i ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG NGUYỄN THỊ THANH THỦY NGHIÊN CỨU PHƯƠNG PHÁP TRA CỨU ẢNH NHANH SỬ DỤNG PHÂN CỤM PHỔ Chuyên ngành Khoa học máy tính Mã số 60 48[.]
i ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG NGUYỄN THỊ THANH THỦY NGHIÊN CỨU PHƯƠNG PHÁP TRA CỨU ẢNH NHANH SỬ DỤNG PHÂN CỤM PHỔ Chuyên ngành: Khoa học máy tính Mã số: 60 48 01 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Người hướng dẫn khoa học: PGS.TS NGUYỄN HỮU QUỲNH THÁI NGUYÊN, 2018 ii LỜI CAM ĐOAN Tôi Nguyễn Thị Thanh Thủy cam đoan nội dung trình bày luận văn kết tìm hiểu, nghiên cứu thân hướng dẫn PGS.TS Nguyễn Hữu Quỳnh nhà nghiên cứu trước Nội dung tham khảo, kế thừa, phát triển từ cơng trình cơng bố trích dẫn, ghi rõ nguồn gốc Kết mơ phỏng, thí nghiệm lấy từ chương trình thân Nếu có sai phạm tơi xin hồn tồn chịu trách nhiệm Người cam đoan Nguyễn Thị Thanh Thủy LỜI CẢM ƠN iii Trong trình thực luận văn gặp nhiều khó khăn, tơi ln nhận quan tâm, giúp đỡ từ thầy cô, bạn bè, đồng nghiệp người thân Đây nguồn động lực giúp tơi hồn thành luận văn Tơi xin gửi lời cảm ơn sâu sắc đến PGS.TS Nguyễn Hữu Quỳnh, tận tình giúp đỡ, hướng dẫn bảo trình thực luận văn Tơi xin chân thành cảm ơn đến quý thầy, cô trường Đại học CNTT&TT – Đại học Thái Nguyên tận tình bảo, truyền đạt kiến thức q báu giúp thơi hồn thành q trình học tập trường Q thầy giúp tơi có kiến thức quan trọng lĩnh vực Công nghệ thông tin, tảng vững cho nghiên cứu khoa học thân thời gian qua sau Tôi xin chân thành cảm ơn anh chị em đồng nghiệp giúp đỡ, ủng hộ thời gian qua Tôi xin chân thành cảm ơn! Thái Nguyên ngày 15 tháng 04 năm 2018 Học viên thực Nguyễn Thị Thanh Thủy iv MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iv DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT vi DANH MỤC BẢNG BIỂU vii DANH MỤC CÁC HÌNH viii MỞ ĐẦU 1 Đối tượng phạm vi nghiên cứu Những nội dung nghiên cứu CHƯƠNG TỔNG QUAN VỀ TRA CỨU ẢNH DỰA VÀO NỘI DUNG 1.1 Giới thiệu 1.2 Không gian màu 1.3 Các ví dụ tìm kiếm tương tự 10 1.4 Đo độ tương tự lược đồ đánh số 14 1.4.1 Các độ đo tương tự 14 1.4.2 Lược đồ đánh số .15 1.5 Các hệ thống tra cứu ảnh dựa vào nội dung 16 1.5.1 WALRUS 19 1.5.2 Blobworld 20 1.6 Tiểu kết chương 21 CHƯƠNG 2: PHƯƠNG PHÁP TRA CỨU ẢNH NHANH SỬ DỤNG PHÂN CỤM PHỔ 23 2.1 Giới thiệu 23 v 2.2 Một số thuật toán phân cụm 23 2.2.1 Thuật toán phân cụm k-means: 23 2.2.2 Thuật toán k-medoids 28 2.2.3 Thuật toán phân cụm phổ .29 2.3 Phương pháp tra cứu nhanh sử dụng phân cụm phổ 30 2.3.1 Giới thiệu phương pháp 30 2.3.2 Thuật toán phân cụm sở liệu ảnh 31 2.3.3 Thuật toán tra cứu ảnh nhanh sử dụng phân cụm phổ .40 2.4 Tiểu kết chương 41 CHƯƠNG CHƯƠNG TRÌNH THỬ NGHIỆM 42 3.1 Phân tích xây dựng tốn 42 3.2 Môi trường thực nghiệm 43 3.2.1 Cơ sở liệu ảnh .44 3.2.2 Vector đặc trưng 45 3.2.3 Tập tin cậy (ground truth): 46 3.2.4 Cấu hình đề xuất thiết bị chạy thực nghiệm 46 3.2.5 Kết đánh giá 46 3.3 Giao diện hệ thống 48 3.4 Tiểu kết chương 