Tiểu Luận Về Phương Pháp Trích Chọn Đặc Trưng Ảnh Trong Thuật Toán Học Máy

Khám phá phương pháp trích chọn đặc trưng ảnh trong thuật toán học máy, ứng dụng trong việc nhận diện và phân loại sản phẩm hiệu quả.

• Tác giả: Nguyễn Thị Hoàn
• Người hướng dẫn: PGS. Hà Quang Thụy
• Trường học: Đại Học Quốc Gia Hà Nội - Trường Đại Học Công Nghệ
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phương Pháp Trích Chọn Đặc Trưng Ảnh Trong Thuật Toán Học Máy Tìm Kiếm Ảnh Áp Dụng Vào Bài Toán Tìm Kiếm Sản Phẩm
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2010
• Địa điểm: Hà Nội

Tóm tắt

I. Khái quát về trích chọn đặc trưng ảnh và tìm kiếm theo đặc trưng ảnh

Sự phát triển mạnh mẽ của công nghệ ảnh số đã dẫn đến sự gia tăng nhanh chóng về lượng ảnh lưu trữ trên web. Mỗi ngày, hàng triệu bức ảnh được đăng tải trên các nền tảng như Flickr, Photobucket, và Facebook. Điều này tạo ra nhu cầu cấp thiết cho các hệ thống tìm kiếm ảnh hiệu quả. Các công cụ tìm kiếm ảnh hiện tại thường dựa vào hai đặc trưng chính: văn bản đi kèm ảnh và nội dung ảnh. Tuy nhiên, việc tìm kiếm chỉ dựa vào văn bản đi kèm có thể dẫn đến sự nhập nhằng giữa nội dung hiển thị và nội dung văn bản. Do đó, việc phát triển các công cụ tìm kiếm ảnh theo nội dung đã trở thành một xu hướng quan trọng. Tìm kiếm ảnh theo nội dung (Content-Based Image Retrieval - CBIR) cho phép phân tích nội dung thực sự của ảnh, từ đó nâng cao độ chính xác trong việc tìm kiếm. Các đặc trưng như màu sắc, hình dạng, và kết cấu được sử dụng để mô tả nội dung ảnh, giúp cải thiện khả năng tìm kiếm và phân loại ảnh.

1.1. Đặc trưng văn bản đi kèm ảnh và tìm kiếm ảnh theo văn bản đi kèm

Mỗi ảnh trên web thường có các văn bản đi kèm như tên ảnh, thẻ, và bình luận, tạo thành các siêu dữ liệu về ảnh. Độ quan trọng của các loại siêu dữ liệu này khác nhau, với thẻ thường quan trọng hơn tên ảnh. Các công cụ tìm kiếm ảnh dựa vào văn bản đi kèm thường khai thác nội dung của các văn bản này để tìm kiếm và xếp hạng ảnh. Tuy nhiên, với các câu truy vấn mang ý nghĩa nhập nhằng, kết quả trả về có thể không đúng với yêu cầu của người dùng. Ví dụ, khi truy vấn 'apple', máy tìm kiếm có thể trả về logo của hãng Apple thay vì hình ảnh quả táo. Điều này cho thấy sự cần thiết phải phát triển các phương pháp tìm kiếm dựa vào nội dung ảnh để khắc phục nhược điểm này.

1.2. Đặc trưng nội dung ảnh và tìm kiếm theo đặc trưng nội dung

Tìm kiếm ảnh theo nội dung (CBIR) là một ứng dụng của thị giác máy tính, cho phép phân tích nội dung thực sự của các bức ảnh. Nội dung ảnh được thể hiện qua các đặc trưng như màu sắc, hình dạng, và kết cấu. Các phương pháp tìm kiếm ảnh theo nội dung đã được phát triển để cải thiện độ chính xác và hiệu quả trong việc tìm kiếm. Ví dụ, Google Image Swirl và Tiltomo là những công cụ cho phép tìm kiếm ảnh dựa vào độ tương đồng về chủ đề, màu sắc, và kết cấu. Việc tìm kiếm ảnh theo mẫu cũng là một hướng nghiên cứu quan trọng, trong đó đầu vào là một ảnh và hệ thống sẽ trả về những ảnh tương đồng với ảnh mẫu. Điều này cho thấy sự phát triển của các phương pháp trích chọn đặc trưng ảnh là rất cần thiết trong bối cảnh hiện nay.

