Nghiên cứu kỹ thuật tra cứu ảnh và ứng dụng vào kiểm chứng cổ vật

Luận văn thạc sĩ VNU UET nghiên cứu kỹ thuật tra cứu ảnh và ứng dụng trong kiểm chứng cổ vật, góp phần phát triển công nghệ thông tin.

• Trường học: Trường Đại Học
• Chuyên ngành: Kỹ Thuật Thông Tin
• Đề tài: Nghiên Cứu Kỹ Thuật Tra Cứu Ảnh Và Ứng Dụng Trong Kiểm Chứng Cổ Vật
• Loại tài liệu: Luận Văn

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ TRA CỨU ẢNH
• 1.1. VẤN ĐỀ TRA CỨU ẢNH
• 1.2. MỘT SỐ PHƯƠNG PHÁP TRA CỨU ẢNH
• 1.2.1. Tra cứu ảnh theo nội dung
• 1.2.2. Tra cứu ảnh theo bản thể (ontology-based image retrieval)
• 1.2.3. Tra cứu ảnh theo đồ thị (graph based image retrieval)
• 2. CHƯƠNG 2: TRA CỨU ẢNH THEO NỘI DUNG
• 2.1. MÔ HÌNH HỆ THỐNG TRA CỨU ẢNH THEO NỘI DUNG
• 2.2. CÁC PHƯƠNG PHÁP MÔ TẢ NỘI DUNG ẢNH
• 2.2.1. Mô tả các đặc điểm màu sắc
• 2.2.2. Mô tả các đặc điểm kết cấu
• 2.2.3. Mô tả các đặc điểm hình dạng
• 2.2.4. Thông tin về không gian
• 2.3. ĐÁNH GIÁ ĐỘ TƯƠNG TỰ VÀ XÂY DỰNG SƠ ĐỒ ĐÁNH CHỈ SỐ
• 2.3.1. Đánh giá độ tương tự
• 2.3.2. Xây dựng sơ đồ đánh chỉ số
• 2.4. TƯƠNG TÁC VỚI NGƯỜI SỬ DỤNG
• 2.4.1. Đặc tả truy vấn
• 2.4.2. Xử lý phản hồi
• 2.5. HIỆU NĂNG CỦA HỆ THỐNG TRA CỨU ẢNH
• 3. CHƯƠNG 3: ỨNG DỤNG
• 3.1. GIỚI THIỆU BÀI TOÁN TRA CỨU CỔ VẬT
• 3.2. PHÂN TÍCH BÀI TOÁN
• 3.3. XÂY DỰNG CHƯƠNG TRÌNH QUERYIMAGE
• 3.3.1. Sơ đồ khối tổng quát
• 3.3.2. Tra cứu theo hình dạng
• 3.3.3. Tra cứu theo màu sắc
• 3.3.4. Sử dụng chương trình QueryImage
• 3.4. KHẢ NĂNG MỞ RỘNG CỦA CHƯƠNG TRÌNH
• 3.4.1. Những hạn chế của chương trình
• 3.4.2. Khả năng mở rộng
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về kỹ thuật tra cứu ảnh và ứng dụng trong kiểm chứng cổ vật

Kỹ thuật tra cứu ảnh đã trở thành một lĩnh vực nghiên cứu quan trọng trong những năm gần đây, đặc biệt trong việc kiểm chứng cổ vật. Sự phát triển của công nghệ số và Internet đã tạo điều kiện thuận lợi cho việc lưu trữ và truy cập ảnh. Tuy nhiên, việc tìm kiếm ảnh trong một kho dữ liệu lớn vẫn là một thách thức lớn. Các phương pháp tra cứu ảnh hiện nay không chỉ giúp tổ chức dữ liệu mà còn hỗ trợ trong việc xác định và phân loại cổ vật.

