Nghiên cứu kĩ thuật sift trong trích trọn đặc trưng, xây dựng ứng dụng tìm kiếm ảnh

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THƠNG HỒNG HÀ HẢI NAM NGHIÊN CỨU KĨ THUẬT SIFT TRONG TRÍCH TRỌN ĐẶC TRƯNG, XÂY DỰNG ỨNG DỤNG TÌM KIẾM ẢNH LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thái Nguyên, 2018 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG HOÀNG HÀ HẢI NAM NGHIÊN CỨU KĨ THUẬT SIFT TRONG TRÍCH TRỌN ĐẶC TRƯNG, XÂY DỰNG ỨNG DỤNG TÌM KIẾM ẢNH Chuyên ngành: Khoa học máy tính Mã số: 480 101 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Người hướng dẫn khoa học: TS Vũ Vinh Quang Thái Nguyên, 2018 LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu Luận văn trung thực chưa cơng bố cơng trình khác Tơi xin cam đoan giúp đỡ cho việc thực Luận văn cảm ơn thơng tin trích dẫn Luận văn rõ nguồn gốc Thái Nguyên, ngày 26 tháng năm 2018 Tác giả luận văn Hoàng Hà Hải Nam i LỜI CẢM ƠN Trước hết, với lòng kính trọng biết ơn sâu sắc, xin gửi lời cảm ơn tới Tiến sĩ Vũ Vinh Quang – người tận tình hướng dẫn tơi suốt q trình tìm hiểu, nghiên cứu hồn thiện luận văn Tôi xin gửi lời cảm ơn chân thành tới Ban giám hiệu nhà trường thầy cô trực tiếp giảng dạy, giúp đỡ suốt thời gian học tập, nghiên cứu khoa học Cuối cùng, tơi xin gửi lời cảm ơn đến gia đình, người thân, bạn bè, đồng nghiệp giúp đỡ, tạo điều kiện thuận lợi cho suốt thời gian học tập hoàn thiện luận văn Thái Nguyên, ngày 26 tháng năm 2018 Tác giả luận văn Hồng Hà Hải Nam ii DANH MỤC CÁC HÌNH ẢNH Hình 1.1: Kiến trúc chung MMDBMS 10 Hình 1.2: Mơ hình hệ thống Tra cứu ảnh theo nội dung 16 Hình 2.1: Ví dụ hiển thị ảnh 21 Hình 2.2: Truy vấn Google “5D3” 23 Hình 2.3: Truy vấn Google “Apple” 23 Hình 2.4: Một số loại kết cấu 24 Hình 2.5: Một kết trả Google Image 25 Hình 2.6: Một kết trả Bing 25 Hình 2.7: Một kết trả Flickr Images Search 26 Hình 2.8: Biểu đồ mơ việc tính tốn DoG ảnh từ ảnh kề mờ 35 Hình 2.9: Mỗi điểm ảnh so sánh với 26 láng giềng 36 Hình 2.10: Số lượng mẫu tỷ lệ Octave 36 Hình 2.11: Quá trình lựa chọn điểm hấp dẫn 38 Hình 2.12: Biểu diễn vector đặc trưng 41 Bảng 2.13: Một số phương pháp lựa chọn đặc trưng 42 Hình 2.14: Mơ hình hệ thống IVFADCj; Hệ thống bên trái: chèn vector vào danh sách mục ngược; hệ thống bên phải: tìm kiếm k láng giềng gần 50 Hình 2.15: Mơ hình giải tốn 52 Hình 3.1: Tập liệu ảnh thử nghiệm 55 Hình 3.2: Người dùng chọn ảnh truy vấn 56 Hình 3.3: Đặc trưng SIFT ảnh trích chọn 57 Hình 3.4: 20 ảnh tương đồng với ảnh truy vấn 57 Hình 3.5: Kết trả với truy vấn IphoneX 58 Hình 3.6: Kết trả với truy vấn Apple 58 Hình 3.7: Một số kết truy vấn khác 59 iii DANH MỤC CÁC BẢNG BIỂU Bảng 1.1: Mơ tả kích thước kiểu liệu Bảng 3.1: Cấu hình phần cứng sử dụng thực nghiệm 54 Bảng 3.2: Công cụ phần mềm sử dụng thực nghiệm .54 Bảng 3.3: Một số thư viện sử dụng thực nghiệm 55 Bảng 3.4: Kết độ xác trung bình 10 truy vấn 60 iv DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Tiếng Anh Tiếng Việt AI Artificial