Luận án nâng cao độ chính xác tra cứu ảnh dựa vào nội dung sử dụng kỹ thuật điều chỉnh trọng số hàm khoảng cách

MỞ ĐẦU Tính cấp thiết luận án Cơ sở liệu ảnh ngày trở nên phổ biến lĩnh vực ứng dụng khác viễn thám, thời trang, phòng chống tội phạm, xuất bản, y học, kiến trúc,… Sự tiến triển kỹ thuật thu, truyền lưu trữ ảnh cho phép xây dựng sở liệu ảnh lớn Các nhân tố thúc đẩy quan tâm nghiên cứu phương pháp khai thác hiệu sở liệu ảnh lớn Tra cứu ảnh thực dựa vào mô tả ngắn ảnh Các ảnh mơ tả tập thuộc tính độc lập nội dung (tên file, khn dạng, loại, kích cỡ, tên tác giả, thiết bị thu nhận, ngày tạo vị trí ổ đĩa) mà quản lý thơng qua hệ quản trị sở liệu truyền thống Hạn chế cách tiếp cận truy vấn bị giới hạn vào thuộc tính có tệp ảnh Một cách tiếp cận thay sử dụng từ khóa thích ảnh Trong cách tiếp cận này, trước tiên ảnh thích thủ cơng từ khóa Sau đó, ảnh tra cứu thích tương ứng chúng Cách tiếp cận giới hạn cách tiếp cận trước Tuy nhiên, có ba khó khăn với cách tiếp cận này, yêu cầu số lượng lớn nhân công việc phát triển thích, khác biệt giải thích nội dung ảnh, khơng qn cách gán từ khóa người thực thích khác Cách tiếp cận thích từ khóa trở nên không khả thi cỡ tập ảnh gia tăng nhanh chóng Để khắc phục khó khăn cách tiếp cận dựa vào thích, cách tiếp cận thay tra cứu ảnh dựa vào nội dung đề xuất từ đầu năm 1990 Bên cạnh sử dụng từ khóa người gán, hệ thống tra cứu ảnh dựa vào nội dung sử dụng nội dung trực quan ảnh, đặc trưng mầu sắc, kết cấu, hình dạng, làm số ảnh Điều làm giảm đáng kể khó khăn cách tiếp cận túy dựa thích, q trình trích rút đặc trưng thực tự động Kể từ đời, tra cứu ảnh dựa vào nội dung thu hút quan tâm nghiên cứu lớn, phạm vi từ ix nghiên cứu tới thương mại Cho đến nay, số hệ thống nguyên mẫu thực nghiệm sản phẩm thương mại đề xuất xây dựng QBIC [71], MARS [85] Đến nay, có nhiều thuật tốn phức tạp thiết kế để mô tả đặc trưng mầu, hình dạng kết cấu, thuật tốn khơng thể mơ hình tương đương ngữ nghĩa ảnh có nhiều giới hạn giải sở liệu ảnh nội dung rộng [61] Các thực nghiệm hệ thống CBIR nội dung mức thấp thường thất bại mô tả khái niệm ngữ nghĩa mức cao ảnh [111] Do đó, hiệu tra cứu ảnh dựa vào nội dung xa so với kỳ vọng người dùng Để khắc phục hạn chế trên, năm gần hướng nghiên cứu tập trung tìm phương pháp giảm khoảng cách ngữ nghĩa đặc trưng mức thấp khái niệm mức cao Giảm khoảng cách ngữ nghĩa thường thực thông qua phản hồi liên quan Phản hồi liên quan (RF Relevance Feedback) trình học trực tuyến mà cố gắng học mục đích người dùng q trình tương tác; RF công cụ mạnh sử dụng hệ thống tra cứu thông tin [74,78] Mục đích mang