50 KẾT LUẬN 51 TÀI LIỆU THAM KHẢO 51 vi DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT Từ viết tắt Diễn giải CBIR Tra cứu ảnh dựa vào nội dung FRM Phương pháp bán kính cố định (Fixed-radius method) NNM Phương pháp lân cận gần (Nearest-neighbors method ) SOM Bản đồ tự tổ chức (Self-Organization Map) KL Biến đổi Karhunen-Loeve PCA Phân tích thành phần (Principal Component Analysis) KMCC IR K-Means với ràng buộc liên thông Inner Rectangle EHD Mô tả lược đồ cạnh EM Thuật toán cực đại kỳ vọng (Expectation-Maximization) vii DANH MỤC BẢNG BIỂU Bảng 3.1 Bảng phân bố tập ảnh Corel 44 Bảng 3.2 Các loại đặc trưng 45 Bảng 3.3 Bảng cấu hình đề xuất thiết bị chạy thực nghiệm 46 Bảng 3.4 Bảng kết phương pháp 47 viii DANH MỤC CÁC HÌNH Hình 1.1: Khối màu RGB Hình 1.2: Trụ màu HSV Hình 1.3: Trích rút lược đồ màu sử dụng ba màu 11 Hình 2.1: Sơ đồ mơ tả thuật tốn K-Means 24 Hình 2.2: Cấu trúc phương pháp đề xuất 31 Hình 2.3: Thuật toán phân cụm tập ảnh S={s1,s2,…,sn} thành k cụm SCIS 35 Hình 2.4: Đồ thị biểu diễn sở liệu ảnh 35 Hình 2.5: Thuật tốn tra cứu ảnh nhanh sử dụng phân cụm phổ 41 Hình 3.1 Mơ hình tổng qt hệ thống 43 Hình 3.2: So sánh độ xác thời gian tra cứu 47 Hình 3.3: Giao diện pha huấn luyện 48 Hình 3.4: Giao diện pha tra cứu 48 Hình 3.5: Chọn tập liệu ảnh / đặc trưng 49 Hình 3.6: Chọn ảnh truy vấn khởi tạo 49 Hình 3.7: Kết tra cứu với truy vấn khởi tạo 84090 thuộc lớp 840 50 MỞ ĐẦU Xử lý ảnh lĩnh vực nghiên cứu phát triển khơng ngừng tính trực quan sinh động khả áp dụng vào thực tế lớn Hiện xử lý ảnh giành nhiều quan tâm nhà nghiên cứu ngồi nước Trong xử lý ảnh, tra cứu ảnh nói lĩnh vực địi hỏi nghiên cứu tổng hợp: nghiên cứu xử lý ảnh để rút trích đặc trưng, áp dụng tính tốn tốn học cao cấp để xác định mức độ tương đồng hai ảnh Hơn nữa, với phát triển phần mềm phần cứng, khối lượng ảnh phát triển không ngừng ngày lớn Một số lượng lớn ảnh sử dụng thư viện ảnh số web Vì nhu cầu tìm kiếm ảnh nhu cầu tất yếu Hiện tại, tra cứu ảnh ứng dụng nhiều lĩnh vực như: quản lý biểu trưng (logo), truy tìm tội phạm, ứng dụng y khoa, quân sự… Tra cứu ảnh dựa nội dung (CBIR-Content-Based Image Retrieval) kỹ thuật cho phép trích chọn đặc điểm dựa vào nội dung trực quan ảnh màu sắc, kết cấu, hình dạng bố cục khơng gian ảnh để làm sở cho việc tra cứu, xếp, tổ chức CSDL ảnh Nhiều phương pháp, hệ thống tra cứu ảnh dựa vào nội phát triển, nhiên, sở liệu ảnh tăng lên ngày dẫn đến phải tra cứu sở liệu cực lớn Đó lý mà luận văn chọn đề tài: “Nghiên cứu phương pháp tra cứu ảnh nhanh sử dụng phân cụm phổ” Trong học có giám sát, người học cung cấp tập liệu gắn nhãn D = {(x,y)}, y nhãn x, nhãn người giám sát (người thầy) cung cấp, giá trị hàm mục tiêu mà người ta quan sát Trong học khơng có giám sát, người học cung cấp tập liệu khơng có nhãn: aj D={xi/i=1, ,N} Trong đó, điểm liệu xi lấy mẫu từ không gian đối tượng X Các thuật tốn thuộc phương pháp học khơng giám sát dựa vào cấu trúc liệu để thực cơng việc