Tổng quan luận án

Sự phát triển của mạng Internet cùng các thiết bị thu nhận ảnh số đã dẫn đến sự gia tăng về số lượng và dung lượng của các tập hợp dữ liệu ảnh. Hằng ngày, hàng trăm triệu hình ảnh được khởi tạo và lưu trữ trên không gian mạng, đặt ra yêu cầu cấp thiết về việc tổ chức và tra cứu thông tin hình ảnh một cách có hệ thống. Trong lĩnh vực này, hai cộng đồng nghiên cứu đóng vai trò nòng cốt là quản trị cơ sở dữ liệu và thị giác máy tính. Ban đầu, các kỹ thuật quản trị cơ sở dữ liệu ảnh chủ yếu dựa vào văn bản mô tả hoặc từ khóa chú giải thủ công. Tuy nhiên, cách tiếp cận này bộc lộ nhiều hạn chế:

  • Đòi hỏi xây dựng tập từ khóa phức tạp và đồ sộ để mô tả chi tiết nội dung ảnh;
  • Tốn kém thời gian, chi phí và nhân lực được đào tạo chuyên môn;
  • Kết quả tra cứu phụ thuộc vào cảm nhận chủ quan của người gán nhãn, dẫn đến sai lệch khi so sánh đối sánh;
  • Cơ sở dữ liệu gán nhãn tĩnh rất khó thích ứng hoặc thay đổi khi quy mô dữ liệu mở rộng.

Nhằm khắc phục các nhược điểm trên, hướng tiếp cận tra cứu ảnh dựa vào đặc trưng thị giác (Visual Feature-based Image Retrieval - VFIBIR) được phát triển. Phương pháp này tự động trích rút các mô tả nội dung trực tiếp từ dữ liệu ảnh thông qua quy trình hai pha:

  • Pha 1 (Ngoại tuyến): Trích chọn đặc trưng thị giác của toàn bộ ảnh trong cơ sở dữ liệu ngay khi nhập vào, ánh xạ thành các véctơ đặc trưng và lưu trữ trong cơ sở dữ liệu đặc trưng.
  • Pha 2 (Trực tuyến): Trích rút véctơ đặc trưng của ảnh truy vấn do người dùng cung cấp, so sánh đối sánh với các véctơ đặc trưng có sẵn theo độ đo tương tự xác định, từ đó phân hạng và trả về danh sách các ảnh phù hợp nhất.

Trong các đặc trưng thị giác (màu sắc, kết cấu, hình dạng, không gian), đặc trưng màu được ứng dụng rộng rãi nhất nhờ chi phí tính toán vừa phải và tính ổn định trước các biến dạng hình học nhỏ. Dù vậy, các kỹ thuật truyền thống như lược đồ màu toàn cục (GCH), lược đồ màu cục bộ (LCH), véctơ gắn kết màu (CCV) hay tương quan màu vẫn tồn tại các điểm nghẽn: chiếm nhiều không gian lưu trữ, độ phức tạp tính toán cao, nhạy cảm với phép biến đổi quay/dịch chuyển và thiếu khả năng tích hợp thông tin cấu trúc không gian của các vùng ảnh. Luận án tiến sĩ với đề tài "Nghiên cứu cải tiến một số phương pháp tra cứu ảnh sử dụng đặc trưng ảnh" của tác giả Nguyễn Hữu Quỳnh (chuyên ngành Khoa học máy tính, mã số 62 48 01 01, bảo vệ tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội năm 2010 dưới sự hướng dẫn của PGS.TS. Ngô Quốc Tạo và PGS.TS. Đinh Mạnh Tường) tập trung giải quyết trực tiếp các khoảng trống kỹ thuật này.