II. Các phương pháp lựa chọn đặc trưng và độ đo tương đồng giữa các ảnh

Trong tìm kiếm ảnh theo nội dung, việc lựa chọn các đặc trưng thích hợp và độ đo tương đồng là rất quan trọng. Các yêu cầu cơ bản đối với thành phần lựa chọn đặc trưng bao gồm việc cung cấp đầu vào tốt nhất cho hệ thống tìm kiếm ảnh, giảm độ phức tạp trong tính toán, và đảm bảo hiệu quả khi sử dụng cho mọi truy vấn. Việc lựa chọn các đặc trưng như màu sắc, kết cấu, hình dạng, và đặc trưng cục bộ (SIFT) sẽ giúp tăng cường độ chính xác và tốc độ của hệ thống. Đặc trưng màu sắc là phương pháp phổ biến nhất trong tìm kiếm ảnh, với các lược đồ màu như RGB, HSI, và HSI cải tiến. Tuy nhiên, độ chính xác của phương pháp này không cao, do đó cần có các bước lọc và tìm kiếm bổ sung để cải thiện kết quả.

2.1. Đặc trưng màu sắc

Tìm kiếm ảnh theo lược đồ màu là phương pháp phổ biến và được sử dụng nhiều nhất trong các hệ thống tìm kiếm ảnh theo nội dung. Mỗi điểm ảnh có thể được biểu diễn trong không gian màu sắc ba chiều, với các không gian màu thường dùng như RGB, HSI, và CIE. Việc tính toán biểu đồ màu cho mỗi ảnh giúp xác định tỉ trọng các điểm ảnh chứa các giá trị màu sắc đặc biệt. Mặc dù phương pháp này có tốc độ tìm kiếm nhanh, độ chính xác không cao, do đó cần kết hợp với các phương pháp khác để nâng cao hiệu quả tìm kiếm.

2.2. Đặc trưng kết cấu

Trích xuất nội dung ảnh theo kết cấu nhằm tìm ra mô hình trực quan của ảnh và cách thức chúng được xác định trong không gian. Kết cấu được biểu diễn bởi các texel và được đặt vào các tập phụ thuộc vào số kết cấu được phát hiện trong ảnh. Việc xác định các kết cấu đặc biệt trong ảnh chủ yếu được thực hiện bằng cách mô hình các kết cấu như những biến thể cấp độ xám hai chiều. Các nghiên cứu gần đây đang cố gắng phân vùng ảnh theo các kết cấu khác nhau và tìm mối quan hệ giữa các vùng này, từ đó nâng cao khả năng nhận diện và phân loại ảnh.

Trích đoạn nội dung tài liệu

Đặt vấn đề Trong tìm kiếm ảnh theo nội dung, việc lựa chọn các đặc trưng thích hợp với từng loại truy vấn và miền ứng dụng cùng với các độ đo tương đồng tưong ứng là thành phần quan trọng và then chốt nhất[31]. Việc lựa chọn các đặc trưng và độ đo thích hợp sẽ giúp tăng cả tốc độ và mức độ chính xác của các hệ thống.Jawahe và cộng sự [32] đã nêu ra các yêu cầu cơ bản đối với thành phần lựa chọn đặc trưng cho ảnh:  Thành phần lự a chọn đặc trưng phải lựa chọn đượ c m ột tập các đặc trưng cung cấp đầu vào t ốt nh ất cho h ệ thống tìm ki ếm ảnh. Nếu số lượng các đặc trưng quá nhiều sẽ làm “che khuất” các “tín hiệu” (giảm các “tín hiệu” đối với tỉ lệ nhiễu), mặt khác, nếu số lượng các đặc trưng quá ít sẽ khó phân biệt đượ c ảnh trong tìm kiếm.  Nó phải giảm b ớt được độ phức tạp trong lúc tính toán tổng th ể b ằng giảm đa chiều của bài toán phân lớp.

 Khi người dùng muốn sử dụng các đặc trưng đó cho mọi truy vấn, thì việc sử dụng các đặc trưng này phải hiệu quả. Vì số lượng các đặc trưng có thể là hàng ngàn, dó đó thời gian xử lý của module ph ải tuyến tính với số lượng đặc trưng.  Vì th ời gian xử lý của thành phần lựa chọn đặc trưng tuyến tính với số lượng đặc trưng, do đó việc lựa chọn các đặc trưng cũng nên tuyến tính dựa trên phân lớp.  Thành ph ần lựa chọn đặc trưng có thể xử lý được v ới kích thước tập mẫu nhỏ (khoảng 5 mẫu).

Trong chương này , chúng tôi sẽ trình bày sơ bộ về các vấn đề về đặc trưng c ủa ảnh(màu s ắc, kết cấu, hình dạng, đặc trưng cục bộ SIFT), một số độ đo tương đồng tương ứng với các đặc trưng và phương pháp lựa chọn đặc trưng ảnh để tăng chất lượng tập đặc trưng. Đặc trưng màu sắc 2. Đặc trưng màu sắc Tìm kiếm ảnh theo lược đồ màu là phương pháp phổ biến và được sử dụng nhiều nhất trong các hệ thống tìm kiếm ảnh theo nội dung. Đây là phương pháp đơn giản, tốc độ tìm kiếm tương đối nhanh tuy nhiên kết quả tìm kiếm có độ chính xác không cao.

