intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Tóm tắt Luận án tiến sĩ Khoa học Máy tính: Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân

Chia sẻ: Tỉ Thành | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST
Báo xấu
30
lượt xem 4
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục tiêu của luận án "Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân" là xây dựng phương pháp tìm kiếm ảnh hiệu quả, nghĩa là tăng tốc độ tìm kiếm và đảm bảo độ chính xác cao.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án tiến sĩ Khoa học Máy tính: Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân

  1. ĐẠI HỌC HUẾ TRƯỜNG ĐẠI HỌC KHOA HỌC VĂN THẾ THÀNH TÌM KIẾM ẢNH DỰA TRÊN ĐỒ THỊ CHỮ KÝ NHỊ PHÂN CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 62.48.01.01 LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH Người hướng dẫn khoa học: PGS.TS Lê Mạnh Thạnh HUẾ - NĂM 2017
  2. Công trình được hoàn thành tại: Trường Đại học Khoa học, Đại học Huế Người hướng dẫn khoa học: PGS. TS Lê Mạnh Thạnh Phản biện 1:. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .............................................................................. .............................................................................. .............................................................................. Phản biện 2:. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .............................................................................. .............................................................................. .............................................................................. Phản biện 3:. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .............................................................................. .............................................................................. .............................................................................. Luận án sẽ được bảo vệ tại Hội đồng chấm luận án cấp Đại học Huế họp tại: .............................................................................. .............................................................................. .............................................................................. Vào hồi. . . . . . giờ. . . . . . ngày. . . . . . tháng. . . . . . năm. . . . . . . . . Có thể tìm hiểu luận án tại thư viện: .............................................................................. .............................................................................. ..............................................................................
  3. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân MỞ ĐẦU 1. Lý do chọn đề tài Ngày nay, dữ liệu đa phương tiện được lưu trữ và ứng dụng rộng rãi trong nhiều hệ thống như: hệ thống thư viện số, hệ thống thông tin địa lý, hệ thống điều tra hình sự, v.v. Dữ liệu đa phương tiện, đặc biệt là ảnh số đã trở nên thân thuộc và được sử dụng trên nhiều thiết bị khác nhau như camera, mobile, smartphone, v.v. Lyman và cộng sự đã ước tính dung lượng thông tin trên toàn cầu có hơn 4 exabyte vào năm 2000. Hilbert và López ước tính dung lượng thông tin toàn cầu vào năm 2007 khoảng 1,15 zettabyte. Bohn và Short ước tính dung lượng thông tin toàn cầu năm 2008 khoảng 3,6 zettabyte và kích thước gia tăng trong năm 2011 khoảng 1.800 exabyte, gấp 700 lần so với dung lượng gia tăng năm 2002. Theo (IDC, 2016 ), dữ liệu gia tăng trên toàn cầu trong năm 2012 khoảng 2.800 exabyte, ước tính dung lượng gia tăng năm 2020 là 40 zettabyte. Năm 2015, thế giới đã chia sẻ hơn 1,6 nghìn tỷ hình ảnh, trong đó 70% hình ảnh được tạo ra từ thiết bị mobile (C. Chute, 2015 ). Trong vấn đề truy vấn dữ liệu, đặc biệt là dữ liệu ảnh, tìm kiếm hình ảnh tương tự là một bài toán quan trọng (T. Acharya, 2005 ; L. Deligiannidis, 2015 ). Với mong muốn đóng góp một phương pháp tìm kiếm ảnh hiệu quả, luận án thực hiện đề tài: "Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân". 