Truy Vấn Ảnh Dựa Trên Nội Dung Trong Tập Dữ Liệu Lớn

Luận văn thạc sĩ nghiên cứu máy tính truy vấn ảnh trong tập dữ liệu ảnh lớn dựa trên nội dung, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh vực .

• Tác giả: Hoàng Văn Nhật Vũ
• Người hướng dẫn: TS. Nguyễn Thanh Bình
• Trường học: Đại học Quốc gia TP. HCM
• Chuyên ngành: Khoa học máy tính
• Đề tài: Truy Vấn Ảnh Dựa Trên Nội Dung Trong Tập Dữ Liệu Lớn
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• NHIỆM VỤ LUẬN VĂN THẠC SĨ
• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Giới thiệu đề tài
• 1.2. Mục tiêu đề tài
• 1.3. Nội dung đề tài
• 1.4. Giới hạn đề tài
• 1.5. Cấu trúc báo cáo
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Giới thiệu khái niệm truy vấn ảnh dựa trên nội dung
• 2.2. Mô hình hệ thống truy vấn ảnh dựa trên nội dung
• 2.3. Phương pháp trích rút và so trùng đặc trưng
• 2.4. Các chức năng cơ bản của hệ thống truy vấn ảnh dựa trên nội dung
• 2.5. Ứng dụng của hệ thống truy vấn ảnh dựa trên nội dung
• 2.6. Một số hệ thống truy vấn ảnh dựa trên nội dung
• 2.7. Các công trình nghiên cứu liên quan
• 2.8. Các đặc trưng cấp thấp của hình ảnh
• 2.8.1. Đặc trưng màu sắc
• 2.8.2. Đặc trưng hình dạng
• 2.8.3. Đặc trưng kết cấu
• 2.8.4. Đặc trưng bất biến cục bộ
• 2.9. Độ đo tương đồng ảnh
• 2.10. Phương pháp trích rút đặc trưng dựa trên màu sắc
• 2.10.1. Phương pháp Histogram
• 2.10.2. Phương pháp Auto Correlogram
• 2.10.3. Phương pháp Color Moment
• 2.11. Phương pháp trích rút đặc trưng dựa trên hình dạng
• 2.11.1. Phương pháp Sobel
• 2.11.2. Phương pháp Canny Edge
• 2.12. Phương pháp trích rút đặc trưng dựa trên kết cấu
• 2.12.1. Phương pháp Gray Level Co-Occurrence Matrix
• 2.12.2. Phương pháp Local Binary Pattern
• 2.13. Phương pháp trích rút đặc trưng dựa trên đặc trưng bất biến cục bộ
• 2.13.1. Phương pháp Moravec Corner Detector
• 2.13.2. Phương pháp Harris Corner Detector
• 2.13.3. Phương pháp Scale Invariant Feature Transform
• 3. CHƯƠNG 3: PHƯƠNG PHÁP TRUY VẤN ẢNH ĐỀ XUẤT
• 3.1. Yêu cầu bài toán
• 3.2. Phương pháp truy vấn ảnh đề xuất
• 3.3. Phương pháp trích rút đặc trưng SURF kết hợp Color Moment
• 3.4. Mô hình Bag of Feature
• 3.5. Phương pháp trích rút đặc trưng kết cấu Gabor Filter
• 3.6. Thuật toán Randomized KD-Tree
• 3.7. Phương pháp đánh giá
• 4. CHƯƠNG 4: HIỆN THỰC VÀ ĐÁNH GIÁ PHƯƠNG PHÁP ĐỀ XUẤT
• 4.1. Tập dữ liệu đánh giá
• 4.2. Kết quả hiện thực
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Kết quả đạt được
• 5.2. Ưu nhược điểm của phương pháp đề xuất
• 5.2.1. Nhược điểm
• 5.3. Đóng góp của luận văn
• 5.3.1. Ý nghĩa thực tiễn
• 5.3.2. Ý nghĩa khoa học
• 5.4. Hướng mở rộng tương lai
• DANH MỤC CÁC CHỮ VIẾT TẮT VÀ Ý NGHĨA
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH

Tóm tắt

I. Truy Vấn Ảnh Dựa Trên Nội Dung Tổng Quan Giới Thiệu

Trong bối cảnh số lượng hình ảnh tăng trưởng vượt bậc, truy vấn ảnh dựa trên nội dung (CBIR) nổi lên như một giải pháp hiệu quả, khắc phục những hạn chế của phương pháp tìm kiếm truyền thống dựa trên văn bản. CBIR phân tích các đặc trưng trực quan như màu sắc, kết cấu, hình dạng, và đặc trưng bất biến cục bộ để tìm kiếm và nhận dạng ảnh, đáp ứng nhu cầu đa dạng từ nhận dạng ảnh, y tế (chuẩn đoán bệnh), đăng ký bản quyền thương hiệu. Khác với phương pháp gán nhãn thủ công, CBIR tiếp cận một cách khách quan, khai thác chính nội dung của hình ảnh để tìm kiếm ảnh tương tự. Các hệ thống CBIR hiện đại như Google Image Search đã tích hợp CBIR, cho phép người dùng tải ảnh lên và tìm kiếm hình ảnh tương đồng dựa trên nội dung, không cần đến từ khóa. Điều này nhấn mạnh vai trò quan trọng của việc phát triển các phương pháp trích xuất đặc trưng hiệu quả để nâng cao độ chính xác của quá trình tìm kiếm.

1.1. CBIR Content Based Image Retrieval Định nghĩa Ưu điểm

CBIR là phương pháp truy vấn ảnh sử dụng các đặc trưng trực quan của ảnh, bao gồm màu sắc, kết cấu, hình dạng và đặc trưng bất biến cục bộ. Ưu điểm vượt trội của CBIR so với tìm kiếm dựa trên văn bản là loại bỏ sự phụ thuộc vào chú thích chủ quan, khai thác trực tiếp nội dung ảnh. Điều này giúp nâng cao tính khách quan và chính xác của kết quả tìm kiếm, đặc biệt trong các ứng dụng đòi hỏi độ tin cậy cao như phân tích ngữ nghĩa ảnh và ứng dụng CBIR trong các lĩnh vực chuyên biệt.

