Tổng quan nghiên cứu

Trong kỷ nguyên số hóa, sự bùng nổ dữ liệu đa phương tiện với hàng tỷ hình ảnh được chia sẻ mỗi ngày trên không gian mạng và các thư viện số đã tạo ra thách thức lớn cho việc lưu trữ, quản lý và truy xuất thông tin. Phương pháp tra cứu ảnh truyền thống dựa trên văn bản bộc lộ nhiều điểm hạn chế do phụ thuộc vào quá trình gán nhãn thủ công tốn kém nhân lực và mang tính chủ quan. Nhằm khắc phục hạn chế này, hệ thống tra cứu ảnh dựa trên nội dung (CBIR) đã ra đời, nhưng vẫn phải đối mặt với thách thức cốt lõi là khoảng cách ngữ nghĩa giữa các đặc trưng trực quan mức thấp (màu sắc, kết cấu, hình dạng) và khái niệm nhận thức mức cao của con người, khiến độ chính xác tra cứu ban đầu thường chỉ dao động từ khoảng 50% đến 60%.

Đề tài "Nghiên cứu phương pháp tra cứu ảnh dựa trên phương pháp phân cụm đồ thị" do học viên Trần Thị Hường thực hiện dưới sự hướng dẫn khoa học của PGS. Ngô Quốc Tạo tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên (năm 2020) đã tập trung giải quyết triệt để bài toán này. Mục tiêu nghiên cứu là xây dựng và hoàn thiện thuật toán tra cứu ảnh hiệu quả kết hợp phân cụm đồ thị quang phổ trong cơ chế phản hồi liên quan (SCRF). Nghiên cứu được triển khai thử nghiệm trên cơ sở dữ liệu chuẩn Wang gồm 1.000 ảnh thuộc 10 danh mục chủ đề phong phú. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn khi giúp nâng cao độ chính xác tìm kiếm ảnh lên trên 83% sau các vòng lặp phản hồi, mở ra tiềm năng ứng dụng sâu rộng trong các hệ thống chẩn đoán y tế, quản lý an ninh, bảo tồn di sản văn hóa và thương mại điện tử.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên nền tảng lý thuyết tra cứu ảnh dựa trên nội dung (CBIR), lý thuyết đồ thị quang phổ (Spectral Graph Theory) và mô hình học máy tương tác có giám sát thông qua phản hồi liên quan (Relevance Feedback - RF). Hệ thống mô hình hóa tập dữ liệu ảnh dưới dạng một đồ thị vô hướng có trọng số $G = (V, E, W)$, trong đó mỗi đỉnh $v_i \in V$ đại diện cho một vector đặc trưng ảnh và trọng số cạnh $w_{ij}$ phản ánh mức độ tương đồng giữa cặp ảnh $s_i$ và $s_j$ qua ma trận liên kết tương đồng (Affinity Matrix).

Khung lý thuyết tập trung khai thác các khái niệm cốt lõi:

  • Khoảng cách ngữ nghĩa (Semantic Gap): Sự sai lệch giữa khả năng biểu diễn của vector đặc trưng toán học và ý định tìm kiếm thực tế của người dùng theo 3 cấp độ truy vấn của Eakins.
  • Ma trận Laplacian đồ thị: Công cụ đại số tuyến tính then chốt, bao gồm ma trận Laplacian phi chuẩn $L = D - W$ và Laplacian chuẩn hóa $L_{sym} = D^{-1/2} W D^{-1/2}$, cho phép ánh xạ không gian dữ liệu gốc $N$ chiều phức tạp về không gian con $k$ chiều tối ưu.
  • Truy vấn đa điểm (Multi-point Query): Kỹ thuật biểu diễn không gian tìm kiếm bằng nhiều tâm đại diện cụm ngữ nghĩa thay vì chỉ sử dụng một điểm truy vấn đơn lẻ truyền thống, giúp bao quát các nhóm ảnh liên quan nằm rải rác.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm chuẩn quốc tế là tập dữ liệu ảnh Wang gồm 1.000 ảnh màu phân bổ đều trong 10 lớp đối tượng (mỗi lớp 100 ảnh, bao gồm: người Châu Phi, bãi biển, công trình kiến trúc, xe bus, khủng long, voi, hoa, ngựa, núi tuyết và ẩm thực). Cỡ mẫu 1.000 ảnh được lựa chọn có chủ đích nhằm đảm bảo tính đa dạng về góc chụp, ánh sáng và màu sắc, đóng vai trò chuẩn mực để so chuẩn hiệu năng giữa các thuật toán CBIR quốc tế.

