Phát triển kỹ thuật tìm kiếm hình ảnh hai chiều dựa trên chuỗi thời gian

Đại Học Quốc Gia Tp Hồ Chí Minh TRƢỜNG ĐẠI HỌC BÁCH KHOA TRẦN CÔNG ĐỜI PHÁT TRIỂN KỸ THUẬT TÌM KIẾM HÌNH ẢNH HAI CHIỀU DỰA TRÊN CHUỖI THỜI GIAN CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 604801 LUẬN VĂN THẠC SĨ NGƢỜI HƢỚNG DẪN KHOA HỌC: TS QUẢN THÀNH THƠ PGS.TS DƢƠNG TUẤN ANH TP HỒ CHÍ MINH, tháng 12 năm 2011 CƠNG TRÌNH ĐƢỢC HỒN THÀNH TẠI TRƢỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hƣớng dẫn khoa học: TS Quản Thành Thơ PGS.TS Dƣơng Tuấn Anh Cán chấm nhận xét 1: TS Nguyễn Thanh Bình Cán chấm nhận xét 2: PGS.TS Đỗ Phúc Luận văn thạc sĩ đƣợc bảo vệ Trƣờng Đại học Bách Khoa, ĐHQG Tp Hồ Chí Minh, ngày 07 tháng 01 năm 2012 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: TS Đinh Đức Anh Vũ, Chủ tịch hội đồng TS Nguyễn Thanh Hiên, thƣ ký hội đồng TS Nguyễn Thanh Bình, phản biện PGS.TS Đỗ Phúc, phản biện TS Quản Thành Thơ, uỷ viên hội đồng Xác nhận Chủ tịch Hội đồng đánh giá LV Bộ môn quản lý chuyên ngành sau luận văn đƣợc sửa chữa (nếu có) Chủ tịch Hội đồng đánh giá LV Bộ môn quản lý chuyên ngành ĐẠI HỌC QUỐC GIA TP HCM CỘNG HOÀ XÃ HỘI CHỦ NGHIÃ VIỆT NAM TRƢỜNG ĐẠI HỌC BÁCH KHOA Độc Lập - Tự Do - Hạnh Phúc -oOo Tp HCM, ngày 07 tháng 01 năm 2012 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Trần Công Đời Phái: Nam Ngày, tháng, năm sinh: 10/07/1981 Nơi sinh: Đồng Nai Chuyên ngành: Khoa học máy tính MSHV: 09070432 1- TÊN ĐỀ TÀI: PHÁT TRIỂN KỸ THUẬT TÌM KIẾM HÌNH ẢNH HAI CHIỀU DỰA TRÊN CHUỖI THỜI GIAN 2- NHIỆM VỤ LUẬN VĂN: Phát triển kỹ thuật tìm kiếm hình ảnh hai chiều dựa chuỗi thời gian 3- NGÀY GIAO NHIỆM VỤ: 14/02/2011 4- NGÀY HOÀN THÀNH NHIỆM VỤ: 02/12/2011 5- HỌ VÀ TÊN CÁN BỘ HƢỚNG DẪN (Ghi đầy đủ học hàm, học vị ): TS Quản Thành Thơ PGS.TS Dƣơng Tuấn Anh Nội dung đề cƣơng Luận văn thạc sĩ đƣợc Hội Đồng Chuyên Ngành thông qua CÁN BỘ HƢỚNG DẪN CHỦ NHIỆM BỘ MÔN KHOA QL CHUYÊN NGÀNH (Họ tên chữ ký) QUẢN LÝ CHUYÊN NGÀNH (Họ tên chữ ký) (Họ tên chữ ký) i LỜI CAM ĐOAN Tôi cam đoan rằng, ngoại trừ kết tham khảo từ cơng trình khác nhƣ ghi rõ luận văn, công việc trình bày luận văn tơi thực chƣa có phần nội dung luận văn đƣợc nộp để lấy cấp trƣờng trƣờng khác Ngày 07 tháng 01 năm 2012 Trần Cơng Đời 48 Hình 5.2 2660 ảnh tổng hợp từ internet 5.2 Các tiêu chuẩn tiến hành thực nghiệm 5.2.1 Hệ số thu giảm truy xuất Hiệu việc lập mục thể việc thu giảm khơng gian tìm kiếm, thể hệ số thu giảm truy xuất (pruning power) Hệ số đƣợc tính tốn dựa tỉ số số liệu cần tính tốn khoảng cách thực tổng số liệu ban đầu Trên thực tế, < P 1, số P thấp, chi phí tính tốn thấp, phƣơng pháp biểu diễn đánh mục tối ƣu Chỉ số P cao, phƣơng pháp đánh mục khơng có