intelligence Trí tuệ nhân tạo AR Augmented reality Tương tác thực ảo CSDL Database Cơ sở liệu DBMS Database Management System Hệ quản trị sở liệu IoT Internet of things Internet vạn vật Information Retrieval Hệ thống tự động truy tìm IR MIRS MMDBMS thơng tin Multimedia Indexing & Hệ thống mục truy tìm Retrieval System thông tin đa phương tiện Multimedia Database Hệ thống quản trị sở Management System liệu đa phương tiện MRI Magnetic Resonance Imaging VR Virtual reality WWW World Wide Web Thực tế ảo v MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC CÁC HÌNH ẢNH iii DANH MỤC CÁC BẢNG BIỂU iv DANH MỤC CÁC TỪ VIẾT TẮT v MỤC LỤC vi MỞ ĐẦU CHƯƠNG TỔNG QUAN VỀ CƠ SỞ DỮ LIỆU ĐA PHƯƠNG TIỆN 1.1 Tổng quan hệ quản trị sở liệu đa phương tiện 1.1.1 Giới thiệu 1.1.2 Các kiểu truyền .5 1.1.3 Hệ quản trị sở thơng liệu đa 1.1.4 Truy tìm thơng tin chung phương tài multimedia tiện (MMDBMS) liệu văn 1.1.5 Truy xuất multimedia số hoá 1.2 Kiến trúc tổ chức nội dung hệ thống sở liệu Multimedia 10 1.2.1 Kiến trúc hệ thống quản trị sở liệu đa phương tiện .10 1.2.2 Tổ chức liệu đa phương tiện sở nguyên lý thống .12 1.2.3 Cấu trúc tóm .14 tắt media 1.3 Tổng quan tra cứu ảnh 15 1.3.1 Mơ hình hệ thống 16 1.3.2 Một số hệ thống biểu 17 tra tra cứu cứu ảnh ảnh theo theo nội nội dung dung tiêu CHƯƠNG TRÍCH CHỌN ĐẶC TRƯNG ẢNH 20 vi 2.1 Tổng quan trích chọn đặc trưng ảnh 20 2.1.1 Đặc trưng văn kèm ảnh tìm kiếm ảnh theo văn kèm ảnh 20 2.1.2 Đặc trưng nội dung 23 dung ảnh tìm kiếm theo đặc trưng nội 2.2 Các phương pháp trích chọn đặc trưng ảnh độ đo tương đồng ảnh 26 2.2.1 Đặc trưng sắc 27 2.2.2 Đặc trưng kết .29 2.2.3 Đặc trưng dạng .30 vi màu cấu hình 2.2.4 Đặc trưng cục bất biến SIFT 31 2.2.5 Lựa chọn đặc trưng 42 2.3 Mơ hình k láng giềng gần sử dụng lượng tử hóa 44 2.3.1 Cơ sở lý thuyết 45 2.3.2 Thuật toán K láng giềng 50 2.3.3 Mơ hình tốn 51 CHƯƠNG THỰC NGHIỆM VÀ ĐÁNH GIÁ 54 3.1 Bài toán truy vấn ảnh 54 3.1.1 Phát biểu toán .54 3.1.2 Cách giải toán 54 3.2 Môi trường công cụ sử dụng cho thực nghiệm 54 3.2.1 Cấu hình phần cứng 54 3.2.2 Công cụ phần mềm sử dụng 54 3.2.3 Thư viện sử dụng 55 3.3 Xây dựng tập liệu ảnh 55 3.4 Quy trình, phương pháp thực nghiệm 56 3.5 Kết thực nghiệm 59 KẾT LUẬN 62 TÀI LIỆU THAM KHẢO 63 vii Mơ hình hệ thống IVFADC : Hình 2.14: Mơ hình hệ thống IVFADCj; Hệ thống bên trái: chèn vector vào danh sách mục ngược; hệ thống bên phải: tìm kiếm k láng giềng gần 2.3.2 Thuật toán K láng giềng Đây phương pháp truyền thống tiếng hướng tiếp cận dựa thống kê nghiên cứu nhận dạng mẫu Ý tưởng thuật tốn K láng giềng gần (KNN) so sánh độ phù hợp văn d với nhóm chủ đề, dựa k văn mẫu tập huấn luyện mà có độ tương tự với văn d lớn Khi cần phân loại văn mới, thuật tốn tính khoảng cách (khoảng cách Euclide, Cosine ) tất văn tập huấn luyện đến văn để tìm k văn “gần nhất” (gọi k “láng giềng”), sau dùng khoảng cách đánh trọng số cho tất chủ đề Trọng số chủ đề tổng tất khoảng cách văn k láng giềng có chủ đề, chủ đề khơng xuất k láng giềng có trọng số Sau chủ đề xếp theo mức độ trọng số giảm dần chủ đề có trọng số cao chọn chủ đề văn cần phân loại  Thuật toán K láng giềng Xác định giá trị tham số K (số láng giềng gần nhất) Tính khoảng cách đối tượng cần phân lớp với tất đối tượng training data (thường sử dụng khoảng cách Euclidean, Cosine…) Sắp xếp khoảng cách theo thứ tự tăng dần xác định k láng giềng gần với đối tượng cần phần lớp Lấy tất lớp k láng giềng gần xác định Dựa vào phần lớn lớp láng giềng gần để xác định lớp cho đối tượng 2.3.3 Mơ hình tốn Trong phần này, Luận văn trình bày hệ thống tìm kiếm K láng giềng gần sử dụng tính khoảng cách bất đối xứng danh sách mục ngược (IVFADC) Hervé Jégou cộng [3] Mơ hình tốn xây dựng dựa cách tính tốn khoảng cách bất đối xứng hệ thống kết hợp với độ đo tương đồng khoảng cách vector đặc trưng 2.3.3.1 Trích chọn đặc trưng ảnh Đặc trưng cục bất biến SIFT bất biến với việc thay đổi tỉ lệ ảnh, quay ảnh, đơi thay đổi điểm nhìn thêm nhiễu ảnh hay thay đổi cường độ chiếu sáng ảnh Các đặc trưng SIFT thường sử dụng nhận dạng tìm kiếm đối tượng Luận văn sử dụng đặc trưng SIFT toán tìm kiếm K láng giềng gần ứng dụng tìm kiếm ảnh sản phẩm Mỗi ảnh đặc trưng vector đặc trưng SIFT 128 chiều 2.3.3.2 Tìm kiếm K láng giềng gần Sau trích chọn đặc trưng ảnh, chúng tơi đưa mơ hình tìm kiếm K láng giềng gần dựa đặc trưng vừa trích chọn Mơ hình dựa phương pháp tìm kiếm K láng giềng gần sử dụng lượng tử hóa Hervé Jégou sử dụng phương pháp ADC kết hợp thêm độ đo khoảng cách Ơclit vector đặc trưng Mơ hình giải tốn: Hình 2.15: Mơ hình giải tốn Mơ hình tốn gồm giai đoạn chính: Giai đoạn 1-Tìm N ảnh tương đồng với ảnh truy vấn: Giai đoạn tiến hành việc trích chọn vector đặc trưng ảnh truy vấn ảnh sở liệu (vector đặc trưng SIFT), sau tìm top N ảnh tương đồng với ảnh truy vấn từ tập ảnh sở liệu theo phương pháp tìm kiếm sử dụng lượng tử hóa với phương pháp tính tốn khoảng cách bất đối xứng Các vector sở liệu lượng tử hóa tập vector truy vấn giữ nguyên Khoảng cách vector truy vấn vector sở liệu tính theo cơng thức (2.28) Tập N ảnh tương đồng trả theo độ đo khoảng cách vector truy vấn vector sở liệu Tập N ảnh đầu vào cho giai đoạn Giai đoạn -Tìm K láng giềng gần với ảnh truy vấn: Sau tiến hành trích chọn đặc trưng từ tập N ảnh tương đồng trả từ giai đoạn 1, tính tốn độ tương đồng ảnh truy vấn ảnh trả dựa độ đo Ơclit vector đặc trưng ảnh Khoảng cách Ơclit vector đặc trưng x y tính: (2.34) Tập K láng giềng gần với ảnh truy vấn trả dựa độ đo tương đồng Ảnh gần ảnh có độ khoảng cách vector đặc trưng với ảnh truy vấn ngắn * Tổng kết chương 2: Trong chương 2, Luận văn trình bày tóm tắt phương pháp trích chọn đặc trưng nội dung ảnh số độ đo tương đồng tương ứng với đặc trưng, số phương pháp lựa chọn đặc trưng để tối ưu hóa tập đặc trưng phương pháp tìm kiếm ảnh dựa vào nội dung kết hợp thuộc tính màu sắc, kết cấu, hình dạng phương pháp tìm kiếm ảnh với mẫu truy vấn phân vùng ảnh Chúng tập