1.2. Mô Hình Hệ Thống CBIR Các Thành Phần Quy Trình Cơ Bản

Một hệ thống CBIR điển hình bao gồm các thành phần chính: trích xuất đặc trưng ảnh (feature extraction), so sánh độ tương đồng (similarity matching) và đánh chỉ mục cơ sở dữ liệu ảnh (image database indexing). Quá trình bắt đầu bằng việc trích xuất các đặc trưng quan trọng từ ảnh. Sau đó, các đặc trưng này được sử dụng để so sánh với các ảnh trong cơ sở dữ liệu, dựa trên các độ đo tương đồng phù hợp. Cuối cùng, hệ thống trả về những ảnh có độ tương đồng cao nhất. Một số hệ thống còn tích hợp thêm phân loại ảnh, giúp tăng cường hiệu quả tìm kiếm và giảm độ phức tạp tính toán.

1.3. Ứng Dụng Thực Tế của CBIR trong Nhiều Lĩnh Vực

Ứng dụng CBIR trải rộng trên nhiều lĩnh vực, bao gồm y tế (chẩn đoán hình ảnh), thương mại điện tử (tìm kiếm sản phẩm tương tự), quản lý thư viện số, giám sát an ninh (nhận dạng đối tượng), và thậm chí cả trong nghệ thuật (phân tích tác phẩm). Trong y tế, CBIR hỗ trợ bác sĩ so sánh hình ảnh y khoa để phát hiện bệnh lý. Trong thương mại điện tử, CBIR cho phép người dùng tìm kiếm sản phẩm tương tự bằng cách tải ảnh sản phẩm mong muốn. Sự linh hoạt và khả năng thích ứng cao giúp CBIR trở thành một công cụ quan trọng trong việc xử lý và khai thác thông tin từ hình ảnh.

II. Thách Thức CBIR trong Tập Dữ Liệu Lớn Vấn Đề Giải Pháp

Mặc dù CBIR mang lại nhiều ưu điểm, việc triển khai nó trên tập dữ liệu ảnh lớn (large-scale image retrieval) đặt ra những thách thức không nhỏ. Một trong những vấn đề cốt lõi là semantic gap (khoảng cách ngữ nghĩa), tức là sự khác biệt giữa cách máy tính biểu diễn hình ảnh (dưới dạng các con số) và cách con người hiểu ý nghĩa của hình ảnh. Bên cạnh đó, việc xử lý và so sánh đặc trưng trên lượng lớn dữ liệu đòi hỏi tài nguyên tính toán đáng kể và có thể dẫn đến thời gian truy vấn chậm. Để giải quyết những thách thức này, cần có các phương pháp hiệu quả để tối ưu hóa truy vấn ảnh, giảm số chiều của vectơ đặc trưng và tăng tốc độ tìm kiếm.

2.1. Khoảng Cách Ngữ Nghĩa Semantic Gap Nguyên Nhân Ảnh Hưởng

Khoảng cách ngữ nghĩa là một thách thức lớn trong CBIR. Máy tính chỉ có thể phân tích các đặc trưng cấp thấp như màu sắc và kết cấu, trong khi con người hiểu hình ảnh ở mức độ ngữ nghĩa cao hơn, liên quan đến đối tượng, bối cảnh và ý nghĩa. Khoảng cách này dẫn đến việc hệ thống có thể trả về kết quả không phù hợp với mong đợi của người dùng, ngay cả khi các đặc trưng cấp thấp có vẻ tương đồng. Việc thu hẹp khoảng cách ngữ nghĩa đòi hỏi các phương pháp image understanding (hiểu ảnh) và phân tích ngữ nghĩa ảnh phức tạp hơn.

2.2. Vấn Đề Tốc Độ Truy Vấn Tìm Kiếm Tuần Tự Giải Pháp Tối Ưu

Trên tập dữ liệu lớn, việc tìm kiếm tuần tự (so sánh ảnh truy vấn với từng ảnh trong cơ sở dữ liệu) trở nên kém hiệu quả do tốn quá nhiều thời gian. Để giải quyết vấn đề này, các phương pháp image indexing (lập chỉ mục ảnh), như Randomized KD-tree và hashing ảnh, được sử dụng để tổ chức dữ liệu một cách thông minh, giúp giảm đáng kể số lượng ảnh cần so sánh. Các kỹ thuật tối ưu hóa truy vấn ảnh cũng đóng vai trò quan trọng trong việc cải thiện hiệu suất.

2.3. Dung Lượng Đặc Trưng Lớn Giảm Chiều Dữ Liệu Mô Hình Bag of Feature

Việc trích xuất đặc trưng từ ảnh thường tạo ra các vectơ đặc trưng có số chiều lớn, gây khó khăn cho việc lưu trữ và xử lý. Các phương pháp giảm chiều dữ liệu, như mô hình Bag of Feature (BoF) và vector lượng tử hóa (vector quantization), được sử dụng để giảm kích thước của vectơ đặc trưng mà vẫn giữ được thông tin quan trọng. BoF gom các đặc trưng tương tự thành các "từ" (visual words), giúp giảm số chiều và tăng tốc độ so sánh.

III. Phương Pháp CBIR Hiện Đại Trích Xuất Đặc Trưng Độ Tương Đồng

Các phương pháp CBIR hiện đại tập trung vào việc trích xuất các đặc trưng mạnh mẽ, ít bị ảnh hưởng bởi biến đổi hình học (tỉ lệ, xoay, góc nhìn) và ánh sáng. Các đặc trưng này thường được kết hợp với các kỹ thuật học sâu cho truy vấn ảnh để nâng cao khả năng phân biệt và giảm ảnh hưởng của semantic gap. Việc lựa chọn độ đo tương đồng ảnh phù hợp cũng rất quan trọng, ảnh hưởng trực tiếp đến độ chính xác của kết quả truy vấn. Các độ đo phổ biến bao gồm khoảng cách Euclidean, cosine similarity và earth mover's distance.

3.1. Đặc Trưng Bất Biến Cục Bộ Local Invariant Features SIFT SURF

Đặc trưng bất biến cục bộ, như SIFT (Scale-Invariant Feature Transform) và SURF (Speeded Up Robust Features), có khả năng chống lại các biến đổi hình học và ánh sáng tốt hơn so với các đặc trưng toàn cục. Các đặc trưng này được trích xuất tại các điểm đặc biệt trong ảnh (keypoints) và mô tả các vùng lân cận của điểm đó. SURF thường được ưu tiên hơn SIFT do tốc độ tính toán nhanh hơn, trong khi vẫn đảm bảo độ chính xác tương đương.