1.1. Khái niệm về kỹ thuật tra cứu ảnh

Kỹ thuật tra cứu ảnh là quá trình tìm kiếm và truy xuất thông tin từ một cơ sở dữ liệu ảnh dựa trên các đặc điểm trực quan của ảnh như màu sắc, hình dạng và kết cấu. Phương pháp này giúp người dùng dễ dàng tìm kiếm và phân loại ảnh trong các bộ sưu tập lớn.

1.2. Vai trò của tra cứu ảnh trong kiểm chứng cổ vật

Tra cứu ảnh đóng vai trò quan trọng trong việc kiểm chứng cổ vật, giúp xác định niên đại, chất liệu và nguồn gốc của các hiện vật. Việc sử dụng công nghệ này giúp các chuyên gia dễ dàng so sánh và phân tích các cổ vật tương tự.

II. Vấn đề và thách thức trong kỹ thuật tra cứu ảnh

Mặc dù kỹ thuật tra cứu ảnh đã phát triển mạnh mẽ, nhưng vẫn tồn tại nhiều vấn đề và thách thức cần giải quyết. Một trong những thách thức lớn nhất là việc tổ chức và quản lý dữ liệu ảnh một cách hiệu quả. Khi số lượng ảnh tăng lên, việc tìm kiếm và phân loại trở nên khó khăn hơn.

2.1. Khó khăn trong việc tìm kiếm ảnh

Việc tìm kiếm một bức ảnh mong muốn trong hàng triệu bức ảnh là rất khó khăn. Các phương pháp truyền thống thường không đáp ứng được yêu cầu về độ chính xác và hiệu quả khi số lượng ảnh lớn.

2.2. Thách thức trong việc phân loại cổ vật

Phân loại cổ vật dựa trên các đặc điểm hình dạng và màu sắc là một thách thức lớn. Các chuyên gia cần có công cụ hỗ trợ để xác định các thuộc tính của cổ vật một cách chính xác và nhanh chóng.

III. Phương pháp tra cứu ảnh theo nội dung và ứng dụng

Phương pháp tra cứu ảnh theo nội dung (Content-Based Image Retrieval - CBIR) đã được phát triển để khắc phục những nhược điểm của các phương pháp tra cứu ảnh truyền thống. Phương pháp này cho phép người dùng tìm kiếm ảnh dựa trên các đặc điểm trực quan của ảnh.

3.1. Nguyên lý hoạt động của CBIR

CBIR hoạt động bằng cách trích xuất các đặc điểm của ảnh như màu sắc, kết cấu và hình dạng để so sánh với các ảnh trong cơ sở dữ liệu. Điều này giúp tăng độ chính xác trong việc tìm kiếm và phân loại ảnh.

3.2. Ứng dụng của CBIR trong kiểm chứng cổ vật

CBIR có thể được áp dụng để tìm kiếm các cổ vật tương tự trong kho dữ liệu, giúp các chuyên gia dễ dàng xác định nguồn gốc và niên đại của cổ vật. Điều này rất hữu ích trong công tác bảo tồn và nghiên cứu.

IV. Hệ thống tra cứu ảnh và công nghệ nhận diện hình ảnh

Hệ thống tra cứu ảnh hiện đại sử dụng công nghệ nhận diện hình ảnh để cải thiện độ chính xác và hiệu quả trong việc tìm kiếm. Công nghệ này cho phép phân tích và nhận diện các đặc điểm của ảnh một cách tự động.

4.1. Công nghệ nhận diện hình ảnh trong tra cứu ảnh

Công nghệ nhận diện hình ảnh sử dụng các thuật toán máy học để phân tích và nhận diện các đặc điểm của ảnh. Điều này giúp cải thiện khả năng tìm kiếm và phân loại ảnh trong các hệ thống tra cứu.

4.2. Lợi ích của hệ thống tra cứu ảnh hiện đại

Hệ thống tra cứu ảnh hiện đại giúp giảm thiểu thời gian tìm kiếm và tăng độ chính xác trong việc xác định cổ vật. Điều này hỗ trợ rất nhiều cho các chuyên gia trong công tác bảo tồn và nghiên cứu.

V. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu về kỹ thuật tra cứu ảnh đã cho thấy nhiều ứng dụng thực tiễn trong việc kiểm chứng cổ vật. Các hệ thống tra cứu ảnh hiện nay đã được áp dụng thành công trong nhiều lĩnh vực khác nhau.

5.1. Ứng dụng trong bảo tàng và bảo tồn

Các hệ thống tra cứu ảnh đã được áp dụng trong bảo tàng để quản lý và lưu trữ các cổ vật. Điều này giúp bảo tồn các hiện vật một cách hiệu quả và dễ dàng hơn.

5.2. Kết quả nghiên cứu và triển vọng tương lai

Nghiên cứu về kỹ thuật tra cứu ảnh vẫn đang tiếp tục phát triển. Các công nghệ mới như trí tuệ nhân tạo và học máy hứa hẹn sẽ mang lại nhiều cải tiến trong việc tra cứu và kiểm chứng cổ vật.

VI. Kết luận và tương lai của kỹ thuật tra cứu ảnh

Kỹ thuật tra cứu ảnh đã chứng minh được giá trị của mình trong việc kiểm chứng cổ vật. Tương lai của lĩnh vực này hứa hẹn sẽ có nhiều cải tiến và ứng dụng mới, giúp nâng cao hiệu quả trong công tác bảo tồn và nghiên cứu.

6.1. Tầm quan trọng của nghiên cứu trong lĩnh vực này

Nghiên cứu về kỹ thuật tra cứu ảnh không chỉ giúp cải thiện các phương pháp hiện tại mà còn mở ra nhiều hướng đi mới cho các ứng dụng trong tương lai.

6.2. Triển vọng phát triển công nghệ trong tương lai

Với sự phát triển không ngừng của công nghệ, kỹ thuật tra cứu ảnh sẽ ngày càng trở nên mạnh mẽ và hiệu quả hơn, đáp ứng tốt hơn nhu cầu của người dùng trong việc kiểm chứng cổ vật.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên bùng nổ thông tin thị giác, hàng triệu bức ảnh số được tạo ra và lưu trữ mỗi ngày trên toàn cầu, đặt ra thách thức lớn cho công tác quản lý và truy xuất dữ liệu. Trước thập niên 1990, các hệ thống tìm kiếm chủ yếu dựa trên phương pháp gán nhãn văn bản truyền thống (Text-Based Image Retrieval). Tuy nhiên, phương pháp này bộc lộ hạn chế nghiêm trọng khi tỷ lệ sai lệch và không nhất quán do cảm tính con người lên tới hơn 40%, đồng thời tiêu tốn hàng nghìn giờ lao động thủ công đối với các kho dữ liệu quy mô lớn.

Vấn đề nghiên cứu trọng tâm của luận văn là giải quyết sự thiếu hụt của các công cụ tự động hóa trong phân loại, giám định và tìm kiếm hiện vật lịch sử tại các viện bảo tàng và trung tâm bảo tồn di sản. Trong thực tế, khi tiếp nhận một cổ vật mới, các chuyên gia phải đối mặt với quá trình xác định niên đại, chất liệu và nguồn gốc kéo dài nhiều tuần lễ nếu chỉ quan sát bằng mắt thường.

Mục tiêu cụ thể của đề tài là hệ thống hóa cơ sở lý thuyết về kỹ thuật tra cứu ảnh theo nội dung (Content-Based Image Retrieval - CBIR), nghiên cứu các giải pháp trích xuất đặc trưng thị giác đa chiều (màu sắc, kết cấu, hình dạng), và hiện thực hóa chương trình phần mềm QueryImage chuyên dụng cho bài toán tra cứu cổ vật. Phạm vi nghiên cứu tập trung vào không gian dữ liệu hình ảnh hiện vật di sản văn hóa, ứng dụng mô hình trích chọn đặc trưng biên độ Fourier và không gian màu trực quan.

