MÔ HÌNH TRUY vấn ẢNH CHO VIỆC TRA cứu sản PHẨM loại tài liệu

MỤC LỤC MỤC LỤC LỜI CAM ĐOAN .5 LỜI CÁM ƠN .6 DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT .7 DANH MỤC CÁC BẢNG BIỂU .8 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .9 Chƣơng TỔNG QUAN 12 1.1 Giới thiệu .12 1.2 Bài toán truy vấn ảnh 13 1.3 1.4 1.5 1.2.1 Bài toán truy vấn ảnh tổng quát 13 1.2.2 Bài toán truy vấn ảnh theo nội dung cho tra cứu sản phẩm 13 Một số phương pháp truy vấn ảnh 14 1.3.1 Truy vấn theo lời thích (annotation, key words) 14 1.3.2 Truy vấn ảnh theo đối tượng (OBIR) 15 1.3.3 Truy vấn ảnh dựa nội dung (CBIR) .15 Một số hệ thống truy vấn ảnh dựa nội dung 16 1.4.1 Hệ thống QBIC (Query By Image Content) 16 1.4.2 Hệ thống VisualSeek WebSeek 16 1.4.3 Hệ thống PhotoBook .17 1.4.4 Hệ thống RetrievalWare 17 Xác định phạm vi đề tài 17 Chƣơng CÁC PHƢƠNG PHÁP TRÍCH CHỌN ĐẶC TRƢNG VÀ ĐÁNH GIÁ ĐỘ ĐO TƢƠNG ĐỒNG 18 2.1 Một số phương pháp trích chọn đặc trưng ảnh .18 2.1.1 2.1.1.1 Lược đồ Histogram .18 2.1.1.2 Vectơ liên kết màu 19 2.1.2 Ma trận đồng 19 2.1.2.2 Phép biến đổi Wavelet 20 2.1.2.3 Các đặc trưng lọc Gabor .20 2.1.2.4 Mẫu nhị phân cục .20 Trích chọn đặc trưng ảnh dựa hình dạng .21 2.1.3.1 Trích chọn đặc trưng theo lược đồ cạnh .21 2.1.3.2 Trích chọn đặc trưng theo vùng 21 2.1.4 2.3 Trích chọn đặc trưng ảnh dựa kết cấu 19 2.1.2.1 2.1.3 2.2 Trích chọn đặc trưng ảnh dựa màu sắc 18 Trích chọn đặc trưng sử dụng điểm đặc trưng (keypoints) 22 2.1.4.1 Đặc trưng cục bất biến SIFT 22 2.1.4.2 Đặc trưng SURF 23 Một số phương pháp đánh giá độ đo tương đồng 24 2.2.1 Khoảng cách Euclide 24 2.2.2 Khoảng cách Manhattan 24 2.2.3 Khoảng cách góc 25 2.2.4 Độ đo Cosin 25 Hướng tiếp cận đề xuất luận văn 25 Chƣơng TRÍCH CHỌN ĐẶC TRƢNG CỦA ẢNH CHO VIỆC TÌM KIẾM ẢNH SẢN PHẨM 28 3.1 Bài toán 28 3.2 Phương pháp đề xuất .28 3.2.1 3.3 3.4 Trích chọn đặc trưng SURF (Speeded-up Robust Features) 30 3.2.1.1 Ảnh tích phân 31 3.2.1.2 Phát Fast-Hessian 31 3.2.1.3 Mô tả đặc trưng SURF 36 3.2.1.4 So khớp đặc trưng 39 3.2.2 Trích chọn đặc trưng LBP (Local Binary Pattern) 39 3.2.3 Kết hợp đặc trưng SURF đặc trưng LBP 42 Kiểm chứng phương pháp đề xuất 43 3.3.1 Cơ sở liệu thực nghiệm 43 3.3.2 Kết 43 Kết luận 45 Chƣơng TRUY VẤN ẢNH DÙNG MƠ HÌNH K-LÁNG GIỀNG GẦN NHẤT SỬ DỤNG BỘ LƢỢNG TỬ HÓA 47 4.1 Bài toán 47 4.2 Mơ hình tìm kiếm K-Láng giềng gần sử dụng lượng tử hóa 48 4.3 4.2.1 Lượng tử hóa vectơ .48 4.2.2 Tìm kiếm sử dụng lượng tử hóa 49 Mơ hình truy vấn ảnh đề xuất .49 Chƣơng 5.1 5.2 KẾT QUẢ THỰC NGHIỆM 52 Thực nghiệm 52 5.1.1 Cơ sở liệu ảnh 52 5.1.2 Quá trình thực nghiệm 52 Kết đánh giá .53 5.3 Nhận xét 59 5.4 Một số kết tiêu biểu 60 Chƣơng KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 67 6.1 Kết luận 67 6.2 Hướng phát triển 68 DANH MỤC CÁC CƠNG TRÌNH LIÊN QUAN 69 TÀI LIỆU THAM KHẢO 70 PHỤ LỤC 74 Phụ lục 1: Tập sở liệu CalTech256 74 Phụ lục 2: Danh mục cơng trình liên quan .75 LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu thân Các số liệu, kết