3.6 Biểu diễn IDB bằng các quan hệ Bất kỳ một CSDL ảnh IDB=(GI, Prop, Rec) nào đều có thể biểu diễn bằng mô hình quan hệ như sau: 1. Hãy tạo lập quan hệ gọi là images với lược đồ (Image, ObjId, XLB, XUB, YLB, YUB) trong đó, Image là tên tệp ảnh; ObjId tên giả, tạo ra cho đối tượng chứa trong ảnh; và XLB, XUB, YLB, YUB mô tả chữ nhật. Nếu R là chữ nhật xác định bởi XLB, XUB, YLB, YUB và R nằm trong Rec(I), thì tồn tại bộ: (I, newid, XLB, XUB, YLB, YUB) trong quan hệ images. Hình 3.11 chỉ ra quan hệ images kết hợp với CSDL ảnh mặt người trong hình 3.1. (Chú ý rằng việc tạo ra quan hệ images được thực hiện bằng ứng dụng các phương pháp phân đoạn và các kỹ thuật khớp ảnh (matching) trong xử lý ảnh). Image ObjId XLB XUB YLB YUB pic1.gif o 1 10 60 5 50 pic1.gif o 2 80 120 20 55 pic2.gif o 3 20 65 20 75 pic3.gif o 4 25 75 10 60 pic4.gif o 5 20 60 30 80 pic5.gif o 6 0 40 15 50 pic6.gif o 7 20 75 15 80 pic6.gif o 8 20 70 130 185 pic7.gif o 9 15 70 15 75 Hình 3.11 2. Với mỗi đặc tính pÎProp, hãy tạo quan hệ R p có lược đồ sau (Image, XLB, XUB, YLB, YUB, Value) trong đó, Image là tên tệp ảnh. Không như trường hợp trên, ở đây XLB, XUB, YLB và YUB chỉ ra tế bào chữ nhật trong ảnh, và Value chỉ ra giá trị của đặc tính p. Tổng thể thì ảnh có ba loại đặc tính sau: 1. Đặc tính mức pixel: Đề cập đến các đặc tính như màu RGB của từng điểm ảnh. 2. Đặc tính mức vùng/đối tượng: Một số đối tượng trong ảnh có đặc tính riêng. Thí dụ, đối tượng o 1 của pic1.gif có đặc tính NAME và AGE, tương ứng với các giá trị ”Hatch, Jim” và 31. 3. Các đặc tính mức ảnh: Các đặc tính này là của toàn bộ ảnh như ảnh được chụp khi nào và ở đâu, ai chụp, loại thiết bị chụp, ai được phép xâm nhập Tóm lại, cho trước đặc tính p bất kỳ, ta có thể biểu diễn nó như quan hệ Rp. Tuy nhiên, trong thực tế, việc biểu diễn mỗi giá trị pixel như bộ trong quan hệ là không thể. Thay vì đó, ta chỉ biểu diễn đơn thuần các đặc tính mức ảnh, đối tượng/vùng như các quan hệ và không biểu diễn các đặc tính mức pixel. 3.6.1 Truy vấn biểu diễn quan hệ trong IDB Nếu dữ liệu ảnh được lưu trữ trong khuôn mẫu quan hệ, thì phải có khả năng sử dụng SQL để truy vấn trực tiếp các quan hệ này. Hãy xem xét thí dụ truy vấn đơn giản sau “tìm các ảnh có Jim Hatch” và khảo sát tại sao áp dụng thẳng SQL là không thích hợp. Truy vấn này có thể viết như sau đây: SELECT image FROM images I, name N WHERE I.objid=N.objid AND N.name=”Jim Hatch” Không may là truy vấn trên đây không thực hiện đầy đủ như mong muốn. Trong hầu hết các ứng dụng cỡ lớn, việc suy luận ra nội dung ảnh thường được thực hiện bởi các giải thuật xử lý ảnh như đã mô tả tóm tắt trong các phần trước. Cho đến bây giờ, ta chú ý rằng, các giải thuật xử lý ảnh thông thường chỉ đúng đắn một phần. Như vậy, nếu đặc tính NAME kết hợp với ảnh mà được xác định bởi chương trình xử lý ảnh, thì ta còn phải giả sử rằng các quan hệ này chứa các thuộc tính xác suất. Để khái quát, ta cho rằng mỗi đối tượng có giá trị kết hợp với mỗi đặc tính pÎProp. Như vậy, mỗi quan hệ R p kết hợp với đặc tính mức đối tượng/vùng cũng như các đặc tính mức ảnh chỉ có hai thuộc tính: id của đối tượng (vùng) và giá trị cho đặc tính. Do vậy, khi trở lại thí dụ trong hình 3.1 thì quan hệ NAME sẽ có khuôn dạng sau: ObjId Name o 1 Jim Hatch o 2 John Lee o 3 John Lee o 4 Jim Hatch o 5 Bill Bosco o 6 Dave Dashell o 7 Ken Yip o 8 Bill Bosco o 9 Ken Yip Sự cần thiết của xác suất Một chương trình xử lý ảnh mà đang cố gắng nhận dạng con người trong các ảnh theo dõi, có thể cho lại nhiều câu trả lời với xác suất khớp ảnh (match) khác nhau. Thí dụ, hai đối tượng ảnh được nhận dạng là “Jim Hatch” có thể có một vài thuộc tính xác suất kết hợp với khớp ảnh. Do vậy, quan hệ name cần phải