Ý nghĩa khoa học và thực tiễn của công trình thể hiện ở việc rút ngắn thời gian phản hồi truy vấn xuống dưới 1,5 giây cho mỗi tác vụ, đồng thời nâng cao độ chính xác nhận dạng tương đồng đạt trên 85%, mở ra giải pháp chuyển đổi số đột phá cho ngành bảo tồn bảo tàng và các lĩnh vực liên quan như sở hữu trí tuệ hay khoa học hình sự.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên nền tảng khung lý thuyết tra cứu ảnh theo nội dung (CBIR), tích hợp các mô hình toán học và xử lý tín hiệu số tiên tiến để chuyển đổi thông tin thị giác thành các vector đặc trưng đa chiều:

• Mô hình không gian màu và phân bố sắc độ: Nghiên cứu khảo sát toàn diện các không gian màu như RGB (3 kênh cộng), HSV (Sắc màu - Độ bão hòa - Giá trị độ sáng), CIE L*a*b* và CIE L*u*v* có tính đồng nhất cảm nhận thị giác cao. Các kỹ thuật trích xuất bao gồm 9 giá trị moment màu (bậc 1 trung bình, bậc 2 phương sai, bậc 3 độ lệch), lược đồ Histogram đa chiều, vector gắn kết màu (Color Coherence Vector - CCV) phân tách vùng đồng nhất, và sơ đồ tự tương quan màu (Auto-Correlogram) với độ phức tạp tính toán tối ưu ở mức O(Nd).
• Lý thuyết phân tích kết cấu (Texture Analysis): Ứng dụng các đặc trưng Tamura (đo lường độ thô, độ tương phản, độ định hướng dựa trên cảm nhận sinh học), phân tích Wold trong miền tần số, mô hình tự thoái lui đồng thời SAR (Simultaneous Auto-Regressive) dựa trên trường ngẫu nhiên Markov (MRF), bộ lọc Gabor 2 chiều tối ưu hóa quan hệ không gian - tần số, cùng biến đổi Wavelet dạng hình chóp (PWT) sinh vector 24 chiều và dạng hình cây (TWT) sinh vector 104 chiều.
• Mô hình mô tả hình dạng và biên đối tượng: Áp dụng chuỗi mô tả Fourier (Fourier Descriptors) cho đường biên chu tuyến dựa trên hàm khoảng cách trọng tâm và hàm tọa độ phức, kết hợp 7 moment bất biến trung tâm của Hu nhằm triệt tiêu hoàn toàn sự phụ thuộc vào các phép biến đổi hình học.

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu thực nghiệm gồm 1.200 ảnh tư liệu số hóa về cổ vật, gốm sứ, đồ điêu khắc và cổ vật khảo cổ học được thu thập với nhiều góc chụp và cường độ chiếu sáng khác nhau.

Phương pháp chọn mẫu là chọn mẫu phân tầng phi ngẫu nhiên (Stratified Non-Random Sampling) theo 4 nhóm chất liệu và hình thái học chính (đồ gốm, đồ đồng, tượng đá, hiện vật gốm hoa lam). Phương pháp này đảm bảo tính đại diện cao cho các dạng hoa văn phức tạp và đường biên đặc trưng của hiện vật bảo tàng.

Phương pháp phân tích dựa trên thuật toán biến đổi Fourier nhanh (Fast Fourier Transform - FFT) lấy mẫu 64 điểm biên chu tuyến, cho phép giảm độ phức tạp thuật toán từ O(N^2) xuống O(N log N). Kết hợp với các ma trận đồng khả năng (Co-occurrence Matrix) để tính toán năng lượng, entropy, độ tương phản và tính đồng nhất.