ích tƣơng đƣơng với trình tìm kiếm tập chuỗi ban đầu Tiến hành thực nghiệm tập liệu, thực 100 lần truy vấn với ảnh truy vấn đƣợc lấy ngẫu nhiên từ tập liệu ban đầu Cấu trúc mục sử dụng lần lƣợt hệ số nén (k) 2, 4, 8, 16 số điểm nút lần lƣợt 50 100 Các thông số đƣợc sử dụng cho phƣơng pháp tìm kiếm lân cận cấu trúc VPC-Tree VP-Tree cải tiến 49 5.2.2 Số lần truy xuất đĩa trình tìm kiếm Trong toán khai phá liệu chuỗi thời gian, việc đánh mục thực cần thiết nhằm hỗ trợ tìm kiếm tƣơng tự Việc lập mục nhằm hạn chế thao tác truy xuất nhớ ngồi Vì vậy, để so sánh hiệu suất tìm kiếm, so sánh số lần truy xuất đĩa tìm kiếm ảnh lân cận (nearest neighbor) cấu trúc mục Số lần truy xuất đĩa nhỏ trình tìm kiếm mục tốt, số lần truy xuất đĩa cao, việc tìm kiếm mục khơng hiệu Q trình tìm kiếm mục lý tƣởng tìm đƣợc chuỗi tƣơng tự chuỗi truy vấn lần truy xuất đĩa Trên tập liệu, sử dụng hệ số nén (k) lần lƣợt 2, 4, 8, 16 số điểm nút 50 100 cho cấu trúc VPC-Tree VP-Tree cải tiến Số lần truy xuất đĩa đƣợc tính trung bình 100 lần truy vấn với ảnh truy vấn đƣợc lấy ngẫu nhiên từ tập liệu ban đầu 5.2.3 Thời gian tìm kiếm Mặc dù số lần truy xuất đĩa thƣớc đo hiệu cho cấu trúc mục, nhƣng thời gian tìm kiếm mang tính thực tế để đánh giá hiệu Chúng tơi thực 100 lần truy vấn ngẫu nhiên cấu trúc VP-Tree có hệ số nén lần lƣợt 2,4,8,16 số điểm nút 50 100 với tập liệu Thời gian tìm kiếm đƣợc lấy trung bình từ 100 lần truy vấn 5.2.4 Kích thƣớc lƣu trữ mục Đó không gian nhớ sử dụng để lƣu trữ cấu trúc liệu dùng lập mục Tiêu chuẩn đƣợc đặt để đánh giá khả nén cấu trúc liệu VP-Tree, VPC-Tree VP-Tree cải tiến 50 Chúng thực gọi thủ tục tạo cấu trúc VP-Tree, VPC-Tree, VP-Tree cải tiến với hệ số nén lần lƣợt 2, 4, 8, 16 số điểm nút là 100 tập liệu Thực nghiệm ghi nhận kích thƣớc nhớ đƣợc sử dụng để lƣu trữ cấu trúc liệu 5.3 Đánh giá kết thực nghiệm 5.3.1 Thực nghiệm tập liệu Data1 Tiến hành thực 100 lần tìm kiếm với ảnh tìm kiếm đƣợc lấy ngẫu nhiên từ tập liệu ảnh đƣợc xoay trƣớc đƣa vào tìm kiếm Tập liệu đƣợc lập mục cấu trúc VP-Tree cải tiến VPC-Tree có hệ số nén k lần lƣợt 2, 4, 8, 16 số ảnh nút tối đa lần lƣợt 50, 100 Kết thực nghiệm tập Data1 nhƣ sau 5.3.1.1 Hệ số thu giảm truy xuất k 16 VP Cải tiến 0.0045 0.0044 0.0045 0.0044 VPC 0.3641 0.3020 0.2476 0.2226 Hình 5.3 Hệ số thu giảm truy xuất với có nút chứa tối đa 100 ảnh k 16 VP Cải tiến 0.0025 0.0025 0.0026 0.0027 VPC 0.3233 0.2226 0.1675 0.1740 Hình 5.4 Hệ số thu giảm truy xuất với có nút chứa tối đa 50 ảnh 51 Nhận xét: - Hệ số thu giảm VP-Tree cải tiến nhỏ nhiều so với VPCTree chứng tỏ VP-Tree cải tiến hiệu VPC-Tree thu giảm truy xuất - Giá trị hệ số thu giảm truy xuất thực nghiệm cấu trúc VPTree cải tiến gần nhƣ không thay đổi theo hệ số nén k - Các ảnh đƣợc truy xuất trình tìm kiếm gồm truy xuất ảnh nút nội truy xuất ảnh đƣợc chứa nút Điều giải thích số ảnh nút giảm hệ số thu giảm giảm theo 5.3.1.2 Số lần truy xuất đĩa Thực nghiệm tiến hành nhƣ mô tả 5.2.3, kết nhƣ sau k 16 VP Cải tiến 1.3200 1.0200 1.0600 1.0400 VPC 788.7900 240.9800 40.8500 18.8400 Hình 5.5 Số lần truy xuất đĩa ứng với có nút chứa tối đa 100 ảnh k 16 VP Cải tiến 1.0100 1.1600 1.0800 1.0900 VPC 926.2400 254.8700 37.5500 21.1400 Hình 5.6 Số lần truy xuất đĩa ứng với có nút chứa tối đa 50 ảnh 52 Nhận xét: - Số lần truy xuất đĩa cấu trúc VP-Tree cải tiến gần gần nhƣ không đổi Cấu trúc VP-Tree cải tiến giảm đáng kể thao tác truy xuất nhớ (đĩa) so với cấu trúc VPC - Việc thay đổi số ảnh nút làm thay đổi chiều cao Với cấu trúc VPC, tìm kiếm có số ảnh tối đa 50 tốn nhiều thao tác truy xuất đĩa phải tìm kiếm nhiều nhánh 5.3.1.3 Thời gian tìm kiếm VP Cải tiến 0.0094 0.0096 0.0092 0.0090 k 16 VPC 1.9994 0.8766 0.5176 0.4266 Hình 5.7 Thời gian tìm kiếm với có nút chứa tối đa 100 ảnh k 16 VP Cải tiến 0.0072 0.0079 0.0081 0.0084 VPC 2.0643 0.8665 0.4145 0.4226 Hình 5.8 Thời gian tìm kiếm với có nút chứa tối đa 50 ảnh 53 Nhận xét: - Tìm kiếm lân cận cấu trúc VP-Tree cải tiến tốn thời gian so với thực tìm kiếm lân cân cấu trúc VPC-Tree - Số lƣợng ảnh chứa nút thay đổi ảnh hƣởng đến thời gian tìm kiếm chiều cao thay đổi chi phí tính tốn nút nút nội thay đổi: nút chứa nhiều ảnh chi phí tính tốn nhiều nút lá; nút chứa ảnh dẫn đến chiều cao thay đổi, số nút nội tăng chi phí tính tốn nút nội tăng 5.3.1.4 Kích thƣớc nhớ lƣu cấu trúc Tiến hành gọi thủ tục tạo cấu trúc VP-Tree, VPC-Tree, VP-Tree cải tiến với hệ số nén lần lƣợt 2, 4, 8, 16 số lƣợng ảnh nút tối đa 100, tập liệu sử dụng Data1 Kích thƣớc nhớ báo cáo lấy thơng số kích thƣớc nhớ lƣu biến Matlab k 16 VPC VP Cải tiến 4826096 4946208 5306096 5418048 6266096 6361728 8186096 8249088 VP 17417200 17417200 17417200 17417200 Hình 5.9 Kích thƣớc nhớ lƣu trữ cấu trúc Nhận xét: - So với cấu trúc VP-Tree truyền thống cấu trúc VPC-Tree VPTree cải tiến có kích thƣớc giảm gấp lần 54 - VP-Tree cải tiến có kích thƣớc lƣu trữ lớn 3% so với VPC-Tree 5.3.2 Thực nghiệm tập liệu Data2 Data3 Tiến hành thực nghiệm tƣơng tự với tập liệu Data2 Data3 kết thu đƣợc thống kê nhƣ sau: Data2 Data3 k k VP Cải tiến VPC VP Cải tiến VPC 0.0165 0.4909 0.0331 0.7735 ảnh nút 0.0166 0.3387 0.0328 0.6629 max=100 0.0165 0.3394 0.0340 0.6076 0.0166 0.2845 16 0.0328 0.5714 16 0.0090 0.3979 0.0178 0.6507 0.0088 0.3093 0.0177 0.5651 ảnh nút max=50 0.0092 0.2954 0.0178 0.4720 16 0.0089 0.2234 16 0.0178 0.5215 Bảng 5.1 Thực nghiệm hệ số thu giảm tập liệu Data2 Data ảnh nút max=100 