người dùng vào lặp tra cứu để giảm khoảng cách ngữ nghĩa mà truy vấn biểu diễn người dùng nghĩ Bằng việc tiếp tục học thông qua tương tác với người dùng, giảm khoảng cách thông qua phản hồi liên quan cải tiến độ xác đáng kể hệ thống tra cứu ảnh dựa vào nội dung [58,59,64,80,90,118,119,126] Tuy nhiên, hầu hết phương pháp đề cập gặp phải vấn đề sau: (1) yêu cầu người dùng phải cung cấp đồng thời nhiều ảnh truy vấn đa dạng (các ảnh khác chủ đề ), tức là, tăng gánh nặng cho người dùng (2) chưa tận dụng thông tin phản hồi người dùng vào việc xác định độ quan trọng ngữ nghĩa truy vấn độ quan trọng đặc trưng (3) sử dụng chung véc tơ trọng số hàm khoảng cách cho tất điểm truy vấn tối ưu mà khơng xét đến tính chất địa phương điểm x truy vấn khác (vị trí điểm truy vấn khác nhau, tính chất liệu điểm lân cận điểm truy vấn tương ứng khác nhau) (4) lần lặp phản hồi, phương pháp phải phân cụm lại từ đầu tất ảnh Bốn vấn đề dẫn đến hiệu hệ thống tra cứu thấp Do đó, việc đề xuất giải pháp tra cứu ảnh để khắc phục hạn chế nhu cầu cấp thiết Đó lý mà luận án chọn đề tài ―Nâng cao độ xác tra cứu ảnh dựa vào nội dung sử dụng kỹ thuật điều chỉnh trọng số hàm khoảng cách‖ Các phương pháp tra cứu ảnh luận án giới hạn phạm vi tìm ảnh đa dạng chủ đề với ảnh truy vấn, chẳng hạn: tìm tất ảnh thuộc chủ đề hoa hồng bao gồm ảnh hoa hồng đỏ, hoa hồng trắng hoa hồng vàng Mục tiêu luận án Mục tiêu chung luận án: Đề xuất phương pháp tra cứu ảnh nhằm nâng cao độ xác tra cứu Mục tiêu cụ thể luận án: - Đề xuất phương pháp tra cứu ảnh liên quan ngữ nghĩa nằm rải rác không gian đặc trưng để nâng cao độ xác mà khơng tăng thời gian thực tra cứu - Tận dụng thông tin phản hồi người dùng để xác định độ quan trọng ngữ nghĩa truy vấn, độ quan trọng đặc trưng nhằm đề xuất phương pháp tra cứu ảnh hiệu - Đề xuất phương pháp khai thác mức độ phản hồi người dùng, tính chất địa phương vùng chứa điểm truy vấn điều chỉnh để nâng cao độ xác tra cứu Các đóng góp luận án Trong luận án này, tác giả nghiên cứu đề xuất phương pháp tra cứu ảnh liên quan ngữ nghĩa gồm: phương pháp SRIR (Semantic–Related Image xi Retrieval method) [CT5], phương pháp AWEIGHT (An efficient image retrieval method using adaptive weights) [CT6]: - Phương pháp SRIR giải hạn chế: (1) Chỉ sử dụng truy vấn để tạo kết tra cứu khởi tạo gồm ảnh nằm vùng khác nhau; (2) Không thực phân cụm lại tập ảnh phản hồi; (3) xác định độ quan trọng ngữ nghĩa truy vấn (4) xác định độ quan trọng theo đặc trưng Những đóng góp làm cho độ xác cải tiến đáng kể - Phương pháp AWEIGHT khai thác mức độ phản hồi để xác định điểm truy vấn tối ưu Bên