Tóm tắt luận văn Thạc sĩ: Nghiên cứu phương pháp tra cứu ảnh dựa trên nội dung và xây dựng hệ thống tra cứu cây thuốc

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

---------------------------------------

NGUYỄN HUY HOÀNG

NGHIÊN CỨU PHƯƠNG PHÁP TRA CỨU ẢNH DỰA TRÊN NỘI DUNG VÀ XÂY DỰNG HỆ THỐNG TRA CỨU CÂY THUỐC

Chuyên ngành: KHOA HỌC MÁY TÍNH

Mã số: 60.48.01

TÓM TẮT LUẬN VĂN THẠC SĨ

HÀ NỘI – 2013

Luận văn được hoàn thành tại:

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học: ………………………………

(Ghi rõ học hàm, học vị)

Phản biện 1: ………………………………………………

Phản biện 2: ……………………………………………..

Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn

thạc sĩ tại Học viện Công nghệ Bưu chính Viễn thông

Vào lúc: ..... giờ ...... ngày ....... tháng ....... .. năm ...............

Có thể tìm hiểu luận văn tại:

- Thư viện của Học viện Công nghệ Bưu chính

Viễn thông

1

MỤC LỤC

MỞ ĐẦU .........................................................................4

CHƯƠNG 1 .....................................................................7

TỔNG QUAN VỀ TRA CỨU ẢNH DỰA TRÊN NỘI DUNG (CONTENT-BASED IMAGE RETRIEVAL - CBIR) ..............................................................................7

1.1. Giới thiệu truy vấn ảnh dựa trên nội dung ............ 7

1.2. Mô hình xử lý ...................................................... 8

1.3. Các thành phần chính của một hệ thống CBIR ..... 9

1.4. Các chức năng cơ bản của hệ thống CBIR.......... 10

1.5. Một số hệ thống tra cứu ảnh dựa trên nội ........... 10

1.5.1. Hệ thống QBIC(Query By Image Content)10

1.5.2. Hệ thống Virage ....................................... 10

1.5.3. Hệ thống RetrievalWare ........................... 10

1.5.4. Hệ thống VisualSeek và WebSeek ............ 10

1.5.5. Hệ thống Photobook ................................. 10

CHƯƠNG 2 ................................................................... 11

PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH .. 11

2.1. Trích chọn đặc trưng ảnh dựa trên màu sắc ........ 11

2.1.1. Lược đồ màu (Histogram) ........................ 11

2.1.2. Vector liên kết màu (Color Coherence Vector) ................................................................... 12