trung chủ yếu vào phương pháp tìm kiếm k láng giềng gần sử dụng lượng tử hóa, đồng thời đưa mơ hình tốn tìm kiếm k láng giềng gần dựa theo mơ hình sử dụng phương pháp tính khoảng cách bất đối xứng (ADC) kết hợp với độ đo tương đồng khoảng cách vector đặc trưng Trong chương 3, Luận văn trình bày mơ hình thử nghiệm toán, kết đạt nhận xét, đánh giá kết thực nghiệm CHƯƠNG THỰC NGHIỆM VÀ ĐÁNH GIÁ 3.1 Bài toán truy vấn ảnh 3.1.1 Phát biểu bài toán Cho trước tập liệu ảnh ảnh truy vấn Một người muốn thực truy vấn CSDL k ảnh gần giống với ảnh truy vấn 3.1.2 Cách giải bài toán Dựa vào sở lý thuyết mơ hình đề xuất chương 2, Luận văn tiến hành thực nghiệm việc trích chọn vector đặc trưng SIFT từ ảnh truy vấn ảnh sở liệu, áp dụng mơ hình k láng giềng gần với tập đặc trưng vừa trích chọn để tìm tập k ảnh gần với ảnh truy vấn - Đầu vào hệ thống: Một ảnh truy vấn người dùng nhập vào - Đầu hệ thống: Tập k ảnh gần với ảnh truy vấn 3.2 Môi trường công cụ sử dụng cho thực nghiệm 3.2.1 Cấu hình phần cứng Bảng 3.2: Cấu hình phần cứng sử dụng thực nghiệm Thành phần Chỉ số CPU Intel® Core™ i5-8305G Processor RAM 8GB OS WINDOWS 10 PRO 64bit Bộ nhớ 500GB 3.2.2 Công cụ phần mềm sử dụng Bảng 3.3: Công cụ phần mềm sử dụng thực nghiệm STT Tên phần mềm Matlab R2017b Nguồn http://www.mathworks.com/products/ 3.2.3 Thư viện sử dụng Bảng 3.4: Một số thư viện sử dụng thực nghiệm STT Tên phần mềm SiftDemoV4 Tác giả Nguồn David Lowe http://people.cs.ubc.ca/~lowe/keypoints/ 3.3 Xây dựng tập liệu ảnh Trong Luận văn này, thực nghiệm với hai tập liệu ảnh: - Tập liệu ảnh liên quan đến sản phẩm, sử dụng kết từ Flickr Google - Tập liệu ảnh thẻ học sinh khối 12 năm học 2017-2018 lấy từ trường THPT Gang Thép Thái Nguyên • Ảnh truy vấn: Do người dùng nhập vào • Tập ảnh sở liệu: Với truy vấn, tập diệu ảnh gồm 30 ảnh trộn từ tập ảnh Chúng tiến hành thu thập ảnh truy vấn text tương ứng với ảnh truy vấn từ Google Sau đó, bổ sung nhiễu ảnh thu thập từ Flickr theo truy vấn text tương ứng với ảnh truy vấn Hình 3.1: Tập liệu ảnh thử nghiệm • Tập ảnh trả về: Gồm k ảnh gần giống với ảnh truy vấn Các ảnh xếp giảm dần theo mức độ gần với truy vấn Thử nghiệm với giá trị k=10 3.4 Quy trình, phương pháp thực nghiệm Quy trình thực nghiệm tiến hành sau: Thực truy vấn: Người dùng nhập vào truy vấn dạng tên đường dẫn đầy đủ đến ảnh truy vấn Hình 3.2: Người dùng chọn ảnh truy vấn Trích chọn đặc trưng tìm kiếm k ảnh tương đồng nhất: Quá trình trải qua hai giai đoạn chính: Giai đoạn 1: Giai đoạn tiến hành trích chọn đặc trưng ảnh truy vấn ảnh sở liệu trả N ảnh tương đồng sử dụng lượng tử hóa với phương pháp ADC Tập đặc trưng SIFT sau trích chọn lưu dạng ma trận Nx128 với N số vector đặc trưng Sau đó, đặc trưng lượng tử hóa tính khoảng cách vector sử dụng phương pháp ADC N ảnh tương đồng trả dựa độ đo khoảng cách Hình 3.3: Đặc trưng SIFT ảnh trích chọn Trong đó, ảnh gần ảnh có khoảng cách nhỏ đến ảnh truy vấn N ảnh lấy làm đầu vào cho giai đoạn Hình 3.4: 20 