Đề tài Hệ thống tìm kiếm ảnh theo nội dung & các phương pháp trích chọn đặc trưng ảnh - Lê Thị Kim Dung

ppt 60 trang ngocly 2950
Bạn đang xem 20 trang mẫu của tài liệu "Đề tài Hệ thống tìm kiếm ảnh theo nội dung & các phương pháp trích chọn đặc trưng ảnh - Lê Thị Kim Dung", để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên

Tài liệu đính kèm:

  • pptde_tai_he_thong_tim_kiem_anh_theo_noi_dung_cac_phuong_phap_t.ppt

Nội dung text: Đề tài Hệ thống tìm kiếm ảnh theo nội dung & các phương pháp trích chọn đặc trưng ảnh - Lê Thị Kim Dung

  1. HỆ THỐNG TÌM KIẾM ẢNH THEO NỘI DUNG & CÁC PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH Hướng dẫn: CN. Lê Thị Kim Dung Sinh viên : Nguyễn Minh Hoàng 1
  2. NỘI DUNG Phần 1 Tổng quan về tìm kiếm ảnh theo nội dung Phần 2 Các đặc trưng ảnh và phương pháp trích chọn 2
  3. NỘI DUNG Phần 1 Tổng quan về tìm kiếm ảnh theo nội dung Phần 2 Các đặc trưng ảnh và phương pháp trích chọn 3
  4. NỘI DUNG Phần 1 Tổng quan về tìm kiếm ảnh theo nội dung 1. Giới thiệu chung 2.Các bước thực hiện 3. Một số hệ thống tìm kiếm ảnh theo nội dung phổ biến Phần 2 Các đặc trưng ảnh và phương pháp trích chọn 4
  5. Tổng quan về tìm kiếm ảnh theo nội dung 1. Giới thiệu chung Khái lược: . Tài nguyên ảnh trên WEB ngày càng lớn cùng sự phát triển của công nghệ ảnh số. . Tới tháng 10/2009 [*]: • Flick : 4 tỷ ảnh • Facebook: 30 tỷ ảnh • 1,73 tỷ người sử dụng Internet . Cần thiết tìm kiếm ảnh phục vụ những mục đích khác nhau: • Tìm thông tin liên quan tới ảnh (xuất xứ, tác giả, nhận dạng người, ) • Tìm sản phẩm theo mẫu sẵn có, . / [*] www.socialtime.com/2010/02/20-impressive-internet-statistics 5
  6. Tổng quan về tìm kiếm ảnh theo nội dung 1. Giới thiệu chung (cont) Bài toán . Cần có những giải pháp thiết thực để kết quả tìm kiếm đáp ứng tốt yêu cầu của người dùng!!! Giải pháp . Tìm kiếm ảnh dựa vào các đặc trưng trong văn bản đi kèm với ảnh . Tìm kiếm ảnh dựa trên nội dung của ảnh. . Kết hợp hai hình thức trên. 6
  7. Tổng quan về tìm kiếm ảnh theo nội dung 1. Giới thiệu chung (cont) Giải pháp Tìm kiếm ảnh dựa vào các đặc trưng trong văn bản đi kèm với ảnh (Meta-data). . Ưu điểm: • Đơn giản. • Nhanh có kết quả. . Nhược điểm: • Dựa trên những đặc trưng mang tính chủ quan, phụ thuộc vào quá trình xử lý ban đầu của người đưa ảnh lên WEB. • Truy vấn có ngữ nghĩa nhập nhằng độ chính xác không cao. 7
  8. Tổng quan về tìm kiếm ảnh theo nội dung 1. Giới thiệu chung (cont) Tìm kiếm ảnh dựa trên nội dung của ảnh. . Ưu điểm: • Độ chính xác tương đối ổn định, đáp ứng được yêu cầu của người sử dụng. • Không phụ thuộc vào sự xử lý của người đưa ảnh lên WEB. . Nhược điểm: • Khó khăn trong việc phân tích nội dung ảnh. 8
  9. Tổng quan về tìm kiếm ảnh theo nội dung 2. Các bước thực hiện Theo [1], có 4 bước trong quá trình tìm kiếm ảnh theo nội dung: Input : một ảnh truy vấn. Bước 1: Trích chọn các đặc trưng ảnh • Phân chia ảnh thành nhiều vùng ảnh. • Lưu trữ thông tin mỗi vùng ảnh trong một blob (Binary Large Object). • Coi mỗi blob (vùng ảnh) như một đối tượng. • Lựa chọn đặc trưng: tiến hành tối ưu tập đặc trưng ảnh để giảm số lần so sánh đặc trưng. [1] Discovering Association Rules based on Image Content , Carlos Ordonez & Edward Omiecinski, 9 College of Computing Georgia Institute of Technology Atlanta, Georgia, USA
