Tổng quan luận án
Sự gia tăng quy mô của các tập hợp ảnh số cùng sự phát triển của mạng Internet đã tạo ra khối lượng dữ liệu ảnh lên tới hàng trăm triệu tệp tin. Dữ liệu ảnh số nếu không được tổ chức và lập chỉ mục hiệu quả sẽ không thể khai thác và tra cứu. Quản trị cơ sở dữ liệu và thị giác máy tính là hai lĩnh vực tiếp cận bài toán tra cứu ảnh theo hai hướng: tiếp cận dựa trên văn bản mô tả (từ khóa) và tiếp cận dựa trên đặc trưng thị giác của bản thân ảnh (Visual Feature-based Image Retrieval - VFBIR).
Phương pháp quản lý dựa trên từ khóa bộc lộ nhiều hạn chế do đòi hỏi tập từ khóa phức tạp, tiêu tốn nhân lực và thời gian gán nhãn thủ công, phụ thuộc vào cảm nhận chủ quan của chuyên viên kỹ thuật và khó điều chỉnh khi cơ sở dữ liệu mở rộng. Nhằm khắc phục các hạn chế này, phương pháp tra cứu ảnh dựa trên đặc trưng thị giác tự động trích xuất các thuộc tính như màu sắc, kết cấu, hình dạng và quan hệ không gian trực tiếp từ dữ liệu ảnh số. Trong đó, đặc trưng màu sắc được ứng dụng rộng rãi nhờ tính toán nhanh và tương đối ổn định trước các biến dạng hình học nhỏ. Tuy nhiên, các kỹ thuật biểu diễn màu truyền thống như Lược đồ màu toàn cục (GCH), Lược đồ màu cục bộ (LCH), Lược đồ màu khối (CCH), Véc tơ gắn kết màu (CCV) và Tương quan màu thường gặp phải các hạn chế về dung lượng lưu trữ lớn, độ phức tạp tính toán cao, độ chính xác tra cứu hạn chế, và đặc biệt là sự nhạy cảm đối với các phép biến đổi hình học như quay và dịch chuyển ảnh. Luận án "Nghiên cứu cải tiến một số phương pháp tra cứu ảnh sử dụng đặc trưng ảnh" của tác giả Nguyễn Hữu Quỳnh giải quyết trực tiếp khoảng trống nghiên cứu này.
Mục tiêu nghiên cứu của luận án được xác định gồm các nội dung sau:
- Nghiên cứu và đề xuất các phương pháp tra cứu ảnh sử dụng đặc trưng màu sắc kết hợp thông tin không gian.
- Giảm thiểu không gian lưu trữ các cấu trúc lược đồ biểu diễn ảnh trong cơ sở dữ liệu.
- Giảm tính nhạy cảm của các phương pháp tra cứu đối với các phép biến đổi hình học (quay và dịch chuyển ảnh).
- Giảm độ phức tạp tính toán trong quá trình so khớp và nâng cao độ chính xác tra cứu ảnh.
Đối tượng và phạm vi nghiên cứu của luận án:
- Đối tượng nghiên cứu: Các mô hình toán học và thuật toán trích rút đặc trưng thị giác (màu sắc, phân bố không gian, phân vùng ảnh) và các thuật toán tính toán độ tương tự giữa các biểu diễn ảnh.
- Phạm vi nghiên cứu: Tập trung vào dữ liệu ảnh màu 2D trên các không gian màu thông dụng (RGB, HSV, Munsell); phát triển các thuật toán đối sánh dựa trên lý thuyết đồ thị và cây tứ phân; xây dựng phần mềm thực nghiệm LVFIR để kiểm thử và đánh giá hiệu năng dựa trên độ đo Recall - Precision.
Tổng quan tài liệu và vị trí của luận án
Luận án đã hệ thống hóa các công trình nghiên cứu trong và ngoài nước về trích rút đặc trưng và các hệ thống tra cứu ảnh:
-
Các kỹ thuật biểu diễn đặc trưng màu sắc:
- Lược đồ màu toàn cục (GCH) do Swain và Ballard [69] đề xuất, được sử dụng phổ biến [51] nhờ tính đơn giản và khả năng bất biến với phép quay, phép tịnh tiến, nhưng nhược điểm là hoàn toàn bỏ qua vị trí không gian của các điểm ảnh.
