Nghiên cứu phương pháp xây dựng hệ thống tìm Kiếm ảnh theo nội dung sử dụng biểu đồ màu mờ.doc

Tải tài liệu tại sividoc.com
Viết đề tài giá sinh viên – ZALO:0973.287.149-TEAMLUANVAN.COM
BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ
CÔNG NGHỆ VIỆT NAM
HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM
Trịnh Trung Nghĩa
LUẬN VĂN THẠC SĨ
NGÀNH: HỆ THỐNG THÔNG TIN
NGHIÊN CỨU PHƯƠNG PHÁP XÂY DỰNG HỆ THỐNG TÌM
KIẾM ẢNH THEO NỘI DUNG SỬ DỤNG BIỂU ĐỒ MÀU MỜ
Hà Nội – tháng 5 năm 2020

BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ
CÔNG NGHỆ VIỆT NAM
HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM
LUẬN VĂN THẠC SĨ
NGÀNH: HỆ THỐNG THÔNG TIN
NGHIÊN CỨU PHƯƠNG PHÁP XÂY DỰNG HỆ THỐNG TÌM
KIẾM ẢNH THEO NỘI DUNG SỬ DỤNG BIỂU ĐỒ MÀU MỜ
Chuyên ngành: Hệ thống thông tin
Mã số: 8480104
CÁN BỘ HƯỚNG DẪN KHOA HỌC: PGS.TS. ĐẶNG VĂN ĐỨC
Hà Nội , 2020

`
LỜI CAM ĐOAN
Tôi xin cam đoan luận văn với tên đề tài “Nghiên cứu phương
pháp tra cứu ảnh theo nội dung sử dụng biểu đồ màu mờ” là kết quả của
việc học tập và nghiên cứu của bản thân học viên, thu thập cơ sở dữ liệu
thực tiễn dưới sự hướng dẫn khoa học của PGS. TS. Đặng Văn Đức.
Các số liệu, kết quả đưa ra tại luận văn này của tôi là hoàn toàn đúng
đắn và trung thực, những tài liệu thông tin sử dụng trong luận văn này
được trích dẫn và có nguồn gốc rõ ràng, đầy đủ.
.
Hà Nội, Ngày …. Tháng …. Năm 2020
Ngƣời cam đoan
1

`
LỜI CẢM ƠN
Trong quá trình học tập và thực hiện luận văn, tôi đã được các Thầy cô của
Viện Hàn lâm Khoa học và Công nghệ Việt Nam tạo mọi điều kiện thuận lợi
và được bạn bè cùng đồng nghiệp đã thường xuyên động viên để tôi hoàn
thành Luận văn này. Tôi xin bày tỏ sự cảm ơn chân thành với những sự hỗ trợ
và giúp đỡ này.
Luận văn sẽ không thể hoàn thành nếu không có sự hướng dẫn tận tình của
Thầy hướng dẫn khoa học PGS.TS Đặng Văn Đức, là người thầy mà tôi muốn
bày tỏ lòng biết ơn sâu sắc nhất. Thầy đã cho tôi nhiều ý kiến đóng góp, giúp
đỡ quan trọng trong quá trình thực hiện luận văn.
Xin chân thành cảm ơn Ban quản lý Học Viện CNTT cùng toàn thể các Thầy
Cô giáo Viện Công Nghệ Thông Tin - Viện Hàn Lâm Việt Nam đã quan tâm
tạo môi trường thuận lợi để cho tôi học tập và nghiên cứu chuyên sâu về lĩnh
vực Công nghệ thông tin.
Cuối cùng tôi cảm ơn tất cả những sự giúp đỡ của đồng nghiệp, bạn bè đã
đóng góp ý kiến, động viên để tôi hoàn thành được luận văn này.
Hà Nội, Ngày …. Tháng 5 Năm 2020
Học Viên
2

`
DANH MỤC KÝ HIỆU,CHỮ VIẾT TẮT
STT Từ viết tắt Từ viết đầy đủ Diễn giải
1 CBIR Content Based Image Tìm kiếm ảnh dựa theo
Retrieval nội dung
2 CCH Conventional Color Biểu đồ màu thông
Histogram thường
3 CIE Commission Internationale Ủy ban Quốc tế về màu
del’Eclairage sắc
4 CIELAB Commission Internationale Không gian màu đồng
del’Eclairage L-*a-*b color nhất CIELAB
space
5 CMY Cyan-Magenta-Yellowcolor Không gian màu CMY
space
6 CSDL Cơ sở dữ liệu
7 FCH Fuzzy Color Histogram Biểu đồ màu mờ
8 FCM Fuzzy C – Mean Thuật toán phân cụm mờ
C - Mean
9 GIS Geographic Information Hệ thống thông tin địa lý
System
10 HSV Hue-Saturation-Value color Không gian màu HSV
space
3

`
11 IBM International Business Tập đoàn máy tính quốc
Machines tế IBM
12 JPEG Joint Photographic Experts Định dạng hình ảnh
Group JPEG
13 L*a*b* L*a*b* color space Không gian màu đồng
nhất L*a*b*
14 MF Membership Functions Hàm thành viên hay
hàm thuộc
15 QBIC Query By Image Content Truy vấn ảnh dựa trên
nội dung
16 RGB Red-Green-Blue color space Không gian màu RGB
17 WWW World Wide Web Mạng toàn cầu
Y-Luma (Brighnesshay
18 YCbCr Luminance); CbCr – Không gian màu YCbCr
ChromaBlue và Chroma
Red color space
19 YUV Y- Luminance; UV - Không gian màu YUV
chrominancechannels
4

`
DANH MỤC HÌNH ẢNH TRONG LUẬN VĂN
Hình 1.1: Tổng quan kiến trúc về hệ thống tra cứu ảnh
Hình 1.2: Tương quan màu sắc, ánh sáng với Mắt
Hình 1.3: Không gian màu RGB
Hình 1.4: Đặc trưng kết cấu của ảnh
Hình 2.1: Biểu đồ mô tả màu của ảnh
Hình 2.2: Biểu đồ màu của 3 ảnh khác nhau
Hình 2.3 : Công cụ tìm kiếm hình ảnh của Google
Hình 2.4: Phần bù của một tập mờ
Hình 2.5: Độ đo khoảng cách Minkowski
Hình 2.6: Độ đo khoảng cách Quadretic
Hình 2.7: Ảnh và biểu đồ màu của ảnh thử nghiệm
Hình 2.7.1: Tính khoảng cách giữa ảnh A và B sử dụng LCH
Hình 2.7.2: Sơ đồ thủ tục tính toán FCH (n’=163
= 4096)
Hình 2.8: Sơ đồ khối hệ thống suy luận mờ
Hình 2.9: Hàm thành viên của L*,a* và b*
Hình 2.10: Hàm thành viên mờ đầu ra của hệ thống
Hình 2.11: Cấu trúc của biểu đồ màu mờ
Hình 2.12: Hệ thống suy luận mờ tạo ra biểu đồ màu mờ
Hình 2.13: Biểu đồ FCH - 1D tạo ra từ hệ thống liên kết mờ của ảnh truy
vấn
Hình 3.1 Kiến trúc hệ thống tìm kiếm ảnh theo nội dung ở trong luận
văn Hình 3.2 Kiểu dữ liệu struct trong CSDL đặc trưng trong Matlab
Hình 3.2 Biểu đồ chức năng hoạt động của xây dựng CSDL đặc trưng
CCH trong không gian màu RGB, HSV
5

`
Hình 3.3 Biểu đồ chức năng hoạt động, xây dựng CSDL đặc trưng
FCH trong không gian màu L*a*b*
Hình 3.4 Biểu đồ hoạt động chức năng tìm kiếm ảnh trên cơ sở
CCH theo RGB hoặc HSV
Hình 3.6 Giao diện chính của chương trình thử nghiệm
Hình 3.7 Giao diện tìm kiếm và hiển thị ảnh kết quả của chương trình
Hình 3.8 Biểu đồ màu CCH và FCH của ảnh bus 340.jpg và ảnh đã
thêm 15% nhiễu gaussian
Hình 3.9 Biểu đồ màu CCH và FCH của ảnh xe bus 340.jpg và
ảnh đã thay đổi độ sáng 15%
Hình 3.10 Tìm kiếm hình ảnh xe bus đã thay đổi độ sáng với FCH
Hình 3.11 Tìm kiếm hình ảnh xe bus đã thay đổi độ sáng với CCH trongRG
Hình 3.12 Tìm kiếm hình ảnh xe bus đã thay đổi độ sáng với CCH trong HSV
Bảng 3.1 Kết quả thử nghiệm độ chính xác với ảnh xe bus và một số ảnh
khác nhau , đã tạo thêm 15% độ nhiễu Gausian và thay đổi độ sáng 15%.
Bảng 3.2 Một số kết quả thử nghiệm tìm kiếm trong CSDL ảnh WANG
Bảng 3.3 Một số kết quả thử nghiệm từ chương trình tìm kiếm ảnh
trên CSDL ảnh y tế
6

`
MỤC LỤC
LỜI CAM ĐOAN ............................................................................................ 1
LỜI CẢM ƠN.................................................................................................. 2
DANH MỤC HÌNH ẢNH TRONG LUẬN VĂN ......................................... 5
MỤC LỤC........................................................................................................ 7
PHẦN MỞ ĐẦU ............................................................................................ 10
CHƢƠNG 1. TỔNG QUAN VỀ HỆ THỐNG TÌM KIẾM ẢNH THEO
NỘI DUNG 12
1.1. Hệ thống tra cứu ảnh theo nội dung và những thành phần chính
của nó........................................................................................................... 15
1.2. Các đặc trƣng trong hệ thống tìm kiếm ảnh dựa trên nội dung .... 16
1.2.1. Đặc trưng màu sắc ....................................................................... 16
Các đặc trưng về hình dạng của ảnh ........................................................ 18
1.2.2. Đặc trưng kết cấu ......................................................................... 20
1.2.3. Biểu đồ màu .................................................................................. 21
1.3. Khả năng ứng dụng của hệ thống tìm kiếm ảnh theo nội dung ..... 24
1.3.1. Công cụ tìm kiếm Google Image Search ...................................... 25
1.3.2. Hệ thống QBIC (Query By ImageContent) .................................. 26
1.3.3. Hệ thống WebSEEK và VisualSEEK ............................................ 26
1.4. Tổng quan về Logic mờ ...................................................................... 27
1.4.1. Giới thiệu chung về Logic mờ ...................................................... 27
1.4.2. Khái niệm tập hợp mờ. ................................................................. 29
1.4.3. Các đặc trưng của tập mờ ............................................................ 29
1.4.4. Các phép toán trên tập mờ ........................................................... 30
1.5. Kết luận chƣơng .................................................................................. 34
7

`
CHƢƠNG 2. TÌM KIẾM ẢNH THEO NỘI DUNG TRÊN CƠ SỞ
BIỀU ĐỒ MÀU MỜ...................................................................................... 35
2.1. Đo khoảng cách giữa các biểu đồ màu .............................................. 35
2.1.1. Độ đo khoảng cách Minkowski(Lp) .............................................. 36
2.1.2. Độ đo khoảng cách toàn phương(Quaratic) ................................ 37
2.1.3. Độ đo khoảng cách biểu đồ giao nhau (Histogram Intersection
Distance) ................................................................................................... 39
2.2. Tìm kiếm ảnh theo nội dung trên cơ sở biểu đồ màu thông thƣờng
...................................................................................................................... 39
2.2.1. Biểu đồ màu toàn bộ (Global Color Histogram) ......................... 39
2.2.2. Biểu đồ màu cục bộ ( LCH ) ......................................................... 41
2.3. Tìm kiếm ảnh theo nội dung trên cơ sở biểu đồ màu mờ ............... 43
2.3.1. Định nghĩa biểu đồ màu mờ(FCH) .............................................. 43
2.3.2. Tính toán FCH và độ đo khoảng cách ......................................... 43
2.3.3. Tính toán FCH trong không gian màu CIELAB sử dụng thuật toán
phân cụm mờ ............................................................................................. 44
2.3.4. Phương pháp tạo biểu đồ màu dựa vào hệ thống liên kết mờ trong
không gian màu L*a*b* ........................................................................... 47
2.4. Tổng kết chƣơng .................................................................................. 54
CHƢƠNG 3. THỬ NGHIỆM .................................................................... 55
3.1. Giới thiệu bài toán thử nghiệm .......................................................... 55
3.2. Dữ liệu thử nghiệm ............................................................................. 55
3.3. Mô tả hệ thống thử nghiệm ................................................................ 56
3.3.1. Xây dựng CSDL đặc trưng ........................................................... 56
3.3.2. Chức năng tìm kiếm ảnh............................................................... 56
3.4. Môi trƣờng và công cụ sử dụng xây dựng thử nghiệm ................... 57
8