ảnh nút max=50 k 16 16 Data2 VP Cải tiến 1.0000 1.0000 0.9700 0.9900 1.1100 0.9700 1.1200 0.9900 k VPC 212.8600 35.0300 12.4300 6.8900 16 252.5100 50.4800 14.2500 7.8400 16 Data3 VP Cải tiến 1.2500 1.1000 1.2100 1.1100 1.4800 1.1500 1.1700 1.0900 VPC 281.6100 90.8800 27.6800 11.5000 256.1400 91.6000 28.4400 16.3500 55 Bảng 5.2 Thực nghiệm số lần truy xuất đĩa tập liệu Data2 Data Data2 Data3 k VP Cải tiến VPC k VP Cải tiến VPC 0.0404 1.5008 0.0134 0.6256 ảnh nút 0.0117 0.3149 0.0095 0.2752 max=100 0.0106 0.2430 0.0099 0.1905 0.0108 0.1890 16 0.0095 0.1604 16 0.0082 0.7160 0.0077 0.4713 0.0077 0.2965 0.0072 0.2692 ảnh nút max=50 0.0090 0.2313 0.0076 0.1676 16 0.0079 0.1606 16 0.0091 0.1728 Bảng 5.3 Thực nghiệm thời gian tìm kiếm tập liệu Data2 Data Nhận xét: Thực nghiệm tập liệu Data2 Data3 cho kết tƣơng tự nhƣ thực nghiệm tập liệu Data1 5.4 Kết luận: Thực nghiệm cho thấy cấu trúc VP-Tree cải tiến mang lại hiệu so với cấu trúc VPC-Tree So với cấu trúc VPC-Tree, VP-Tree có hệ số thu giảm truy xuất thấp (khả thu giảm truy xuất cao), số lần truy xuất đĩa gần nhƣ lý tƣởng (gần 1) thời gian tìm kiếm nhỏ Điểm bật cấu trúc VPC-Tree khả nén liệu so với cấu trúc VP-Tree truyền thống Với đề xuất chúng tôi, cấu trúc VP-Tree cải tiến nén liệu nút không nén nút nội Dung lƣợng nhớ lƣu cấu trúc VPTree cải tiến có kích thƣớc lớn 3% so với cấu trúc VPC-Tree Đó giới hạn cấu trúc VP-Tree cải tiến so với VPC-Tree Tuy nhiên điều hồn tồn xứng đáng so với hiệu mà cấu trúc VP-Tree cải tiến mang lại 56 CHƢƠNG 6: KẾT LUẬN Chƣơng tổng kết việc làm đƣợc, đóng góp luận văn nhƣ trình bày hƣớng mở rộng cho nghiên cứu sau 6.1 Tổng kết Luận văn đƣa vấn đề cần giải “phát triển kỹ thuật tìm kiếm ảnh chiều dựa chuỗi liệu thời gian” Đây toán ứng dụng thành tựu lĩnh vực khai phá liệu chuỗi thời gian xử lý ảnh (so trùng ảnh) Nội dung luận văn trình bày kiến thức lĩnh vực khai phá liệu chuỗi thời gian nhƣ khái niệm chuỗi thời gian, phƣơng pháp biểu diễn liệu chuỗi thời gian, hàm tính độ tƣơng tự, cấu trúc mục Bên cạnh đó, luận văn trình bày thách thức lĩnh vực so trùng ảnh dựa biểu diễn chuỗi thời gian ảnh, xử lý phép quay ảnh Luận văn tập trung vào lý thuyết để giải vấn đề nhƣ: phép biến biến đổi Fourier, kỹ thuật nén chuỗi Fourier, phƣơng pháp xây dựng hàm biên dƣới dựa biến đổi Fourier, cấu trúc mục VP-Tree Để giải vấn đề, luận văn sử dụng phƣơng pháp biến đổi ảnh sang chuỗi thời gian cách dựa đƣờng biên hình dạng ảnh chuẩn hóa chuỗi thời gian sau biến đổi Chúng sử dụng phƣơng pháp thu giảm số chiều PAA để đảm bảo số chiều ảnh (chuỗi thời gian ảnh) truy vấn số chiều với tập liệu hệ thống tìm kiếm Để xử lý phép quay, chúng tơi sử dụng phƣơng pháp trích xuất đặc điểm