Quy trình trích chọn đặc trưng đa diện bao gồm:

  1. Đặc trưng màu sắc: Sử dụng lược đồ màu toàn cục và vector liên kết màu (CCV) phân tách 2 nhóm điểm ảnh liên kết và không liên kết với ngưỡng kích thước khoảng 1% diện tích ảnh.
  2. Đặc trưng kết cấu: Áp dụng biến đổi Wavelet Daubechies-4 phân rã ảnh thành 4 dải tần số (LL, HL, LH, HH) để trích xuất 3 thành phần năng lượng đặc trưng cho từng vùng cục bộ.
  3. Đặc trưng hình dạng: Ứng dụng lược đồ hệ số góc 73 chiều (gồm 72 bin biểu diễn hướng biên từ 0 đến 355 độ, mỗi bin cách nhau 5 độ và 1 bin dành cho các điểm không thuộc biên).

Phương pháp phân tích dựa trên thuật toán phân cụm sử dụng $k$ vector riêng (CRISE). Thuật toán tính toán ma trận Laplace chuẩn hóa, trích xuất $k$ vector riêng ứng với các giá trị riêng lớn nhất để tạo ma trận không gian mới, sau đó chạy phân cụm K-Means nhằm gom nhóm các mẫu phản hồi thành 4 đến 6 cụm ngữ nghĩa. Toàn bộ chu trình thực nghiệm được triển khai và chuẩn hóa trong giai đoạn nghiên cứu 2019-2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh trên cơ sở dữ liệu Wang đã mang lại những phát hiện có ý nghĩa học thuật và ứng dụng quan trọng:

  1. Sức mạnh của trích chọn đa đặc trưng: Việc kết hợp đồng thời đặc trưng màu sắc CCV, kết cấu Wavelet và lược đồ hệ số góc 73 chiều giúp độ chính xác tra cứu ban đầu tăng khoảng 14,2% đến 18,5% so với việc chỉ sử dụng đơn lẻ một đặc trưng lược đồ màu thông thường.
  2. Sự bứt phá hiệu năng qua các vòng lặp phản hồi: Khi áp dụng thuật toán phân cụm quang phổ SCRF, độ chính xác trung bình (Precision) của hệ thống tăng trưởng liên tục. Ở cấu hình trả về top 20 ảnh, độ chính xác từ mức 58,4% khi chưa có phản hồi liên quan đã tăng vọt lên 72,1% ở lần phản hồi thứ nhất, đạt 78,3% ở lần thứ hai và chạm mốc 83,6% ở lần phản hồi thứ tư (mức tăng trưởng tuyệt đối đạt trên 25,2%).
  3. Tác động của số lượng cụm phân hoạch: Phân chia tập ảnh phản hồi thành $K = 6$ cụm giúp bao quát không gian ngữ nghĩa tốt hơn so với $K = 4$ cụm đối với các lớp ảnh có độ phức tạp cao như phong cảnh biển hay kiến trúc, nâng tỷ lệ ảnh chính xác ở top 10 đạt mức xấp xỉ 87,0%.

Thảo luận kết quả

Nguyên nhân chính giúp phương pháp SCRF đạt hiệu năng vượt trội là do thuật toán phân cụm quang phổ có khả năng nhận diện các cấu trúc cụm phi tuyến tính và phân bố phức tạp trên đa tạp dữ liệu. Trong thực tế, các hình ảnh cùng mang một ý nghĩa ngữ nghĩa thường không tập trung tại một khối cầu duy nhất trong không gian đặc trưng mà nằm rải rác ở nhiều vùng khác nhau. Các phương pháp phản hồi liên quan truyền thống khi dịch chuyển một tâm truy vấn duy nhất thường làm mất đi tính đa dạng này và dễ rơi vào cực trị địa phương. Thuật toán CRISE đã giải quyết trọn vẹn điểm nghẽn này bằng cách tìm ra các đại diện tối ưu cho từng cụm ngữ nghĩa riêng biệt để thực hiện truy vấn đa điểm song song.