đó, ví dụ phân cụm giảm số chiều liệu để thuận tiện cho việc lưu trữ tính tốn Có nhiều phương pháp phân cụm khác K-Means, K-medoids, HAC… Mỗi phương pháp có ưu điểm, mạnh riêng có yêu cầu riêng cách biểu diễn liệu, độ đo Đề tài này, tập trung nghiên cứu thuật toán phân cụm phổ, thuật toán phân cụm rút gọn chiều liệu hiệu Phương pháp phân cụm phổ phân cụm điểm sử dụng véc tơ riêng ma trận sinh liệu Phân cụm phổ thực hiệu liệu có kết nối liệu khơng thiết phải có quan hệ chặt chẽ tập trung đường viền hình lồi Tập trung biểu diễn liệu không gian thấp chiều để phân cụm dễ dàng Trong năm gần đây, phân cụm phổ trở thành thuật toàn phân cụm đại phổ biến Thuật tốn thực đơn giản, giải hiệu nhờ phần mềm đại số tuyến tính, hoạt động tốt thuật toán phân cụm truyền thống Kmeans Đề tài áp dụng thuật tốn phân cụm phổ để phân cụm tồn sở liệu ảnh trước đưa vào tra cứu Nhiệm vụ luận văn nắm vững kiến thức tổng quan lĩnh vực xử lý ảnh, sâu nghiên cứu lĩnh vực tra cứu ảnh dựa vào nội dung, tìm hiểu số thuật tốn học khơng giám sát, nghiên cứu thuật tốn phân cụm phổ đưa vào hệ thống tra cứu ảnh dựa vào nội dung Cài đặt chương trình thử nghiệm đánh giá, so sánh hiệu hệ thống tra cứu ảnh dựa vào nội dung sử dụng phân cụm phổ với số hệ thống tra cứu ảnh điển hình khác Đối tượng phạm vi nghiên cứu Luận văn nhằm mục đích tìm hiểu tổng quan xử lý ảnh, tra cứu ảnh dựa vào nội dung, tìm hiểu số thuật tốn học khơng giám sát sâu nghiên cứu thuật toán phân cụm phổ Trên sở cài đặt chương trình thử nghiệm 3 Hướng nghiên cứu đề tài - Tìm hiểu tổng quan xử lý ảnh, tra cứu ảnh dựa vào nội dung, số hệ thống tra cứu ảnh dựa vào nội dung - Tìm hiểu số thuật tốn học khơng giám sát (unsupervised learning), - Nghiên cứu thuật toán phân cụm phổ (spectral clustering) áp dụng vào hệ thống tra cứu ảnh dựa vào nội dung nhằm nâng cao hiệu tra cứu - Xây dựng hệ thống cài đặt chương trình thử nghiệm Những nội dung nghiên cứu Luận văn chia làm chương: Chương 1: Tổng quan tra cứu ảnh dựa vào nội dung Chương 2: Phương pháp tra cứu ảnh nhanh sử dụng phân cụm Phổ Chương 3: Chương trình thử nghiệm 4 CHƯƠNG TỔNG QUAN VỀ TRA CỨU ẢNH DỰA VÀO NỘI DUNG 1.1 Giới thiệu Sự xuất thời đại đa phương tiện đặt số thách thức cho nhà nghiên cứu sở liệu Cụ thể, thư viện số đòi hỏi tra cứu tự động hiệu dựa vào nội dung ngữ nghĩa ảnh Sự thúc đẩy khả đồ họa máy tính đại phát triển Internet thúc đẩy gia tăng ảnh số nhanh chóng Trong hệ sở liệu cổ điển, đối tượng truy vấn cho, thuộc tính phổ biến số văn bản, hệ thống phải phát đối tượng sở liệu “giống” với truy vấn Các kết loại tìm kiếm màu tập đối tượng sở liệu có thuộc tính đối sánh với thuộc tính truy vấn Các cách tiếp cận truyền thống để mô tả nội dung ảnh dựa vào văn đại diện, chuyên gia thích thủ cơng ảnh với mơ tả văn bản, cho kỹ thuật tra cứu thông tin dựa vào văn áp dụng Cách tiếp cận có ưu điểm kế thừa cơng nghệ hiệu phát triển cho tra cứu văn bản, không khả thi trường hợp sở liệu ảnh lớn Hơn nữa, độ xác