3.2. Kết Hợp Đặc Trưng Màu Sắc Kết Cấu Học Sâu

Để tăng cường khả năng phân biệt, các phương pháp CBIR thường kết hợp nhiều loại đặc trưng khác nhau. Ví dụ, có thể kết hợp đặc trưng bất biến cục bộ với đặc trưng màu sắc (histogram màu, color moment) và đặc trưng kết cấu (Gabor filter, LBP). Gần đây, các mô hình học sâu cho ảnh (Convolutional Neural Networks - CNNs) đã chứng minh hiệu quả vượt trội trong việc trích xuất đặc trưng và được sử dụng rộng rãi trong CBIR.

3.3. Độ Đo Tương Đồng Image Similarity Euclidean Cosine Earth Mover s Distance

Việc lựa chọn độ đo tương đồng phù hợp là rất quan trọng để đánh giá mức độ giống nhau giữa hai ảnh. Khoảng cách Euclidean là một lựa chọn đơn giản và phổ biến, nhưng nó có thể không hiệu quả trong trường hợp các vectơ đặc trưng có số chiều lớn. Cosine similarity đo góc giữa hai vectơ và ít bị ảnh hưởng bởi độ lớn của vectơ. Earth mover's distance (EMD), còn gọi là Wasserstein distance, là một độ đo mạnh mẽ hơn, đặc biệt phù hợp cho các đặc trưng dựa trên histogram.

IV. Ứng Dụng CNN cho CBIR Giải Pháp Học Sâu Vượt Trội Hiện Nay

Sự trỗi dậy của mô hình học sâu cho ảnh, đặc biệt là Convolutional Neural Networks (CNNs), đã mang đến một cuộc cách mạng trong lĩnh vực CBIR. CNNs có khả năng tự động học các đặc trưng phức tạp từ dữ liệu hình ảnh, giúp giảm thiểu sự can thiệp thủ công và vượt qua những hạn chế của các phương pháp trích xuất đặc trưng truyền thống. Các CNN được huấn luyện trên các tập dữ liệu lớn có thể tạo ra các biểu diễn đặc trưng mạnh mẽ, cho phép tìm kiếm ảnh chính xác và hiệu quả hơn.

4.1. Trích Xuất Đặc Trưng Bằng CNN Tự Động Học Đặc Trưng Phức Tạp

CNNs sử dụng các lớp convolutional để tự động học các đặc trưng từ dữ liệu hình ảnh. Các lớp này bao gồm các bộ lọc (filters) nhỏ, được áp dụng lên các vùng cục bộ của ảnh để trích xuất các đặc trưng như cạnh, góc và kết cấu. Qua nhiều lớp convolutional, CNNs có thể học các đặc trưng phức tạp hơn, thể hiện mối quan hệ giữa các đặc trưng cấp thấp. Các đặc trưng được học bởi CNNs thường có khả năng phân biệt cao và ít bị ảnh hưởng bởi nhiễu.

4.2. Transfer Learning Tận Dụng Mô Hình CNN Tiền Huấn Luyện

Transfer learning là một kỹ thuật hiệu quả để tận dụng các mô hình CNN đã được huấn luyện trên các tập dữ liệu lớn (ví dụ: ImageNet) cho các nhiệm vụ CBIR. Thay vì huấn luyện một mô hình CNN từ đầu, ta có thể sử dụng một mô hình tiền huấn luyện và tinh chỉnh nó trên tập dữ liệu cụ thể của mình. Điều này giúp tiết kiệm thời gian và tài nguyên tính toán, đồng thời cải thiện hiệu suất của mô hình.

4.3. Fine tuning CNN Nâng Cao Độ Chính Xác cho CBIR

Sau khi áp dụng transfer learning, việc fine-tuning mô hình CNN là rất quan trọng để nâng cao độ chính xác cho CBIR. Fine-tuning bao gồm việc điều chỉnh các tham số của mô hình tiền huấn luyện trên tập dữ liệu của mình. Tốc độ học (learning rate) thường được giảm xuống để tránh làm hỏng các đặc trưng đã được học. Fine-tuning giúp mô hình CNN thích nghi tốt hơn với dữ liệu cụ thể và cải thiện khả năng phân biệt.

V. Đánh Giá Hiệu Suất CBIR Các Độ Đo Quan Trọng Phương Pháp

Việc đánh giá hiệu suất của hệ thống CBIR là rất quan trọng để xác định tính hiệu quả của các phương pháp trích xuất đặc trưng và so sánh độ tương đồng. Các độ đo phổ biến bao gồm độ chính xác (precision), độ phủ (recall), F-measure, Mean Average Precision (MAP) và Normalized Discounted Cumulative Gain (NDCG). Các độ đo này đánh giá khả năng của hệ thống trong việc trả về các kết quả phù hợp và xếp hạng chúng một cách chính xác.

5.1. Độ Chính Xác Precision Độ Phủ Recall Đánh Giá Cơ Bản

Độ chính xác (precision) đo tỷ lệ các ảnh trả về là phù hợp so với tổng số ảnh trả về. Độ phủ (recall) đo tỷ lệ các ảnh phù hợp trong cơ sở dữ liệu được trả về bởi hệ thống. Cả hai độ đo này đều quan trọng để đánh giá hiệu suất của CBIR. Một hệ thống lý tưởng nên có cả độ chính xác và độ phủ cao.

5.2. F measure Kết Hợp Precision Recall trong Một Độ Đo

F-measure là trung bình điều hòa của precision và recall, cung cấp một độ đo tổng hợp về hiệu suất của CBIR. F-measure thường được sử dụng để so sánh hiệu suất của các hệ thống khác nhau hoặc để đánh giá hiệu quả của việc thay đổi các tham số trong hệ thống.

5.3. MAP Mean Average Precision NDCG Normalized Discounted Cumulative Gain Đánh Giá Xếp Hạng

MAP (Mean Average Precision) và NDCG (Normalized Discounted Cumulative Gain) là các độ đo phức tạp hơn, đánh giá khả năng của hệ thống trong việc xếp hạng các kết quả tìm kiếm. MAP tính trung bình độ chính xác trung bình cho mỗi truy vấn, trong khi NDCG đánh giá chất lượng của xếp hạng dựa trên mức độ phù hợp của các ảnh trả về.

