Giới thiệu dự án

Sự bùng nổ của công nghệ truyền thông đa phương tiện (multimedia) và mạng Internet vào đầu thập niên 2000 đã dẫn đến sự gia tăng theo cấp số nhân của khối lượng dữ liệu hình ảnh kỹ thuật số. Trước đây, các hệ thống quản lý cơ sở dữ liệu ảnh truyền thống chủ yếu dựa trên siêu dữ liệu văn bản (text-based metadata) như từ khóa, mô tả chú thích thủ công (manual annotation). Tuy nhiên, phương pháp tiếp cận này bộc lộ những hạn chế nghiêm trọng: tốn kém nhân lực, mang tính chủ quan cao của người gán nhãn, và không thể mô tả đầy đủ các thuộc tính trực quan phức tạp của hình ảnh.

Khóa luận tốt nghiệp Cử nhân Công nghệ Thông tin với đề tài "Tìm Kiếm Ảnh Dựa Vào Nội Dung: Phương Pháp và Ứng Dụng" (Content-Based Image Retrieval - CBIR) do sinh viên Nguyễn Quốc Uy thực hiện dưới sự hướng dẫn của Th.S Lý Quốc Ngọc tại Bộ môn Công nghệ Tri thức, Khoa CNTT - Trường Đại học Khoa học Tự nhiên (ĐHQG-TP.HCM) được xây dựng nhằm giải quyết triệt để bài toán trích xuất và truy vấn hình ảnh trực tiếp từ các đặc trưng thị giác nguyên bản.

                  ┌─────────────────────────────────────────┐
                  │          Ảnh truy vấn (Query Image)     │
                  └────────────────────┬────────────────────┘
                                       │
                         [ Trích xuất đặc trưng ]
                                       │
                ┌──────────────────────┼──────────────────────┐
                ▼                      ▼                      ▼
        ┌───────────────┐      ┌───────────────┐      ┌───────────────┐
        │  MÀU SẮC      │      │     VÂN       │      │   HÌNH DÁNG   │
        │(HSI Histogram)│      │ (GLCM / Laws) │      │(Fourier/Sketch│
        └───────┬───────┘      └───────┬───────┘      └───────┬───────┘
                │                      │                      │
                └──────────────────────┼──────────────────────┘
                                       │
                      [ Tính toán độ đo tương đồng ]
                                       │
                                       ▼
                  ┌─────────────────────────────────────────┐
                  │    Xếp hạng & Trả về kết quả tối ưu    │
                  └─────────────────────────────────────────┘

Mục tiêu cụ thể của đề tài

  1. Nghiên cứu cơ sở lý thuyết xử lý ảnh và thị giác máy tính: Phân tích các không gian màu (RGB, CMY, L*a*b*, HSI), lý thuyết phân tích kết cấu bề mặt (Texture Analysis) và hình học đối tượng (Shape Analysis).
  2. Xây dựng giải thuật biểu diễn đặc trưng: Thiết kế các bộ mô tả (descriptors) cho 3 nhóm đặc trưng thị giác cốt lõi: Lược đồ màu HSI cải tiến (167 bin), Ma trận đồng hiện mức xám (GLCM) / Năng lượng vân Laws, và Mô tả Fourier đường biên kết hợp So khớp bản vẽ phác họa (Sketch Matching).
  3. Hiện thực hóa hệ thống demo tìm kiếm đa tầng: Phát triển phần mềm cho phép người dùng truy vấn theo ảnh mẫu (Query by Example), truy vấn theo bản vẽ tay phác thảo (Query by Sketch) và tinh chỉnh ngưỡng lọc lặp (Relevance Feedback).
  4. Đánh giá hiệu năng thực nghiệm: Đo lường độ chính xác (Precision/Recall) và thời gian phản hồi của từng độ đo khoảng cách (Min-Max Intersection, Euclidean, Quadratic Form).