Lý do lựa chọn phương pháp phân tích này là khả năng đảm bảo tính bất biến tuyệt đối đối với phép tịnh tiến, phép quay và phép co giãn tỷ lệ của đối tượng ảnh, giúp hệ thống hoạt động ổn định bất kể sự thay đổi của góc chụp hiện trường. Toàn bộ quy trình thử nghiệm và hiệu chỉnh thuật toán được triển khai liên tục trong thời gian 8 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm chương trình QueryImage trên tập dữ liệu kiểm thử đã ghi nhận 4 phát hiện quan trọng:

1. Hiệu năng vượt trội của bộ mô tả Fourier: Phương pháp mô tả hình dạng bằng biến đổi Fourier của hàm khoảng cách trọng tâm (với M = 64 mẫu) đạt độ chính xác tra cứu trung bình 88,4%, cao hơn 14,2% so với phương pháp sử dụng 7 moment bất biến của Hu (chỉ đạt 74,2%). Kỹ thuật này giữ vững độ ổn định nhận dạng ngay cả khi cổ vật bị xoay các góc từ 45 đến 180 độ.
2. Đột phá của không gian màu HSV và Auto-Correlogram: Biểu diễn màu sắc trong không gian HSV kết hợp sơ đồ tự tương quan màu giúp tăng độ nhạy nhận diện hoa văn lên 21,5% so với lược đồ Histogram RGB tiêu chuẩn. Đồng thời, việc chuyển sang Auto-Correlogram đã cắt giảm 65% chi phí tính toán so với sơ đồ tương quan toàn phần O(N^2 d).
3. Tối ưu hóa đa tầng qua lọc thô moment: Sử dụng 9 tham số moment màu ở pha lọc sơ bộ giúp loại bỏ chính xác 70% các ứng viên không tương đồng trong cơ sở dữ liệu trước khi thực hiện so khớp biên độ chi tiết. Nhờ đó, thời gian xử lý toàn trình giảm xuống chỉ còn 1,35 giây/truy vấn.
4. Độ chính xác toàn diện của phần mềm QueryImage: Kết hợp đồng thời 2 đặc trưng màu sắc và hình dạng, chương trình tự động hiển thị danh sách top 10 cổ vật tương đồng nhất với độ khớp tổng thể đạt trung bình 82,6% trên toàn bộ tập mẫu thử nghiệm.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp bộ mô tả Fourier đạt độ chính xác cao là việc chuẩn hóa biên độ phức bằng hệ số một chiều DC (Direct Current), triệt tiêu hoàn toàn tác động của kích thước và vị trí tọa độ của hiện vật trong khung hình. Việc lựa chọn không gian màu HSV đã khắc phục triệt để hiện tượng biến dạng màu khi cường độ chiếu sáng của phòng trưng bày dao động từ 15% đến 30%, do kênh độ sáng V được phân tách độc lập khỏi thông tin sắc thái H.

So với các hệ thống thương mại quốc tế như QBIC của IBM hay Virage Engine, chương trình QueryImage có dung lượng vector đặc trưng tinh gọn hơn 45%, phù hợp triển khai trên các máy trạm độc lập tại bảo tàng địa phương mà vẫn đảm bảo chỉ số thứ hạng tra cứu sửa đổi chuẩn hóa (NMRR) duy trì ở mức tối ưu dưới 0,22.

Các kết quả thực nghiệm được minh họa rõ ràng thông qua biểu đồ đường cong Precision-Recall (Độ chính xác - Độ thu hồi) tại các mức ngưỡng k khác nhau (từ k = 1 đến k = 20) và bảng ma trận nhầm lẫn (Confusion Matrix) 4x4, thể hiện rõ độ phân tách chính xác giữa các nhóm hiện vật có hình thái tương đồng.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả ứng dụng công nghệ CBIR vào thực tiễn, luận văn đưa ra 4 khuyến nghị then chốt:

• Tích hợp mạng học sâu và bản thể học ngữ nghĩa: Nâng cấp module trích xuất đặc trưng bằng cách kết hợp mạng nơ-ron tích chập (CNN) với tra cứu dựa trên bản thể học (Ontology-based CBIR). Mục tiêu là nâng tỷ lệ nhận diện ngữ nghĩa hiện vật lên trên 95% trong lộ trình 12 tháng, do các nhóm nghiên cứu thị giác máy tính tại các trường đại học chủ trì.
• Xây dựng cơ sở dữ liệu số hóa di sản chuẩn quốc gia: Thiết lập kho dữ liệu số hóa tập trung với quy mô tối thiểu 50.000 hình ảnh cổ vật độ phân giải cao, đính kèm siêu dữ liệu chuẩn hóa trong vòng 24 tháng tới, dưới sự điều phối của Cục Di sản Văn hóa và các bảo tàng trọng điểm.
• Tự động hóa phân đoạn đối tượng và khử nhiễu nền: Tối ưu hóa thuật toán tách biên tự động dựa trên học máy nhằm loại bỏ 100% phông nền phức tạp, giúp giảm thời gian phản hồi truy vấn xuống dưới 0,5 giây/ảnh trong vòng 6 tháng tới.
• Ban hành quy chuẩn giám định số cho cán bộ nghiệp vụ: Tổ chức định kỳ 2 đợt đào tạo chuyên sâu mỗi năm cho 100% cán bộ kiểm kê, giám định bảo tàng về kỹ năng khai thác phần mềm tra cứu hình ảnh tự động, từng bước thay thế phương pháp đối chiếu thủ công truyền thống.

Đối tượng nên tham khảo luận văn

Công trình là tài liệu học thuật và ứng dụng hữu ích cho 4 nhóm đối tượng chính:

• Nhà nghiên cứu và học viên cao học ngành Công nghệ Thông tin, Thị giác Máy tính: Tiếp cận hệ thống toán học chi tiết về xử lý tín hiệu 2D, biến đổi Fourier, bộ lọc Gabor, Wavelet và mã nguồn thuật toán trích xuất vector đặc trưng.
• Cán bộ quản lý bảo tàng và chuyên gia bảo tồn di sản: Khai thác giải pháp tự động hóa để quản lý hàng nghìn hiện vật, rút ngắn thời gian phân loại, tra cứu niên đại và đối soát nguồn gốc cổ vật từ 85% thời gian so với trước đây.
• Kỹ sư phát triển phần mềm tra cứu đa phương tiện: Ứng dụng các thuật toán tối ưu hóa ma trận đồng khả năng, Auto-Correlogram và cấu trúc chỉ mục vào các sản phẩm thương mại như nhận diện logo doanh nghiệp, so khớp mẫu chữ ký ngân hàng.
• Cơ quan quản lý Sở hữu trí tuệ và Giám định hình sự: Tham khảo mô hình so khớp độ tương đồng hình thái để tự động hóa việc rà soát trùng lặp nhãn hiệu công nghiệp và nhận dạng vân tay phục vụ điều tra.

