Nghiên cứu ứng dụng phép biến đổi curvelets trong truy vấn ảnh tại HCMUTE

Tổng hợp kiến thức Ứng dụng phép biến đổi curvelets trong truy vấn ảnh thạc sĩ HCMUTE, tiếp cận khoa học, hỗ trợ học tập và nghiên cứu hiệu quả trong

• Tác giả: Nguyễn Minh Sang
• Người hướng dẫn: PGS. Lê Tiến Thường
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Truy Vấn Ảnh Ứng Dụng Phép Biến Đổi Curvelets
• Loại tài liệu: luận văn
• Năm xuất bản: 2014
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. TỔNG QUAN CHUNG VỀ LĨNH VỰC NGHIÊN CỨU, CÁC KẾT QUẢ NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC ĐÃ CÔNG BỐ
• 1.2. MỤC ĐÍCH, NHIỆM VỤ VÀ GIỚI HẠN CỦA ĐỀ TÀI
• 1.3. PHƯƠNG PHÁP NGHIÊN CỨU VÀ KẾ HOẠCH THỰC HIỆN
• 1.4. CẤU TRÚC LUẬN VĂN
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. CƠ SỞ LÝ THUYẾT CHO VIỆC THIẾT KẾ MỘT HỆ THỐNG CBIR
• 2.2. PHÉP BIẾN ĐỔI CURVELETS
• 2.2.1. Biến đổi curvelets thời gian liên tục
• 2.2.2. Biến đổi curvelets số
• 2.2.3. Biến đổi curvelet via Unequispaced FFTs
• 2.2.4. Biến đổi curvelet via Wrapping
• 3. CHƯƠNG 3: GIẢI THUẬT TRUY VẤN ẢNH THEO NỘI DUNG (CBIR)
• 3.1. THIẾT KẾ HỆ THỐNG TRUY VẤN ẢNH
• 3.1.1. Phương pháp tính toán vector đặc trưng
• 3.1.2. Đo độ tương đồng và xác định ảnh kết quả
• 3.2. TRUY VẤN ẢNH DỰA TRÊN NĂNG LƯỢNG CỦA CÁC BĂNG CON TRONG BIẾN ĐỔI CURVELETS
• 3.2.1. Thực nghiệm truy vấn ảnh texture
• 3.2.2. Truy vấn ảnh màu
• 3.3. KẾT CHƯƠNG
• 4. CHƯƠNG 4: TRUY VẤN ẢNH DỰA TRÊN ĐẶC TRƯNG CURVELETS TRÍCH ĐƯỢC TỪ CÁC THÀNH PHẦN CỦA KHÔNG GIAN MÀU HSV
• 4.1. KHÔNG GIAN MÀU
• 4.2. GIẢI THUẬT TRÍCH ĐẶC TRƯNG
• 4.3. THỰC NGHIỆM TRUY VẤN ẢNH DỰA TRÊN ĐẶC TRƯNG ĐỀ XUẤT
• 4.3.1. Khảo sát truy vấn trên tập ảnh OBJ
• 4.3.2. Khảo sát truy vấn trên tập ảnh WANG
• 4.3.3. Khảo sát truy vấn trên tập ảnh Coil-100
• 4.3.4. Nhận xét kết quả
• 4.4. SO SÁNH KẾT QUẢ TRUY VẤN
• 4.4.1. So sánh hiệu quả truy vấn trên cơ sở dữ liệu Brodatz
• 4.4.2. So sánh hiệu quả truy vấn trên cơ sở dữ liệu ảnh OBJ
• 4.4.3. So sánh hiệu quả truy vấn trên cơ sở dữ liệu ảnh WANG
• 4.4.4. So sánh hiệu quả truy vấn trên cơ sở dữ liệu ảnh Coil-100
• 4.4.5. KẾT CHƯƠNG
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. NHỮNG KẾT QUẢ ĐẠT ĐƯỢC CỦA LUẬN VĂN
• 5.2. HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC – CHƯƠNG TRÌNH MÔ PHỎNG MATLAB

Tóm tắt

I. Tổng quan về lĩnh vực nghiên cứu

Trong những năm gần đây, công nghệ ảnh số đã phát triển mạnh mẽ, kéo theo sự gia tăng nhanh chóng về số lượng ảnh được lưu trữ. Việc chụp và lưu giữ ảnh trở nên dễ dàng hơn bao giờ hết. Mỗi cá nhân có thể tạo cho mình một bộ sưu tập ảnh phong phú. Không chỉ dừng lại ở cá nhân, ảnh còn là dữ liệu quan trọng của tổ chức, nhà khoa học, và các hoạt động quản lý nhà nước. Tuy nhiên, với sự gia tăng này, việc tìm kiếm ảnh theo nội dung trở nên khó khăn hơn. Thuật ngữ truy vấn ảnh (image retrieval) được sử dụng để chỉ các phương pháp tìm kiếm ảnh trong cơ sở dữ liệu. Có hai kỹ thuật chính trong lĩnh vực này: truy vấn ảnh theo thông tin chú thích và truy vấn ảnh theo nội dung (CBIR). Kỹ thuật truy vấn theo thông tin chú thích yêu cầu mỗi bức ảnh phải có thông tin chú thích phù hợp, điều này có thể dẫn đến độ chính xác thấp nếu thông tin không đầy đủ hoặc không chính xác.

1.1. Các kết quả nghiên cứu trong và ngoài nước

Nhiều nghiên cứu đã được thực hiện để cải thiện hiệu quả của các thuật toán truy vấn ảnh. Các phương pháp như biến đổi wavelet và biến đổi curvelets đã được áp dụng để nâng cao khả năng trích xuất đặc trưng của ảnh. Biến đổi curvelets là một công cụ mạnh mẽ trong việc nắm bắt thông tin biên của ảnh, cho phép cải thiện độ chính xác trong việc truy vấn ảnh. Các nghiên cứu trước đây đã chỉ ra rằng việc sử dụng curvelets có thể cải thiện đáng kể hiệu quả truy vấn so với các phương pháp truyền thống. Điều này mở ra hướng nghiên cứu mới cho việc phát triển các hệ thống truy vấn ảnh hiệu quả hơn.

II. Phương pháp nghiên cứu

Luận văn này áp dụng phương pháp truy vấn ảnh dựa trên biến đổi curvelets để nâng cao hiệu quả truy vấn. Phương pháp này bao gồm việc trích xuất đặc trưng từ các băng con của curvelets và sử dụng các thông số như giá trị trung bình và độ lệch chuẩn để đánh giá độ tương đồng giữa các ảnh. Việc áp dụng curvelets cho phép nắm bắt thông tin chi tiết hơn về cấu trúc và kết cấu của ảnh, từ đó cải thiện độ chính xác trong quá trình truy vấn. Kết quả thực nghiệm cho thấy phương pháp này đã cải thiện độ chính xác truy vấn từ 5-12% so với các phương pháp trước đó.

2.1. Thiết kế hệ thống truy vấn ảnh

Hệ thống truy vấn ảnh được thiết kế dựa trên các thành phần của không gian màu HSV. Mỗi thành phần của ảnh màu được xử lý riêng biệt bằng biến đổi curvelets. Sau đó, các đặc trưng của từng thành phần được tính toán và kết hợp để tạo ra một vector đặc trưng tổng thể cho ảnh. Phương pháp này không chỉ giúp cải thiện độ chính xác mà còn giảm thời gian truy vấn, nhờ vào việc tối ưu hóa quy trình trích xuất đặc trưng. Kết quả cho thấy rằng việc sử dụng curvelets trong không gian màu HSV mang lại hiệu quả cao hơn so với các phương pháp truyền thống.

III. Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy phương pháp truy vấn ảnh dựa trên biến đổi curvelets đã đạt được những thành công nhất định. Các thử nghiệm được thực hiện trên nhiều tập dữ liệu khác nhau, bao gồm tập ảnh Brodatz và Coil-100. Đặc biệt, độ chính xác truy vấn đã được cải thiện rõ rệt khi so sánh với các phương pháp trước đó. Việc áp dụng curvelets cho phép nắm bắt thông tin chi tiết về các đặc trưng của ảnh, từ đó nâng cao khả năng phân loại và tìm kiếm. Các kết quả này chứng minh rằng biến đổi curvelets là một công cụ hữu ích trong lĩnh vực truy vấn ảnh.

3.1. So sánh kết quả truy vấn

Kết quả truy vấn được so sánh giữa các phương pháp khác nhau, bao gồm biến đổi wavelet và biến đổi curvelets. Các thử nghiệm cho thấy rằng biến đổi curvelets không chỉ cải thiện độ chính xác mà còn giảm thời gian truy vấn. Đặc biệt, trong các thử nghiệm trên tập dữ liệu Coil-100, phương pháp này đã cho thấy hiệu quả vượt trội, với độ chính xác cao hơn từ 5-12% so với các phương pháp truyền thống. Điều này khẳng định giá trị thực tiễn của việc ứng dụng curvelets trong truy vấn ảnh.