ảnh tương đồng với ảnh truy vấn Giai đoạn 2: Giai đoạn nhận đầu vào N (N=20) ảnh tương đồng trả từ giai đoạn Sử dụng vector đặc trưng ảnh trích xuất giai đoạn để tính tốn khoảng cách cách Ơclit vector đặc trưng với vector đặc trưng ảnh truy vấn K ảnh gần với ảnh truy vấn trả theo khoảng cách tính, ảnh gần ảnh có khoảng cách ngắn đến truy vấn Một số kết thực nghiệm: Hình 3.5: Kết trả với truy vấn IphoneX Hình 3.6: Kết trả với truy vấn Apple Hình 3.7: Một số kết truy vấn khác 3.5 Kết thực nghiệm Chúng tơi sử dụng độ xác trung bình (Average Precision) để đánh giá kết xếp hạng hệ thống Giả sử ta có đối tượng là: a, b, c, d, e Trong a, b, c đối tượng phù hợp d, e đối tượng không phù hợp Một xếp hạng đối tượng cần đánh giá là: c, a, d, b, e Độ xác trung bình định nghĩa sau: (3.1) Trong đó: N số đối tượng xét P@K  Match @ K K (Match@K = số đối tượng phù hợp K vị trí đầu tiên) I(K) = đối tượng vị trí K, ngược lại I(K) = Ví dụ: P@1 = 1/1, P@2 = 2/2, P@3 = 2/3, P@4 = 3/4 Thì độ xác trung bình là: (3.2) Ngồi ra, chúng tơi sử dụng Mean Average Precision (MAP) để đánh giá hệ thống Giá trị trung bình m xếp hạng: (3.3) Chúng tơi thử nghiệm hệ thống với 10 truy vấn liệu thử nghiệm đánh giá kết trả 10 kết trả Kết độ xác trung bình cho 10 ảnh trả 10 truy vấn: Bảng 3.4: Kết độ xác trung bình 10 truy vấn STT Truy vấn AP IphoneX 0.875 Nvida 1060 6Gb 0.747 Canon 5D3 0.804 Rx470 0.737 Apple 0.885 Mac 0.869 Samsung S9 0.883 Ảnh thẻ 0.885 Dell Xps 17 0.746 10 Printer 0.753 * Tổng kết chương 3: Trong chương 3, chúng tơi trình bày mơ hình thực nghiệm hệ thống, công cụ, phần mềm, mã nguồn hệ thống sử dụng Luận văn trình bày trình tiến hành thực nghiệm, kết đạt hệ thống với 10 truy vấn số nhận xét độ xác hệ thống đạt Từ kết ban đầu đạt cho thấy tính khả thi đắn hệ thống KẾT LUẬN Sau thời gian làm việc, nghiên cứu hướng dẫn tận tình thầy giáo TS Vũ Vinh Quang, đạt kết sau đây: Luận văn tìm hiểu đặc trưng ảnh, bao gồm đặc trưng văn kèm ảnh đặc trưng nội dung ảnh Đồng thời, tìm hiểu phương pháp trích chọn đặc trưng nội dung ảnh số độ đo tương đồng tương ứng với đặc trưng Luận văn tìm hiểu số phương pháp tìm kiếm xếp hạng ảnh theo nội dung ảnh Dựa theo mơ hình tìm kiếm k láng giềng sử dụng lượng tử hóa Hervé Jégou cộng [3], đưa mô hình tìm kiếm k láng giềng gần sử dụng lượng tử hóa phương pháp tính khoảng cách bất đối xứng kết hợp với độ đo tương đồng vector đặc trưng Tiến hành thử nghiệm mơ hình với 10 truy vấn Kết có độ xác trung bình 80.4% cho 10 kết trả hệ thống 10 truy vấn Từ kết bước đầu cho thấy tính khả quan đắn mơ hình Một số vấn đề hạn chế hướng nghiên cứu tiếp theo: Do hạn chế mặt thời gian kiến thức sẵn có, Luận văn dừng lại mức thử nghiệm mơ hình đặc trưng SIFT ảnh với tập liệu nhỏ truy vấn phần mềm Matlab Trong thời gian tới, chúng tơi tiến hành thử nghiệm mơ hình với đặc trưng nội dung khác ảnh Đồng thời, có điều kiện, chúng tơi mở rộng tập liệu truy vấn nhiều miền khác nhau, cải tiến số bước SIFT nhằm cải