Phạm vi và giới hạn của đề tài

  • Phạm vi: Tập trung vào các đặc trưng mức thấp (low-level visual features) bao gồm Màu sắc, Vân và Hình dạng trên tập dữ liệu ảnh tĩnh 2D.
  • Giới hạn: Đề tài nghiên cứu ở cấp độ toàn cục (global features) cho vân và hình dạng; chưa tích hợp nhận dạng ngữ nghĩa mức cao (Semantic Gap) và học sâu tự động (Deep Learning).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và giải pháp cạnh tranh

Tiêu chí Tìm kiếm dựa trên văn bản (Text-based) Hệ thống CBIR thế hệ đầu (QBIC, Virage) Giải pháp đề xuất trong khóa luận
Cơ chế truy vấn Từ khóa, gán nhãn thủ công (Tags) Lược đồ màu RGB toàn cục, Texture thô Đa đặc trưng: HSI cải tiến, GLCM + Laws, Sketch Grid Matching
Độ phụ thuộc ngôn ngữ 100% (Phụ thuộc từ vựng người gán) Không phụ thuộc Không phụ thuộc
Xử lý biến đổi ánh sáng Không áp dụng Kém (do dùng không gian RGB) Tốt (tách biệt kênh Intensity trong HSI và bộ lọc Laws)
Hỗ trợ truy vấn vẽ tay Không hỗ trợ Rất hạn chế Hỗ trợ so khớp lưới ô vuông (Grid Correlation)
Chi phí tính toán Thấp ($O(1)$ chỉ mục văn bản) Trung bình ($O(N \cdot K)$) Tối ưu hóa theo từng vector đặc trưng rời rạc

Yêu cầu người dùng (Mô hình MoSCoW)

  • Must Have:
    • Khả năng nạp và trích xuất vector đặc trưng từ cơ sở dữ liệu ảnh mẫu.
    • Chuyển đổi chính xác không gian màu từ RGB sang HSI nhằm phân tách độ sáng và độ bão hòa.
    • Module so khớp màu sắc sử dụng Lược đồ màu HSI rút gọn và độ đo Min-Max/Euclidean.
    • Module so khớp hình học theo đường viền Fourier và bản vẽ nét phác thảo (Sketch).
  • Should Have:
    • Giao diện tìm kiếm lặp (Iterative Feedback) cho phép người dùng tinh chỉnh ngưỡng dung sai (threshold).
    • Trích xuất 9 bản đồ năng lượng vân dựa trên hệ mặt nạ Laws 5x5.
  • Could Have:
    • Khả năng phân đoạn vùng ảnh (Texture/Color Segmentation) cục bộ.
  • Won't Have (Giai đoạn này):
    • Tự động nhận diện đối tượng 3D phức tạp hoặc phân loại video thời gian thực.

Thiết kế kiến trúc hệ thống

Kiến trúc hệ thống CBIR được phân tách thành 2 tiến trình chính: Tiến trình lập chỉ mục Offline (Indexing Process) và Tiến trình truy vấn Online (Querying Process).

[ OFFLINE INDEXING ]
Cơ sở dữ liệu ảnh ───► Tiền xử lý & Chuẩn hóa ───► Trích xuất đặc trưng ───► CSDL Vector Đặc trưng
                                                   (Color, Texture, Shape)         │
                                                                                   │
[ ONLINE RETRIEVAL ]                                                               ▼
Ảnh truy vấn/Sketch ──► Tiền xử lý tương thích ──► Trích xuất Vector Q ────► Module So khớp &
                                                                              Tính khoảng cách (d)
                                                                                   │
                                                                                   ▼
Người dùng ◄──────── Trả về danh sách ảnh tương đồng xếp hạng ◄────────── Bộ lọc & Sắp xếp

Implementation và kết quả

Chi tiết các thuật toán cốt lõi

1. Module Trích xuất Đặc trưng Màu sắc (Color Feature)

Hệ thống sử dụng không gian màu HSI (Hue - Saturation - Intensity) thay vì RGB chuẩn, giúp mô phỏng chính xác cơ chế cảm nhận màu sắc của mắt người và loại bỏ sự phụ thuộc vào cường độ chiếu sáng.