IV. Kết luận và hướng phát triển

Luận văn đã hoàn thành các mục tiêu đề ra và đóng góp thiết thực vào lĩnh vực truy vấn ảnh. Việc ứng dụng biến đổi curvelets đã chứng minh được hiệu quả trong việc nâng cao độ chính xác và giảm thời gian truy vấn. Hướng phát triển tiếp theo có thể tập trung vào việc cải tiến các thuật toán trích xuất đặc trưng và mở rộng ứng dụng của curvelets trong các lĩnh vực khác như nhận diện đối tượng và phân tích video. Những nghiên cứu tiếp theo sẽ tiếp tục khai thác tiềm năng của curvelets trong việc xử lý và phân tích ảnh.

4.1. Đề xuất nghiên cứu tiếp theo

Nghiên cứu tiếp theo có thể tập trung vào việc phát triển các phương pháp mới kết hợp giữa biến đổi curvelets và các công nghệ học máy để cải thiện hơn nữa hiệu quả của truy vấn ảnh. Việc áp dụng các mô hình học sâu có thể giúp tối ưu hóa quá trình trích xuất đặc trưng và nâng cao khả năng phân loại ảnh. Hơn nữa, việc mở rộng ứng dụng của curvelets trong các lĩnh vực như nhận diện đối tượng và phân tích video sẽ mở ra nhiều cơ hội nghiên cứu mới.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh công nghệ ảnh số phát triển mạnh mẽ, số lượng ảnh được lưu trữ và chia sẻ trên toàn cầu tăng lên nhanh chóng, dẫn đến nhu cầu tìm kiếm ảnh theo nội dung trở nên cấp thiết. Theo ước tính, các bộ sưu tập ảnh cá nhân và tổ chức có thể chứa hàng triệu ảnh với đa dạng thể loại và kích thước, gây khó khăn trong việc truy vấn và quản lý. Truy vấn ảnh theo nội dung (Content Based Image Retrieval - CBIR) đã trở thành hướng nghiên cứu trọng điểm nhằm nâng cao hiệu quả tìm kiếm ảnh trong các cơ sở dữ liệu lớn. Mục tiêu chính của nghiên cứu là phát triển giải thuật trích đặc trưng ảnh hiệu quả, giảm thời gian truy vấn đồng thời tăng độ chính xác tìm kiếm.

Luận văn tập trung vào ứng dụng phép biến đổi curvelets trong truy vấn ảnh, một công cụ toán học đa phân giải và đa hướng có khả năng nắm bắt thông tin biên cạnh ảnh rất hiệu quả. Nghiên cứu được thực hiện trong giai đoạn 2012-2014 tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, với phạm vi khảo sát trên nhiều cơ sở dữ liệu ảnh tiêu chuẩn như Brodatz, Coil-100, OBJ và WANG. Ý nghĩa của nghiên cứu thể hiện qua việc cải thiện độ chính xác truy vấn từ 5-12% so với các phương pháp truyền thống dựa trên biến đổi wavelets, đồng thời duy trì thời gian thực hiện hợp lý, góp phần nâng cao hiệu quả hệ thống CBIR trong thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên nền tảng lý thuyết của hệ thống truy vấn ảnh theo nội dung (CBIR), trong đó giải thuật trích đặc trưng ảnh đóng vai trò trung tâm. Các khái niệm chính bao gồm:

• Biến đổi curvelets: Là phép biến đổi đa phân giải và đa hướng, cho phép biểu diễn ảnh hiệu quả hơn wavelets truyền thống trong việc nắm bắt các đặc tính biên cạnh và texture. Curvelets có tính chất khung kín (tight frame), tuân theo quy tắc parabolic scaling, và có khả năng dao động theo hướng, giúp mô tả chi tiết các cạnh biên ảnh.

• Không gian màu HSV: Không gian màu trực giác gồm ba thành phần Hue (màu sắc), Saturation (độ bão hòa), và Value (độ sáng), được sử dụng để trích đặc trưng ảnh màu nhằm khai thác thông tin texture và mối tương quan giữa các thành phần màu.

• Đo độ tương đồng: Sử dụng các phép đo Minkowski (bao gồm Euclidean, Manhattan) và phép đo Correlation để đánh giá mức độ giống nhau giữa vector đặc trưng của ảnh truy vấn và ảnh trong cơ sở dữ liệu.

• Đánh giá hiệu quả truy vấn: Dựa trên các chỉ số độ chính xác (precision) và độ phủ (recall), trong đó precision là tỷ lệ ảnh liên quan được truy vấn đúng trên tổng số ảnh trả về, recall là tỷ lệ ảnh liên quan được truy vấn đúng trên tổng số ảnh liên quan trong cơ sở dữ liệu.