2.2. Trích chọn đặc trưng ảnh dựa trên kết cấu .......... 12

2.2.1. Ma trận đồng hiện (Co-occurence Matrix) 13

2

2.2.2. Phép biến đổi Wavelet .............................. 13

2.2.3. Các đặc trưng lọc Gabor .......................... 14

2.2.4. Các đặc trưng biến đổi sóng .................... 14

2.3. Trích chọn đặc trưng ảnh dựa trên hình dạng ..... 15

2.3.1. Trích chọn đặc trưng theo biên ................. 15

2.3.1.1. Lược đồ hệ số góc ............................ 15

2.3.1.2. Vector liên kết hệ số góc (Edge Direction Coherence Vector) ......................... 16

2.3.2. Trích chọn đặc trưng theo vùng ................ 17

2.4. Trích chọn sử dụng điểm nổi bật ........................ 17

2.4.1. Đặc trưng cục bộ bất biến (SIFT) ............. 17

2.4.2. SURF ....................................................... 19

CHƯƠNG 3 ................................................................... 20

CÀI ĐẶT THỬ NGHIỆM VÀ ỨNG DỤNG ................. 20

3.1. Cài đặt thử nghiệm ............................................. 20

3.1.1. Môi trường phát triển, cơ sở dữ liệu ......... 20

3.1.2. Phương pháp thực nghiệm ........................ 21

3.1.2.1. Lựa chọn mẫu thử nghiệm ................ 21

3.1.2.2. Phương pháp đánh giá ...................... 21

3.1.3. Thử nghiệm và kết quả ............................. 22

3.1.3.1. Tìm kiếm theo lược đồ màu .............. 22

3.1.3.2. Tìm kiếm theo lược đồ hệ số góc ...... 22

3.1.3.3. Tìm kiếm theo vector liên kết màu ... 22

3.1.3.4. Tìm kiếm theo AutoCorrelogram ...... 22

3

3.1.3.5. Tìm kiếm theo các đặc trưng cục bộ bất biến (SIFT) ................................................... 22

3.1.3.6. Tìm kiếm với SURF ......................... 22

3.1.4. Kết quả thực nghiệm và đánh giá.............. 22

3.2. Ứng dụng tra cứu cây thuốc ............................... 24

3.2.1. Phân tích yêu cầu ..................................... 24

3.2.2. Chức năng ứng dụng ................................ 24

3.2.3. Đánh giá ứng dụng ................................... 25

KẾT LUẬN ................................................................... 26

4

MỞ ĐẦU

Cùng với sự phát triển của công nghệ, đã có rất

nhiều phương pháp được nghiên cứu để truy vấn thông tin

dựa vào hình ảnh. Tuy nhiên, một trong những phương

pháp được nhiều người quan tâm nghiên cứu hiện nay là

phương pháp “Tra cứu ảnh dựa theo nội dung” (Content

Based Image Retrieval - CBIR). Ý tưởng phương pháp

này là trích chọn các đặc điểm dựa vào nội dung trực quan

của ảnh như màu sắc, kết cấu, hình dạng và bố cục không

gian của ảnh để làm cơ sở cho việc tra cứu, sắp xếp, tổ

chức cơ sở dữ liệu ảnh. Tra cứu ảnh dựa trên hình dạng sử

dụng các đặc trưng hình dạng của các ảnh mục tiêu để tìm

kiếm, nó là một khía cạnh rất quan trọng của tra cứu ảnh

dựa trên nội dung. Hiện nay có nhiều hệ thống cho phép

tra cứu thông tin dựa trên hình ảnh như như Google Image

Swirl, Bing, Tiltomo, Tineye, Pixolution…Các hệ thống

trên đã đưa ra các kết quả tìm kiếm rất tốt dựa trên ảnh

mẫu. Tuy nhiên, hạn chế của các hệ thống trên là vẫn tồn

tại sự nhập nhằng về dữ liệu, các thông tin chưa cô đọng

theo chủ đề xác định, với bài toán đặt ra ở đây là cây

thuốc. Với mục đích cuối cùng có thể xây dựng được một

5

hệ thống tra cứu cây thuốc dựa trên hình ảnh. Cho phép

người Việt Nam nhận biết và sử dụng hiệu quả về các cây

thuốc ở Việt Nam thông qua hình ảnh. Luận văn này sẽ đi

sâu vào những nhiệm vụ chính như sau:

- Nội dung

+ Nghiên cứu và đánh giá các kỹ thuật tra cứu ảnh

theo nội dung.

+ Tìm hiểu cách thức nhận biết cây thuốc thông

thường trong cuộc sống như qua lá, hoa, thân hay rễ…để

từ đó có thể giới hạn đối tượng làm mẫu và truy vấn

+ Đề xuất sử dụng một số kỹ thuật khác và đưa ra

sự so sánh với các hệ thống ảnh trước đó.

+ Từ đó đưa ra các phương pháp cải tiến và khắc

phục những hạn chế hiện tại.

+ Thử nghiệm chương trình tra cứu ảnh theo nội

dung thông qua mô hình truy vấn đề xuất và các kết quả

đạt được như độ chính xác, tốc độ xử lý…

- Yêu cầu cần giải quyết

+ Tìm hiểu kiến thức về các kỹ thuật xử lý ảnh.

