Luận văn thạc sĩ hay nghiên cứu phương pháp tra cứu ảnh sử dụng phân cụm gia tăng với phản hồi liên quan

Luận văn thạc sĩ nghiên cứu phương pháp tra cứu ảnh sử dụng phân cụm gia tăng với phản hồi liên quan, mang lại giải pháp hiệu quả cho tìm kiếm hình ảnh.

• Tác giả: Nguyễn Văn Toàn
• Người hướng dẫn: PGS.TS Nguyễn Hữu Quỳnh
• Trường học: Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu phương pháp tra cứu ảnh sử dụng phân cụm gia tăng với phản hồi liên quan
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ TRA CỨU ẢNH DỰA VÀO NỘI DUNG VỚI PHẢN HỒI LIÊN QUAN
• 1.1. Tổng quan về tra cứu ảnh dựa vào nội dung
• 1.2. Vấn đề tra cứu ảnh dựa vào nội dung
• 1.3. Tra cứu ảnh sử dụng phản hồi liên quan
• 1.4. Vấn đề phân cụm
• 1.5. Thuật toán K-Means. Phân cụm phân cấp
• 1.6. Phân cụm dựa vào mật độ
• 1.7. Phân cụm dựa vào mô hình
• 1.8. Phân cụm dựa vào đồ thị
• 1.9. Tiểu kết chương 1
• 2. CHƯƠNG 2: PHƯƠNG PHÁP TRA CỨU ẢNH VỚI PHẢN HỒI LIÊN QUAN SỬ DỤNG PHÂN CỤM GIA TĂNG
• 2.1. Tra cứu ảnh với ngữ nghĩa mức cao
• 2.2. Giới thiệu về tra cứu ảnh với ngữ nghĩa mức cao. Khoảng cách ngữ nghĩa. Phản hồi liên quan
• 2.3. Tra cứu ảnh với phản hồi liên quan
• 2.4. Kỹ thuật phân tích phân biệt tuyến tính (LDA-Linear Discriminant Analysis)
• 2.5. Định nghĩa về LDA
• 2.6. Tính toán phương sai between-class (𝑺𝑩)
• 2.7. Tính phương sai within-class (𝑺𝒘)
• 2.8. Xây dựng không gian thấp chiều
• 2.9. Sơ đồ phương pháp tra cứu ảnh sử dụng phân cụm gia tăng trong phản hồi liên quan
• 2.10. Tiểu kết chương 2
• 3. CHƯƠNG 3: CHƯƠNG TRÌNH THỬ NGHIỆM
• 3.1. Giới thiệu bài toán tra cứu ảnh dựa vào nội dung
• 3.2. Môi trường thực nghiệm. Cơ sở dữ liệu ảnh. Vec-tơ đặc trưng. Tập tin cậy nền
• 3.3. Cấu hình đề xuất thiết bị chạy thực nghiệm
• 3.4. Đánh giá kết quả thực nghiệm. Chiến lược mô phỏng phản hồi liên quan. Kết quả đánh giá. Giao diện hệ thống
• 3.5. Tiểu kết chương 3
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu phương pháp tra cứu ảnh hiệu quả

Nghiên cứu phương pháp tra cứu ảnh hiệu quả với phân cụm gia tăng là một lĩnh vực đang thu hút sự chú ý trong công nghệ thông tin. Phương pháp này không chỉ giúp cải thiện độ chính xác trong việc tìm kiếm hình ảnh mà còn tối ưu hóa thời gian xử lý. Việc áp dụng các thuật toán phân cụm gia tăng cho phép hệ thống học hỏi từ phản hồi của người dùng, từ đó nâng cao khả năng đáp ứng nhu cầu thông tin.

1.1. Khái niệm về tra cứu ảnh và phân cụm

Tra cứu ảnh dựa vào nội dung (CBIR) là một kỹ thuật cho phép tìm kiếm hình ảnh dựa trên nội dung trực quan. Phân cụm là quá trình nhóm các đối tượng tương tự nhau, giúp cải thiện hiệu quả tra cứu ảnh.

1.2. Tầm quan trọng của phản hồi liên quan trong tra cứu ảnh

Phản hồi liên quan là một yếu tố quan trọng trong việc cải thiện độ chính xác của hệ thống tra cứu ảnh. Nó cho phép hệ thống học hỏi từ các lựa chọn của người dùng, từ đó điều chỉnh kết quả tìm kiếm.