Thuật toán chuyển đổi từ RGB sang HSI được cài đặt như sau:

Procedure RGB_to_HSI(in R, G, B; out H, S, I)
Begin
    I := Max(R, G, B);
    Min_Val := Min(R, G, B);
    
    If (I > 0) Then
        S := (I - Min_Val) / I
    Else
        S := 0;
        
    If (S <= 0) Then
    Begin
        H := -1; // Màu vô sắc (Achromatic)
        Return;
    End;
    
    Diff := I - Min_Val;
    If (R = I) Then
        H := (PI / 3) * (G - B) / Diff
    Else If (G = I) Then
        H := (2 * PI / 3) + (PI / 3) * (B - R) / Diff
    Else If (B = I) Then
        H := (4 * PI / 3) + (PI / 3) * (R - G) / Diff;
        
    If (H < 0) Then
        H := H + 2 * PI;
End;

  • Lược đồ HSI cải tiến (167 Bins): Để giải quyết triệt để hiện tượng sai lệch khi $I \le 0.2$ (mọi giá trị $H$ đều biểu hiện là màu đen) hoặc $S$ rất nhỏ (màu xám), không gian màu được lượng tử hóa:

    • 5 mức xám (Gray-scale levels) khi $I$ thấp hoặc $S$ thấp.
    • 162 bin màu sắc phân bố đều theo tọa độ $H$ (18 cung bậc) và $S$ (9 mức bão hòa).

  • Độ đo tương đồng Lược đồ: Sử dụng phép giao lược đồ (Histogram Intersection) Min-Max: $$\text{Intersection}(h_I, h_M) = \sum_{j=1}^{K} \min(h_I[j], h_M[j])$$

2. Module Phân tích Đặc trưng Vân (Texture Feature)

Hệ thống kết hợp hai kỹ thuật thống kê và lọc không gian:

  • Ma trận đồng hiện mức xám (GLCM - Gray-Level Co-occurrence Matrix): Được xây dựng dựa trên vector dịch chuyển $d = (dr, dc)$: $$C_d[i,j] = |{[r,c] \mid I[r,c]=i \text{ và } I[r+dr, c+dc]=j}|$$ Từ ma trận chuẩn hóa $N_d[i,j]$, hệ thống trích xuất 3 chỉ số Haralick chính:

    • Tương phản (Contrast): $\sum_i \sum_j (i-j)^2 N_d[i,j]$
    • Đồng nhất (Homogeneity): $\sum_i \sum_j \frac{N_d[i,j]}{1+|i-j|}$
    • Tương quan (Correlation): $\sum_i \sum_j \frac{(i-\mu_i)(j-\mu_j)N_d[i,j]}{\sigma_i \sigma_j}$

  • Năng lượng vân Laws (Laws Texture Energy Measures): Sử dụng các vector tích chập $1D$:

    • $L_5\text{ (Level)} = [1, 4, 6, 4, 1]$
    • $E_5\text{ (Edge)} = [-1, -2, 0, 2, 1]$
    • $S_5\text{ (Spot)} = [-1, 0, 2, 0, -1]$
    • $R_5\text{ (Ripple)} = [1, -4, 6, -4, 1]$

    Mặt nạ 2D $E_5L_5$ được tính bằng tích $E_5^T \times L_5$: $$E_5L_5 = \begin{bmatrix} -1 & -4 & -6 & -4 & -1 \ -2 & -8 & -12 & -8 & -2 \ 0 & 0 & 0 & 0 & 0 \ 2 & 8 & 12 & 8 & 2 \ 1 & 4 & 6 & 4 & 1 \end{bmatrix}$$ Sau khi tích chập với cửa sổ tiền xử lý kích thước $15 \times 15$, 16 bản đồ lọc ban đầu được gộp thành 9 bản đồ năng lượng đối xứng bất biến.

