Độ đo Nhóm
ảnh Euclidean
City block
Minkowski Mahalanobis Chebychev Cosine L1 L2
Africa 0.62 0.59 0.54 0.54 0.61 0.62 0.49 0.62 Beaches 0.71 0.65 0.67 0.61 0.70 0.69 0.55 0.71 Building 0.54 0.55 0.45 0.50 0.50 0.52 0.43 0.54 Bus 0.75 0.77 0.69 0.72 0.73 0.74 0.67 0.75 Dinosaur 0.89 0.88 0.81 0.80 0.83 0.82 0.78 0.89 Elephants 0.55 0.61 0.55 0.52 0.50 0.55 0.50 0.55 Flowers 0.89 0.87 0.80 0.79 0.81 0.83 0.79 0.89 Food 0.56 0.54 0.48 0.53 0.52 0.52 0.52 0.56 Horses 0.52 0.51 0.43 0.49 0.48 0.47 0.43 0.52 Mountains 0.53 0.58 0.50 0.50 0.49 0.50 0.49 0.53
Để xem xét hiệu quả của việc sử dụng các độ đo tương tự khác nhau, luận văn đã tiến hành thực nghiệm và đánh giá khi sử dụng vec tơ đặc trưng tổng hợp và kết quả trả về là 20 ảnh, không sử dụng phản hồi liên quan. Kết quả được thể hiển trong Bảng 3.2. Trong trường hợp này, khoảng cách tốt hơn trong trường hợp khoảng cách euclid, Chebyshev, L2 và cosine cho kết quả tốt hơn các khoảng cách còn lại. Bảng 3.2 cũng cho thấy các nhóm Dinosaur, Flowers và Bus cho độ chính xác cao do các ảnh trong nhóm này có nhiều sự tương đồng. Các nhóm khác cho kết quả về độ chính xác thấp hơn.
3.5.3.2 Ảnh hưởng của các phương pháp trích chọn đặc trưng
Từ kết quả đạt được khi đánh giá các phương pháp sử dụng độ đo khác nhau, luận văn lựa chọn một số độ đo có kết quả tốt nhất để đánh giá việc ảnh hưởng đến kết quả truy vấn khi sử dụng các phương pháp trích chọn đặc trưng khác nhau. Qua việc phân tích các tài liệu liên quan, có thể thấy đặc trưng kết cấu có vai trò quan trọng không thể thiếu trong việc xây dựng hệ thống tra cứu ảnh với độ chính xác cao. Vì vậy, luận văn sẽ đánh giá hiệu quả của sự kết hợp của đặc trưng kết cấu với các đặc trưng màu khác nhau. Kết quả được đánh giá dựa trên giá trị trung bình của độ chính xác khi thực hiện trên 10 nhóm ảnh, trả về 80 kết quả và không sử dụng phản hồi liên quan. Kết quả này được thể hiện trong Bảng 3.3.