VI. Kết Luận Hướng Phát Triển Tương Lai của CBIR

Truy vấn ảnh dựa trên nội dung đã có những bước tiến đáng kể trong những năm gần đây, nhờ vào sự phát triển của các phương pháp trích xuất đặc trưng mạnh mẽ và các kỹ thuật học sâu. Tuy nhiên, vẫn còn nhiều thách thức cần giải quyết, đặc biệt là semantic gap và khả năng mở rộng hệ thống để xử lý tập dữ liệu lớn. Hướng phát triển tương lai của CBIR tập trung vào việc tích hợp các kỹ thuật image understanding và AI cho ảnh để thu hẹp khoảng cách ngữ nghĩa và cải thiện trải nghiệm người dùng.

6.1. Tóm Tắt Thành Tựu Hạn Chế của Các Phương Pháp CBIR Hiện Tại

Các phương pháp CBIR hiện tại đã đạt được những thành công đáng kể trong việc trích xuất đặc trưng và so sánh độ tương đồng. Tuy nhiên, vẫn còn những hạn chế cần giải quyết, bao gồm semantic gap, khả năng xử lý biến đổi hình học và ánh sáng, và khả năng mở rộng hệ thống để xử lý tập dữ liệu lớn.

6.2. Hướng Nghiên Cứu Tương Lai AI cho Ảnh Image Understanding

Hướng nghiên cứu tương lai của CBIR tập trung vào việc tích hợp các kỹ thuật AI cho ảnh và image understanding để thu hẹp semantic gap. Điều này bao gồm việc phát triển các mô hình có khả năng hiểu ngữ cảnh và ý nghĩa của hình ảnh, cũng như các kỹ thuật để tương tác với người dùng và nhận phản hồi để cải thiện kết quả tìm kiếm.

6.3. Tiềm Năng Phát Triển CBIR Ứng Dụng Rộng Rãi Tương Lai Hứa Hẹn

CBIR có tiềm năng phát triển rất lớn trong tương lai, với các ứng dụng rộng rãi trong nhiều lĩnh vực, bao gồm y tế, thương mại điện tử, an ninh và giáo dục. Sự phát triển của các kỹ thuật AI cho ảnh và image understanding sẽ giúp CBIR trở thành một công cụ mạnh mẽ để khai thác thông tin từ hình ảnh và cải thiện trải nghiệm người dùng.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh kỷ nguyên số bùng nổ, hơn 80% dữ liệu kỹ thuật số được tạo ra hàng ngày tồn tại dưới dạng hình ảnh và video. Phương pháp tìm kiếm truyền thống dựa trên văn bản (Text-Based Image Retrieval) bộc lộ nhiều hạn chế nghiêm trọng do phụ thuộc hoàn toàn vào việc gán nhãn thủ công, mang tính chủ quan cao và không thể phản ánh đầy đủ thông tin trực quan phức tạp. Nhằm giải quyết triệt để vấn đề này, đề tài nghiên cứu tập trung xây dựng hệ thống truy vấn ảnh dựa trên nội dung (Content-Based Image Retrieval - CBIR) tự động, khai thác trực tiếp các đặc trưng thị giác cấp thấp vốn có của hình ảnh.

Mục tiêu trọng tâm của nghiên cứu là đề xuất và hiện thực hóa một giải pháp toàn diện kết hợp đặc trưng bất biến cục bộ SURF (Speeded Up Robust Features) với đặc trưng màu sắc Color Moment, bổ sung đặc trưng kết cấu Gabor Filter, đồng thời tích hợp mô hình Bag of Features (BoF) nhằm giảm số chiều dữ liệu và áp dụng thuật toán Randomized KD-Tree để tăng tốc truy vấn. Đề tài được thực hiện trong khuôn khổ chương trình đào tạo Thạc sĩ Khoa học Máy tính tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh, hoàn thành và nghiệm thu vào năm 2017.

Nghiên cứu mang ý nghĩa khoa học và thực tiễn sâu sắc khi cung cấp giải pháp xử lý hiệu quả bài toán khoảng cách ngữ nghĩa và bùng nổ số chiều dữ liệu. Kết quả thực nghiệm cho thấy hệ thống giúp cải thiện độ chính xác truy vấn thêm hơn 15% so với phương pháp đơn lẻ, đồng thời cắt giảm hơn 70% thời gian phản hồi so với các thuật toán tìm kiếm tuần tự truyền thống trên tập dữ liệu quy mô lớn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết xử lý ảnh số, thị giác máy tính và học máy, kết hợp 3 khung lý thuyết then chốt:

1. Lý thuyết đặc trưng bất biến cục bộ (Local Invariant Features): Dựa trên nguyên lý phát hiện điểm quan tâm (keypoint) bất biến với các phép biến đổi hình học và chiếu sáng. Thuật toán SURF sử dụng ma trận Hessian xấp xỉ qua ảnh tích phân (Integral Image) và bộ lọc Haar-wavelet, mang lại tốc độ tính toán nhanh vượt trội so với giải thuật SIFT truyền thống.
2. Lý thuyết phân bố màu sắc thống kê: Mô hình Color Moment khai thác 3 moment toán học bậc thấp trên từng kênh màu (gồm giá trị trung bình Mean, độ lệch chuẩn Standard Deviation và độ lệch phân bố Skewness). Không gian màu RGB tạo ra vectơ 9 chiều nhỏ gọn, bất biến với phép quay, co giãn và có khả năng thích ứng cao dưới sự thay đổi cường độ chiếu sáng.
3. Mô hình biểu diễn từ điển thị giác (Bag of Features - BoF): Áp dụng nguyên lý túi từ (Bag of Words) trong xử lý ngôn ngữ tự nhiên vào thị giác máy tính. Mô hình gom cụm hàng triệu điểm đặc trưng cục bộ thành một bộ từ điển thị giác (Visual Vocabulary) cố định, giúp cô đọng thông tin hình ảnh thành vectơ tần suất duy nhất.

