Trong chương trình thử nghiệm, mỗi bin màu của FCH đại diện là một hàm thành viên mờ, do đó sự dịch chuyển từ một bin màu này sang một bin màu bên cạnh xảy ra dần dần (so với CCH thì xảy ra tức thì). Hơn nữa, mỗi pixel trong một ảnh có một mức độ thành viên cho nhiều bin của các dải FCH giữa khoảng [0, 1]. Do đó, bất kỳ thay đổi nào về giá trị từ ba thành phần đầu vào của pixel ảnh thì biểu đồ màu thay đổi không đáng kể trên nhiều bin màu. Kỹ thuật này đảm bảo việc tìm kiếm các hình ảnh liên quan đến hình ảnh truy vấn tốt hơn CCH. Những kết quả thử nghiệm dưới đây cho thấy FCH mạnh
mẽ hơn với nhiễu và thay đổi độ sáng so với CCH. Hiệu suất hệ thống tìm kiếm ảnh theo FCH tốt hơn so với CCH trên CSDL ảnh thử nghiệm WANG và y tế.
3.6.2.1. FCH mạnh mẽ hơn với nhiễu (Noise)
Học viên tiến hành thử nghiệm bằng cách thêm 15% nhiễu gaussian vào hình ảnh xe bus 340.jpg trong thư mục Images/Buses trong Matlab (ảnh gốc trong hình 3.8). Trong hình 3.8, chương trình thử nghiệm trích xuất biểu đồ màu CCH và FCH của hai hình ảnh này và lưu hình ảnh sau khi thêm nhiễu với tên là 340_noise15.jpg.
Hình 3.8 Biểu đồ màu CCH và FCH của ảnh bus 340.jpg và ảnh đã thêm 15% nhiễu gaussian
Để đánh giá hiệu suất của chương trình thử nghiệm với hai phương pháp CCH và FCH, học viên sử dụng ảnh 340_noise15.jpg làm ảnh truy vấn để tìm kiếm ảnh gốc và các ảnh liên quan bằng chương trình thử nghiệm trên CSDL ảnh đặc trưng WANG với số lượng ảnh lấy ra là 10 và độ đo khoảng cách Euclide. Kết quả thử nghiệm trình bày theo bảng 3.1.
Nhận xét: Về nhận thức hai hình ảnh này giống nhau, nhưng về độ chính xác dựa trên CCH không vượt quá 60%. Khi áp dụng với FCH, kết quả
là tỷ lệ thuận với nhận thức của con người. Đối với hình ảnh xe bus 340.jpg độ chính xác tìm kiếm là 80%.
3.6.2.2. FCH mạnh mẽ hơn với thay đổi độ sáng
Với hình ảnh xe bus 340.jpg ở trên, học viên thay đổi độ sáng 15% so với ảnh gốc và trích xuất biểu đồ màu CCH và FCH của hai ảnh này. Bất kỳ thay đổi nhỏ nào về ánh sáng dẫn đến sự thay đổi lớn trong biểu đồ CCH như được biểu diễn trong hình 3.9. Do đó, hiệu suất của hệ thống CBIR sẽ giảm xuống mức tối thiểu.
Với biểu đồ FCH sự thay đổi rất nhỏ, vì tất cả các cường độ màu sắc được biểu diễn bởi chỉ một bin màu sử dụng hàm thành viên mờ.
Hình 3.9 Biểu đồ màu CCH và FCH của ảnh xe bus 340.jpg và ảnh đã thay đổi độ sáng 15%
Học viên tiến hành thử nghiệm tìm kiếm ảnh bằng chương trình thử nghiệm để tìm kiếm ảnh gốc và các ảnh liên quan từ ảnh truy vấn là ảnh xe bus 340_brightness15.jpg trong 1000 hình ảnh CSDL ảnh WANG với số lượng ảnh lấy ra là 10 và độ đo khoảng cách Euclide.
Kết quả thử nghiệm: FCH cho tỷ lệ tìm thấy ảnh gốc và các ảnh liên quan rất cao 90% so với CCH theo RGB và HSV không quá 30% như được thể hiện trong hình 3.10.