cạnh đó, phương pháp đề xuất khai thác đầy đủ tính chất địa phương điểm truy vấn tối ưu Ngoài ra, phương pháp chương tận dụng nhiều phản hồi từ phía người dùng mà khơng tăng tốc độ tính tốn Bố cục luận án Luận án bố cục thành ba chương: Chương giới thiệu tổng quan tra cứu ảnh dựa vào nội dung Chương trình bày phương pháp tra cứu ảnh liên quan ngữ nghĩa tác giả để xuất, có tên SRIR Chương trình bày phương pháp tra cứu ảnh sử dụng trọng số thích nghi tác giả đề xuất, có tên AWEIGHT Cuối cùng, luận án đưa số kết luận định hướng nghiên cứu tương lai xii CHƢƠNG TỔNG QUAN VỀ TRA CỨU ẢNH DỰA VÀO NỘI DUNG Chương trình bày tổng quan tra cứu ảnh dựa vào nội dung bao gồm đặc trưng mức thấp ảnh, cấu trúc hệ thống tra cứu ảnh dựa vào đặc trưng mức thấp phân tích số phương pháp tra cứu ảnh dựa vào đặc trưng mức thấp Bên cạnh đó, chương trình bày số nghiên cứu giảm khoảng cách ngữ nghĩa theo cách tiếp cận phản hồi liên quan Ngoài ra, chương phân tích số kỹ thuật tra cứu ảnh với ngữ nghĩa mức cao Cuối cùng, chương đưa số kết luận định hướng cho nghiên cứu 1.1 Giới thiệu Các dạng nguồn đa phương tiện khác (văn bản, tiếng nói, ảnh, video) tăng lên nhanh chóng, chẳng hạn liệu trực quan điện thoại thông minh, ứng dụng 2D/3D, nội dung web, Thế giới chứng kiến tiến hóa lượng, sẵn có, độ phức tạp, đa dạng quan trọng ảnh tất lĩnh vực Do đó, nhu cầu dịch vụ ảnh trở nên quan trọng hết Các ảnh đóng vai trò quan trọng phạm vi rộng ứng dụng lĩnh vực giáo dục, chăm sóc y tế, dự báo thời tiết, nghiên cứu tội phạm, quảng cáo, thiết kế nghệ thuật, web, phương tiện xã hội giải trí Tuy nhiên, phương tiện trực quan yêu cầu lượng xử lý lưu trữ đáng kể, cần có phương pháp hiệu cao để đánh số, lưu trữ, phân tích tra cứu thông tin trực quan từ sở liệu ảnh Do đó, tra cứu ảnh nhanh, xác hiệu cho tất loại tập ảnh trở thành nhiệm vụ thách thức 1.1.1 Tra cứu dựa vào văn Cách tiếp cận ban đầu cho tra cứu ảnh dựa vào văn bản, ảnh đánh số từ khóa, chủ đề mã phân loại Các từ khóa, chủ đề mã phân loại sử dụng trình tra cứu [41] Tuy nhiên, với sở liệu ảnh lớn tăng lên nhanh chóng, khó khăn phải đối mặt cách tiếp cận tra cứu dựa vào văn ngày trở nên nghiêm trọng Bên cạnh đó, q trình tốn nhiều nhân lực thời gian, từ khóa lại mang tính chủ quan khơng nhất, người khác có nhận thức khác ảnh Để khắc phục vấn đề này, nội dung ảnh (gồm mầu, kết cấu hình dạng) trích rút tự động từ thân ảnh sử dụng cho tra cứu ảnh Phương pháp gọi tra cứu ảnh dựa vào nội dung (CBIR content-based image retrieval) [69] CBIR cho phép loại khó khăn tra cứu dựa vào văn sở liệu ảnh lớn hệ thống CBIR cung cấp kết xác 