3. Module So khớp Hình dạng (Shape & Sketch Matching)

  • Bộ mô tả Fourier đường biên (Fourier Descriptors): Dãy điểm biên $V_k$ được chuyển thành hệ số Fourier $a_n$: $$a_n = \frac{1}{L} \left(\frac{L}{2\pi n}\right)^2 \sum_{k=1}^m (v_{k-1} - v_k) e^{-j n (2\pi / L) l_k}$$ Khoảng cách giữa ảnh truy vấn $Q$ và ảnh trong CSDL $I$ được lượng hóa qua chuẩn Euclidean: $$d_{\text{Fourier}}(I, Q) = \sqrt{\sum_{n=-M}^{M} |a_n^I - a_n^Q|^2}$$

  • So khớp bản phác họa (Sketch Matching): Xây dựng chuỗi biến đổi hình ảnh: $$\text{Ảnh gốc} \xrightarrow{\text{Affine Transform}} \text{Chuẩn hóa kích thước} \xrightarrow{\text{Lọc trung vị}} \xrightarrow{\text{Dò biên Gradient}} \xrightarrow{\text{Làm mảnh/Rút gọn}} \text{Abstract Image}$$ So khớp trên lưới ô vuông $g$ với phép tịnh tiến cực đại $\text{shift}n$: $$d{\text{sketch}}(I, Q) = \frac{1}{\sum_g \max_n [d_{\text{correlation}}(\text{shift}_n(A_I(g)), L_Q(g))]}$$

   [Bản vẽ phát họa (Sketch)]               [Ảnh trong CSDL (Image Database)]
      ┌───┬───┬───┐                           ┌───┬───┬───┐
      │ g1│ g2│ g3│                           │ g1│ g2│ g3│
      ├───┼───┼───┤                           ├───┼───┼───┤
      │ g4│ g5│ g6│   <--- Tương quan lưới --->│ g4│ g5│ g6│
      ├───┼───┼───┤      (Grid Correlation)   ├───┼───┼───┤
      │ g7│ g8│ g9│                           │ g7│ g8│ g9│
      └───┴───┴───┘                           └───┴───┴───┘

Kết quả thử nghiệm và đánh giá

Hệ thống được thử nghiệm trên tập dữ liệu đa dạng bao gồm ảnh phong cảnh, động vật, hoa văn kết cấu tự nhiên (vân gỗ, vải, đá) và các biểu tượng hình học.

Độ chính xác (Precision) theo Top-K kết quả trả về:
100% ┌────────────────────────────────────────────────────────┐
     │  ●───●                                                 │
 80% │      └───●───●                                         │
     │              └───●───● (Màu sắc HSI - 167 Bins)        │
 60% │  ▲───────▲                                             │
     │          └───────▲───▲ (Đặc trưng Vân - GLCM & Laws)   │
 40% │  ■───■                                                 │
     │      └───■───────■───■ (So khớp Phác họa - Sketch)     │
 20% │                                                        │
  0% └──────┬───────┬───────┬───────┬───────┬─────────────────┘
          Top-5   Top-10  Top-20  Top-30  Top-50
  • Về đặc trưng màu sắc: Lược đồ màu HSI cải tiến cho độ chính xác đạt trên 88.4% đối với Top-10 ảnh trả về, loại bỏ hoàn toàn hiện tượng phân loại sai do chênh lệch cường độ sáng giữa ảnh gốc và ảnh chụp thực tế.
  • Về đặc trưng vân: Ma trận GLCM kết hợp cùng 9 mặt nạ Laws phân biệt chính xác các bề mặt đồng nhất (như nước, cỏ, vải ca-rô) với độ nhạy phân lớp đạt 81.2%.
  • Về so khớp phác họa (Sketch Matching): Hệ thống định vị chính xác đường bao vật thể ngay cả khi nét vẽ của người dùng có độ lệch góc xoay $\le 15^\circ$ và tỷ lệ co giãn sai lệch đến $20%$.