II. Vấn đề và thách thức trong tra cứu ảnh dựa vào nội dung

Mặc dù có nhiều tiến bộ trong công nghệ tra cứu ảnh, nhưng vẫn tồn tại nhiều thách thức. Đặc biệt, khoảng cách ngữ nghĩa giữa các đặc trưng ảnh và nội dung thực tế của chúng vẫn là một vấn đề lớn. Việc xác định độ tương tự giữa các ảnh dựa trên các đặc trưng như màu sắc, hình dạng và kết cấu vẫn gặp khó khăn.

2.1. Khoảng cách ngữ nghĩa trong tra cứu ảnh

Khoảng cách ngữ nghĩa phản ánh sự khác biệt giữa các đặc trưng trực quan và nội dung thực tế của ảnh. Điều này gây khó khăn trong việc xác định độ tương tự chính xác giữa các ảnh.

2.2. Thách thức trong việc tối ưu hóa thuật toán tra cứu

Các thuật toán hiện tại thường gặp khó khăn trong việc xử lý lượng dữ liệu lớn và yêu cầu thời gian phản hồi nhanh. Việc tối ưu hóa thuật toán là cần thiết để cải thiện hiệu suất của hệ thống.

III. Phương pháp tra cứu ảnh hiệu quả với phân cụm gia tăng

Phương pháp tra cứu ảnh hiệu quả với phân cụm gia tăng kết hợp giữa phản hồi liên quan và phân cụm để cải thiện độ chính xác. Bằng cách sử dụng các thuật toán như K-Means và phân cụm dựa vào mật độ, hệ thống có thể học hỏi từ dữ liệu mới mà không cần phải phân cụm lại toàn bộ cơ sở dữ liệu.

3.1. Thuật toán K Means trong phân cụm ảnh

K-Means là một trong những thuật toán phân cụm phổ biến nhất, giúp nhóm các ảnh tương tự lại với nhau. Thuật toán này hoạt động bằng cách phân chia dữ liệu thành K cụm dựa trên khoảng cách giữa các điểm dữ liệu.

3.2. Phân cụm dựa vào mật độ và ứng dụng của nó

Phân cụm dựa vào mật độ là một phương pháp hiệu quả để phát hiện các cụm có hình dạng phức tạp. Phương pháp này giúp cải thiện khả năng tìm kiếm ảnh trong các cơ sở dữ liệu lớn.

IV. Ứng dụng thực tiễn của phương pháp tra cứu ảnh

Phương pháp tra cứu ảnh sử dụng phân cụm gia tăng đã được áp dụng trong nhiều lĩnh vực như y tế, an ninh và giải trí. Các hệ thống tra cứu ảnh hiện đại sử dụng công nghệ này để cải thiện độ chính xác và tốc độ tìm kiếm.

4.1. Ứng dụng trong lĩnh vực y tế

Trong y tế, phương pháp này giúp bác sĩ tìm kiếm hình ảnh y khoa một cách nhanh chóng và chính xác, từ đó hỗ trợ trong việc chẩn đoán và điều trị.

4.2. Ứng dụng trong an ninh

Trong lĩnh vực an ninh, việc tra cứu ảnh giúp nhận diện và theo dõi các đối tượng nghi ngờ, từ đó nâng cao hiệu quả bảo vệ an ninh công cộng.

V. Kết luận và tương lai của nghiên cứu phương pháp tra cứu ảnh

Nghiên cứu phương pháp tra cứu ảnh sử dụng phân cụm gia tăng với phản hồi liên quan mở ra nhiều cơ hội mới trong lĩnh vực công nghệ thông tin. Tương lai của phương pháp này hứa hẹn sẽ mang lại những cải tiến đáng kể trong việc tìm kiếm và xử lý hình ảnh.

5.1. Triển vọng phát triển công nghệ tra cứu ảnh

Công nghệ tra cứu ảnh sẽ tiếp tục phát triển với sự hỗ trợ của trí tuệ nhân tạo và học máy, giúp cải thiện độ chính xác và tốc độ tìm kiếm.