Bên cạnh đó, nghiên cứu tích hợp bộ lọc kết cấu Gabor Filter với 4 tỷ lệ tần số và 6 hướng không gian khác nhau nhằm mô phỏng hệ thống thị giác con người, cùng cấu trúc cây ngẫu nhiên Randomized KD-Tree để giải bài toán tìm kiếm láng giềng gần đúng trong không gian đa chiều.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng kết hợp thực nghiệm so sánh đối chứng trên tập dữ liệu ảnh chuẩn gồm 1.000 hình ảnh đa chủ đề, được phân chia cân bằng thành 10 danh mục khác nhau như phong cảnh, con người, kiến trúc, động vật và phương tiện. Phương pháp chọn mẫu phân tầng ngẫu nhiên (Stratified Random Sampling) được áp dụng nhằm đảm bảo tính đại diện khách quan cho các cấu trúc thị giác phức tạp.

Quá trình phân tích thực nghiệm được triển khai thông qua việc thiết lập 40 tập truy vấn kiểm thử độc lập. Nghiên cứu lựa chọn các phương pháp trích xuất SURF kết hợp Color Moment và Gabor Filter vì tính bổ trợ hoàn hảo: SURF cung cấp độ bền vững hình học, Color Moment bổ sung thông tin màu sắc bị khuyết thiếu trên ảnh xám, và Gabor Filter nắm bắt các mẫu hoa văn lặp lại. Toàn bộ quy trình từ thiết kế thuật toán, huấn luyện từ điển thị giác BoF đến đánh giá hiệu năng được tiến hành chặt chẽ từ tháng 2 năm 2017 đến tháng 6 năm 2017.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh trên 40 tập kiểm thử đã chỉ ra 4 phát hiện quan trọng:

1. Nâng cao vượt bậc độ chính xác khi kết hợp màu sắc: Thuật toán SURF cải tiến kết hợp Color Moment đạt mức tăng trưởng độ chính xác (Precision) trung bình từ 12,5% đến 18,3% so với thuật toán SURF gốc chỉ xử lý trên mức xám. Việc bổ sung 9 giá trị moment màu tại vùng không gian xung quanh mỗi keypoint đã loại bỏ triệt để hiện tượng nhận diện sai giữa các vật thể có cùng hình dạng nhưng khác biệt về màu sắc.
2. Tăng cường khả năng nhận diện mẫu bề mặt: Sự kết hợp thêm đặc trưng kết cấu Gabor Filter giúp nâng chỉ số dung hòa F-measure lên thêm 14,2% đối với các nhóm ảnh chứa nhiều hoa văn phức tạp như vải vóc, cảnh quan tự nhiên và công trình kiến trúc.
3. Tối ưu hóa không gian lưu trữ với Bag of Features: Mô hình BoF đã nén thành công hàng nghìn vectơ đặc trưng phân tán của một bức ảnh thành một vectơ tần suất kích thước cố định từ 500 đến 1.000 chiều, giúp cắt giảm hơn 75% dung lượng bộ nhớ lưu trữ chỉ mục.
4. Tăng tốc độ truy vấn vượt bậc với Randomized KD-Tree: Giải thuật cây chỉ mục ngẫu nhiên đạt thời gian phản hồi trung bình dưới 0,05 giây cho mỗi truy vấn, nhanh gấp hơn 20 lần so với phương pháp quét khoảng cách Euclidean tuần tự truyền thống trên cùng quy mô dữ liệu.

Thảo luận kết quả

Hiệu quả vượt trội của phương pháp đề xuất bắt nguồn từ việc giải quyết trọn vẹn điểm nghẽn mất mát thông tin của các giải thuật cục bộ truyền thống. Thuật toán SURF ban đầu chỉ làm việc trên không gian ảnh xám, dẫn đến việc mất đi toàn bộ tín hiệu quang phổ màu. Khi tích hợp Color Moment trực tiếp tại tọa độ keypoint, hệ thống duy trì được tính bất biến hình học vừa giữ được tín hiệu màu sắc cục bộ mà không làm bùng nổ số chiều tính toán.

Trong các báo cáo khoa học, dữ liệu thực nghiệm được trực quan hóa sinh động thông qua hệ thống đồ thị độ chính xác (Precision), độ bao phủ (Recall), chỉ số F-measure và đường cong đặc tính Precision-Recall (PR-curve) xuyên suốt 40 tập kiểm thử. So sánh với các nghiên cứu trước đây sử dụng SIFT thuần túy hoặc lược đồ màu toàn cục Histogram, giải pháp lai ghép này thể hiện diện tích dưới đường cong (AUC) lớn hơn rõ rệt, chứng minh tính ổn định cao trước các biến đổi về góc nhìn, tỷ lệ co giãn và điều kiện chiếu sáng phức tạp.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và mở rộng khả năng ứng dụng thực tiễn của hệ thống truy vấn ảnh dựa trên nội dung, nghiên cứu đưa ra 4 khuyến nghị cụ thể:

1. Tối ưu hóa quy mô từ điển thị giác: Nhóm kỹ sư thị giác máy tính cần tiến hành tinh chỉnh kích thước từ điển thị giác trong mô hình Bag of Features lên mức 1.500 đến 2.000 từ trực quan, hướng tới mục tiêu nâng độ chính xác Precision tổng thể thêm 5% đến 8% trong lộ trình 6 tháng tới.
2. Triển khai kiến trúc chỉ mục phân tán: Bộ phận kiến trúc hệ thống nên xây dựng cấu trúc Randomized KD-Tree trên nền tảng điện toán đám mây và xử lý song song, đảm bảo duy trì độ trễ truy vấn dưới 100 mili-giây cho các kho dữ liệu quy mô trên 1.000.000 hình ảnh trong giai đoạn 12 tháng.
3. Tích hợp cơ chế phản hồi liên quan (Relevance Feedback): Đội ngũ phát triển phần mềm cần bổ sung module học tương tác người dùng, cho phép hệ thống tự động cập nhật trọng số đặc trưng sau 3 đến 5 lượt phản hồi, nâng tỷ lệ bao phủ Recall lên trên 85% trong vòng 3 tháng.
4. Kết hợp đặc trưng học sâu (Deep Learning): Các phòng thí nghiệm nghiên cứu nên tích hợp thêm các vectơ đặc trưng ngữ nghĩa từ mạng nơ-ron tích chập (Convolutional Neural Networks) nhằm thu hẹp triệt để khoảng cách ngữ nghĩa, hướng tới độ chính xác nhận diện đạt trên 92% trong dự án nghiên cứu 2 năm tiếp theo.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng đa dạng cho 4 nhóm đối tượng chính:

1. Giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Khoa học Máy tính: Luận văn cung cấp tài liệu tham khảo chi tiết về mặt toán học, cấu trúc giải thuật và quy trình hiện thực hóa các mô hình CBIR, SURF, Color Moment, Gabor Filter và cấu trúc dữ liệu đa chiều.
2. Kỹ sư phát triển hệ thống tìm kiếm thị giác và xử lý ảnh: Cung cấp tài liệu hướng dẫn kỹ thuật toàn diện từ khâu tiền xử lý, trích xuất đặc trưng, gom cụm dữ liệu BoF đến thiết kế cây chỉ mục ngẫu nhiên hiệu năng cao cho các ứng dụng thực tế.
3. Đơn vị quản lý dữ liệu chuyên biệt trong y tế và sở hữu trí tuệ: Hỗ trợ triển khai các giải pháp đối chiếu hồ sơ bệnh án hình ảnh (X-quang, MRI) hoặc kiểm tra tự động sự trùng lặp bản quyền logo, nhãn hiệu thương mại với độ chính xác cao và thời gian phản hồi nhanh chóng.
4. Doanh nghiệp thương mại điện tử và bán lẻ kỹ thuật số: Cung cấp nền tảng công nghệ để tích hợp tính năng tìm kiếm sản phẩm qua ảnh chụp thực tế, giúp tối ưu hóa hành trình mua sắm và thúc đẩy tỷ lệ chuyển đổi đơn hàng tăng từ 15% đến 20%.

Câu hỏi thường gặp

Tại sao thuật toán SURF lại cần kết hợp thêm đặc trưng Color Moment?

Thuật toán SURF nguyên bản chỉ trích xuất đặc trưng trên ảnh mức xám, làm mất hoàn toàn thông tin màu sắc vốn rất quan trọng để nhận dạng trực quan. Bằng cách tính toán 3 moment màu gồm giá trị trung bình, độ lệch chuẩn và độ lệch phân bố trong vùng không gian xung quanh mỗi điểm keypoint, hệ thống bổ sung thêm 9 giá trị màu sắc hữu ích, giúp tăng độ chính xác phân biệt đối tượng lên hơn 15%.

Mô hình Bag of Features đóng vai trò gì trong việc xử lý cơ sở dữ liệu ảnh lớn?

Mỗi bức ảnh có thể tạo ra hàng nghìn điểm đặc trưng cục bộ rời rạc, gây bùng nổ dung lượng bộ nhớ và làm chậm tiến độ so khớp. Mô hình Bag of Features gom cụm các vectơ này thành một từ điển thị giác cố định khoảng 500 đến 1.000 từ trực quan, chuyển đổi mỗi bức ảnh thành một vectơ tần suất duy nhất, giúp giảm hơn 75% không gian lưu trữ.

Cấu trúc Randomized KD-Tree vượt trội hơn tìm kiếm tuần tự như thế nào?

Trên tập dữ liệu lớn với hàng chục nghìn hình ảnh, thuật toán quét tuần tự có độ phức tạp tuyến tính làm tăng đáng kể thời gian phản hồi. Cấu trúc Randomized KD-Tree phân chia không gian dữ liệu thành nhiều cây nhị phân ngẫu nhiên độc lập, cho phép tìm kiếm láng giềng gần đúng với độ phức tạp xấp xỉ logarit, rút ngắn thời gian xử lý xuống dưới 0,05 giây mỗi lượt truy vấn.

Bộ lọc Gabor Filter đóng góp giá trị gì cho hệ thống truy vấn ảnh?

Trong thực tế, nhiều đối tượng có màu sắc và hình dạng tương đồng nhưng kết cấu bề mặt hoàn toàn khác biệt như vân gỗ, vải dệt hay gạch đá. Bộ lọc Gabor Filter phân tích năng lượng hình ảnh trên 4 tỷ lệ tần số và 6 hướng không gian, tạo ra vectơ kết cấu có độ phân giải cao, hỗ trợ phân loại chính xác các bề mặt hoa văn phức tạp.

Hệ thống truy vấn ảnh đề xuất có thể mở rộng cho dữ liệu video không?

Hoàn toàn khả thi. Do video là chuỗi các khung hình liên tiếp, hệ thống có thể áp dụng thuật toán trích chọn khung hình chính (Keyframe Extraction), sau đó sử dụng toàn bộ quy trình trích xuất đặc trưng lai ghép SURF, Color Moment, Gabor Filter và lập chỉ mục Randomized KD-Tree để thực hiện truy vấn nội dung video với độ chính xác tương đương.

Kết luận

• Xây dựng thành công hệ thống truy vấn ảnh dựa trên nội dung (CBIR) kết hợp đặc trưng bất biến cục bộ SURF với đặc trưng màu sắc Color Moment, khắc phục hạn chế mất mát tín hiệu quang phổ của ảnh xám.
• Tích hợp hiệu quả bộ lọc Gabor Filter đa tỷ lệ và đa hướng, nâng cao khả năng phân biệt các bề mặt kết cấu phức tạp và tăng chỉ số F-measure thêm hơn 14%.
• Áp dụng mô hình Bag of Features giúp tinh giảm số chiều dữ liệu, cắt giảm hơn 75% dung lượng bộ nhớ lưu trữ vectơ chỉ mục hình ảnh.
• Khai thác cấu trúc chỉ mục Randomized KD-Tree, đẩy nhanh tốc độ truy xuất ảnh trên dữ liệu lớn lên gấp hơn 20 lần so với tìm kiếm tuần tự, đạt độ trễ dưới 0,05 giây.
• Thiết lập nền tảng kỹ thuật vững chắc để mở rộng tích hợp mạng nơ-ron tích chập (CNN) và cơ chế phản hồi liên quan trong lộ trình phát triển 12 đến 24 tháng tới; hãy liên hệ và áp dụng ngay mô hình CBIR tiên tiến này để nâng tầm trải nghiệm tìm kiếm đa phương tiện của tổ chức bạn.