Đổi mới và đóng góp

  1. Cấu trúc Lược đồ HSI 167 Bins tối ưu hóa nhận thức: Khắc phục nhược điểm "vùng kỳ dị" (singularities) của hệ HSI truyền thống tại các vùng $I \approx 0$ và $S \approx 0$, giảm thiểu không gian lưu trữ từ $2^{24}$ màu xuống còn 167 giá trị rời rạc mà không làm suy giảm chất lượng truy vấn.
  2. Hợp nhất đa chỉ số thống kê kết cấu: Tích hợp kiểm định Chi-bình phương ($\chi^2$) để tự động tối ưu hóa vector dịch chuyển $d=(dr, dc)$ cho ma trận đồng hiện GLCM, nâng cao hiệu quả phân đoạn vân bề mặt tự nhiên.
  3. Giải thuật So khớp Phác họa trên lưới tương quan cục bộ: Cơ chế trích xuất ảnh trừu tượng (Abstract Edge Image) qua 4 bước tiền xử lý lọc biên hai cấp độ (Global/Local Thresholding) kết hợp phép dịch chuyển lưới giúp hệ thống chịu được sai số lớn từ nét vẽ tay tự do.
  4. Mô hình giao diện truy vấn tương tác lặp: Cung cấp giải pháp tìm kiếm phân cấp cho phép người dùng điều chỉnh trọng số giữa Màu sắc – Vân – Hình dạng tùy theo mục đích truy vấn chuyên biệt.

Ứng dụng thực tế và triển khai

                     CÁC LĨNH VỰC ỨNG DỤNG THỰC TẾ CỦA HỆ THỐNG CBIR
                                           │
        ┌──────────────────┬───────────────┴───────────────┬──────────────────┐
        ▼                  ▼                               ▼                  ▼
┌───────────────┐  ┌───────────────┐               ┌───────────────┐  ┌───────────────┐
│Bảo tàng & Di  │  │Thương mại điện│               │Hồ sơ tư pháp &│  │Chẩn đoán Y tế │
│tích nghệ thuật│  │tử & Thời trang│               │An ninh điều tra│ │& Ảnh vi thể   │
└───────┬───────┘  └───────┬───────┘               └───────┬───────┘  └───────┬───────┘
        │                  │                               │                  │
        ▼                  ▼                               ▼                  ▼
 Truy vấn tranh vẽ  Tìm kiếm trang phục             Nhận dạng dấu vân  Phân loại tổn
 theo trường phái   qua ảnh mẫu/bản vẽ             tay, mặt đối tượng thương mô học
 hoặc bố cục màu   phác thảo dáng áo               qua nét phác họa   qua cấu trúc vân

Các kịch bản ứng dụng tiêu biểu

  • Bảo tàng số và Quản lý di sản nghệ thuật: Tìm kiếm tranh sơn dầu, cổ vật thông qua tông màu chủ đạo hoặc họa tiết hoa văn đặc trưng của từng thời kỳ lịch sử.
  • Thương mại điện tử thời trang: Cho phép khách hàng phác thảo kiểu dáng quần áo hoặc tải ảnh chụp chất liệu vải để tìm sản phẩm có cấu trúc dệt tương đương.
  • Điều tra tội phạm và Lưu trữ tư pháp: Truy cứu nhân dạng đối tượng, hình xăm hoặc hiện trường vụ án thông qua các bản phác thảo nhân chứng (Facial Composite / Sketch Retrieval).
  • Lưu trữ ảnh bệnh học y khoa (PACS): Hỗ trợ bác sĩ tìm kiếm các mẫu tổn thương da liễu, phim chụp X-quang, MRI có cấu trúc vân mô học tương tự trong ngân hàng dữ liệu chẩn đoán.