2. Mục tiêu của luận án Mục tiêu của luận án là xây dựng phương pháp tìm kiếm ảnh hiệu quả, nghĩa là tăng tốc độ tìm kiếm và đảm bảo độ chính xác cao. 3. Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu: (1) Phương pháp tạo chữ ký nhị phân; (2) Độ đo tương tự giữa các chữ ký nhị phân; (3) Cấu trúc dữ liệu lưu trữ chữ ký nhị phân; (4) Thuật toán tạo cấu trúc dữ liệu và tìm kiếm ảnh. Phạm vi nghiên cứu: Tìm kiếm ảnh theo nội dung bằng cách sử dụng đồ thị chữ ký nhị phân. 4. Phương pháp nghiên cứu Phương pháp lý thuyết: Tổng hợp một số công bố liên quan và đánh giá ưu khuyết điểm. Trên cơ sở đó, luận án phát triển phương pháp tạo chữ ký nhị phân, xây dựng cấu trúc dữ liệu và thuật toán tìm kiếm ảnh. Phương pháp thực nghiệm: Thực hiện việc cài đặt các thuật toán của 1
  4. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân luận án nhằm minh chứng tính hiệu quả về độ chính xác và tốc độ tìm kiếm. Các tập dữ liệu ảnh được sử dụng cho cài đặt thực nghiệm bao gồm: COREL, CBIRimages, WANG, ImageCLEF, MSRDI, ImgColl01, ImgColl02. Trên cơ sở số liệu thực nghiệm (chi tiết tại https://sites.google.com/site/itcsites/sources), luận án thực hiện phân tích, đánh giá và so sánh với các công trình khác. 5. Ý nghĩa khoa học và thực tiễn Ý nghĩa khoa học của luận án là xây dựng phương pháp tìm kiếm ảnh tương tự theo nội dung, đồng thời đề xuất cấu trúc dữ liệu và thuật toán để tăng tốc độ tìm kiếm trên tập dữ liệu ảnh lớn. Đóng góp của luận án: (1) Đề xuất một số cải tiến cho cây S-Tree và thiết kế cấu trúc cây Sig-Tree; (2) Xây dựng cấu trúc đồ thị chữ ký S-k Graph; (3) Xây dựng cấu trúc mạng Sig-SOM; (4) Đề xuất các thuật toán cho phương pháp tìm kiếm ảnh theo nội dung. Ý nghĩa thực tiễn: kết quả nghiên cứu có thể áp dụng để xây dựng một phương pháp tìm kiếm ảnh hiệu quả đáp ứng yêu cầu người dùng. Kết quả luận án có thể tạo ra công cụ tìm kiếm nhằm phục vụ cộng đồng trong các hệ thống đa phương tiện như: thư viện số, tìm kiếm ảnh y khoa, hệ thống GIS, v.v. 6. Bố cục của luận án Ngoài phần mở đầu, phần kết luận và hướng phát triển, danh mục các công trình khoa học của tác giả liên quan đến luận án, tài liệu tham khảo, luận án chia thành 3 chương. Chương 1 trình bày tổng quan về tìm kiếm ảnh dựa trên chữ ký nhị phân. Chương 2 đưa ra một số cải tiến cho tìm kiếm ảnh dựa trên cây S-Tree. Chương 3 đề xuất phương pháp tìm kiếm ảnh trên đồ thị chữ ký. Chương 1. TỔNG QUAN VỀ TÌM KIẾM ẢNH THEO NỘI DUNG DỰA TRÊN CHỮ KÝ NHỊ PHÂN 1.1. Mở đầu Luận án tiếp cận phương pháp tìm kiếm ảnh dựa trên chữ ký nhị phân gồm hai giai đoạn: (1) Tiền xử lý nhằm lưu trữ tập các chữ ký nhị phân trên cấu trúc dữ liệu; (2) Tìm kiếm ảnh nhằm đưa ra tập ảnh tương tự với ảnh tra cứu ban đầu. 1.2. Các công trình nghiên cứu liên quan Tìm kiếm ảnh theo nội dung được giới thiệu vào thập niên 1980 (A. Alzu’bi, 2015 ; Y. Liu, 2007 ). Từ năm 1986, chữ ký nhị phân đã ứng dụng cho bài toán tìm kiếm 2
