Xuất phát từ các đề xuất trên, ở chƣơng này chúng tôi tiến hành đƣa ra chƣơng trình đƣợc cài đặt theo thuật toán HG. Đối với thuật toán này, kết quả chƣơng trình cho ta thấy rõ đƣợc mức độ sai số khi chạy chƣơng trình đối với quá trình tra cứu để từ đó chúng ta đánh giá đƣợc hiệu quả tra cứu của nó so với các thuật toán khác.
KẾT LUẬN
Lƣợc đồ màu toàn cục GCH là một kỹ thuật áp dụng các màu đặc trƣng đơn giản và hiệu quả. Kỹ thuật này có ƣu điểm bất biến với quay, tỉ lệ và tính toán rất đơn giản. Tuy nhiên, kỹ thuật này chỉ đem sự phân bố của các màu vào bản miêu tả ảnh mà không quan tâm đến các quan hệ của các màu và vị trí không gian của các màu trong ảnh.
Để khắc phục hạn chế của GCH, lƣợc đồ màu cục bộ đã đƣợc đề xuất. Với LCH, mỗi ảnh đƣợc chia thành một số khối của các khối có kích cỡ bằng nhau và khoảng cách giữa 2 ảnh là tổng các khoảng cách lƣợc đồ của các khối tƣơng ứng. Tuy nhiên, phƣơng pháp này sử dụng nhiều không gian để lƣu trữ các lƣợc đồ màu biểu diễn ảnh và không có khả năng xử lý đối với các biến đổi hình học nhƣ quay và dịch chuyển, biến đổi vị trí không gian.
Để giảm không gian lƣu trữ các lƣợc đồ màu biểu diễn ảnh khác, phƣơng pháp HG đƣợc đề xuất để biểu diễn và tra cứu ảnh hiệu quả hơn.
Luận văn đã thực hiện đƣợc các công việc sau:
- Tìm hiểu đƣợc tổng quan về tra cứu ảnh dựa vào nội dung
- Tìm hiểu đƣợc phƣơng pháp tra cứu ảnh dựa vào lƣợc đồ màu toàn cục GCH, lƣợc đồ màu cục bộ LCH, lƣợc đồ màu giải CCH,..
- Tìm hiểu đƣợc phƣơng pháp biểu diễn và tra cứu ảnh hiệu quả HG. - Xây dựng hệ thống tra cứu ảnh thử nghiệm sử dụng phƣơng pháp HG. Một số vấn đề cần đƣợc nghiên cứu tiếp trong tƣơng lai:
- Kết hợp đặc trƣng kết cấu và đặc trƣng hình vào quá trình tra cứu.
TÀI LIỆU THAM KHẢO
[1] A. K. Jain, and F. Farroknia, "Unsupervised texture segmentation using Gabor filters," Pattern Recognition, Vo.24, No.12, pp. 1167-1186, 1991. [2] A. Laine, and J. Fan, "Texture classification by wavelet packet signatures,"
IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 15, No. 11, pp. 1186-1191, Nov. 1993.
[3] Beckmann, N., Kriegel, H.-P., Schneider, R., and Seeger, B. (1990). The R*Tree: An efficient and robust access method for points and rectangles. In Proc. of ACM SIGMOD.
[4] Faloutsos, C., Flickner, M., Niblack, W., Petkovic, D., Equitz, W., and R.Barber (1993). Efficient and effective querying by image content. Technical report, IBM Research.
[5] Flickner, M., Sawhney, H., Niblack, W., Ashley, J., Huang, Q., Dom, B., Gorkani, M., Hafner, J., Lee, D., Petkovic, D., Steele, D., and Yanker, P. (1995). Query by image and video content: The QBIC project. IEEE Computer, 28(9).
[6] G. Pass, and R. Zabith, "Histogram refinement for content-based image retrieval," IEEE Workshop on Applications of Computer Vision, pp. 96-102, 1996.
[7] Geusebroek, J. M., van den Boomgaard, R., Smeulders, A. W. M., and Geerts, H. (2001). Color invariance. IEEE Trans. on Pattern Analysis and Machine Intelligence, 23(12):1338–1350.
[8] Gevers, T. and Smeulders, A. W. M. (1999). Color based object recognition.
Pattern Recognition, 32:453–464.
[9] Guttman, A. (1984). R-Tree: A dynamic index structure for spatial searching. In Proc. of ACM SIGMOD.
[10]I. Daubechies, "The wavelet transform, time-frequency localization and signal analysis," IEEE Trans. on Information Theory, Vol. 36, pp. 961-1005, Sept. 1990.