So sánh với các phương pháp phân loại thống kê như Máy học vector hỗ trợ (SVM) hay mạng nơ-ron truyền thống, phương pháp phân cụm đồ thị quang phổ trong SCRF không đòi hỏi tập dữ liệu huấn luyện mẫu âm/dương quá lớn mà vẫn tối ưu hóa được lát cắt chuẩn (Normalized Cut). Dữ liệu thực nghiệm có thể được tổng hợp trực quan qua bảng so sánh độ chính xác theo các mức ảnh trả về từ top 10 đến top 50, kết hợp biểu đồ đường thể hiện quỹ đạo hội tụ của độ chính xác qua 4 chu kỳ phản hồi, trong đó độ dốc tăng trưởng mạnh nhất tập trung ở 2 vòng phản hồi đầu tiên.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nâng cao khả năng ứng dụng thực tế của mô hình tra cứu ảnh dựa trên phân cụm đồ thị, luận văn đề xuất 4 nhóm giải pháp trọng tâm:

  1. Tích hợp giải thuật giảm chiều dữ liệu tự động: Áp dụng phương pháp phân tích thành phần chính (PCA) hoặc biến đổi Karhunen-Loeve (KL) để nén không gian vector đặc trưng đa chiều, hướng tới mục tiêu giảm thời gian tính toán ma trận tương đồng đồ thị xuống dưới 50 mili-giây cho mỗi truy vấn, hoàn thành triển khai trong vòng 3 tháng bởi nhóm kỹ thuật xử lý dữ liệu.
  2. Tối ưu hóa hàm khoảng cách tương đồng thích nghi: Xây dựng cơ chế tự động điều chỉnh trọng số cho từng thành phần đặc trưng (màu sắc, kết cấu Wavelet, biên cạnh) dựa trên phản hồi của người dùng, đặt mục tiêu nâng độ chính xác trung bình toàn hệ thống đạt trên 88,5% trên các bộ dữ liệu quy mô lớn, thực hiện trong khung thời gian 6 tháng bởi các chuyên gia thị giác máy tính.
  3. Mở rộng phạm vi thử nghiệm sang cơ sở dữ liệu chuyên ngành: Đưa mô hình SCRF vào thử nghiệm trên kho dữ liệu ảnh y tế (như ảnh chụp X-quang, cắt lớp vi tính CT) với quy mô từ 5.000 đến 10.000 ảnh để hỗ trợ phát hiện sớm bệnh lý, lộ trình triển khai 9 tháng với sự phối hợp của các cơ sở y tế chuyên khoa.
  4. Chuẩn hóa giao diện tương tác người - máy trực quan: Thiết kế lại giao diện truy vấn cho phép người dùng khoanh vùng đối tượng quan tâm và chấm điểm mức độ liên quan theo thang điểm linh hoạt, duy trì độ trễ phản hồi dưới 1 giây, thực hiện bởi bộ phận phát triển phần mềm trong thời hạn 12 tháng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và thực tiễn cao, đặc biệt hữu ích cho 4 nhóm đối tượng sau:

  • Học viên cao học và nghiên cứu sinh ngành Khoa học máy tính, Công nghệ thông tin: Nắm vững phương pháp luận xây dựng mô hình đồ thị toán học, kỹ thuật phân cụm quang phổ và thuật toán CRISE để ứng dụng vào các đề tài nghiên cứu chuyên sâu về học máy và xử lý đa phương tiện.
  • Kỹ sư thị giác máy tính và phát triển phần mềm AI: Khai thác kiến trúc hệ thống CBIR hoàn chỉnh, quy trình trích chọn đặc trưng Wavelet và lược đồ hệ số góc 73 chiều nhằm phát triển các công cụ tìm kiếm hình ảnh thương mại hoặc hệ thống gợi ý sản phẩm trực quan.
  • Chuyên viên quản trị dữ liệu số tại viện nghiên cứu, bảo tàng và thư viện: Tiếp cận giải pháp phân loại, đánh chỉ mục và truy xuất tự động hàng chục nghìn tư liệu ảnh, hiện vật số hóa mà không cần tốn chi phí gán nhãn thủ công từng mục.
  • Chuyên gia chẩn đoán hình ảnh và kỹ sư tin học y tế: Vận dụng cơ chế tìm kiếm ảnh tương đồng đa điểm để xây dựng hệ thống hỗ trợ tra cứu bệnh án hình ảnh tương tự trong quá khứ, nâng cao độ chính xác trong hội chẩn lâm sàng.