trình bày luận văn trung thực Các tư liệu sử dụng luận văn có nguồn gốc trích dẫn rõ ràng, đầy đủ Phan Thị Trinh LỜI CÁM ƠN Đầu tiên, xin chân thành cám ơn sâu sắc đến PGS.TS Lê Hoàng Thái, người trực tiếp hướng dẫn, tận tình bảo, giúp đỡ tơi hồn thành luận văn Tơi xin trân trọng cám ơn thầy- cô Trường Đại học Công nghệ Thông tin truyền đạt kiến thức, kinh nghiệm học tập quý báu phong phú cho suốt q trình học Xin cám ơn thầy cơ, anh chị bạn đồng nghiệp Khoa Công nghệ thông tin, trường Cao đẳng Công nghệ Thủ Đức giúp đỡ, tạo điều kiện tốt để tơi hồn thành luận văn Luận văn quà tri ân đến tất Chân thành cám ơn! TP Hồ Chí Minh, tháng 10 năm 2015 Phan Thị Trinh DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT Content-Based Image Retrieval (CBIR): Hệ thống truy vấn ảnh dựa nội dung K-Nearest Neighbor (K-NN): K - Láng giềng gần Local Binary Pattern (LBP): Mẫu nhị phân cục Object Based Image Retrieval (OBIR): Hệ thống truy vấn ảnh dựa vào đối tượng Scale-Invariant Feature Transform (SIFT): Đặc trưng SIFT Speeded-up Robust Features (SURF): Đặc trưng SURF DANH MỤC CÁC BẢNG BIỂU Bảng 3.1 So sánh độ xác trung bình phương pháp trích chọn đặc trưng 43 Bảng 3.2 So sánh thời gian thực phương pháp trích chọn đặc trưng 44 Bảng 5.1 Kết thực nghiệm truy vấn với loại sản phẩm 55 Bảng 5.2 Kết thực nghiệm 10 truy vấn ngẫu nhiên 57 Bảng 5.3 Bảng so sánh phương pháp truy vấn ảnh 58 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1 Ví dụ mơ hình truy vấn ảnh đơn giản 13 Hình 1.2 Minh họa hệ thống tra cứu sản phẩm sử dụng truy vấn ảnh dựa nội dung 14 Hình 1.3 Cấu trúc hệ thống truy vấn ảnh dựa nội dung 16 Hình 2.1 Mơ hình truy vấn ảnh đề xuất 27 Hình 3.1 Tính tổng cường độ pixel vùng ABCD sử dụng ảnh tích phân .31 Hình 3.2 Xấp xỉ đạo hàm bậc hàm Gaussian hộp lọc theo hướng x, y xy [2] 32 Hình 3.3 Thay lặp lặp lại việc giảm kích thước ảnh (hình trái), việc sử dụng ảnh tích phân cho phép tăng tỉ lệ lọc với chi phí khơng đổi (ảnh phải) [2] 33 Hình 3.4 Hộp lọc Dyy (hình trên) hộp lọc Dxy (hình dưới) với hai kích thước 9x9 15x15 [2] .34 Hình 3.5 Các điểm cực đại cực tiểu xác định cách so sánh điểm ảnh với 26 láng giềng [2] 35 Hình 3.6 Lọc Haar Wavelet để tính ảnh hưởng hai hướng x y Vùng tối có trọng số -1, vùng sáng +1 [2] .36 Hình 3.7 Vùng hình tròn xung quanh hướng đại diện cho điểm đặc trưng [2] 37 Hình 3.8 4x4 hình vng xung quanh điểm đặc trưng [2] .38 Hình 3.9 Hình minh họa trích chọn đặc trưng SURF Ảnh trái ảnh đầu vào Ảnh bên phải ảnh sau trích chọn điểm đặc trưng 38 Hình 3.10 Ví dụ tính tốn LBP [16] 39 Hình 3.11 Minh họa tốn tử LBP mở rộng với giá trị P R khác Giá trị pixel nội suy cho điểm không nằm tâm pixel [17] 40 Hình 3.12 Từ trái sang phải, mẫu vân bản: điểm chấm, điểm chấm nhạt, điểm cuối đường thẳng, biên cạnh, góc phát LBPu [17] 41 Hình 3.13 Từ trái sang phải, từ xuống dưới: ảnh gốc, ảnh xám, ảnh LBP bản, ảnh LBP đồng 41 Hình 3.14 Minh họa q trình rút trích đặc trưng SURT_LBP ảnh 42 Hình 3.15 Đồ thị so sánh độ xác