Mục tiêu nghiên cứu: Luận án xác định mục tiêu là nghiên cứu và đề xuất một số phương pháp tra cứu ảnh dựa trên việc kết hợp đặc trưng màu sắc và thông tin không gian, hướng tới đáp ứng bốn tiêu chí kỹ thuật:

  1. Giảm thiểu không gian lưu trữ các biểu diễn lược đồ màu của ảnh;
  2. Giảm độ nhạy cảm đối với các biến đổi hình học như phép quay và phép dịch chuyển;
  3. Giảm độ phức tạp tính toán trong quá trình so khớp và đối sánh đặc trưng;
  4. Tăng cường độ chính xác (Precision) và độ hồi tưởng (Recall) của kết quả tra cứu.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các mô hình trích rút đặc trưng thị giác mức thấp (đặc trưng màu, kết cấu, hình dạng), các cấu trúc dữ liệu mô tả quan hệ không gian giữa các vùng ảnh, các độ đo khoảng cách và thuật toán đối sánh ảnh dựa trên nội dung.
  • Phạm vi nghiên cứu: Tập trung vào không gian màu RGB, HSV và hệ thống màu Munsell (MTM); nghiên cứu cải tiến cấu trúc lược đồ màu khối, đồ thị lược đồ, cây tứ phân (Quad Tree) và các cụm màu thuần nhất trong bài toán tra cứu ảnh tĩnh; thiết kế và thử nghiệm hệ thống phần mềm LVFIR trên các bộ dữ liệu ảnh thực nghiệm.

Tổng quan tài liệu và vị trí của luận án

Tổng quan tài liệu trong luận án phân loại các hướng tiếp cận tra cứu ảnh dựa trên đặc trưng thị giác thành hai nhóm chính:

  1. Nhóm phương pháp cố gắng liên kết thông tin không gian vào lược đồ màu toàn cục:

    • Lược đồ màu toàn cục (GCH - Global Color Histogram): Được Swain và Ballard nghiên cứu và phát triển, đếm tần suất xuất hiện của từng giá trị màu trong toàn bộ không gian ảnh. Gevers và Smeulders chứng minh tính bất biến tương đối của màu sắc dưới các điều kiện chiếu sáng và góc nhìn. Tuy nhiên, GCH không lưu giữ vị trí không gian của các điểm ảnh, dẫn đến việc hai hình ảnh có nội dung hoàn toàn khác biệt (ví dụ: một quả bóng xanh trên nền trắng và một bụi cỏ xanh trên nền trắng) vẫn có thể cho ra lược đồ màu giống hệt nhau.
    • Véctơ gắn kết màu (CCV - Color Coherence Vectors): Pass và Zabih đề xuất phân chia mỗi dải màu thành hai thành phần: điểm ảnh gắn kết (thuộc vùng màu đồng nhất có kích thước vượt ngưỡng) và điểm ảnh không gắn kết. Kỹ thuật này cải thiện độ chính xác đối với ảnh có vùng đồng nhất lớn nhưng vẫn dựa trên nền tảng lược đồ toàn cục, khó mô tả chi tiết từng vùng riêng biệt.
    • Tương quan màu (Color Correlogram & Color Autocorrelogram): Huang và cộng sự thiết lập ma trận xác suất tìm thấy cặp màu ở khoảng cách không gian xác định. Dù độ chính xác tra cứu cao hơn GCH và CCV, véctơ đặc trưng có số chiều lớn làm gia tăng đáng kể chi phí lưu trữ và độ phức tạp tính toán.
    • Momen màu (Color Moments): Stricker và Orengo đề xuất sử dụng 3 momen thống kê (trung bình, phương sai, độ lệch) cho mỗi kênh màu, được ứng dụng trong hệ thống QBIC. Phương pháp này nén thông tin thành véctơ 9 chiều, phù hợp cho giai đoạn lọc sơ bộ nhưng giảm khả năng phân biệt đối với các cơ sở dữ liệu ảnh phức tạp.
    • Màu trội (Dominant Colors): Đại diện ảnh bằng tập hợp các cụm màu chính kèm tỷ lệ phần trăm phân bố, giúp rút gọn dữ liệu nhưng gặp hạn chế khi cơ sở dữ liệu mở rộng quy mô.