+ Đưa ra được phạm vi đối tượng thực hiện để làm

mẫu nhận dạng là lá, cây, hoa, hay tất cả.

6

+ Xây dựng tập mẫu ảnh dựa trên đối tượng đã lựa

chọn ở trên

+ Tham khảo các mã nguồn mở về xử lý ảnh cho

quá trình cài đặt.

+ Nghiên cứu về tra cứu ảnh theo nội dung và các

phương pháp trích chọn đặc trưng dựa trên các tài liệu

nghiên cứu trước đó. Từ đó triển khai cài đặt thuật toán tra

cứu.

+ Thực nghiệm dựa trên xây dựng và đánh giá các

kết quả nghiên cứu.

+ Xây dựng hệ thống tra cứu ảnh dựa trên thực

nghiệm và các đánh giá đã có.

7

CHƯƠNG 1

TỔNG QUAN VỀ TRA CỨU ẢNH DỰA TRÊN

NỘI DUNG (CONTENT-BASED IMAGE

RETRIEVAL - CBIR)

Chương 1 luận văn giới thiệu tổng quan về phương

pháp “Tra cứu ảnh dựa theo nội dung - CBIR” bao gồm

khái niệm, mục đích, mô hình, thành phần, chức năng và

một số hệ thống tra cứu ảnh dự trên nội dung.

1.1. Giới thiệu truy vấn ảnh dựa trên nội dung

Tra cứu ảnh dựa theo nội dung (CBIR) có nguồn

gốc từ năm 1992. Tra cứu ảnh theo nội dung là tra cứu

thông tin trực quan (VIR - Visual Information Retrieval).

Các yếu tố trực quan như màu sắc, kết cấu, hình dạng và

bố cục không gian trực tiếp liên quan đến khía cạnh của

cảm nhận nội dung ảnh, cùng với các khái niệm ở mức

cao như ý nghĩa đối tượng, khung cảnh trong ảnh, được

dùng như là manh mối cho tìm kiếm hình ảnh với nội

dung tương tự từ cơ sở dữ liệu.

8

1.2. Mô hình xử lý

Để xây dựng hệ thống truy vấn ảnh, cần giải quyết

3 vấn đề chính sau

• Rút trích các đặc trưng trên ảnh (Feature

Exaction)

• Xác định độ đo sự tương đồng giữa hai ảnh

(Similarity Measure)

• Lập chỉ mục cho CSDL ảnh (Image Indexing)

Từ đó xây dựng nên các thành phần cho hệ thống

truy vấn ảnh:

Hệ thống truy vấn ảnh với cơ sở tri thức

9

1.3. Các thành phần chính của một hệ thống

CBIR

Hiện nay, trọng tâm chính của CBIR là nghiên cứu

chủ yếu trên 3 chủ đề chính:

Trích chọn đặc trưng: Các đặc trưng của hình ảnh

bao gồm các đặc trưng nguyên thủy và các đặc trưng ngữ

nghĩa/đặc trưng logic. Đặc trưng nguyên thủy như màu

sắc, hình dạng, kết cấu và các mối quan hệ không gian

được định lượng trong tự nhiên, chúng có thể được trích

xuất tự động hoặc bán tự động. Đặc trưng logic cung cấp

mô tả trừu tượng của dữ liệu hình ảnh ở các cấp độ khác

nhau.

Lập chỉ số hiệu quả: Để tạo điều kiện truy vấn

hiệu quả và xử lý tìm kiếm, các chỉ số hình ảnh cần thiết

được tổ chức thành các cấu trúc dữ liệu hiệu quả. Các cấu

trúc như k-d-tree, R-tree family, R *- tree, quad-tree, và

grid file (tập lưới) thường được sử dụng.

