Tìm kiếm ảnh dựa trên đồ thị mô tả đặc trưng thị giác

Nghiên cứu này xây dựng hệ truy vấn ảnh theo nội dung và nâng cao hiệu quả tìm kiếm bằng việc đề xuất cấu trúc đồ thị mô tả đặc trưng thị giác của hình ảnh.

Tạp chí Khoa học Cơng nghệ Thực phẩm 18 (1) (2019) 118-128 TÌM KIẾM ẢNH DỰA TRÊN ĐỒ THỊ MÔ TẢ ĐẶC TRƢNG THỊ GIÁC Nguyễn Văn Thịnh1,*, Đinh Thị Mận1, Nguyễn Thế Hữu1, Lê Trung Thƣ2, Văn Thế Thành1 Trường Đại học Công nghiệp Thực phẩm TP.HCM Trường Đại học An Giang *Email: thinhnv@hufi.edu.vn Ng y nh n i 21/01/2019 Ng y h p nh n ng 06/3/2019 TÓM TẮT Nghi n ứu n y xây dựng hệ truy v n ảnh theo nội dung (CBIR – Content-Based Image Retrieval) v nâng ao hiệu tìm kiếm ằng việ ề xu t u trú thị mơ tả ặ trưng thị giá hình ảnh Trướ hết, nh m tá giả ề xu t u trú thị lưu trữ ặ trưng thị giá hình ảnh v ộ o tương tự hình ảnh dựa tr n ặ trưng thị giá p th p ùng với quan hệ không gian vùng ảnh; sau , tr n sở thu t toán K-Means, ề xu t số ải tiến thự gom ụm thị ặ trưng dựa tr n ộ o tương tự Từ , ề xu t thu t toán tra ứu ảnh tương tự dựa tr n ụm thị Nhằm hứng minh sở lý thuyết ã ề xu t, nh m tá giả xây dựng thự nghiệm tr n t p liệu ảnh ImageCLEF v ánh giá tính hiệu so với phương pháp ã ượ ông ố gần ây Kết thự nghiệm ho th y phương pháp ượ ề xu t nghi n ứu n y l hiệu v thể ứng dụng hệ thống liệu a phương tiện Từ khóa: Tìm kiếm ảnh theo nội dung, phân ụm, ặ trưng thị giá , ộ o tương tự GIỚI THIỆU Dữ liệu số tr n to n ầu ã ượ gia t ng không ngừng v ạt ến khối lượng khổng lồ N m 2015, tổng số hình ảnh to n ầu ạt 3,2 nghìn t n m 2016, 3,5 triệu ảnh ượ hia sẻ phút v 2,5 nghìn t ảnh ượ hia sẻ v lưu trữ trự tuyến Trong n m 2017, giới ã tạo 1,2 nghìn t ảnh v tổng số ảnh to n ầu ến n m 2017 l 4,7 nghìn t ; , hình ảnh ượ tạo từ smartphone v thiết ị di ộng l 90% [1, 2] B n ạnh , ảnh số ã ượ ứng dụng nhiều hệ thống tra ứu thông tin a phương tiện hệ thống thông tin ệnh viện, hệ thống thông tin ịa lý, hệ thống thư viện số, ứng dụng y sinh, giáo dụ o tạo, giải trí, [3, 4] Vì v y, i toán khai phá liệu ảnh v tra ứu thơng tin li n quan ến hình ảnh ần ượ quan tâm giải quyết, tìm kiếm ảnh tương tự theo nội dung l i toán quan trọng hệ thống a phương tiện Nhiều hệ thống CBIR ã ượ phát triển QBIC, Photo ook, Visual-Seek, MARS, El Nino, CIRES, Pi SOM, Pi Hunter, MIRROR, Virage, Netra, SIMPLIT ity,… Cá ơng trình nghi n ứu truy v n ảnh tương tự ũng ượ phát triển truy v n ảnh dựa tr n hình dạng (shape), m u sắ ( olor), u trú (texture), ối tượng ặ trưng (interest o je ts),… [5, 6] Hầu hết ơng trình t p trung v o kỹ thu t trí h họn ặ trưng, ối sánh v tìm kiếm dựa tr n ặ trưng m hưa t p trung nghi n ứu u trú liệu lưu trữ nhằm giảm không gian xử lý v t ng tố ộ truy v n B i áo n y thự việ xây dựng u trú liệu thị mơ tả nội dung hình ảnh, ồng thời xây dựng thu t toán phân hoạ h ụm thị v truy v n ảnh tương tự dựa tr n thị Đ ng g p i áo gồm (1) xây dựng u trú liệu thị mô tả 118 