  2. Nhóm phương pháp gia tăng thông tin không gian thông qua phân chia ảnh thành các khối:

    • Lược đồ màu cục bộ (LCH - Local Color Histogram): Stricker và Dimai chia ảnh thành $M$ khối cố định và tính lược đồ màu cho từng khối. Khoảng cách giữa hai ảnh là tổng khoảng cách giữa các khối tương ứng ở cùng vị trí. Hạn chế lớn của LCH là khi tăng số khối để ghi nhận nhiều thông tin không gian hơn, dung lượng bộ nhớ lưu trữ và thời gian tính toán tăng theo cấp số nhân; đồng thời các đối tượng thực tế khó khớp chính xác vào các lưới phân vùng cố định.
    • Phân hoạch hình quạt: Các nghiên cứu phân chia không gian ảnh theo góc và bán kính nhằm ghi nhận vị trí tương đối của điểm ảnh.
    • Biểu diễn chuỗi 2D String: Chang và cộng sự mã hóa quan hệ vị trí của các đối tượng qua phép chiếu trên hai trục tọa độ $x$ và $y$, sau đó được cải tiến bằng cách cắt đối tượng theo hộp bao tối thiểu để xác định quan hệ tiếp xúc, rời nhau hoặc chồng lấn.
    • Cây tứ phân (Quad Tree - QT): Phân cấp không gian ảnh thành 4 vùng con đệ quy để biểu diễn vị trí đặc trưng.

Khoảng trống nghiên cứu được luận án lựa chọn giải quyết: Luận án tập trung vào việc khắc phục sự đánh đổi giữa kích thước biểu diễn dữ liệu và độ chính xác phân biệt không gian. Tác giả đề xuất xây dựng các cấu trúc dữ liệu biểu diễn trung gian (đồ thị lược đồ, cụm màu thuần nhất kết hợp tọa độ không gian) nhằm bảo toàn thông tin bố cục không gian của vùng ảnh mà không làm bùng nổ số chiều véctơ đặc trưng, đồng thời duy trì tính ổn định trước các phép quay và dịch chuyển hình học.

Cơ sở lý thuyết và phương pháp nghiên cứu

1. Khung lý thuyết và các khái niệm cơ sở

  • Dải của lược đồ màu (Color bin): Được định nghĩa là số lượng điểm ảnh trong một diện tích ảnh xác định có cùng giá trị màu sau lượng hóa.

  • Khối ảnh (Image block): Một vùng ảnh hình chữ nhật xác định trong không gian tọa độ ảnh.

  • Lượng hóa màu (Color Quantization): Quy trình giảm số lượng màu cần thiết để biểu diễn ảnh. Lược đồ lượng hóa chuẩn phân chia các trục của không gian màu 3 chiều thành $k, l, m$ phần, tạo ra $n = k \times l \times m$ dải màu đại diện.

  • Công thức khoảng cách lược đồ màu cục bộ ($d_{LCH}$): Khoảng cách giữa ảnh truy vấn $Q$ và ảnh cơ sở dữ liệu $I$ gồm $M$ khối và $N$ dải màu được tính theo chuẩn khoảng cách Euclid: $$d_{LCH}(Q, I) = \sum_{k=1}^M \sqrt{\sum_{i=1}^N \left(H_Q^k[i] - H_I^k[i]\right)^2}$$ Trong đó $H_Q^k[i]$ và $H_I^k[i]$ biểu thị giá trị của dải thứ $i$ trong lược đồ màu của khối thứ $k$.

  • Các công thức Momen màu thống kê: Luận án sử dụng 3 momen bậc đầu trên từng kênh màu để biểu diễn phân bố xác suất:

    • Momen bậc 1 (Giá trị trung bình): $$\mu_i = \frac{1}{N}\sum_{j=1}^N f_{ij}$$
    • Momen bậc 2 (Độ lệch chuẩn): $$\sigma_i = \left(\frac{1}{N}\sum_{j=1}^N (f_{ij} - \mu_i)^2\right)^{\frac{1}{2}}$$
    • Momen bậc 3 (Độ lệch / Skewness): $$s_i = \left(\frac{1}{N}\sum_{j=1}^N (f_{ij} - \mu_i)^3\right)^{\frac{1}{3}}$$ Trong đó $f_{ij}$ là giá trị của thành phần màu thứ $i$ tại điểm ảnh thứ $j$, $N$ là tổng số điểm ảnh.

  • Biểu diễn màu trội: Véctơ đặc trưng màu trội $F$ được mô tả bằng tập hợp các cặp thuộc tính: $$F = {(c_i, p_i) \mid i = 1, \dots, N}$$ Với $c_i$ là véctơ màu 3 chiều đại diện cho cụm thứ $i$, $p_i$ là tỷ lệ phần trăm xuất hiện của cụm đó trong ảnh.