Hình 3.10 Tìm kiếm hình ảnh xe bus đã thay đổi độ sáng với FCH
CCH trong không gian màu RGB không tìm thấy ảnh gốc, chỉ có CCH trong không gian màu HSV tìm thấy ảnh gốc với 10 ảnh trả về như hình 3.12.
Hình 3.11 Tìm kiếm hình ảnh xe bus đã thay đổi độ sáng với CCH trong RGB
Hình 3.12 Tìm kiếm hình ảnh xe bus đã thay đổi độ sáng với CCH trong HSV
Kết quả thử nghiệm với một số ảnh các chủ đề khác nhau trong thư mục ảnh thử nghiệm được trình bày trong bảng 3.1.
Bảng 3.1 Kết quả thử nghiệm độ chính xác với ảnh xe bus và một số ảnh khác nhau đã thêm 15% nhiễu gaussian và thay đổi độ sáng 15%
Ảnh truy vấn
Kết quả thử nghiệm độ chính xác với ảnh đã được
thêm nhiễu 15% trên 10 ảnh trả về
Kết quả thử nghiệm độ chính xác với ảnh đã được thay đổi độ sáng 15% trên
10 ảnh trả về CCH FCH CCH FCH RGB HSV RGB HSV 0/10 6/10 (60%) 8/10 (80%) 0/10 3/10 (30%) 9/10 (90%) 3/10 (30%) 9/10 (90%) 7/10 (70%) 4/10 (40%) 7/10 (70%) 7/10 (70%) 1/10 (10%) 9/10 (90%) 6/10 (60%) 2/10 (20%) 9/10 (90%) 6/10 (60%) 0/10 6/10 (60%) 10/10 (100%) 1/10 (10%) 2/10 (20%) 10/10 (100%) 0/10 0/10 10/10 (100%) 1/10 (10%) 0/10 10/10 (100%) Trung bình 8% 60% 82% 16% 42% 84% Ảnh gốc
Nhận xét: Theo kết quả bảng 3.1, trung bình precisionFCH lần lượt là 82% và 84% cao hơn rất nhiều so với precisionCCH(RGB) và precisionCCH(HSV).
Trong đó, precisionCCH(HSV) trả về số lượng ảnh liên quan cao rất cao 9/10(90%) ở chủ đề ngựa và người châu phi nhưng không tìm được ảnh gốc (phần số gạch chân là tìm được ảnh liên quan nhưng không tìm được ảnh gốc). Như vậy hiệu suất của chương trình thử nghiệm với FCH là tốt hơn CCH. FCH ít nhạy cảm với nhiễu và thay đổi độ sáng.
3.6.2.3. Kết quả thử nghiệm trên CSDL ảnh WANG
Học viên tiến hành thử nghiệm tìm kiếm ảnh với ảnh truy vấn gồm 10 ảnh trong thư mục test lấy từ 100 ảnh của mỗi chủ đề với các lựa chọn khác nhau về CCH trong không gian màu RGB, HSV với số bin màu khác nhau và FCH. Kết quả cho thấy phương pháp tìm kiếm với FCH có độ chính xác tốt nhất với các ảnh trả về trong khoảng từ 1-20.
Bảng 3.2 Một số kết quả thử nghiệm tìm kiếm trên CSDL ảnh WANG
CCH + FCH + RGB + 32 bin màu + Euclide + 20 ảnh kết quả (ảnh khủng long)
CCH + FCH + RGB + 32 bin màu + Euclide + 20 ảnh kết quả (ảnh núi)
3.6.2.4. Kết quả thử nghiệm trên CSDL ảnh Y tế
Với 1200 ảnh y tế chia làm 3 thư mục gồm: 900 ảnh bệnh học, 200 ảnh nội soi, 100 ảnh siêu âm với nhiều cỡ ảnh khác nhau. Học viên đã tiến hành thử nghiệm với 10 ảnh chọn từ các ảnh trong mỗi thư mục. Kết quả thử nghiệm cho thấy FCH và CCH đều cho ra ảnh liên quan với ảnh truy vấn với
tỷ lệ rất cao. Tuy nhiên độ chính xác precision và recall cao không có nghĩa
là tìm chính xác ảnh cần tìm (được xác định thủ công bằng mắt). Với đặc điểm của ảnh siêu âm và ảnh nội soi rất nhiều vùng ảnh bị nhiễu, dư thừa bởi yếu tố máy chụp, do đó để có độ chính xác cao cần phải xử lý ảnh trước.