- Lược đồ màu cục bộ (LCH) [51] khắc phục nhược điểm của GCH bằng cách chia ảnh thành các lưới khối đều cố định, song làm tăng dung lượng lưu trữ và mất tính ổn định khi ảnh bị quay hoặc dịch chuyển.
- Véc tơ gắn kết màu (CCV) do Pass và Zabih [16] đề xuất, phân chia các điểm ảnh trong mỗi dải màu thành hai loại: gắn kết ($\alpha_i$) và không gắn kết ($\beta_i$), nhưng vẫn dựa trên nền tảng lược đồ toàn cục nên khó nắm bắt cấu trúc vùng cụ thể.
- Tương quan màu và Tự tương quan màu (Color Correlogram) do Huang và cộng sự [30] nghiên cứu, mô tả phân bố xác suất tìm thấy cặp màu ở một khoảng cách không gian xác định, cho độ chính xác cao nhưng véc tơ đặc trưng có số chiều lớn.
- Mô men màu do Stricker và Orengo [32, 34, 36] đề xuất, trích xuất ba tham số thống kê bậc thấp (trung bình, phương sai, độ lệch) trên các kênh màu, tạo ra biểu diễn cô đọng gồm 9 giá trị nhưng độ phân biệt chưa cao.
- Lược đồ màu trội do Mojsilovic và cộng sự [9, 38] đề xuất nhằm mô tả phân bố của các màu đại diện sau khi phân cụm.
- Lược đồ màu khối (CCH) của Park và cộng sự [54], phân chia ảnh thành $m \times m$ khối để giảm không gian lưu trữ so với LCH nhưng vẫn so khớp theo tọa độ cố định.
-
Các phương pháp tích hợp thông tin không gian và phân vùng ảnh:
- Biểu diễn xâu hai chiều (2D-String) của Chang và cộng sự [62] cùng bản mở rộng [61] sử dụng các toán tử quan hệ không gian.
- Lược đồ hình quạt do Lu và cộng sự [47, 48] phát triển.
- Phân vùng ảnh bằng toán tử hình thái học của Lybanon và cộng sự [35], phương pháp entropy mờ của Li và cộng sự [77], và phương pháp đường biên có trợ giúp của Samadani và Han [53].
- Biểu diễn phân cấp dựa trên cây tứ phân không gian (Quad Tree - QT) [23] và phân đoạn vùng [45, 46].
-
Các hệ thống tra cứu ảnh tiêu biểu:
- QBIC của IBM [13, 14, 24, 33, 65, 74]: Sử dụng không gian màu RGB, YIQ, Lab, MTM; kết cấu Tamura; mô men bất biến của hình dạng; lập chỉ mục nhiều chiều bằng biến đổi KLT kết hợp cây R*.
- Blobworld [6]: Tự động phân đoạn ảnh thành các vùng gắn kết (blobs) kết hợp màu và kết cấu, lập chỉ mục bằng cấu trúc cây.
- RetrievalWare của tập đoàn Excalibur [10]: Sử dụng mạng Nơ-ron và cho phép người dùng điều chỉnh trọng số các đặc trưng.
- VisualSEEk [67] và WebSEEk [68] của Đại học Columbia: Hỗ trợ truy vấn quan hệ không gian và tập màu thông qua chỉ mục cây nhị phân.
- CIRES [49] của Đại học Texas: Sử dụng lược đồ màu, bộ lọc Gabor và gom nhóm các vùng đồng nhất.
- Dự án IRMA [80] trong y học và công cụ Tìm kiếm ảnh của Google [22].
Khoảng trống nghiên cứu mà luận án lựa chọn giải quyết là: Loại bỏ sự phụ thuộc vào vị trí hình học cố định của các khối ảnh trong phương pháp CCH/LCH khi có biến đổi quay/dịch chuyển; giảm số chiều và không gian lưu trữ dữ liệu đặc trưng; và thiết lập cơ chế so khớp linh hoạt dựa trên các cụm màu thuần nhất và cấu trúc cây tứ phân.