bất biến phép quay dựa biến đổi Fourier chuỗi thời gian Ngồi việc trích xuất đặc điểm bất biến phép quay, biến đổi Fourier cho phép thu giảm số chiều nén liệu Để tăng hiệu tìm kiếm, chúng tơi sử dụng phƣơng pháp lập mục tập liệu Chúng sử dụng cấu trúc liệu VP-Tree cải tiến nén liệu nút để lập mục cho tập liệu vừa 57 hỗ trợ hiệu tìm kiếm vừa giảm không gian nhớ lƣu trữ cấu trúc mục Với giải pháp đƣa ra, chúng tơi xây dựng hệ thống tìm kiếm ảnh chiều Và kết thực nghiệm chứng tỏ cấu trúc liệu VP-Tree cải tiến mang lại hiệu tìm kiếm so với cấu trúc VPC-Tree 6.2 Những đóng góp đề tài Đề xuất cấu trúc VP-Tree cải tiến với đặc điểm nén điểm nút cho phép thực cắt giảm nhánh trình duyệt Ngồi ra, việc nén điểm nút làm giảm không gian lƣu trữ cấu trúc mục Đề xuất giải thuật tìm kiếm lân cận để thích nghi cấu trúc VPTree Đƣa khung tổng qt cho tốn tìm kiếm ảnh chiều dựa liệu chuỗi thời gian thực hệ thống 6.3 Hƣớng phát triển Kỹ thuật tìm kiếm ảnh chiều sử dụng phƣơng pháp biến đổi ảnh sang chuỗi thời gian dựa đƣờng biên hình dạng ảnh Thực tế cho thấy có ảnh nhiều nguyên nhân nhƣ đƣờng bao bị hở khuyết,… dẫn đến việc xác định hình dạng bị sai Vì hƣớng phát triển khâu xử lý ảnh tiền xử lý liệu chuỗi thời gian ảnh để khắc phục đƣợc nhƣợc điểm Kỹ thuật đề xuất cho phép thu giảm số chiều ảnh (chuỗi thời gian ảnh) truy vấn số chiều ảnh tập liệu dẫn đến số trƣờng hợp, ảnh truy vấn sau chuyển sang chuỗi thời gian có số chiều nhỏ số chiều tập liệu Vì hƣớng 58 phát triển tiền xử lý ảnh cách phóng to ảnh cho ảnh phóng to sau chuyển sang chuỗi thời gian có số chiều lớn số chiều tập liệu 59 TÀI LIỆU THAM KHẢO [1] R Agrawal, C Faloutsos, A N Swami (1993) Efficient Similarity Search In Sequence Databases In proceedings of the 4th International Conference on Foundations of Data Organization and Algorithms, p.69-84, October 1315, 1993 [2] Nafiz Arica and Fatos T Yarman Vural (2005) Shape Similarity Measurement for Boundary Based Features Image Analysis and Recognition Vol 3656 2005 pp431 – 438 [3] Attalla, E and Siy, P (2005) Robust shape similarity retrieval based on contour segmentation polygonal multiresolution and elastic matching Pattern Recognition, Vol 38 (12), 2005, pp2229-2241 [4] D Berndt and J Clifford (1994) Using dynamic time warping to find patterns in time series In proceedings of AAAI Workshop on Knowledge Discovery in Databases, KDD-94, Seattle, Washington, USA, pp 359-370 [5] K Chan & A W Fu (1999) Efficient Time Series Matching by Wavelets In proceedings of the 15th IEEE Int'l Conference on Data Engineering Sydney, Australia, Mar 23-26, 1999 pp 126-133 [6] Q Chen, L Chen, X Lian, Y Liu, and J.X Yu (2007) Indexable PLA for Efficient Similarity