  5. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân dữ liệu (W.W. Chang, 1989 ; U. Deppisch, 1986). Từ năm 1990 đến 2015, nhiều công trình ứng dụng cây S-Tree và chữ ký nhị phân cho bài toán tìm kiếm ảnh (F. Rabitti, 1990 ; V. Chitkara, 2000 ; J. Landre, 2007; J. Cai, 2014; L. Liu, 2015;...). Từ đó cho thấy phương pháp tìm kiếm ảnh dựa trên chữ ký nhị phân rất khả thi và hiệu quả. Tuy nhiên, các công trình này chưa phát triển cấu trúc dữ liệu cho chữ ký nhị phân, chưa áp dụng các kỹ thuật khai thác dữ liệu lên các chữ ký nhị phân, v.v. 1.3. Định hướng nghiên cứu Luận án phát triển cấu trúc dữ liệu lưu trữ chữ ký nhị phân và đề xuất các thuật toán cho bài toán tìm kiếm ảnh, bao gồm: (1) Tạo chữ ký nhị phân và tính độ tương tự giữa hai hình ảnh; (2) Cải tiến cấu trúc cây S-Tree; (3) Xây dựng đồ thị chữ ký nhị phân; (4) Xây dựng phương pháp tìm kiếm ảnh. 1.4. Các đối tượng cơ sở Luận án tiếp cận các đối tượng cơ sở cho tìm kiếm ảnh dựa trên chữ ký nhị phân, bao gồm: dải màu, lược đồ màu, điểm đặc trưng, đối tượng đặc trưng, chữ ký nhị phân, các giá trị đánh giá hiệu suất, môi trường thực nghiệm và tập các dữ liệu ảnh. 1.5. Tổng kết chương Chương 1 đã tiếp cận các công trình liên quan và các đối tượng cơ sở cho hệ truy vấn ảnh theo nội dung dựa trên chữ ký nhị phân. Nhiều công trình chứng minh tính hiệu quả của phương pháp này về tốc độ tìm kiếm, hiệu suất tìm kiếm. Từ đó cho thấy chữ ký nhị phân là một giải pháp khả thi cho bài toán tìm kiếm ảnh tương tự. Chương 2. CẢI TIẾN PHƯƠNG PHÁP TÌM KIẾM ẢNH DỰA TRÊN CÂY S-Tree 2.1. Giới thiệu Chương này thiết kế cấu trúc và các thao tác cho cây Sig-Tree để cải tiến cây S-Tree. Phần thực nghiệm và đánh giá kết quả được trình bày ở cuối chương. 2.2. Tạo chữ ký nhị phân của hình ảnh Mỗi ảnh I được lượng tử hóa thành n màu c1 , c2 , ..., cn ; mỗi màu cj được mô tả bằng một dãy bit bj1 bj2 ...bjm . Danh sách màu của ảnh I được mô tả như sau: S = b11 b12 ...b1m b21 b22 ...b2m ...bn1 bn2 ...bnm (2.1) trong đó, bji = 1 nếu i = dhi × me, ngược lại bji = 0, với hi là thành phần thứ i của véc-tơ chuẩn hóa lược đồ màu H = (h1 , h2 , ..., hn ) (hi ∈ [0, 1]). 3
  6. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân Đặt B j = bj1 bj2 ...bjm , chữ ký nhị phân của ảnh I là: SIG = B 1 B 2 ...B n (2.5) Chữ ký nhị phân mô tả N vùng đặc trưng cục bộ oiI của ảnh I là: Sig(I) = N i S i=1 Sig(oI ) (2.6) 2.3. Độ đo EMD Độ tương tự EMD giữa ảnh I và J là: (A. Alzu’bi, 2015 ; H. zouaki, 2011 ) .P P EM D(I, J) = ni=1 nj=1 dij fij n n P P i=1 j=1 fij (2.11) với (fij ) là ma trận phân phối luồng màu sắc từ màu ciI đến màu cjJ ; (dij ) là ma trận khoảng cách Euclide trong không gian màu RGB từ màu ciI đến màu cjJ . 2.4. Độ đo Hamming Độ sai biệt di tại cặp phần tử thứ i của hai chữ ký nhị phân Sig(I) và Sig(J) là: ( 1 if (Sig(I)i 6= Sig(J)i ) di = (2.12) 0 if (Sig(I)i = Sig(J)i ) Dựa trên độ đo Hamming (J. Landre, 2007 ), độ tương tự giữa ảnh I và J là: n φ = n1 P di (2.13) i=1 2.5. Cây S-Tree Cây S-Tree (M.A. Nascimento, 2002 ) là cây nhiều nhánh cân bằng theo chiều cao. Mỗi nút trong cây S-Tree gồm nhiều chữ ký liên kết đến các nút con. Mỗi phần tử của nút lá gồm chữ ký và định danh của đối tượng. 2.6. Cây Sig-Tree 2.6.1. Giới thiệu cây Sig -Tree Mỗi nút trong cây Sig-Tree gồm hai thành phần để liên kết đến nút cha và liên kết đến các nút con. Phần này thiết kế cấu trúc và các thao tác trên cây Sig-Tree gồm: chèn nút, loại bỏ nút, tách nút và tìm kiếm trên cây. 2.6.2. Thiết kế cấu trúc dữ liệu cây Sig -Tree Mỗi nút trong cây Sig-Tree có hai phần: (1) Phần liên kết đến nút cha gồm chữ ký tổ hợp và phần liên kết về nút cha: hsignature, parenti; (2) Phần nội dung là tập các chữ ký và liên kết đến nút con: {SIGi = hsignaturei , nexti i|i = 1, ..., k}. Mỗi nút lá cũng gồm hai phần: phần liên kết nút cha hsignature, parenti và phần nội dung {SIGi = hsignaturei , oidi i|i = 1, ..., k} là tập chữ ký nhị phân và định danh. 4