trung bình phương pháp rút trích đặc trưng 44 Hình 3.16 Đồ thị so sánh thời gian thực trung bình phương pháp rút trích đặc trưng 45 Hình 3.17 Sơ đồ minh họa phương pháp trích chọn đặc trưng SURF_LBP 46 Hình 4.1 Mơ hình truy vấn ảnh đề xuất 50 Hình 5.1 Hình minh họa ảnh tập sở liệu ảnh truy vấn 52 Hình 5.2 Kết truy vấn loại sản phẩm Top-5, Top-10, Top-15 56 Hình 5.3 Kết truy vấn ngẫu nhiên Top-5, Top-10, Top-15 .58 Hình 5.4 Kết so sánh phương pháp truy vấn ảnh tập CalTech256 .59 Hình 5.5 Kết truy vấn ca Top-15 với phương pháp sử dụng đặc trưng kết hợp SURF_LBP 60 Hình 5.6 Kết truy vấn đồng hồ Top-15 với phương pháp sử dụng đặc trưng kết hợp SURF_LBP 61 Hình 5.7 Kết truy vấn gấu bơng Top-15 với phương pháp sử dụng đặc trưng kết hợp SURF_LBP 62 Hình 5.8 Kết truy vấn áo thun Top-15 với phương pháp sử dụng đặc trưng kết hợp SURF_LBP 63 Hình 5.9 Kết truy vấn ba lô Top-15 với phương pháp sử dụng đặc trưng kết hợp SURF_LBP 64 Hình 5.10 Kết truy vấn giày Top-10 với phương pháp sử dụng đặc trưng kết hợp SURF_LBP 65 10 Chương – Kết thực nghiệm Hình 5.6 Kết truy vấn đồng hồ Top-15 với phƣơng pháp sử dụng đặc trƣng kết hợp SURF_LBP 61 Chương – Kết thực nghiệm Hình 5.7 Kết truy vấn gấu Top-15 với phƣơng pháp sử dụng đặc trƣng kết hợp SURF_LBP 62 Chương – Kết thực nghiệm Hình 5.8 Kết truy vấn áo thun Top-15 với phƣơng pháp sử dụng đặc trƣng kết hợp SURF_LBP 63 Chương – Kết thực nghiệm Hình 5.9 Kết truy vấn ba lơ Top-15 với phƣơng pháp sử dụng đặc trƣng kết hợp SURF_LBP 64 Chương – Kết thực nghiệm Hình 5.10 Kết truy vấn giày Top-10 với phƣơng pháp sử dụng đặc trƣng kết hợp SURF_LBP 65 Chương – Kết thực nghiệm Hình 5.11 Kết truy vấn máy DVD Top-10 với phƣơng pháp sử dụng đặc trƣng kết hợp SURF_LBP 66 Chương – Kết luận hướng phát triển Chƣơng KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 6.1 Kết luận Luận văn tiến hành nghiên cứu đề xuất mơ hình truy vấn ảnh cho việc tìm kiếm ảnh sản phẩm phương pháp kết hợp đặc trưng SURF đặc trưng LBP Luận văn đề xuất hướng tiếp cận sử dụng đặc trưng kết hợp để nâng cao hiệu đồng thời đảm bảo thời gian thực cho tốn tìm kiếm ảnh sản phẩm Tính khoa học luận văn thể qua phương pháp đề xuất luận văn sau: - Đề xuất phương pháp trích chọn đặc trưng kết hợp điểm đặc trưng SURF đặc trưng LBP thành vectơ đặc trưng kết hợp SURF_LBP để trích chọn tốt đặc tính đối tượng ảnh - Xây dựng lượng tử hóa thuật tốn K-Means để gom cụm vectơ đặc trưng kết hợp SURF_LBP trọng tâm ci codebook giúp thu hẹp phạm vi tìm kiếm, giảm chi phí tính tốn - Sử dụng tìm kiếm K – Láng giềng gần sử dụng lượng tử hóa kết hợp đánh giá độ đo tương đồng (khoảng cách Euclide) để tăng tốc độ truy vấn hệ thống Hiện nay, với đời cạnh tranh nhiều hệ thống truy vấn ảnh, người dùng khơng u cầu ứng dụng có độ xác cao mà u cầu thời gian thực phải nhanh Qua kết thực nghiệm chương chương 5, nhận thấy mô hình đề xuất luận văn đáp ứng nhu cầu Vì sử dụng đặc trưng kết hợp SURF_LBP K – Láng giềng gần dùng lượng tử hóa cho kết truy vấn với độ xác tốt, đồng thời vượt trội thời gian truy vấn so với đặc trưng SIFT Mơ hình thích hợp cho tốn có u cầu tính tốn thời gian thực ứng dụng truy vấn ảnh di động Như vậy, mô hình đề xuất luận văn hồn tồn có tính khả thi 67 Chương – Kết luận hướng phát triển 6.2 Hƣớng phát triển Chúng nhận thấy luận văn hạn chế định, chúng tơi đưa định hướng nghiên cứu để ngày hồn thiện việc truy vấn ảnh sản phẩm - Cần hoàn thiện ứng dụng tra cứu sản phẩm tìm hiểu thêm phương pháp tối ưu - Cần kết hợp phương pháp với cách linh động hiệu - Hiện ứng dụng phát triển desktop, tiếp tục nghiên cứu cho ứng dụng mobile cho phép tra cứu qua mạng để đâu người dùng có thơng tin sản phẩm mà quan tâm 68 DANH MỤC CÁC CƠNG TRÌNH LIÊN QUAN (Xem thêm phụ lục 2) Trinh Thi Phan, Thai-Nguyen Do Nguyen, Thai Hoang Le (2016), “Product Image Search by Content-based Image Retrieval Model using Keypoints and Local Binary Pattern”, International Conference on Information and Convergence Technology for Smart Society, Ho Chi Minh City, Vietnam, 1921, January 2016 69 TÀI LIỆU THAM KHẢO Abdelkhalak Bahri and Hamid Zouaki (2013), “A SURF-Color Moments For Images Retrieval Based On Bag-Of Features”, European Journal of Computer Science and Information Technology, Vol.1 (1), pp.11-22 Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc VanGool (2008), “SURF: Speeded Up Robust Features”, Computer Vision and Image Understanding (CVIU), Vol 110 (3), pp 346-359 Caltech256 dataset (2007), http://www.vision.caltech.edu/Image_Datasets/Caltech256/ Rishav Chakravarti, Xiannong Meng (2009), “A Study of Color Histogram Based Image Retrieval”, 2009 Sixth International Conference on Information Technology: New Generation Jiawei Han, Micheline Kamber, Jian Pei (2012), 3rd Editor Data mining Concepts and Techniques, Morgan Kaufmann Publishers Kamarul Hawari Ghazali (2007), “Feature Extraction technique using SIFT keypoints descriptors”, The International Conference on Electrical and Engineering and Informatics Chesti Altaff Hussain, D Venkata Rao, T Praveen (2013), “Color Histogram Based Image Retrieval”, International Journal of Advanced Engineering Technology, Vol 3, pp 63-66 C.V Jawahar, P.J Narayanan, and S Rakshit (2000), “A flexible scheme for representation, matching, and retrieval of images”, Indian conference on Computer Vision, Graphics and Image Processing, pp 271 –277 Hervé Jégou, Matthijs Douze, Cordelia Schmi (2010), “Product quantization for nearest neighbor search”, IEEE Transactions on Pattern Analysis & Machine Intelligence, Vol.33 (1), pp 117-128 10 Yu-Gang Jiang, Qi Dai, Jun Wang, Chong-Wah Ngo, Xiangyang Xue and Shih-Fu Chang (2012), “Fast Semantic Diffusion for Large-Scale Context- 70 Based Image and Video Annotation”, IEEE Transactions on Image Processing, Vol 21 (6), pp 3080 – 3091 11 Mamta Kamath, Disha Punjabi, Tejal Sabnis, Divya Upadhyay, Seema Shrawne (2012), “Improving Content Based Image Retrieval using Scale Invariant Feature Transform”, International