`
3.5. Thiết kế chƣơng trình thử nghiệm .................................................... 58
3.5.1. Xây dựng CSDL đặc trưng - Thiết kế CSDL đặc trưng ............... 59
3.5.2. Thiết kế giao diện của chương trình thử nghiệm ......................... 63
3.6. Đánh giá kết quả thử nghiệm ............................................................. 64
3.6.1. Đo lường hiệu suất trong hệ thống tìm kiếm ảnh......................... 64
3.6.2. Kết quả thử nghiệm ...................................................................... 65
CHƢƠNG 4. KẾT LUẬN........................................................................... 78
TÀI LIỆU THAM KHẢO ............................................................................ 80
PHỤ LỤC 1 .................................................................................................... 82
9

`
PHẦN MỞ ĐẦU
Ngày nay với sự phát triển của của các phương tiện truyền thông, các
phương tiện lưu trữ hình ảnh, cùng kích thước của các tập ảnh số được gia
tăng một cách chóng mặt. Thì việc tìm kiếm ảnh và lưu trữ ảnh sao cho nhanh
chóng và hiệu quả là rất cần thiết với người dùng. Việc tra cứu ảnh là nhu cầu
rất cần thiết từ nhiều lĩnh vực khác nhau như: trinh sát, dự báo thời tiết, phòng
chống tội phạm…. Cùng chung mục đích này, rất nhiều các chương trình thiết
kế để tìm kiếm ảnh đã được xây dựng và ứng dụng trong thực tế. Trong đó có
hai nền tảng chính là: dựa trên văn bản (text-based) và dựa trên nội dung
(content-based).
Các phương pháp tiếp cận trong những năm 1970 dựa trên văn bản
được sử dụng nhiều. Tại thời điểm đó các bức ảnh được con người chú thích
bằng văn bản một cách thủ công , sau đó được lưu trữ bởi các hệ thống quản
lý cơ sở dữ liệu, và đưa vào thực hiện việc tra cứu ảnh. Khi đó người ta nhận
ra một số nhược điểm của phương pháp này đó là:
Thứ nhất: Nó cần quá nhiều công sức lao động của con người để tạo
chú thích cho những bức ảnh.
Thứ hai là: nếu việc đánh chú thích không chuẩn do nhận thức chủ
quan của mỗi người là khác nhau.
Để khắc phục hai nhược điểm trên của hệ thống tra cứu ảnh dựa trên
văn bản, khái niệm tra cứu ảnh dựa trên nội dung được giới thiệu vào đầu năm
1980.
Với Luận văn này sẽ thể hiện một số kỹ thuật dựa trên phản hồi liên
quan, được ứng dụng trong công nghệ tra cứu ảnh theo nội dung. Để cải
thiện hiệu năng tra cứu, thu hẹp khoảng cách về ngữ nghĩa. Luận văn được
chia làm 3 chương cụ thể như sau:
Chƣơng 1: Các khái niệm chung về tra cứu ảnh dựa trên nội dung.
Giới thiệu các kiến trúc tổng quan hệ thống tìm kiếm ảnh theo nội dung,
các đặc trưng sử dụng trong tìm kiếm ảnh theo nội dung, khả năng ứng
dụng và khái quát về Logic mờ.
10

`
Chƣơng 2: Đo khoảng cách giữa các biểu đồ màu, Tìm kiếm ảnh theo
nội dung dựa trên cơ sở biểu đồ màu thông thường, Tìm kiếm ảnh theo nội
dung trên cơ sở biều đồ màu mờ.
Chƣơng 3: Áp dụng cài đặt chương trình thử nghiệm.
Cài đặt chương trình tìm kiếm ảnh, thử nghiệm trên Matlab dựa theo
kiến thức và lý thuyết từ các chương của luận văn.
11

`
CHƢƠNG 1. TỔNG QUAN VỀ HỆ THỐNG TÌM KIẾM ẢNH
THEO NỘI DUNG
Giới thiệu:
Hiện nay với việc bùng nổ về hệ thống thông tin thì việc tìm kiếm thông
tin dữ liệu có vai trò quan trọng, trong đó việc tìm kiếm ảnh cũng đang trở
nên cần thiết. Truy xuất thông tin hình ảnh dựa trên nội dung, hoặc truy
xuất hình ảnh dựa trên nội dung là một trong những lĩnh vực nghiên cứu
mạnh mẽ nhất trong lĩnh vực máy tính trong hơn 10 năm qua. Sự sẵn có của
số lượng lớn dữ liệu trực quan và đa phương tiện đang phát triển, và sự phát
triển của Internet nhấn mạnh đến các nhu cầu để tạo ra các phương thức
truy cập theo chủ đề, cung cấp nhiều hơn các truy vấn hoặc yêu cầu dựa
trên văn bản đơn giản, dựa trên các trường cơ sở dữ liệu chính xác.
Có nhiều chương trình và công cụ đã được phát triển để hình thành và
thực hiện các truy vấn dựa trên nội dung hình ảnh hoặc âm thanh, để giúp
chạy duyệt các kho dữ liệu đa phương tiện lớn. Tuy nhiên, không có bước
đột phá chung nào đạt được đối với các cơ sở dữ liệu lớn khác nhau với các
tài liệu thuộc các loại khác nhau về đặc điểm và nội dung. Một số câu trả lời
cho nhiều câu hỏi liên quan đến tốc độ, mô tả ngữ nghĩa hoặc giải thích
hình ảnh khách quan vẫn chưa được trả lời.
Để tìm kiếm ảnh hiện nay có hai cách: một là phương pháp tìm kiếm
theo từ khoá và hai là tìm kiếm theo nội dung ảnh. Phương pháp thứ nhất là
tìm kiếm ảnh theo từ khoá phương pháp này người dùng khá ưa thích vì tính
chất đơn giản và dễ thao tác. Cùng với đó việc tìm kiếm ảnh dựa theo từ
khoá thì nhanh hơn so với tìm kiếm theo nội dung bởi vì tìm kiếm theo từ
khóa hoạt động trên việc so sánh và phân tích các từ hay cụm từ khi xác
định chúng giống với nhau thì đưa ra kết quả gần đúng nhất . Do kiểu dữ
liệu đầu vào là dạng văn bản nên việc tìm kiếm và xuất kết quả thực hiện
một cách nhanh chóng, và không đòi hỏi người tìm kiếm phải chuẩn bị ảnh
mẫu trước. Bên cạnh đó việc tìm kiếm theo phương pháp này còn có một số
hạn chế đó là kết quả tìm kiếm khi trả về đôi khi không đúng ý định ban đầu
của người dùng.
12

`
Để khắc phục các hạn chế trên thì phương pháp tìm kiếm ảnh dựa trên
nội dung được ra đời để khắc phục những hạn chế này. Tư tưởng chính của
phương pháp tìm kiếm ảnh này là người ta tự động trực tiếp gắn mô tả cho
những bức ảnh, phân tích nội dung ảnh mà không có sự can thiệp thủ công.
Điểm nổi bật của thuật toán này so với thuật toán tìm kiếm ảnh dựa trên từ
khóa đó là nội dung của ảnh luôn luôn nhất quán và ở phần trích chọn đặc
trưng của ảnh được thực hiện một cách tự động. Trên thực tế, người sử
dụng luôn thích dùng các từ khóa, để mô tả văn bản và giải thích cho hình
ảnh của họ và đo độ tương tự. Trên một khía cạnh nào đó những đặc trưng
này được trích chọn tự động bằng việc sử dụng các kỹ thuật của thị giác
máy và chủ yếu là các đặc trưng ở mức thấp như đặc trưng về hình dạng,
đặc trưng về màu sắc ảnh, đặc trưng về kết cấu, …). Cho dù đã có nhiều
thuật toán được đầu tư về kỹ thuật để mô tả các đặc trưng của ảnh như màu
sắc, hình dạng nhưng vẫn không thể phản ánh hết các ngữ nghĩa của ảnh.
Phân tích nội dung đa phương tiện được áp dụng trong các ứng dụng thị
giác máy tính trong thế giới thực khác nhau và hình ảnh kỹ thuật số là một
phần chính của dữ liệu đa phương tiện. Trong vài năm qua, sự phức tạp của
nội dung đa phương tiện, đặc biệt là hình ảnh đã tăng theo cấp số nhân và
trên cơ sở hàng ngày, hơn hàng triệu hình ảnh được tải lên tại các kho lưu
trữ khác nhau như Twitter, Facebook và Instagram. Để tìm kiếm một hình
ảnh có liên quan từ một kho lưu trữ là một vấn đề nghiên cứu đầy thách
thức cho cộng đồng nghiên cứu tầm nhìn máy tính. Hầu hết các công cụ tìm
kiếm lấy hình ảnh trên cơ sở các cách tiếp cận dựa trên văn bản truyền
thống dựa trên chú thích và siêu dữ liệu. Trong thập kỷ qua , nghiên cứu sâu
rộng được báo cáo để tìm kiếm , ảnh dựa trên nội dung (CBIR) , phân loại
hình ảnh và phân tích.
Các khái niệm quan trọng và nghiên cứu chính dựa trên CBIR và biểu
diễn hình ảnh sẽ được thảo luận chi tiết và các hướng nghiên cứu trong
tương lai được kết luận và tạo điều kiện cho nghiễn cứu tiếp theo trong lĩnh
vực này.
Kỹ thuật tìm kiếm ảnh dựa trên nội dung (CBIR) đã được đưa vào như
13

`
một câu trả lời cho những khó khăn của cách tiếp cận dựa trên văn bản. Kỹ
thuật CBIR vượt qua rào cản đại diện cho một hình ảnh mang tính văn bản.
Trong các hệ thống CBIR , thuật toán xử lý hình ảnh được sử dụng và các
vector đặc trưng được trích xuất tự động. Các tính năng của hình ảnh là màu
sắc, kết cấu và hình dạng. Các vecto đặc trưng đại diện cho các tính năng
này.
Ưu điểm của CBIR :
- Quá trình thu hồi được xử lý một cách tự động.
- Không cần nỗ lực để chú thích hình ảnh.
Nhược điểm của CBIR:
- Quản lý hình ảnh khá phức tạp.
- CBIR cần chuyển đổi nhận thức của user cấp cao thành tính
năng hình ảnh cấp thấp.
- Việc lập các chỉ mục hình ảnh là phức tạp.
- Xử lý truy vấn cũng phụ thuộc vào diễn giải trực quan.
Do vậy, các khái niệm đặc trưng mức cao và các đặc trưng
mức thấp vẫn còn nhiều nên hiệu suất của CBIR là vẫn còn
tương đối lớn với mong muốn của người sử dụng.
14

`
1.1. Hệ thống tra cứu ảnh theo nội dung và những thành phần chính
của nó.
Một hệ thống tra cứu ảnh theo nội dung cần các thành phần sau:
Hình 1-1: Tổng quan về kiến trúc của hệ thống tra cứu ảnh
Trong một hệ thống tra cứu ảnh theo nội dung có ba thành phần quan
trọng nhất đó là: Giao diện truy vấn cho người dùng, đánh chỉ số và trích
chọn đặc trưng .
15

`
1.2. Các đặc trƣng trong hệ thống tìm kiếm ảnh dựa trên nội dung
CBIR đề cập đến nội dung hình ảnh được lấy trực tiếp, qua đó các hình
ảnh có tính năng nhất định hoặc chứa nội dung nhất định sẽ được tìm kiếm
trong cơ sở dữ liệu hình ảnh. Ý tưởng chính của CBIR là phân tích thông tin
hình ảnh bằng các tính năng cấp thấp của hình ảnh, bao gồm: màu sắc, kết
cấu, hình dạng và mối quan hệ không gian của các đối tượng, v.v.. và thiết
lập các vector đặc trưng của hình ảnh làm chỉ mục. Phương pháp truy xuất
tập trung tính toán mức độ tương đồng giữa véc tơ đặc trưng đa chiều ảnh
đầu vào và các véc tơ đặc trưng đa chiều trong CSDL.
1.2.1. Đặc trƣng màu sắc
Hiện nay việc sử dụng đặc trưng màu sắc của ảnh trong tìm kiếm ảnh được sử
dụng rất nhiều, đặc biệt trong lĩnh vực tra cứu ảnh dựa theo nội dung.Vì ta
thấy được rằng trong một bức ảnh màu thì dữ liệu quan trọng nhất của nó là
màu sắc. Mặt khác, màu sắc có những đặc điểm rất dễ trong việc đánh chỉ số
và có tính trực quan, trích chọn theo thông tin màu của ảnh sau đó đưa ra
những phân tích và tìm kiếm ảnh đã có hiệu quả thông qua biểu đồ màu.
Có nhiều định nghĩa về màu, từ góc nhìn khoa học: Màu là phân bổ bước
sóng λ (red: 700nm, violet: 400nm) hay tần số f của sóng điện từ.Từ quá trình
xử lý thị giác: Màu là thuộc tính quan sát vật thể, kết quả từ việc vật thể phát
ra, truyền hay phản xạ ánh sáng đến mắt người.
16

