đáng kể khả năng phân biệt ảnh. Phương pháp này đặc biệt hữu ích cho các ảnh có cấu trúc phức tạp hoặc nhiều đối tượng.

4.2. Phương Pháp CCS Cluster of Colors and Space Phân Cụm Màu Đồng Nhất

Phương pháp CCS (Cluster of Colors and Space) phân chia ảnh thành các cụm màu đồng nhất (các cụm màu này có thể có kích cỡ khác nhau) và trích xuất thông tin màu sắc và không gian của mỗi vùng phục vụ quá trình tra cứu . CCS tập trung vào việc xác định và phân tích các vùng có màu sắc tương tự nhau trong ảnh. Thông tin màu sắc và vị trí của các cụm được sử dụng để xây dựng một biểu diễn ảnh chi tiết. Phương pháp này đặc biệt hiệu quả trong việc xử lý các ảnh có nhiều vùng màu sắc riêng biệt, giúp máy tính hiểu rõ hơn về cấu trúc và nội dung của ảnh.

V. Xây Dựng Hệ Thống Tra Cứu Ảnh LVFIR Dựa Trên Các Phương Pháp

Luận án đã xây dựng hệ thống tra cứu ảnh thực nghiệm LVFIR (Local Visual Feature-based Image Retrieval) dựa trên các phương pháp HG, IHG, CSI và CCS. Hệ thống bao gồm hai module chính: module tiền xử lý và module tra cứu. Module tiền xử lý chịu trách nhiệm trích xuất đặc trưng ảnh từ các ảnh trong cơ sở dữ liệu. Module tra cứu chịu trách nhiệm so sánh đặc trưng ảnh của ảnh truy vấn với đặc trưng ảnh của các ảnh trong cơ sở dữ liệu và trả về các ảnh tương tự nhất.

5.1. Kiến Trúc và Chức Năng của Hệ Thống LVFIR

Hệ thống LVFIR (Local Visual Feature-based Image Retrieval) được thiết kế để thử nghiệm và đánh giá hiệu quả của các phương pháp HG, IHG, CSI và CCS trong tra cứu ảnh. Hệ thống bao gồm module tiền xử lý (pre-processing module) và module tra cứu (retrieval module). Module tiền xử lý thực hiện các bước như chuẩn hóa ảnh, phân đoạn ảnh và trích xuất đặc trưng ảnh. Module tra cứu nhận ảnh truy vấn làm đầu vào, trích xuất đặc trưng ảnh của ảnh truy vấn, so sánh với đặc trưng ảnh đã được lưu trữ trong cơ sở dữ liệu và trả về danh sách các ảnh tương tự nhất.

5.2. Các Module Tra Cứu Trong Hệ Thống LVFIR

Hệ thống LVFIR bao gồm hai module tra cứu chính: module tra cứu group1 và module tra cứu group2. Module tra cứu group1 tập trung vào các phương pháp dựa trên lược đồ màu khối (HG và IHG). Module tra cứu group2 tập trung vào các phương pháp sử dụng thông tin vùng ảnh (CSI và CCS). Mỗi module cung cấp giao diện người dùng để lựa chọn phương pháp tra cứu, tải ảnh truy vấn và hiển thị kết quả tra cứu.

VI. Kết Luận Hướng Nghiên Cứu Tra Cứu Ảnh Trong Tương Lai

Luận án đã đề xuất một số phương pháp cải tiến cho tra cứu ảnh dựa trên đặc trưng ảnh, tập trung vào việc giảm không gian lưu trữ, tăng tốc độ tính toán và nâng cao độ chính xác. Các phương pháp HG, IHG, CSI và CCS đã được chứng minh là có hiệu quả trong việc cải thiện hiệu năng tra cứu ảnh. Nghiên cứu trong tương lai có thể tập trung vào việc kết hợp các phương pháp này với các kỹ thuật học sâu để đạt được kết quả tốt hơn nữa. Ngoài ra, việc giải quyết vấn đề khoảng cách ngữ nghĩa vẫn là một thách thức quan trọng cần được quan tâm.

6.1. Tổng Kết Những Đóng Góp Của Luận Án

Luận án đã đóng góp vào lĩnh vực tra cứu ảnh bằng cách đề xuất các phương pháp cải tiến dựa trên đặc trưng ảnh, bao gồm phương pháp HG (Histogram Graph), phương pháp IHG (Improving Histogram Graph), phương pháp CSI (Color and Spatial Information) và phương pháp CCS (Cluster of Colors and Space). Các phương pháp này tập trung vào việc giảm không gian lưu trữ, tăng tốc độ tính toán và nâng cao độ chính xác truy xuất ảnh. Luận án cũng đã xây dựng hệ thống tra cứu ảnh LVFIR để đánh giá hiệu quả của các phương pháp đề xuất.