  10. Tổng quan về tìm kiếm ảnh theo nội dung 2. Các bước thực hiện (cont) Bước 2: Tiền xử lý • So sánh các đối tượng trong ảnh truy vấn với đối tượng ở các ảnh trong cơ sở dữ liệu. • Gán cho mỗi đối tượng giống nhau một định danh(ID) Bước 3: Tạo một ảnh phụ để hỗ trợ cho việc tìm kiếm • Tạo một ảnh phụ dựa vào các đối tượng được gán định danh trong bước 2 • Tạo ra một ảnh hiển thị trên trang html. Bước 4: Thực hiện tìm kiếm • Dựa vào các thuật toán khai phá dữ liệu để thực hiện việc tìm kiếm ảnh 10
  11. Tổng quan về tìm kiếm ảnh theo nội dung 3. Một số hệ thống tìm kiếm ảnh theo nội dung Theo [2], có 3 module chính: • Trích chọn đặc trưng ảnh • Tính hạng • Tìm kiếm [2] Data mining, multimedia, soft computing, and bioinformatics, Sushmita Mitra & Tinku Achaya 11
  12. Tổng quan về tìm kiếm ảnh theo nội dung 3. Một số hệ thống tìm kiếm ảnh theo nội dung (cont) Hình 1.1 Mô hình tổng quát của hệ thống tìm kiếm ảnh theo nội dung 12
  13. Tổng quan về tìm kiếm ảnh theo nội dung 3. Một số hệ thống tìm kiếm ảnh theo nội dung (cont) Xử lý ảnh trong cơ sở dữ liệu • Trích chọn đặc trưng • Tính hạng cho ảnh • Lưu trữ các thông tin (các đặc trưng, hạng) như siêu dữ liệu của ảnh 13
  14. Tổng quan về tìm kiếm ảnh theo nội dung 3. Một số hệ thống tìm kiếm ảnh theo nội dung (cont) Xử lý ảnh truy vấn và tiến hành tìm kiếm • Trích chọn đặc trưng ảnh truy vấn • Đo độ tương đồng giữa các đặc trưng của ảnh truy vấn và từng ảnh trong cơ sở dữ liệu • Máy tìm kiếm trả về k ảnh thỏa mãn. 14
  15. Tổng quan về tìm kiếm ảnh theo nội dung 3. Một số hệ thống tìm kiếm ảnh theo nội dung (cont) Biểu diễn ảnh: sử dụng vector đặc trưng [2] • N chiều • Điểm đầu: gốc tọa độ O • Điểm cuối: tọa độ của một điểm trong không gian N chiều • Là tín hiệu để nhận dạng ảnh Ví dụ: N = N1 + N2 + N3 + N4 chiều: • Màu sắc : cần N1 thành phần vector biểu diễn • Kết cấu : cần N2 thành phần vector biểu diễn • Hình dạng : cần N3 thành phần vector biểu diễn • Cục bộ : cần N4 thành phần vector biểu diễn [2] Data mining, multimedia, soft computing, and bioinformatics, Sushmita Mitra & Tinku Achaya 15
  16. Tổng quan về tìm kiếm ảnh theo nội dung 3. Một số hệ thống tìm kiếm ảnh theo nội dung (cont) Giới thiệu các hệ thống tìm kiếm ảnh theo nội dung phổ biến • Hệ FIR ( Formula Image Retrieval) [3] • Hệ MARS (Multimedia Analysis and Retrieval System)[3] • Hệ WISE (Wavelet Image Search Engine) [3] [3] Feature selection for content-based image retrieval using statistical discriminat analysis, Ph.D Thesis 2008, TEE CHENG SIEW, 16 Faculty of Computer Science and Information System, University Technology Malaysia
  17. Tổng quan về tìm kiếm ảnh theo nội dung 3. Một số hệ thống tìm kiếm ảnh theo nội dung (cont) FIR (Formula Image Retrieval) [3] . Phương pháp: Dùng nhiều phương pháp phân tích sóng để biểu diễn thông tin các đặc trưng cấp thấp. . Input: một ảnh cần truy vấn. . Tiền xử lý: o Thay đổi tỷ lệ ảnh: đưa ảnh trở thành một hình vuông nhỏ có kích cỡ 128*128 pixels. o Chuyển không gian màu: từ RGB sang Luv. o Biến đổi sóng Harr trên từng kênh màu riêng biệt. o Tính độ tương đồng: đo khoảng cách giữa các vector đặc trưng • Khoảng cách Euclid có trọng số, • Mỗi một trọng số khác nhau thì cho tương ứng một mức giải trong phép phân tích sóng. [3] Feature selection for content-based image retrieval using statistical discriminat analysis, Ph.D Thesis 2008, TEE CHENG SIEW, 17 Faculty of Computer Science and Information System, University Technology Malaysia