Phương pháp nghiên cứu

Nghiên cứu sử dụng các nguồn dữ liệu ảnh tiêu chuẩn gồm:

• Tập ảnh Brodatz: 112 loại texture, mỗi loại 16 ảnh kích thước 640×640 pixels.
• Tập ảnh Coil-100: 100 đối tượng, mỗi đối tượng 72 ảnh 128×128 pixels.
• Tập ảnh OBJ: 53 đối tượng, mỗi đối tượng 5 ảnh 256×256 pixels.
• Tập ảnh WANG: 1000 ảnh màu thuộc 10 thể loại, kích thước 384×256 pixels.

Phương pháp phân tích gồm:

1. Trích đặc trưng ảnh: Áp dụng biến đổi curvelets rời rạc trên ảnh, tính toán các đại lượng thống kê như giá trị trung bình và độ lệch chuẩn của các băng con curvelets ở 4 mức phân giải. Đối với ảnh màu, thực hiện biến đổi curvelets trên từng thành phần HSV, sau đó tính đặc trưng tương tự.

2. Đo độ tương đồng: Sử dụng phép đo Minkowski và Correlation để so sánh vector đặc trưng ảnh truy vấn với ảnh trong cơ sở dữ liệu.

3. Thực nghiệm truy vấn: Xây dựng hệ thống CBIR trên phần mềm Matlab, tiến hành truy vấn trên các tập dữ liệu đã chọn, thu thập số liệu về độ chính xác, độ phủ và thời gian truy vấn.

4. Timeline nghiên cứu: Nghiên cứu được thực hiện trong khoảng thời gian từ 2012 đến 2014, bao gồm giai đoạn nghiên cứu lý thuyết, thiết kế giải thuật, xây dựng mô phỏng, thực nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả trích đặc trưng curvelets ở 4 mức phân giải: Việc sử dụng 4 mức phân giải trong biến đổi curvelets đủ để đạt hiệu quả truy vấn tốt với thời gian thực hiện hợp lý. Kết quả thực nghiệm trên tập Brodatz cho thấy độ chính xác truy vấn đạt khoảng 75-80%, thời gian trích đặc trưng trung bình dưới 1 giây cho mỗi ảnh.

2. Cải tiến trích đặc trưng ảnh màu dựa trên không gian HSV: Phương pháp trích đặc trưng curvelets trên từng thành phần Hue, Saturation, Value cải thiện độ chính xác truy vấn từ 5% đến 12% so với phương pháp chỉ sử dụng curvelets trên ảnh xám. Trên tập Coil-100, độ chính xác trung bình tăng từ 78% lên 85% khi áp dụng phương pháp này.

3. So sánh với các phương pháp truyền thống: Đặc trưng curvelets vượt trội hơn so với các phương pháp dựa trên biến đổi wavelets Haar và Gabor filters về độ chính xác truy vấn trên các tập dữ liệu Brodatz, WANG và Coil-100. Ví dụ, trên tập WANG, độ chính xác truy vấn của curvelets đạt 82%, trong khi wavelets Haar chỉ đạt khoảng 70%.

4. Thời gian truy vấn và tính toán đặc trưng: Thời gian tính toán đặc trưng curvelets và thời gian truy vấn trung bình trên các tập dữ liệu dao động trong khoảng 0.5 đến 1.5 giây, phù hợp với yêu cầu thực tế của hệ thống CBIR.

Thảo luận kết quả

Nguyên nhân của sự cải thiện hiệu quả truy vấn đến từ khả năng biểu diễn đa hướng và đa phân giải của biến đổi curvelets, giúp nắm bắt chính xác các đặc tính biên cạnh và texture của ảnh. Việc khai thác không gian màu HSV trong trích đặc trưng ảnh màu giúp hệ thống nhận diện được sự tương quan giữa các thành phần màu sắc, từ đó nâng cao độ chính xác truy vấn.

So với các nghiên cứu trước đây sử dụng wavelets hoặc Gabor filters, curvelets thể hiện ưu thế vượt trội nhờ tính linh hoạt trong biểu diễn các cạnh biên phức tạp và khả năng giảm dư thừa thông tin. Kết quả có thể được minh họa qua các biểu đồ đường cong Precision-Recall, cho thấy phương pháp curvelets có đường cong nằm trên các phương pháp truyền thống, biểu thị hiệu suất truy vấn cao hơn.

Tuy nhiên, thời gian tính toán đặc trưng curvelets cao hơn một chút so với wavelets, đòi hỏi sự đánh đổi giữa độ chính xác và hiệu suất. Nghiên cứu cũng chỉ ra rằng việc lựa chọn số mức phân giải hợp lý (4 mức) là cần thiết để cân bằng giữa độ chính xác và thời gian xử lý.