Giao diện người dùng: Giao diện người dùng bao

gồm một bộ xử lý truy vấn và trình duyệt để cung cấp các

công cụ đồ họa tương tác, cơ chế truy vấn và truy cập cơ

sở dữ liệu, theo thứ tự định sẵn.

10

1.4. Các chức năng cơ bản của hệ thống CBIR

Những chức năng chính của một hệ thống bao gồm

các nội dung sau:

- Phân tích nội dung của nguồn thông tin và biểu

diễn nội dung của các nguồn thông tin.

- Phân tích các truy vấn của người dùng và biểu

diễn chúng thành các dạng phù hợp với việc đối sánh với

cơ sở sữ liệu nguồn.

- Xác định chiến lược để đối sánh tìm kiếm truy

vấn với thông tin được lưu trữ trong cơ sở dữ liệu.

- Thực hiện các điều chỉnh cần thiết trong hệ thống

dựa trên phản hồi từ người sử dụng hoặc những hình ảnh

được tra cứu.

1.5. Một số hệ thống tra cứu ảnh dựa trên nội

1.5.1. Hệ thống QBIC (Query By Image

Content)

1.5.2. Hệ thống Virage

1.5.3. Hệ thống RetrievalWare

1.5.4. Hệ thống VisualSeek và WebSeek

1.5.5. Hệ thống Photobook

11

CHƯƠNG 2

PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG

ẢNH

Chương 2 sẽ đưa ra một số khái niệm liên quan đến

các thuộc tính, kỹ thuật của việc truy vấn theo nội dung

ảnh. Qua đó làm tiền đề để nghiên cứu xâu hơn các kỹ

thuật trích chọn nội dung ảnh và đối sánh ảnh.

2.1. Trích chọn đặc trưng ảnh dựa trên màu sắc

2.1.1. Lược đồ màu (Histogram)

Là đại lượng đặc trưng cho phân bố màu cục bộ

của ảnh .

Độ đo tính tương tự về màu sắc được tính bằng

phần giao của 2 lược đồ màu ảnh truy vấn H(IQ) và ảnh

trong cơ sở dữ liệu ảnh H(ID). Kết quả sẽ là một lược đồ

màu thể hiện độ giống nhau giữa 2 ảnh trên.

Tuy nhiên vì lược đồ màu chỉ thể hiện tính phân bố

màu toàn cục của ảnh mà không xét đến tính phân bố cục

bộ của điểm ảnh nên có thể có 2 ảnh trông rất khác nhau

nhưng lại có cùng lược đồ màu.

12

2.1.2. Vector liên kết màu (Color Coherence

Vector)

Là lược đồ tinh chế lược đồ màu, chia mỗi ô màu

(bin) thành 2 nhóm điểm ảnh: nhóm liên kết màu

(coherence pixels) và nhóm không liên kết màu (non-

coherence pixels)

Vector liên kết màu còn giúp giải quyết khuyết

điểm về tính không duy nhất của lược đồ màu đối với ảnh.

Hai ảnh có thể có chung lược đồ màu nhưng khác nhau

hoàn toàn, đây là khuyết điểm của lược đồ màu. Nhưng

với tìm kiếm theo đặc trưng vector liên kết màu thì nó sẽ

giải quyết được khuyết điểm không duy nhất này.

2.2. Trích chọn đặc trưng ảnh dựa trên kết cấu

Kết cấu hay còn gọi là vân (texture), là một đối

tượng dùng để phân hoạch ảnh ra thành những vùng được

quan tâm và để phân lớp những vùng đó. Vân cung cấp

thông tin sự sắp xếp về mặt không gian của màu sắc và

cường độ của một ảnh.

Ví dụ cấu trúc của vân của một số loại lá cây

13

Cấu trúc vân của lá cây

2.2.1. Ma trận đồng hiện (Co-occurence

Matrix)

Ma trận đồng hiện là ma trận lưu trữ số lần

xuất hiện của những cặp điểm ảnh trên một vùng đang xét.