  7. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân 2.6.3. Phép tổ hợp các chữ ký trên cây Sig -Tree Trong cây Sig-Tree, mỗi chữ ký của nút cha là tổ hợp các chữ ký của nút con. Nếu các thành phần của nút con thay đổi thì phải tổ hợp lại các chữ ký của nút cha và thực hiện cho đến nút gốc. Thuật toán tổ hợp chữ ký được đề xuất như sau: Thuật toán 2.5. Tổ hợp chữ ký Input: Nút v cần tổ hợp. Output: Cây Sig-Tree sau khi tổ hợp. Function UnionSignature(v) Begin if v → parent 6= null then Signature = ∨(SIGi → sig), SIGi ∈ v; v → parent → (SIGi → sig) = Signature; U nionSignature(v → parent); end if Return Sig-Tree; End. =0 Mệnh đề 2.3. Độ phức tạp của Thuật toán 2.5 là O(k log n), với n là số chữ ký trên cây, k là chiều dài chữ ký. 2.6.4. Phép tách một nút trên cây Sig -Tree Kết quả của phép tách nút là hai cụm chữ ký rời nhau tương ứng với hai nút trong cây Sig-Tree. Việc tách nút làm cho cây Sig-Tree tăng trưởng theo hướng gốc. Thuật toán tách nút được đề xuất như sau: Thuật toán 2.6. Tách nút Input: Tập các chữ ký S của nút cần tách, chữ ký α và β. Output: Hai nút đã được tách gồm NodeA và NodeB. Function SplitNode(S, α, β) Begin NodeA = {α}; NodeB = {β;} for si ∈ S do Tính độ đo d(α, si ) và d(β, si ); if d(α, si ) < d(β, si ) then Chèn si vào NodeA else Chèn chữ ký si vào NodeB ; end if end for Return {NodeA, NodeB }; End. =0 5
  8. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân Thuật toán 2.7. Tách nút trong cây Sig -Tree Input: Nút cần tách v. Output: Cây Sig-Tree sau khi được tách. Function SplitTree(v) Begin Tạo tập chữ ký S của nút v; Trích xuất hai chữ ký α, β của nút v; {NodeA, NodeB } = SplitNode(S, α, β); Tạo hai chữ ký tổ hợp SigA, SigB của NodeA, NodeB ; Gán vparent là nút cha của nút v; if (v → parent == null ) then Root = {SigA, SigB} else Bổ sung chữ ký SigA, SigB vào nút vparent ; UnionSignature(v → parent); if (vparent đầy) SplitTree(v → parent); end if end if Return Sig-Tree; End. =0 Mệnh đề 2.4. Độ phức tạp của Thuật toán 2.6 là O(M ), với M là số chữ ký. Mệnh đề 2.5. Độ phức tạp của Thuật toán 2.7 là O(k(log n)2 + M log n), với M, n, k lần lượt là số chữ ký tối đa của nút, số chữ ký trên cây, chiều dài chữ ký. 2.6.5. Phép loại bỏ chữ ký trên cây Sig -Tree Việc loại bỏ một nút trong cây dẫn đến phải loại bỏ một phần tử tương ứng của nút cha. Nếu nút cha sau khi loại bỏ có số phần tử ít hơn số lượng tối thiểu thì phải loại bỏ luôn nút cha và thu gom các chữ ký tại nút lá theo nút cha này và thực hiện thao tác chèn trở lại. Một giải pháp đề xuất là thực hiện gán định danh đối tượng oid = null nếu như một nút lá sau khi loại bỏ có số lượng phần tử nhỏ hơn số lượng tối thiểu. Khi thực hiện thao tác chèn chữ ký tại một nút lá, nếu số lượng phần tử có oid 6= null nhiều hơn số lượng tối thiểu thì thực hiện loại bỏ các phần tử có oid = null. Thuật toán 2.8. Loại bỏ chữ ký Input: Chữ ký Sig và nút lá v, số chữ ký tối thiểu m. Output: Cây Sig-Tree sau khi loại bỏ chữ ký. Function DeleteNode(Sig, v, m) Begin Khởi tạo SIG = v.SIG sao cho v.SIG = Sig; if (v.count > m) then Loại bỏ phần tử SIG; UnionSignature(v) else v.SIG → oid = null; end if Return Sig-Tree; End. =0 6