Journal of Engineering and Advanced Technology (IJEAT), Vol 1, pp.19 – 21 12 Shraddha Kumar, Shweta Singhal, Ankita Sharma (2012), “Radial Basis Function used in CBIR for SIFT Features”, International Journal of Advanced Research in Computer Science and Software Engineering, Vol (4) 13 Bin Li, Xiangwei Kong, Zhe Wang, Haiyan Fu (2009), “SIFT-Based Image Retrieval Combining the Distance Measure of Global Image and Sub-Image”, Fifth International Conference on Intelligent Information Hiding and Multimedia Signal Processing, ISBN 978-0-7695-3762-7, pp 706 – 709 14 D.G Lowe (2004), “Distinctive image features from scale-invariant keypoints”, International Journal of Computer Vision (IJCV), Vol 60 (2), pp 91-110 15 Christopher D Manning, Prabhakar Raghavan and Hinrich Schütze (2009), Chapter 8: Evaluation in information retrieval, Introduction to Information Retrieval, Cambridge University Press 16 D.T Ojala, M.Pietikäinen, and D.Harwood (1996), “A comparative study of texture measures with classification based on featured distributions”, Pattern Recognition, Vol 29, pp 51–59 17 D.T Ojala, M Pietikäinen, and T Maenpaa (2002), “Multiresolution gray scale and rotation invariant texture classification with local binary patterns”, IEEE Trans on PAMI, Vol 24, pp 971-987 18 V Shiv Naga Prasad, A.G Faheema, Subrata Rakshi (2002), “Feature Selection in Example-Based Image Retrieval Systems”, Indian Conference on Vision Graphics and Image Processing 71 19 G Qian, S Sural, Y Gu, and S Pramanik (2004), “Similarity between Euclidean and cosine angle distance for nearest neighbor queries”, Proceedings of ACM Symposium on Applied Computing, Vol 12 (22), pp 1232-1237 20 I Felci Rajam and S Valli (2012), “Content-Based Image Retrieval Using a Quick SVM-Binary Decision Tree – QSVMBDT”, Springer Communications in Computer and Information Science, Vol 205, pp 11-22 21 M.H Rahman, M.R Pickering, M.R Frater (2011), “Scale and Rotation Invariant Gabor Features for Texture Retrieval”, IEEE International Conference on Digital Image Computing Techniques and Applications (DICTA), pp 602-607 22 M.H Rahman, M.R Pickering, M.R Frater, D Kerr (2012), “Texture feature extraction method for scale and rotation invariant image retrieval”, Electronics Letters, Vol.48 (11), pp 626 – 627 23 Reza Ravani, Mohamad Reza Mirali, Maryam Baniasadi (2010), “Parallel CBIR System Based on Color Coherence Vector”, IWSSIP 2010 - 17th International Conference on Systems, Signals and Image Processing, pp 518521 24 S Selvarajah and S.R Kodituwakku (2011), “Analysis and Comparison of Texture Features for Content Based Image Retrieval”, International Journal of Latest Trends in Computing, Vol (1), pp 108 – 113 25 S Neetu Sharma, S Paresh Rawat and S Jaikaran Singh (2011), “Efficient CBIR Using Color Histogram Processing”, Signal & Image Processing: An International Journal(SIPIJ), Vol.2 (1), pp 94-112 26 X Shen, Z Lin, J Brandt, S Avidan, Y Wu (2012), “Object retrieval