Cơ sở lý thuyết và phương pháp nghiên cứu
Luận án vận dụng hệ thống lý thuyết và công cụ phân tích toán học - kỹ thuật gồm:
- Lý thuyết không gian màu và lượng hóa màu: Xử lý biểu diễn màu trong không gian RGB, HSV và Munsell; thực hiện phân đoạn các trục màu thành $k, l, m$ phần để tạo ra lược đồ lượng hóa $n = k \times l \times m$ dải.
- Lý thuyết đồ thị và bài toán đối sánh cực tiểu: Sử dụng mô hình đồ thị hai phía có trọng số $G(X, Y, E, c)$ để biểu diễn tương quan giữa các dải lược đồ màu của ảnh truy vấn ($X$) và ảnh cơ sở dữ liệu ($Y$). Sử dụng thuật toán Hungarian [27] để tìm đối sánh có trọng số cực tiểu (Minimum Cost Matching - MCM).
- Cấu trúc dữ liệu không gian: Cấu trúc Cây tứ phân (Quad Tree - QT) dùng để phân rã ảnh đệ quy thành các vùng con có độ thuần nhất về màu sắc.
- Hệ thống các độ đo khoảng cách và tương tự:
- Khoảng cách $L_1$ và khoảng cách dạng Minkowski $L_p$:
$$\mathrm{dist}{Mp} = \left( \sum_i |h{1i} - h_{2i}|^p \right)^{1/p}$$
- Lược đồ giao (Histogram Intersection) [69]:
$$\mathrm{dist}{HI} = 1 - \sum{i=1}^N \min(h_{1i}, h_{2i})$$
- Khoảng cách dạng toàn phương (Quadratic Form) [26]:
$$\mathrm{dist}_{QF} = (h_1 - h_2)^T A (h_1 - h_2)$$
- Khoảng cách Earth Mover (EMD) [60]: Dựa trên luồng cực tiểu chuyển đổi giữa hai phân bố:
$$\mathrm{dist}{EMD} = \frac{\sum{i,j} g_{ij} d_{ij}}{\sum_{i,j} g_{ij}}$$
- Các độ đo thống kê khác: Khoảng cách Kolmogorov-Smirnov [18], thống kê Cramer/Von Mises, phân bố $\chi^2$, độ chênh lệch Kullback-Leibler, độ chênh lệch Jeffrey, bất biến trung bình trọng số (WMV) [4], và khoảng cách Bhattacharyya [15].
Phương pháp nghiên cứu thực tế của luận án là phương pháp thực nghiệm kỹ thuật và mô hình hóa định lượng. Quy trình thực nghiệm bao gồm việc trích xuất đặc trưng ngoại tuyến trên cơ sở dữ liệu ảnh, xử lý truy vấn trực tuyến, đo lường thời gian thực thi và đánh giá độ chính xác thông qua tập chỉ số Recall ($|RA| / |R|$) và Precision ($|RA| / |A|$) cùng Precision trung bình trên nhiều mức truy vấn.
| Thuật ngữ / Viết tắt |
Tên đầy đủ tiếng Anh |
Diễn giải tiếng Việt |
| VFBIR |
Visual Feature Based Image Retrieval |
Tra cứu ảnh dựa vào đặc trưng thị giác |
| GCH |
Global Color Histogram |
Lược đồ màu toàn cục |
| LCH |
Local Color Histogram |
Lược đồ màu cục bộ |
| CCH |
Color/Cell Histogram |
Lược đồ màu khối |
| CCV |
Color Coherence Vectors |
Véc tơ gắn kết màu |
| HG |
Histogram Graph |
Phương pháp đồ thị lược đồ |
| IHG |
Improving Histogram Graph |
Phương pháp cải tiến đồ thị lược đồ |
| CSI |
Color and Spatial Information |
Màu và thông tin không gian |
| CCS |
Cluster of Colors and Space |
Cụm màu và không gian |
| QT |
Quad Tree |
Cây tứ phân |
| CBC |
Color Based Cluster |
Phân cụm dựa trên màu |
| MCM |
Minimum Cost Matching |
Giá trị đối sánh cực tiểu |
| LVFIR |
Local Visual Feature-based Image Retrieval |
Hệ thống tra cứu ảnh dựa vào đặc trưng thị giác cục bộ |
Nội dung chính theo từng chương
Chương 1: Tổng quan về trích rút đặc trưng và tra cứu ảnh dựa vào đặc trưng
Chương 1 thiết lập khung lý thuyết tổng thể về kiến trúc hệ thống VFBIR gồm hai giai đoạn:
- Giai đoạn 1 (Ngoại tuyến): Xử lý tập ảnh CSDL, thực hiện lọc, chuẩn hóa, phân đoạn, trích rút các véc tơ đặc trưng nhiều chiều và lưu trữ vào CSDL đặc trưng.