`
H1.2 Tương quan màu sắc, ánh sáng với Mắt
Trong tra cứu ảnh việc sử dụng dặc trưng màu sắc được sử dụng phổ
biến. Trên một không gian màu thì các màu sắc được định nghĩa cụ thể. Sự
đa dạng của không gian màu là có sẵn, rất nhiều ứng dụng hiện nay đều
đang sử dụng, khai thác các đặc trưng của ảnh.
Các vấn đề chính trong khai thác đặc trưng màu bao gồm không
gian màu, và lựa chọn chức năng tương tự. Các nghiên cứu khác nhau
về nhận thức màu sắc và không gian màu đã được đề xuất. Có thể hiểu
rằng không gian màu là mô hình toán học trừu tượng dùng để mô tả
cách biểu diễn màu mà con người có thể nhận biết bởi bộ các chữ số (có
giá trị )hay bởi các thành phần màu.Tại mỗi điểm ảnh trên một bức ảnh
nào đó ta có thể biểu diễn được bằng một điểm trong một không gian
màu 3 chiều.
17

`
Hình 1.3 Không gian màu RGB
RGB là không gian màu được sử dụng nhiều nhất hiện nay để
hiển thị ảnh, RBG bao gồm 3 thành phần màu cụ thể là: màu đỏ, màu
xanh lá và màu xanh lam. Không gian RGB là một dạng của mô hình
cộng bởi vì các màu sắc trong không gian này có thể cộng lại với nhau
tạo ra một màu sắc cụ thể nào đó.
Cách biểu diễn một màu tùy ý trong dãy hiển thị được thực hiện bằng
cách tổ hợp ba màu Đỏ, Xanh lá và Xanh Lam với nhau, gán giá trị từ 0
đến 1 cho R(1,0,0), G(0,1,0), B(0,0,1). Ví dụ: Red (1,0,0) + Blue (0,0,1)
→Magenta (1,0,1). Đường chéo từ (0,0,0) đến ( 1,1, 1 ) biểu diễn màu
xám. Tuy nhiên không gian màu RGB không thể biểu diễn mọi màu
trong phổ nhìn thấy.
Các đặc trƣng về hình dạng của ảnh
Khi ta so sánh đặc trưng về hình dạng với các đặc trưng về màu sắc hay
đặc trưng về kết cấu thì các đặc trưng của hình dạng thường chỉ được sử
dụng sau khi ảnh đã phân tách thành các vùng hoặc các đối tượng ảnh. Bởi
18

`
vì khi ta tách đối tượng ảnh cùng phân vùng rất khó có thể thu được kết
quả tốt chính vì thế việc sử dụng các đặc điểm hình dạng của ảnh để tìm
kiếm ảnh thường bị bó hẹp trong một vài ứng dụng mà ở đó các vùng ảnh
hoặc đối tượng ảnh đã được tách biệt rõ ràng
Có 2 loại trích chọ đặc trưng cơ bản đó là: trích chọn dựa theo đường
biên và trích chọn dựa theo vùng của ảnh.
Khi thực hiện phép toán trích chọn đặc trưng của ảnh người ta thường
tách đối tượng ra khỏi ảnh. VD “bức ảnh cô gái đứng trên bãi biển “ thì
trước tiên người ta tách đối tượng ra khỏi ảnh tức là sẽ phải tách hình “cô
gái ” ra khỏi nền của bức ảnh ( nền là cảnh bãi biển ).
Hình 1.4: Đặc trưng về hình dạng
Cách biểu diễn theo đường viền bao quanh chỉ sử dụng đường
biên bên ngoài của hình dạng, để làm được điều này người ta sử dụng
cách mô tả vùng đang quan tâm bằng cách đặc tính bên ngoài của nó, có
nghĩa là các điểm ảnh dọc theo đường viền bao quanh đối tượng ảnh.
Cách biểu diễn theo vùng là cách sử dụng cả vùng ảnh bằng cách mô tả
vùng đang quan tâm bằng các đặc tính bên trong tức là các điểm ảnh ở
bên trong vùng đó.
19

`
1.2.2. Đặc trƣng kết cấu
Trong các đặc trưng của ảnh thì đặc trưng “kết cấu” là một đặc
trưng có tầm ảnh hưởng lớn nhất và cần thiết nhất. Đặc trưng kết cấu có
ảnh hưởng rất lớn đến sự nhận thức trực quan của người dùng khi họ nhìn
vào nó. Các vùng của ảnh được nó cung cấp bản mẫu trực quan. Đặc trưng
kết cấu gồm các thuộc tính như: Thuộc tính thô, độ tương phản, hướng,
chu kỳ, tính ngẫu nhiên và tính quy luật
Hình 1.4: Đặc trưng kết cấu của ảnh
Khác với đặc trưng hình dạng, đặc trưng kết cấu thể hiện trên một
vùng chứ không phải tại một điểm ảnh và thường được định nghĩa bằng
các mức xám.
Rất nhiều nghiên cứu trong các lĩnh vực như nhận dạng và thị giác máy
tính nó thể hiện được đặc trưng kết cấu của hình ảnh. Nhìn nhận một cách
chủ quan thì có 2 cách biểu diễn kết cấu đó là: phương pháp thống kê và
Phương pháp cấu trúc.
Các phương pháp cấu trúc bao gồm các đồ thị liền kề và toán tử hình thái,
mô tả kết cấu bằng cách định nghĩa các nguyên thuỷ cấu trúc và luật sắp
20

`
đặt của chúng. Các phương pháp cho thấy hiệu quả rõ rệt khi áp dụng
trong trường hợp kết cấu thông thường.
Một số phương pháp thống kê gồm các phương pháp: Phương pháp ma
trận đồng khả năng, phổ năng lượng Fourier, Tamura, Phân tích Wold,
trường ngẫu nhiên Markov, Không gian fractal ,các bộ lọc đa phân giải
như biến đổi Gabor và biến đổi dạng sóng... thể hiện kết cấu bằng sự phân
bố thống kê của độ sáng của các điểm ảnh.
1.2.3. Biểu đồ màu
Biểu đồ màu của một bức ảnh thể hiện được sự đặc trưng trong bố cục
màu sắc của ảnh đó, các biểu đồ như này là một bảng sơ đồ về màu sắc
của ảnh nào đó. Công việc tính toán dựa trên biểu đồ màu của ảnh được
tiến hành rất nhanh chóng, nó chỉ cần duyệt qua một lần toàn bộ ảnh. Vì
thế việc sử dụng biểu đồ màu trong việc tìm kiếm ảnh sẽ đem lại cho
chúng ta kết quả rất khả quan về phương diện tốc độ tìm kiếm.
Hình 2.1: Biểu đồ mô tả màu của ảnh
Biểu đồ màu là đặc trưng rất quan trọng của ảnh và nó thường được
ứng dụng trong các hệ thống tìm kiếm ảnh theo nội dung. Ở chương 2,
luận văn này trình bày cụ thể về phương pháp tìm kiếm ảnh theo nội dung
dựa trên biểu đồ màu mờ và biểu đồ màu thông thường. Các phương pháp
đưa ra đều có tính cải thiện độ chính xác cũng như tốc độ tìm kiếm ảnh.
21

`
1.2.3.1. Biểu đồ màu toàn cục (Global Color Histogram)
Biểu đồ màu toàn cục có tên tiếng anh là: Global Color Histogram,
đây là dạng biểu đồ mô tả sự bố trí của màu sử dụng trong tập các màu. Để
sử dụng biểu đồ màu toàn cục này thì trước tiên bức ảnh sẽ phải mã hóa với
biểu đồ màu của nó và khoảng cách giữa hai ảnh sẽ được xác định bởi
khoảng cách giữa các biểu đồ màu của chúng. Với phương pháp này ta có
thể sử dụng các thước đo khoảng cách để tính toán khoảng cách giữa các
biểu đồ màu với nhau.
Biểu đồ mầu toàn cục là sự thể hiện sự phân bố màu sắc trong một
hình ảnh. Biểu đồ màu đại diện cho hình ảnh nhưng từ một góc nhìn khác.
Biểu đồ màu đếm các pixel tương tự và lưu trữ nó trong các bins để mô tả số
lượng pixel trong mỗi phạm vi màu một cách độc lập. Biểu đồ màu là một
mô tả màu và như chúng ta đã biết răng mỗi mô tả chứa một thuật toán trích
xuất tính năng và một chức năng phù hợp.
Tham khảo ví dụ mô tả hoạt động của biểu đồ màu này:
Cho một biểu đồ với 3 màu : Đen, Trắng và Vàng. Ta kí hiệu biểu đồ
màu của 3 ảnh
● ảnh A:{25%, 25%, 50%};
● ảnh B: {18.75%, 37.5%, 43.75%}
● ảnh C {18.75%, 37.5%, 43.75%}
Sử dụng phương pháp đo khoảng cách Euclidean để đo khoảng cách giữa
các biểu đồ, ta thu được kết quả như sau:
Trong ví dụ trên ta thấy được khoảng cách giữa ảnh A và C khác so với
khoảng cách giữa ảnh A và B. Nhưng nếu chúng ta áp dụng biểu đồ màu
toàn cục thì kết quả thu được lại là khoảng cách tương tự.
22

`
Trong trường hợp nếu hai ảnh khách nhau nhưng có biểu đồ toàn cục giống
nhau ví dụ trên ( ảnh B và C ). Thì nó cho ta thấy rõ ràng điểm cực kỳ hạn
chế của biểu đồ màu toàn cục .
● ảnh A:{25%, 25%, 50%};
● ảnh B: {18.75%, 37.5%, 43.75%};
● ảnh C: {18.75%, 37.5%, 43.75%}
Hình 2.2 :Biểu đồ màu của 3 ảnh khác nhau
1.2.3.2. Biểu đồ màu tƣơng quan (Color Correlogram Histogram)
Biểu đồ màu tương quan được phát triển để khắc phục những vấn đề
mà trong không gian màu, mà thông qua lược đồ ta thấy được những thông
tin về màu sắc còn thiếu sót. Lược đồ màu này không những có thể biểu
diễn sự phân phối màu của các điểm ảnh mà nó còn là thể hiện sự tương
quan về không gian giữa các cặp màu. do lược đồ chỉ chú ý tới sự tương
quan về không gian, giống nhau giữa những màu do vậy chi phí tính toán và
số chiều được giảm đi đáng kể.
Biểu đồ tương quan màu sắc được đề xuất để mô tả không chỉ thể
hiện sự phân chia màu sắc của pixel mà còn cả tương quan không gian của
các cặp màu. Kích thước thứ nhất và thứ của biểu đồ ba chiều là màu sắc
của bất kỳ cặp pixel nào và chiều thứ ba là khoảng cách không gian của
chúng. Biểu đồ tương quan màu là bảng được lập chỉ mục bởi các cặp màu.
Cho một tương quan màu với các chỉ số đánh theo bảng bởi các cặp
23

`
màu. Với mỗi pixel có màu i trong ảnh, là xác suất tìm thấy một pixel có
màu j các pixel ban đầu một khoảng cách k. Cho I biểu diễn toàn bộ tập các
pixel ảnh và Ic(i) biểu diễn tập các pixel có màu C(i) thì tương quan màu
được định nghĩa bằng:
Trong đó: p2 ЄI, p1 Є Ic(i).
k Є {1,2,…,d}.
i, j Є {1,2,…,N}.
|p1-p2| là khoảng cách giữa các pixel p1
và p2. Kích thước của Correlogram là
O(N2
d).
Khi chọn d để tính Correlogram ta cần chú ý vấn đề sau:
Giá trị d lớn thì cần nhiều chi phí tính toán và không gian lưu
trữ.
Giá trị d nhỏ có thể giảm giá trị lưu trữ của đặc trưng.
Khi đem vector liên kết màu với lược đồ màu hay tương quan màu người ta
nhận thấy kết tìm kiếm tốt hơn, nhưng mặt khác vì nó có chiều cao lớn hơn
nên chi phí tính toán cũng lớn hơn.
Kết luận: Tương quan màu sắc không những chỉ thể hiện sự tương
quan không gian của các cặp màu, mà nó còn mô tả sự phân bố màu sắc của
các pixel.
1.3. Khả năng ứng dụng của hệ thống tìm kiếm ảnh theo nội dung
Hiện nay việc tra cứu ảnh được sử dụng trong rất nhiều ngành nghề
lĩnh vực khác nhau như :
− Ứng dụng trong Quân đội
− Hỗ chợ chuẩn đoán trong y học
− Quản lý tài sản trí tuệ
24