Đề xuất và khuyến nghị

1. Tối ưu hóa thuật toán trích đặc trưng curvelets: Áp dụng các kỹ thuật tối ưu hóa tính toán như song song hóa hoặc sử dụng phần cứng GPU để giảm thời gian trích đặc trưng, hướng tới thời gian xử lý dưới 0.5 giây cho mỗi ảnh. Chủ thể thực hiện: nhóm phát triển phần mềm CBIR; Thời gian: 6-12 tháng.

2. Mở rộng ứng dụng không gian màu: Nghiên cứu áp dụng biến đổi curvelets trên các không gian màu khác như Lab hoặc YCbCr để khai thác thêm thông tin màu sắc, nhằm cải thiện độ chính xác truy vấn trong các ứng dụng đặc thù. Chủ thể thực hiện: nhóm nghiên cứu hình ảnh; Thời gian: 12 tháng.

3. Kết hợp đặc trưng đa dạng: Phát triển giải thuật kết hợp đặc trưng curvelets với các đặc trưng hình dạng, điểm đặc trưng (keypoints) để nâng cao khả năng nhận dạng đối tượng phức tạp trong ảnh. Chủ thể thực hiện: nhóm nghiên cứu; Thời gian: 12-18 tháng.

4. Xây dựng hệ thống CBIR thương mại: Triển khai hệ thống truy vấn ảnh dựa trên biến đổi curvelets trong môi trường thực tế như quản lý ảnh y tế, giám sát an ninh hoặc thương mại điện tử, nhằm đánh giá hiệu quả và tính ứng dụng rộng rãi. Chủ thể thực hiện: doanh nghiệp công nghệ; Thời gian: 18-24 tháng.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, xử lý ảnh: Luận văn cung cấp kiến thức sâu về biến đổi curvelets và ứng dụng trong truy vấn ảnh, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Chuyên gia phát triển hệ thống CBIR và xử lý ảnh số: Các giải thuật và kết quả thực nghiệm trong luận văn giúp cải tiến hiệu suất và độ chính xác của hệ thống truy vấn ảnh.

3. Doanh nghiệp công nghệ và phần mềm: Tham khảo để ứng dụng công nghệ truy vấn ảnh tiên tiến vào các sản phẩm quản lý dữ liệu ảnh, thương mại điện tử, quảng cáo số.

4. Người làm trong lĩnh vực y tế, an ninh, khảo cổ học: Áp dụng hệ thống truy vấn ảnh để quản lý và phân tích dữ liệu ảnh chuyên ngành, nâng cao hiệu quả công việc.

Câu hỏi thường gặp

1. Phép biến đổi curvelets khác gì so với wavelets trong truy vấn ảnh?
   Curvelets là phép biến đổi đa phân giải và đa hướng, có khả năng nắm bắt các cạnh biên phức tạp của ảnh hiệu quả hơn wavelets, giúp trích đặc trưng texture chính xác hơn, từ đó nâng cao độ chính xác truy vấn.

2. Tại sao chọn không gian màu HSV để trích đặc trưng ảnh màu?
   Không gian HSV tách biệt rõ ràng các thành phần màu sắc (Hue), độ bão hòa (Saturation) và độ sáng (Value), giúp khai thác thông tin màu sắc và texture một cách trực quan và hiệu quả hơn so với không gian RGB.

3. Độ chính xác truy vấn được cải thiện bao nhiêu khi áp dụng phương pháp đề xuất?
   Thực nghiệm cho thấy độ chính xác truy vấn được cải thiện từ 5% đến 12% so với phương pháp sử dụng biến đổi curvelets truyền thống, tùy thuộc vào tập dữ liệu và loại ảnh.

4. Thời gian tính toán đặc trưng curvelets có phù hợp với ứng dụng thực tế không?
   Thời gian tính toán trung bình dưới 1.5 giây cho mỗi ảnh trên các tập dữ liệu tiêu chuẩn, phù hợp với nhiều ứng dụng thực tế, tuy nhiên có thể tối ưu thêm để đáp ứng yêu cầu thời gian thực.

5. Có thể kết hợp curvelets với các đặc trưng khác để nâng cao hiệu quả không?
   Có, việc kết hợp curvelets với đặc trưng hình dạng, điểm đặc trưng hoặc các biến đổi đa phân giải khác có thể nâng cao khả năng nhận dạng và độ chính xác truy vấn trong các hệ thống CBIR phức tạp.