- Giai đoạn 2 (Trực tuyến): Tiếp nhận ảnh truy vấn từ người dùng, trích rút véc tơ đặc trưng của ảnh truy vấn, tính toán độ tương tự với các véc tơ trong CSDL đặc trưng, phân hạng và trả về danh sách các ảnh có độ tương tự cao nhất.
Nội dung chương phân tích chi tiết các kỹ thuật trích rút đặc trưng màu sắc. Các công thức mô men màu bậc 1 (trung bình $\mu_i$), bậc 2 (phương sai $\sigma_i$), và bậc 3 (độ lệch $s_i$) được thiết lập:
$$\mu_i = \frac{1}{N} \sum_{j=1}^N f_{ij}$$
$$\sigma_i = \left( \frac{1}{N} \sum_{j=1}^N (f_{ij} - \mu_i)^2 \right)^{1/2}$$
$$s_i = \left( \frac{1}{N} \sum_{j=1}^N (f_{ij} - \mu_i)^3 \right)^{1/3}$$
Chương 1 đồng thời tổng hợp các phương pháp biểu diễn không gian (2D string, Quad Tree), phân vùng ảnh (phép toán hình thái học, entropy mờ, phân đoạn bán tự động) và các tiêu chuẩn của hàm khoảng cách (tính bất biến, tính tối thiểu, tính đối xứng, tính bắc cầu và tính bền vững). Hệ thống hóa các độ đo hiệu năng tra cứu dựa trên tập ảnh liên quan trong CSDL ($R$), tập ảnh được tra cứu ($A$), và giao của hai tập này ($RA$).
Chương 2: Phương pháp tra cứu dựa vào lược đồ màu khối
Chương 2 phân tích cơ chế của Lược đồ màu khối (CCH). Trong CCH, ảnh được chia thành $m \times m$ khối bằng nhau. Với mỗi màu $c$ ($0 < c \le C$), một lược đồ gồm $m \times m$ dải được xây dựng với giá trị dải $p(b_k) = n_k / n$. Khoảng cách giữa hai ảnh $I_1$ và $I_2$ theo CCH được tính bằng tổng khoảng cách $L_1$ chuẩn hóa:
$$D(h_{I1}[i], h_{I2}[i]) = \sum_{j=1}^{m \times m} |h_{I1}[i][j] - h_{I2}[i][j]|$$
$$D_n(h_{I1}[i], h_{I2}[i]) = \frac{D(h_{I1}[i], h_{I2}[i])}{a_{I1}[i] + a_{I2}[i]}$$
Luận án chỉ ra nhược điểm của CCH qua ví dụ thực nghiệm: Khi một ảnh $I$ bị quay $90^\circ$ thành ảnh $I'$, CCH tính toán khoảng cách theo màu đen $D_n(I, I'){\text{black}} = 0.5$ và theo màu trắng $D_n(I, I'){\text{white}} = 0.5$, dẫn đến tổng khoảng cách chuẩn hóa bằng $1.0$ (sai biệt tối đa), dù bản chất nội dung hai ảnh là đồng nhất.
Để khắc phục nhược điểm này, luận án đề xuất phương pháp HG (Histogram Graph) [42]. Thuật toán HG mô hình hóa các dải màu khối của ảnh truy vấn và ảnh CSDL thành các tập đỉnh $X$ và $Y$ trong đồ thị hai phía $G(X, Y, E, c)$ gồm $2n^2$ đỉnh cho mỗi màu $c$. Trọng số của mỗi cạnh được xác định bởi:
$$w(i, j) = |h_{I1}[c][i] - h_{I2}[c][j]|$$
Khoảng cách giữa hai ảnh theo màu $c$ được giải bằng bài toán tìm đối sánh cực tiểu $\mathrm{MCM}(G(X, Y, E, c), n)$ thông qua thuật toán Hungarian [27].