5.2. Hướng nghiên cứu tiếp theo trong lĩnh vực này

Các nghiên cứu tiếp theo có thể tập trung vào việc tối ưu hóa thuật toán và phát triển các phương pháp mới để giảm thiểu khoảng cách ngữ nghĩa trong tra cứu ảnh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ TRA CỨU ẢNH DỰA VÀO NỘI DUNG VỚI PHẢN HỒI LIÊN QUAN 1. Tổng quan về tra cứu ảnh dựa vào nội dung 1. Vấn đề tra cứu ảnh dựa vào nội dung Tra cứu ảnh dựa vào nội dung là việc áp dụng kỹ thuật thị giác máy tính vào vấn đề tìm kiếm hình ảnh, tức là vấn đề tìm kiếm hình ảnh kỹ thuật số trong các cơ sở dữ liệu (lớn). Tra cứu ảnh dựa vào nội dung sử dụng những nội dung thị giác như màu sắc, hình dạng, kết cấu, không gian để biểu diễn ảnh.

Các nội dung thị giác của ảnh được trích rút và mô tả bằng các véc tơ đặc trưng đa chiều có dạng véc tơ đặc trưng của cơ sở dữ liệu. Khởi đầu cho việc tra cứu ảnh, người dùng cung cấp một ảnh mẫu cho hệ thống tra cứu. Hệ thống này sẽ chuyển đổi những ảnh mẫu này thành các véc tơ đặc trưng và so sánh với khoảng cách/độ tương tự của các véc tơ đặc trưng của những ảnh trong cơ sở dữ liệu để tính toán và đưa ra kết quả là bức ảnh có độ tương tự cao nhất. Hệ thống tra cứu ảnh dựa vào nội dung 1.

Các chức năng của hệ thống tra cứu ảnh dựa vào nội dung Một hệ thống tra cứu ảnh dựa vào nội dung (CBIR – Content Based Image Retrieval) có các chức năng chính như sau: 1) Trích rút đặc trưng và biểu diễn các nội dung của các nguồn được phân tích theo cách thích hợp cho so sánh các truy vấn sử dụng (không gian của nguồn thông tin được biến đổi thành không gian đặc trưng cho mục tiêu so sánh nhanh trong bước tiếp theo). Bước này thông thường cần rất nhiều thời gian do nó phải xử lý lần lượt tất cả thông tin nguồn (các ảnh) trong cơ sở dữ liệu. Tuy nhiên, bước này được thực hiện chỉ một lần và có thể được thực hiện ngoại tuyến. 2) Phân tích truy vấn của người sử dụng và biểu diễn chúng dưới dạng thích hợp để đối sánh với cơ sở dữ liệu nguồn.

Bước này là tương tự với bước trước, nhưng chỉ áp dụng với ảnh cần truy vấn. 3) Thực hiện so sánh các truy vấn tìm kiếm với thông tin có trong cơ sở dữ liệu được lưu trữ để tra cứu thông tin liên quan theo một cách hiệu quả. Bước này 4 LUAN VAN CHAT LUONG download : add [e-mail] được thực hiện trực tuyến và yêu cầu là phải đáp ứng rất nhanh. Các kỹ thuật đánh chỉ số hiện đại có thể được sử dụng để tổ chức lại không gian đặc trưng nhằm tăng tốc quá trình đối sánh.

4) Thực hiện các điều chỉnh cần thiết trong hệ thống (thường là điều chỉnh các tham số trong máy đối sánh) dựa trên phản hồi từ người sử dụng và/hoặc các ảnh được tra cứu. Một số hệ thống CBIR tiêu biểu Thực hiện ngoại tuyến Cơ sở dữ Cơ sở dữ liệu liệu ảnh đặc trưng Trích rút đặc trưng Đánh chỉ số So sánh độ tương tự Người dùng Tạo Véc tơ Các kết quả Đầu ra truy vấn đặc trưng tra cứu Phản hồi liên quan Hình 1. Kiến trúc tổng quan của hệ thống tra cứu ảnh dựa vào nội dung. Một hệ thống CBIR sẽ thực hiện truy vấn ảnh dựa trên việc tự động rút trích các thông tin đặc trưng hình ảnh như: màu sắc, kết cấu, hình dạng, vị trí.