Đây có th ể xem là bước lọc đầu tiên cho những bước tìm ki ếm sau. Một số lược đồ màu được sử dụng như: lược đồ màu RGB, lược đồ màu HSI, lược đồ HSI cải tiến. Trong đó, lược đồ màu RGB được sử dụng phổ biến nhất[18][20].  Lược đồ màu RGB: Đối với ảnh 256 màu, lược đồ màu của ảnh tương đương với lược đồ màu của ảnh xám.

Đối với ảnh 24 bit màu, lược đồ miêu t ả khả năng kết nối về cường độ của ba kênh màu R, G, B. Luợc đồ màu này được định nghĩa như sau: h R, G , B  r , g , b   N  Pr ob R  r , G  g , B  b (1) Trong đó N là số lượng điểm có trong ảnh. Lược đồ màu này được tính bằng cách rời rạc hóa từng màu trong ảnh, sau đó đếm số điểm ảnh của mỗi màu. Khi mà số lượng màu là có hạng, để thuận tiện hơn, người ta thường chuyển đổi ba kênh màu thành một biến giá trị duy nhất.

Một cách khác để tính lược đồ màu của ảnh RGB là ta phân ra làm 3 lượt đồ riêng biệt hR [] , hG [] , hB []. Khi đó, mỗi lược đồ được tính bằng cách đếm kênh màu tương ứng trong mỗi điểm ảnh. Độ đo tương đồng về màu sắc Một số độ đo tương đồng được sử dụng như: Đ ộ đo khoảng cách Ơclit, độ đo Jensen-Shannon divergence (JSD). Gọi h(I) và h(M) tương ứng là 2 lượt đồ màu của hai ảnh I và ảnh M.

Khi đó các loại độ đo màu được định nghĩa là một số nguyên (hoặc số thực) theo các loại độ đo tương ứng như sau:  Khoảng cách Ơclit: Đây là khoảng cách Ơclit thông thường giữa các K bin: K Inter sec tion( h( I ), h( M ))    h( I)  h( M )  2 (2) j1 11 Hoặc: K Inter sec tion( h( I), h( M ))   h( I )  h( M ) (3) j1  Độ đo Jensen-Shannon divergence (JSD) : Độ đo Jensen-Shannon divergence sử dụng lược độ màu RGB để tính toán độ tương đồng về màu sắc giữa 2 ảnh : M 2H m 2 H 'm d JSD ( H , H ')   H m log  H ' m log (4) m 1 Hm  H ' m H ' m  Hm Trong đó : H và H’ là 2 biểu đồ màu được so sánh, H m là bin thứ m của biểu đồ H. Đặc trưng kết cấu 2. Đặc trưng kết cấu Hiện tại, vẫn chưa có một định nghĩa chính thức cụ thể về kết cấu. Kết cấu là một đối tượng dùng để phân hoạch ảnh ra thành những vùng quan tâm để phân lớp những vùng đó[27][24][18][23].

Kết cấu cung cấp thông tin về sự sắp xếp về mặt không gian của màu sắc và cường độ một ảnh. Kết cấu được đặc trưng bởi sự phân bổ không gian của những mức cường độ trong một khu vực láng giềng với nhau. Kết cấu gồm các kết cấu gốc hay nhiều kết cấu gộp lại đôi khi gọi là texel. Một số phương pháp dùng để trích xuất các đặc trưng kết cấu như[18]:  Kim tự tháp "có thể lái đượ c" (the steerable pyramid)  Biến đổi đường viền (the cotourlet transform)  Biến đổi sóng Gabor (The Gabor Wavelet transform)  Biểu diễn ma trận đồng hiện (co-occurrence matrix)  Hệ thống bộ lọc định hướng phức tạp (The complex directional fillter bank) 2.

Độ đo tương đồng cho kết cấu ảnh Để đo độ tương đồng theo kết cấu giữa các ảnh, người ta thường sử dụng độ đo Ơclit. Kết cấu được trích xuất từ các bức ảnh sẽ được biểu diễn thành các vector nhiều chiều và kho ảng cách Ơclit được dùng để đo độ tương đồng giữa các đặc trưng của ảnh truy vấn với đặc trưng của ảnh trong cơ sở dữ liệu. Đặc trưng hình dạng 2. Đặc trưng hình dạng Màu sắc và kết cấu là những thuộc tính có khái niệm to àn c ục trong một ảnh.