1.1.2 Tra cứu ảnh dựa vào nội dung Tra cứu ảnh dựa vào nội dung (CBIR) ứng dụng kỹ thuật thị giác máy tính tốn tra cứu ảnh [70] Mục tiêu hệ thống CBIR sử dụng nội dung trực quan ảnh để tìm ảnh quan tâm từ sở liệu ảnh lớn Tra cứu ảnh dựa vào nội dung có nghĩa tra cứu phân tích nội dung ảnh thay dựa vào siêu liệu từ khóa, thẻ mơ tả văn kèm với ảnh Thuật ngữ nội dung hiểu mầu, hình dạng, kết cấu thơng tin mà lấy từ thân ảnh Trong CBIR, ảnh tra cứu thông qua việc sử dụng đặc trưng mức thấp (tức mầu sắc, hình dạng, kết cấu) sử dụng đặc trưng mức cao hay đặc trưng ngữ nghĩa Hình 1.1 khoảng cách ngữ nghĩa hai đối tượng ảnh Như Hình 1.1 cho thấy, véc tơ đặc trưng (hai lược đồ) ảnh phía véc tơ đặc trưng ảnh phía giống Do đó, dựa vào đặc trưng mức thấp (véc tơ đặc trưng) hệ thống kết luận ảnh phía phía giống Tuy nhiên, ta nhìn vào hai ảnh lại thấy chúng khác (ảnh phía rừng cịn ảnh phía bơng hồng) Tra cứu ảnh dựa vào ngữ nghĩa đối sánh truy vấn người dùng dựa vào nội dung nhận thức tương tự đặc trưng Hình 1.1 Khoảng cách ngữ nghĩa Thành phần CBIR kỹ thuật tra cứu ảnh sử dụng để lấy ảnh tương tự ảnh truy vấn mà người dùng đưa vào [101] Một hệ thống tra cứu dựa vào nội dung tiêu biểu chia thành hai pha: trích rút đặc trưng ngoại tuyến tra cứu ảnh trực tuyến Trong pha ngoại tuyến, hệ thống trích rút tự động thuộc tính trực quan mức thấp (mầu, kết cấu hình dạng) mức cao Trong pha tra cứu ảnh trực tuyến, người dùng cung cấp ảnh mẫu cho hệ thống tra cứu để tìm kiếm ảnh mong muốn Hệ thống tra cứu ảnh biểu diễn ảnh mẫu véc tơ đặc trưng khoảng cách (hoặc độ tương tự) véc tơ đặc trưng ảnh mẫu ảnh sở liệu đặc trưng tính tốn Cuối hệ thống phân hạng ảnh theo thứ tự tăng dần khoảng cách hay giảm dần độ tương tự trả tập ảnh kết cho người dùng Nếu không thỏa mãn với kết tra cứu, người dùng cung cấp phản hồi liên quan cho hệ thống tra cứu, hệ thống học nhu cầu thông tin người dùng Kiến trúc hệ thống tra cứu ảnh dựa vào nội dung Hình 1.2 Phản hồi liên quan Tập ảnh Trích rút đặc trưng Cơ sở liệu đặc trưng Độ tương tự Kết tra cứu Sắp xếp Ảnh truy vấn Trích rút đặc trưng Đầu Véc tơ đặc trưng Hình 1.2 Kiến trúc hệ thống tra cứu ảnh dựa vào nội dung Phản hồi liên quan (RF - Relevance Feedback) trình trực tuyến mà cố gắng học mục đích người dùng trình tương tác Phản hồi liên quan sử dụng rộng rãi hệ thống tra cứu thông tin [74,78] Mục đích mang người dùng vào lặp tra cứu để giảm khoảng cách ngữ nghĩa mà truy vấn biểu diễn người dùng nghĩ Bằng việc tiếp tục học thơng qua tương tác với người dùng cuối, phản hồi liên quan cung cấp cải tiến hiệu đáng kể hệ thống tra cứu ảnh