  18. Tổng quan về tìm kiếm ảnh theo nội dung 3. Một số hệ thống tìm kiếm ảnh theo nội dung (cont) MARS (Multimedia Analysis and Retrieval System) [3] . Hỗ trợ các truy vấn dựa trên việc kết hợp một vài đặc trưng cấp thấp: • Màu sắc • Kết cấu • Hình dạng • Các miêu tả trong văn bản đi kèm ảnh. [3] Feature selection for content-based image retrieval using statistical discriminat analysis, Ph.D Thesis 2008, TEE CHENG SIEW, 18 Faculty of Computer Science and Information System, University Technology Malaysia
  19. Tổng quan về tìm kiếm ảnh theo nội dung 3. Một số hệ thống tìm kiếm ảnh theo nội dung (cont) MARS (Multimedia Analysis and Retrieval System) [3] (cont) . Độ phức tạp: sử dụng các phép toán Boolean để tính toán . Biểu diễn màu sắc: lược đồ 2 chiều dựa trên không gian màu HSV. . Biểu diễn kết cấu: dùng 2 lược đồ • Hướng của các điểm ảnh • Độ tương phản của ảnh [3] Feature selection for content-based image retrieval using statistical discriminat analysis, Ph.D Thesis 2008, TEE CHENG SIEW, 19 Faculty of Computer Science and Information System, University Technology Malaysia
  20. Tổng quan về tìm kiếm ảnh theo nội dung 3. Một số hệ thống tìm kiếm ảnh theo nội dung (cont) MARS (Multimedia Analysis and Retrieval System) [3] (cont) . Chia ảnh thành 5*5 ảnh nhỏ và thực hiện tính toán trên từng ảnh nhỏ. . 2 pha: • Phân cụm các vùng ảnh dựa vào màu sắc – kết cấu • Tiến hành đưa các vùng ảnh liên quan tới nhau vào cùng một nhóm. . Input: ảnh cần truy vấn. . Đánh giá độ tương đồng. . Lắng nghe phản hồi: • Tiếp nhận phản hồi • Tối ưu tập kết quả cho truy vấn. [3] Feature selection for content-based image retrieval using statistical discriminat analysis, Ph.D Thesis 2008, TEE CHENG SIEW, 20 Faculty of Computer Science and Information System, University Technology Malaysia
  21. Tổng quan về tìm kiếm ảnh theo nội dung 3. Một số hệ thống tìm kiếm ảnh theo nội dung (cont) Hệ WISE (Wavelet Image Search Engine) [3] . Phương pháp: truy vấn qua thông tin về sự bố trí màu sắc được mã hóa bằng cách sử dụng biến đổi sóng Daubechies. . Tiền xử lý: • Thay đổi tỷ lệ ảnh: 128*128 điểm ảnh, • Chuyển không gian màu: từ RGB sang một không gian màu khác. . Input : một ảnh truy vấn . Quá trình xử lý ảnh truy vấn: 2 bước o Tính toán độ lệch chuẩn cho ảnh truy vấn và so sánh với các giá trị tương ứng của từng ảnh trong cơ sở dữ liệu ảnh. o So sánh với ảnh truy vấn: • Khoảng cách Euclid có trọng số giữa các hệ số biến đổi sóng(wavelet transform coeficients). [3] Feature selection for content-based image retrieval using statistical discriminat analysis, Ph.D Thesis 2008, TEE CHENG SIEW, 21 Faculty of Computer Science and Information System, University Technology Malaysia
  22. NỘI DUNG Phần 1 Tổng quan về tìm kiếm ảnh theo nội dung Phần 2 Các đặc trưng ảnh và phương pháp trích chọn 22
  23. NỘI DUNG Phần 1 Tổng quan về tìm kiếm ảnh theo nộidung Phần 2 Các đặc trưng ảnh và phương pháp trích chọn 1. Màu sắc 2. Kết cấu 3. Hình dạng 4. Cục bộ bất biến SIFT 23
  24. Các đặc trưng ảnh và phương pháp trích chọn 1. Màu sắc Các không gian màu:  RGB [3] . Sử dụng phổ biến trong ảnh kỹ thuật số . Mỗi điểm ảnh thì được biểu diễn bằng 3 kênh màu • Red [0, 255] • Green [0, 255] • Blue [0, 255] [3] Feature selection for content-based image retrieval using statistical discriminat analysis, Ph.D Thesis 2008, TEE CHENG SIEW, 24 Faculty of Computer Science and Information System, University Technology Malaysia
  25. Các đặc trưng ảnh và phương pháp trích chọn 1. Màu sắc (cont) Các không gian màu:  HSV [2] Sử dụng phổ biến trong kỹ thuật xử lý ảnh: . Cung cấp sự điều khiển trực tiếp • Sắc độ • Độ sáng • Cường độ của màu. . Là phương pháp tiếp cận của mắt người với màu sắc trong cuộc sống. [2] Data mining, multimedia, soft computing, and bioinformatics, Sushmita Mitra & Tinku Achaya 25
  26. Các đặc trưng ảnh và phương pháp trích chọn 1. Màu sắc (cont)  HSV [2] Mỗi điểm ảnh được biểu diễn bởi 3 giá trị Hue (sắc độ): tần số xuất hiện tương đối của màu (có tính đỏ, có tính xanh, ) Value (Giá trị) :độ tối của màu trong ảnh (cảm nhận độ chiếu sáng). Saturation(Độ bão hòa): biểu diễn độ mạnh của màu. Ảnh số sử dụng không gian màu RGB Hình 2.1 HSV chuyển ảnh sang không gian màu HSV [2] Data mining, multimedia, soft computing, and bioinformatics, Sushmita Mitra & Tinku Achaya 26
  27. Các đặc trưng ảnh và phương pháp trích chọn 1. Màu sắc (cont) Lược đồ màu . Phương pháp: • Lượng tử hóa một số mức hữu hạn không gian màu của ảnh. • Đếm số điểm ảnh trong mỗi mức bin trong lược đồ màu. Hình 2.2 Ví dụ về lược đồ màu 27
  28. Các đặc trưng ảnh và phương pháp trích chọn 1. Màu sắc (cont) Lược đồ màu . Độ tương đồng: • Dựa vào khoảng cách giữa 2 lược đồ màu • Dựa vào tổng số các điểm ảnh phổ biến có trong cả 2 lược đồ màu. 28
  29. Các đặc trưng ảnh và phương pháp trích chọn 1. Màu sắc (cont) Nhận xét: . Ưu điểm: • Cách làm đơn giản • Tốc độ đáp ứng tương đối nhanh . Nhược điểm: • Độ chính xác không cao 29
  30. Các đặc trưng ảnh và phương pháp trích chọn 2. Kết cấu Định nghĩa: • Là một đối tượng • Phân hoạch ảnh ra thành những vùng có quan hệ nào đó với nhau . • Tiến hành phân lớp các vùng đó. Hình 2.3 Kết cấu trong tự nhiên 30
  31. Các đặc trưng ảnh và phương pháp trích chọn 2. Kết cấu (cont) Tính chất: [9] . Là tập hợp những texel được sắp xếp theo một số quy luật nhất định và có cấu trúc không gian. . Cung cấp thông tin về bề mặt của ảnh • Sự sắp xếp về mặt không gian của màu sắc, cường độ. . Đặc trưng bởi sự phân bố không gian của những mức cường độ trong các khu vực láng giềng với nhau. . Kết cấu của ảnh màu và ảnh xám là như nhau. Texel (texture element or texton): . Đơn vị của kết cấu. . Là phần tử để biểu diễn ảnh trong không gian 3 chiều. [9] Textural features for Image classification, Robert M.Haralick, K.Shanmugam & Its’hak Dinstein, 1973 31
  32. Các đặc trưng ảnh và phương pháp trích chọn 2. Kết cấu (cont) . Độ tương đồng: Có nhiều phương pháp tính độ tương đồng • Ma trận đồng hiện ( Co-occurrence matrix) • Biến đổi sóng Gabor ( Gabor wavelet transform) • Biến đổi đường viền (The cotourlet transform) • Hệ thống bộ lọc định hướng phức tạp ( The complex directional filter bank) 32