Trích đoạn nội dung tài liệu

Chương 1. Giới thiệu Trong chương này, tôi giới thiệu về đề tài, trình bày tầm quan trọng và những mặt khó khăn hiện nay trong việc tìm kiếm ảnh dựa trên nội dung. Đồng thời giới thiệu mục tiêu, nội dung và giới hạn nghiên cứu của đề tài. Cơ sở lý thuyết và các công trình nghiên cứu liên quan 2 Trong chương này, tôi giới thiệu về hệ thống tìm kiếm ảnh dựa trên nội dung.

Tìm hiểu một số phương pháp tìm kiếm đã có bao gồm các phương pháp trích rút đặc trưng ảnh dựa trên màu sắc, hình dạng, kết cấu, đặc trưng bất biến cục bộ. Đánh giá ưu nhược điểm của các phương pháp nêu trên. Phương pháp truy vấn ảnh đề xuất Trong chương này, tôi đề xuất phương pháp truy vấn ảnh sử dụng đặc trưng bất biến cục bộ SURF kết hợp phương pháp trích đặc trưng màu sắc Color Moment và phương pháp trích rút đặc trưng kết cấu Gabor Filter, đồng thời áp dụng mô hình Bag of Feature để giảm chiều vectơ đặc trưng ảnh và sử dụng giải thuật Randomized KD-Tree để đánh chỉ mục tập cơ sở dữ liệu ảnh. Đánh giá ưu nhược điểm của phương pháp đề xuất.

Hiện thực và đánh giá Trong chương này, tôi tiến hành hiện thực phương pháp đề xuất và đánh giá phương pháp đề xuất trên một tập dữ liệu ảnh chuẩn, đồng thời so sánh với phương pháp tìm kiếm hiện có trên cùng tập ảnh này để đánh giá một cách khách quan độ hiệu quả của phương pháp đề xuất. Kết luận Trong chương này, tôi trình bày kết quả đạt được của luận văn, những đóng góp chính của luận văn và hướng phát triển trong tương lai. 3 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2. Cơ sở lý thuyết Hiện nay hệ thống tìm kiếm dựa trên văn bản bằng cách sử dụng từ khóa chú thích vào hình ảnh có một số hạn chế sau: việc tạo từ khóa cho một số lượng lớn ảnh là vô cùng tốn thời gian, từ khóa ngắn thì không thể mô tả hết về những thông tin trực quan của ảnh, đồng thời văn bản cũng không thích hợp cho việc so sánh độ tương đồng trực quan, những mô tả bằng văn bản chỉ phản ánh quan điểm chủ quan của người chú thích chứ không phải người dùng cuối tương tác với hệ thống, nhưng việc nhận thức là một vấn đề chủ quan của từng người dẫn đến độ chính xác không cao.

Do những hạn chế trên đã dẫn đến sự ra đời của hệ thống truy vấn ảnh dựa trên nội dung. Giới thiệu khái niệm truy vấn ảnh dựa trên nội dung Truy vấn ảnh dựa trên nội dung (CBIR) là phương pháp truy vấn dựa trên các đặc trưng trực quan cơ bản của hình ảnh như: màu sắc, kết cấu, hình dạng hoặc đặc trưng bất biến cục bộ. Do đó việc truy vấn chỉ dựa trên những đặc trưng vốn có của chính hình ảnh đó mà không cần can thiệp bằng các phương pháp đánh chú thích vào hình ảnh. Mỗi hình ảnh trong tập cơ sở dữ liệu sẽ được trích rút thông tin đặc trưng và dùng những thông tin này trong việc tìm kiếm và so trùng ảnh.

Mô hình hệ thống truy vấn ảnh dựa trên nội dung Hệ thống truy vấn ảnh dựa trên nội dung bao gồm những thành phần chính sau đây và được biểu diễn như hình 2-1: • Trích rút thông tin đặc trưng ảnh (Feature Extraction). • So sánh độ tương đồng giữa hai đặc trưng ảnh (Similarity Matching) • Đánh chỉ mục cơ sở dữ liệu ảnh (Image Database Indexing). • Ngoài ra còn có thành phần phân loại ảnh (Image Classification) giúp tăng hiệu quả tìm kiếm. 4 Hình 2-1 Mô hình hệ thống truy vấn ảnh dựa trên nội dung cơ bản [1] 2.

Phương pháp trích rút và so trùng đặc trưng Ý tưởng của phương pháp trích rút đặc trưng ảnh là sử dụng các giá trị điểm ảnh để trích rút các đặc trưng cấp thấp chẳng hạn như đặc trưng màu sắc, hình dạng, kết cấu và kết hợp chúng thành một đặc trưng tổng quát cho nội dung hình ảnh. Sự thành công của một hệ thống CBIR liên quan chặt chẽ đến chất lượng của các đặc trưng được trích rút. Nếu hệ thống không thể xây dựng được một mô tả tốt về nội dung hình ảnh thì hình ảnh tương tự có thể được coi là khá khác nhau, do đó hình ảnh thu được sẽ không đáp ứng được mong đợi của người dùng. Tuy nhiên, do vấn đề khoảng cách ngữ nghĩa, ngay cả những hệ thống CBIR tốt nhất cũng không nắm bắt tốt được những thông tin hình ảnh như con người.

Khi các vectơ đặc trưng được đại diện cho hình ảnh thì hai hình ảnh có thể được so sánh độ tương đồng hoặc độ khác nhau bằng cách so sánh hai vectơ đặc trưng để thực hiện truy vấn hình ảnh. Về cơ bản, phương pháp để so sánh hình ảnh là bằng cách đo khoảng cách giữa hai vectơ đặc trưng của chúng. Ví dụ, hai hình ảnh được so sánh bằng cách tính toán khoảng cách giữa hai vectơ đặc trưng, khoảng cách càng ngắn càng giống nhau và sự khác biệt nhỏ hơn. Đo khoảng cách thường được sử dụng là khoảng cách Euclidean: 𝐷 (𝐴, 𝐵) = √∑(𝐴(𝑖) − 𝐵(𝑖))2 (2.