`
− Ứng dụng trong dư báo thời tiết
− Thiết kế chi tiết máy.
− Thiết kế nội thất và xây dựng
− Báo chí quảng cáo
− Giải trí
Một số hệ thống tra cứu ảnh dựa trên nội dung phổ biến hiện nay
Trong những năm gần đây, có rất nhiều hệ thống tra cứu ảnh được
phát triển ra đời, Các chương trình tra cứu ảnh dựa theo nội dung được xây
dựng cẩn thận bằng cách sử dụng chi tiết số liệu thống kê, logic mờ, nhận
dạng khuôn mẫu, máy tính ,tính toán mềm và xử lý các dữ liệu. Cùng với đó
các chương trình nghiên cứu và ứng dụng thương mại đã được xây dựng một
cách bài bản và quy mô. Sau đây học viên sẽ giới thiệu một số hệ thống của
tra cứu ảnh phổ biến hiện nay mà hầu như mọi người đều biết.
1.3.1. Công cụ tìm kiếm Google Image Search
Một công cụ tìm kiếm mà hầu hết mọi người khi sử dụng internet đều
biết đến đó là Google, trong các chương trình tìm kiếm của google thì
google ảnh là một trong những thành công to lớn của họ, nó giúp người
dùng tra cứu ảnh theo nôi dung hay bằng chính những hình ản sẵn có và trả
về kết quả khá chính xác. Google Image Search hỗ trợ một số thuộc tính cơ
bản như kích thước, hình dạng,… để người dùng tra cứu chuẩn xác hơn.
25

`
Hình 2.3 : Công cụ tìm kiếm ảnh của Google
1.3.2. Hệ thống QBIC (Query By ImageContent)
IBM một tập đoàn công nghệ máy tính đa quốc gia có trụ sở tại
Armonk, New York, Mỹ. đã phát triển và đưa ra một hệ thống có tên
gọi là Query By Image Content ( QBIC ) đó một hệ thống tìm kiếm
ảnh thương mại được nhiều người biết đến trong số các hệ thống tra cứu
ảnh dựa trên nội dung đã từng phát triển. Nó cho phép truy vấn các
CSDL hình ảnh lớn bằng các thuộc tính trực quan ví dụ như: tỉ lệ màu
sắc, màu sắc hay hình dạng, kết cấu, và từ các bức vẽ phác hoạ,cũng
như các từ khóa.
Thông thường bất kỳ thuộc tính trực quan nào cũng có thể được
sử dụng trong truy vấn. Nhưng khi các thuộc tính trực quan đó có thể
kết hợp với từ khoá để tạo thành một truy vấn tổng hợp sẽ cải tiến
hiệu quả truy vấn. Phần mềm QBIC và trình diễn có tại
http://www.qbic.almaden.ibm.com[3].
1.3.3. Hệ thống WebSEEK và VisualSEEK
WebSEEK là một trong những hệ thống nguyên mẫu truy vấn
26

`
trực quan dựa trên nội dung được phát triển bởi Đại học Columbia. Nó
được thiết kế đặc biệt để tìm kiếm hình ảnh và video trên WWW. Trong
Web SEEK, các hình ảnh được phân tích trong hai quy trình tự động
riêng biệt.
- Quy trình đầu tiên là trích chọn và lập chỉ mục các đặc trưng trực
quan như biểu đồ màu và kết cấu.
- Quy trình thứ hai là phân tích văn bản liên quan và phân loại hình
ảnh thành các lớp chủ đề theo một phân loại hình ảnh tùy chỉnh. Có
trên 2000 lớp hình ảnh trong hệ thống phân loại. Ví dụ như các lớp
chủ đề về thể thao, du lịch, cây cối và các lớp con của chúng.
Một mẫu thử nghiệm nâng cao được gọi là Visual SEEK cũng được
phát triển. Visual SEEK tăng cường khả năng tìm kiếm bằng cách tích
hợp các truy vấn không gian (như những người sử dụng trong GIS) và
các truy vấn đặc trưng trực quan hình ảnh. Người dùng yêu cầu hệ
thống tìm kiếm ảnh bao gồm các vùng có các đặc trưng phù hợp và mối
quan hệ không gian. Web SEEK có thể được truy cập từ
http://www.ctr.columbia.edu/webseek/ [4] .
1.4. Tổng quan về Logic mờ
1.4.1. Giới thiệu chung về Logic mờ
Logic mờ (tiếng Anh: Fuzzy logic) được nhà toán học Lotfali
Askar Zadeh phát triển lên từ lý thuyết tập mờ từ 1965 ông đã cho ra
đời hàng loạt các lý thuyết về tập mờ và được đăng trên báo và các tạp
chí lớn tại Mỹ như “Information and Control” bài báo của ông đã mở
đường cho hàng loạt của những nghiên cứu sau này, áp dụng phương
pháp lập luận một cách tương đối thay vì lập luận chính xác theo các
phương pháp logic vị từ cổ điển. Chứng minh của Lotfali Askar Zadeh
cho phép chúng ta có thể khái quát hóa giá trị của các mệnh đề mờ, vì
27

`
thế mà ta có thể làm cho thiết bị máy móc hiểu được các thông tin mà ta
truyền vào qua các ngôn ngữ tự nhiên,và một điều tuyệt vời là chúng có
thể “hiểu” khá chính xác những nội dung mà ta truyển vào. Logic mờ
đang được sử dụng trong nhiều ứng dụng liên quan đến nhận dạng, xử
lý hình ảnh, xử lý ngôn ngữ, điểu khiển tự động, truy vấn bằng nội dung
hình ảnh, phát hiện ranh rới, theo dõi đối tượng.
Logic mờ là một công cụ tính toán dùng để sử dụng những kiến
thức của con người vào các thuật toán khả thi. Ý tưởng về logic mờ
được giới thiệu bởi tiến sỹ Lofti Zadeh của UC-Berkley vào năm 1960,
là một cách thức của mô hình về sự không chắc chắn của ngôn ngữ tự
nhiên.
Logic mờ đã được áp dụng gần đây trong quá trình kiểm soát, mô
hình hóa, ước tính, xác định, dự đoán thị trường chứng khoán, chẩn
đoán, khoa học, quân sự, nông nghiệp , và nhiều lĩnh vực khác. Một
trong những ứng dụng tiên phong trong logic mờ là trong các hệ thống
điều khiển.
Điều khiển dựa trên logic mờ được sử dụng trong các ứng dụng
khác nhau. Suốt trong nhiều năm qua, kiểm soát dựa trên logic mờ đã
xuất hiện như một trong những các lĩnh vực tích cực và hiệu quả nhất
để nghiên cứu ứng dụng lý thuyết logic mờ, đặc biệt là trong phạm vi
rộng của quá trình công nghiệp thiếu dữ liệu định lượng liên quan đến
đầu vào - đầu ra.
Không thể phủ nhận những thành công và những mặt tích cực mà logic mờ
đem lại. Logic mờ đã được chấp nhận và sử dụng rộng rãi nhưng bên cạnh
đó nó vẫn bị phê phán bởi những quan điểm bất đồng tại một vài trường
phái nghiên cứu khác.
28

`
1.4.2. Khái niệm tập hợp mờ.
Khái niệm Tập hợp mờ hay còn gọi là “Tập mờ” là mở rộng của
khái niệm tập hợp cổ điển, dùng để đáp ứng nhu cầu biểu diễn những tri
thức không chính xác.
Để hiểu thế nào là logic mờ, trước hết cần hiểu thế nào là tập hợp
mờ (fuzzy set)
-
-
Cho X là một không gian nền
A là tập mờ hoặc tập con mờ trên không gian nền X khi và chỉ khi A
được xác định bởi hàm :
μA được gọi là hàm thuộc hay hàm thành viên (Membership
Function) để chỉ phụ thuộc của các phần tử trong tập X vào tập A.
Nên μA(x) còn được gọi là mức độ phụ thuộc (membership
degree hoặc degree of membership ) của phần tử x Î X lên tập A.
1.4.3. Các đặc trƣng của tập mờ
Các đặc trưng của một tập mờ A trên X, được hiểu là những
thông tin để mô tả về các phần tử liên quan đến tập mờ A, những đặc
trưng này có thể chỉ rõ sự khác biệt của những tập con cổ điển khác của
X với tập mờ A.
Định nghĩa 1.4.3.1
Giá đỡ của tập mờ A (Support) là tập các phần tử có giá trị hàm
thuộc lớn hơn 0 trong tập mờ A, được ký hiệu và xác định như sau:
29

`
supp(A) = {x | x ∈ X | μA(x) > 0} Định nghĩa
1.4.3.2
Chiều cao của tập mờ A (Hight) là giá trị lớn nhất mà hàm
thuộc có thể lấy trong tập mờ A, được ký hiệu và xác định như sau:
h(A) = sup{μA(x), x ∈ X}
Như vậy, tập mờ A có nhân khác rỗng khi và chỉ khi A là tập mờ chuẩn hóa
1.4.4. Các phép toán trên tập mờ
1.4.4.1. Phép hợp ( U )
Trên tập vũ trụ U cho hai tập mờ A~
và B~
. Hợp của hai tập mờ này
là một tập mờ được ký hiệu là mà hàm thuộc của nó được định nghĩa
theo điểm như sau :
hay, trong trường hợp U là hữu hạn hay đếm được,
Một cách tổng quát, cho ∈ F(U), i ∈ I, với I là tập chỉ số hữu hạn hay vô hạn nào đó. Khi đó, hợp của các tập mờ như vậy, ký hiệu là
, được định nghĩa bằng hàm thuộc như sau:
1.4.4.2. Phép giao ∩
Phép giao của A và B được ký hiệu là: A ∩ B
Phép giao sẽ có hàm thuộc một trong các định nghĩa sau:
30

`
1.4.4.3. Phép lấy phần bù ~
Cho A là tập mờ trong X có hàm thuộc µA. Phần bù ¬A của A trong
X là một tập mờ có hàm thuộc xác định như sau:
¬A = 1 − , ∀x ∈ X
Hình 2.4: Phần bù của một tập mờ
1.4.4.4. Phép mờ hóa (Fuzzification) .
Fuzzification là quá trình chuyển đổi giá trị đầu vào rõ nét thành giá trị
mờ được thực hiện bằng cách sử dụng thông tin trong cơ sở tri thức.
Fuzzification bắt đầu với việc chọn các hàm thành viên phù hợp cho
các tập mờ. Hình 2.4.1 cho thấy một lựa chọn điển hình, một loạt các đoạn
thẳng. (Các lựa chọn khác là có thể, ví dụ: đường cong sigmoid.) Mỗi dấu
có thể là một thành viên của ít nhất một tập mờ. Từ hình vẽ, chúng ta có
thể thấy rằng khi
31

`
Hình 2.4.1
Chúng ta cũng cần định lượng các thuật ngữ 'rất' và 'đúng hơn'. Những
hàng rào ngôn ngữ này có thể được hiểu như sau:
Với những diễn giải này, một dấu ấn 80% có
Tóm lại: phép mờ hóa là quá trình hình thành ánh xạ từ đầu vào đã cho
sang đầu ra bằng logic mờ. Ánh xạ sau đó cung cấp một cơ sở mà từ đó
các quyết định có thể được đưa ra, hoặc các mẫu được phân biệt.
1.4.4.5. Phép khử mờ
Phương pháp chuyển đổi từ dữ liệu đầu vào là dữ liệu mờ và có đầu ra
là giá trị thực được gọi là phép khử mờ. Nhưng trên thực tế về phương
pháp hay cách thức khử mờ thì không có những ràng buộc hay định nghĩa
cách thức chặt chẽ nào cả. Các hệ thống dựa trên quy tắc mờ đánh giá các
quy luật ngôn ngữ If-then bằng cách sử dụng độ mờ, suy luận và các thủ
tục thành phần. Chúng tạo ra kết quả mờ mà thường phải được chuyển đổi
thành đầu ra rõ nét. Đến biến đổi các kết quả mờ thành sự sắc nét. Làm mờ
32