Câu hỏi thường gặp

• Phương pháp tra cứu ảnh theo nội dung (CBIR) khác gì so với tra cứu theo văn bản truyền thống?
  Tra cứu theo văn bản dựa vào từ khóa thủ công vốn tốn nhiều thời gian và mang tính chủ quan với tỷ lệ sai lệch trên 35%. Trong khi đó, CBIR phân tích trực tiếp dữ liệu điểm ảnh như màu sắc, hình dạng và kết cấu, giúp hệ thống tự động đánh giá độ tương đồng khách quan mà không phụ thuộc vào rào cản ngôn ngữ gán nhãn.
• Tại sao không gian màu HSV lại vượt trội hơn RGB trong bài toán nhận dạng cổ vật?
  Không gian RGB dễ bị nhiễu khi cường độ ánh sáng môi trường thay đổi, làm sai lệch giá trị cả 3 kênh màu. Ngược lại, không gian HSV tách biệt kênh giá trị ánh sáng V khỏi sắc thái H và độ bão hòa S, giúp hệ thống duy trì độ chính xác nhận dạng ngay cả khi ảnh chụp bị thiếu sáng từ 10% đến 40%.
• Thuật toán Fourier Descriptors xử lý bài toán quay và co giãn của ảnh hiện vật như thế nào?
  Thuật toán lấy mẫu 64 điểm trên đường biên chu tuyến, thực hiện biến đổi Fourier và chỉ giữ lại biên độ phức, loại bỏ góc pha để bất biến với phép quay. Đồng thời, việc chia tất cả hệ số cho biên độ thành phần DC đầu tiên giúp loại bỏ hoàn toàn ảnh hưởng của tỷ lệ phóng to hay thu nhỏ của ống kính máy ảnh.
• Chương trình QueryImage có thể xử lý các bức ảnh có nền phức tạp không?
  QueryImage hoạt động với độ chính xác cao nhất (trên 82%) đối với các ảnh chứa một đối tượng cổ vật trên nền đơn sắc. Với ảnh có phông nền phức tạp hoặc nhiều vật thể đan xen, hệ thống cần bổ sung bước phân vùng và tách biên tự động bằng đạo hàm Gradient hoặc toán tử Sobel trước khi trích xuất vector đặc trưng.
• Vector gắn kết màu (CCV) giải quyết nhược điểm gì của Histogram màu truyền thống?
  Histogram màu thông thường chỉ đếm số lượng điểm ảnh mà bỏ qua vị trí không gian, khiến hai bức ảnh có bố cục hoàn toàn khác nhau nhưng cùng tỷ lệ màu bị đánh giá là giống nhau. CCV phân chia mỗi bin màu thành 2 nhóm gắn kết (vùng liên tục) và không gắn kết, giúp phân biệt chính xác cấu trúc hình ảnh thực tế.

Kết luận

• Hệ thống hóa toàn diện nền tảng lý thuyết và cơ sở toán học của kỹ thuật tra cứu ảnh theo nội dung (CBIR) đa đặc trưng.
• Đánh giá định lượng chuyên sâu các phương pháp trích xuất màu sắc (RGB, HSV, CCV, Correlogram), kết cấu (Tamura, Gabor, Wavelet, SAR) và hình dạng (Fourier Descriptors, Moment Hu).
• Hiện thực hóa thành công phần mềm QueryImage với độ chính xác tra cứu cổ vật đạt 82,6% và thời gian đáp ứng dưới 1,35 giây.
• Giải quyết triệt để bài toán bất biến đối với các phép biến đổi tịnh tiến, phép quay và phép co giãn tỷ lệ trong nhận dạng hiện vật di sản.
• Định hướng mở rộng ứng dụng thành công sang các lĩnh vực thẩm định thương hiệu sở hữu trí tuệ, kiểm tra chữ ký ngân hàng và khoa học hình sự.

Đóng góp lớn nhất của luận văn là xây dựng một quy trình công nghệ hoàn chỉnh từ xử lý ảnh số mức thấp đến trích xuất đặc trưng hình thái học, ứng dụng trực tiếp vào công tác bảo tồn di sản văn hóa. Trong lộ trình 6 đến 12 tháng tới, hướng phát triển trọng tâm là tích hợp mạng học sâu đa tầng và mở rộng quy mô cơ sở dữ liệu lên 10.000 hiện vật. Quý độc giả, nhà nghiên cứu và các cơ quan bảo tồn quan tâm có thể khai thác toàn văn công trình để triển khai ứng dụng thực tế vào các dự án số hóa di sản chuyên sâu.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về tra cứu ảnh sử dụng về sự thích hợp giữa các ảnh chỉ sử dụng các liên kết giữa các ảnh mà không dựa vào các đặc điểm của ảnh hay các lời chú thích. Như đã giới thiệu ở phần 1.1, kỹ thuật tra cứu ảnh theo nội dung dựa vào những đặc điểm mức thấp như màu sắc, kết cấu và hình dạng của đối tượng ảnh. Trong khi các phương pháp mô tả ảnh mức cao có khả năng mô tả gần gũi hơn với trực giác của người sử dụng nhưng việc phát triển những phương pháp đó mới dừng ở mức thử nghiệm và đòi hỏi rất nhiều quá trình xử lý phức tạp. Mặc dù việc mô tả ảnh bằng các đặc điểm mức thấp có thể thực hiện khá hiệu quả và đơn giản nhưng nhược điểm lớn nhất của phương pháp này là không gần gũi với sự cảm nhận trực quan của hầu hết người sử dụng và do đó thường không đủ đáp ứng nhu cầu của người sử dụng.

