BÁO cáo TIẾP cận HỌC MÁY TRONG TRUY vấn ẢNH
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (968.92 KB, 27 trang )
1
TIẾP CẬN HỌC MÁY TRONG
TRUY VẤN ẢNH
HV: Nguyễn Linh Duy
Nguyễn Quốc Khánh
Trần Anh Quân
GVHD: TS. Lý Quốc Ngọc
2
Nội dung:
Giới thiệu
Rút trích đặc trưng ảnh
Histogram
AutoCorrelograms
Feedback
Demo
3
Nội dung:
Giới thiệu
Truy vấn ảnh theo đặc trưng Màu
Histogram
AutoCorrelograms
Feedback
Demo
4
Giới thiệu
Ảnh
đầu vào
Dùng hình ảnh để truy vấn
Các ảnh
tương
tự
Kết quả
Tương tác người dùng
5
Giới thiệu
Ảnh
đầu vào
Dùng hình ảnh để truy vấn
Các ảnh
tương
tự
Kết quả
Tương tác người dùng
Học máy
6
Giới thiệu
Chức năng:
Ghi nhận các đặc trưng của hình ảnh
để làm chỉ mục truy vấn.
Các đặc trưng được gán vào một
vectơ đặc trưng duy nhất.
Dùng vectơ này để so khớp với các
vectơ đặc trưng trong CSDL ảnh
7
Giới thiệu
Chức năng:
Người dùng thực hiện truy vấn ban
đầu.
Chọn một số kết quả thích hợp.
Hệ thống sẽ phân tích và tiếp tục quá
trình truy vấn để đưa ra kết quả.
8
Nội dung:
Giới thiệu
Truy vấn ảnh theo đặc trưng Màu
Histogram
AutoCorrelograms
Feedback
Demo
9
Truy vấn ảnh theo đặc trưng Màu
Dựa trên đặc trưng Color:
Histogram
Correlogram - AutoCorrelogram
10
Histogram
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
11
Histogram
( )
−=
−=
∑
∑
=
=
255
0
2
255
0
),(),(),(
),(),(),(
j
DQDQH
j
DQDQH
jIHjIHIID
jIHjIHIID
12
Histogram
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.
Có thể có 2 hình ảnh có ngữ nghĩa giống nhau
nhưng có biểu đồ màu rất giống nhau.
13
Truy vấn ảnh theo đặc trưng Màu
Dựa trên đặc trưng Color:
Histogram
Correlogram - AutoCorrelogram
14
Tương quan màu – Color Correlogram
Cho ảnh kích thước X x Y, với:
p(x, y): điểm ảnh
[C]: tập màu c
1
, c
2
…, c
m
I(p): Màu tương ứng của điểm ảnh p, ký
hiệu: I(p)=c hoặc pϵI
c
[D]: tập cố định các khoảng cách cố định
d
1,
d
2,
…, d
n
giữa 2 pixel. Thông thường ta
sử dụng tập khoảng cách là
D = {1,3,5,7}
15
Tương quan màu - Color Correlogram
Khoảng cách giữa 2 pixel p1(x1, y1),
p2(x2, y2)
16
Tương quan màu - Color Correlogram
Tương quan màu của ảnh I được định
nghĩa cho cặp màu (c
i,
c
j
) và khoảng
cách d
=> Kích thước của bộ tương quan
màu sẽ rất lớn (O(m
2
.n))
17
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
18
Tương quan màu – Độ đo khoảng cách
Khoảng cách giữa 2 ảnh T và T’
19
Tương quan màu – Độ đo khoảng cách
Khoảng cách giữa 2 ảnh T và T’ có
tính đến trọng số
20
Nội dung:
Giới thiệu
Rút trích đặc trưng ảnh
Histogram
AutoCorrelograms
Feedback
Demo
21
Feedback
Chức năng:
Người dùng sau khi thực hiện truy vấn
ban đầu.
Chọn một số kết quả thích hợp.
Hệ thống sẽ phân tích và tiếp tục quá
trình truy vấn để đưa ra kết quả.
Đây là bước sẽ áp dụng học máy!
22
Feedback
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
23
Feedback
Trường hợp 2 (average): tính độ đo trung bình
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
các vector cao.
24
Feedback
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.
25
Feedback
Trường hợp 3:
Độ lệch:
Vector 1[X1,X2 Xn]
Vector 2[Y1,Y2 Yn]
Vector m[M1,M2 Mn]
Độ lệch của thành phần thứ i:
GTTB[i]= (Xi + Yi + + Mi)/m
σ=((Xi-BTTB[i]) + (Yi - GTTB[i]) + + (Mi-
GTTB[i]) )/m
Độ lệch chuẩn được tính dựa vào thực nghiệm.