phụ thuộc nhiều vào suy nghĩ chủ quan chuyên gia, người mà cung cấp mô tả khác cho ảnh [Virginia et al., 1995] Ngay lược đồ tìm kiếm đối sánh chứng phương pháp hiệu để tra cứu liệu quan tâm hệ sở liệu cổ điển, khơng áp dụng thành cơng ngữ cảnh sở liệu ảnh, tổng quát hơn, sở liệu đa phương tiện độ phức tạp tính tốn đối tượng đa phương tiện cho đối sánh không đủ ý nghĩa Trích dẫn từ [Simone et al., 1996]: “Chúng ta tin sở liệu ảnh tương lai nên bỏ qua mơ hình đối sánh, thay vào dựa vào tìm kiếm tương tự Trong tìm kiếm tương tự khơng đòi hỏi tồn ảnh mục tiêu sở liệu Hơn nữa, xếp ảnh theo độ tương tự với truy vấn, cho điều kiện tương tự cố định.” Dự đoán đúng: Ngày nay, truy vấn tương tự gia tăng cách tự nhiên nhiều ứng dụng, như: - Thương mại điện tử - Các sở liệu y học - Giải trí - Dự báo thời tiết - Điều tra tội phạm Như đánh giá câu trên, tìm kiếm tương tự khắc phục hạn chế cách tiếp cận truyền thống việc sử dụng đặc trưng số tính tốn phân tích trực tiếp nội dung thông tin Tra cứu ảnh dựa vào nội dung (CBIR) phát triển từ đầu năm 1990 Các hệ thống CBIR sử dụng đặc trưng trực quan để biểu diễn nội dung ảnh Cách tiếp cận thuận lợi đặc trưng tính tốn tự động, thơng tin sử dụng q trình tra cứu ln quán, không phụ thuộc vào ý hiểu người Cụ thể, người dùng phác thảo ảnh truy vấn, lựa chọn ảnh mẫu, tìm tương tự Kết loại truy vấn danh sách ảnh xếp theo giá trị giảm dần độ tương tự đối ảnh truy vấn Do đó, tức nhu cầu tìm kiếm tương tự để xác định điều kiện tương tự thích hợp, đo độ tương tự hai ảnh sử dụng thuộc tính ảnh mức thấp (tức là, không cần chuyên gia cung cấp thông tin bổ sung) Hơn nữa, cách hiệu để thu ảnh sở liệu tương tự với ảnh truy vấn phải xác định Mục đích thường thực sử dụng cấu trúc đánh số mô tả nội dung ảnh Nói cách khác, mơ tả nội dung ảnh này, biểu diễn véc tơ đặc trưng, lưu trữ đánh số sở liệu cho thời điểm truy véc tơ đặc trưng ảnh truy tính tốn sở liệu tìm kiếm véc tơ đặc trưng tương tự Để mô tả ảnh sở liệu, hệ thống CBIR đại xác định tập thuộc tính liên quan mức thấp (các đặc trưng) mơ tả hiệu nội dung ảnh sau sử dụng đặc trưng cho mục tiêu tra cứu Các đặc trưng nên đủ đơn giản phép thiết kế thuật tốn trích rút tự động, đủ ý nghĩa để thu nội dung ảnh Với mục đích này, số nghiên cứu nhấn mạnh thực tế đặc trưng toàn cục màu kết cấu, thực có giá trị ngữ nghĩa phong phú, chúng sử dụng số hệ thống CBIR [Myron et al., 1995] Dưới góc nhìn này, ảnh biểu diễn véc tơ đặc trưng nhiều chiều, chiều phụ thuộc vào số loại đặc trưng trích rút, độ tương tự ảnh truy cập xác định hàm khoảng cách phù hợp không gian đặc trưng Thực tế hệ thống CBIR dựa đặc trưng toàn cục khơng thể hỗ trợ truy “tìm tất ảnh chứa vùng đỏ nhỏ vùng xanh lớn” mà cần thuộc tính cục ảnh Do đó, nhu cầu trích rút khơng đặc trưng tồn cục mà cịn đặc trưng cục bộ, số hệ thống tra cứu ảnh dựa vào vùng mà phân đoạn ảnh thành tập “vùng khơng nhất”, trình bày [John et al., 1996] Trong hệ thống dựa vào vùng, đánh giá độ tương tự ảnh thực kết hợp vùng ảnh truy vấn với vùng chứa ảnh sở liệu đưa vào miêu tả độ tương tự vùng kết hợp Nhằm mục đích này, đặc trưng trích rút cho vùng hàm khoảng cách sử dụng để so sánh mô tả vùng Tuy nhiên, hệ thống có, xét kịch bản, ràng buộc khơng gian đưa vào miêu tả [Stefano et al., 1999], thuật toán đối sánh kinh nghiệm cổ điển không đảm bảo trả lại kết xác Ví dụ, giả sử người dùng tìm ảnh chứa hai hổ: Trong trường hợp này, ảnh truy vấn chứa (tối thiểu) hai vùng, vùng biểu diễn hổ Nếu ảnh sở liệu chứa vùng “hổ” đơn, rõ ràng khơng xác để kết hợp hai vùng truy vấn vào vùng truy vấn đơn ảnh sở liệu Xử lý truy vấn k lân cận gần (các đối sánh tốt nhất), người dùng yêu cầu k ảnh sở liệu mà tương tự nhất, theo độ đo tương tự thực hệ thống CBIR, ảnh truy vấn Các truy vấn phạm vi, người dùng phải ngưỡng tương tự tối thiểu mà ảnh phải vượt qua để phần kết Trong thực tế, người dùng khơng có tri thức tiền nghiệm phân bố độ tương tự ảnh, người dùng khơng có cách để đốn giá trị cho Một giá trị cao dễ dẫn đến kết rỗng, giảm chút sinh số lớn ảnh trả Tình phức tạp hệ thống dựa vào vùng 1.2 Không gian màu Màu đặc trưng chấp nhận rộng rãi để biểu diễn mô tả ảnh Các nhà nghiên cứu khai phá nhiều kỹ thuật để phân loại màu thành không gian màu khác Không gian màu RGB (Red, Green, Blue) không gian màu tiếng Trộn ba màu đỏ, xanh lá, xanh biển tạo vơ số màu Hình 1.1 khối màu RGB Khơng gian màu RGB có nhiều biến thể gồm ISO RGB, ISO RGB rộng, RGB chuẩn, Adobe RGB (1998), Apple RGB, NTSC RGB (1953) 8 Hình 1.1: Khối màu RGB Tuy nhiên, khơng gian màu RGB khơng thích hợp cho xử lý ảnh màu, ba lý sau: - Các màu R, G B có quan hệ chặt chúng - Nó khơng dễ dàng cho người dùng kinh nghiệm để điều chỉnh màu mong muốn - Trong thị giác máy tính, màu R, G, B đối tượng ảnh số dựa vào ảnh sáng phản chiếu đối tượng, mà thực phân biệt đối tượng khó Do đó, Smith cộng [Smith, 1978] đề xuất khơng gian màu HSV, H, S V biểu diễn sắc màu, bão hòa, giá trị tương ứng Ở đây, sắc màu loại màu, bão hòa tinh khiết giá trị độ sáng màu So với không gian màu RGB, không gian màu HSV thực phân biệt đối tượng dễ thơng tin ba kênh tương đối độc lập với kênh lại Ngồi ra, khơng gian màu HSV mơ hình gần với nhận thức người chứng minh hiệu nhiều nghiên cứu CBIR Hình 1.2 hình trụ màu HSV 9 Hình 1.2: Trụ màu HSV Mỗi điểm không gian màu RGB ánh xạ sang điểm khơng gian màu HSV sử dụng công thức sau: Max Min giá trị cực đại cực tiểu thành phần R, G B điểm tương ứng 10 1.3 Các ví dụ tìm kiếm tương tự Các hệ thống CBIR cung cấp truy cập nội dung ảnh trích rút đặc trưng màu, hình kết cấu Sau đó, tất hệ thống sử dụng cách tiếp cận dựa vào đặc trưng để đánh số thông tin ảnh [Arnold et al., 2000] Lưu ý trích rút đặc trưng trình phức tạp Tra cứu ảnh biểu diễn màu Phân bố màu ảnh thường biểu diễn lược đồ Mỗi pixel ảnh O[x,y] gồm ba kênh màu O=(OR, OG, OB), biểu diễn thành phần đỏ, xanh lá, xanh biển Các kênh biến đổi, theo cách ma trận biến đổi