  9. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân Mệnh đề 2.6. Độ phức tạp của Thuật toán 2.8 là O(k log n), với n là số chữ ký trên cây, k là chiều dài chữ ký. 2.6.6. Phép chèn chữ ký trên cây Sig -Tree Mỗi lần chèn chữ ký vào nút lá thực hiện đếm số phần tử khác trống, nếu vượt qua số lượng tối thiểu thì loại bỏ các phần tử trống này. Nếu nút lá bị đầy thì tách nút theo Thuật toán 2.7. Thuật toán chèn chữ ký được đề xuất như sau: Thuật toán 2.9. Chèn chữ ký Input: Chữ ký Sig và nút v. Output: Cây Sig-Tree sau khi chèn nút. Function InsertNode(Sig, v) Begin if (v là nút lá) then Chèn chữ ký Sig vào nút v; if (số lượng phần tử nút v > m) then Loại bỏ các nút trống; end if UnionSignature(v); if (nút v đầy) then SplitTree(v); end if else Chọn SIG ∈ v : độ đo d(SIG.Sig, Sig) nhỏ nhất; v = SIG → next; InsertNode(v); end if Return Sig-Tree; End. =0 Mệnh đề 2.7. Độ phức tạp của Thuật toán 2.9 là O(k(log n)2 + M log n), với M, n, k lần lượt là số chữ ký tối đa của nút, số chữ ký trên cây, chiều dài chữ ký. 2.6.7. Tìm kiếm trên cây Sig -Tree Luận án mô tả việc tìm kiếm dựa trên cấu trúc STACK trên cây Sig-Tree như sau: Thuật toán 2.10. Tìm kiếm ảnh trên cây Sig -Tree Input: Chữ ký tìm kiếm Sig và cây Sig-Tree. Output: Tập SigOid = {hsigi , oidi i |i = 1, . . . , p}. Function STreeRetrieval(Sig, Sig-Tree) Begin Khởi tạo: v = Root; SigOid = ∅ ; STACK = ∅; while (not Empty(STACK )) do 7
  10. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân v = Pop(STACK ); if (v không phải nút lá) then Chọn SIG0 ∈ v: d(SIG0 → sig, Sig) nhỏ nhất; Push(STACK, Sig0 → next) else SigOid = SigOid ∪ {hv → sigi , v → oidi i |i = 1, . . . , |v|}; end if end while Return SigOid; End. =0 Mệnh đề 2.8. Độ phức tạp của Thuật toán 2.10 là O(M log n), với M là số chữ ký tối đa của nút trên cây, n là số chữ ký trên cây. 2.7. Thực nghiệm tìm kiếm ảnh dựa trên cây Sig -Tree Số liệu Bảng 2.2 cho thấy thời gian tìm kiếm trung bình trên tập dữ liệu ảnh COREL là 26,813 milli giây, trên tập ảnh dữ liệu WANG là 692,947 milli giây và trên tập dữ liệu ảnh ImgColl01 là 2423,780 milli giây. Hình 2.14. Hiệu suất tìm kiếm trên cây Sig-Tree của tập ảnh COREL Hình 2.15. Hiệu suất tìm kiếm trên cây Sig-Tree của tập ảnh WANG 8
  11. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân Hình 2.16. Hiệu suất tìm kiếm trên cây Sig-Tree của tập ảnh ImgColl01 Bảng 2.2. Đánh giá hiệu suất giữa các phương pháp trên các tập dữ liệu ảnh Bảng 2.3. So sánh hiệu suất tìm kiếm giữa các phương pháp Kết quả thực nghiệm được so sánh với các phương pháp khác đã công bố trên tập dữ liệu ảnh COREL. Số liệu so sánh từ Bảng 2.3 cho thấy phương pháp tìm kiếm ảnh theo nội dung dựa trên chữ ký nhị phân và cây Sig-Tree có thời gian tìm kiếm nhanh hơn và độ chính xác không kém hơn các phương pháp khác. 2.8. Tổng kết chương Chương 2 đã tiếp cận phương pháp tìm kiếm ảnh dựa trên chữ ký nhị phân và cây Sig-Tree. Kết quả thực nghiệm cho thấy phương pháp đề xuất là giải pháp hiệu quả để tìm kiếm ảnh theo nội dung. Tuy nhiên, quá trình truy tìm cụm phụ thuộc vào các mức trên cây và phép tách ghép có thể ảnh hưởng trên toàn bộ cây Sig-Tree. Vì vậy, luận án thực hiện cải tiến phương pháp bằng cách phân cụm dựa trên cấu trúc đồ thị nhằm tăng độ chính xác tìm kiếm ảnh. 9
  12. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân Chương 3. ĐỀ XUẤT PHƯƠNG PHÁP TÌM KIẾM ẢNH DỰA TRÊN ĐỒ THỊ CHỮ KÝ 3.1. Giới thiệu Chương này xây dựng cấu trúc đồ thị S-k Graph và mạng Sig-SOM trên cơ sở gom cụm chữ ký nhị phân. Từ đó, luận án trình bày các thuật toán và thực nghiệm cho phương pháp tìm kiếm ảnh dựa trên chữ ký nhị phân. 3.2. Chữ ký nhị phân của hình ảnh Định nghĩa 3.1. Chữ ký nhị phân của đối tượng đặc trưng O trên ảnh I là một chuỗi bit SigIO = bO O O O 1 b2 ...bN , sao cho bi = 1 nếu khối thứ i của ảnh I và vùng đặc trưng O có diện tích giao nhau lớn hơn ngưỡng θ cho trước, bO i = 0 nếu ngược lại; với N = n × k là số lượng các khối ảnh. Định nghĩa 3.2. Gọi SigIO = bO O O C C C C 1 b2 ...bN và SigI = b1 b2 ...bM lần lượt là chữ ký nhị phân đối tượng và chữ ký nhị phân màu sắc. Khi đó, chữ ký nhị phân của hình ảnh I được định nghĩa là: Sig(I) = SigIO ⊕ SigIO = bO O O C C C 1 b2 ...bN b1 b2 ...bM (3.1) Chữ ký nhị phân của hình ảnh gồm: (1) dãy N -bit mô tả chữ ký nhị phân đối tượng; (2) dãy M -bit mô tả chữ ký nhị phân màu sắc (đã trình bày ở Chương 2). 