6.2. Hướng Nghiên Cứu Tương Lai Về Học Sâu và CBIR

Hướng nghiên cứu tương lai có thể tập trung vào việc kết hợp các phương pháp CBIR truyền thống với các kỹ thuật học sâu (Deep Learning for Image Retrieval). Các mô hình mạng nơ-ron tích chập (CNN) đã chứng minh hiệu quả trong việc trích xuất đặc trưng ảnh phức tạp và biểu diễn thông tin ngữ nghĩa tốt hơn. Việc sử dụng mạng nơ-ron để trích xuất đặc trưng ảnh và metric learning có thể giúp giảm khoảng cách ngữ nghĩa và cải thiện đáng kể hiệu năng truy xuất ảnh.

Trích đoạn nội dung tài liệu

PHẦN MỞ ĐẦU 1. Tính cấp thiết của luận án Những năm gần đây, chúng ta đã chứng kiến sự tăng nhanh kích cỡ của các tập hợp ảnh số cùng với sự phát triển bùng nổ của các ứng dụng Internet. Hàng ngày, việc sử dụng các thiết bị thu nhận ảnh sinh ra nhiều giga-bytes dữ liệu ảnh. Một lƣợng lớn thông tin ảnh, khoảng hàng trăm triệu ảnh [12, 59, 70, 79], đã đƣợc đƣa lên Internet.

Tuy nhiên, không thể truy cập hoặc sử dụng thông tin trong các tập ảnh khổng lồ này, nếu chúng không đƣợc tổ chức để tra cứu hiệu quả trên toàn bộ dữ liệu ảnh. Quản trị cơ sở dữ liệu (CSDL) và thị giác máy là hai cộng đồng có đóng góp chính cho lĩnh vực tra cứu ảnh. Hai cộng đồng này tiếp cận tra cứu ảnh từ hai góc độ khác nhau, dựa vào văn bản mô tả ảnh và dựa vào đặc trƣng thị giác của bản thân ảnh. Sử dụng các kỹ thuật dựa vào văn bản mô tả ảnh hoặc từ khoá mô tả ảnh để quản lý CSDL ảnh là cách đơn giản thƣờng đƣợc sử dụng.

Các từ khoá mô tả ảnh cung cấp thông tin nội dung mô tả ảnh trong một CSDL ảnh đã cho, nhƣng để mô tả các ảnh đủ chi tiết, cần một tập từ khoá rất lớn và phức tạp. Một hạn chế nữa của cách tiếp cận này là cần nhân lực đƣợc đào tạo kỹ lƣỡng để xây dựng các từ khoá đối với mỗi ảnh và chọn các từ khoá phù hợp cho tra cứu các ảnh hiệu quả. Công việc mô tả nội dung ảnh thủ công này tốn nhiều thời gian, chi phí cao và phụ thuộc vào cảm nhận chủ quan của chuyên viên kỹ thuật theo nghĩa cùng một nội dung ảnh, những ngƣời khác nhau có thể đƣa ra cảm nhận về ảnh khác nhau. Cảm nhận chủ quan và mô tả nội dung ảnh không chính xác là nguyên nhân làm cho so sánh sai trong lúc tra cứu.

Hơn nữa, hệ thống dựa vào từ khoá rất khó thay đổi về sau. Do đó, cần có cách tiếp cận mới để khắc phục các hạn chế này. Để khắc phục các khó khăn ở trên, tra cứu ảnh dựa vào đặc trƣng thị giác của ảnh đã đƣợc đề xuất. Ý tƣởng cơ bản của cách tiếp cận này là sử dụng kỹ thuật trích (LUAN.anh 14 TIEU LUAN MOI download : [e-mail] rút đặc trƣng thị giác một cách tự động để cho ra các mô tả nội dung ảnh một cách trực tiếp từ chính bản thân ảnh.

Hệ thống tra cứu ảnh dựa vào đặc trƣng thị giác sẽ xác định các ảnh trong CSDL ảnh có đặc trƣng thị giác tƣơng tự với ảnh truy vấn theo hai pha: Pha 1, tất cả các ảnh trong CSDL đƣợc xử lý, đƣợc trích chọn đặc trƣng thị giác. Quá trình xử lý và trích chọn đặc trƣng thị giác đƣợc thực hiện một cách tự động ngay khi các ảnh đƣợc nhập vào CSDL. Quá trình này gán cho mỗi ảnh một tập các ký hiệu mô tả, các ký hiệu mô tả ảnh này sẽ đƣợc lƣu trữ trong CSDL và đƣợc sử dụng trong pha tiếp theo. Pha 2, trích rút các đặc trƣng thị giác của ảnh truy vấn và so sánh các đặc trƣng này với các đặc trƣng thị giác của ảnh trong CSDL theo một độ đo tƣơng tự nào đó.