Các cặp điểm này được tính theo những quy luật cho

trước.

Ví dụ với ảnh f như sau:

ta có ma trận đồng hiện P(1,0) với (cid:8) (cid:1) (cid:2) (cid:3)

1 1 0 0 1 1 0 0 0 0 2 2

(cid:8)

4 0 2 P(1,0)= (cid:3) 2 2 0 0 0 2 2.2.2. Phép biến đổi Wavelet

Vân thu được từ biến đối wavelet được hầu hết các

nghiên cứu công nhận là đặc trưng về vân tốt nhất cho

việc phân đoạn ảnh.

14

Thuật toán tính ra các đặc trưng vân theo biến đổi

Wavelet:

• Tính biến đổi Wavelet trên toàn ảnh. • Ứng với mỗi vùng cần tính, ta tính được 3

thành phần ứng với các miền HL, LH và HH • Khi áp dụng biến đổi wavelet ở những mức

sâu hơn, ta sẽ có tương ứng 3xV thành phần

ứng với V là chiều sâu của biến đổi

Wavelet.

2.2.3. Các đặc trưng lọc Gabor

Lọc Gabor được sử dụng rộng rãi để trích rút các

đặc trưng ảnh, đặc biệt là các đặc trưng kết cấu. Nó tối ưu

về mặt cực tiểu hoá sự không chắc chắn chung trong miền

không gian và miền tần số, và thường được sử dụng như

một hướng và tỷ lệ biên điều hướng và phát hiện đường.

Có nhiều cách tiếp cận đã được đề xuất để mô tả các kết

cấu của các ảnh dựa trên các lọc Gabor.

2.2.4. Các đặc trưng biến đổi sóng

Tương tự với lọc Gabor, biến đổi sóng cung cấp

một cách tiếp cận đa độ phân giải đối với phân tích kết

cấu và phân lớp. Các biến đổi sóng phân rã một tín hiệu

15

với một họ các hàm cơ sở thu được thông qua

(cid:16)

(cid:16)(cid:11)

(cid:10)(cid:11)(cid:12)(cid:13)(cid:14)(cid:15) dịch chuyển và sự co giãn của sóng

(cid:10)(cid:13)(cid:14)(cid:15) (cid:17) (cid:18)(cid:10)(cid:13)2 (cid:14) (cid:19) (cid:20)(cid:15) (cid:10)(cid:13)(cid:14)(cid:15) (cid:2) 2 Hơn nữa, theo so sánh của các đặc trưng biến đổi

sóng khác nhau, chọn riêng lọc sóng không là then chốt

cho phân tích kết cấu.

2.3. Trích chọn đặc trưng ảnh dựa trên hình

dạng

2.3.1. Trích chọn đặc trưng theo biên

2.3.1.1. Lược đồ hệ số góc

Lược đồ gồm 73 phần tử trong đó:72 phần tử

đầu chứa số điểm ảnh có hệ số gốc từ 0 – 355 độ, các

hệ số góc này cách nhau 5 độ. Phần tử cuối chứa số

phần tử không nằm trên biên cạnh .

Ảnh minh họa lược đồ hệ số góc

16

Đường biên của ảnh

2.3.1.2. Vector liên kết hệ số góc (Edge

Direction Coherence Vector)

Là lược đồ tinh chế lược đồ hệ số góc, chia mỗi ô

chứa (bin) thành 2 nhóm điển ảnh: Nhóm điểm liên kết hệ

số góc (coherent pixels) và nhóm điểm không liên kết hệ

số góc (non-coherence pixels).

Một pixel trong một ô chứa (bin) được gọi là điểm

liên kết hệ số góc (coherent) nếu nó thụôc vùng gồm các

điểm thuộc cạnh có hệ số góc tương tự với kích thướt lớn

(thường vào khoảng 0.1% kích thước ảnh).

