Đánh giá các phương pháp tìm kiếm ảnh dựa trên nội dung

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ VŨ THỊ HỒNG NHUNG ĐÁNH GIÁ CÁC PHƢƠNG PHÁP TÌM KIẾM ẢNH DỰA TRÊN NỘI DUNG LUẬN VĂN THẠC SĨ NGÀNH CÔNG NGHỆ THÔNG TIN Hà Nội, năm 2013 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ VŨ THỊ HỒNG NHUNG ĐÁNH GIÁ CÁC PHƢƠNG PHÁP TÌM KIẾM ẢNH DỰA TRÊN NỘI DUNG Ngành: Cơng nghệ thông tin Chuyên ngành: Hệ thống thông tin Mã ngành: 60 48 05 LUẬN VĂN THẠC SĨ NGÀNH CÔNG NGHỆ THÔNG TIN NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS TS LƢƠNG CHI MAI Hà Nội, năm 2013 VIETNAM NATIONAL UNIVERSITY, HANOI UNIVERSITY OF ENGINEERING AND TECHNOLOGY VU THI HONG NHUNG EVALUATING SEVERAL CONTENT-BASED IMAGE RETRIEVAL METHODS Department: Information Technology Major: Information System Major code: 60 48 05 MASTER THESIS IN INFORMATION TECHNOLOGY SUPPERVISION: ASSOC PROF PHD LUONG CHI MAI Hanoi, 2013 MỤC LỤC MỞ ĐẦU _1 Giới thiệu toán Mục tiêu nghiên cứu Bố cục luận văn CHƯƠNG GIỚI THIỆU 1.1 Tìm kiếm ảnh dựa nội dung 1.2 Ứng dụng tìm kiếm ảnh dựa nội dung 1.3 Các đặc trưng thường dùng tìm kiếm ảnh theo nội dung 1.4 Độ tương tự 12 1.5 Đánh giá kết tìm kiếm _ 13 1.6 Kết luận _ 14 CHƯƠNG MỘT SỐ PHƯƠNG PHÁP TÌM KIẾM DỰA TRÊN ẢNH TRONG VỊNG MƯỜI NĂM 15 2.1 Phương pháp lược đồ màu _ 15 2.2 Dựa túi từ BOW _ 16 2.3 Dựa không gian 16 2.4 Ứng dụng tổng hợp hoàn thiện ảnh _ 18 2.5 Ứng dụng phân tích ảnh 19 2.6 Kết luận _ 19 CHƯƠNG TÌM KIẾM DỰA TRÊN LƯỢC ĐỒ MÀU VỚI ẢNH PHÁC THẢO 20 3.1 Giới thiệu 20 3.2 Phương pháp Swain Ballard 1991 21 3.3 Phương pháp 23 3.4 Thử nghiệm 24 3.5 Kết luận _ 41 CHƯƠNG TÌM KIẾM DỰA TRÊN LƯỢC ĐỒ KHÁI NIỆM 43 4.1 Giới thiệu 43 4.2 Các phương pháp dựa lược đồ điểm đặc trưng 44 4.3 Giao diện truy vấn _ 45 4.4 Phương pháp so sánh lược đồ 45 4.5 Hệ thống tìm kiếm dựa khái niệm 46 4.6 Thử nghiệm 48 4.7 Kết luận _ 50 CHƯƠNG CHƯƠNG TRÌNH THỬ NGHIỆM _52 5.1 Giới thiệu chương trình _ 52 5.2 Cấu hình hệ thống 52 5.3 Bộ liệu thử nghiệm _ 52 5.4 Hướng dẫn cài đặt 53 5.5 Chương trình thử nghiệm với phương pháp tìm kiếm dựa lược đồ màu 54 5.6 Chương trình thử nghiệm với phương pháp tìm kiếm dựa lược đồ khái niệm 56 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 59 Kết đạt luận văn _ 59 Hướng phát triển 59 TÀI LIỆU THAM KHẢO _61 Tài liệu tiếng Anh _ 61 Tài liệu tiếng Việt _ 63 DANH MỤC CÁC THUẬT TỐN, CƠNG THỨC Cơng thức 1.1 Cơng thức tính độ tương tự lược đồ màu [1] _ 12 Công thức 1.2 Cơng thức tính độ tương tự khoảng cách Euclidean lược đồ màu 13 Công thức 1.3 Khả nhớ lại (Recall) _ 13 Công thức 1.4 Khả nhớ lại trung bình (Average Recall) _ 13 Cơng thức 1.5 Độ xác hệ thống (Precision) _ 14 Công thức 1.6 Độ xác trung bình hệ thống (Average Precision) _ 14 Công thức 3.1: Xác định ô nhớ cho màu lược đồ màu _ 22 Thuật tốn 3.1: Thuật tốn tính lược đồ màu cho ảnh màu 22 Thuật tốn 3.2: Thuật tốn tìm kiếm dựa lược đồ màu _ 23 Công thức 