Yêu cầu triển khai hệ thống

  • Phần cứng đề xuất:
    • Vi xử lý: Pentium III/IV tốc độ tối thiểu 800 MHz (khuyến nghị kiến trúc đa lõi hiện đại x86_64).
    • Bộ nhớ RAM: Tối thiểu 256 MB (Khuyến nghị 4 GB trở lên khi lưu trữ trên 100,000 vector đặc trưng).
    • Không gian đĩa cứng: Tối thiểu 500 MB cho cơ sở dữ liệu đặc trưng nhị phân.
  • Môi trường phần mềm:
    • Hệ điều hành: Windows NT/2000/XP hoặc Linux Kernel 2.4+.
    • Nền tảng phát triển: C/C++, Win32 API, GDI+ hoặc thư viện xử lý ảnh chuyên dụng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Khoảng cách ngữ nghĩa (Semantic Gap): Hệ thống chỉ giải quyết bài toán so khớp ở mức độ đặc trưng thị giác thấp (pixel-level), chưa thể hiểu được nội dung trừu tượng hoặc ngữ cảnh bức ảnh (ví dụ: không phân biệt được bức ảnh bãi biển hay bức ảnh sa mạc nếu có cùng phân bố màu vàng cát và xanh lam).
  • Độ phức tạp tính toán khi xoay hình: Bộ mô tả Fourier và so khớp lưới sketch tiêu tốn nhiều chu kỳ tính toán nếu phải thử nghiệm toàn bộ các góc xoay $360^\circ$ mà không có định hướng trục chính (Major Axis).
  • Quy mô tập dữ liệu: Việc tìm kiếm tuyến tính trên CSDL lớn chưa áp dụng các cấu trúc cây chỉ mục không gian đa chiều (như KD-Tree, R-Tree) dẫn đến độ trễ tăng tuyến tính theo số lượng ảnh.

Hướng nâng cấp và phát triển tương lai

  1. Tích hợp chỉ mục không gian đa chiều: Cài đặt chỉ mục KD-Tree và SR-Tree nhằm giảm độ phức tạp tìm kiếm từ $O(N)$ xuống $O(\log N)$.
  2. Kết hợp học sâu (Deep Metric Learning): Ứng dụng mạng nơ-ron tích chập (CNN) như ResNet, EfficientNet hoặc Vision Transformers (ViT) để trích xuất Feature Embeddings mức cao, xóa bỏ rào cản Semantic Gap.
  3. Phát triển hệ thống lai (Hybrid Multimodal Retrieval): Kết hợp đồng thời truy vấn ngôn ngữ tự nhiên (Text/Prompt) với ảnh phác thảo thông qua kiến trúc tương tự mô hình CLIP hiện đại.

Đối tượng hưởng lợi

┌────────────────────────────────────────────────────────────────────────────────────────┐
│                              LỢI ÍCH CỦA ĐỀ TÀI THEO ĐỐI TƯỢNG                        │
├───────────────────┬────────────────────────────────────────────────────────────────────┤
│ 👨‍🎓 Sinh viên       │ Tài liệu tham khảo chuẩn mực về các thuật toán thị giác kinh điển   │
│                   │ (HSI conversion, Haralick Texture, Fourier Descriptors).           │
├───────────────────┼────────────────────────────────────────────────────────────────────┤
│ 👨‍💻 Kỹ sư phần mềm │ Cung cấp mã nguồn thuật toán, cấu trúc dữ liệu mảng nhị phân rời   │
│                   │ rạc hóa tối ưu bộ nhớ cho các ứng dụng xử lý đồ họa máy tính.       │
├───────────────────┼────────────────────────────────────────────────────────────────────┤
│ 🔬 Nhà nghiên cứu │ Hệ thống hóa cơ sở lý thuyết so khớp đa chiều, làm tiền đề mở rộng │
│                   │ sang các kỹ thuật Spatial Pyramid Matching và Bag-of-Visual-Words. │
├───────────────────┼────────────────────────────────────────────────────────────────────┤
│ 🏢 Doanh nghiệp   │ Khung kiến trúc khả thi để xây dựng công cụ tìm kiếm nội bộ cho    │
│                   │ kho lưu trữ media, bảo tàng số hoặc nền tảng thương mại điện tử.   │
└───────────────────┴────────────────────────────────────────────────────────────────────┘

Câu hỏi thường gặp

1. Tại sao không sử dụng trực tiếp không gian màu RGB để tính toán lược đồ màu mà phải chuyển sang HSI?

Không gian màu RGB là không gian màu cộng được thiết kế tối ưu cho phần cứng hiển thị (màn hình CRT/LCD), trong đó ba thành phần R, G, B có độ tương quan rất cao và đều bị ảnh hưởng trực tiếp khi cường độ sáng thay đổi. Không gian màu HSI phân tách rạch ròi giữa thông tin màu thuần khiết ($H, S$) và cường độ sáng ($I$), cho phép hệ thống duy trì độ chính xác cao ngay cả khi ảnh bị thiếu sáng hoặc chụp dưới các nguồn sáng khác nhau.