Bảng 3.3 Một số kết quả thử nghiệm tìm kiếm trên CSDL ảnh y tế
CCH + FCH + RGB + 32 bin màu + Euclide + 20 ảnh kết quả (ảnh siêu âm)
CCH + FCH + RGB + 32 bin màu + Euclide + 20 ảnh kết quả (ảnh nội soi)
CCH + FCH + RGB + 32 bin màu + Euclide + 20 ảnh kết quả (ảnh bệnh học)
Trong chương này, học viên đã thực hiện xây dựng chương trình thử nghiệm với các thuật toán trích chọn biểu đồ màu với CCH và FCH để tạo ra CSDL đặc trưng của ảnh thử nghiệm với CSDL ảnh WANG và CSDL ảnh y tế do học viên thu thập. Kết quả thử nghiệm cho thấy chương trình tìm kiếm ảnh thử nghiệm với FCH có cảm nhận màu tương tự với nhận thức và suy nghĩ của con người hơn CCH và mạnh mẽ với nhiễu và sự thay đổi độ sáng của ảnh truy vấn trong quá trình tìm kiếm ảnh.
KẾT LUẬN
Việc tự động hóa trích chọn đặc trưng và tìm kiếm hình ảnh theo nội dung là một lĩnh vực rất khó và đồ sộ, nhất là việc trích chọn đặc trưng và thực hiện tìm kiếm tự động ở đặc trưng cấp cao (ngữ nghĩa). Trong luận văn này, việc trích chọn đặc trưng và tìm kiếm ảnh đã được thực hiện tự động nhưng mới chỉ dừng lại ở các đặc trưng cấp thấp của ảnh là màu sắc bằng việc sử dụng biểu đồ màu. Học viên đã trình bày và đánh giá một số phương pháp trích chọn đặc trưng hình ảnh hiện nay trên thế giới, đã đưa ra một hướng tiếp cận phù hợp. Trong đó, kỹ thuật biểu đồ màu mờ được sử dụng và đã đạt được những kết quả nhất định.
Các vấn đề mà luận văn đã làm được:
1. Trình bày kiến trúc tổng quan của hệ thống tìm kiếm ảnh theo nội dung, các đặc trưng cấp thấp như màu sắc, kết cấu, hình dạng của hình ảnh sử dụng trong hệ thống CBIR và khả năng ứng dụng. Khái quát về logic mờ và ứng dụng của nó trong việc tính toán biểu đồ màu mờ.
2. Tổng hợp, trình bày và đánh giá một số kỹ thuật tìm kiếm ảnh trên cơ sở biểu đồ màu thông thường và biểu đồ màu mờ.
3. Đưa ra kiến trúc hệ thống tìm kiếm ảnh theo nội dung trên cơ sở biểu đồ màu CCH trong không gian màu RGB, HSV và biểu đồ FCH dựa vào hệ thống liên kết mờ trong không gian màu L*a*b*.
4. Xây dựng được CSDL đặc trưng CCH và FCH của ảnh y tế về bệnh học, nội soi, siêu âm và CSDL ảnh WANG.
5. Xây dựng thành công chương trình thử nghiệm tìm kiếm ảnh trên cơ sở CCH và FCH theo đúng thuật toán đã trình bày với CSDL ảnh thử nghiệm lớn và đánh giá kết quả thử nghiệm. Tuy nhiên, việc đánh giá kết quả vẫn còn
Hướng nghiên cứu tiếp theo:
- Kết hợp các đặc trưng khác như đặc trưng kết cấu và hình dạng và lưới màu trong lập chỉ mục, trích chọn đặc trưng và quá trình tìm kiếm để nâng cao hiệu quả tìm kiếm.