Các ảnh trong CSDL đƣợc phân hạng theo mức độ tƣơng tự của nó với ảnh truy vấn. Ảnh có hạng cao nhất đƣợc truy xuất. Trích rút nội dung thị giác của các ảnh hiệu quả và đo độ tƣơng tự giữa các ảnh dựa trên đặc trƣng thị giác là hai phần quan trọng trong tra cứu ảnh dựa vào đặc trƣng thị giác. Các nghiên cứu gần đây trong tra cứu ảnh tập trung vào trích chọn đặc trƣng thị giác gồm màu, kết cấu, hình dạng và thông tin không gian.

Màu là đặc trƣng đƣợc sử dụng rộng rãi nhất cho tra cứu ảnh do tính toán nhanh, tƣơng đối ổn định với các biến dạng nhỏ, thay đổi về kích thƣớc và hƣớng. Một số phƣơng pháp đã đƣợc đề xuất nhƣ: Phƣơng pháp lƣợc đồ màu toàn cục và lƣợc đồ màu cục bộ [51], phƣơng pháp véc tơ gắn kết màu [16], phƣơng pháp tƣơng quan màu [30], phƣơng pháp lƣợc đồ màu khối [54],… Tuy nhiên, hầu hết các phƣơng pháp này đều gặp phải vấn đề sử dụng nhiều không gian để lƣu trữ các lƣợc đồ màu biểu diễn ảnh, độ chính xác tra cứu không cao, độ phức tạp tính toán lớn, nhạy cảm với quay và dịch chuyển, không cho phép nhận biết các đối tƣợng tƣơng tự có màu khác nhau [7, 40, 52, 69]. Do đó, việc đề xuất các giải pháp tra cứu ảnh dựa vào đặc trƣng thị giác để khắc phục đƣợc các hạn chế ở trên là một nhu cầu cấp thiết. Đó cũng là lý do mà (LUAN.anh 15 TIEU LUAN MOI download : [e-mail] luận án chọn đề tài ―Nghiên cứu cải tiến một số phƣơng pháp tra cứu ảnh sử dụng đặc trƣng ảnh‖.

Mục tiêu của luận án Mục tiêu của luận án là nghiên cứu đề xuất một số phƣơng pháp tra cứu ảnh sử dụng đặc trƣng màu và thông tin không gian. Các phƣơng pháp này sẽ hƣớng tới giải quyết các vấn đề về giảm không gian lƣu trữ các lƣợc đồ màu biểu diễn ảnh, ít nhạy cảm với quay và dịch chuyển, giảm độ phức tạp tính toán và tăng độ chính xác tra cứu. Các đóng góp của luận án Trong luận án này, tác giả nghiên cứu đề xuất các kỹ thuật tra cứu ảnh dựa vào đặc trƣng của vùng ảnh gồm: phƣơng pháp HG (Histogram Graph) [42], phƣơng pháp IHG (Improving Histogram Graph) [43], phƣơng pháp CSI (Color and Spatial Information) [45] và phƣơng pháp CCS (Cluster of Colors and Space) [46]: - Phƣơng pháp tra cứu ảnh dựa vào đặc trƣng màu, có tên là HG [42]. Đặc điểm của phƣơng pháp này là sử dụng ít không gian lƣu trữ các lƣợc đồ màu biểu diễn ảnh và ít nhạy cảm với quay và dịch chuyển.

- Để tăng cƣờng phƣơng pháp HG, chúng tôi đã đề xuất phƣơng pháp IHG [43], nhằm giảm thời gian và tăng độ chính xác tra cứu của phƣơng pháp HG nhƣng vẫn sử dụng ít không gian lƣu trữ các lƣợc đồ màu biểu diễn ảnh và ít nhạy cảm với quay và dịch chuyển. - Phƣơng pháp CSI [45] trích rút đặc trƣng màu và thông tin không gian của các vùng ảnh và sử dụng trong quá trình tra cứu để nâng cao hiệu năng tra cứu. - Phƣơng pháp CCS [46] phân hoạch ảnh thành các cụm màu thuần nhất (các cụm màu này có thể có kích cỡ khác nhau) và trích rút thông tin màu và không gian của mỗi vùng phục vụ quá trình tra cứu.anh 16 TIEU LUAN MOI download : [e-mail] - Xây dựng hệ thống tra cứu ảnh dựa vào đặc trƣng thị giác có tên là LVFIR (Local Visual Feature-based Image Retrieval) trên cơ sở các kỹ thuật đề xuất của tác giả. Hệ thống này gồm hai module chính là module tiền xử lý và module tra cứu.