Trong khi đó, hình dạng không phải là một thuộc tính của ảnh. Nói tới hình dạng không phải là nh ắc đến hình dạng của một ảnh. Thay vì vậy, hình dạng có khuynh hướng chỉ đến một khu vực đặc biệt trong ảnh, hay hình dạng chỉ là biên c ủa một đối tượng nào đó trong ảnh. Trong tìm kiếm ảnh theo nội dung, hình dạng là một cấp cao hơn so với màu sắc v à kết cấu.

Nó đ òi hỏi sự phân biệt giữa các vùng để tiến hành xử lý về độ đo của h ình dạng. Các hệ thống tìm kiếm ảnh theo nội dung thường khai thác hai nhóm biểu diễn hình dạng sau :  Biểu diễn hình d ạng theo đường biên (cotour-based descriptor) : Biểu diễn các đường biên bao bên ngoài  Biểu diễn theo vùng (region-based descriptor): Biểu diễn mộ t vùng toàn vẹn 2. Độ đo tương đồng cho hình dạng Độ đo về hình d ạng rất nhiều trong phạm vi lý thuyết của bộ môn xử lý ảnh. Chúng trải rộng từ những độ đo toàn c ục dạng thô với sự trợ giúp của việc nhận dạng đối tượng, cho tới những độ đo chi tiết tự động tìm kiếm những hình d ạng đặc biệt.

Lược đồ hình dạng là một ví dụ của độ đo đơn giản. Kỹ thuật dùng đường biên hiệu quả hơn phương pháp trước, chúng tìm kiếm những hình dạng đối tượng gần giống với đường biên nhất. Phương pháp vẽ phác họa là phương pháp có nhiều đặc trưng rõ ràng hơn, không chỉ tìm kiếm những đường biên đối tượng đơn, mà còn đối với tập những đối tượng đã được phân đoạn trong một ảnh mà người dùng vẽ hay cung cấp. Đặc trưng cục bộ bất biến Người ta thường chia đặc trưng cụ bộ thành 2 loại là những điểm trích xuất được từ điểm "nhô ra" (salient points) của ảnh và đặc trưng SIFT được trích chọn từ các điểm hấp dẫn Haris (interest points).

Trong phần này, chúng tôi sẽ trình bày chi tiết về việc trích chọn các đặc trưng cục bộ bất biến (Scale Invariant Feature Transform SIFT) của ảnh. Đặc trưng cục bộ bất biến Phần n ày trình bày phương pháp trích rút các đặc trưng cục bộ bất biến SIFT của ảnh. Các đặc trưng này bất biến với việc thay đổi tỉ lệ ảnh, quay ảnh, đôi khi l à thay đổi điểm nhìn và thêm nhiễu ảnh hay thay đổi cường độ chiếu sáng của ảnh. Phương pháp được lựa chọn có tên là Scale-Invariant Feature Transform (SIFT) và đặc trưng trích rút đựợc gọi là đặc trưng SIFT (SIFT Feature).

Các đặc trưng SIFT này được trích rút ra từ các điểm hấp dẫn cục bộ (Local Interest Point) [17][30][16]. Điểm hấp dẫn (Interest Point (Keypoint)): Là vị trí (điểm ảnh) "hấp dẫn" trên ảnh. "Hấp dẫn" ở đây có nghĩa là điểm đó có thể có các đặc trưng bất biến với việc quay ảnh, co giãn ảnh hay thay đổi cường độ chiếu sáng của ảnh. Phương pháp trích rút các đặc trưng bất biến SIFT được tiếp cận theo phương pháp thác lọc, theo đó phương pháp được thực hiện lần lượt theo các bước sau:  Phát hiện các điể m cực trị Scale-Space (Scale-Space extrema detection): Bước đầu tiên này tiến hành tìm kiếm các điểm hấp dẫn trên tất cả các tỉ lệ và vị trí củ a ảnh.

Nó sử dụng hàm different-of-Gaussian để xác định tất cả các điểm hấp dẫn tiềm năng mà bất biến với quy mô và hướng của ảnh.  Định vị các điểm hấp dẫn (keypoint localization): Một hàm kiểm tra sẽ được đưa ra để quyết định xem các điểm hấp dẫn tiềm năng có được lựa chọn hay không?  Xác định hướng cho các điểm hấp dẫn (Orientation assignment): Xác định hướng cho các điểm hấp dẫn được chọn  Mô tả các điểm hấp dẫn (Keypoint descriptor): Các điểm h ấp dẫn sau khi đượ c xác định hướng sẽ đượ c mô tả dưới dạng các vector đặc trưng nhiều chiều. Phát hiện điểm cực trị Scale-space Các điểm hấp dẫn với đặc trưng SIFT tương thích với các cực trị địa phương của bộ lọc difference –of-Gaussian (DoG) ở các tỉ lệ khác nhau.