T m i m nh ựa n h mô c ng h gi c ặ trưng thị giá hình ảnh (2) ề xu t ộ o ánh giá ộ tương tự hình ảnh (3) ải tiến thu t tốn K-Means áp dụng ho việ gom ụm thị; (4) thiết kế mơ hình thự nghiệm tr n sở u trú liệu, giải thu t v ộ o tương tự ã ề xu t Phần òn lại i áo gồm nội dung sau Khảo sát v phân tí h ơng trình li n quan nhằm minh hứng tính khả thi i tốn tìm kiếm ảnh v khắ phụ nhượ iểm ông trình ã ơng ố; Trình y thị mơ tả ặ trưng thị giá v ộ o ánh giá mứ ộ tương tự hình ảnh nhằm thự trình tìm kiếm ảnh tương tự; Trình y thu t toán ải tiến phân hoạ h ụm v thu t toán tra ứu ảnh ể nâng ao hiệu su t tìm kiếm ảnh tương tự; Mơ tả thự nghiệm v ánh giá hiệu phương pháp ề xu t nhằm minh hứng tính úng ắn sở lý thuyết; Kết lu n v hướng phát triển CÁC CƠNG TRÌNH LIÊN QUAN Phương pháp gom ụm ã ượ ứng dụng nhiều hệ thống tìm kiếm ảnh áp dụng thu t toán K-means v khoảng h Eu lid ể gom ụm ặ trưng m u sắ hình ảnh ho tìm kiếm ảnh [7]; tìm kiếm ảnh dựa tr n thu t toán K-means v hữ ký nhị phân hình ảnh [8]; tìm kiếm ảnh dựa tr n thu t toán K-means v khoảng h Mahalano is vectơ m u sắ hình ảnh [9] áp dụng thu t tốn K-means v dải m u MPEG7 ho việ gom ụm v tìm kiếm ảnh [10]; thự gom ụm kết hợp ặ trưng m u sắ , hình dạng v u trú hình ảnh ể tìm kiếm ảnh tương tự [11] … Theo ơng trình ã ơng ố gần ho th y phương pháp tìm kiếm ảnh sử dụng kỹ thu t gom ụm l khả thi v ạt kết tốt Hernández-Gracidas C.A et al (2013) thự nâng ao hiệu su t tìm kiếm ảnh dựa tr n quan hệ không gian (spatial relations) vùng ảnh Hình ảnh ượ iểu diễn ằng thị khái niệm dựa tr n ặ trưng quan hệ không gian, pha tìm kiếm ảnh thự so khớp tr n to n ộ sở liệu ảnh v trả top – k ảnh li n quan nh t dựa v o ộ o [12] Mơ hình n y không sử dụng ặ trưng p th p iểu diễn nội dung hình ảnh ể t ng ộ hính xá , n ạnh thời gian tra ứu ảnh h m phải so khớp tuyến tính to n ộ sở liệu ảnh Hakan Cevikalp et al (2017) thự tra ứu ảnh dựa tr n u trú thị v ây phân p nhị phân Quá trình hu n luyện ượ thự theo phương pháp SVM (Support Ve tor Ma hines) dựa tr n ặ trưng hình ảnh p th p [14] Phương pháp ã thự nghiệm tr n ộ ảnh ImageCLEF v so sánh tính hiệu với phương pháp Thanh The Van et al (2018) ề xu t hệ tìm kiếm ảnh theo nội dung dựa tr n thị ụm hữ ký nhị phân Tá giả thự gom ụm hữ ký nhị phân mô tả ặ trưng thị giá p th p ảnh v tạo thị ụm lưu trữ hữ ký nhị phân n y nhằm nâng ao hiệu tìm kiếm ảnh Phương pháp ã thự nghiệm tr n nhiều ộ liệu v so sánh tính hiệu với nhiều phương pháp [15] Tr n sở kế thừa ơng trình ã v khắ phụ hạn hế phương pháp li n quan ã ông ố, ồng thời tạo hệ truy v n ảnh theo nội dung nhằm nâng ao hiệu tìm kiếm, nghi n ứu n y ề xu t mô hình truy v n ảnh ằng h tạo thị kết hợp ặ trưng thị giá p th p v quan hệ khơng gian hình ảnh, sau gom ụm thị ặ trưng thị giá nhằm nâng ao hiệu su t cho việ tìm kiếm ảnh tương tự ĐỒ THỊ MÔ TẢ VECTƠ ĐẶC TRƢNG VÀ ĐỘ ĐO TƢƠNG TỰ 3.1 Đồ thị mô tả vectơ đặc trƣng thị giác Mỗi hình