BÁO cáo TIẾP cận HỌC MÁY TRONG TRUY vấn ẢNH

Giới thiệu Ghi nhận các đặc trưng của hình ảnh để làm chỉ mục truy vấn..  Dùng vectơ này để so khớp với các vectơ đặc trưng trong CSDL ảnh... trình truy vấn để đưa ra kết quả.... T

TIẾP CẬN HỌC MÁY TRONG

TRUY VẤN ẢNH

HV: Nguyễn Linh Duy

Nguyễn Quốc Khánh Trần Anh Quân

Tương tác người dùng

Học máy

Giới thiệu

 Ghi nhận các đặc trưng của hình ảnh

để làm chỉ mục truy vấn

vectơ đặc trưng duy nhất.

 Dùng vectơ này để so khớp với các

vectơ đặc trưng trong CSDL ảnh

trình truy vấn để đưa ra kết quả.

Truy vấn ảnh theo đặc trưng Màu

 Dựa trên đặc trưng Color:

 Thực hiện trên ảnh xám

 Tính lược đồ màu (số lượng điểm ảnh

tương ứng cho mỗi mức màu)

Vector đặc trưng cho mỗi ảnh.

 Quá trình truy vấn: tính độ đo giữa

vector đặc trưng ảnh query với các

vector đặc trưng của các ảnh

database theo khoảng cách Euclide

255 0

) , (

) , (

) ,

(

) , (

) , (

) ,

(

j

D Q

D Q

H

j

D Q

D Q

H

j I

H j

I H I

I

D

j I

H j

I H I

I

D

 Hầu hết các ảnh có độ đo càng thấp thì

càng tương tự ảnh query

 Trong trường hợp này, kết quả sau khi truy

vấn là các ảnh được hiển thị theo thứ tự

tăng dần của độ đo

 Hạn chế: chỉ nắm bắt thông tin toàn cục

nhưng có biểu đồ màu rất giống nhau.

Truy vấn ảnh theo đặc trưng Màu

 Dựa trên đặc trưng Color:

 Correlogram - AutoCorrelogram

Tương quan màu – Color Correlogram

 Cho ảnh kích thước X x Y, với:

 [C]: tập màu c1 , c2 …, cm

hiệu: I(p)=c hoặc pϵIc

d1, d2, …, dn giữa 2 pixel Thông thường ta

sử dụng tập khoảng cách là

D = {1,3,5,7}

Tương quan màu - Color Correlogram

 Khoảng cách giữa 2 pixel p1(x1, y1),

p2(x2, y2)

Tương quan màu - Color Correlogram

nghĩa cho cặp màu (ci, cj ) và khoảng cách d

=> Kích thước của bộ tương quan

 Chỉ ghi nhận lại mối quan hệ không

gian của những màu đồng nhất

=> Kích thước của bộ tự tương

quan màu giảm chỉ còn (O(m.n))

Tự tương quan màu Color AutoCorrelogram

Tương quan màu – Độ đo khoảng cách

 Khoảng cách giữa 2 ảnh T và T’

Tương quan màu – Độ đo khoảng cách

 Khoảng cách giữa 2 ảnh T và T’ có

tính đến trọng số

trình truy vấn để đưa ra kết quả.

 Tính lại vector đặc trưng của ảnh

query:

 Trường hợp 1 (min): tính độ đo của từng

thành phần của mỗi ảnh được chọn so với ảnh query ban đầu  xây dựng một vector query mới mà mỗi thành phần của vector này là thành phần mà có độ

độ chênh lệch so với thành phần tương ứng của ảnh query là nhỏ nhất

giữa các thành phần tương ứng của vector query và các vector của các ảnh được chọn  xây dựng một vector query mới mà mỗi thành phần của vector này là trung bình cộng của thành phần tương ứng của vector query ban đầu và các ảnh được chọn.

 Nhược điểm: sẽ không đúng nếu trường hợp độ

chênh lệch giữa các thành phần tương ứng với

 Trường hợp 3 (độ lệch chuẩn): tương tự

trường hợp 2 nhưng có thêm độ lệch chuẩn để khắc phục trường hợp có độ chêch lệch cao xảy ra

 Nếu độ lệch cao so với độ lệch chuẩn sẽ lấy thành phần tương ứng của vector query Ngược lại lấy trung bình như trường hợp 2.

Độ lệch của thành phần thứ i:

GTTB[i]= (Xi + Yi + + Mi)/m

σ =((Xi-BTTB[i]) + (Yi - GTTB[i]) + + (Mi-

GTTB[i]) )/m

DEMO

Tài liệu tham khảo

 Alberto Del Bimbo, Visual Information Retrieval

 TS Lý Quốc Ngọc, Slide Truy vấn thông tin thị giác.

 Jing Huang, S Ravi Kumar, Mandar Mitra, Wei-Jing Zhu,

Ramin Zabih, Image Indexing Using Color Correlograms

 T Ojala, M Rautiainen, E Matinmikko and M Aittola,

Semantic Image Retrieval with HSV Correlograms

 Claudio Taranto, Nicola Di Mauro, Stefano Ferilli,

Approximate Image Color Correlograms