  33. Các đặc trưng ảnh và phương pháp trích chọn 2. Kết cấu (cont)  Ma trận đồng hiện (Co-occurrence Matrix) [9] . Dựa trên độ sáng và khoảng cách giữa các điểm ảnh để tạo ma trận đồng hiện. . Định nghĩa phần tử C(i,j) trong ma trận đồng hiện: • Ảnh có n×m điểm ảnh • (p,q) : tọa độ một điểm ảnh trong không gian 2 chiều • i, j : các mức độ sáng của ảnh • ∆x, ∆y : khoảng cách giữa 2 điểm ảnh lân cận nhau • ∆x = d × cosθ d đủ nhỏ để (q+ ∆x, p+ ∆y) là điểm lân cận của (p,q) • ∆y = d × sinθ 0≤θ ≤2Π. Thường lấy các giá trị 0, 45, 90, 135 [9] Textural features for Image classification, Robert M.Haralick, K.Shanmugam & Its’hak Dinstein, 1973 33
  34. Các đặc trưng ảnh và phương pháp trích chọn 2. Kết cấu (cont) Các trưng kết cấu suy ra từ ma trận đồng hiện (Co-occurrence matrix) 34
  35. Các đặc trưng ảnh và phương pháp trích chọn 3. Hình dạng Định nghĩa – Tính chất • Được xem như những miêu tả về định hướng của một đối tượng, vị trí và kích thước của nó. • Bất biến với việc dịch chuyển, xoay ảnh, phóng to , thu nhỏ ảnh • Hữu ích trong trường hợp không thể thu được những thông tin thật chi tiết về sự bố trí đối tượng trong ảnh • Hình dạng không phải là một thuộc tính của ảnh. 35
  36. Các đặc trưng ảnh và phương pháp trích chọn 3. Hình dạng (cont)  Trích chọn đặc trưng  Phân hoạch ảnh thành nhiều vùng  Phát hiện đối tượng hoặc biên của vùng  Phương pháp phát hiện: . Dựa trên toàn vùng : o Thông tin của đối tượng trên toàn bộ vùng ảnh. • Số điểm ảnh trong vùng. • Giá trị cấp xám trung bình trong vùng. . Dựa vào đường biên của vùng. 36
  37. Các đặc trưng ảnh và phương pháp trích chọn 3. Hình dạng (cont)  Dựa trên đường biên của vùng ảnh [10] . Bước 1: Tìm đường biên của vùng ảnh. • Tìm xem đâu là biên của đối tượng trong ngữ cảnh (quang cảnh) của ảnh. • Xem xét qua 4 hướng : phải – trái, trái – phải, trên – dưới, dưới – trên. • Lấy kết quả lần đầu tiên phát hiện ra biên. . Bước 2: Dựng đường biên o Định vị trọng tâm: n: số điểm ảnh trong vùng (Xi, Yi )là tọa độ điểm thứ i. [10] Image Retrieval using Shape Feature, S.Arivazhagan, L.Ganesan, S.Selvanidhyananthan 37
  38. Các đặc trưng ảnh và phương pháp trích chọn 3. Hình dạng (cont) . Bước 2 (cont) o Dựng biên: • Dựa vào vị trí trọng tâm và các điểm biên(các điểm nằm trên đường biên) của đối tượng • Dựa vào hàm d = f(ϴ) : d : khoảng cách giữa trọng tâm và điểm biên ϴ : góc lệch của điểm biên so với gốc tọa độ 38
  39. Các đặc trưng ảnh và phương pháp trích chọn 3. Hình dạng (cont) Độ tương đồng • Dùng biểu diễn Fourier để đánh giá độ tương đồng giữa 2 ảnh. • Triển khai chuỗi Fourier cho hàm d = f(ϴ) . • Biểu diễn Fourier chính là các hệ số của dãy Fourier này. 39
  40. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT Định nghĩa – Tính chất . Là các đặc trưng bất biến: • Thay đổi tỷ lệ ảnh • Quay ảnh • Thay đổi góc nhìn • Thêm nhiễu ảnh • Thay đổi cường độ chiếu sáng ảnh. . Các đặc trưng cục bộ bất biến được trích rút từ các điểm hấp dẫn trên ảnh. 40