2. Sự khác biệt cốt lõi giữa Ma trận đồng hiện GLCM và Bộ lọc năng lượng Laws là gì?

GLCM là phương pháp thống kê bậc 2 (second-order statistics) đo lường tần suất xuất hiện đồng thời của các cặp mức xám theo khoảng cách và hướng cố định, rất mạnh trong việc biểu diễn tính đồng nhất và tương phản toàn cục. Ngược lại, bộ lọc Laws là phương pháp vi sai cục bộ (local filtering) sử dụng các mặt nạ tích chập 5x5 để đo lường cụ thể các thành phần như biên, đốm và sóng, có tốc độ tính toán nhanh hơn và phù hợp cho bài toán phân đoạn vùng.

3. Thuật toán Sketch Matching xử lý độ sai lệch trong nét vẽ của người dùng như thế nào?

Hệ thống áp dụng kỹ thuật chia ảnh thành lưới ô vuông (Grid-based subregions). Tại mỗi ô lưới, thuật toán thực hiện phép tương quan cục bộ trên các phiên bản dịch chuyển vi mô ($\text{shift}_n$) của ảnh trích xuất và chọn giá trị tương quan cực đại ($\max$). Cơ chế này tạo ra một "dung sai vị trí", giúp hệ thống nhận diện chính xác vật thể dù người dùng vẽ không hoàn hảo về kích thước hay vị trí.

4. Chi phí tính toán để trích xuất đặc trưng cho một bức ảnh mất bao lâu?

Đối với ảnh kích thước chuẩn $256 \times 256$, thời gian duyệt và tính toán Lược đồ HSI chỉ mất một lần quét qua toàn bộ điểm ảnh ($O(W \times H) \approx 65,536$ phép tính, tương đương $< 15\text{ms}$). Tính toán GLCM và 9 mặt nạ Laws mất trung bình khoảng $40 - 80\text{ms}$. Việc tiền trích xuất và lưu trữ sẵn dưới dạng vector trong CSDL giúp quá trình truy vấn trực tuyến chỉ mất vài mili-giây.

5. Hệ thống làm thế nào để đảm bảo tính bất biến kích thước (Scale Invariance) khi so khớp hình dạng?

Tính bất biến về tỷ lệ đạt được qua hai cơ chế: (1) Chuẩn hóa kích thước ảnh về một khung cố định bằng phép biến đổi Affine trước khi trích xuất biên; (2) Đối với mô tả Fourier, các hệ số $a_n$ được chia chuẩn hóa cho chiều dài tổng thể đường biên $L$, giúp vector đặc trưng hình học hoàn toàn không bị ảnh hưởng bởi độ lớn nhỏ của đối tượng.

Kết luận

Khóa luận "Tìm Kiếm Ảnh Dựa Vào Nội Dung: Phương Pháp và Ứng Dụng" của tác giả Nguyễn Quốc Uy đã nghiên cứu thành công và hiện thực hóa một hệ thống CBIR toàn diện, tích hợp 3 trụ cột đặc trưng thị giác nền tảng: Màu sắc (HSI cải tiến), Vân (GLCM & Laws Energy) và Hình dạng (Fourier Descriptors & Sketch Matching).

Bằng việc kết hợp chặt chẽ giữa lý thuyết xử lý tín hiệu số, thị giác máy tính và cấu trúc dữ liệu tối ưu, công trình không chỉ giải quyết được những hạn chế cố hữu của phương pháp tìm kiếm văn bản truyền thống mà còn đặt nền móng vững chắc cho các ứng dụng thực tiễn trong lưu trữ bảo tàng, thương mại điện tử, bảo mật tư pháp và y tế số. Đây là tài liệu học thuật và kỹ thuật mẫu mực, cung cấp giá trị tham khảo sâu sắc cho sinh viên, kỹ sư phần mềm và các nhà nghiên cứu trong lĩnh vực truy vấn thông tin thị giác.