Nhằm giảm chi phí tính toán của thuật toán Hungarian trong HG, tác giả tiếp tục đề xuất phương pháp cải tiến IHG (Improving Histogram Graph) [43]. Phương pháp IHG thiết lập khái niệm sự tương tự lý tưởng giữa hai dải, giúp tối ưu hóa việc tìm kiếm đối sánh mà vẫn bảo toàn tính bất biến đối với các phép quay và dịch chuyển. Các kết quả thực nghiệm trên các tập truy vấn từ 1 đến 6 cho thấy IHG vượt trội hơn HG, CCH và LCH về cả tốc độ xử lý lẫn độ chính xác trên đường cong Recall - Precision.
Chương 3: Phương pháp tra cứu dựa vào vùng ảnh
Chương 3 giải quyết bài toán biểu diễn nội dung ảnh không phụ thuộc vào việc chia lưới cứng nhắc. Luận án phát triển hai kỹ thuật trích rút đặc trưng vùng:
- Phương pháp CSI (Color and Spatial Information) [45]: Trích rút đồng thời đặc trưng màu và thông tin tọa độ không gian từ các vùng ảnh phân đoạn, biểu diễn mối tương quan giữa các vùng để tính độ đo khoảng cách tương tự.
- Phương pháp CCS (Cluster of Colors and Space) [46]: Phân hoạch ảnh thành các cụm màu thuần nhất có kích thước và hình dạng tự nhiên khác nhau (thay vì kích thước cố định). Thuật toán trích xuất các thuộc tính màu đại diện và thông tin vị trí không gian của từng cụm, sau đó tính khoảng cách giữa hai ảnh thông qua hàm so sánh vùng DRC (Distance by Region Comparing).
Nội dung chương trình bày quy trình tính toán độ lệch phân hoạch theo dòng ($DX_{\text{selectedrow}}$) và theo cột ($DX_{\text{selectedcol}}$) trên các vùng ảnh, xác định các tham số $v_i$ và $h_j$. Các thực nghiệm đối sánh cho thấy phương pháp CSI và CCS đạt hiệu năng tra cứu cao hơn các phương pháp đối chứng gồm cây tứ phân truyền thống (QT), phân cụm dựa trên màu (CBC), véc tơ gắn kết màu (CCV) và phương pháp quan hệ không gian (SR).
Chương 4: Xây dựng ứng dụng tra cứu ảnh dựa vào nội dung
Chương 4 mô tả thiết kế và cài đặt hệ thống phần mềm thử nghiệm LVFIR (Local Visual Feature-based Image Retrieval). Kiến trúc hệ thống bao gồm hai thành phần nền tảng:
- Module tiền xử lý: Đọc dữ liệu ảnh, chuẩn hóa kích thước, lượng hóa không gian màu và tự động trích xuất các tập đặc trưng để ghi vào CSDL.
- Module tra cứu: Tiếp nhận yêu cầu truy vấn của người dùng, thực hiện so khớp đặc trưng theo các thuật toán đề xuất và hiển thị kết quả xếp hạng.
Module tra cứu được phân chia thành hai nhóm chức năng thực nghiệm:
- Module tra cứu group1: Tích hợp và so sánh các kỹ thuật dựa trên lược đồ màu khối gồm LCH, CCH, HG và IHG.
- Module tra cứu group2: Tích hợp và so sánh các kỹ thuật dựa trên vùng ảnh và cụm màu gồm QT, CBC, CCV, CSI và CCS.
| Module tra cứu |
Các phương pháp tích hợp |
Cơ chế so khớp chính |
Đặc trưng xử lý |
| Group 1 |
LCH, CCH, HG, IHG |
So khớp khối lưới $m \times m$, Đồ thị hai phía, Thuật toán Hungarian |
Lược đồ màu khối, tính bất biến quay/dịch chuyển |
| Group 2 |
QT, CBC, CCV, CSI, CCS |
Cây tứ phân, Phân cụm màu thuần nhất, Hàm khoảng cách vùng DRC |
Đặc trưng màu kết hợp thông tin không gian vùng |
Giao diện của hệ thống LVFIR cho phép người dùng trực tiếp lựa chọn phương pháp tra cứu, tải ảnh mẫu truy vấn, quan sát danh sách các ảnh tương đồng được truy xuất cùng các biểu đồ đánh giá Recall - Precision tương ứng cho từng ca thử nghiệm.