Ảnh minh họa vector liên kết hệ số góc

17

Ảnh minh họa sự liên kết giữa các biên cạnh

2.3.2. Trích chọn đặc trưng theo vùng

Ảnh gồm tập hợp các vùng hay còn gọi là đoạn.

Đây là đặc trưng đặc biệt của ảnh. Với đặc trưng vùng sẽ

giúp cho chúng ta có thể giải quyết được một vấn đề lớn

đang cản trở bước phát triển việc truy tìm ảnh dựa vào nội

dung là dữ liệu nhập được mô phỏng gần gũi hơn với suy

nghĩ của con người và ảnh tìm được có thể mang nội dung

ngữ nghĩa rất khác so với ảnh truy vấn.

2.4. Trích chọn sử dụng điểm nổi bật

Phương pháp này dựa trên các điểm nổi bật, là các

điểm bất biến với sự thay đổi của ảnh như xoay, co giãn,

che lấp một phần… Có 2 phương pháp tiêu biểu nhất là

SIFT và SURF

2.4.1. Đặc trưng cục bộ bất biến (SIFT)

18

Invariant Feature SIFT là viết tắt của cụm từ Scale-Invariant Feature

Transform là một trong những thuật toán nổi ti ổi tiếng nhất

hiện nay dùng để phát hiện và mô tả các đặc trưng c ưng của ảnh

số. Thuật toán này được công bố bởi David Lowe v i David Lowe vào

năm 1999[19].

Hai hình trên có thể được nhận ra là củ

ủa cùng 1

cảnh bởi SIFT

Giống như nhiều thuật toán về xử lý ảnh, SIFT l ảnh, SIFT là

thuật toán khá phức tạp, phải trải qua nhiều bướ ớc xử lý và

sử dụng nhiều kiến thức về toán học. Sau đây s đây sẽ là các

bước chính trong thuật toán:

1. Xây dựng không gian scale 2. Xác đinh vị trí điểm đặc trưng 3. Thêm hướng cho điểm đặc trưng 4. Mô tả điểm đặc trưng

19

2.4.2. SURF

SURF (Speeded Up Robust Features) được giới

thiệu lần đầu tiên vào năm 2006 bởi nhóm các nhà nghiên

cứu bao gồm Herbert Bay, Tinne Tuytelaars và Luc Van

Gool. Cách tiếp cận của phương pháp này tương đối giống

với SIFT. SURF cũng sử dụng không gian scale để tìm

điểm đặc trưng, các đặc trưng được mô tả dưới dạng

vector và có kèm thêm hướng. Hai phần chính trong thuật

toán này là “phát hiện” (detection) và “mô tả”

(description).

Phát hiện : Việc phát hiện đặc trưng dựa trên

không gian scale và sử dụng ma trận Hessian, tuy nhiên để

đơn giản cho việc tính toán người ta chỉ sử dụng một xấp

xỉ của ma trận này.

Mô tả : Việc mô tả đặc trưng sử dụng đặc trưng

Haar Wavelet. Một lần nữa Integral Images lại được sử

dụng để tăng tốc độ tính toán. Mỗi điểm đặc trưng sẽ được

thêm 1 hướng dùng để nhận dạng khi ảnh bị xoay.Mô tả

điểm đặc trưng được thể hiện dưới dạng vector gồm 64

thành phần.

20

CHƯƠNG 3

CÀI ĐẶT THỬ NGHIỆM VÀ ỨNG DỤNG

Trong chương này, luận văn sẽ cài đặt một số thuật

toán trích chọn dựa trên đặc trưng ảnh, từ đó đưa ra đánh

giá về các kỹ thuật. Chọn kỹ thuật tối ưu để xây dựng hệ

thống tra cứu cây thuốc.

3.1. Cài đặt thử nghiệm

3.1.1. Môi trường phát triển, cơ sở dữ liệu

Chương trình được thiết kế trên Visual Studio

2010, ngôn ngữ C# (C Sharp) và CSDL SQL Server 2008.