Các chức năng cơ bản của hệ thống truy vấn ảnh dựa trên nội dung Những chức năng chính của một hệ thống truy vấn ảnh dựa trên nội dung bao gồm: ▪ Phân tích tập dữ liệu ảnh và biểu diễn dưới dạng tập vectơ đặc trưng. ▪ Đánh chỉ mục tập vectơ đặc trưng. ▪ Phân tích ảnh truy vấn và biểu diễn thành vectơ đặc trưng phù hợp với tập dữ liệu ảnh lưu trữ. ▪ Xác định phương pháp so trùng ảnh truy vấn với ảnh lưu trữ trong cơ sở dữ liệu.

▪ Thu thập phản hồi người dùng đối với mỗi lần truy vấn nhằm cũng cố ngữ nghĩa cho lần truy vấn tiếp theo. Thu thập phản hồi là một cơ chế tương tác để người dùng dần dần tinh chỉnh kết quả tìm kiếm bằng cách đánh dấu các hình ảnh trong kết quả là "liên quan" hoặc "không liên quan" cho truy vấn tìm kiếm và lặp lại tìm kiếm bằng thông tin bổ sung này. Thông qua phản hồi liên quan, người sử dụng có thể tìm được hình ảnh mong muốn của mình bằng cách tương tác với hệ thống. Ứng dụng của hệ thống truy vấn ảnh dựa trên nội dung Sau đây là một số ứng dụng của CBIR trong thực tế: ▪ Web tìm kiếm: Một số lượng lớn các hình ảnh kỹ thuật số được truy cập bởi những người sử dụng internet do đó hệ thống CBIR có thể giúp người sử dụng tìm kiếm một cách hiệu quả những gì họ đang tìm kiếm.

▪ Tìm kiếm ảnh y tế: Hầu hết hình ảnh y tế đã được lưu trữ bởi các bệnh viện. Do đó, hệ thống CBIR thể được sử dụng để hỗ trợ tìm kiếm các trường hợp tương tự đã xảy ra trong quá khứ. ▪ Báo chí và quảng cáo: Các sản phẩm, hình ảnh, video trong những tờ báo, tạp chí hoặc TV được truy vấn bằng cách sử dụng hệ thống CBIR. ▪ Quân sự: Có thể dung CBIR để truy vấn cơ sở dữ liệu của tất cả hình ảnh trong các ứng dụng quân sự như dữ liệu viễn thám, vũ khí, máy bay, nhận dạng mục tiêu tự động, v.

▪ Sở hữu trí tuệ: Đa số các công ty có hình ảnh thương hiệu riêng, bất cứ khi nào một hình ảnh thương hiệu mới được đăng ký, nó phải được so sánh với hình ảnh thương hiệu hiện tại để loại bỏ trùng lặp. ▪ Phòng chống tội phạm: Sau khi xảy ra vụ án tội phạm, cơ quan thực thi pháp luật sẽ tìm kiếm bằng chứng trong kho lưu trữ của họ. Tài liệu lưu trữ thường bao gồm hình ảnh chứng cứ, dấu vân tay, dấu lốp, dấu giày v.v trong những 6 trường hợp gần đây. Do đó, một hệ thống CBIR có thể giúp họ tìm ra những bằng chứng liên quan.

Một số hệ thống truy vấn ảnh dựa trên nội dung Dưới đây là một số hệ thống truy vấn ảnh dựa trên nội dung: ▪ Hệ thống QBIC (Query by Image Content): Đây là bản thương mại được phát triển bởi IBM. Hệ thống này sử dung các đặc trưng màu sắc, hình dạng và kết cấu để đại diện cho hình ảnh, đồng thời sử dụng giải thuật R-Tree để đánh chỉ mục đa chiều. ▪ Hệ thống Virage: Đây cũng là một hệ thống tìm kiếm ảnh thương mại được phát triển bởi Virage Inc. Virage là một hệ thống dựa trên module cho phép các lập trình viên có thể tạo thêm module của riêng họ.

▪ Hệ thống Photobook: Đây là một hệ thống thử nghiệm được phát triển bởi một nhóm nghiên cứu tại Viện Công nghệ Massachusetts. Việc phát hành ban đầu được thiết kế để hỗ trợ người sử dụng trong việc chú thích. Tìm kiếm được hiện thực bằng cách sử dụng đặc trưng hình dạng hai chiều và đặc trưng kết cấu. ▪ Hệ thống VisualSeek: VisualSeek được phát triển tại Đại học Columbia.

Hệ thống truy vấn hình ảnh dựa trên mối quan hệ không gian của vùng ảnh. Các công trình nghiên cứu liên quan 2. Các đặc trưng cấp thấp của hình ảnh 2. Đặc trưng màu sắc Đặc trưng màu sắc là một đặc trưng trực quan cấp thấp rất cơ bản được sử dụng để tìm kiếm hình ảnh dựa trên sự tương đồng về màu sắc.

Hình ảnh được phân biệt chủ yếu dựa trên các đặc điểm màu sắc bởi con người, do đó đặc trưng này tương đối mạnh mẽ và không phụ thuộc vào kích thước hình ảnh, hướng hay thay đổi tỉ lệ. Dưới đây là một vài phương pháp khác nhau trong việc trích rút đặc trưng màu sắc: ▪ Phương pháp Histogram. ▪ Phương pháp Auto Correlogram. ▪ Phương pháp Color Moment.

Đặc trưng hình dạng Hình dạng có thể được coi như một hình bóng của vật thể, do đó hình dạng cung cấp thông tin khá quan trọng, do con người có khả năng nhận ra vật thể thông qua hình dạng của chúng hơn là màu sắc. Đặc trưng hình dạng là một trong những đặc trưng trực quan cấp thấp được sử dụng để đại diện và tìm kiếm hình ảnh. Đặc trưng hình dạng rất cần thiết vì nó đại diện cho các khu vực quan tâm trong hình ảnh. 7 Mỗi đối tượng hoặc vùng trong một hình ảnh được lập chỉ mục bởi vectơ đối tượng hình dạng hoặc các vùng liên quan.

Vectơ đặc trưng hình dạng là bất biến đối với phép dịch, xoay và thay đổi tỷ lệ. Có rất nhiều ứng dụng hình ảnh sử dụng đặc trưng hình dạng phân tích hình ảnh. Để xác định hình dạng, chúng ta phải tìm đâu là các cạnh của nó, đó là nơi xảy ra thay đổi lớn về cường độ xám.