3.3. Độ đo tương tự Định nghĩa 3.3. Gọi Sig(I) = SigIO ⊕ SigIC và Sig(J) = SigJO ⊕ SigJC lần lượt là chữ ký nhị phân của hai hình ảnh I và J. Độ đo tương tự của đối tượng đặc trưng và màu sắc là µO (sigIO , sigJO ) và µC (sigIC , sigJC ) được xác định như sau: N 1 µO (sigIO , sigJO ) = (sigIO [i]XORsigJO [i]) P N (3.2) i=1 M 1 µC (sigIC , sigJC ) = (sigIC [i]XORsigJC [i]) P M (3.3) i=1 Mệnh đề 3.1. Độ tương tự µα trong Định nghĩa 3.3 (với α ∈ {O, C}) là một khoảng cách trong không gian metric. Định nghĩa 3.4. Cho hai hình ảnh I và J lần lượt có chữ ký nhị phân là Sig(I) = SigIO ⊕ SigIC và Sig(J) = SigJO ⊕ SigJC . Độ đo tương tự giữa hai hình ảnh I và J được định nghĩa: φ(I, J) = α×(µO (sigIO , sigJO ))+β×(µC (sigIC , sigJC )) (3.4) với α, β ∈ (0, 1) là các hệ số điều chỉnh và α + β = 1. 10
  13. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân Mệnh đề 3.2. Độ đo tương tự φ(I, J) trong Định nghĩa 3.4 là một khoảng cách trong không gian metric. 3.4. Tìm kiếm ảnh dựa trên gom cụm chữ ký nhị phân 3.4.1. Gom cụm chữ ký nhị phân Mỗi phần tử gồm chữ ký nhị phân sig và định danh oid. Phần tử hsig, oidi được phân bố vào một cụm nếu khoảng cách d đến tâm cụm này là ngắn nhất và nhỏ hơn ngưỡng θ. Nếu khoảng cách d lớn hơn θ thì phần tử hsig, oidi tạo một tâm cụm mới. Thuật toán 3.1. Gom cụm chữ ký nhị phân Input: Ngưỡng tương tự θ và tập chữ ký hình ảnh Γ. Output: Tập các cụm Ω. Function SignatureClustering(θ, Γ) Begin Khởi tạo Ω = ∅; for hsig, oidi ∈ Γ do if (Ω = ∅) then Khởi tạo cụm V0 với tâm hsig, oidi else Tìm Vk ∈ Γ : φ(sig, sigk ) = minφ(sig, sigi ), i = 1, . . . , m; end if if (φ(sig, sigk ) < θ) then Vk = Vk ∪ {hsig, oidi}; Cập nhật lại tâm cụm; else Tạo mới cụm V có tâm hsig, oidi; Bổ sung tập cụm Ω = Ω ∪ V ; end if end for Return Ω; End. =0 Mệnh đề 3.3. Độ phức tạp của Thuật toán 3.1 là O(N 2 ), với N là số lượng phần tử của tập chữ ký Γ. 3.4.2. Thuật toán tìm kiếm ảnh Quá trình tìm kiếm ảnh được thực hiện bằng cách chọn ra cụm có tâm gần nhất với hình ảnh tra cứu. Nếu khoảng cách này nhỏ hơn ngưỡng θ thì thực hiện trích xuất các định danh oid trong tập cụm và sắp xếp theo độ đo tương tự. Thuật toán tìm kiếm ảnh được đề xuất như sau: Thuật toán 3.2. Tìm kiếm ảnh Input: Chữ ký ảnh sig, tập cụm Ω và ngưỡng tìm kiếm θ. Output: Tập các định danh ảnh tương tự Ψ. Function ClusterRetrieval(sig, Ω, θ) Begin Khởi tạo Ψ = ∅; Tìm cụm Vk : φ(sig, sigk ) = minφ(sig, sigi ), i = 1, .., m; 11
  14. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân if (φ(sig, sigk ) < θ) then Chọn cụm Vk ∈ Ω để truy hồi hình ảnh tương tự; end if Thực hiện tra cứu ảnh tương tự; Return Ψ; End. =0 Mệnh đề 3.4. Độ phức tạp của Thuật toán 3.2 là O(m), với m là số lượng cụm. 3.4.3. Thực nghiệm tìm kiếm ảnh dựa trên gom cụm Hình 3.2. Mô hình tìm kiếm ảnh dựa trên gom cụm chữ ký nhị phân Hình 3.9. Hiệu suất tìm kiếm dựa trên gom cụm tập ảnh CBIRimages 3.5. Xây dựng đồ thị S-k Graph 3.5.1. Cấu trúc đồ thị S-k Graph Định nghĩa 3.5. Đồ thị chữ ký là đồ thị vô hướng SG = (V, E), trong đó, tập các đỉnh V và tập các cạnh E được định nghĩa như sau: V = {vI = hsigI , oidI i|I ∈ =} (3.6) E = {hvI , vJ i|φ(I, J) ≤ θ, ∀I, J ∈ =} (3.7) với I, J là hai hình ảnh trong tập ảnh =; φ(I, J) là độ đo tương tự; θ là giá trị ngưỡng. Phần này xây dựng đồ thị S-k Graph với mỗi đỉnh là một cụm dựa trên độ đo φ. Định nghĩa 3.6. Một cụm V có tâm I được định nghĩa: V = {J|φ(I, J) ≤ kθ, J ∈ =} (3.8) với kθ là bán kính cụm V , = là tập dữ liệu ảnh, k ∈ N ∗ . 12