`
là quá trình chuyển đổi một đầu ra bị mờ thành một giá trị rõ nét duy nhất
đối với một bộ mờ.
Đầu ra từ công cụ suy luận ( loại Mamdani) là mờ và chúng cần được
chuyển đổi thành đầu ra rõ nét trước khi gửi chúng đến thiết bị truyền động
để kiểm soát quá trình, việc chuyển đổi số lượng mờ thành rõ nét , giá trị
đó được gọi là khử mờ.
Trong một khía cạnh nào đó, về trực quan chúng ta có thể lựa chọn một
phương pháp khử mờ được xem là tối ưu nhất. Vào năm 1993 C.Thomas
và Hellendoorn đã đưa ra 5 tiêu chuẩn trực quan như sau:
• Tính không nhập nhằng (disambiguity), nghĩa là phương pháp
chỉ sinh ra một giá trị đầu ra duy nhất
• Tính liên tục, nghĩa là khi ta tạo một sự thay đổi bất kỳ của dữ
liệu đầu vào thì kết quả của đầu ra cũng thay đổi theo nó.
• Độ phức tạp tính đơn giản, một đòi hỏi tự nhiên
• Tính hợp lý, với tính chất này nó yêu cầu giá trị đầu ra phải nằm
ở khu vực trung tâm của tập mờ và độ thuộc hay giá trị hàm
thuộc tại đó phải lớn.
• Tính trọng số của phương pháp (weighting method) phương pháp
này tính đến trọng số hay mức độ ưu tiên của tập mờ kết quả đầu
ra.
Như vậy có thể kết luận là các tiêu chuẩn cần bảo đảm giá trị khử mờ
của tập mờ A~
là phần tử thực đại diện một cách hợp lý của A~
.
Ngoài ra chúng ta có thể tham khảo thêm một số phương pháp khử mờ
sau:
- Phương pháp khử mờ sử dụng cực đại trung bình có trọng số.
- Phương pháp khử mờ sử dụng cực đại trung bình (average
maximum).
- Phương pháp trọng tâm.
33

`
1.5. Kết luận chƣơng
Trong chương 1 này, luận văn đã trình bày về kiến trúc tổng quan
hệ thống tìm kiếm ảnh theo nội dung, các đặc trưng cấp thấp của ảnh
như màu sắc, kết cấu, hình dạng sử dụng trong tìm kiếm ảnh theo nội
dung. Trong đó, biểu đồ màu là kỹ thuật được sử dụng. Ngoài ra, luận
văn cũng trình bày khả năng ứng dụng của hệ thống CBIR trong nhiều
lĩnh vực, giới thiệu một số hệ thống tìm kiếm ảnh theo nội dung tiêu
biểu trên thế giới.Trình bày khái quát về logic mờ, tập hợp mờ, các đặc
trưng, phép toán và các kiểu hàm thuộc của tập mờ.
34

`
CHƢƠNG 2. TÌM KIẾM ẢNH THEO NỘI DUNG TRÊN CƠ SỞ
BIỀU ĐỒ MÀU MỜ
2.1. Đo khoảng cách giữa các biểu đồ màu
Thông thường hệ thống tra cứu ảnh theo nội dung sẽ truy vấn hình
ảnh bằng phương pháp đo tương tự dựa trên các đặc trưng, việc xác định nó
có thể dưới nhiều hình thức như phát hiện biên, màu sắc, vị trí điểm ảnh...
các phương pháp như histogram, màu sắc và phân tích histogram dòng cột
sử dụng biểu đồ để xác định độ tương tự.
Do đó, độ đo có ý nghĩa quan trọng trong tra cứu ảnh dựa theo nội
dung. Độ đo mang ý nghĩa quyết định kết quả tìm kiếm sẽ như thế nào, mức
độ chính xác ra sao. Nhiều phép đo khoảng cách đã được khai thác trong
việc tra cứu ảnh chúng bao gồm: khoảng cách Euclide, khoảng cách Cosin,
khoảng cách giao nhau của biểu đồ histogram, khoảng cách Minkowski…
Trong mục này, một vài phép đo khoảng cách sẽ được mô tả và ước lượng.
Mục đích của việc ước lượng này để tìm ra một phép đo tương đồng cho các
bộ mô tả ước lượng hình dạng khác nhau.
Trong hình ảnh của máy tính, khoảng cách Euclide thường được sử
dụng để đo khoảng cách màu giữa hai màu. Và làm thế nào để đối phó với
sự thay đổi chiếu sáng vẫn là một chủ đề nghiên cứu quan trọng. Tuy nhiên
kết quả đánh giá đã chứng minh rằng khoảng cách Euclide không hoạt động
tốt khi thay đổi ánh sáng vì mắt người có thể nhận ra các màu tương tự hoặc
không liên quan dưới sự thay đổi chiếu sáng, nên một mô hình khoảng cách
màu mới dựa trên nhận dạng hình ảnh được đề xuất. Đầu tiên, chúng ta thấy
rằng các màu sắc khác nhau được phân phối phức tạp trong không gian màu.
Ta mở rộng để phân chia không gian HSV thành 3 không gian con ít phức
tạp hơn và nghiên cứu các mô hình khoảng cách cụ thể của chúng. Sau đó ,
một khoảng cách màu sắc mới được mô hình hóa dựa trên nhận dạng hình
ảnh và mô hình khoảng cách màu sắc được đề xuất theo nguyên tắc khoảng
35

`
cách màu sắc hình ảnh.
2.1.1. Độ đo khoảng cách Minkowski(Lp)
Độ đo khoảng cách Minkowski thích hợp để tính khoảng cách
giữa hai ảnh có cùng chiều hoặc véc tơ đặc trưng của ảnh là độc lập và
có số bin màu giống nhau (xem hình 2.5).
Cho D(Q,I) là khoảng cách đo giữa hình ảnh truy vấn Q và hình ảnh I
trong CSDL và fi(Q) là số lượng điểm ảnh trong bin thứ I của ảnh Q thì
khoảng cách này được định nghĩa trong [6] là:
D (Q,I) = (∑|fi (Q) – fi(I)| p
)1/p
(2-1)
Trong đó p gọi là thành tố Minkowski (Minkowski Factor)
Cho trước 2 véc tơ n chiều: Q = [q1, q2,…, qn]T
; I = [i1, i2,…, in]T
- Nếu p = 1, độ đo là khoảng cách City block hay Manhattan có
công thức tính:
(2-2)
- Nếu p = 2, độ đo là khoảng cách Euclide có công thức tính:
(2-3)
36

`
Hình 2.5 Độ đo khoảng cách Minkowski
Độ đo khoảng cách Minkowski là độ đo được sử dụng phổ biến cho
việc tìm kiếm hình ảnh. Độ đo khoảng cách Euclide thường được sử
dụng trong hệ thống tìm kiếm ảnh dựa trên nội dung.
2.1.2. Độ đo khoảng cách toàn phƣơng(Quaratic)
Độ đo khoảng cách toàn phương ngoài việc dùng để so sánh các
Bin màu giống nhau nó còn được dùng để so sánh nhiều bin màu giữa
các biểu đồ màu. Nó được xác định bởi công thức:
d(Q,I)=(HQ –HI)t
A(HQ –HI) ( 2-4)
37

`
Hình 2.6: Độ đo khoảng cách Quadretic
Với Q và I là 2 ảnh để so sánh, HQ là biểu đồ màu của ảnh Q và
HI nó là biểu đồ màu của ảnh I, A =[ai,j] là một ma trận có kích thước
n * n trong đó n là số bin trong các biểu đồ màu, và ai,j biểu diễn sự
tương tự giữa màu i và màu j. Độ đo khoảng cách Quaratic đã được
sử dụng trong nhiều hệ thống tìm kiếm hình ảnh dựa trên biểu đồ
màu.Nó đã khắc phục được những thiếu sót của độ đo khoảng cách
Euclide và biểu đồ màu giao nhau vì nó xem xét sự tương tự chéo
giữa các màu sắc .
38

`
2.1.3. Độ đo khoảng cách biểu đồ giao nhau (Histogram
Intersection Distance)
Phương pháp này được thực hiện dựa trên ý tưởng lấy phần giao của hai
biểu đồ màu cần so sánh, được định nghĩa như sau:
(2-5)
Trong đó,HA,HBlà biểu đồ màu của hai ảnh A và B với các bin i=0,1,
..,L-1 tương ứng; hA(i), hB(i) biểu thị giá trị biểu đồ của bin thứ I của HA
và HB tương ứng.
2.2. Tìm kiếm ảnh theo nội dung trên cơ sở biểu đồ màu thông thƣờng
Việc tìm kiếm ảnh theo nội dung trên cớ biểu đồ màu thông
thường người ta thường sử dụng hai biểu đồ cơ bản đó là: “ Biểu đồ
màu toàn bộ “ và “ Biểu đồ màu cục bộ ”. hai phương pháp này đều
có những ưu nhược điểm riêng, sau đây chúng ta cùng tìm hiểu chi
tiết về hai phương pháp này.
2.2.1. Biểu đồ màu toàn bộ (Global Color Histogram)
Màu sắc là một trong những tính năng cấp thấp được sử dụng
rộng rãi trong bối cảnh lập chỉ mục và truy xuất dựa trên nội dung
hình ảnh. Nó khá mạnh mẽ để phức tạp hóa nền và độc lập với kích
thước và định hướng hình ảnh. Thông thường, màu sắc của một hình
ảnh được thể hiện thông qua một số mô hình màu . Một mô hình màu
được chỉ định theo hệ tọa độ 3D và không gian con trong hệ thống đó
, trong đó, mỗi màu được biểu thị bằng một điểm duy nhất. Các mô
hình màu thường được sử dụng là : RGB( đỏ, xanh lá cây, xanh
dương). Đối với một hình ảnh ba kênh, chúng ta sẽ có ba biểu đồ như
vậy. Để truy xuất hình ảnh, biểu đồ của hình ảnh truy vấn sau đó được
đối chiếu với biểu đồ của tất cả các hình ảnh trong cơ sở dữ liệu bằng
cách sử dụng một số liệu tương tự.
Có hai loại biểu đồ màu, biểu đồ màu toàn bộ ( GCH) và biểu
39

`
đổ màu cục bộ (LCH). Một GCH đại diện cho một hình ảnh toàn bộ
với một biểu đồ màu duy nhất . Một LCH chia một hình ảnh thành các
khối cố định và lấy biểu đồ màu của từng khối đó. LCH chứa nhiều
thông tin hơn vè một hình ảnh nhưng lại rất đắt khi so sánh hình ảnh
vector.
Trong biểu đồ màu mẫu có 3 bin: Black, white and grey. Ta kí
hiệu biểu đồ màu của ảnh
ảnh A:{25%, 25%, 50%};
ảnh B: {18.75%, 37.5%, 43.75} ;
ảnh C: {18.75%, 37.5%, 43.75};
Nếu sử dụng thước đo khoảng cách Euclidean để tính toán
khoảng cách biểu đồ thì khoảng cách giữa hai ảnh A và B cho biểu đồ
màu toàn bộ là:
Sử dụng biểu đồ màu toàn bộ để tra cứu ảnh dựa trên màu sắc là
một phương pháp đã có từ lâu. tuy nó không chứa các thông tin liên
quan đến bố màu tại các phân vùng nên khoảng cách giữa các ảnh với
nhau đôi khi không thể chỉ ra được tương quan giữa chúng. Ví dụ
khoảng cách giữa ảnh Avà C khác so với khoảng cách giữa ảnh A và
B nhưng nếu sử dụng biểu đồ màu toàn bộ để việc xây dựng thì chúng
ta lại thu được khoảng cách tương tự giữa chúng. Ngoài ra còn có
trường hợp hai ảnh khác nhau có GCH giống nhau như ví dụ trên ảnh
B và C. và đây chính là hạn chế của biểu đồ màu toàn bộ.
40