3.2: Định nghĩa mặt nạ so sánh độ đo dựa mặt nạ Mục đích tập trung vào nhớ có màu lược đồ đầu vào bỏ qua điểm nhiễu _ 23 Thuật toán 3.3: Thuật toán thêm cấp xám vào ảnh tổng hợp để có lược đồ màu gần với lược đồ màu ảnh tự nhiên, nhằm tăng khả tìm thấy (recall) hệ thống tìm kiếm 24 Bảng 3.1: Chia tâpp̣ dữliêụ SIFT flow theo chủđề 24 Bảng 3.2: Tìm kiếm ảnh tự nhiên sử dụng lược đồ màu Chỉ số Recall thực nghiệm với ảnh tự nhiên 25 Bảng 3.3: Thử nghiệm ảnh màu Chỉ số Avarage Recall với phương phá _ 29 Bảng 3.4: Tìm kiếm ảnh phác thảo nhiều màu sử dụng lược đồ màu Chỉ số Avarage Recall với phương pháp 36 Thuật tốn 4.1: Hình thành lược đồ khái niệm _ 44 Thuật toán 4.2: Đánh nhãn tự động cách chọn láng giềng gần 47 Thuật toán 4.3: Lọc ảnh/nhãn gần với ảnh đầu vào 48 Bảng 4.1 Chỉ số Avarage Recall sử dụng khoảng cách Euclidean Hamming 49 Bảng 5.1 Các tham số truyền vào chạy tập tin querywithcolplus.exe _ 54 Bảng 5.2 Các tham số truyền vào chạy tập tin querywithmask.exe 57 DANH MỤC CÁC HÌNH VẼ Hình 1.1: Tìm kiếm hình ảnh dựa từ khóa Mỗi ảnh gắn với số từ khóa định, khơng gian ảnh chuyển hóa thành khơng gian từ Do việc tìm kiếm ảnh so khớp từ khóa với từ khóa (tài liệu từ với tài liệu từ) Hình 1.2: Tìm kiếm ảnh ảnh đầu vào Khi dùng phần mềm tạo ảnh (mspaint, photoshop) để tạo ảnh kích thước 256x256 với màu đỏ dùng ảnh làm đầu vào q trình tìm kiếm, ta không kết mong muốn Chưa kể, ta có gợi ý "black color" thay cho "red color" _ Hình 1.3: Hồn thiện ảnh (image completion) cách tìm kiếm lượng lớn ảnh để tìm phần cịn thiếu tương thích với phần có [12] _ Hình 1.4 Tổng hợp ảnh cách vẽ phần tử ảnh (núi, cây, nhà) tìm kiếm phần tử sở liệu ghép chúng lại thành ảnh tổng hợp [13] _ Hình 1.5: Tổng hợp ảnh cách vẽ phác thảo ảnh, chọn thành phần từ kết tìm kiếm, sau ghép lại thành tổng hợp [14] Hình 1.6: Phân tích ảnh cách sử dụng ánh xạ điểm đặc trưng (SIFT flow) ảnh ví dụ đánh nhãn [10] Hình 1.7: Phân tích ảnh diện rộng cách tìm kiếm ảnh ví dụ sở liệu chép nhãn từ ảnh ví dụ sử dụng thông tin cục bộ, thông tin không gian [22] _ Hình 1.8 Ví dụ về tìm kiếm dựa màu sắc _ Hình 1.9 Ví dụ về tìm kiếm dựa kết cấu _ Hình 1.10 Sử dụng blobworld để tìm kiếm ảnh hổ Kết tìm kiếm đưa với hình ảnh liệu vùng tương ứng ảnh Trong 50 ảnh tìm thấy có 28% hình hổ [21] Hình 1.11 Hình dạng lược đồ hình dạng đặc trưng Ảnh bị biến đổi hình dạng thay đổi [23] 10 Hình 1.12 Hệ thống nhận ảnh từ góc nhìn khác Nếu ta cho đầu vào hình bên trái, hệ thống đều tìm hình bên phải [24] _ 11 Hình 1.13 Hệ thống tìm ảnh gốc ảnh đầu vào bị che lấp (occlusion) phần Mặc dù đầu vào bên trái bị che khuất, hệ thống tìm lại vật nguyên vẹn bên phía phải [24] _ 11 Hình 1.14 Hình ảnh bên phải tìm thấy xác sử dụng hình bên trái để tìm kiếm Các ảnh hình bên trái hình bị thay đổi tỉ lệ, bị quay, thay đổi hình nền hiển thị phần so với ảnh bên trái [24] 12 Hình 2.1: Thơng tin khơng gian khơng phản ánh lược đồ màu