Trong chương 3, luận văn đã phân tích thiết kế hệ thống và xây dựng theo mô hình tra cứu được đề xuất ở chương 2, đồng thời xây dựng tập ảnh thử nghiệm cho hệ thống. Một phương pháp đánh giá kết quả hệ thống và so sánh với một số hệ thống tra cứu khác tương tự cũng được trình bày trong chương này. Theo đó, hiệu quả tra cứu của hệ thống theo mô hình đề xuất cho hiệu quả tra cứu tốt hơn trên cùng một tập dữ liệu thử nghiệm. Đáp ứng được mục tiêu đặt ra ban đầu là nâng cao chất lượng tra cứu ảnh.
KẾT LUẬN
Các hệ thống tra cứu ảnh truyền thống có những hạn chế về độ chính xác thấp là do gặp vấn đề về khoảng cách ngữ nghĩa giữa mô tả ảnh bởi đặc trưng mức thấp và ngữ nghĩa của ảnh được cho người dùng. Để giải quyết hạn chế này có nhiều cách tiếp cận khác nhau và phản hồi liên quan là một cách tiếp cận hiệu quả.
Các phương pháp theo cách tiếp cận phản hồi liên quan thường dựa vào tập ảnh phản hồi từ người dùng để tính toán lại ảnh truy vấn ảnh ở lần lặp sau. Quá trình lặp đi lặp lại cho đến khi người dùng thỏa mãn. Tuy nhiên, các phương pháp tra cứu ảnh sử dụng phản hồi liên quan hiện nay thường phân cụm lại tập ảnh phản hồi tại mỗi lần lặp dẫn đến tốn nhiều thời gian tra cứu.
Để khắc phục hạn chế ở trên, cách tiếp cận đa điểm được đề xuất để có thế lấy được các ảnh liên quan ngữ nghĩa nằm rải rác trong không gian đặc trưng. Với cách tiếp cận này, chúng ta sẽ phân cụm các mẫu phản hồi của người dùng ở lần phản hồi đầu tiên bởi thuật toán phân cụm gia tăng LDA, ở các lần lặp sau ta sẽ gia tăng cụm chứ không thực hiện phân cụm lại tập mẫu phản hồi nữa.
Luận văn đã thực hiện được các công việc sau:
- Tìm hiểu được tổng quan về tra cứu ảnh dựa vào nội dung.
- Tìm hiểu về phương pháp tra cứu ảnh với phản hồi liên quan sử dụng phân cụm gia tăng.
- Tìm hiểu kỹ thuật phân tích phân biệt tuyến tính (LDA).
- Xây dựng hệ thống tra cứu ảnh thử nghiệm sử dụng cụm gia tăng với phản hồi liên quan.
Một số vấn đề cần được nghiên cứu tiếp trong tương lai:
TÀI LIỆU THAM KHẢO Tiếng Việt:
[1] Đỗ Năng Toàn, Phạm Việt Bình (2007), Giáo trình xử lý ảnh, NXB ĐH Thái Nguyên.
[2] Đinh Mạnh Tường (2016) ,Giáo trình Học máy, NXB Khoa học kỹ thuật.
Tiếng Anh:
[3]Moses Charikar, Chandra Chekuri,Tomás Feder, Rajeev Motwani, Incremental clustering and dynamic information retrieval, In:STOC '97 Proceedings of the twenty-ninth annual ACM symposium on Theory of computing, pp. 626-635.
[4] Jin, X., & French, J.C, (2005). "Improving Image Retrieval Effectiveness via Multiple Queries," Multimedia Tools and Applications, vol. 26, pp. 221-245.
[5] J. Fournier, M. Cord, Long-term similarity learning in content-based image retrieval, in: Int. Conf. Image Processing (ICIP), 441{444, 2002.
[6] Quynh Dao Thi Thuy, Quynh Nguyen Huu, Canh Phuong Van, Tao Ngo Quoc (2017), “An efficient semantic–Related image retrieval method”, Expert Systems With Applications, 72, 30-41.
[7] Rocchio, J.J., (1971). Relevance feedback in information retrieval. In: Salton, G. (Ed.), The SMART Retrieval System—Experiments in Automatic Document Processing. Prentice Hall, Englewood Cliffs, NJ, pp. 313–323.
[8] Ying Liua, Dengsheng Zhanga, Guojun Lua, Wei-Ying Ma, A survey of content-based image retrieval with high-level semantics, Pattern Recognition 40 (2007), pp. 262-282.
[9] Alzu'bi, Ahmad; Amira, Abbes; Ramzan, Naeem (2015), Semantic content based image retrieval: A comprehensive study, in: journal of visual communication and image representation, Vol. 32, p. 20-54.
[10] J.R. Smith, C.-S. Li, Decoding image semantics using composite region templates, IEEE Workshop on Content-Based Access of Image and Video Libraries (CBAIVL-98), June 1998, pp. 9–13.
[11] W.K. Leow, S.Y. Lai, Scale and orientation-invariant texture matching for image retrieval, in: M.K. Pietikainen (Ed.), Texture Analysis in Machine Vision, World Scientific, Singapore, 2000.
[12] T. Li, S. Zhu and M. Ogihara, Using discriminant analysis for multi- class classification: An experimental investigation, Knowledge and Information Systems 10(4) (2006).