Chương trình cũng có sử dụng một số thư viện hỗ trợ xử

lý ảnh như EmguCV.dll, AForge.dll và một số thư viện hỗ

trợ khác tham khảo qua internet.

Dữ liệu mẫu từ chương trình

21

3.1.2. Phương pháp thực nghiệm

3.1.2.1. Lựa chọn mẫu thử nghiệm

Hiệu quả hoạt động của hệ thống được đánh giá

bằng cách chạy thử nghiệm trên cơ sở dữ liệu hình ảnh đã

có. Em sử dụng 2 cách thức chọn mẫu thử nghiệm chính:

- Lấy ngẫu nhiên một mẫu ảnh có trong CSDL để

tra cứu.

- Chỉ định một mẫu cố định để tra cứu.

3.1.2.2. Phương pháp đánh giá

Sử dụng top-N, chỉ ra tỷ lệ các loại cây chính xác

xuất hiện là một trong vị trí N từ kết quả trả về. Em sử

dụng 2 tỷ lệ chính nằm trong giới hạn là top-10 và top-15.

Ngoài ra còn các đại lượng đánh giá khác bao gồm: Độ

chính xác = Số ảnh tìm được đúng / Số ảnh tìm được, Độ

trung thực = Số ảnh tìm được đúng / Tổng số ảnh đúng

thực có trong CSDL và Thời gian tính toán trung bình.

Để trực quan hơn em có sử dụng thêm biểu đồ thời

gian và biểu đồ độ chính xác trung bình (xác suất số lần

xuất hiện kết quả đúng trong top-N với 10 lần thử nghiệm)

22

3.1.3. Thử nghiệm và kết quả

Chương trình tiến hành thử nghiệm và lấy số liệu

với từng trường hợp cụ thể bao gồm:

3.1.3.1. Tìm kiếm theo lược đồ màu

3.1.3.2. Tìm kiếm theo lược đồ hệ số góc

3.1.3.3. Tìm kiếm theo vector liên kết màu

3.1.3.4. Tìm kiếm theo AutoCorrelogram

3.1.3.5. Tìm kiếm theo các đặc trưng cục bộ

bất biến (SIFT)

3.1.3.6. Tìm kiếm với SURF

3.1.4. Kết quả thực nghiệm và đánh giá

Từ những kết kết quả thử nghiệm cho thấy rằng các

kết quả trích chọn dựa trên màu sắc là tốt nhất, tiếp theo

kết cấu và hình dạng, và hiệu suất của hệ thống được tăng

lên khi kết hợp một số phương pháp lại với nhau.

Phương pháp truy vấn dựa trên màu sắc là chiếm

ưu thể hơn cả. Cả về thời gian tính toán cũng như số

lượng các kết quả chính xác, có độ tương đồng cao.

3500

3000

Lược đồ màu

2500

Lược đồ HSG

2000

Vector LK màu

1500

Auto Cologram

1000

SIFT

500

SURF

0

20 50 100 150 200 250 500

23

Thời gian xử lý trung bình của các phương pháp

Lược đồ màu

Lược đồ HSG

Vector LK màu

Auto Cologram

SIFT

SURF

100 90 80 70 60 50 40 30 20 10 0

0 1

0 2

0 3

0 4

0 5

0 6

0 7

0 8

0 9

0 0 1

Độ chính xác của các phương pháp

24

3.2. Ứng dụng tra cứu cây thuốc

3.2.1. Phân tích yêu cầu

3.2.2. Chức năng ứng dụng (cid:1) Dữ liệu chương trình: (cid:1) Tìm kiếm: Cho phép người dùng có thể tìm kiếm

thông tin về bất kỳ cây thuốc nào có trong CSDL

• Tìm kiếm bằng văn bản. • Tìm kiếm bằng ảnh. • Xem thông tin chi tiết về ảnh (lược đồ màu,

kích thước…), thông tin chi tiết của cây

Hình 3.4: Chức năng tìm kiếm cây thuốc

(cid:1) Thống kê. (cid:1) Hệ thống. (cid:1) Trợ giúp.