Phân bố điểm ảnh không gian không quan trọng tần xuất chúng quan trọng _ 15 Hình 2.2: Giới thiệu thơng tin khơng gian vào mơ hình túi từ Chia nhỏ ảnh thành phần theo nhiều mức khác so khớp thành phần tương ứng phương pháp đơn giản để giới thiệu thông tin không gian [5] 17 Hình 2.3: Biểu diễn hình dạng (shape) đồ vật dựa kim tự tháp không gian [7] _ 17 Hình 3.1: Tìm kiếm sử dụng lược đồ màu (a) Phương pháp Swain Ballard (b) Tập trung vào màu đầu vào để tránh nhiễu (c) Sinh thêm điểm màu để khớp với lược đồ tự nhiên _ 21 Hình 3.2: Thí nghiệm ảnh tự nhiên Cả hai phương pháp đều tìm ảnh gốc, ảnh gốc bị xoay 90, 180, 270 độ Việc tăng cấp xám phương pháp chúng tơi khơng ảnh hưởng tới kết tìm kiếm 26 Hình 3.3: Phương pháp chúng tơi hoạt động ảnh tự nhiên Việc thêm cấp xám cho ảnh tự nhiên không làm ảnh hưởng nhiều tới kết tìm kiếm _27 Hình 3.4: Khi thay đổi số cấp xám sinh ra, có kết tìm kiếm khác Số cấp xám từ 0-16 cho kết gần với thuật toán nguyên thủy Số cấp xám từ 16-32 cho ta dải màu phù hợp Khi tăng ba kênh lên 50 tới 100 cấp xám, gặp nhiều điểm màu đen cấp xám gần _ 28 Hình 3.5: Tìm kiếm ảnh phác thảo màu sử dụng lược đồ màu Thử nghiệm tập Coast 30 Hình 3.6: Tìm kiếm ảnh phác thảo màu sử dụng lược đồ màu Thử nghiệm tập coast 31 Hình 3.7: Tìm kiếm ảnh phác thảo màu sử dụng lược đồ màu Thử nghiệm tập forest 32 Hình 3.8: Tìm kiếm ảnh phác thảo màu sử dụng lược đồ màu Thử nghiệm tập insidecity _ 33 Hình 3.9: Tìm kiếm ảnh phác thảo màu sử dụng lược đồ màu Thử nghiệm tập opencountry _ 34 Hình 3.10: Tìm kiếm ảnh phác thảo màu sử dụng lược đồ màu Thử nghiệm tập tallbuilding _ 35 Hình 3.11: Tìm kiếm ảnh phác thảo nhiều màu màu sử dụng lược đồ màu Thí nghiệm tập coast _ 37 Hình 3.12: Tìm kiếm ảnh phác thảo nhiều màu màu sử dụng lược đồ màu Thí nghiệm tập forest _ 38 49 Cảnh coast-sun-sea coast-boat-sea highway-tree-car Bảng 4.1 Chỉ số Avarage Recall sử dụng khoảng cách Euclidean Hamming 50 (a) Sử dụng khoảng cách Euclideanan (b) Sử dụng khoảng cách Hamming Hình 4.6: Kết ảnh vẽ (a) Sử dụng khoảng cách Euclideanan (b) Sử dụng khoảng cách Hamming 4.7 Kết luận Trong chương này, luận văn trình bày phương pháp tìm kiếm ảnh dựa lược đồ khái niệm Vogel Shielle 2004 Luận văn đưa hai đề xuất cho phương pháp Thứ đề xuất giao diện tìm kiếm Luận văn dựa việc thêm tương tác vào ảnh phác thảo cộng với sử dụng ảnh đánh nhãn để tăng tính hiệu thuật tốn tìm kiếm Kết tìm phù hợp - 51 mặt ngữ nghĩa so với ảnh dùng đặc trưng vật lý (màu sắc, cạnh) - Thứ hai đề xuất phương pháp so sánh lược đồ khái niệm cách sử dụng khoảng cách Hamming nhằm tăng khả tìm thấy khái niệm có diện tích nhỏ ảnh Kết đạt cho thấy phương pháp luận văn có nhiều khả tìm thấy khái niệm có diện tích nhỏ ảnh 52 CHƢƠNG CHƢƠNG TRÌNH THỬ NGHIỆM Trong chương giới thiệu hướng dẫn sử dụng chương trình thử nghiệm tương ứng với hai phương pháp tìm kiếm lược đồ màu lược đồ khái niệm 5.1 Giới thiệu chƣơng