thiện tốc độ từ xây dựng mơ hình tìm kiếm láng giềng gần theo nội dung ảnh hoàn thiện TÀI LIỆU THAM KHẢO TIẾNG VIỆT [1] Đặng Văn Đức (2003), Nguyên lý hệ thống sở liệu đa phương tiện, Trung tâm khoa học công nghệ Quốc gia, Viện Công nghệ thông tin [2] Đặng Văn Đức (2003-2005), Hệ quản trị sở liệu đa phương tiện, Viện khoa học công nghệ Việt Nam, Viện Công nghệ thông tin TIẾNG ANH [3] Hervé Jégou, Matthijs Douze, Cordelia Schmid(2009) Searching with quantization: approximate nearest neighbor search using short codes and distance estimators Technical Report RR-7020, INRIA [4] V Shiv Naga Prasad A.G Faheema, Subrata Rakshi(2002) Feature Selection Indian in Example-Based Image Retrieval Systems Conference on Vision Graphics and Image Processing [5] C V Jawahar, P J Narayanan, and S Rakshit(2000) A flexible scheme forrepresentation, matching, and retrieval of images ICVGIP 2000, pages 271-277 Allied Publishers Ltd., 2000 [6] W Jiang, G Er, Q Dai and J Gu (2006) Similarity-Based Online Feature Selection In Content-Based Image Retrieval IEEE Trans Image Processing, 15 (3), pp.702-712 [7] W Jiang M Li, H Zhang, J Gu (2004 Online feature Selection based on Generalized Feature Contrast Model IEEE International Conference on Multimedia and Expo(ICME) pp 1995-1998 [8] Tee Cheng Siew(2008) Feature selection for content-based image retrieval using statistical discriminant analysis PhD thesis Faculty of Computer Science and Information System Universiti Teknologi Malaysia 2008 [9] Dimitris Papadias, Nikos Mamoulis, Vasilis Delis (2011), Approximate Spatio-Temporal Retrieval, ACM Transactions on Information Systems, Vol 19, No.1, pp 53-96 [10] David Lowe, 1999, The SIFT (Scale Invariant Feature Transform) Detector and Descriptor, University of British Columbia [11] Brown M and Lowe D.G 2002, Invariant features from interest point groups, In The 13th British Machine Vision Conference, Cardiff University, UK WEBSITE: [12] https://www.inf.fu-erlin.de/lehre/SS09/CV/uebungen/uebung09/SIFT.pdf [13] http://www.aishack.in/tutorials/sift-scale-invariant-feature-transformfeatures/ [14] https://www.cse.iitb.ac.in/~ajitvr/CS763/SIFT.pdf [15] http://www.scholarpedia.org/article/Scale_Invariant_Feature_Transform [16] https://www.robots.ox.ac.uk/~vgg/research/affine/det_eval_files/lowe_ijcv2004.p df [17] http://eric-yuan.me/sift/ ... trên, chọn đề tài Nghiên cứu kĩ thuật SIFT trích trọn đặc trưng, xây dựng ứng dụng tìm kiếm ảnh Mục tiêu luận văn nghiên cứu đặc trưng SIFT để tối ưu hóa chất lượng tìm kiếm ảnh Nội dung luận... HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THƠNG HỒNG HÀ HẢI NAM NGHIÊN CỨU KĨ THUẬT SIFT TRONG TRÍCH TRỌN ĐẶC TRƯNG, XÂY DỰNG ỨNG DỤNG TÌM KIẾM ẢNH Chuyên ngành: Khoa học máy tính Mã số: 480 101 LUẬN... quan trích chọn đặc trưng ảnh 20 2.1.1 Đặc trưng văn kèm ảnh tìm kiếm ảnh theo văn kèm ảnh 20 2.1.2 Đặc trưng nội dung 23 dung ảnh tìm kiếm theo đặc trưng nội 2.2 Các phương pháp trích