Kết quả và những đóng góp mới
Các đóng góp mới của luận án được tác giả tổng kết bao gồm:
- Đề xuất phương pháp tra cứu ảnh HG (Histogram Graph): Sử dụng cấu trúc đồ thị hai phía có trọng số để biểu diễn mối quan hệ giữa các dải của lược đồ màu khối và áp dụng thuật toán đối sánh cực tiểu Hungarian. Phương pháp này giảm thiểu không gian lưu trữ lược đồ biểu diễn ảnh và khắc phục tính nhạy cảm với các phép biến đổi quay và dịch chuyển ảnh của phương pháp CCH.
- Đề xuất phương pháp tra cứu cải tiến IHG (Improving Histogram Graph): Xây dựng cơ chế xác định độ tương tự lý tưởng giữa các dải lược đồ, giúp giảm thời gian tính toán và nâng cao độ chính xác tra cứu so với phương pháp HG gốc.
- Đề xuất phương pháp tra cứu CSI (Color and Spatial Information): Trích xuất và kết hợp đồng thời đặc trưng màu sắc cùng thông tin phân bố không gian của các vùng ảnh, nâng cao hiệu năng tra cứu so với các phương pháp chia lưới thông thường.
- Đề xuất phương pháp tra cứu CCS (Cluster of Colors and Space): Thiết lập kỹ thuật phân hoạch ảnh thành các cụm màu thuần nhất với kích thước linh hoạt, trích xuất thuộc tính màu và không gian của từng cụm phục vụ quá trình so sánh độ tương tự.
- Xây dựng hệ thống thực nghiệm LVFIR: Đã thiết kế và cài đặt hoàn chỉnh hệ thống phần mềm tra cứu ảnh dựa trên đặc trưng thị giác cục bộ, tích hợp đầy đủ các module tiền xử lý và module tra cứu (group1 và group2) để kiểm chứng thực nghiệm các phương pháp đề xuất.
Hạn chế và hướng nghiên cứu tiếp
Dựa trên các nội dung được trình bày trong luận án:
-
Hạn chế:
- Quá trình phân vùng ảnh tự động đối với các ảnh tự nhiên phức tạp mới chỉ dừng lại ở việc trích xuất các vùng hoặc cụm màu thuần nhất, chưa thể phân đoạn chính xác thành các đối tượng ngữ nghĩa hoàn chỉnh nếu không có sự can thiệp của con người.
- Độ phức tạp tính toán khi giải bài toán đối sánh đồ thị hai phía trên các cơ sở dữ liệu quy mô rất lớn vẫn là một thách thức đối với yêu cầu thời gian thực.
-
Hướng nghiên cứu tiếp:
- Nghiên cứu kết hợp đặc trưng màu sắc và thông tin không gian với các đặc trưng thị giác khác như kết cấu (texture) và hình dạng (shape).
- Khai thác các mô hình suy diễn ngữ nghĩa mức cao từ các đặc trưng mức thấp.
- Tối ưu hóa các cấu trúc chỉ mục nhiều chiều để tăng tốc độ tìm kiếm và mở rộng thử nghiệm trên các tập dữ liệu ảnh quy mô lớn hơn.
Giá trị tham khảo
Luận án cung cấp tài liệu tham khảo trong lĩnh vực Khoa học máy tính, Xử lý ảnh và Thị giác máy tính:
- Nghiên cứu sinh và học viên cao học: Có thể tham khảo phương pháp luận mô hình hóa bài toán so khớp đặc trưng ảnh thành bài toán tối ưu trên đồ thị hai phía (Chương 2), cũng như kỹ thuật biểu diễn ảnh phân cấp dựa trên cấu trúc dữ liệu cây tứ phân và phân cụm màu thuần nhất (Chương 3).
