3.3.1 Hướng dẫn sử dụng chương trình . - Lựa chọn các tham số
Vào menu Image Retrieval -> Method’s Option Các tham số lựa chọn bao gồm:
+ Similarity Method : Lựa chọn phƣơng pháp đo độ tƣơng tự cho màu sắc và hình dạng.
+ Các lựa chọn cho tra cứu theo : By Color (màu sắc), By Shape (hình dạng), By Both (màu sắc và hình dạng)
+ Top N Result : N số kết quả hiển thị (cĩ độ tƣơng tự lớn nhất) + Kích cỡ ảnh chuẩn : Widht (rộng), Height (cao)
+ Threshold : giá trị ngƣỡng cho phép biến đổi ảnh xám
+ Canny : Các tham số cho việc thực hiện dị biên theo thuật tốn Canny (xem phần thuật tốn Canny).
3.3.2 Chương trình và một số kết quả đạt được
Thứ tự trình bày các màn hình dƣới đây chỉ rõ các bƣớc sử dụng chƣơng trình và một số màn hình kết quả.
Vào menu Image Retrieval -> Method’s Option
49
Hình 3.7 - Màn hình lựa chọn các tham số cho chương trình
Hình 3.8- Màn hình lựa chọn menu mở file ảnh lơgơ đưa vào tra cứu
50
Hình 3.9- Màn hình hiển thị ảnh lơgơ đưa vào cùng histogram màu và hình dạng
Hình 3.10- Lựa chọn menu Image Retrieval -> By Color (tra cứu theo màu sắc)
51
Hình 3.11- Màn hình hiển thị kết quả 10 ảnh lơgơ gần giống nhất theo màu sắc
Hình 3.12- Lựa chọn menu Image Retrieval -> By Shape để tra cứu theo hình dạng
52
Hình 3.13- Màn hình hiển thị kết quả 10 ảnh lơgơ gần giống nhất theo hình dạng
53
KẾT LUẬN
Các vấn đề được tìm hiểu trong luận văn:
Việc tìm kiếm đƣợc một bức ảnh mong muốn trong hàng triệu bức ảnh thuộc đủ loại chủ đề khác nhau là rất khĩ khăn. Vấn đề đặt ra là phải cĩ những phƣơng pháp tổ chức cơ sở dữ liệu ảnh tốt cùng với những kỹ thuật tìm kiếm, tra cứu ảnh hiệu quả, cĩ độ chính xác cao và cĩ hiệu năng tốt. Do đĩ, nghiên cứu về tra cứu ảnh dựa vào nội dung là cần thiết.
Tổng hợp, nghiên cứu những nét cơ bản lý thuyết và ứng dụng thực tiễn của Phân cụm dữ liệu. Với sự phát triển ngày càng lớn nhƣ vũ bão của Cơng nghệ thơng tin và sự to ra về Cơ sở dữ liệu thơng tin. Do đĩ yêu cầu về nghiên cứu hồn thiện, áp dụng phƣơng pháp, kỹ thuật Phân cụm dữ liệu là rất cần thiết và cĩ ý nghĩa to lớn.
Chƣơng 1: Luận văn trình bày tổng quan, lý thuyết về phân cụm dữ liệu, logo, ảnh logo và các đặc trƣng của logo.
Chƣơng 2: Giới thiệu tổng quát các thuật tốn phân cụm dữ liệu, thuật tốn phân cụm dữ liệu là rất nhiều, Luận văn chỉ đề cập một số thuật tốn phổ biến, thơng dụng.
Chƣơng 3: Xây dựng chƣơng trình thử nghiệm và áp dụng một số kỹ thuật tra cứu ảnh vào cho bài tốn.
HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI (adsbygoogle = window.adsbygoogle || []).push({});
Phân cụm dữ liệu và ứng dụng của Phân cụm dữ liệu là hƣớng nghiên cứu cần thiết, quan trọng, Tuy nhiên đây cũng là mảng rất rộng, bao hàm nhiều phƣơng pháp, kỹ thuật, và hình thành nhiều nhĩm khác nhau.