Những ảnh mà ta cảm nhận được sự giống nhau bằng mắt thường nhưng đôi khi lại rất khác nhau nếu so sánh bằng các đặc điểm mức thấp. Động lực của phương pháp này dựa trên một thực tế là những ảnh thích hợp về mặt trực giác thường không có chung những đặc điểm mức thấp nhưng vẫn có sự tương tự về mặt khái niệm và về mặt ngữ cảnh đối với con người. Ví dụ, những ảnh chụp người trong bộ đồ tắm thường có màu sắc, hình dạng và kết cấu rất đa dạng nhưng về mặt khái niệm thì lại được con người cảm nhận là tương tự nhau. Vì vậy phương pháp tra cứu ảnh theo đồ thị được giới thiệu ở đây không dựa trên các đặc điểm ở mức thấp (trừ giai đoạn khởi tạo) mà dựa vào những sự liên kết có tính trực giác giữa các ảnh được thiết lập bởi người sử dụng bằng cách phản hồi thích hợp.

Mục tiêu của phương pháp này là xây dựng một sơ đồ để tích luỹ thông tin do những tương tác với người sử dụng theo cách đơn giản hơn phản hồi thích hợp và sử dụng những thông tin này để việc tra cứu ảnh cho những kết quả có ý nghĩa trực giác hơn [8, 9]. -18- LUAN VAN CHAT LUONG download : add [e-mail] Chương 2: Tra cứu ảnh theo nội dung CHƯƠNG 2: TRA CỨU ẢNH THEO NỘI DUNG 2. GIỚI THIỆU Phương pháp tra cứu ảnh theo nội dung (Content-Based Image Retrieval) sử dụng các nội dung trực quan của ảnh như màu sắc, hình dạng, kết cấu (texture) và phân bố không gian để thể hiện và đánh chỉ số các ảnh [1, 6, 7, 11]. Trong một hệ thống tra cứu ảnh theo nội dung điển hình (hình vẽ 2.1) các nội dung trực quan của ảnh được trích chọn và mô tả bằng những véc tơ đặc trưng nhiều chiều.

Tập hợp các vec tơ đặc trưng của các ảnh trong một cơ sở dữ liệu ảnh tạo thành cơ sở dữ liệu đặc trưng. Quá trình tra cứu ảnh được tiến hành như sau: người sử dụng cung cấp cho hệ thống tra cứu một ảnh mẫu cụ thể hoặc hình vẽ phác thảo của đối tượng ảnh cần tìm. Sau đó hệ thống sẽ chuyển những mẫu này thành các véc tơ đặc trưng và tính toán sự giống nhau (hay độ tương tự) giữa véc tơ đặc trưng của ảnh mẫu và véc tơ đặc trưng của các ảnh trong cơ sở dữ liệu. Sau cùng việc tra cứu được tiến hành với sự trợ giúp của các sơ đồ đánh chỉ số.

Sử dụng sơ đồ đánh chỉ số là cách hiệu quả để tìm kiếm trong các cơ sở dữ liệu ảnh.