`
Hình 2.7: Ảnh và biểu đồ màu của chúng
2.2.2. Biểu đồ màu cục bộ ( LCH )
Thuật toán cơ sở tìm kiếm ảnh dựa trên biểu đồ màu cục bộ (
viết tắt là LCH ) phương pháp này cho biết thông tin liên quan đến sự
phân bố màu tại các vùng của ảnh. Để thực hiện phương pháp tra cứu
này thì việc đầu tiên là ta phân đoạn bức ảnh thành nhiều khối và sau
đó biểu diễn chúng như một biểu đồ màu cho mỗi khối. Bằng cách sử
dụng biểu đồ của chúng khi đem so sánh hai ảnh này với nhau ta tính
toán khoảng cách của chúng, giữa một vùng trong một ảnh và một
vùng tương ứng trong ảnh khác. Khi ta cộng tổng tất cả các khoảng
cách này thì sẽ cho kết quả là khoảng cách của 2 ảnh. Trong trường
hợp sử dụng căn bậc 2 của khoảng cách Euclidean để tính toán khoảng
cách biểu đồ thì khoảng cách giữa hai ảnh Q và I cho biểu đồ màu cục
bộ là:
Trong đó:
• M được coi là số vùng được phân đoạn trong ảnh,
• N là số bin trong biểu đồ màu.
41

`
• H[i] là giá trị của bin i trong biểu đồ màu đại diện cho vùng
k của ảnh.
Hình 2.7: Tính toán khoảng cách giữa ảnh A và B sử dụng LCH
Áp dụng công thức tính khoảng cách Euclidean ta tính toán được khoảng
cách giữa ảnh A và B như sau:
42

`
2.3. Tìm kiếm ảnh theo nội dung trên cơ sở biểu đồ màu mờ
Trái ngược với biểu đồ màu thông thường (CCH) chỉ định mỗi
pixel vào một bin màu, biểu đồ màu mờ (FCH) xem xét sự tương đồng
màu bằng cách chia tổng giá trị thành viên của mỗi pixel vào tất cả các
bin của biểu đồ màu. Vì vậy, FCH được đề xuất áp dụng cho việc lập
chỉ mục và tìm kiếm hình ảnh theo nội dung, đặc biệt với những CSDL
ảnh lớn [5].
2.3.1. Định nghĩa biểu đồ màu mờ(FCH)
Trong [5], FCH của ảnh màu I được biểu diễn dưới dạng
F(I)={f1,f2,…, fn),với:
Pj là xác suất của một pixel chọn từ ảnh I ở pixel thứ j và Pj = 1/
N, là giá trị thành viên của pixel thứ j trong bin màu thứ i.
FCH không chỉ xem xét sự tương đồng của các màu sắc từ các
bin màu khác nhau mà còn xem xét sự khác nhau của các màu trong
cùng một bin màu. Do đó, FCH làm giảm sự nhạy cảm với nhiễu
2.3.2. Tính toán FCH và độ đo khoảng cách
Để tính FCH của một ảnh màu, chúng ta cần phải tính các giá trị
thành viên của mỗi pixel đối với tất cả các bin màu có trong ảnh. Cách
tiếp cận trực tiếp này không thuận lợi vì thực hiện các phép tính toán
lớn. Hơn nữa, để định lượng chính xác sự tương đồng về cảm nhận màu
sắc giữa hai màu trong một không gian màu cụ thể, nên xem xét sự
đồng nhất của không gian màu đó.Như trình bày ở mục trên về không
gian màu, L*a*b hay CIELAB là một không gian màu độc lập với các
thiết bị và có sự đồng nhất về cảm nhận màu sắc. Do đó, không gian
43

`
màu CIELAB hay L*a*b* đã được sử dụng trong một số giải pháp tính
toán FCH.
2.3.3. Tính toán FCH trong không gian màu CIELAB sử dụng
thuật toán phân cụm mờ
Trong Ju Han và Kai-Kuang Ma đã giới thiệu thuật toán phân
cụm mờ fuzzy C -means (FCM) để tính toán nhanh FCH mà không cần
phải xử lý các hàm thành viên. Họ tìm thấy sự tương ứng giữa biểu đồ
màu thông thường (CCH) và biểu đồ màu mờ (FCH). Sơ đồ thủ tục tính
toán FCH được minh họa như hình 2.7.1
Hình 2.8: Sơ đồ thủ tục tính toán FCH (n’=163
= 4096)
Trong không gian màu RGB, thực hiện lượng tử hóa đều các màu
bằng cách ánh xạ tất cả các màu điểm ảnh vào n’ bin chứa biểu đồ. Ở đây,
n’ bin được chọn đủ lớn để cho thấy sự khác biệt màu sắc giữa hai bin liền
kề. Tiếp theo, chuyển đổi n’ màu từ không gian màu RGB sang không
gian màu CIELAB. Cuối cùng, phân loại n’ màu trong CIELAB thành n
cụm bằng cách sử dụng thuật toán phân cụm FCM, với mỗi cụm biểu diễn
một bin FCH. Giá trị thành viên điểm ảnh của một bin FCH là đại diện giá
trị thành viên bin màu tương ứng với bin màu thô. Ở đây,
44

`
giá trị thành viên chỉ cần tính một lần và chúng được biểu diễn qua ma
trận thành viên M=[mij]n’xn, mỗi phần tử mij của M là giá trị thành viên
của bin màu j phân phối cho bin màu i. Do đó FCH của một ảnh có thể
tính trực tiếp từ CCH của nó mà không cần tính toán các giá
Thành viên cho mỗi pixel.Ví dụ, chon ’bin CCH với Hn’x1 tương ứng
n bin FCH với Fnx1 được tính như sau:
Trong đó Mnxn’ chỉ cần tính một lần và được sử dụng để tính
FCH cho mỗi ảnh trong CSDL.
FCM là thuật toán nhằm tối thiểu hóa hàm mục tiêu Jm được M.
R. Rezaee và cộng sự [21]1
định nghĩa như sau:
Trong đó,V=[v1,v2,…,vc]T
là ma trận biểu diễn các giá trị đối
tượng tâm của cụm, giá trị của uik đại diện cho các thành viên dữ liệu xk
thuộc tập X={x1,x2,…, xn} tương ứng với cụm thứ i. Tích vô hướng định
nghĩa là một ma trận chuẩn A xác định phép đo độ tương tự giữa một
điểm dữ liệu và các cụm nguyên mẫu tương ứng, U={uik} là ma trận
phân hoạch mờ ngẫu nhiên của X trong c cụm,trọng số của số mũ m
kiểm soát mức độ phân chia thành viên bởi các cụm c và gọi là tham số
mờ.
Bezdek (1981) đã đưa ra định lý: Nếu ||xk – vi||A> 0 với mọi i,k và m >1
thì Jm đạt tối thiểu trên (U,V) khi:
45

`
Thuật Toán FCM
Input: số cụm c, số mũ m cho hàm mục tiêu J và dung sai ϵ
Output: c cụm dữ liệu sao cho hàm mục tiêu trong (2-9) đạt
giá trị cực tiểu.
Begin
Bước1:Nhập giá trị cho 2 tham số:số cụm c
(1<c<N)và số mũ m (1 < m <+∞).
Bước 2: Khởi tạo các trung tâm cụm vi, 1 ≤ i ≤ c.
Bước 3: Nhập giá trị X={x1, x2,…, xn}
Bước4:Tính toán các trung tâm cụm {vi
(l)
}
bằng công thức(2-10) Bước 5: Cập nhật U(l)
bằng công
thức(2-11)
Bước6: Nếu||U(l)
–U(l-1)
||>ϵ,l=l+1thì quay
lại Bước 4,ngược lại thuật toán dừng.
End
Ở đây,chúng ta cần phân loại n’ màu trong CCH thành n cụm
trong FCH. Do tính đồng nhất về nhận thức của không gian màu
CIELAB, tích vô hướng
||xk – vi||2
A có thể được thay thế bằng ||xk – vi||2
. Đây chính là khoảng
46

`
cách Euclide giữa màu xk và trung tâm cụm vi. Kết quả phân cụm mờ
của thuật toán FCM được biểu diễn bởi ma trận U=[uik]nxn’ và uik là
bậc của thành viên của màu xk đối với trung tâm cụm vi. Như vậy, ma
trận Unxn’ có thể xem là ma trận mong muốn Mnxn’ cho tính toán FCH,
tức là Mnxn’= Unxn’. Số mũ m trong thuật toán FCM kiểm soát mức độ
hoặc “lan truyền” của các thành viên phân chia trong các cụm mờ. Do
đó, có thể dùng tham số này để kiểm soát mức độ phân chia tương tự
giữa các bin khác nhau trong FCH. Ma trận thành viên có thể được điều
chỉnh theo các ứng dụng tìm kiếm ảnh khác nhau.
Kết quả phân cụm bị ảnh hưởng rất lớn trong việc chọn các tham
số cụm, những tham số này thường được chọn ngẫu nhiên hoặc theo
kinh nghiệm (Heuristic).
Với m →1+
thì thuật toán FCM là thuật toán rõ.
Vớ im→∞ thì thuật toán FCM là thuật toán phân cụm mờ với
uik=1/c .Chưa có quy tắc nào lựa chọn tham số m đảm bảo cho việc
phân cụm hiệu quả. [5] Trong JuHanand Kai-Kuang Ma cho thấy rằng
lựa chọn trọng số mũ m =1.9 đạt được hiệu suất tìm kiếm tốt nhất trong
các thử nghiệm của họ. Tóm lại, thuật toán FCM nhằm khám phá ra các
cụm chồng lên nhau. Tuy nhiên, FCM vẫn còn chứa đựng các nhược
điểm trong việc xử lý đối với các phần tử ngoại lai và nhiễu trong dữ
liệu.
2.3.4. Phƣơng pháp tạo biểu đồ màu dựa vào hệ thống liên kết
mờ trong không gian màu L*a*b*
Có một số nghiên cứu đáng chú ý về biểu đồ màu mờ và ứng
dụng của nó để tìm kiếm hình ảnh dựa trên nội dung. Konstantinidis và
cộng sự (2005) [6] đã đề xuất một hệ thống liên kết mờ để tạo biểu đồ
màu trong không gian màu L*a*b*. Hệ thống này liên kết các màu từ
không gian màu L*a*b* đến các bin màu của FCH bằng cách sử dụng
hệ thống suy luận mờ kiểu Mamdani. Nó chứa 10 bin màu và 27 luật
được dùng để tạo ra biểu đồ màu mờ cuối cùng [6]. O.Kucuktun và
47

`
cộng sự (2009) cũng đã đề xuất một hệ thống liên kết mờ để tạo biểu đồ
màu trong không gian màu L*a*b*. Hệ thống của họ chứa 15 bin màu
và 26 luật sử dụng để tạo ra FCH.
Trong phần tiếp theo, luận văn trình bày một hệ thống suy luận
mờ (FuzzyInferenceSystem-FIS) tạo FCH chứa 10 bin màu và 27 luật
hoạt động tốt hơn các hệ thống thông thường để tìm kiếm hình ảnh màu
dưới các thay đổi chiếu sáng khác nhau và các thử nghiệm tập trung vào
việc truy xuất hình ảnh gốc và các hình ảnh liên quan đến hình ảnh truy
vấn.
Trong hệ thống CBIR này thì không gian màu L*a*b* được chọn để
sử dụng. so với không gian màu RGB và các không gian màu khác bởi
vì nó không phụ thuộc vào thiết bị và tính đồng nhất về cảm nhận màu
sắc gần với cách con người cảm nhận màu sắc. Trong không gian màu
L*a*b*, L* thể hiện độ sáng (luminance) của màu, a* thể hiện cho màu
xanh lá cây (Green) và màu đỏ (Red), b* thể hiện cho màu xanh lam
(Blue) và màu vàng (Yellow) .Tất cả màu sắc và mức xám được thể
hiện qua sự kết hợp của ba thành phần màu này
Trong đó L* chỉ thể hiện ba màu: trắng (White), đen (Black) và xám
(Grey). Do đó, thành phần a*, b* có trọng số lớn hơn thành phần L*.
Hệ thống mờ được tạo thành từ cơ sở tri thức và cơ chế lý luận
được gọi là hệ thống suy luận mờ. Một hệ thống suy luận mờ bao gồm
bốn khối chức năng như trong hình 2.8
48