trình Chương trình chúng tơi gồm file querywithcolplus.exe querywithmask.exe File querywithcolplus.exe để thử nghiệm với phương pháp tìm kiếm dựa màu File querywithmask.exe để thử nghiệm với phương pháp tìm kiếm dựa lược đồ khái niệm Để chạy chương trình này, cần chạy tập tin định dạng file *.bat để đưa tham số đầu vào Kết qủa chương trình danh sách ảnh tìm hiển thị file *.html, đồng thời file hình ảnh đầu vào kết lưu trữ thư mục kết 5.2 Cấu hình hệ thống Hệ điều hành: Windows XP/Vista/2007 Ngôn ngữ phát triển: C# sử dụng công cụ Visual Studio 2012 Yêu cầu môi trƣờng: Cài đặt môi trường Net FrameWork 4.0 5.3 Bộ liệu thử nghiệm Các ảnh tập sở liệu lấy từ sở liệu SIFT flow [26] Hình 5.1 mơ tả cấu trúc thư mục liệu SIFT flow Hình 5.1 Cấu trúc thư mục liệu SIFT flow 53 Thư mục Images\spatial_envelope_256x256_static_8outdoorcategories lưu 2688 ảnh tự nhiên kích thước 256X256 Các ảnh chia làm cảnh tự nhiên (coast, forest, mountain, highway, street, open country, tall building, inside city) Chúng sử dụng ảnh thư mục để làm ảnh lưu trữ trình thực nghiệm với phương pháp lược đồ màu lược đồ khái niệm Thư mục lưu thông tin nhãn cho ảnh tương tứng SemanticLabels\spatial_envelope_256x256_static_8outdoorcategories Chúng sử dụng nhãn phương pháp tìm kiếm dựa lược đồ khái niệm Ví dụ: - Đường dẫn tới ảnh: E:\7.LV\siftflow\Images\spatial_envelope_256x256_static_8outdoorcategories\c oast_arnat59.jpg - Đường dẫn tới nhãn: E:\7.LV\siftflow\SemanticLabels\spatial_envelope_256x256_static_8outdoorcat egories\coast_arnat59.mat.textgl 5.4 Hƣớng dẫn cài đặt Bƣớc 1: Copy SIFT-flow vào máy tính, ví dụ E:\7.LV\siftflow Bƣớc 2: Copy hai file querywithcolplus.exe querywithmask.exe vào máy tính, ví dụ để thư mục E:\7.LV Bƣớc 3: Tạo mục tới ảnh nhãn tập SIFT flow lưu dạng file text - Tạo mục tới ảnh cách tạo file định dạng *.bat sử dụng lệnh: dir /b/s *.jpg >E:\7.LV\dataset\view2688-ip.txt Tạo mục tới nhãn cách tạo file định dạng *.bat sử dụng lệnh sau: - dir /b/s *.textgl >E:\7.LV\dataset\view2688-lp.txt 54 5.5 Chƣơng trình thử nghiệm với phƣơng pháp tìm kiếm dựa lƣợc đồ màu Trong mục chúng tơi giới thiệu bước để chạy phương pháp tìm kiếm dựa lược đồ màu Trong lần chạy đầu tiên, hệ thống tạo mục cho toàn ảnh lưu trữ, ví dụ view2688-ip.txt.colorindex Chúng tơi thử nghiệm thấy thời gian để đánh toàn mục cho 2688 ảnh khoảng 15 phút Từ lần chạy sau, hệ thống khoảng giây có kết Bƣớc 1: Tạo file định dạng *.bat để đưa tham số đầu vào Chú ý file thư mục với file querywithcolplus.exe Ví dụ, tạo file: E:\7.LV\test_querywithcolplus.bat Bƣớc 2: Truyền tham số Các tham số cần truyền Bảng 5.1 Sau điền tham số xong, lưu tập tin Tham số querywithcolplus inf outf indexf nbest dist msgb red, green, blue Bảng 5.1 Các tham số truyền vào chạy tập tin querywithcolplus.exe Phƣơng pháp Swain Ballard 1991 Chọn tham số dist = normal, không truyền giá trị vào red, green, blue Xem Hình 5.1 để thấy