25

3.2.3. Đánh giá ứng dụng

Ứng dụng tra cứu thuốc dựa trên hình ảnh đã đạt

được một số yêu cầu cơ bản của việc tra cứu:

- Cài đặt dễ dàng và tương thích. - Giao diện đơn giản, dễ tùy biến và cấu hình. - Đáp ứng các chức năng chính yếu của ứng dụng

tra cứu bao gồm: cập nhật thông tin, quản lý

thông tin, tra cứu, thống kê…

- Hỗ trợ nhiều tùy chọn tra cứu khác nhau - Xem thông tin về ảnh tiện lợi: lược đồ màu, bộ

lọc, hệ màu…

Bên cạnh những điều đã thực hiện được, vẫn còn

một số những hạn chế mà ứng dụng còn tồn tại:

- Nguồn dữ liệu còn hạn chế và chưa phong phú - Chưa cung cấp được công cụ tương tác giữa

người dùng và hệ thống: công cụ đánh giá, phản

hồi

- Chưa thể tự động cập nhật các mẫu tra cứu vào

trong hệ thống - Các phương pháp cài đặt chưa thật tối ưu để cải thiện tốc độ xử lý.

26

KẾT LUẬN

Truy vấn ảnh dựa trên nội dung (CBIR) đến nay

vẫn là lĩnh vực nghiên cứu rất đáng quan tâm và có nhiều

phương pháp và cách tiếp cận khác nhau. Cùng với đó là

nhiều ứng dụng hữu ích đã được phát triển. Như các ứng

dụng nhằm ngăn ngừa tội phạm, hệ thống tìm kiếm vân

tay, các hệ thống nhận dạng khuôn mặt hay các ứng dụng

trong quân đội: tìm kiếm có máy bay trong màn hình rada

hay không, nếu có là máy bay gì loại nào; các hệ thống hỗ

trợ quản lý đăng ký logo (xác định xem logo muốn đăng

ký là hoàn toàn mới hay đã có logo tương tự đăng ký

trước đó)…

Tính khoa học của luận văn thể hiện qua phương

pháp truy vấn ảnh dùng kết hợp các kỹ thuật xử lý và trích

chọn nội dung ảnh. Đầu vào của bài toán là ảnh cây cần

truy vấn, qua các kỹ thuật xử lý, trích chọn, đánh giá để

đưa ra kết quả là các ảnh cây tương đồng nhau. Xây dựng

hệ thống tra cứu cây thuốc, đồng thời chỉ ra tính khả thi

của hệ thống so với các hệ thống khác qua các kết quả

thực nghiệm. Giá trị thực tiễn của luận văn được chứng

minh qua ứng dụng tra cứu cây thuốc ở Việt Nam.

27

Tuy nhiên, luận văn vẫn còn những hạn chế nhất

định: cần hoàn thiện ứng dụng tra cứu cây thuốc và tìm

hiểu thêm các phương pháp mới tối ưu hơn. Kết hợp các

phương pháp được với nhau một cách linh động và hiệu

quả hơn.

Tìm ra các giải pháp tối ưu và tốt hơn nữa để nâng

cao hiệu quả của ứng dụng tra cứu. Hiện tại ứng dụng mới

chỉ phát triển trên Desktop, mong muốn có được một ứng

dụng web cho phép có thể tra cứu qua mạng, ở bất cứ đâu

người dùng cũng có thể có được thông tin cây thuốc mà

mình quan tâm. Tạo sự thân thiện, tiện lợi hơn nữa cho

người sử dụng hệ thống và đó chính là hướng phát triển

của luận văn muốn hướng đến.