`
Đầu vào rõ
Mờ
hóa
Mức độ
thành viên
Tập mờ
Khử mờ
Đầu ra
Hình 2.9 Sơ đồ khối hệ thống suy luận mờ
Phép mờ hóa đầu vào được thực hiện bằng cách sử dụng các hàm
thành viên (Membership Functions - MF) là tập mờ tam giác với đầu
vào là ba thành phần (L*, a*, b*) như trong hình 2.10.
Thành phần a* và b* chia thành 5 vùng: a* đại diện cho màu xanh
lá (Green), màu xanh lá nhạt (Greenish), thành phần màu (Middle) giữa
xanh lá nhạt và đỏ nhạt (Reddish), đỏ nhạt và đỏ (Red), b* đại diện cho
màu xanh dương (Blue), màu xanh dương nhạt (Bluish), thành phần
màu (Middle) giữa màu xanh dương nhạt và màu vàng nhạt (Yellowish),
màu vàng nhạt và màu vàng (Yellow), L* chia làm 3 vùng: đen (Black),
xám (Grey) và trắng (White).
Ba thành phần được liên kết trong hệ thống suy luận mờ kiểu
Mamdani và 27 luật mờ (xem phụ lục). Nó được sử dụng để ánh xạ từ
một điểm ảnh của ba đầu vào mờ (L *, a *, và b *) tới một điểm ảnh chỉ
có một đầu ra mờ. Một số quy tắc được liệt kê dưới đây:
If (L is Black) and (a is Middle) and (b is Middle) then (fuzzyhist
is Black).
If (L is White) and (a is Middle) and (b is Middle) then (fuzzyhist is
White).
If (L is Grey) and (a is Red) and (b is Yellow) then (fuzzyhist is
Red).
49

`
Hình 2.10 Hàm thành viên của L*,a* và b* [6]
Giai đoạn khử mờ được thực hiện bằng cách sử dụng phương
pháp LOM (largestofmaximum). Biểu đồ màu cuối cùng được hình
thành từ 10 hàm thành viên tập mờ hình thang cho mỗi bin màu của
biểu đồ màu đầu ra, như thể hiện trong hình 2.11.
Vì vậy, biểu đồ màu mờ cuối cùng chỉ gồm 10 bin màu thể hiện
cho black (đen), dark grey (xám đậm), red (đỏ), brown (nâu), yellow
(vàng), green (xanh lá cây), blue (xanh lam), cyan (tím), magenta (đỏ
tươi) and white (trắng)
50

`
Hình 2.11 Hàm thành viên mờ đầu ra của hệ thống
Tổng quan của hệ thống suy luận mờ đề xuất được thể hiện theo
hình 2.11, 2.12. Mức độ thành viên của tập mờ được tính toán cho mỗi
đầu vào. Đó là, một điểm ảnh trong không gian màu L*a*b*, theo các
hàm thành viên mờ thể hiện trong hình 2.10. Sau đó các luật mờ được
đánh giá và kết quả của chúng được kết hợp bằng toán tử tổng hợp
MAX. Tập mờ kết quả sẽ được khử mờ để tạo ra giá trị rõ, đó là đầu ra
cuối cùng của hệ thống.
Hình 2.12 Cấu trúc của biểu đồ màu mờ
51

`
Hình 2.13 Hệ thống suy luận mờ tạo ra biểu đồ màu mờ
Biểu đồ màu FCH 1 chiều (1D) của ảnh truy vấn như hình 2.14 được
học viên tạo ra bằng chương trình thử nghiệm xây dựng trên phần mềm
MATLAB.
Hình 2.13 Biểu đồ FCH - 1D tạo ra từ hệ thống liên kết mờ của ảnh
truy vấn gồm 10 bin mà
52

`
Sau khi có được biểu đồ màu mờ như là một đặc điểm trực quan
của hình ảnh truy vấn bằng FIS,chúng ta cần so sánh nó với các FCH
của tất cả các hình ảnh trong CSDL đặc trưng để xác định mức độ
tương đồng và sau đó tìm kiếm hình ảnh có liên quan nhất (tương đồng)
cho người dùng.
Độ đo tương đồng cho tất cả các trường hợp dựa trên độ đo
khoảng cách Euclide (L2) với công thức (2-3) hoặc độ đo khoảng cách
Quaratic với công thức (2-4).
Thuật toán tìm kiếm ảnh dựa trên FCH bắt đầu bằng việc trích
xuất FCH từ hình ảnh truy vấn và sau đó nó được so sánh với các FCH
của tất cả các hình ảnh trong CSDL đặc trưng đã được tạo trước đó. Sau
đó, danh sách các hình ảnh có các điểm tương đồng nhất với ảnh truy
vấn được sắp xếp theo thứ tự tăng dần khoảng cách được hiển thị tới
người dùng.
Thuật toán cơ sở tìm kiếm ảnh dựa trên FCH bằng FIS
Input: Ảnh truy vấn
Output: Danh sách các ảnh trong thư mục ảnh có màu cảm nhận
tương tự ảnh truy vấn.
Begin
Bước 1: Đọc ảnh truy vấn
Bước 2: Tính biểu đồ FCH của ảnh truy vấn bằng FIS.
Bước 3: Tính khoảng cách giữa biểu đồ FCH của ảnh truy vấn với
từng biểu đồ FCH các ảnh trong CSDL đặc trưng (sử dụng độ đo khoảng
cách Euclide hoặc Quaratic).
Bước4:Cá cảnh trong CSDL đặc trưng có khoảng cách biểu đồ FCH
đến biểu đồ FCH ảnh truy vấn nhỏ hơn ngưỡng cho trước sẽ là ảnh kết quả.
End.
Ưu điểm chính của biểu đồ màu mờ so với biểu đồ màu thông
53

`
thường là độ chính xác trong tìm kiếm. Hệ thống ít nhạy cảm và mạnh
mẽ hơn với sự thay đổi độ sáng và lỗi lượng tử, do đó thực hiện tốt hơn
trong việc tìm kiếm ảnh theo nội dung.
Nhược điểm chính của biểu đồ màu mờ là thời gian trích xuất đặc
trưng dẫn đến thời gian tìm kiếm chậm. Tuy nhiên, việc hầu hết các hệ
thống CBIR hiện nay tạo CSDL đặc trưng của hình ảnh trước (ngoại
tuyến), do đó phương pháp được đề xuất tạo biểu đồ chỉ với 10 bin màu
thì thời gian so sánh khoảng cách giữa các biểu đồ sẽ nhanh hơn nhiều.
2.4. Kết luận chƣơng
Trong chương này, luận văn đã trình bày một số phương pháp
tìm kiếm ảnh dựa trên biểu đồ màu thông thường và biểu đồ màu mờ.
Trong đó, biểu đồ màu mờ là phương pháp mới đã được nghiên cứu và
phát triển trên thế giới cho thấy sự hiệu quả trong việc tìm kiếm ảnh
dựa theo nội dung. Các thuật toán phân cụm FuzzyC-mean, hệ thống
liên kết mờ trong không gian màu L*a*b* được ứng dụng để tính toán
và tạo ra biểu đồ màu mờ. Độ đo khoảng cách Euclide và Quaratic được
sử dụng để đo khoảng cách và độ tương đồng giữa các biểu đồ màu.
Chương tiếp theo, luận văn sẽ trình bày cách thức tổng hợp các
nghiên cứu từ các chương trước để xây dựng chương trình tìm kiếm ảnh
thử nghiệm với CSDL ảnh thử nghiệm và đánh giá kết quả của hệ thống
tìm kiếm ảnh.
54

`
CHƢƠNG 3. THỬ NGHIỆM
3.1. Giới thiệu bài toán thử nghiệm
Tìm kiếm ảnh theo nội dung là bài toán đã được ứng dụng thành
công trong nhiều lĩnh vực, trong đó có lĩnh vực y học. Hiện nay, các
ngành, cơ sở y tế, bệnh viện sử dụng thường xuyên và lưu trữ thông tin
hình ảnh được tạo ra từ siêu âm, nội soi, X-quang, chụp cộng hưởng từ
hay MRI (Magnetic ResonanceImaging) hoặc các hình ảnh quét
khác.Việc tìm kiếm ảnh y tế là rất cần thiết trong y học lâm sàng về các
bệnh lý giúp ích trong việc chẩn đoán bệnh và trong việc đào tạo, giảng
dạy lâm sàng, tiền lâm sàng giúp người học có cái nhìn trực quan của
các hình ảnh thực tế về dấu hiệu của bệnh nhất là bệnh da liễu.
Bài toán: Từ một ảnh truy vấn trong tập dữ liệu ảnh thử nghiệm,
hệ thống thực hiện tìm kiếm trong kho dữ liệu ảnh những ảnh có liên
quan với ảnh truy vấn nhất dựa trên CCH, FCH và hiển thị kết quả tìm
kiếm.
Dựa vào cơ sở lý thuyết và các thuật toán đã trình bày trong
chương1 và chương 2 của luận văn, học viên lựa chọn xây dựng chương
trình thử nghiệm tìm kiếm ảnh dựa trên cơ sở biểu đồ màu thông
thường trong không gian màu RGB, HSV và biểu đồ màu mờ theo hệ
thống suy luận mờ trong không gian màu L*a*b*.
3.2. Dữ liệu thử nghiệm
Hệ thống được thử nghiệm trên 2 bộ sưu tập hình ảnh gồm:
320 hình ảnh của CSDL ảnh WANG2
, là CSDL ảnh Corel đã được chọn thủ
công và chia làm 10 thư mục (lớp) mô tả các chủ đề khác nhau, mỗi thư mục
gồm 32 hình ảnh được đánh số từ 00 đến 31, ở định dạng JPEG có kích thước
384 × 256 và 256 × 386. 10 thư mục này được sử dụng để ước tính mức độ
liên quan: cho hình ảnh truy vấn, giả định rằng người dùng đang tìm kiếm
hình ảnh từ một lớp, do đó 31 hình ảnh còn lại từ một lớp được coi là liên
quan và hình ảnh từ các lớp khác là không liên quan.
180 hình ảnh y tế do học viên thu thập được chia theo chủ đề ảnh
55

`
bệnh học (chủ yếu về bệnh da liễu); các ảnh siêu âm, nội soi tai - mũi -
họng tại phòng khám Bệnh Viện E.
Các thư mục ảnh theo các chủ đề được lưu vào thư mục Images
cùng với thư mục chương trình thử nghiệm.
3.3. Mô tả hệ thống thử nghiệm
Nhiệm vụ của bài toán là xây dựng hệ thống thử nghiệm với các chức năng
chính là:
 Xây dựng CSDL đặc trưng từ thư mục ảnh thử nghiệm.

 Tìm kiếm ảnh trên cơ sở biểu đồ màu thông thường trong không gian
màu RGB, HSV.

 Tìm kiếm ảnh trên cơ sở biểu đồ màu mờ với hệ thống suy luận mờ
trong không gian màu L*a*b*.
3.3.1. Xây dựng CSDL đặc trƣng
Hệ thống tiến hành trích chọn đặc trưng bằng cách tính toán biểu
đồ màu thông thường trong không gian màu RGB, HSV với số bin màu
lần lượt là 32, 64,128,256 và biểu đồ màu mờ với hệ thống liên kế mờ
gồm10 bin màu trong không gian màu L*a*b* của 320 ảnh trong thư
mụ cảnh thử nghiệm bằng cách duyệt qua từng ảnh, các biểu đồ màu
(véc tơ đặc trưng) sau khi được tính toán được lưu vào CSDL đặc trưng
của hệ thống. Quá trình này chỉ cần thực hiện một lần cho toàn bộ ảnh
có trong thư mục ảnh và được thực hiện ngoại tuyến (offline).
3.3.2. Chức năng tìm kiếm ảnh
Để tìm kiếm ảnh, người sử dụng chạy chương trình thử nghiệm và thực
hiện theo các bước sau:
Bước 1: Chọn ảnh truy vấn từ thư mục thử nghiệm.
Bước 2: Chọn tìm kiếm theo CCH trong không gian màu RGB hoặc
HSV và chọn số bin màu tương ứng hoặc chọn tìm kiếm theo FCH.
Bước 3: Chọn độ đo khoảng cách trong danh sách và chọn số lượng ảnh
kết quả trả về (mặc định là 10).
56