[11]J. Huang, et al., "Image indexing using color correlogram," IEEE Int. Conf. on Computer Vision and Pattern Recognition, pp. 762-768, Puerto Rico, June 1997.
[12]J. M. Francos. "Orthogonal decompositions of 2D random fields and their applications in 2D spectral estimation," N. K. Bose and C. R. Rao, editors,
Signal Processing and its Application, pp.20-227. North Holland, 1993. [13]M. Stricker, and M. Orengo, "Similarity of color images," SPIE Storage and
Retrieval for Image and Video Databases III, vol. 2185, pp.381-392, Feb. 1995.
[14] [Ng, R. T. and Tam, D. (1999). Multilevel filtering for high-dimensional image data: Why and how. IEEE Tran. on Knowledge and Data Engineering, 11(6):916–928.
[15]P. Brodatz, "Textures: A photographic album for artists & designers," Dover, NY, 1966.
[16]Quynh, N. H. and Tao, N. Q (2008), ―Segmenting the images into homogeneous clusters for retrieving landscape images‖, Posts, Telecommunications and Information Technology Journal (PTITJ), Issue 3, pp. 54-59.
[17]Rui, Y., Huang, T. S., and Chang, S.-F. (1999). Image retrieval: Current techniques, promising directions, and open issues. Journal of Visual Communication and Image Representation, 10:39–62.
[18]Schettini, R., Ciocca, G., and Zuffi, S. (2001). Color Imaging Science: Exploiting Digital Media, Ed. R. Luo and L. MacDonald, chapter A Survey on Methods for Colour Image Indexing and Retrieval in Image Database. John Wiley.
[19]Swain, M. J. and Ballard, D. H. (1991). Color indexing. International Journal of Computer Vision, 7(1):11–32.
[20]T. Chang, and C.C.J. Kuo, "Texture analysis and classification with tree- structured wavelet transform," IEEE Trans. on Image Processing, vol. 2, no. 4, pp. 429-441, October 1993.
[21]W. Niblack et al., "Querying images by content, using color, texture, and shape," SPIE Conference on Storage and Retrieval for Image and Video Database, Vol. 1908, pp.173-187, April 1993.
[22]Weber, R., Schek, H., and Blott, S. (1998). A quantitative analysis and performance study for similarity search methods in high-demensional spaces. In Proc. of Int’l Conf. on Very Large Databases, pages 194–205.
[23]Y. Gong, H. J. Zhang, and T. C. Chua, "An image database system with content capturing and fast image indexing abilities", Proc. IEEE International Conference on Multimedia Computing and Systems, Boston, pp.121-130, 14-19 May 1994.
[24] R. Diestel (1997), Graph theory: Graduate texts in mathematics, 173, New York : Springer.
[25]Quynh, N. H and Tao, N. Q (2009), ―A novel method for content based image retrieval using color features‖, International Journal of Computer Sciences and Engineering Systems, Vol.3, No.1, 5 pp. 1-6.
[26]R.O Stehling, M.A. Nascimento, A.X. Falc˜ao (2003), ―Cell histograms versus color histograms for image representation and retrieval‖, Knowledge and Information Systems (KAIS) Journal, pp. 151-179.
[27] A. Del Bimbo. Visual Information Retrieval. Morgan Kaufmann, 1999. [28] V. Kashyap, K. Shah, and A. Sheth. Metadata for building the multimedia
[29] J.R. Smith. Integrated Spatial and Feature Image Systems: Retrieval, Compression and Analysis. PhD thesis, Graduate School of Arts and Sciences, Columbia University, Feb 1997.
[30] Pi, M., Mandal, M. K., and Basu, A. (2005), ―Image retrieval based on histogram of fractal parameters‖, IEEE Trans. Multimedia 7, 4, pp. 597–605. [31] Ritendra Datta, Dhiraj Joshi, Jia Li and James Z. Wang (2008), ``Image
Retrieval: Ideas, Influences, and Trends of the New Age,'' ACM Computing Surveys, vol. 40, no. 2, pp. 1-60.
[32] V. Castelli and L. D. Bergman (2002), Image Database Search and Retrieval of Digital Imagery, John Wiley & Sons, Inc., New York.
[33] Y. Rui, T. Huang, and S. Chang (1999), ―Image retrieval: current techniques, promising directions and open issues‖, Journal of Visual Communication and Image Representation, 10(4), pp. 39–62.
[34] R.O. Stehling, M.A. Nascimento, A.X. Falc*ao (2002), Techniques for color-based image retrieval, in: C. Djeraba (Ed.), Multimedia Mining—A Highway to Intelligent Multimedia Documents, Kluwer Academic, Dordrecht (Chapter 4).