dựa vào nội dung [103,104,119] Hình 1.3 chế hoạt động phản hồi liên quan tra cứu ảnh dựa vào nội dung [2,74,104] Khi có kết tra cứu khởi tạo, người dùng chọn ảnh liên quan danh sách kết để làm mẫu có nhãn (dương hay âm) Dựa tập mẫu huấn luyện này, thuật toán máy học thực để điều chỉnh tham số Dựa tham số vừa học, tra cứu ảnh tiếp tục thực Quá trình lặp lại người dùng thỏa mãn Hình 1.3: Sơ đồ phản hồi liên quan Con người mơ tả giải thích nội dung ảnh cách thích hợp, bao gồm cấu trúc liên kết toàn đối tượng sử dụng khái niệm ngữ nghĩa mức cao Không giống người, máy tính xử lý đặc trưng mức thấp trích rút từ điểm ảnh, cung cấp mơ tả ảnh ngữ nghĩa so với mô tả người Sự khác máy tính người việc mơ tả ảnh gọi ―khoảng cách ngữ nghĩa‖ Người dùng tìm kiếm tương tự ngữ nghĩa sở liệu cung cấp ảnh tương tự xử lý số Ngoài ra, khoảng cách ngữ nghĩa thuộc tính ảnh thuộc tính đối tượng giới hạn nhiều hiệu tra cứu 1.2 Trích rút đặc trƣng tra cứu ảnh 1.2.1 Đặc trƣng mầu Đặc trưng mầu đặc trưng thị giác rộng quan hệ chặt chẽ với đối tượng ảnh, tiền cảnh Mầu đặc trưng trực quan mạnh khơng phụ thuộc vào trạng thái nội dung ảnh hướng, cỡ góc Các biểu diễn mầu phổ biến lược đồ mầu, mô men mầu [34], tương quan mầu [43] ma trận đồng mầu [37] Không gian mầu phân lớp thành khơng gian mầu tuyến tính (tức RGB, XYZ, CMY, YIQ YUV) không gian mầu phi tuyến [113] (tức L*a*b, HSV, Nxyz L*u*v) Không gian mầu RGB không gian mầu cộng tính dựa vào ba mầu chính: đỏ, xanh xanh lam Các mầu khác sinh sử dụng mầu chính, chẳng hạn, sử dụng đỏ với xanh lam tạo đỏ tươi, xanh xanh lam ta mầu lục kết hợp mầu đỏ, xanh mầu xanh lam cường độ tối đa tạo mầu trắng Tuy nhiên, không gian RGB không hiệu việc xử lý ảnh giới thực, bị tránh nhiều thuật tốn tra cứu ảnh thiếu khả đo lường tương tự nhận thức Hơn nữa, khoảng cách khơng gian RGB có thơng tin ngữ nghĩa mặt nhận thức thị giác người Theo đó, không gian mầu HSV sử dụng thay cho không gian mầu RGB thành phần mầu sắc độ bão hòa gần với nhận thức thị giác người Mơ hình HSV có ba thành phần cấu thành: ―hue‖ đề cập đến mầu sắc, ―saturation‖ đề cập đến độ sắc nét mầu ―value‖ độ sáng mầu sắc Một không gian mầu khác, khơng gian mầu YCbCr chia thành độ chói (Y) sắc độ (Cb, Cr), Cb Cr biểu thị khác biệt mầu xanh-vàng đỏ-lục Không gian mầu L * a * b * lấy từ không gian mầu XYZ để đạt đồng nhận thức Như YCbCr, L * a * b bao gồm chiều độ sáng (L) hai chiều sắc độ (a *, b *) dựa trình đối lập mầu Lược đồ mầu khơng có thơng tin phân bố khơng gian mầu; đó, biểu diễn khác đề xuất tương quan mầu sắc tương quan Các phương pháp cung cấp thông tin tương