`
Bước 4: Nhấp chọn nút Retrieve (tìm kiếm), ảnh truy vấn sẽ được tính
toán CCH và FCH giống với khi xây dựng CSDL đặc trưng và được
thực hiện online (trực tuyến). Sau đó, hệ thống tiến hành so sánh độ
tương đồng giữa biểu đồ màu của ảnh truy vấn với biểu đồ màu của các
ảnh trong CSDL đặc trưng tương ứng với CCH và FCH bằng độ đo
khoảng cách đã chọn.
Bước 5: Kết thúc quá trình so sánh biểu đồ màu, hệ thống đưa ra những
hình ảnh có độ đo khoảng cách được sắp xếp tăng dần (giảm dần độ
tương đồng) với ảnh truy vấn theo từng chức năng được chọn và hiển
thị kết quả tìm được cho người sử dụng. Quá trình tìm kiếm có thể lặp
lại nhiều lần với ảnh truy vấn khác nhau.
3.4. Môi trƣờng và công cụ sử dụng xây dựng thử nghiệm
Chương trình thử nghiệm được thiết kế, xây dựng và thực hiện
trên môi trường hệ điều hành Windows với phần mềm MATLAB
R2012b v8.0. MATLAB (MATrix LABoratory) là phần mềm cung cấp
môi trường tính toán số và lập trình, do công ty Math Works thiết kế.
MATLAB là một phần mềm cho phép tính toán số với ma trận, ta có thể
sử dụng các công cụ có sẵn để vẽ đồ thị hàm số hay biểu đồ thông tin,
thực hiện các thuật toán một cách đơn giản, tạo các giao diện người
dùng và liên kết với những chương trình máy tính viết trên nhiều ngôn
ngữ lập trình khác.
Ngày nay MATLAB được nhiều người sử dụng vì nó đáp ứng
được các nhu cầu cần thiết trong nhiều lĩnh vực khác nhau như: xử lý
tín hiệu và ảnh, truyền thông, thiết kế điều khiển tự động..
Với thư viện công cụ (Toolbox), MATLAB cho phép người dùng
mô phỏng tính toán, thực nghiệm nhiều mô hình trong thực tế và kỹ
thuật. Chương trình thử nghiệm trong luận văn,học viên sử dụng công
cụ Fuzzy Logic có sẵn để tạo ra hệ thống suy luận mờ FIS (Fuzzy
InferenceSystem).
57

`
3.5. Thiết kế chƣơng trình thử nghiệm
Kiến trúc của chương trình thử nghiệm trong luận văn được thiết
kế như trong hình 3.1 dưới đây:
Tập ảnh
thử
nghiệm
Trích chọn nội dung trực
quan của ảnh
Tính
CSDL
Tính biểu
biểu đồ đặc
màu đồ màu trưn
RGB, mờ g
HSV
Quá trình xử lý ảnh
truy vấn
Giao
diện Tính
ngườ biểu Tính
i sử đồ biểu đồ
dụng màu màu mờ
RGB,
Lập chỉ
mục đặc
trưng
So
sánh
độ
tương
đồng
Trả kết quả cho người sử dụng
Hình 3.1 Kiến trúc hệ thống tìm kiếm ảnh theo nội dung trong luận văn
Phương pháp cổ điển của việc tính biểu đồ màu của ảnh tạo ra
biểu đồ màu rất lớn. Thực tế, mỗi không gian màu bao gồm ba thành
phần màu tạo ra biểu đồ 3 chiều (3-Dimension-3-D) như RGB, HSV,
L*a*b*... Việc điều khiển và so sánh biểu đồ 3-D là một thủ tục phức
tạp và tính toán rất lớn. Do đó, xây dựng chương trình thử nghiệm trong
luận văn, thay vì sử dụng biểu đồ màu 3-D của hình ảnh, học viên
chuẩn hóa biểu đồ CCH trong không gian RGB và HSV từ 3D về 1-D
với số lượng bin màu lần lượt là 32, 64, 128, 256 (trong Matlab cho
58

`
phép tạo tối đa 256 bin màu). Đồng thời, sử dụng hệ thống suy luận mờ
(FIS) để tạo biểu đồ FCH1-D gồm 10 bin màu và giá trị mỗi bin màu
được chuẩn hóa là một số trong khoảng [0-1].
3.5.1. Xây dựng CSDL đặc trƣng - Thiết kế CSDL đặc trƣng
Cơ sở dữ liệu (viết tắt là: CSDL) đặc trưng của chương trình thử
nghiệm được tạo bằng phần mềm MATLAB. CSDL đặc trưng này được
lưu tại thư mục của chương trình dưới dạng tệp *.mat và được gọi là
Mat-file.
Trong luận văn này, học viên dùng kiểu dữ liệu Struct (cấu trúc
mảng) để lưu giá trị biểu đồ màu của mỗi ảnh trong bộ sưu tập ảnh thử
nghiệm vào tệp .mat. Mỗi Struct là một nhóm các dữ liệu liên quan
bằng cách sử dụngcác trường dữ liệu (fields). Mỗi trường có thể chứa
bất kỳ loại dữ liệu nào.
59

`
Hình 3.2 Kiểu dữ liệu struct trong CSDL đặc trưng trong Matlab
3.5.2. Biểu đồ hoạt động của chức năng xây dựng CSDL đặc trƣng
a. Biểu đồ hoạt động tạo CSDL đặc trưng CCH
Hình 3.2 Biểu đồ hoạt động của chức năng xây dựng CSDL đặc trưng
CCH trong không gian màu RGB, HSV
60

`
b. Biểu đồ hoạt động tạo CSDL đặc trưng FCH
Hình 3.3 Biểu đồ hoạt động chức năng xây dựng CSDL đặc
trưng FCH trong không gian màu L*a*b*
Xây dựng hàm (Function) ExtractCCH_FCH.m trong Matlab để thực hiện
trích chọn đặc trưng của ảnh.Tất cả các ảnh trong thư mục Images sẽ được
tính giá trị biểu đồ CCH và FCH và được lưu vào tệp
test_CCH_FCH_WANG.matv và test_CCH_FCH_YTE.mat trong thư mục
của chương trình thử nghiệm, mỗi tệp CSDL này có dạng như trong hình
Xây dựng chức năng tìm kiếm ảnh trên cơ sở CCH theo RGB hoặc
HSV và FCH
Chức năng tìm kiếm ảnh được xây dựng bằng các hàm thực hiện tính
biểu đồ màu CCH (colorhist.m) và FCH (fuzzy_color_histogram.m)
của ảnh truy vấn và hàm tính toán khoảng cách (calcDist.m) để so
sánh biểu đồ của ảnh truy vấn và các ảnh trong CSDL đặc trưng. Hàm
chuyển đổi không gian màu từ RGB sang HSV (rgb2hsv.m) và không
gian màu RGB sang L*a*b (rgb2lab.m) sử dụng hàm có sẵn trong
Matlab.
61

`
a. Biểu đồ hoạt động tìm kiếm ảnh trên cơ sở CCH
Hình 3.4 Biểu đồ hoạt động chức năng tìm kiếm ảnh trên cơ sở
CCH theo RGB hoặc HSV
b. Biểu đồ hoạt động tìm kiếm ảnh trên cơ sở FCH
Hình 3.5 Biểu đồ hoạt động của chức năng tìm kiếm ảnh trên cơ sở FCH
62

`
3.5.3. Thiết kế giao diện của chƣơng trình thử nghiệm
- Giao diện chính của chương trình thử nghiệm sử dụng GUI
(Graphical User Interface) của phần mềm MATLAB và được thiết
kế như hình sau:
Hình 3.6 Giao diện chính của chương trình thử nghiệm
Người sử dụng có thể chọn ảnh truy vấn từ danh sách các ảnh trong thư
mục test trong mỗi thư mục ảnh theo từng chủ đề của thư mục Images.
Khi chọn tham số đầu vào xong và nhấn nút Retrieve để tìm
kiếm. Sau khi chương trình chạy xong, các ảnh kết quả tìm thấy hiển thị
trong phần Results (kết quả). Người dùng có thể thay đổi số ảnh cần tìm
sau khi chương trình trả về trong khoảng từ 1-20 hình ảnh bằng cách
63

`
kéo thanh cuộn Number of Results (số lượng ảnh trả về).
Hình 3.7 Giao diện tìm kiếm và hiển thị ảnh kết quả của chương trình
3.6. Đánh giá kết quả thử nghiệm
3.6.1. Đo lƣờng hiệu suất trong hệ thống tìm kiếm ảnh
Hiệu suất của hệ thống CBIR thông thường được phân tích bằng
cách tính toán giá trị precision (chính xác) và recall (thu hồi) [2],[7].
Các đo lường này được sử dụng để cải thiện quá trình tìm kiếm ảnh
với các phương pháp khác nhau.
Precision cho biết tỷ lệ giữa số ảnh tìm đúng (n1) trong tổng số
64

`
ảnh lấy ra (n) và được tính theo công thức:
precision = n1/n
Recall cho biết tỷ lệ giữa số ảnh được tìm đúng (n1) trong tổng
số ảnh liên quan đến ảnh truy vấn trong CSDL (n2) có công thức:
recall = n1/n2
Trong đó:
- n1là số ảnh liên quan được lấy ra.
- n là tổng số ảnh được lấy ra.
- n2là tổng số ảnh liên quan đến ảnh truy vấn trongCSDL.
Precision và Recall là các phép đo thông dụng trong tìm kiếm
ảnh. Một hệ thống có precision và recall càng cao thì hệ thống đó càng
tốt. Tuy nhiên hai tham số này thường tỷ lệ nghịch với nhau, precision
cao thì recall thấp và ngược lại. Người ta thường kết hợp chúng lại
trong một biểu đồ gọi là biểu đồ P-R. Hoặc tính precision và recall tại
số lượng ảnh lấy ra cụ thể, ví dụ: P(10), P(20) tức là precision tại 20
hay 50 ảnh được lấy ra.
3.6.2. Kết quả thử nghiệm
Trong chương trình thử nghiệm cho thấy FCH mạnh mẽ hơn với
nhiễu và thay đổi độ sáng so với CCH. Hiệu suất hệ thống tìm kiếm ảnh
theo FCH tốt hơn so với CCH trên CSDL ảnh thử nghiệm WANG và y
tế. FCH mạnh mẽ hơn với nhiễu (Noise)
Học viên tiến hành thử nghiệm bằng cách thêm 15% nhiễu
gaussian vào hình ảnh xe bus 340.jpg trong thư mục Images/Buses
trong Matlab (ảnh gốc trong hình 3.8). Trong hình 3.8, chương trình thử
nghiệm trích xuất biểu đồ màu CCH và FCH của hai hình ảnh này và
lưu hình ảnh sau khi thêm nhiễu với tên là 340_noise15.jpg.
65

`
Hình 3.8 Biểu đồ màu CCH và FCH của ảnh bus 340.jpg và ảnh
đã thêm 15% nhiễu gaussian
Để đánh giá hiệu suất của chương trình thử nghiệm với hai
phương pháp CCH và FCH, học viên sử dụng ảnh 340_noise15.jpg làm
ảnh truy vấn để tìm kiếm ảnh gốc và các ảnh liên quan bằng chương
trình thử nghiệm trên CSDL ảnh đặc trưng WANG với số lượng ảnh lấy
ra là 10 và độ đo khoảng cách Euclide. Kết quả thử nghiệm trình bày
theo bảng 3.1.
Nhận xét:Về nhận thức hai hình ảnh này giống nhau, nhưng về
độ chính xác dựa trên CCH không vượt quá 60%. Khi áp dụng với
FCH, kết quả là tỷ lệ thuận với nhận thức của con người. Đối với hình
ảnh xe bus 340.jpg độ chính xác tìm kiếm là 80%.
FCH mạnh mẽ hơn với thay đổi độ sáng với hình ảnh xe bus 340.jpg ở trên,
học viên thay đổi độ sáng 15% so với ảnh gốc và trích xuất biểu đồ màu CCH
và FCH của hai ảnh này. Bất kỳ thay đổi nhỏ nào về ánh sáng dẫn đến sự thay
đổi lớn trong biểu đồ CCH như được biểu diễn trong hình 3.9. Do đó, hiệu
suất của hệ thống CBIR sẽ giảm xuống mức tối thiểu.
Với biểu đồ FCH sự thay đổi rất nhỏ, vì tất cả các cường độ màu
66

Nghiên cứu phương pháp xây dựng hệ thống tìm Kiếm ảnh theo nội dung sử dụng biểu đồ màu mờ.doc

Nghiên cứu phương pháp xây dựng hệ thống tìm Kiếm ảnh theo nội dung sử dụng biểu đồ màu mờ.doc

Recommended

Recommended

More Related Content

Similar to Nghiên cứu phương pháp xây dựng hệ thống tìm Kiếm ảnh theo nội dung sử dụng biểu đồ màu mờ.doc

Similar to Nghiên cứu phương pháp xây dựng hệ thống tìm Kiếm ảnh theo nội dung sử dụng biểu đồ màu mờ.doc (20)

More from DV Viết Luận văn luanvanmaster.com ZALO 0973287149

More from DV Viết Luận văn luanvanmaster.com ZALO 0973287149 (20)

Recently uploaded

Recently uploaded (20)

Nghiên cứu phương pháp xây dựng hệ thống tìm Kiếm ảnh theo nội dung sử dụng biểu đồ màu mờ.doc