Tc, sang thành phần tự nhiên nhận thức màu, tức hue, bightness saturation (không gian màu HSV) Cuối cùng, ba kênh sau lượng hóa, thơng qua ma trận lượng hóa Qc, thành khơng gian gồm số hữu hạn M màu Thành phần thứ m lược đồ, hc[m] cho bởi: Do đó, ảnh biểu diễn điểm không gian M chiều Trường hợp đơn giản (như Hình 1.3) biểu diễn lược đồ màu với ba màu (ví dụ đỏ, xanh lá, xanh biển) Chi tiết, hai lược đồ màu tính tốn hai ảnh: sau đó, so sánh độ tương tự ảnh thực véc tơ màu p1 p2 11 Hình 1.3: Trích rút lược đồ màu sử dụng ba màu Tuy nhiên, cách tiếp cận chung thường xác định số biến màu lớn nhiều, ví dụ 64, 116 256 Trong tất trường hợp, để so sánh lược đồ ảnh khác (ví dụ p q), hàm khoảng cách không gian yêu cầu Các ví dụ liên quan hàm khoảng cách gồm dạng Lp L1 khoảng cách Manhattan, L2 dạng Euclidean, L độ đo cực đại accs phiên có trọng số chúng Chẳng hạn, khoảng cách Euclidean có trọng số là: W=(w1,w2, wD) véc tơ trọng số mà phản ánh quan trọng tương đối tọa độ không gian 12 Các khoảng cách Quadratic sử dụng để thi tương quan tọa độ khác véc tơ đặc trưng [Christos et al., 1994] Khoảng cách Quaratic xác định bằng: dẫn đến bề mặt ellipsoid có hướng khơng gian đặc trưng [Thomas et al., 1997] Lưu ý khoảng cách dạng Euclidean có trọng số “được quay” Khoảng cách Mahalanobis biết rộng rãi thu wi,j hệ số ma trận hiệp phương sai Một phương pháp biểu diễn màu thay mô men màu [Markus et al., 1995] Để khắc phục ảnh hưởng lượng hóa lược đồ màu, véc tơ chiều, gồm trung bình, phương sai, độ lệch thành phần sắc màu (hue), bão hòa (saturation), độ sáng (brightness) cho tất pixel, trích rút từ ảnh Trên véc tơ này, hàm khoảng cách Euclidean có trọng số khoảng cách Manhattan sử dụng để so sánh ảnh Các trọng số tỉ lệ nghịch với độ lệch chuẩn giá trị dọc theo chiều Độ xác mơ men màu chứng minh tốt nhiều lược đồ màu [Markus et al., 1995] Tra cứu ảnh biểu diễn kết cấu Các kết cấu mẫu xếp không gian pixel mà mô tả đầy đủ cường độ vùng đặc trưng màu [Arnold et al., 2000] Cách đơn giản để biểu diễn toàn cục thuộc tính kết cấu dựa vào thơng tin trích rút coarseness, contrast, direction [Myron et al., 1995] Một phương pháp mạnh để mô tả kết cấu ảnh theo cách tiếp cận lược đồ màu Đầu tiên, kết cấu ảnh phân rã thành băng tần số không gian, cách ngân hàng lọc sóng Sau đó, sinh kênh kết cấu sử dụng để sinh kênh cho băng tần Mặt ... này, tập trung nghiên cứu thuật toán phân cụm phổ, thuật toán phân cụm rút gọn chiều liệu hiệu Phương pháp phân cụm phổ phân cụm điểm sử dụng véc tơ riêng ma trận sinh liệu Phân cụm phổ thực hiệu... phải tra cứu sở liệu cực lớn Đó lý mà luận văn chọn đề tài: ? ?Nghiên cứu phương pháp tra cứu ảnh nhanh sử dụng phân cụm phổ? ?? Trong học có giám sát, người học cung cấp tập liệu gắn nhãn D = {(x,y)},... tài áp dụng thuật toán phân cụm phổ để phân cụm toàn sở liệu ảnh trước đưa vào tra cứu Nhiệm vụ luận văn nắm vững kiến thức tổng quan lĩnh vực xử lý ảnh, sâu nghiên cứu lĩnh vực tra cứu ảnh dựa