  15. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân Hình 3.10. Hiệu suất tìm kiếm dựa trên gom cụm tập ảnh COREL và WANG Bảng 3.4. Hiệu suất tìm kiếm trung bình dựa trên gom cụm các tập ảnh Bảng 3.5. So sánh độ chính xác tìm kiếm trên tập ảnh COREL Cho trước tập Ω = {Vi |i = 1, ..., n} là tập các cụm rời nhau, đồ thị S-k Graph được định nghĩa như sau: Định nghĩa 3.7. Đồ thị S-kGraph=(VSG , ESG ) là một đồ thị vô hướng, trong đó tập đỉnh VSG = Ω và tập cạnh ESG được xác định như sau: ESG = {hVi , Vj i|i 6= j; Vi , Vj ∈ VSG ; φ(Ii0 , Jj0 ) < kθ} (3.9) Gọi I0 là ảnh cần phân bố vào tập cụm rời nhau Ω. Gọi Im là tâm của cụm Vm sao cho: (φ(I0 , Im ) − km θ) = min{(φ(I0 , Ii ) − ki θ), i = 1, ..., n}, với Ii là tâm của cụm Vi . Quy tắc 3.1. Quy tắc phân bố hình ảnh: (1) Nếu φ(I0 , Im ) ≤ km θ thì ảnh I0 được phân bố vào cụm Vm . (2) Nếu φ(I0 , Im ) > km θ thì đặt k0 = [(φ(I0 , Im ) − km θ)/θ], khi đó: (2.1) Nếu k0 > 0 thì tạo cụm V0 tâm I0 , bán kính k0 θ và Ω = Ω ∪ {V0 }; 13
  16. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân (2.2) Ngược lại (k0 = 0), ảnh I0 phân bố vào cụm Vm và gán φ(I0 , Im ) = km θ. Để tránh xung đột dữ liệu, các hình ảnh nếu được phân bố thì phải thuộc về một cụm duy nhất. Các định lý sau đây chứng minh về sự phân bố duy nhất này. Định lý 3.1. Cho đồ thị S-kGraph=(VSG , ESG ). Gọi hVi , Vj i ∈ ESG và Ii0 , Jj0 lần lượt là tâm của Vi , Vj . Khi đó ta có: φ(Ii0 , Jj0 ) > (ki0 + kj0 )θ (3.10) với ∀I ∈ Vi , φ(Ii0 , I) ≤ ki0 θ và ∀J ∈ Vj , φ(Jj0 , J) ≤ kj0 θ. Định lý 3.2. Mỗi ảnh I chỉ được phân bố vào một cụm duy nhất trong tập Ω = {Vi |i = 1, ..., n}. Định lý 3.3. Với mỗi ảnh I, giá trị φ(I, Im ) − km θ ≤ 0 chỉ xảy ra duy nhất tại Im . Định lý 3.4. Cho tập Ω = {Vi |i = 1, ..., n} là tập các cụm, gọi I là một hình ảnh bất kỳ. Khi đó tồn tại cụm Vi0 ∈ Ω sao cho I ∈ Vi0 . 3.5.2. Thuật toán tạo đồ thị S-k Graph Đồ thị S-k Graph được xây dựng từ tập ảnh = và ngưỡng θ theo Quy tắc 3.1. Thuật toán tạo đồ thị S-k Graph được đề xuất như sau: Thuật toán 3.3. Tạo đồ thị S-k Graph Input: Tập dữ liệu ảnh = và giá trị ngưỡng bán kính θ. Output: Đồ thị S-k Graph=(VSG , ESG ). Function CreateSkGraph(=,θ) Begin VSG = ∅; ESG = ∅; kI = 1; n = 1; for I(I ∈ =) do if (VSG = ∅) then I0n = I; r = kI θ; Khởi tạo cụm Vn = {hI0n , r, φ = 0i}; VSG = VSG ∪ Vn else Tìm tâm I0n : (φ(I, I0m ) − km θ) = min{(φ(I, I0i ) − ki θ), i = 1, . . . , n}; if ((φ(I, I0m ) ≤ km θ)) then Vm = Vm ∪ {hI, km θ, φ(I, I0m )i}; else kI = [(φ(I, I0m ) ≤ km θ)] ; if (kI > 0) then I0n+1 = I; r = kI θ; Khởi tạo cụm Vn+1 = hI0n+1 , r, φ = 0i; VSG = VSG ∪ Vn+1 ; ESG = ESG ∪ {hVn+1 , Vi i|φ(I0n+1 , I0i ) ≤ kθ, i = 1, . . . , n; n = n + 1; 14
  17. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân else φ(I, I0m ) = km θ; Vm = Vm ∪ {hI, km θ, φ(I, I0m )i}; end if end if end if end for Return S-k Graph; End. =0 Mệnh đề 3.5. Độ phức tạp của Thuật toán 3.3 là O(N ), với N là số lượng phần tử của tập chữ ký =. 3.5.3. Thuật toán tìm kiếm ảnh trên đồ thị S-k Graph Thuật toán 3.4. Thuật toán tìm kiếm ảnh trên đồ thị S-k Graph Input: Ảnh cần tìm kiếm IQ , đồ thị S-k Graph = (VSG , ESG ), giá trị ngưỡng kθ. Output: Tập ảnh tương tự IM G. Function SkGraphRetrieval(IQ , S-k Graph,kθ) Begin IM G = ∅; V = ∅; φ(IQ , I0m ) = min{φ(IQ , I0i ), i = 1, ..., n}; V = V ∪ Vm , với Vm là cụm có tâm là I0m ; for (Vi ∈ VSG ) do if (φ(I0m , I0i ) ≤ kθ) then V = V ∪ Vi ; end if end for for (Vj ∈ V ) do IM G = IM G ∪ {Ikj , Ikj ∈ Vj , k = 1, ..., |Vj |}; end for Return IM G; End. =0 Mệnh đề 3.6. Độ phức tạp của Thuật toán 3.4 là O(n), với n là số lượng đỉnh trong đồ thị S-kGraph. 