Search Proc 33rd Int'l Conf Very Large Data Bases (VLDB), 2007 [7] Andrei C Jalba, Michael H.F Wilkinson (2006) Shape representation and recognition through morphological curvature scale spaces IEEE Transactions on Image Processing Vol 15, 2006 pp331 – 341 [8] C Faloutsos, M Ranganathan & Y Manolopoulos (1994) Fast Subsequence Matching in Time-Series Databases In proceedings of the ACM SIGMOD Int’l Conference on Management of Data May 24-27, Minneapolis, MN, 1994 pp 419-429 [9] A Fu, P Chan, Y.-L Cheung, and Y S Moon (2000) Dynamic VPTree Indexing for N-Nearest Neighbor Search Given Pair-Wise Distances The VLDB Journal, 2000 [10] A Guttman (1984) R-tree: A dynamic index structure for spatial searching In SIGMOD '84, Proceedings of 20th International Conference on Very Large Data Bases Morgan Kaufmann 60 [11] J Lin, E Keogh, S Lonardi, & B Chiu (2003) A Symbolic Representation of Time Series, with Implications for Streaming Algorithms In proceedings of the 8th ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery San Diego, CA June 13 [12] Keogh, E (2006) www.cs.ucr.edu/~eamonn/shape/shape.htm [13] E Keogh (2006) A Tutorial on Indexing and Mining Time Series Data In Proceedings of the 32th International Conference on Very Large Databases, VLDB2006, Seoul, Korea [14] E Keogh, K Chakrabarti, M.J Pazzani and S Mehrotra (2001) Dimensionality Reduction for Fast Similarity Search in Large Time Series Databases KAIS 3(3), 2001, pp263–286 [15] E.Keogh, L.Wei, X.Xi, S.Lee,and M.Vlachos (2006) LB Keogh supports exact indexing of shapes under rotation invariance with arbitrary representations and distance measures VLDB, 2006 [16] E Keogh (2007) Mining shape and time series databases with symbolic representations Tutorial of the 13rd ACM Interantional Conference on Knowledge Discovery and Data Mining, August 12-15, 2007 [17] E Ouatik, A Elkharraz, I Daoudi, D Aboutajdine (2007) Vector Approximation based Indexing for High-Dimensional Multimedia Databases Information and Communication Technologies International Symposium, ICTIS’07, Fes, Morocco, 2007 [18] C.A Ratanamahatana, E Keogh, A.J Bagnall, S Lonardi (2005) A novel bit level time series representation with implications for similarity search and clustering In proceedings of advances in knowledge discovery and data mining, 9th Pacific-Asia conference, Hanoi Vietnam, May 18-20, pp 771-777 [19] Osada, R., Funkhouser, T., Chazelle, B., and Dobkin, D (2002) Shape Distributions ACM Transactions on Graphics, Vol 21 (4), pp807-832, October, 2002 J Shieh and E Keogh (2008) ISAX: Indexing and Mining Terabyte Sized Time Series SIGKDD 2008 [20] [21] Adamek, T and O'Connor, N.E (2003) Efficient