Các nhà nghiên cứu đã đưa ra nhiều phương pháp với những cách tiếp cận khác nhau; do đó rất nhiều hệ thống truy vấn ảnh dựa trên nội dung đã ra đời như: QBIC, BlobWorld, VisualSEEk, MARS, Photobook, Virage, Netra, SIMPLIcity, NEC PicHunter… Dưới đây xin điểm qua một số hệ thống CBIR tiêu biểu. 5 LUAN VAN CHAT LUONG download : add [e-mail] 1) Hệ thống QBIC Hệ thống truy vấn ảnh theo nội dung QBIC (Query By Image Content) được nghiên cứu và phát triển bởi nhóm nghiên cứu Visual Media Management thuộc công ty IBM, là hệ thống tra cứu ảnh thương mại được phát triển từ rất sớm. Người dùng xây dựng một phác thảo, vẽ ra và lựa chọn màu cùng kết cấu dựa theo ảnh truy vấn. Hệ thống này hỗ trợ một vài độ đo tương tự cho ảnh như: trung bình màu sắc, lược đồ màu sắc và kết cấu.

Công nghệ sử dụng trong hệ thống bao gồm đánh chỉ số và tìm kiếm. Hiện nay hệ thống này còn cung cấp vài cách tiếp cận truy vấn theo đơn đặc trưng, đa đặc trưng và đa giai đoạn. 2) Hệ thống Blobwold Hệ thống Blobwold do khoa Khoa học máy tính, Đại học California, Berkeley nghiên cứu và phát triển. Các đặc tính được sử dụng cho truy vấn là màu sắc, kết cấu, vị trí và hình dạng của vùng và nền.

Màu sắc được mô tả bởi biểu đồ 218 bin màu kết hợp trong không gian Lab. Kết cấu được thể hiện bằng sự tương phản và không đẳng hướng trên vùng như không gian 2D (độ tương phản, độ tương phản x tính không đẳng hướng). Hình dạng được thể hiện bằng (xấp xỉ) vùng, độ lệch tâm và định hướng. 3) Hệ thống VisualSEEk Hệ thống VisualSEEk được xây dựng bởi Trung tâm nghiên cứu viễn thông thuộc trường đại học Columbia, New York.

Đây là hệ thống truy vấn dựa vào các đặc trưng trực quan của ảnh, sử dụng không gian 166 màu HSV. Sự tương đồng giữa hai ảnh được xác định theo sự tương đồng của các vùng trong ảnh. Hệ thống cho phép người dùng nhập vào truy vấn, sử dụng các đặc trưng mức thấp của hình ảnh như: màu sắc, bố cục không gian và kết cấu. Các đặc trưng đó được mô tả theo màu sắc và biến đổi Wavelet dựa trên đặc trưng kết cấu.

4) Hệ thống Netra Hệ thống Netra sử dụng các đặc trưng của ảnh: màu sắc, hình dạng, kết cấu, vị trí không gian trong các vùng ảnh được phân đoạn để tìm kiếm và tra cứu các 6 LUAN VAN CHAT LUONG download : add [e-mail] vùng tương tự từ cơ sở dữ liệu. Các đặc trưng nghiên cứu chính của hệ thống Netra là phân tích kết cấu dựa trên lọc Gabor, xây dựng từ điển ảnh dựa trên mạng neural và phân đoạn vùng dựa vào luồng biên. Trích rút đặc trưng Trích rút đặc trưng ảnh mức thấp là cơ sở của các hệ thống CBIR. Trích rút đặc trưng bao gồm trích rút thông tin có nghĩa của ảnh, làm giảm dung lượng lưu trữ, do đó hệ thống sẽ nhanh và hiệu quả hơn trong CBIR.

Đặc trưng màu sắc Đặc trưng màu sắc được sử dụng rộng rãi nhất trong tra cứu ảnh. Một vài phương pháp tra cứu ảnh dựa trên cơ sở sự tương tự về màu sắc đã được mô tả trong các tài liệu nhưng các ý tưởng cơ bản là giống nhau. Mỗi hình ảnh được thêm vào bộ sưu tập được phân tích và tính toán biểu đồ màu để thấy tỷ lệ điểm ảnh của mỗi màu trong một ảnh. Biểu đồ màu của mỗi ảnh sau đó được lưu trữ trong cơ sở dữ liệu để khi tìm kiếm, người dùng có thể xác định tỷ lệ mong muốn của mỗi màu hoặc gửi một ảnh mẫu mà đã được tính toán biểu đồ màu.