Kết luận

• Luận văn đã thành công trong việc phát triển giải thuật trích đặc trưng ảnh dựa trên biến đổi curvelets, đạt hiệu quả truy vấn cao trên nhiều tập dữ liệu tiêu chuẩn.
• Phương pháp trích đặc trưng ảnh màu dựa trên không gian HSV kết hợp curvelets cải thiện độ chính xác truy vấn từ 5-12% so với phương pháp truyền thống.
• Kết quả thực nghiệm cho thấy sự cân bằng tốt giữa độ chính xác và thời gian tính toán, phù hợp với yêu cầu ứng dụng thực tế.
• Nghiên cứu góp phần mở rộng ứng dụng các công cụ toán học mới trong lĩnh vực truy vấn ảnh và xử lý ảnh số.
• Đề xuất các hướng phát triển tiếp theo bao gồm tối ưu thuật toán, mở rộng không gian màu, kết hợp đặc trưng đa dạng và triển khai hệ thống thương mại.

Các nhà nghiên cứu và phát triển phần mềm nên tiếp tục tối ưu hóa giải thuật, thử nghiệm trên các bộ dữ liệu lớn hơn và đa dạng hơn, đồng thời triển khai ứng dụng trong các lĩnh vực thực tế để khai thác tối đa tiềm năng của biến đổi curvelets trong truy vấn ảnh.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan HVTH: Nguyễn Minh Sang 5 Luan van Truy vấn ảnh dùng biến đổi curvelets HDKH: PGS. Lê Tiến Thường trích đặc trưng ảnh. Giải thuật trích đặc trưng ảnh là tìm ra một đại diện mới cho thấy sự khác nhau của các ảnh, nhằm mục đích nhận dạng, tìm kiếm, nghiên cứu ảnh. Trong một khoảng thời gian dài phát triển, truy vấn ảnh theo nội dung đã có những kết quả nhất định và được ứng dụng trong thực tế.

Nổi bậc trong số này là hướng áp dụng các phép biến đổi đa phân giải vào giải thuật trích đặc trưng texture của ảnh. Các thành phần tần số tại các vị trí cụ thể của ảnh được dùng để đại diện cho các đặc trưng texture của ảnh đó. Các đặc trưng texture được tính toán từ các thành phần tần số cao là yếu tố chủ yếu để phân biệt sự giống và khác nhau giữa các ảnh. Vì vậy thông tin tần số tại các vị trí cụ thể được yêu cầu cho việc phân biệt ảnh trong CBIR.Đại diện đầu tiên của các phép biến đổi đa phân giải là biến đổi wavelet.

Nó được rất nhiều sự quan tâm của các nhà ngiên cứu, vì tính hiệu quả của nó không chỉ trong hệ thống CBIR mà còn ở nhiều lĩnh vực khác. Wavelet đã được phát triển để khắc phục những nhược điểm về đại diện ảnh trong miền không gian-tần số của biến đổi Fourier và biến đổi Fourier thời gian ngắn. Nghiên cứu truy vấn ảnh theo nội dung sử dụng trích đặc điểm trên nền Wavelets [1]không những đã giới thiệu một cách đầy đủ các thành phần cần thiết cho việc xây dựng một hệ thống CBIRmà còn đề xuất ba đặc trưng ảnh dựa trên biến đổi wavelets là: đặc trưng ảnh contourlet co-occurrence, đặc trưng ảnh phase-based LBP, đặc trưng contourlet Harris. Nghiên cứu này cũng đề xuất và thực hiện thành công bốn giải thuật truy vấn ảnh dựa vào việc ứng dụng ba loại đặc trưng đã đề xuất, đó là: giải thuật phối hợp các đặc trưng để truy vấn ảnh (matching), giải thuật truy vấn dùng đặc trưng phase-based LBP (pbLBP), giải thuật truy vấn ảnh dùng đặc trưng contourlet Harris (CH).

Kết quả những nghiên cứu trong [1] cho thấy giải thuật matching (phối hợp đặc trưng histogram và hai đặc trưng sử dụng biến đổi wavelets là Gabor wavelets,đặc trưng contourlet để thiết kế giải thuật) đạt độ chính xác truy vấn cao trên nhiều tập dữ liệu ảnh. Các giải thật truy vấn dựa trên biến đổicontourlet kết hợp tính các ma trận co-occurrence, giải thuật truy vấn dùng đặc trưng phase-based LBP, giải thuật truy vấn ảnh dùng đặc trưng contourlet Chương 1: Tổng quan HVTH: Nguyễn Minh Sang 6 Luan van Truy vấn ảnh dùng biến đổi curvelets HDKH: PGS. Lê Tiến Thường Harris cũng đạt hiệu quả truy vấn khá tốt. Thuật toán truy vấn WBIIS (Wavelet- BasedImage Indexing and Searching)[2] là giải thuật có thể sử dụng cho cơ sở dữ liệu lớn (10000 ảnh), kết quả truy vấn được 100 ảnh trùng khớp trong vòng 3.