and localization with spatially-constrained similarity measure and k-NN reranking”, IEEE Conference on Computer Vision and Pattern Recognition (2012) 72 27 X Shen, Z Lin, J Brandt, S Avidan, Y Wu (2012), “Mobile Product Image Search by Automatic Query Object Extraction”, 12th European Conference on Computer Vision, Florence, Italy, pp 114-127 28 Ja-Hwung Su, Wei-Jyun Huang, Philip S Yu, Fellow, and Vincent S Tseng (2011), “Efficient Relevance Feedback for Content-Based Image Retrieval by Mining User Navigation Patterns”, IEEE Transactions on Knowledge and Data Engineering, Vol 23 (3), pp 360-372 29 Satish Tunga, D Jayadevappa, and C Gururaj (2015), “A Comparative Study of Content Based Image Retrieval Trends and Approaches”, International Journal of Image Processing (IJIP), Vol (3), pp 127-155 30 O.A.Vatamanu, M Frandes, M Ionescu, S Apostol (2013), “Content-Based Image Retrieval using Local Binary Pattern, Intensity Histogram and Color Coherence Vector”, IEEE E-Health and Bioengineering Conference (EHB), ISBN 978-1-4799-2372-4, pp – 31 K Velmurugan, S Santhosh Baboo (2011), “Content - Based Image Retrieval using SURF and Colour Moments” Global Journal of Computer Science and Technology, Vol 11 (10) 32 P Viola, M Jones (2001), “Rapid object detection using a boosted cascade of simple features”, Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Vol 1, pp 511-518 33 Xing-yuan Wang, Zhi-feng Chen, Jiao-jiao Yun (2012), “An effective method for color image retrieval based on Texture”, Computer Standards & Interfaces, Vol 34 (1), pp 31-35 34 Lining Zhang, Lipo Wang and Weisi Lin (2012), “Generalized Biased Discriminant Analysis for Content-Based Image Retrieval”, IEEE Transactions on Systems, Man, and Cybernetics—Part B: Cybernetics, Vol 42 (1), pp 282-290 73 PHỤ LỤC Phụ lục 1: Tập sở liệu CalTech256 Tập sở liệu CalTech256 Gregory Griffin, Alex Holub Pietro Perona tạo vào năm 2007 [3] Tập CalTech256 gồm 30607 ảnh 256 loại đối tượng Hình PL.1 Một vài hình ảnh minh họa từ tập liệu ảnh CalTech256 74 Phụ lục 2: Danh mục cơng trình liên quan Trinh Thi Phan, Thai-Nguyen Do Nguyen, Thai Hoang Le (2016), “Product Image Search by Content-based Image Retrieval Model using Keypoints and Local Binary Pattern”, International Conference on Information and Convergence Technology for Smart Society, Ho Chi Minh City, Vietnam, 19-21, January 2016 75 ... CSDL ảnh Hệ thống Yêu cầu truy Nhập vào vấn ảnh truy vấn ảnh Xuất Tập ảnh kết CSDL ảnh Hình 1.1 Ví dụ mơ hình truy vấn ảnh đơn giản 1.2.2 Bài toán truy vấn ảnh theo nội dung cho tra cứu sản phẩm. .. thống tra cứu sản Xuất Kết phẩm sử dụng truy vấn ảnh dựa nội dung CSDL ảnh sản phẩm Hình 1.2 Minh họa hệ thống tra cứu sản phẩm sử dụng truy vấn ảnh dựa nội dung 1.3 Một số phƣơng pháp truy vấn ảnh. .. sản phẩm Bài toán truy vấn ảnh cho tra cứu sản phẩm yêu cầu sau:  Nhập (Input): Ảnh truy vấn (Query Image), cụ thể ảnh sản phẩm  Xuất (Output): Kết ảnh loại ảnh cần truy vấn 13 Chương – Tổng