ảnh t p liệu ượ phân oạn th nh nhiều vùng theo phương pháp Hugo Jair Es alante et al [16] Hình mơ tả ảnh gố v ảnh 119 Ng n n Th nh inh Th M n Ng n Th L T ng Th n Th Thành vùng thuộ lớp ảnh loud (1), hill (2), ruin-archeological (208), road (203), group-ofpersons (120) ảnh 9502.jpg Mỗi vùng ượ trí h xu t ve tơ ặ trưng ao gồm ặ trưng vùng diện tí h, hiều rộng v hiều ao ặ trưng vị trí giá trị trung ình v ộ lệ h huẩn theo trụ x v trụ y ặ trưng hình dạng (shape) oundary/area, onvexity ặ trưng m u sắ khơng gian RGB v CIE-Lab: trung ình, ộ lệ h huẩn v ộ nghi ng Hình Ảnh gố v ảnh phân oạn (9502.jpg) Để lưu trữ hình ảnh theo mơ tả tr n, nh m tá giả ề xu t thị mô tả ve tơ ặ trưng thị sau Đồ thị mô tả ve tơ ặ trưng thị giá (VFG) l thị vơ hướng, mơ tả hình ảnh t p liệu ảnh Mỗi ỉnh thị chứa cặp giá trị , l ịnh danh v ặ trưng thị giá vùng I ảnh , t p ỉnh v t p ạnh ượ ịnh nghĩa { | } { | ( ) { } } Với l vùng ảnh thứ i, j m vùng ảnh I; ( hai ỉnh vi v vj ) kề nhau, ngược lại ( Hình minh họa thị mô tả ve tơ thị giá ảnh ) 9502.jpg t p liệu ảnh C u trú liệu thị mô tả ve tơ ặ trưng thị giá ượ struct vertex{ int region_id;//id vùng ve tor region_features // ặ trưng vùng int region_label;//phân lớp vùng }; struct graph{ int image_id; //id hình ảnh vector lstRegions;//t p ỉnh matrix adj_regions;//t p cạnh }; Hình Đồ thị ve -tơ ặ trưng thị giá 120 ịnh nghĩa ảnh 9502.jpg t p liệu ảnh T m i m nh ựa n h mô c ng h gi c 3.2 Độ đo tƣơng tự hai đồ thị Độ o tương tự hình ảnh l th nh phần khơng thể thiếu thự trình gom ụm v truy v n hình ảnh tương tự Mỗi hình ảnh ượ mô tả dạng thị, v n ề ặt l xây dựng ộ o tương tự thị ể từ ánh giá ộ tương tự hình ảnh Dựa tr n thị ặ trưng hình ảnh, i áo ịnh nghĩa ộ o tương tự hình ảnh sau Định nghĩa 3.2.1: Độ tương tự đặc tính hai hình ảnh Cho t p ve tơ ặ tính ảnh v l } Độ o ặ tính vectơ ặ tính { | giá theo ông thứ sau ( {| ) { | ảnh với ảnh | ánh } Từ ông thứ (1), ộ o tương tự ặ tính hình ảnh ượ ∑ ( } v ượ ∑ ( ) Định lý 3.2.1: H m ánh giá ộ o chuẩn tính h t sau: ánh giá theo ơng thức sau: ) l khoảng h không gian ịnh (1) Không âm (2) Đối xứng: (3) B t ẳng thứ tam giá : Chứng minh: (1) Tính khơng âm v Gọi l hai ve tơ ặ tính hai hình ảnh v Vì | ∑ | >=0 n n ( ) ( v ) ( b t kỳ Khi ) ∑ ( ) ≥ v Suy Vì v y, h m ánh giá ộ tương tự tính khơng âm (2) Tính đối xứng Vì phép tốn + tính h t giao hốn, n n ∑ ( Do ) ∑ ( ∑ ( ) ) ∑ ( ) , Vì v y, h m ánh giá ộ tương tự F(I, J) tính h t ối xứng (3) Bất đẳng thức tam giác Gọi , v l l ve tơ ặ tính hình ảnh ∑ ( ) ∑ ( 121 ) ∑ ( b t kỳ Khi ) ∑ Ng n n Th nh inh Th M n Ng n Th L T ng Th n Th Thành Dễ th y: ∑ ( ) ∑ ( ) ∑ ( ∑ ) ∑ ( ) ∑ ượ }v ánh giá theo Do Vì v y, h m ánh giá ộ o tương tự thỏa b t ẳng thứ tam giá Định nghĩa 3.2.2: Độ đo không gian hai đồ thị { | Cho t p b ỉnh kề ảnh v l } Độ o không gian vùng ảnh với ảnh { | ông thứ sau {| | } Từ ông thứ (3), ộ o tương tự không gian hình ảnh ượ thức sau: ∑ ∑ ( Định lý 3.2.2: H m ánh giá ộ o chuẩn tính h t sau: ánh giá theo ơng ) l khoảng cá h không gian ịnh (1) Không âm (2) Đối xứng: (3) B t ẳng thứ tam giá Chứng minh: Dễ th y l khoảng h không gian ịnh huẩn Dựa tr n ông thứ (2) v (4) Độ o tương tự ảnh ượ tính theo ơng thức (5) sau THUẬT TỐN PHÂN HOẠCH CỤM VÀ TÌM KIẾM ẢNH 4.1 Thuật toán phân hoạch cụm đồ thị theo độ đo tƣơng tự Trong thu t toán K-means, tham số ầu v o ần phải gồm số ụm, tâm ụm v ộ o B n ạnh , phần tử ượ th m v o ụm tâm ụm hứa phần tử phải ượ xá ịnh lại Việ n y không phù hợp ối với i tốn liệu kí h thướ lớn dẫn tới phần tử ùng ụm khoảng xa nhau, ồng thời trình p nh t lại tâm ụm m t nhiều thời gian ảnh hưởng ến hiệu su t hệ thống Do , i áo n y, nh m tá giả ải tiến thu t toán K-means ể áp dụng ho việ gom ụm thị mơ tả ặ trưng thị giá hình ảnh sau (1) số ụm t ng trưởng tùy theo số thị v ộ tương tự thị (2) xá ịnh ngưỡng ộ o thị trình gom ụm v ố ịnh tâm ụm theo ngưỡng Thuật toán GraphClustering Đầu vào T p thị ặ trưng v ngưỡng Đầu ra: T p cụm Function GraphClustering( ) Khởi tạo ; for 122 T m i m nh ựa n h mô c ng h gi c if then Khởi tạo cụm với tâm ; else Tìm cụm : { //centroidk tâm cụm k //sim(gi, gj): độ tương tự đồ thị gj gj if then else Tạo cụm với tâm l } ; end if end if end for return ; End Mệnh đề Độ phức tạp Thuật toán GraphClustering l thị t p thị , với l số Chứng minh Cho l số phần tử t p Dòng lệnh “ ” thực lần, ứng với lần thự hiện, dịng lệnh “Tìm cụm Ck C: sim(g, centroidk) = min{sim(g, centroidi), i = 1,…,m}” thực phép tốn ể tìm ược cụm tâm gần nh t, với l số cụm thời iểm h nh Vì v y, số phép tốn Thuật tốn GraphClustering l ∑ ∑ , với l số Do , ộ phức tạp Thuật toán GraphClustering l 4.2 Thuật tốn tìm kiếm ảnh tƣơng tự Tr n sở t p ụm kết pha tiền xử lý, nh m tá giả thự tra ứu ảnh ằng h họn ụm tâm gần với ảnh truy v n nh t Nếu khoảng h từ ảnh truy v n tới tâm cụm nhỏ ngưỡng l y t p ảnh cụm v xếp theo ộ o tương tự Thu t toán tra ứu ảnh ược thực sau Thuật toán ImageRetrieval Đầu vào: Đồ thị ặ trưng ảnh truy v n , t p cụm (cluster) v ngưỡng Đầu ra: T p ảnh tương tự Function ImageRerieval( Khởi tạo Tìm ụm : = { } if then , | |; end if Sắp xếp t p giảm dần theo return End Mệnh đề Độ phức tạp Thuật toán ImageRetrieval l cụm t p 123 , với l số lượng Ng n n Th nh inh Th M n Ng n Th L T ng Th n Th Thành Chứng minh Gọi t p cụm số lượng cụm l Với ảnh ( thị) cần truy v n, thu t tốn tìm ụm tâm gần với thị truy v n nh t t p dựa tr n ộ o tương tự Thu t toán thực duyệt tối a l lần ể tìm ụm phù hợp v trí h xu t t p thị tương ứng Do , ộ phứ tạp Thuật toán ImageRetrieval l XÂY DỰNG ỨNG DỤNG THỰC NGHIỆM 5.1 Mơ hình ứng dụng thực nghiệm Hình Mơ hình hệ thống tìm kiếm ảnh dựa tr n thị mô tả ve -tơ ặ trưng thị giá Mơ hình tổng qt hệ thống tìm kiếm ảnh theo nội dung dựa tr n thị mô tả vectơ ặ trưng thị giá ượ mơ tả Hình Mơ hình tìm kiếm ảnh gồm pha tiền xử lý v tìm kiếm ảnh tương tự Tiền xử