contour-based shape representation and matching Multimedia Information Retrieval, 2003, pp138-143 61 [22] M Vlachos, D Gunopulos, G Das (2004) Indexing Time Series under Condition of Noise In M Last, A Kandel & H Bunke (Eds.), Data Mining in Time Series Databases, World Scientific Publishing [23] Vlachos, M., Vagena, Z., Yu, P S., and Athitsos, V (2005) Rotation invariant indexing of shapes and line drawings In Proceedings of ACM Conference on Information and Knowledge Management (CIKM), pp 131138, 2005 [24] Li Wei, Eamonn Keogh, Xiaopeng Xi and Melissa Yoder (2006) Efficiently finding unusual shapes in large image databases Data Mining and Knowledge Discovery Volume 17 (3), pp343-376 [25] M Vlachos, C Meek, Z Vagena, and D Gunopulos (2004) Identification of Similarities, Periodicities & Bursts for Online Search Queries In Proc of SIGMOD, 2004 [26] Xiaopeng Xi, Eamonn Keogh, Li Wei, Agenor Mafra-Neto (2007) Finding Motifs in Database of Shapes SIAM International Conference on Data Mining , 2007 [27] Dragomir Yankov, Eamonn Keogh, Li Wei, Xiaopeng Xi and Wendy Hodges (2007) Fast Best-Match Shape Searching in Rotation Invariant Metric Spaces SIAM International Conference on Data Mining, 2007 [28] Yianilos, P N (1993) Data structures and algorithms for nearest neighbor search in general metric spaces In Proceedings of the 4th Annual ACM-SIAM Symposium on Discrete Algorithms (Austin, Tex.) ACM, New York, 311–321 [29] Dengsheng Zhang,Guojun Lu (2004) Review of shape representation and description techniques Pattern Recognition Vol 37, 2004 pp1 – 19 62 LÝ LỊCH TRÍCH NGANG Họ tên: Trần Cơng Đời Ngày, tháng, năm sinh: 10/07/1981 Nơi sinh: Đồng Nai Địa liên lạc: 45 Đƣờng Tân Triều, Tân Bình, Vĩnh Cửu, Đồng Nai Số điện thoại: 0908 828 998 QUÁ TRÌNH ĐÀO TẠO Năm 1999 – 2003: Sinh viên Đại học trƣờng ĐH Bách Khoa Tp HCM, Khoa Điện-Điện Tử Năm 2005 – 2008: Sinh viên Đại học trƣờng ĐH Bách Khoa Tp HCM, Khoa Điện-Điện Tử Năm 2009 – nay: Học viên Cao học trƣờng ĐH Bách Khoa Tp HCM, Khoa Khoa Học Máy Tính Q TRÌNH CƠNG TÁC 2004 – nay: giảng dạy sở Tin học Ngoại ngữ Vĩnh Cửu ... liệu chuỗi thời gian ảnh: tìm kiếm tƣơng tự chuỗi thời gian ảnh, tìm motif, tìm dị thƣờng, … 1.3 Kỹ thuật tìm kiếm ảnh chiều dựa liệu chuỗi thời gian Kỹ thuật tìm kiếm ảnh chiều dựa liệu chuỗi thời. .. 1- TÊN ĐỀ TÀI: PHÁT TRIỂN KỸ THUẬT TÌM KIẾM HÌNH ẢNH HAI CHIỀU DỰA TRÊN CHUỖI THỜI GIAN 2- NHIỆM VỤ LUẬN VĂN: Phát triển kỹ thuật tìm kiếm hình ảnh hai chiều dựa chuỗi thời gian ... vực nhƣ sinh học, công nghiệp, … có sử dụng kỹ thuật so trùng ảnh Luận văn đề xuất kỹ thuật tìm kiếm ảnh hai chiều dựa chuỗi thời gian ảnh Trong đó, kỹ thuật mà chúng tơi đề xuất sử dụng phƣơng