Các đặc trưng được sử dụng trong truy vấndựa trên biến đổi wavelets (các hệ số của wavelet Daubechies). Ảnh trong cơ sở dữ liệu lần lượt được chuẩn hóa kích thước và chuyển không gian màu RGB: 𝐶1 = 𝑅 + 𝐺 + 𝐵 3 𝐶2 = 𝑅 + 𝑚𝑎𝑥 − 𝐵 2 (1.1) 𝐶3 = 𝑅 + 2 × 𝑚𝑎𝑥 − 𝐺 + 𝐵 4 Áp dụng biến đổi wavelets nhanh sử dụng các wavelet Daubechies vào từng thành phần đã chuyển không gian màu của ảnh. Kết quả là một số các hệ số của biến đổi và các độ lệch chuẩn của nó được dùng để xây dựng vector đặc trưng. WBIIS áp dụng giải pháp phối hợp các vector đặc trưng để truy vấn ảnh.

Khi có yêu cầu truy vấn, hệ thống sẽ trích đặc trưng ảnh truy vấn, tính toán độ tương đồng với tập các vector đặc trưng trong cơ sở dữ liệu. Quá trình thực hiện gồm hai bước. Thứ nhất,thực hiện lựa chọn thô dựa trên các độ lệch chuẩnđã lưu trữ, bước thứ hai, gán các trọng số và đo độ tương đồng theo phép đo Euclidean giữa các hệ số đặc trưng của từng ảnh chọn trong bước 1 với ảnh truy vấn. Các ảnh có kết quả đo nhỏ nhất so với ảnh truy vấn được xem là ảnh truy vấn được.

Hệ thống truy vấn này còn trình bày cách thức truy vấn sự tương tự của một vùng trong ảnh. Theo đó, khi người dùng chọn một vùng trong ảnh truy vấn để tìm kiếm ảnh tương tự trong cơ sở dữ liệu thì một mặt nạ được dùng trích xuất vùng đối tượng cần tìm, các đặc trưng sẽ được tính toán và so sánh với các đặc trưng trong cơ sở dữ liệu và tìm ra những ảnh mong muốn. Nghiên cứu truy vấn ảnh dung biến đổi wavelet cấu trúc hình tháp (pyramidal wavelet transform - PWT), trên cơ sở dữ liệu ảnh y sinh (Diabetic Retinopathy Chương 1: Tổng quan HVTH: Nguyễn Minh Sang 7 Luan van Truy vấn ảnh dùng biến đổi curvelets HDKH: PGS. Lê Tiến Thường Database -DRD) trong [3] cho hiệu suất 60 %.

Phương pháp Enhanced 2D Dual Tree Discrete WaveletTransform (E-2D-DT-DWT) được sử dụng trong hệ thống CBIR [4]cho thấyđộ chính xác và độ phủ đã được cải thiện so với phương pháp đã đề xuất. Trong nghiên cứu này, số vector đặc trưng được tăng lên theo sự phân giải ở mức cao hơn. Gabor filters cũng là phương pháp đa phân giải được sử dụng trong mô tả thông tin biên của ảnh, nó cũng có tính chất đa hướng và đa tỉ lệ. Vì vậy, Gabor filters có thể nắm bắt năng lượng cục bộ của toàn bộ tín hiệu hoặc hình ảnh.

Phương pháp truy vấn nhanh trong [5] sử dụng quasi-Gabor filter và một cơ chế đặc biệt để làm giảm kích thước đặc trưng của ảnh nhằm giảm thời gian tính toán cho hệ thống nhưng vẫn đảm bảo độ chính xác truy vấn. Phương pháp đề xuất trong[6] bắt đầu từ toàn bộ không gian tỉ lệ và toàn bộ không gian hướng, và trích xuất hệ số thời gian-tần số của mỗi tỉ lệ và mỗi hướng sử dụng Gabor wavelet. Năng lượng được tính toán theo các hệ số,vector đặc trưng texture được tính theo một tập mờ (được hình thành theo phương pháp đặc biệt), thực nghiệm cho thấy rằng, nghiên cứu này cũng cho hiệu suất tốt đối với các cơ sở dữ liệu chứa ảnh y sinh. Trong nghiên cứu CBIR, có 3 vấn đề cơ bản cần giải quyết là thời gian tính toán chậm, xử lý dữ liệu kích thước lớn, và so sánh hình ảnh phù hợp với nhận thức của con người.