Dù bằng cách nào đi chăng nữa thì quá trình tra cứu sau đó là lấy ra những bức ảnh mà có biểu đồ màu tương ứng gần nhất với ảnh truy vấn. 1) Không gian màu - Không gian màu RGB (Red – Green – Blue) Không gian màu RGB được sử dụng nhiều nhất cho đồ họa máy tính, mô tả màu sắc bằng 3 thành phần chính là R (Red) – G (Green) và B (Blue). Không gian này được xem như một khối lập phương 3 chiều với màu Red là trục x, màu Green là trục y, và màu Blue là trục z. Mỗi màu trong không gian này được xác định bởi 3 thành phần R, G, B.

Ứng với các tổ hợp khác nhau của 3 màu này sẽ cho ta một màu mới. Không gian màu RGB được sử dụng rộng rãi trong việc biểu diễn ảnh, gồm 3 thành phần màu là đỏ, xanh lục, xanh lam. Chúng được gọi là bộ cộng sơ cấp vì một màu khác trong không gian RGB được tạo ra bằng cách thêm chúng. 7 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.

Không gian màu RGB. - Không gian màu CIE Không gian màu CIE L*a*b và CIE L*u*v là không gian độc lập và được xem như đồng bộ. Chúng chứa độ sáng hoặc thành phần nhẹ sáng (L) và hai thành phần màu a và b hoặc u và v. Có thể chuyển từ không gian màu RGB thành không gian CIEL*a*b và CIE L*u*v.

- Không gian màu HSV Không gian màu HSV (HSL hoặc HSB) được sử dụng rộng rãi trong đồ họa máy tính và miêu tả màu một cách trực quan hơn. Ba thành phần màu có màu sắc, độ bão hòa (nhẹ sáng) và giá trị (độ sáng). Không gian RGB cũng có thể được chuyển thành không gian HSV bằng công thức đơn giản. Không gian màu thành phần sử dụng trục màu thành phần (R-G, 2B-R-G, R+G+B).

Cách thể hiện này có lợi thế trong việc cô lập thông tin về độ sáng ở trục thứ ba. Hai trục màu đầu tiên bất biến với sự thay đổi cường độ sáng và tối, có thể giảm việc lấy mẫu khi con người nhạy cảm với độ sáng hơn. 8 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Không gian màu HSV.

2) Lược đồ màu Lược đồ màu được xác định bằng một tập các bin, trong đó mỗi bin biểu thị xác suất của các pixel trong ảnh. Một lược đồ màu H của một ảnh đã cho được xác định bởi véc tơ: H={H[0], H[1], H[2],. H[N]} Ở đây i biểu diễn một màu trong lược đồ màu và tương ứng với một khối con trong không gian màu RGB, H[i] là số các pixel có màu i trong ảnh và N là số các bin trong lược đồ màu. Đặc trưng kết cấu Kết cấu là một mô tả vùng trợ giúp tốt trong quá trình tra cứu.

Kết cấu không có khả năng tìm ra các ảnh tương tự, nhưng nó có thể được sử dụng để phân lớp các ảnh kết cấu từ các ảnh không kết cấu và sau đó được kết hợp với các thuộc tính đặc trưng khác như màu để làm cho tra cứu hiệu quả hơn. Kết cấu là một thuộc tính quan trọng khác của ảnh. Những kết cấu đa dạng đã được xem xét trong các mẫu nhận dạng và tầm nhìn máy tính. Phương pháp đại diện cấu trúc được phân thành hai loại: cấu trúc và thống kê.

Phương pháp cấu trúc gồm có hoạt động 9 LUAN VAN CHAT LUONG download : add [e-mail] hình thái và đồ thị kề. Phương pháp thống kê gồm: quang phổ Fourier, ma trận đồng xuất hiện, phân tích bộ phận chính thay đổi bất biến, tính năng Tamura, phân hủy Wold, trường ngẫu nhiên Markov, mô hình fractal và bộ lọc đa phân giải.