  41. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Phương pháp trích chọn [4], [6] • Phát hiện các điểm cực trị • Định vị các điểm hấp dẫn • Xác định hướng cho các điểm hấp dẫn • Mô tả các điểm hấp dẫn [4] Khóa luận tốt nghiệp 2010, CN. Nguyễn Thị Hoàn [6] Distinctive Image Features from Scale-Invariant Keypoints, 41 David G. Lowe, International Journal of Computer Vision, 2004
  42. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 1: Phát hiện điểm cực trị [4],[6] . Định vị các vùng ảnh: tìm những khu vực chứa những tính chất giống nhau khi nhìn ảnh dưới các góc nhìn khác nhau o Hàm không gian- tỷ lệ: • Tìm khu vực có khả năng bất biến với sự thay đổi tỷ lệ ảnh Ảnh truy vấn Biến tỷ lệ Gaussian Hàm không gian tỷ lệ của ảnh I [4] Khóa luận tốt nghiệp 2010, CN. Nguyễn Thị Hoàn [6] Distinctive Image Features from Scale-Invariant Keypoints, 42 David G. Lowe, International Journal of Computer Vision, 2004
  43. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 1: Phát hiện điểm cực trị (cont) • Với o Xem xét sự khác nhau của hàm không gian tỷ lệ giữa 2 tỷ lệ sai lệch nhau k lần • Bộ lọc DoG: 43
  44. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 1: Phát hiện điểm cực trị (cont) Hình 2.4 Định nghĩa bộ lọc DoG 44
  45. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 1: Phát hiện điểm cực trị (cont) • Xấp xỉ hàm DoG 45
  46. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 1: Phát hiện điểm cực trị (cont) . Xác định điểm hấp dẫn tiềm năng: So sánh mỗi điểm ảnh được xác định bởi hàm DoG với: • 8 điểm ảnh xung quanh ở cùng tỷ lệ • 9 điểm ảnh xung quanh ở các tỷ lệ liền trước • 9 điểm ảnh xung quanh ở tỷ lệ liền sau. Hình 2.5 Xác định điểm cực trị Chọn là điểm hấp dẫn tiềm năng nếu nó đạt giá trị lớn nhất, hoặc nhỏ nhất 46
  47. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 2: Định vị điểm hấp dẫn [4], [6] . Phân tích điểm hấp dẫn tiềm năng: lấy các thông tin về: • Vị trí , • Tỷ lệ, • Tỷ lệ độ cong cơ sở (pricipal curvature). . Loại bỏ điểm cực trị không phù hợp: • Điểm có độ tương phản thấp(không ổn định khi ảnh bị nhiễu), • Điểm ở những vị trí không thuận lợi dọc theo các cạnh. [4] Khóa luận tốt nghiệp 2010, CN. Nguyễn Thị Hoàn [6] Distinctive Image Features from Scale-Invariant Keypoints, 47 David G. Lowe, International Journal of Computer Vision, 2004
  48. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 2: Định vị điểm hấp dẫn (cont) . Phương pháp: • Lấy mẫu: sử dụng các phương pháp lấy mẫu thích hợp để quyết định những điểm làm mẫu cho việc phân tích • Khai triển Taylor cho bộ lọc DoG tại các điểm mẫu: Độ dịch so với các điểm lân cận của điểm lấy mẫu 48
  49. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 2: Định vị điểm hấp dẫn (cont) • Vùng chứa điểm hấp dẫn được xác định qua • Nếu > 0.5 : điểm hấp dẫn nằm ở gần điểm lấy mẫu khác. • Thực hiện tiếp tục với các điểm lấy mẫu khác. • Những điểm có thỏa mãn (< 0.5) được thêm vào tập hợp mẫu tốt nhất, tiếp tục phân tích tiếp. 49
  50. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 2: Định vị điểm hấp dẫn (cont) • Dùng để loại những điểm cực trị không ổn định (độ tương phản thấp). • Thay vào ta được: Nếu < 0.03 thì điểm lấy mẫu đó sẽ bị loại. 50
  51. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Trước Sau Hình 2.6 Định vị điểm hấp dẫn 51