được mở rộng để chứa thuộc tính xác suất này. ObjId Name Prob o 1 Jim Hatch 0.8 o 1 Dave Fox 0.2 o 2 John Lee 0.75 o 2 Ken Yip 0.15 o 3 John Lee 1 o 4 Jim Hatch 1 o 5 Bill Bosco 1 o 6 Dave Dashell 1 o 7 Ken Yip 0.7 o 7 John Lee 0.3 o 8 Bill Bosco 0.6 o 8 Dave Dashell 0.2 o 8 Jim Hatch 0.10 o 9 Ken Yip 1 Chú ý rằng quan hệ xác suất trên đây cho thấy rằng chúng ta đã gắn xác suất với các bộ (tuples). Có thể đọc các bộ trong quan hệ trên đây như sau. Với bộ thứ nhất: Xác suất mà Jim Hatch là thuộc tính tên của o 1 là 0.8. Với đối tượng o 2 : 1. Xác suất mà John Lee là thuộc tính tên của o 2 là 0.75. 2. Xác suất mà Ken Yip là thuộc tính tên của o 2 là 0.15. 3. Trong trường hợp này thiếu 10% xác suất. Hãy xem xét truy vấn phức tạp hơn, thí dụ dưới dạng “Tìm ảnh chứa cả Jim Hatch và Ken Yip”. Trong trường hợp này, có hai ảnh là ứng viên kết quả: pic1.gif và pic6.gif. Tại sao lại cả hai là ứng viên? 1. Ảnh pic1.gif có hai đối tượng o 1 và o 2 , có khoảng 80% xác suất o 1 là Jim Hatch và 15% xác suất o 2 là Ken Yip. Do vậy ảnh này có thể là ứng viên. 2. Ảnh pic6.gif có hai đối tượng o 7 và o 8 , có khoảng 70% xác suất o 7 là Ken Yip và 10% xác suất o 8 là Jim Hatch. Do vậy ảnh này có thể là ứng viên. Các câu hỏi đặt ra bây giờ là: 1. Tìm xác suất của pic1.gif chứa cả Jim Hatch và Ken Yip? Câu trả lời có phải là tích của hai xác suất, 0.8x0.15=0.12? 2. Tìm xác suất của pic6.gif chứa cả Jim Hatch và Ken Yip? Câu trả lời có phải là tích của hai xác suất, 0.7x0.1=0.07? Giả sử rằng câu trả lời cho các câu hỏi trên đây là đúng. Nhưng vấn đề không phải đơn giản như vậy. Hãy khảo sát ảnh pic8.gif với hai đối tượng o 10 và o 11 , bảng trên đây được mở rộng bằng chèn thêm hai bộ được nhận biết từ giải thuật xử lý ảnh như sau: ObjId Name Prob o 10 Ken Yip 0.5 o 10 Jim Hatch 0.4 o 11 Jim Hatch 0.8 o 11 John Lee 0.1 Nếu chúng ta không biết về sự phụ thuộc của các kết quả khác nhau (như trường hợp trên đây) thì ta phải đối mặt với 4 khả năng sau: · Khả năng 1: o 10 là Ken Yip và o 11 là Jim Hatch. · Khả năng 2: o 10 là Ken Yip và o 11 không phải là Jim Hatch. · Khả năng 3: o 10 không phải là Ken Yip nhưng o 11 là Jim Hatch. · Khả năng 4: o 10 không phải là Ken Yip, và o 11 không phải là Jim Hatch. Sử dụng dữ liệu xác suất trong bảng trên ta có thể ước lượng bốn khả năng liệt kê trên đây và tìm ra xác suất cho mỗi khả năng này. Vì các khả năng từ 1 đến 4 là không tương thích nhau, xác suất mà pic8.gif là câu trả lời truy vấn giống với tổng các xác suất của khả năng 1. Gọi p i là xác suất của khả năng i, 1£ i £ 4. Sau đó ta có thể phát biểu: p 1 +p 2 = 0.5 p 3 +p 4 = 0.5 p 1 +p 3 = 0.8 p 2 +p 4 = 0.2 p 1 +p 2 +p 3 +p 4 = 1 Phương trình thứ nhất từ sự thật rằng o 10 là Ken Yip theo khả năng 1 và 2, và từ bảng ta có xác suất của o 10 (là Ken Yip) là 0.5. Phương trình thứ 2 từ sự thật rằng o 10 là ai đó không phải là Ken Yip theo các khả năng 3 và 4, và từ bảng ta biết rằng xác suất của o 10 (không phải là Ken Yip) là 0.5. Phương trình thứ 3 từ sự thật rằng o 11 là Jim Hatch theo các khả năng 1 và 3, và từ bảng trên ta biết rằng xác suất của o 11 (là Jim Hatch) là 0.8. . Image là tên tệp ảnh. Không như trường hợp trên, ở đây XLB, XUB, YLB và YUB chỉ ra tế bào chữ nhật trong ảnh, và Value chỉ ra giá trị của đặc tính p. Tổng thể thì ảnh có ba loại đặc tính sau:. kết hợp với ảnh mà được xác định bởi chương trình xử lý ảnh, thì ta còn phải giả sử rằng các quan hệ này chứa các thuộc tính xác suất. Để khái quát, ta cho rằng mỗi đối tượng có giá trị kết hợp. o 2 là 0.15. 3. Trong trường hợp này thiếu 10% xác suất. Hãy xem xét truy vấn phức tạp hơn, thí dụ dưới dạng “Tìm ảnh chứa cả Jim Hatch và Ken Yip”. Trong trường hợp này, có hai ảnh là ứng viên