  • Các kỹ thuật phân tích kết cấu và hình dạng: Luận án tổng kết các phương pháp trích xuất kết cấu theo cấu trúc (toán tử hình thái học, đồ thị liền kề) và thống kê (phổ năng lượng Fourier, đặc trưng Tamura, trường ngẫu nhiên Markov, mô hình Fractal, biến đổi Gabor, biến đổi Wavelet). Đặc trưng hình dạng được trích xuất từ đường bao đối tượng hoặc vùng phân đoạn.

2. Phương pháp nghiên cứu thực nghiệm

Luận án triển khai theo phương pháp định lượng và thực nghiệm mô phỏng thuật toán trên hệ thống máy tính:

  • Xây dựng các giải thuật phân vùng, trích chọn đặc trưng màu, xây dựng đồ thị hai phía, phân tích cây tứ phân và gom cụm màu thuần nhất.
  • Đo lường và đánh giá hiệu năng tra cứu dựa trên hai chỉ số chuẩn:
    • Độ chính xác (Precision): Tỷ lệ giữa số ảnh liên quan được tìm thấy trên tổng số ảnh mà hệ thống trả về.
    • Độ hồi tưởng (Recall): Tỷ lệ giữa số ảnh liên quan được tìm thấy trên tổng số ảnh liên quan thực sự có trong cơ sở dữ liệu.
  • Thiết kế hệ thống phần mềm thực nghiệm LVFIR (Local Visual Feature-based Image Retrieval) gồm 2 phân hệ giao diện (Group 1 và Group 2) để kiểm thử độc lập và so sánh chéo các kỹ thuật.

Nội dung chính theo từng chương

Chương Tên chương theo văn bản Nội dung chính và trọng tâm kỹ thuật
Chương 1 Tổng quan về trích rút đặc trưng và tra cứu ảnh dựa vào đặc trưng - Hệ thống hóa kiến trúc 2 pha của hệ thống VFIBIR.
- Phân tích các đặc trưng thị giác: Màu sắc, Kết cấu, Hình dạng, Quan hệ không gian.
- Đánh giá các phương pháp biểu diễn màu (GCH, LCH, CCV, Correlogram, Dominant Colors, Moments).
- Phân tích các kỹ thuật lượng hóa màu và phân vùng ảnh.
Chương 2 Phương pháp tra cứu dựa vào lược đồ màu khối - Đề xuất phương pháp đồ thị lược đồ HG (Histogram Graph).
- Đề xuất phương pháp cải tiến IHG (Improving Histogram Graph).
- Xây dựng khái niệm về sự tương tự lý tưởng giữa hai dải và đồ thị hai phía.
- Đánh giá thực nghiệm qua đồ thị Precision - Recall đối với các truy vấn 1 đến 6.
Chương 3 Phương pháp tra cứu ảnh sử dụng đặc trưng của vùng ảnh - Ứng dụng cây tứ phân (Quad Tree - QT) trong biểu diễn cấu trúc ảnh.
- Đề xuất phương pháp CSI (Color and Spatial Information).
- Đề xuất phương pháp CCS (Cluster of Colors and Space).
- Trích rút các cụm màu thuần nhất và phân tích độ lệch phân hoạch dòng/cột.
Chương 4 Xây dựng ứng dụng tra cứu ảnh dựa vào nội dung - Thiết kế và cài đặt hệ thống thực nghiệm tổng quát LVFIR.
- Xây dựng Module tra cứu Group 1 (LCH, CCH, HG, IHG).
- Xây dựng Module tra cứu Group 2 (QT, CBC, CCV, CSI, CCS).
- Phân tích kết quả so sánh thực nghiệm tổng thể giữa các phương pháp.

Chương 1: Tổng quan về trích rút đặc trưng và tra cứu ảnh dựa vào đặc trưng

Chương 1 thiết lập nền tảng lý thuyết tổng quát cho bài toán tra cứu ảnh dựa trên nội dung thị giác. Tác giả chỉ ra rằng dữ liệu ảnh thô không thể đưa vào so sánh trực tiếp do kích thước dữ liệu lớn và chứa nhiều thông tin dư thừa. Do đó, quá trình trích chọn đặc trưng đóng vai trò ánh xạ dữ liệu từ không gian ảnh sang không gian đặc trưng nhiều chiều.