Câu hỏi thường gặp

Thuật toán phân cụm quang phổ có ưu thế gì vượt trội so với K-Means truyền thống trong tra cứu ảnh?
Phân cụm quang phổ biến đổi không gian dữ liệu thông qua ma trận Laplacian, giúp phát hiện chính xác các cụm dữ liệu có hình dạng hình học phức tạp, phi tuyến tính và đan xen nhau. Trong khi đó, K-Means truyền thống chỉ hoạt động tốt trên các cụm dạng cầu lồi hình học đơn giản trong không gian Euclid.

Khoảng cách ngữ nghĩa trong hệ thống CBIR được thu hẹp như thế nào?
Khoảng cách ngữ nghĩa được thu hẹp nhờ cơ chế phản hồi liên quan kết hợp phân cụm đồ thị. Khi người dùng đánh dấu các ảnh phù hợp, thuật toán SCRF sẽ tự động gom cụm các mẫu này để xác định nhiều tâm đại diện ngữ nghĩa mới, giúp hệ thống học chính xác ý định tìm kiếm thực tế của con người.

Tại sao luận văn sử dụng lược đồ hệ số góc 73 chiều để mô tả hình dạng?
Lược đồ 73 chiều chia không gian góc biên thành 72 khoảng đều nhau (mỗi khoảng 5 độ từ 0 đến 355 độ) và 1 chiều cho điểm không thuộc biên. Cấu trúc này giúp biểu diễn chi tiết các đường bao đối tượng với độ bất biến cao đối với phép quay, dịch chuyển và co giãn ảnh.

Số lần lặp phản hồi liên quan bao nhiêu là tối ưu nhất cho người sử dụng?
Kết quả thực nghiệm trên tập ảnh Wang cho thấy từ 3 đến 4 lần lặp phản hồi là tối ưu nhất. Ở ngưỡng này, độ chính xác tra cứu đạt đỉnh trên 83% trong khi vẫn đảm bảo trải nghiệm tương tác của người dùng không bị gián đoạn hay quá tải do thao tác lặp lại nhiều lần.

Mô hình có thể mở rộng cho kho dữ liệu hàng trăm nghìn ảnh được không?
Mô hình hoàn toàn có thể mở rộng khi kết hợp các kỹ thuật giảm chiều dữ liệu như PCA và cấu trúc đánh chỉ số cây phân cấp (như KD-Tree hay R-Tree). Các giải pháp này giúp duy trì tốc độ phân cụm và thời gian phản hồi ở mức dưới 100 mili-giây ngay cả trên tập dữ liệu lớn.

Kết luận

  • Hệ thống hóa toàn diện cơ sở lý thuyết về hệ thống tra cứu ảnh dựa trên nội dung (CBIR), khoảng cách ngữ nghĩa và kỹ thuật phản hồi liên quan.
  • Đề xuất và ứng dụng thành công phương pháp phân cụm đồ thị quang phổ kết hợp thuật toán CRISE để giải quyết bài toán truy vấn ảnh đa điểm.
  • Tối ưu hóa quy trình trích chọn đa đặc trưng kết hợp giữa màu sắc CCV, kết cấu Wavelet Daubechies-4 và lược đồ hệ số góc 73 chiều.
  • Chứng minh tính ưu việt qua thực nghiệm trên tập ảnh Wang 1.000 ảnh với độ chính xác tăng trưởng vượt bậc từ 58,4% lên 83,6% sau 4 vòng lặp phản hồi.
  • Đóng góp giải pháp khoa học vững chắc giúp nâng cao hiệu năng tìm kiếm trực quan cho các hệ thống thông tin đa phương tiện hiện đại.

Kế hoạch phát triển tiếp theo tập trung vào việc tích hợp mạng nơ-ron tích chập (CNN) sâu để tự động trích xuất đặc trưng ngữ nghĩa mức cao trong vòng 12 đến 24 tháng tới. Hãy áp dụng ngay các nguyên lý phân cụm đồ thị quang phổ và phản hồi liên quan từ công trình này để tối ưu hóa hiệu suất cho hệ thống lưu trữ và tìm kiếm dữ liệu đa phương tiện của bạn.