lý: Bước tạo t p thị từ t p ve tơ ặ trưng thị giá phân vùng hình ảnh, thị iểu diễn hình ảnh t p liệu ảnh Bước ánh giá ộ tương tự thị tr n ộ o tương tự ề xu t Bước gom ụm thị theo ộ o tương tự Tìm kiếm ảnh tƣơng tự: Bước từ ảnh truy v n, tạo thị mô tả ặ trưng thị giá ảnh n y Bước thự truy v n tr n ụm ể ho kết l ụm tương tự với ảnh truy v n nh t Bước kết xu t ảnh kết xếp theo ộ o tương tự với ảnh truy v n 5.2 Kết thực nghiệm Thự nghiệm tr n máy PC CPU Intel Core i5-7200U CPU @ 2.50GHz, 8.0GB RAM, hệ iều h nh Windows 10 Pro 64 it Kết thự nghiệm ượ ánh giá tr n ộ liệu imageCLEF hứa 20.000 ảnh, ượ hia th nh 276 lớp v lưu trữ 41 thư mụ (từ thư mụ ến thư mụ 40); ộ liệu kí h thướ 1,64 GB Để ánh giá hiệu phương pháp tìm kiếm ảnh, phần thự nghiệm ượ ánh giá giá trị gồm ộ hính xá (pre ision), ộ phủ (re all) v ộ o dung hịa F-measure Cơng thứ tính giá trị n y sau [4]: precision  | relevant images  retrieved images | | retrieved images | 124 (6) T m i m nh ựa n h mô recall  c ng h gi c | relevant images  retrieved images | | relevant images | (7) ( precision  recall ) ( precision  recall ) (8) F -measure   Trong : relavant images l t p ảnh tương tự với ảnh truy v n v t p liệu ảnh, retrieved images l t p ảnh ã tìm kiếm ượ Cá giá trị ộ hính xá , ộ phủ v ộ o dung hịa ượ tính theo t lệ % v ượ quy ổi th nh giá trị tr n oạn [0, 1] Hình Ứng dụng thự nghiệm phương pháp ề xu t Hình Kết tìm kiếm ảnh phương pháp ề xu t 125 Ng n n Th nh inh Th M n Ng n Th L T ng Th Bảng Hiệu su t tìm kiếm ảnh phương pháp ượ n Th Thành ề xu t tr n ộ liệu ImageCLEF T p ảnh Số ảnh Số ụm Độ hính xá trung bình Độ phủ trung ình Độ o dung hịa trung ình 00-10 6450 0,624761 0,460895 0,530461 11-20 4857 0,708162 0,442224 0,554454 21-30 3615 0,642329 0,622906 0,632468 31-40 5078 0,776099 0,630069 0,695501 Kết thự nghiệm phương pháp ượ mơ tả Hình 5, Hình hiệu su t phương pháp ề xu t ượ trình y Bảng giá trị ộ hính xá truy v n trung ình (MAP) phương pháp ề xu t ượ so sánh với phương pháp tr n ùng ộ liệu ImageCLEF ượ mơ tả Bảng Hình mơ tả giá trị pre ision, re all, F-measure trung ình 39 ộ ảnh t p liệu ImageCLEF Kết Bảng ho th y phương pháp ượ ề xu t tương ối hính xá so với hệ truy v n ảnh theo nội dung Hình Độ hính xá - Độ phủ v ường ong ROC ứng dụng tr n t p liệu ImageCLEF Hình Trung ình giá trị hiệu su t tr n t p liệu ImageCLEF 126 T m i m nh ựa n h mô c ng h gi c Bảng So sánh ộ hính xá phương pháp tr n ộ liệu ImageCLEF Phương pháp Độ hính xá truy v n trung ình (MAP) Hakan Cevikalp, 2017 [14] 0,4678 Thanh The Van, 2018 [15] 0,7945 C.A Hernández-Gracidas, 2013 [12] 0,5826 Ji Wan, 2015 [13] 0,6632 Đề xu t nh m tá giả 0,6878 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN B i áo ã xây dựng ượ phương pháp tìm kiếm ảnh dựa tr n u trú thị mô tả ặ trưng thị giá hình ảnh, ề xu t ộ o tương tự hình ảnh v ải tiến thu t toán Kmeans thự gom ụm thị ặ trưng nhằm t ng hiệu su t tìm kiếm ảnh tương