  52. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 3: Xác định hướng cho các điểm hấp dẫn [4], [6] • Dựa vào hướng của điểm hấp dẫn, biết được điểm hấp dẫn bất biến với sự quay ảnh. • Tại mỗi điểm hấp dẫn, trích xuất một ảnh Gaussian (khung Gaussian) chứa các điểm lân cận điểm hấp dẫn đó. Hình 2.7 Trích ảnh Gaussian [4] Khóa luận tốt nghiệp 2010, CN. Nguyễn Thị Hoàn [6] Distinctive Image Features from Scale-Invariant Keypoints, 52 David G. Lowe, International Journal of Computer Vision, 2004
  53. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 3: Xác định hướng cho các điểm hấp dẫn (cont) • Tính toán hướng và độ lớn cho điểm hấp dẫn: Độ lớn của vector định hướng Hướng của vector định hướng (biểu diễn qua góc ϴ) Ảnh Gaussian ở tỷ lệ nhỏ nhất 53
  54. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 3: Xác định hướng cho các điểm hấp dẫn (cont) Hình 2.8 Tính độ lớn và hướng của gradient 54
  55. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Bước 4 : Mô tả điểm hấp dẫn[6] . Trích các ảnh Gaussian chứa 8×8 điểm hấp dẫn. . Xét trên mỗi khu vực nhỏ 4×4 điểm hấp dẫn: o Tổng hợp các vector định hướng của các điểm trong khu vực. • Chung gốc. • Độ dài mỗi vector tương Hình 2.9 Tạo mảng lưu lược đồ ứng độ lớn gradient m định hướng của nó. • Tạo ra mảng chứa các lược đồ định hướng tổng hợp đó Số chiều = 8 hướng × (4×4) điểm hấp dẫn = 128 chiều [6] Distinctive Image Features from Scale-Invariant Keypoints, David G. Lowe, International Journal of Computer Vision, 2004 55
  56. Các đặc trưng ảnh và phương pháp trích chọn 4. Đặc trưng cục bộ bất biến SIFT (cont) Độ đo tương đồng:[8] . Độ đo Cosin . Khoảng cách góc . Khoảng cách Euclid : . Khoảng cách city-block: x, y là 2 vector đặc trưng [8] Face Recognition using SIFT features, Mohamed Aly, 56 CNS186 Term Project Winter 2006
  57. • Các hệ thống tìm kiếm ảnh theo nội dung đã và đang nhận được nhiều sự quan tâm. • Trích chọn đặc trưng là bước quan trọng trong quá trình tìm kiếm ảnh theo nội dung. • Dựa vào các đặc trưng ảnh, quá trình tìm kiếm cho kết quả đáp ứng tốt yêu cầu của người sử dụng.
  58. [1] Discovering Association Rules based on Image Content , Carlos Ordonez & Edward Omiecinski, College of Computing Georgia Institute of Technology Atlanta, Georgia, USA [2] Data mining, multimedia, soft computing, and bioinformatics, Sushmita Mitra & Tinku Achaya [3] Feature selection for content-based image retrieval using statistical discriminat analysis, Ph.D Thesis 2008, TEE CHENG SIEW, Faculty of Computer Science and Information System, University Technology Malaysia [4] Khóa luận tốt nghiệp, 2010, CN. Nguyễn Thị Hoàn [5] Khóa luận tốt nghiệp, 2010, CN. Lê Thị Kim Dung 58
  59. [6] Distinctive Image Features from Scale-Invariant Keypoints, David G. Lowe, International Journal of Computer Vision, 2004 [7] Khóa luận tốt nghiệp, 2003, CN. Nguyễn Quốc Uy Đại học khoa học tự nhiên, Đại học Quốc Gia TP. Hồ Chí Minh [8] Face Recognition using SIFT features, Mohamed Aly, CNS186 Term Project Winter 2006 [9] Textural features for Image classification, Robert M.Haralick, K.Shanmugam & Its’hak Dinstein, 1973 [10] Image Retrieval using Shape Feature, S.Arivazhagan, L.Ganesan, S.Selvanidhyananthan
  60. Cám ơn các thầy, anh chị và các bạn đã quan tâm theo dõi! THE END 60