quan không gian 16 2680 15.88 17.96 18.09 18.20 18.25 17.96 17 2890 19.51 22.87 23.49 23.60 23.71 23.47 18 3260 19.57 22.65 23.07 22.86 23.11 22.58 19 3510 36.75 41.83 41.73 41.43 41.45 40.56 20 3540 49.34 55.73 55.98 55.96 55.99 54.76 21 3910 38.70 46.31 45.49 45.77 45.55 44.78 22 4150 29.18 33.23 33.81 33.50 33.31 33.85 23 4470 52.17 33.83 33.03 33.33 33.11 33.65 24 4580 40.90 33.63 33.51 33.43 33.65 34.46 25 4990 33.83 39.09 39.05 38.85 38.96 39.85 26 5210 29.57 34.59 35.29 36.05 35.98 37.43 27 5350 49.11 54.62 54.47 54.98 55.15 55.41 28 5530 43.41 48.03 48.37 48.84 48.87 48.88 29 5810 61.01 63.96 63.83 63.76 63.80 63.95 30 5910 47.59 52.28 52.61 52.55 52.73 52.58 31 6440 64.52 65.40 65.55 65.53 65.45 65.32 32 6550 57.25 61.05 60.96 61.04 60.91 61.51 33 6610 33.50 38.90 38.78 38.64 38.66 39.23 34 6840 61.23 63.26 63.18 63.47 63.52 63.25 95 Bảng A2 Độ xác trung bình 80 loại truy vấn với lần lặp phản hồi phƣơng pháp đề xuất chƣơng Độ xác trung bình theo loại (%) STT Tên loại 02 điểm truy vấn 04 điểm truy vấn 08 điểm truy vấn art_1 5.91 10.55 29.29 art_antiques 19.72 35.66 36.28 art_cybr 42.82 60.095 54.08 art_dino 97.69 97.02 99.25 art_mural 10.24 13.31 33.22 bld_castle 34.554 49.796 45.6 bld_lighthse 8.19 18.46 31.47 bld_modern 19.083 38.287 40.217 bld_sculpt 14.265 20.45 37.32 10 eat_drinks 40.41 56.63 56.65 11 eat_feasts 18.38 35.41 37.68 12 Fitness 95.425 99.885 97.92 13 obj_234000 15.44 25.24 34.55 14 obj_aviation 11.58 21.46 32.99 15 obj_balloon 8.7 18.32 31.8 16 obj_bob 7.35 18.533 30.367 17 obj_bonsai 9.69 19.77 30.84 96 18 obj_bus 43.26 57.74 66.53 19 obj_car 46.59 69.207 68.205 20 obj_cards 37.34 75.16 78.62 21 obj_decoys 86.78 90.39 83.54 22 obj_dish 40.86 62.04 41.08 23 obj_doll 71.74 81.65 79.73 24 obj_door 59.715 79.26 83.795 25 obj_eastregg 93.04 91.64 92.88 26 obj_flags 24.05 48.26 37.49 27 obj_mask 30.42 42.14 39.1 28 obj_mineral 38.17 59.03 49.67 29 obj_moleculr 31.42 51.2 50.38 30 obj_orbits 9.35 21.88 31.1 31 obj_ship 43.27 57.8 51.18 32 obj_steameng 37.86 51.77 45.96 33 obj_train 57.587 77.123 65.737 34 pet_cat 10.99 26.14 32.83 35 pet_dog 30.71 52.32 49.517 36 pl_flower 59.76 93.188 77.38 37 pl_foliage 4.9 11.67 29.34 38 pl_mashroom 7.87 18.47 30.36 97 39 sc_ 45.79 65.61 83.65 40 sc_autumn 10.146 21.874 31.903 42 sc_cloud 26.07 45.965 39.921 43 sc_firewrk 67.234 90.851 89.01 44 sc_forests 6.82 11.64 29.52 45 sc_iceburg 14.88 30.5 35.91 46 sc_indoor 27.34 46.39 44.57 47 sc_mountain 33.741 59.922 53.856 48 sc_night 14.72 29.02 35.1 49 sc_rockform 35.15 53.52 46.75 50 sc_rural 16.65 33.71 40.98 51 sc_sunset 55.848 