- Giảng viên và nhà nghiên cứu: Sử dụng phần tổng quan hệ thống hóa về các độ đo khoảng cách (Chương 1) và các kỹ thuật trích xuất đặc trưng màu sắc/không gian phục vụ giảng dạy các chuyên đề nâng cao về Xử lý ảnh và Truy hồi thông tin đa phương tiện.
- Kỹ sư phát triển phần mềm: Tham khảo mô hình kiến trúc hai giai đoạn của hệ thống LVFIR (Chương 4) để thiết kế các module tiền xử lý và module tra cứu trong các ứng dụng quản lý cơ sở dữ liệu ảnh số thực tế.
Câu hỏi thường gặp
1. Phương pháp lược đồ màu khối (CCH) gặp phải hạn chế cốt lõi nào khi ảnh bị biến đổi hình học?
CCH chia ảnh thành $m \times m$ khối cố định và chỉ so sánh khối ảnh của ảnh truy vấn với khối ảnh có cùng vị trí trong ảnh CSDL. Khi ảnh bị quay (ví dụ quay $90^\circ$) hoặc dịch chuyển, các khối tương ứng bị lệch vị trí, dẫn đến việc tính toán khoảng cách bị sai lệch lớn (khoảng cách chuẩn hóa đạt giá trị cực đại bằng 1 dù nội dung ảnh không đổi).
2. Thuật toán HG giải quyết bài toán so khớp dải màu bằng công cụ toán học nào?
HG mô hình hóa các dải lược đồ màu khối của hai ảnh thành các tập đỉnh của đồ thị hai phía có trọng số $G(X, Y, E, c)$. Khoảng cách giữa hai ảnh theo mỗi màu được xác định thông qua bài toán tìm đối sánh có trọng số cực tiểu (Minimum Cost Matching - MCM) sử dụng thuật toán Hungarian.
3. Sự khác biệt cơ bản giữa phương pháp CSI và phương pháp CCS trong Chương 3 là gì?
Phương pháp CSI trích rút đặc trưng màu và thông tin không gian dựa trên các vùng phân đoạn của ảnh, trong khi phương pháp CCS phân hoạch ảnh thành các cụm màu thuần nhất có kích thước và hình dạng tự nhiên khác nhau, sau đó trích xuất thông tin màu và vị trí không gian của từng cụm để so sánh độ tương tự qua hàm DRC.
4. Kiến trúc của hệ thống phần mềm thực nghiệm LVFIR được tổ chức như thế nào?
Hệ thống LVFIR gồm hai module chính: Module tiền xử lý (trích xuất đặc trưng ngoại tuyến lưu vào CSDL) và Module tra cứu. Module tra cứu được chia thành Module tra cứu group1 (kiểm thử các phương pháp LCH, CCH, HG, IHG) và Module tra cứu group2 (kiểm thử các phương pháp QT, CBC, CCV, CSI, CCS).
5. Các đại lượng mô men màu được tính toán theo các bậc nào trong luận án?
Luận án sử dụng ba mô men thống kê: Mô men bậc 1 là giá trị trung bình ($\mu_i$), mô men bậc 2 là phương sai ($\sigma_i$), và mô men bậc 3 là độ lệch ($s_i$) trên các thành phần màu của các điểm ảnh.
Kết luận
Luận án "Nghiên cứu cải tiến một số phương pháp tra cứu ảnh sử dụng đặc trưng ảnh" của tác giả Nguyễn Hữu Quỳnh đã tập trung giải quyết bài toán nâng cao hiệu năng tra cứu ảnh dựa trên đặc trưng thị giác cục bộ. Bằng việc đề xuất các phương pháp HG, IHG dựa trên đồ thị hai phía và các phương pháp CSI, CCS dựa trên phân vùng cụm màu thuần nhất, công trình đã giảm dung lượng lưu trữ đặc trưng và xử lý được các biến đổi quay, dịch chuyển ảnh. Kết quả nghiên cứu đã được hiện thực hóa qua hệ thống phần mềm LVFIR và được đánh giá định lượng qua các tập truy vấn thực nghiệm.