Bố cục của luận án Luận án này đƣợc bố cục thành bốn chƣơng, gồm 125 trang. Chƣơng 1 giới thiệu tổng quan về trích rút đặc trƣng và tra cứu ảnh dựa vào đặc trƣng thị giác và đƣa ra một số kết luận và định hƣớng cho nghiên cứu. Chƣơng 2 trình bày kỹ thuật tra cứu ảnh dựa vào lƣợc đồ màu khối, có tên là HG [42] và cải tiến của nó, có tên là IHG [43]. Chƣơng 3 trình bày kỹ thuật trích rút đặc trƣng của vùng ảnh sử dụng trong quá trình tra cứu ảnh, có tên là CSI [45] và CCS [46].

Chƣơng 4 trình bày thiết kế và thực hiện hệ thống thực nghiệm tra cứu ảnh dựa vào đặc trƣng thị giác (sử dụng các kỹ thuật đƣợc đề xuất trong Chƣơng 2 và Chƣơng 3) LVFIR, cùng với một số kết quả. Cuối cùng, chúng tôi đƣa ra một số kết luận và đề xuất các nghiên cứu trong tƣơng lai.anh 17 TIEU LUAN MOI download : [e-mail] Chƣơng 1. TỔNG QUAN VỀ TRÍCH RÚT ĐẶC TRƢNG VÀ TRA CỨU ẢNH DỰA VÀO ĐẶC TRƢNG Trong chƣơng này, chúng tôi sẽ giới thiệu một số khái niệm và kỹ thuật cơ bản về trích rút đặc trƣng và tra cứu ảnh dựa vào đặc trƣng thị giác gồm: các đặc trƣng, kiến trúc của hệ thống tra cứu ảnh dựa vào đặc trƣng thị giác, trích rút đặc trƣng, các độ đo tƣơng tự, đánh giá hiệu năng tra cứu và giới thiệu một số hệ thống tra cứu ảnh dựa vào đặc trƣng thị giác. Đặc biệt chúng tôi nhấn mạnh vào đặc trƣng màu.

Cuối cùng chúng tôi sẽ đƣa ra một số kết luận và định hƣớng cho nghiên cứu.1 Các đặc trƣng Dữ liệu ảnh thô không đƣợc sử dụng trực tiếp trong hầu hết các hệ thống thị giác máy vì hai lý do: Thứ nhất, tốn nhiều không gian để lƣu trữ ảnh và độ phức tạp tính toán lớn. Thứ hai, nhiều thông tin của ảnh là dƣ thừa và/ hoặc không hữu ích. Thay vì sử dụng toàn bộ ảnh, chúng ta chỉ cần sử dụng một biểu diễn quan trọng nhất. Bƣớc tìm biểu diễn đƣợc gọi là trích rút đặc trưng và kết quả của biểu diễn là véc tơ đặc trƣng.

Trích rút đặc trƣng có thể xem nhƣ việc ánh xạ ảnh từ không gian ảnh sang không gian đặc trƣng. Liên quan đến nội dung ảnh, các đặc trƣng ảnh có thể đƣợc phân thành đặc trƣng thị giác và đặc trƣng ngữ nghĩa. Đặc trƣng thị giác có thể đƣợc phân loại tiếp thành đặc trƣng chung và đặc trƣng theo lĩnh vực [12, 70, 79]. Các đặc trƣng thị giác chung gồm màu, kết cấu, hình dạng và quan hệ không gian.

Các đặc trƣng theo lĩnh vực bao gồm tri thức về lĩnh vực nhƣ mặt ngƣời, vân tay,. Đặc trƣng ngữ nghĩa không dễ dàng đƣợc trích rút và thƣờng đƣợc suy diễn từ các đặc trƣng mức thấp hoặc sử dụng văn bản mô tả ảnh.1 Các đặc trƣng toàn cục và cục bộ Các đặc trƣng ảnh có thể là toàn cục hoặc cục bộ. Nếu các đặc trƣng biểu diễn nội dung thị giác của toàn bộ ảnh, các đặc trƣng này đƣợc gọi là các đặc trƣng toàn (LUAN.anh 18 TIEU LUAN MOI download : skknchat@gmail. Ngƣợc lại, các đặc trƣng biểu diễn nội dung thị giác của một phần ảnh thì đƣợc gọi là đặc trƣng cục bộ.2 Các đặc trƣng thị giác trong tra cứu ảnh Đặc trƣng màu: Màu có vai trò quan trọng trong tra cứu ảnh dựa vào đặc trƣng thị giác.

Các màu có thể đƣợc biểu diễn trong các không gian màu khác nhau nhƣ RGB, HSV,. Đặc trƣng kết cấu: Kết cấu là tập các điểm trong một vùng thỏa mãn ràng buộc hay qui luật nào đó. Đặc trƣng này khá quan trọng cho tra cứu ảnh.