tự Tr n sở lý thuyết ã ượ ề xu t, nh m tá giả xây dựng hệ truy v n ảnh theo nội dung Kết thự nghiệm tr n ộ liệu ảnh ImageCLEF ượ ánh giá v so sánh với ơng trình tr n ùng t p liệu ảnh ã ho th y phương pháp ề xu t l hiệu Vì v y, phương pháp ề xu t nghi n ứu n y thể ượ sử dụng ho hệ thống tra ứu liệu a phương tiện Việ ố ịnh tâm ụm ã giảm ượ kể thời gian trình gom ụm Tuy nhi n, việ n y dẫn ến thể xu t ụm phần tử hoặ nhiều phần tử, ảnh hưởng ến ộ hính xá hệ thống Hướng phát triển nghi n ứu l xây dựng thu t toán tá h/gộp ụm nhằm ảm ảo phần tử ùng ụm phải tương tự nhau, ồng thời ổ sung th m thông tin quan hệ không gian vùng ảnh ể t ng ộ hính xá c Nghi n ứu n y ượ Trường Đại họ Công nghiệp Thự phẩm TP.HCM t i trợ v ượ nh m nghi n ứu SBIR-HCM, Trường Đại họ Sư phạm TP.HCM hỗ trợ huy n môn v sở v t h t TÀI LIỆU THAM KHẢO John Gantz, David Reinsel - The digital universe in 2020: Big data, bigger digital shadows, and biggest growth in the far east, IDC iView, EMC Corporation, Tech Rep (2013) Deloitte - Photo sharing: trillions and rising, Deloitte Touche Tohmatsu Limited, Deloitte Global (2016) Muneesawang P., Zhang N., Guan L - Multimedia Database Retrieval: Technology and Applications, Graduate Texts in Mathematics, Springer, New York Dordrecht London (2014) Xie X., Cai X., Zhou J., Cao N., Wu Y - A semantic-based method for visualizing large image collections, IEEE Transactions on Visualization and Computer Graphics, IEEE Computer Society (2018) https://doi.org/10.1109/TVCG.2018.2835485 Kim S., Park S., Kim M - Central object extraction for object-based image retrieval In: Bakker E.M., Lew M.S., Huang T.S., Sebe N., Zhou X.S (eds) Image and Video Retrieval, CIVR 2003, Lecture Notes in Computer Science 2728, Springer (2003) 39-49 Y.-K N Hun-Woo Yoo, She-Hwan Jung, Dong-Sik Jang  Extraction of major object features using VQ clustering for content-based image retrieval, Pattern Recognition 35 (2002) 1115-1126 Chuen-Horng Lin, Chun-Chieh Chen, Hsin-Lun Lee, Jan-Ray Liao  Fast K-means algorithm based on a level histogram for image retrieval, Expert System with Applicatioin 41 (7) (2014) 3276-3283 127 Ng n n Th nh inh Th M n Ng n Th L T ng Th n Th Thành Thanh The Van, Nguyen Van Thinh, Thanh Manh Le - The method proposal of image retrieval based on K-Means algorithm, Advances in Intelligent Systems and Computing 746 (2) (2018) 481-490 M Banerjee, S Bandyopadhyay, and S K Pal - A clustering approach to image retrieval using range based query mahalanobis distance, Intelligent Systems Reference Library 43 (2013) 79-91 10 H R Saboorian, M.M., Jamzad, M Rabiee  User adaptive clustering for large image databases, 20th IEEE International Conference on Pattern Recognition, no 11578177, (2010), pp 4271–4274 11 N Zakariya, S.M., Ali, R., Ahmad - Combining visual features of an image at different precision value of unsupervised content based image retrieval, 