- Cải thiện hiệu năng tìm kiếm của chương trình thử nghiệm với những CSDL ảnh lớn hơn nhất là CSDL ảnh về y tế và cho phép thêm mới đặc trưng của các ảnh mới trong quá trình trích chọn đặc trưng.
TÀI LIỆU THAM KHẢO
[1] Đặng Văn Đức, CSDL đa phương tiện, Bài giảng cho học viên sau đại học, 2005-2017
[2] Constantin Vertan, Nozha Boujemaa, Using Fuzzy Histograms and Distances for Color Image Retrieval, IMEDIA-INRIA France, 2000. [3] Guojun Lu, Multimedia Database Management Systems, Artech
House, Boston – London, 2009
[4] Jhansi Rani S. and V. Vallikumari, Survey on Content Based Image Retrieval Techniques, International Journal of Trend in Research and
Development, 2016.
[5] Ju Han and Kai-Kuang Ma, Fuzzy Color Histogram and Its Use in Color Image Retrieval, IEEE Transaction on Image Processing, 2002. [6] Suhasini P.S., K. Sri Rama Krishna, Murali Krishna, CBIR Using
Color Histogram Processing, Journal of Theoretical and Applied Information Technology, 2009.
[7] Tamalika Chaira, A.K. Ray, Fuzzy Measures for Color Image Retrieval, Fuzzy Sets and Systems, 2005
[8] Yanmei Liang, Hongchen Zhai, Pierre Chavel, Fuzzy Color-Image Retrieval, Optics Communications, 2002
1. If (L is black) and (a is amiddle) and (b is bmiddle) then (fuzzyhist is black).
2. If (L is white) and (a is amiddle) and (b is bmiddle) then (fuzzyhist is white).
3. If (L is Grey) and (a is red) and (b is yellow) then (fuzzyhist is red).
4. If (a is reddish) and (b is yellow) then (fuzzyhist is brown).
5. If (L is white) and (a is green) and (b is yellow) then (fuzzyhist is green).
6. If (L is white) and (a is green) and (b is yellowish) then (fuzzyhist is green).
7. If (L is black) and (b is blue) then (fuzzyhist is blue).
8. If (L is white) and (a is green) and (b is bluish) then (fuzzyhist is cyan)
9. If (L is Grey) and (a is amiddle) and (b is bmiddle) then (fuzzyhist is darkgrey)
10. If (a is greenish) and (b is bluish) then (fuzzyhist is blue)
11. If (a is red) and (b is bluish) then (fuzzyhist is blue)
12. If (L is white) and (b is yellow)then (fuzzyhist is yellow)
13. If (L is black) and (a is reddish) and (b is bluish) then (fuzzyhist is blue).
14. If (a is red) and (b is blue) then (fuzzyhist is blue).
15. If (L is Grey) and (a is reddish) and (b is yellowish) then (fuzzyhist is red)
16. If (L is white) and (a is reddish) and (b is yellowish) then (fuzzyhist is yellow)
17. If (L is black) and (a is reddish) and (b is yellowish) then (fuzzyhist is red)
18. If (a is reddish) and (b is yellow)then (fuzzyhist is yellow)
19. If (L is black) and (b is bluish) then (fuzzyhist is blue)
20. If (L is Grey) and (b is blue) then (fuzzyhist is blue)
21. If (L is Grey) and (a is reddish) and (b is bluish) then (fuzzyhist is
22. If (L is Grey) and (a is amiddle) and (b is bluish) then (fuzzyhist is cyan).
23. If (L is Grey) and (a is amiddle) and (b is yellowish) then (fuzzyhist is brown).
24. If (L is white) and (a is amiddle) and (b is yellowish) then (fuzzyhist is yellow).
25. If (L is Grey) and (a is red) and (b is bmiddle) then (fuzzyhist is red).
26. If (L is Grey) and (a is reddish) and (b is bmiddle) then (fuzzyhist is red).
27. If (L is white) and (a is reddish) and (b is bluish) then (fuzzyhist is magenta).