Chương này đi sâu vào phân tích các biểu diễn màu sắc, từ các phép biến đổi không gian màu sang Munsell (MTM), biến đổi Karhunen–Loève (KLT), đến các phép lượng hóa không gian 8 dải, 64 dải và 256 dải. Luận án phân tích chi tiết ưu nhược điểm của việc phân chia ảnh thành lưới khối chữ nhật cố định, chỉ ra các sai số khoảng cách khi áp dụng độ đo khoảng cách Euclid trên lược đồ toàn cục GCH so với lược đồ cục bộ LCH.

Chương 2: Phương pháp tra cứu dựa vào lược đồ màu khối

Chương 2 trình bày hai đóng góp kỹ thuật cốt lõi:

  • Phương pháp đồ thị lược đồ HG (Histogram Graph) [42]: Ảnh được chia thành 9 khối ảnh chữ nhật, đánh số thứ tự từ trong ra ngoài và ngược chiều kim đồng hồ. Dựa trên lược đồ màu khối CCH (Color/Cell Histogram), phương pháp xây dựng đồ thị hai phía biểu diễn mối quan hệ giữa các dải của lược đồ màu khối giữa ảnh truy vấn $I_1$ và ảnh cơ sở dữ liệu $I_2$. Phương pháp định nghĩa khái niệm về "sự tương tự lý tưởng giữa hai dải", cho phép đánh giá mức độ tương đồng về mặt phân bố màu giữa các khối tương ứng mà không bị ảnh hưởng tiêu cực bởi phép quay hay dịch chuyển vị trí nhẹ.
  • Phương pháp cải tiến IHG (Improving Histogram Graph) [43]: Tối ưu hóa thuật toán duyệt đồ thị và hàm đối sánh khoảng cách của HG nhằm rút ngắn thời gian xử lý truy vấn và nâng cao độ chính xác nhận dạng đối tượng.
  • Kết quả thực nghiệm: Chương 2 công bố các đường cong so sánh Precision - Recall giữa LCH, CCH với HG và IHG trên 6 tập truy vấn mẫu (truy vấn 1 đến 6). Kết quả chỉ ra HG và IHG duy trì độ chính xác cao hơn rõ rệt so với LCH và CCH khi các đối tượng trong ảnh có sự thay đổi về vị trí hoặc góc quay.

Chương 3: Phương pháp tra cứu ảnh sử dụng đặc trưng của vùng ảnh

Chương 3 tập trung vào việc trích xuất và kết hợp thông tin không gian chi tiết của từng vùng đối tượng:

  • Biểu diễn ảnh bằng cây tứ phân (Quad Tree - QT): Phân rã ảnh thành cấu trúc phân cấp để theo dõi vị trí các vùng màu.
  • Phương pháp CSI (Color and Spatial Information) [45]: Trích rút đồng thời véctơ đặc trưng màu và tọa độ không gian của các vùng ảnh, đưa vào hàm khoảng cách tổng hợp để đánh giá độ tương tự.
  • Phương pháp CCS (Cluster of Colors and Space) [46]: Khắc phục nhược điểm của lưới chia đều bằng cách phân hoạch ảnh thành các cụm màu thuần nhất (Color Based Cluster - CBC) có kích thước và hình dạng động. Thuật toán trích xuất các cụm màu thuần nhất và ghi nhận các tham số không gian tương ứng (tâm vùng, độ lệch phân hoạch theo dòng $DXselectedrow$, độ lệch phân hoạch theo cột $DXselectedcol$).
  • Kết quả thực nghiệm: Đồ thị Precision - Recall của CSI và CCS được so sánh đối chuẩn với các kỹ thuật QT, CBC, CCV và phương pháp quan hệ không gian SR trên các kịch bản truy vấn từ 1 đến 6.