2010 IEEE International Conference on Computational Intelligence and Computing Research, (2010) 1-4 12 Arturo C., Hernández-Gracidas, Sucar L.E., Montes M - Improving image retrieval by using spatial relations, Multimedia Tools and Applications 62 (2) (2013) 479-505 13 X G i Wan, Pengcheng Wu, Steven C H Hoi, Peilin Zhao and J L Dayong Wang, Yongdong Zhang - Online learning to rank for content-based image retrieval, TwentyFourth International Joint Conference on Artificial Intelligence (2015) 14 Hakan Cevikalp, Merve Elmas, Savas Ozkan - Large-scale image retrieval using transductive support vector machines, Computer Vision and Image Understanding 173 (2018) 2-12 15 Thanh The Van, Thanh Manh Le - Content-based image retrieval based on binary signatures cluster graph, Expert Systems: The Journal of Knowledge Engineering 35 (1) (2018) 1-22 16 Hugo Jair Es alante, Carlos A Hernández, Jesus A Gonzalez, A L pez- L pez, Manuel Montes, Eduardo F Morales, L Enrique Sucar, Luis Villasenor, Michael Grubinger The segmented and annotated IAPR TC-12 benchmark, Computer Vision and Image Understanding 114 (4) (2010) 419-428 ABSTRACT IMAGE RETRIEVAL BASED ON VISUAL FEATURE GRAPH Nguyen Van Thinh1*, Dinh Thi Man1, Nguyen The Huu1, Le Trung Thu2, Van The Thanh1 Ho Chi Minh City University of Food Industry An Giang University *Email: thinhnv@hufi.edu.vn In this paper, the content-based image retrieval is built and the retrieval efficiency is improved by proposing the visual feature graph of the image First of all, based on low-level features and spatial relations among regions in the image, a visual feature graph of images and similarity measure between two images is proposed; Then, on the base of K-Means algorithm, several improvements to cluster the visual feature graphs are proposed based on the similarity measure Since then, an image retrieval algorithm is done on graph clusters To illustrate the proposed theory, we build experiments on ImageCLEF dataset and assess the effectiveness of our method and compared to the ones of work which recently published on the same dataset Experimental results show that our proposed method is effective and it can be applied in many multimedia data systems Từ khóa: CBIR, clustering, visual feature, similarity measure 128 ... thống tìm kiếm ảnh dựa tr n thị mơ tả ve -tơ ặ trưng thị giá Mơ hình tổng quát hệ thống tìm kiếm ảnh theo nội dung dựa tr n thị mô tả vectơ ặ trưng thị giá ượ mơ tả Hình Mơ hình tìm kiếm ảnh gồm... Hình Ảnh gố v ảnh phân oạn (9502.jpg) Để lưu trữ hình ảnh theo mơ tả tr n, nh m tá giả ề xu t thị mô tả ve tơ ặ trưng thị sau Đồ thị mô tả ve tơ ặ trưng thị giá (VFG) l thị vô hướng, mô tả hình ảnh. .. thống tìm kiếm ảnh áp dụng thu t tốn K-means v khoảng h Eu lid ể gom ụm ặ trưng m u sắ hình ảnh ho tìm kiếm ảnh [7]; tìm kiếm ảnh dựa tr n thu t tốn K-means v hữ ký nhị phân hình ảnh [8]; tìm kiếm