3.5.4. Phép phân rã cụm trong đồ thị S-k Graph Mục đích của việc phân rã cụm nhằm phân hoạch lại các cụm có bán kính quá lớn. Định lý 3.5. Thuật toán tách cụm V thành các cụm con khác rỗng, rời nhau C = {V1 , ..., VM }, nghĩa là V = V1 ∪ ... ∪ VM và Vi ∩ Vj = ∅, với i 6= j và i, j ∈ {1, ..., M }. Mệnh đề 3.7. Độ phức tạp của Thuật toán 3.5 là O(m × n), với m, n là số lần phân rã và số lượng phần tử trong cụm phân rã. 3.5.5. Thực nghiệm tìm kiếm ảnh trên đồ thị S-k Graph Thực nghiệm tìm kiếm ảnh trên đồ thị S-k Graph gồm hai giai đoạn: Tạo đồ thị S-k Graph từ tập dữ liệu ảnh và tìm kiếm tập ảnh tương tự với ảnh tra cứu ban đầu. 15
  18. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân Hình 3.14. Mô hình tìm kiếm ảnh dựa trên đồ thị S-k Graph Hình 3.19. Hiệu suất tìm kiếm trên đồ thị S-k Graph của tập ảnh CBIRimages Hình 3.20. Hiệu suất tìm kiếm trên đồ thị S-k Graph của tập COREL và WANG 16
  19. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân Hình 3.22. Hiệu suất tìm kiếm trên đồ thị S-k Graph của tập ảnh MSRDI Hình 3.24. Hiệu suất tìm kiếm trên đồ thị S-k Graph của tập ảnh ImageCLEF Hình 3.26. Hiệu suất tìm kiếm trên đồ thị S-k Graph của tập ảnh ImgColl02 Bảng 3.14. Hiệu suất tìm kiếm trên đồ thị S-k Graph của các tập dữ liệu ảnh 17
  20. Tìm kiếm ảnh dựa trên đồ thị chữ ký nhị phân Bảng 3.15. So sánh độ chính xác tìm kiếm trên tập ảnh COREL 3.6. Xây dựng đồ thị S-k Graph dựa trên mạng Sig -SOM 3.6.1. Xây dựng cấu trúc mạng Sig -SOM Nhằm cải tiến quá trình tạo đồ thị S-k Graph và phương pháp tìm kiếm ảnh, luận án xây dựng mạng Sig-SOM. Mạng Sig-SOM có cơ chế mở rộng đồ thị S-k Graph tại tầng đầu ra theo như Quy tắc 3.1. Định nghĩa 3.8. Mạng Sig-SOM là mạng SOM, trong đó lớp đầu vào ứng với một chữ ký nhị phân Sig(I) = b1 b2 ...bN , bi ∈ {0, 1} và lớp đầu ra gồm N thành phần tương ứng với các cụm trong đồ thị chữ ký S-kGraph = (VSG , ESG ). Mỗi một cụm thứ j ở tầng đầu ra được kết nối đầy đủ với N thành phần của tầng đầu vào. Mỗi cung kết nối từ thành phần thứ i của lớp đầu vào đến cụm thứ j thuộc tầng đầu ra có một trọng số kết nối là wij ∈ {0, 1}. Định nghĩa 3.9. Gọi Sig(I) = b1 ...bN là chữ ký nhị phân của ảnh I và tập SIG = {Sig(I10 ), ..., Sig(In0 )} là tập chữ ký nhị phân của các tâm cụm tại tầng đầu ra của mạng Sig-SOM. Cụm chiến thắng Vm ứng với dữ liệu đầu vào Sig(I) = b1 ...bN thỏa: 0 δ(I, Im ) = max{δ(I, Ii0 )|i = 1, ..., n} (3.12) với δ(I, Ii0 ) = α × dO (sigIO , sigIOi ) + β × dC (sigIC , sigICi ) và α, β ∈ (0, 1), α + β = 1. dO (sigIO , sigIOi ) = N1 N O C P i=1 N OT (SigI [i]XORSigIi [i]) PM dC (sigIC , sigICi ) = M1 C i=1 N OT (SigI [i]XORSigIi [i]) C Khi đó, cụm chiến thắng Vm là cụm kết nối trực tiếp với vec-tơ chiến thắng Wm . Định lý 3.6. Nếu Vm là cụm chiến thắng ứng với dữ liệu đầu vào Sig(I) = b1 b2 ...bN thì khoảng cách φ(I, I0m ) là ngắn nhất, nghĩa là: φ(I, I0m ) = min{φ(I, I0i )|i = 1, ..., |VSG |} (3.13) với I0i là tâm của cụm Vi ∈ VSG và φ là độ đo tương tự. 3.6.2. Thuật toán huấn luyện mạng Sig -SOM Quy tắc 3.2. Gọi Sig(I) = b1 b2 ...bN là chữ ký nhị phân của ảnh I. Gọi Wm = (w1m , w2m , ..., wN m ) là vec-tơ trọng số kết nối tại thời điểm t. Quy tắc huấn luyện mạng Sig-SOM tại thời điểm t + 1 ứng với dữ liệu đầu vào Sig(I) = b1 b2 ...bN như sau: 18
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

TL.01: Bộ Tiểu Luận Triết Học
207 tài liệu
1470 lượt tải
THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
2=>2