Chương 4: Xây dựng ứng dụng tra cứu ảnh dựa vào nội dung

Chương 4 mô tả kiến trúc kỹ thuật và kết quả triển khai hệ thống phần mềm thực nghiệm LVFIR (Local Visual Feature-based Image Retrieval), gồm hai thành phần chính:

  • Module tiền xử lý (Ngoại tuyến): Tự động lọc, chuẩn hóa, phân đoạn ảnh, tính toán véctơ đặc trưng và lưu trữ vào cơ sở dữ liệu đặc trưng.
  • Module tra cứu (Trực tuyến): Gồm hai phân hệ giao diện chuyên biệt:
    • Module tra cứu Group 1: Cung cấp giao diện tra cứu và so sánh thực nghiệm cho nhóm phương pháp dựa trên lược đồ màu khối gồm LCH, CCH, HG và IHG.
    • Module tra cứu Group 2: Cung cấp giao diện tra cứu cho nhóm kỹ thuật phân vùng không gian gồm QT, CBC, CCV, CSI và CCS.

Hệ thống cho phép hiển thị trực quan các ảnh kết quả được phân hạng theo thứ tự tương tự giảm dần, đồng thời trích xuất tự động các biểu đồ đánh giá hiệu năng Precision - Recall.

Kết quả và những đóng góp mới

Dựa trên toàn văn luận án, các đóng góp mới của công trình bao gồm:

  1. Về mặt lý thuyết và giải thuật:

    • Đề xuất phương pháp HG (Histogram Graph) [42]: Ứng dụng cấu trúc đồ thị hai phía để mô hình hóa quan hệ tương tự giữa các dải của lược đồ màu khối, giảm thiểu dung lượng lưu trữ biểu diễn màu và hạn chế độ nhạy cảm trước các biến đổi quay và dịch chuyển.
    • Đề xuất phương pháp cải tiến IHG (Improving Histogram Graph) [43]: Cải tiến thuật toán đối sánh đồ thị nhằm nâng cao tốc độ tính toán và tăng độ chính xác tra cứu so với HG.
    • Đề xuất phương pháp CSI (Color and Spatial Information) [45]: Thiết lập mô hình trích rút đồng thời đặc trưng màu và thông tin vị trí không gian của các vùng ảnh phục vụ bài toán đối sánh vùng.
    • Đề xuất phương pháp CCS (Cluster of Colors and Space) [46]: Xây dựng giải thuật phân hoạch ảnh thành các cụm màu thuần nhất có kích thước biến thiên linh hoạt, trích chọn đầy đủ thông tin màu và cấu trúc không gian của từng vùng.

  2. Về mặt ứng dụng thực tiễn:

    • Thiết kế và cài đặt hoàn chỉnh hệ thống phần mềm thực nghiệm LVFIR (Local Visual Feature-based Image Retrieval). Hệ thống tích hợp đầy đủ quy trình xử lý ngoại tuyến/trực tuyến và cung cấp công cụ đối chuẩn thực nghiệm trực tiếp giữa các phương pháp mới (HG, IHG, CSI, CCS) với các phương pháp tiêu chuẩn (GCH, LCH, CCV, QT, CBC, SR).

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế:

    • Luận án tập trung chủ yếu vào đặc trưng thị giác mức thấp (màu sắc kết hợp thông tin không gian), chưa tích hợp đầy đủ các đặc trưng ngữ nghĩa mức cao để thu hẹp hoàn toàn "khoảng cách ngữ nghĩa" (semantic gap).
    • Độ chính xác của các phương pháp phân vùng (CSI, CCS) vẫn chịu ảnh hưởng nhất định bởi chất lượng phân đoạn ảnh trong các trường hợp ảnh có độ tương phản thấp hoặc nhiễu phức tạp.
    • Hệ thống thực nghiệm tập trung kiểm thử trên các bộ dữ liệu ảnh tĩnh quy chuẩn.

  • Hướng nghiên cứu tiếp:

    • Mở rộng kết hợp đồng thời đặc trưng màu sắc, không gian với các đặc trưng kết cấu đa phân giải (Gabor, Wavelet) và đặc trưng hình dạng hình học phức tạp.
    • Nghiên cứu cơ chế đánh chỉ số nâng cao (Indexing) cho cơ sở dữ liệu đặc trưng nhằm tối ưu hóa tốc độ tìm kiếm khi quy mô dữ liệu đạt hàng triệu ảnh.
    • Khảo sát tích hợp các mô hình phản hồi tương tác từ người dùng (Relevance Feedback) để cải thiện độ chính xác phân hạng theo ngữ nghĩa.