cách truyền tham số 55 Hình 5.2 Truyền tham số chạy chương trình theo phương pháp Swain Ballard Phƣơng pháp đề xuất Chọn dist = focus, điền giá trị vào red, green, bue muốn tăng cấp xám Xem Hình 5.2 để thấy cách truyền tham số Hình 5.3 Truyền tham số chạy chương trình theo phương pháp đề xuất chúng tơi Bƣớc 3: Chạy chương trình Kích đúp chuột vào file *.bat lưu Bƣớc 4: Xem kết Kết chương trình ảnh kết trình bày tập tin *.html mà người dùng điền thư mục tương ứng chứa file ảnh đầu vào ảnh kết Ví dụ, kết sau trình bày tập tin E:\7.LV\test-colorindex\mountain-sun@querywithcol@focus.html xem Hình 5.3, thư mục E:\7.LV\test-colorindex\mountain-sun@querywithcol@focus_file 56 Hình 5.4: Kết chương trình chạy với tập tin querywithcolor.exe 5.6 Chƣơng trình thử nghiệm với phƣơng pháp tìm kiếm dựa lƣợc đồ khái niệm Trong mục giới thiệu bước để chạy phương pháp tìm kiếm dựa lược đồ màu Trong lần chạy đầu tiên, hệ thống tạo mục cho tồn nhãn ảnh lưu trữ, ví dụ view2688-lp.txt.conceptindex Chúng thử nghiệm thấy thời gian để đánh toàn mục cho nhãn 2688 ảnh khoảng 17 phút Từ lần chạy sau, hệ thống khoảng giây có kết Hệ thống kiểm tra xem ảnh đầu vào gán nhãn chưa Nếu chưa gán nhãn (chưa có tập tin *.masklabel *.pointlable) hiển thị giao diện cho người dùng gán nhãn Nếu có hệ thống không giao diện cho người dùng đánh nhãn lấy nhãn gán để tìm kiếm Bƣớc 1: Tạo file định dạng *.bat để đưa tham số đầu vào Chú ý file thư mục với file querywithmask.exe Ví dụ, tạo file: E:\7.LV\test_querywithmask.bat Bƣớc 2: Truyền tham số Các tham số cần truyền Bảng 5.2 Tham số querywithmask inf outf indexf nbest dist msgb Bảng 5.2 Các tham số truyền vào chạy tập tin querywithmask.exe Sử dụng khoảng cách Euclidean Chọn dist = normal, xem Hình 5.5 Hình 5.5 Truyền tham số chạy khoảng cách Euclidean Sử dụng khoảng cách Hamming Chọn dist = bool, xem Hình 5.6 Hình 5.6 Truyền tham số chạy khoảng cách Hamming Bƣớc 3: Chạy chương trình Kích đúp chuột vào file *.bat lưu 58 Bƣớc 4: Gán nhãn Hệ thống kiểm tra thấy ảnh đầu vào chưa gán nhãn (chưa có tập tin *.masklabel *.pointlable) hiển thị giao diện cho người dùng gán nhãn Xem Hình 5.8 Hình 5.7 Giao diện gán nhãn cho người dùng Bƣớc 4: Xem kết tương tự Bước Mục 5.4 59 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN Kết đạt đƣợc luận văn Luận văn trình bày tổng quan tìm kiếm ảnh dựa nội dung, số phương pháp tìm kiếm ảnh dựa nội dung Luận văn trình bày, cài đặt thành cơng hai phương pháp tìm kiếm dựa lược đồ màu tìm kiếm dựa lược đồ khái niệm toán cụ thể với đầu vào ảnh phác thảo Trong luận văn này, chúng tơi có đề xuất thêm với hai phương pháp tìm kiếm (tìm kiếm dựa lược đồ màu tìm kiếm dựa lược đồ khái niệm) nhằm nâng cao hiệu tìm kiếm Đề xuất dựa vấn đề tìm kiếm, thiết lập cầu nối tài liệu truy vấn (query document) tài liệu có sẵn (stocked document) Đề xuất thứ nhằm tăng cường giống ảnh tổng hợp ảnh tự nhiên cách tăng cấp xám