Trong quá trình nghiên cứu, thực hiện luận văn mặc dù đã cố gắng tập trung nghiên cứu và tham khảo nhiều tài liệu, bài báo, tạp chí khoa học trong và ngồi nƣớc, nhƣng do trình độ cịn cĩ nhiều giới hạn khơng thể tránh khỏi thiếu sĩt và hạn
54
chế. Em rất mong đƣợc sự chỉ bảo đĩng gĩp nhiều hơn nữa của các thày, cơ giáo, các nhà khoa học...
HƯỚNG NGHIÊN CỨU PHÁT TRIỂN
- Tiếp tục nghiên cứu thêm về lý thuyết về phân cụm dữ liệu.
- Xây dựng, phát triển thêm các kỹ thuật, ứng dụng của Phân cụm dữ liệu.
55
TÀI LIỆU THAM KHẢO
[1]. Đỗ Năng Tồn, Phạm Việt Bình, Giáo trình Xử lý ảnh, Nhà xuất bản Khoa học và Kỹ thuật, Hà Nội 2008.
[2]. Lƣơng Mạnh Bá, Nguyễn Thanh Thủy, Nhập mơn Xử lý ảnh số. Nhà xuất bản Khoa học và Kỹ thuật, Hà Nội 1999.
[3]. http://tailieu.vn/tag/tai-
lieu/X%E1%BB%AD%20l%C3%BD%20%E1%BA%A3nh. [4]. Effective Logo Retrieval with Adaptive Local Feature
Selection, Jianlong Fu, Jinqiao Wang, and Hanqing Lu,
http://nlpr-web.ia.ac.cn/2010papers/gjhy/gh91.pdf.
[5]. Efficient Logo Retrieval Through Hashing Shape Context Descriptors,
Marçal Rusiđol & Josep Lladĩs, http://www.cvc.uab.es/~marcal/pdfs/DAS10a.pdf.
[6]. Automatically Finding Good Clusters with Seed K-Means, Miyoung Shin,Eun Mi Kang and Seon Hee Park
http://www.jsbi.org/pdfs/journal1/GIW03/GIW03P077.pdf
[7]. Data clustering: 50 years beyond K-means, Anil K. Jain, http://biometrics.cse.msu.edu/Publications/GeneralPRIP/JainDataClustering_P RL09.pdf
[8]. Mari Partio, “Content-based Image Retrieval using Shape and Texture Attributes”, Master of Science Thesis,Tampere University of Technology, April 2002.
[9]. Q. Tian, N. Sebe, M.S. Lew, E. Loupias, T. S. Huang, “Content-Based Image Retrieval Using Wavelet-based Salient Points”, August 2001.
56
[10]. Norio Katayama and Shin’ichi Satoh, “Similarity Image Retrieval with Significane-Sensitive Nearest-Neighbor Search”, National Institute of Informatics, 2004.
[11].Pengyu Hong, Qi Tian, Thomas S. Huang, “Incorporate Support Vector Machine to Content-Based Image Retrieval With Relevant Feedback”, IFP Group, Beckman Institute - University of Illinois at Urbana-Champaign, Urbana, USA, 2000.
[12].Kerry Rodden, Wojciech Basalaj,David Sinclair, Kenneth Wood, “A comparison of measures for visualising image similarity”, University of Cambridge Computer Laboratory.
[13].Thomas Deselaers, “Features for Image Retrieval”, Master of Science Thesis, Technische Hochschule Aachen, December 2003.
[14]. Pinar Duygulu, “Interest Points”, Computer Vision, Bilkent University, Spring 2006.
[15].Simone Santani and Ramesh Jain, “Similarity Measures”, University of California, San Diego.
[16].V. Gouet N. Boujemaa, “Object-based queries using color points of interest”, Valerie.Gouet@inria.fr, Nozha.Boujemaa@inria.fr, April 2001. (adsbygoogle = window.adsbygoogle || []).push({});
57
PHỤ LỤC - ẢNH LƠGƠ TRONG CƠ SỞ DỮ LIỆU
58
59
60