Giá trị tham khảo

Luận án là tài liệu tham khảo trong các lĩnh vực:

  • Học viên sau đại học và nghiên cứu sinh chuyên ngành Khoa học máy tính, Công nghệ thông tin: Tham khảo phương pháp luận nghiên cứu thực nghiệm, kỹ thuật xử lý ảnh số, các công thức tính momen màu, giải thuật xây dựng đồ thị hai phía và cấu trúc cây tứ phân.
  • Giảng viên và cán bộ nghiên cứu về Thị giác máy tính và Xử lý đa phương tiện: Sử dụng nội dung Chương 1 và Chương 2 làm tài liệu giảng dạy chuyên đề về trích rút đặc trưng thị giác, kỹ thuật lượng hóa màu sắc và đối sánh ảnh dựa trên nội dung (CBIR).
  • Kỹ sư phát triển hệ thống phần mềm: Tham khảo mô hình kiến trúc hai pha (tiền xử lý ngoại tuyến và tra cứu trực tuyến) cùng thiết kế phân hệ của hệ thống LVFIR để ứng dụng xây dựng các công cụ tìm kiếm dữ liệu hình ảnh.

Câu hỏi thường gặp

1. Vì sao lược đồ màu toàn cục (GCH) không thể phân biệt được hai ảnh có cùng thành phần màu nhưng khác bố cục?
GCH chỉ thống kê tổng tần suất xuất hiện của từng giá trị màu trên toàn bộ bức ảnh mà không lưu giữ tọa độ hay vị trí không gian của các điểm ảnh. Do đó, hai bức ảnh có cùng tỷ lệ màu sắc (ví dụ: quả bóng xanh trên nền trắng và bụi cỏ xanh trên nền trắng) sẽ tạo ra lược đồ GCH giống nhau, dẫn đến khoảng cách giữa chúng bằng 0.

2. Điểm khác biệt căn bản giữa phương pháp HG và phương pháp cải tiến IHG là gì?
Phương pháp HG chia ảnh thành 9 khối và sử dụng đồ thị hai phía để biểu diễn quan hệ giữa các dải màu khối nhằm chống chịu phép quay và dịch chuyển. Phương pháp IHG là bản nâng cấp của HG, tối ưu hóa quy trình tính toán đối sánh trên đồ thị nhằm giảm thời gian thực thi thuật toán và tăng cường độ chính xác tra cứu.

3. Phương pháp CCS giải quyết nhược điểm chia lưới cố định của LCH như thế nào?
LCH chia ảnh thành các lưới khối chữ nhật cố định, khiến các đối tượng thực tế khó nằm trọn trong một khối và làm tăng kích thước lưu trữ khi chia mịn. Phương pháp CCS thay thế lưới cố định bằng thuật toán phân hoạch ảnh thành các cụm màu thuần nhất có kích thước và hình dạng động, sau đó trích xuất thông tin màu kèm tọa độ không gian ($DXselectedrow$, $DXselectedcol$) của từng cụm.

4. Hệ thống thực nghiệm LVFIR gồm những phân hệ nào?
Hệ thống LVFIR gồm hai module chính: Module tiền xử lý (trích chọn đặc trưng ngoại tuyến khi nhập ảnh vào cơ sở dữ liệu) và Module tra cứu trực tuyến (chia thành Group 1 thử nghiệm LCH, CCH, HG, IHG; và Group 2 thử nghiệm QT, CBC, CCV, CSI, CCS).

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Hữu Quỳnh đã giải quyết bài toán tối ưu hóa biểu diễn đặc trưng trong tra cứu ảnh dựa trên nội dung thị giác. Bằng việc đề xuất các phương pháp HG, IHG, CSI và CCS, công trình đã kết hợp hiệu quả đặc trưng màu sắc với thông tin không gian vùng, giúp giảm thiểu dung lượng lưu trữ lược đồ, giảm độ phức tạp tính toán và nâng cao độ chính xác tra cứu trước các biến đổi hình học. Hệ thống thực nghiệm LVFIR được xây dựng hoàn chỉnh, đóng vai trò là công cụ kiểm chứng thực nghiệm cho các giải thuật đề xuất trong luận án.