69.676 80.552 52 sc_waterfal 11.479 23.41 31.829 53 sc_waves 24.13 39.18 37.33 54 sp_ski 9.42 19.17 30.07 55 texture_1 8.72 18 30.41 56 texture_2 56.71 72.35 69.04 57 texture_3 7.35 14.94 29.6 58 texture_4 21.9 39.42 36.28 59 texture_5 9.54 21.68 33.69 60 texture_6 61.42 75.24 91.22 98 61 wl_buttrfly 23.515 38.85 46.065 62 wl_cat 4.28 7.54 27.61 63 wl_cougr 4.09 6.79 26.79 64 wl_deer 12.845 27.95 35.59 65 wl_eagle 20.16 42.73 42.05 66 wl_elephant 14.18 32.8 34.17 67 wl_fish 10.58 22.78 33.527 68 wl_fox 4.3 7.2 27.74 69 wl_goat 5.15 9.02 28.32 70 wl_horse 33.91 52.63 44.06 71 wl_lepoad 18.15 30.62 36.2 72 wl_lion 13.69 31.96 33.67 73 wl_lizard 16.21 31.4 34.31 74 wl_nests 9.62 18.41 31.22 75 wl_owls 45.73 47.85 45.08 76 wl_porp 51.36 61.71 48 76 wl_primates 7.53 20.33 30.49 77 wl_roho 9.92 26.34 33 78 art_1 10.6 20.74 32.33 79 art_antiques 7.58 14.22 29.63 80 art_cybr 70.227 90.462 85.284 99 PHỤ LỤC B Phần mềm tra cứu theo đề xuất luận án Hình B.1 – B.10 hình ảnh giao diện hệ thống đề xuất chương Hình B.1 Giao diện frm_Class_Images Hình B.2.Giao diện frm_Type_of_Features 100 Hình B.3 Giao diện frm_Images_Database Hình B.4 Giao diện frm_Upload_Images 101 Hình B.5 Giao diện frm_Trainning Hình B.6 Giao diện frm_Features 102 Hình B.7 Giao diện bƣớc biến đổi ảnh tra cứu đa biểu diễn Hình B.8 Giao diện bƣớc gộp phản hồi lần 103 Hình B.9 Giao diện bƣớc phân cụm tra cứu cụm Hình B.10 Giao diện bƣớc gộp kết tra cứu phản hồi lần 104 Hình B.11 – B.10 hình ảnh hệ thống đề xuất chương Hình B.11 Giao diện hệ thống Hình B.12 Giao diện Load Dataset 105 Hình B.13 Giao diện đƣa vào ảnh truy vấn chọn số lƣợng ảnh trả 106 Hình B.14 Kết truy vấn khởi vào ngƣời dùng phản hồi (ảnh có viền mầu đỏ) Hình B.15 Thực phân cụm tập ảnh ngƣời dùng chọn hiển thị tập ảnh cụm 107 Hình B.16 Thực hiên tra cứu với trọng số thích nghi lần lặp thứ Hình B.17 Thực hiên tra cứu với trọng số thích nghi lần lặp thứ hai 108 Hình B.18 Thực hiên tra cứu với trọng số thích nghi lần lặp thứ ba 109 ... khăn tra cứu dựa vào văn sở liệu ảnh lớn hệ thống CBIR cung cấp kết xác 1.1.2 Tra cứu ảnh dựa vào nội dung Tra cứu ảnh dựa vào nội dung (CBIR) ứng dụng kỹ thuật thị giác máy tính toán tra cứu ảnh. .. ảnh dựa vào nội dung sử dụng kỹ thuật điều chỉnh trọng số hàm khoảng cách‖ Các phương pháp tra cứu ảnh luận án giới hạn phạm vi tìm ảnh đa dạng chủ đề với ảnh truy vấn, chẳng hạn: tìm tất ảnh thuộc... Mục tiêu hệ thống CBIR sử dụng nội dung trực quan ảnh để tìm ảnh quan tâm từ sở liệu ảnh lớn Tra cứu ảnh dựa vào nội dung có nghĩa tra cứu phân tích nội dung ảnh thay dựa vào siêu liệu từ khóa,