Hệ thống cho độ chính xác càng cao thì càng cồng kềnh, thời gian xử lý càng chậm, vì thế cần một sự đánh đổi ở đây. Trong nhiều năm qua, các phương pháp truy vấn ảnh theo nội dung thường cho thấy sự kết hợp của nhiều đặc trưng ảnh vào giải thuật truy vấn, với mục đích là nâng cao độ chính xác.Hệ thống truy vấn ảnh dùng wavelet correlogram (WC)[7], [8] được thiết kế dựa trên sự kết hợp của phân tích ảnh đa phân giải và histogram. Ảnh được biến đổi wavelets dùng các băng con hướng. Tiếp theo là lượng tử các hệ số wavelets trong các băng con, tính autocorrelogram đơn hướng theo băng con của các hệ số wavelets.

Các vector đặc trưng sẽ được hình thành dựa trên wavelet correlogram đơn hướng và được dùng để truy vấn ảnh. Kết quả truy Chương 1: Tổng quan HVTH: Nguyễn Minh Sang 8 Luan van Truy vấn ảnh dùng biến đổi curvelets HDKH: PGS. Lê Tiến Thường vấn của hệ thống trên cơ sở dữ liệu chứa 1000 ảnh cho thấy hiệu suất được cải thiện so với phương pháp truy vấn và đánh chỉ số dựa trêncorrelogram ảnh màu và phương pháp dùng biến đổi wavelets. Một giải thuật tương tự trong[9] được gọi là Gabor wavelet correlogram (GWC) được đề xuất để áp dụng vào truy vấn ảnh.

GWC là một nỗ lực để mở rộng thuật toán wavelet correlogram bằng cách giới thiệu các tính năng quay bất biến sử dụng Gabor wavelet. Nghiên cứu cững trình bày một số ý tưởng để xử lý hiệu quả các vấn đề dư thừa do phân hủy không trực giao của Gabor wavelet. Kết quả thực nghiệm truy vấn áp dụng GWC cho một cơ sở dữ liệu hình ảnh 1000 đã chứng minh cải thiện đáng kể thứ hạng độ chính xác, và độ phủ so với wavelet correlogram và các thuật toán wavelet correlogram wavelet nâng cao. Trong[10], giải thuật truy vấn kết hợp các đặc trưng màu sắc, texture trong miền wavelet đa phân giải.Đây là phương pháp truy vấn ảnh theo nội dung dựa trên hiệu quả của sự kết hợp đặc tính texture và màu sắc đa phân giải.

Đặc trưng màu và lược đồ tự tương quan màu (autocorrelogram) của các thành phần Hue, Saturation của ảnh trong không gian màu HSV là được sử dụng. Đặc trưng texture được tính theo hai moment BDIP và BVLC (block difference of inverse probabilities và block variation of local correlation coefficients) trên thành phần Value của ảnh. Đặc trưng màu và texture được trích trong miền wavelets đa phân giải và kết hợp lại. Kích thước của vector đặc trưng kết hợp được xác định tại điểm mà độ chính xác truy vấn trở nên bảo hòa.

Kết quả nghiên cứu cho thấy đó là phương pháp được đề xuất mang lại độ chính xác cao hơn so một số phương pháp truyền thống. Phương pháp truy vấn ảnh dựa trên đặc trưng màu sắc và texture dùng biến đổi wavelet 2D rời rạc được đề xuất trong [11] cũng cho thấy khả năng tăng độ chính các truy vấn. Phương pháp truy vấn ảnh kết hợp đặc trưng màu sắc và texture được giới thiệu trong [12] cho hiệu quả truy vấn tốt hơn phương pháp truy vấn dùng đặc trưng ảnh riêng lẻ cũng như một số phương pháp kết hợp đặc trưng khác Theo đó, đặc trưng texture của ảnh được mô tả thông qua biến đổi Dual-Tree Complex Wavelet (DT-CWT) và rotated wavelet filter(RWF), đặc trưng màu sắc là Chương 1: Tổng quan HVTH: Nguyễn Minh Sang 9 Luan van Truy vấn ảnh dùng biến đổi curvelets HDKH: PGS. Lê Tiến Thường histogram màu trong không gian RGB và HSV.

Một phương pháp khác cũng kết hợp giữa đặc trưng texture và màu sắc dựa trên biến đổi wavelets cũng được đề xuất trong [13]. Phương pháp này có tên là WBCHIR (Wavelet Based Color Histogram ImageRetrieval), đặc trưng texture được trích xuất từ biến đổi wavelets và đặc trưng màu sắc tính toán dựa trên histogram màu của ảnh trong không gian HSV. Kết quả thực nghiệm cho thấy phương pháp kết hợp nhiều đặc trưng cho thấy hiệu suất truy vấn được cải thiện đáng kể. Các phép biến đổi đa phân giải như wavelets, Gabor filters dùng vào việc trích đặc trưng texture của ảnh trong truy vấn; cũng như việc áp dụng nhiều đặc trưng của ảnh để truy vấn đã có những kết quả khá tốt.