cho lược đồ ảnh tổng hợp Việc gây nhiễu ảnh tổng hợp cách đơn giản để thêm cấp xám cho lược đồ ảnh tổng hợp Chúng nhận thấy việc so sánh hai ảnh tập trung vào màu có ảnh truy vấn mang lại kết tốt việc so sánh toàn lược đồ Khi so sánh tập trung vào màu truy vấn, ta loại bỏ nhiễu gây màu không truy vấn Đề xuất thứ hai phương pháp so sánh lược đồ khái niệm nhằm tăng khả tìm thấy khái niệm nhỏ ảnh cách sử dụng khoảng cách Hamming lược đồ nhị phân Kết phương pháp nhấn mạnh vào khái niệm ảnh, khơng phụ thuộc vào diện tích chúng ảnh Chúng đề xuất thêm giao diện truy vấn ảnh cách cung cấp giao diện cho phép người dùng đánh nhãn số điểm hình phác thảo Chúng tơi có thuật tốn tự động để đánh nhãn điểm cịn lại chuyển tồn lược đồ ảnh đánh nhãn thành lược đồ khái niệm Việc cung cấp giao diện truy vấn thuận tiện cho người sử dụng, giúp họ dễ dàng mơ tả xác ảnh mà họ mong muốn tìm kiếm Hƣớng phát triển Các thuật tốn chúng tơi hầu hết tìm kiếm tuyến tính khơng thể thực sở liệu lên tới hàng triệu ảnh Hướng phát triển 60 chúng tơi, đó, cài đặt cải thiện thuật toán với liệu lớn (hàng triệu) thời gian thực Một mặt, kết hợp nhiều CPU lúc làm giảm thời gian tính tốn Nhưng, mặt khác, chúng tơi xem xét đến giải pháp mềm hàm băm (hashing) mục (indexing) để cải thiện tốc độ Chúng tập trung cải tiến phương pháp chúng tơi trình bày giới thiệu hàm băm mục tìm kiếm Câu hỏi chúng tơi đặt "liệu tạo khóa băm chứa thơng tin khái niệm khơng gian hay khơng" Nếu có, thay việc tìm kiếm ảnh tuyến tính cách băm ảnh đầu vào tra ảnh tìm dựa khóa băm Và câu hỏi tương tự "liệu tìm kiếm xấp xỉ chiều khác lược đồ màu, sau kết hợp kết lại để đạt kết tìm kiếm xấp xỉ nhanh có thể" 61 TÀI LIỆU THAM KHẢO Tài liệu tiếng Anh Michael J Swain , Dana H Ballard (1991), “Color indexing”, International Journal of Computer Vision [1] [2] Jutta Willamowski, Damian Arregui, Gabriela Csurka, Chris Dance, Lixin (2004), “Categorizing Nine Visual Classes using Local Appearance Descriptors”, ICPR 2004 Workshop Learning for Adaptable Visual Systems Cambridge, United Kingdom 22 August, 2004 Julia Vogel, Bernt Schiele (2004), “A Semantic Typicality Measure for Natural Scene Categorization”, Pattern Recognition Symposium, DAGM [3] [4] Julia Vogel, Bernt Schiele (IJCV 2006), “Semantic modeling of natural scenes for content-based image retrieval”, S Lazebnik, C Schmid, and J Ponce (CVPR 2006), “Beyond Bags of Features: Spatial Pyramid Matching for Recognizing Natural Scene Categories” [5] [6] L Fei-Fei and P Perona (2005), “A Bayesian Hierarchical Model for Learning Natural Scene Categories” [7] A Bosch (2007), “Image Classification for a largre number of object categories”, Departament d'Electrònica, Informàtica i Automàtica Universitat de Girona [8] A.Bosch, A.Zisserman, X.Muñoz (2007), “Image Classification Using Random Forests and Ferns, IEEE International Conference on Computer Vision” Rio de Janeiro, Brazil [9] A.Bosch, A.Zisserman, X.Muñoz (2007), “Representing Shape with a Spatial Pyramid Kernel” International Conference on Image and Video Retrieval Amsterdam, The Netherlands [10] C Liu, J Yuen, A Torralba (2009), “Nonparametric scene parsing: label transfer via dense scene alignmen” 62 [11] Joseph Tighe, Svetlana Lazebnik (2013), “SuperParsing: Scalable Nonparametric Image Parsing with Superpixels”, IJCV, Vol 101, I 2, pp 329-349 [12] James Hays, Alexei A Efros (2007), “Scene Completion Using Millions of Photographs”, Compter graphics processings, annual conference series [13] Mathias Eitz, Kristian Hildebrand, Tamy Boubekeur, Marc Alexa (2009) “PhotoSketch: A Sketch Based Image Query and Compositing System” [14] Tao Chen, Ming-Ming Cheng, Ping Tan, Ariel Shamir, Shi-Min Hu (2009) “Sketch2Photo: Internet Image Montage” M Jonson, G.J Brostow, J Shotton, O Arandjeovic, V.Kwatra, R.Cipolla (2006), “Semantic photo synthesis”, Eurographics 2006/E.Groller and L.Szirmay-Kalos, volume 25, number [15] [16] [17] http://nlp.stanford.edu/IR-book/ G Salton, A Wong, C S Yang (1975), “A Vector Space Model for Automatic Indexing” [18] http://en.wikipedia.org/wiki/Vector_space_model [19] http://en.wikipedia.org/wiki/Content-based_image_retrieval [20] A Criminisi, P.Pérez, Toyama (2004), “Region Filling and Object Removal by Exempla-Based Image Inpainting”, IEEE transaction on image processing, vol.13 [21] Serge Belongie, Chad Carson, Hayit Greenspan, Jitendra Malik (1998), “Color- and Texture-Based Image Segmentation Using EM and Its Application to Content-Based Image Retrieval” [22] [23] Joseph Tighe, Svetlana Lazebnik (2013), “ SuperParsing: Scalable Nonparametric Image Parsing with Superpixels”, IJCV, Vol 101, I 2, pp 329-349 Anil K Jain, Adittya Vailaya (1995), “Image Retrieval using color and shape” 63 [24] Cordelia Schmid, Roger Mohr (1997), “Local grayvalue invariants for image retrieval”, IEEE transactions on pattern analysis and machine intelligence, vol 19, no Alexei A Efros, Thomas K Leung (1999), “Texture Synthesis by Nonparametric Sampling”, IEEE International conference on computer Vision, Corfu, Greece [25] [26] Ce Liu, Yenny Yuen, Antonio Torralba, Josef Sivic, William T Freeman (2009), “SIFT Flow: Dense Correspondence across Different Scenes” Tài liệu tiếng Việt [27] http://www.google.com.vn/imghp ... 1.1 Tìm kiếm ảnh dựa nội dung 1.2 Ứng dụng tìm kiếm ảnh dựa nội dung 1.3 Các đặc trưng thường dùng tìm kiếm ảnh theo nội dung 1.4 Độ tương tự... trữ ảnh tự nhiên Mục tiêu nghiên cứu Trong luận văn này, chúng tơi tìm hiểu tổng quan tìm kiếm ảnh dựa nội dung, số phương pháp tìm kiếm ảnh theo nội dung năm gần Chúng nghiên cứu, thử nghiệm đánh. .. lớp ảnh, thơng qua vị trí, khơng gian, định lượng màu ảnh Màu sắc đặc trưng bật sử dụng phổ biến tìm kiếm ảnh theo nội dung Trong tìm kiếm ảnh dựa vào màu sắc phương pháp phổ biến để tìm kiếm ảnh