BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG……………

Luận văn
Tra cứu ảnh dựa trên nội dung sử
dụng đặc trưng kết cấu

MỤC LỤC
MỤC LỤC 1
LỜI CẢM ƠN 3
LỜI MỞ ĐẦU 4
CHƢƠNG 1: TỔNG QUAN VỀ TRA CỨU ẢNH DỰA TRÊN NỘI DUNG 1
1.1 Giới thiệu 1
1.2 Tra cứu thông tin thị giác 1
1.2.1 Những thành phần của một hệ thống tra cứu ảnh 2
1.2.2 Công nghệ tự động trích chọn metadata 3
1.2.3 Giao diện để lấy yêu cầu truy vấn của người sử dụng 3
1.2.4 Phương pháp để so sánh độ tương tự giữa các ảnh 4
1.2.5 Công nghệ tạo chỉ số và lưu trữ dữ liệu hiệu quả 4
1.3 Đặc điểm của tra cứu ảnh 5
1.4 Những ứng dụng cơ bản của tra cứu ảnh 7
1.5 Tra cứu ảnh dựa trên nội dung 7

3.1 Phương pháp Color auto-corrlegram 32
3.1.1 Giới thiệu: 32
3.1.2 Thước đo khoảng cách điểm ảnh 33
3.1.3 Những đặc điểm thước đo khoảng cách 33
3.2 Phương pháp ma trận đồng mức xám Co-occurrence Matrix 34
3.2.1 Mô tả những đặc điểm 34
3.2.2 Thực hiện cải tiến việc tính toán ma trận Co-occerrence 36
CHƢƠNG 4: CÀI ĐẶT CHƢƠNG TRÌNH THỬ NGHIỆM 38
4.1 Môi trường thực nghiệm 38
4.2 Kết quả thử nghiệm 38
4.2.1 Giao diện chương trình 38
4.2.2 Chọn ảnh cần tìm kiếm 39
4.2.3 Kêt quả tìm kiếm ảnh hoàn thiện 39
KẾT LUẬN 40
TÀI LIỆU THAM KHẢO 41 LỜI CẢM ƠN
Trước tiên em xin gửi lời cảm ơn chân thành tới thầy giáo hướng dẫn Ngô
Trường Giang, người đã định hướng nghiên cứu và tận tình chỉ bảo, giúp đỡ em trong
quá trình thực tập và làm đồ án, giúp em hoàn thành báo cáo thực tập đúng kế hoạch.
Em xin chân thành cảm ơn các thầy cô trong Khoa, trong Trường ĐHDL Hải
Phòng đã tận tình giảng dạy, truyền đạt những kiến thức và kinh nghiệm vô cùng quý
báu trong những năm học vừa qua.
Cho em gửi lời cảm ơn chân thành đến trường ĐH Công Nghiệp TP Hồ Chí
Minh đào tạo từ xa Trường Trung Cấp Nghề Việt Đức đã giảng dạy truyền đạt kiến
thức giúp đỡ em trong 3 năm học Cao Đẳng.
Sau cùng là lòng biết ơn sâu sắc đến bố mẹ, anh, chị, bạn bè đã luôn động viên,
giúp đỡ, ủng hộ trong suốt những tháng năm ngồi trên ghế giảng đường.


mức nhận thức đòi hỏi những phương thức mới, cho phép chỉ định đến những thuộc
tính liên quan đến thị giác cần tìm. Khi đó người dùng trong một vòng lặp, mô hình
giao diện sao cho người dùng có thể truy cập vào sự giống nhau giữa những đối tượng.

1
CHƢƠNG 1: TỔNG QUAN VỀ TRA CỨU ẢNH DỰA TRÊN NỘI DUNG

1.1 Giới thiệu
Bên cạnh kho dữ liệu văn bản, kho dữ liệu ảnh ngày càng trở nên khổng lồ vượt
quá sự kiểm soát của con người. Khi đó nhu cầu tìm kiếm một vài tấm ảnh nào đó
trong một cơ sở dữ liệu hàng trăm ngàn ảnh, điều này khó có thể thực hiện được khi ta
tìm kiếm bằng tay theo cách thông thường, nghĩa là xem lần lượt từng tấm ảnh một cho
đến khi tìm thấy ảnh có nội dung cần tìm. Song song với sự phát triển của những
phương tiện kỹ thuật số, trong tương lai số lượng ảnh sẽ còn tăng nhanh hơn nữa, nhiều
hơn nữa. Do đó, nhu cầu thật sự đòi hỏi phải có một công cụ hỗ trợ cho việc tìm kiếm
này càng sớm càng tốt. Vì vậy đề tài tra cứu ảnh dựa trên nội dung cơ sở dữ liệu là rất
cần thiết.
Tra cứu ảnh theo nội dung chính thức xuất hiện năm 1992, đánh dấu bằng Hội
thảo về các hệ thống quản lý thông tin trực quan của Quỹ Khoa học Quốc gia của Hoa
Kỳ.
Tra cứu ảnh theo nội dung là một quá trình tìm kiếm trong một cơ sở dữ liệu ảnh
những ảnh nào thỏa mãn một yếu cầu nào đó. Những tìm kiếm đặc thù tiêu biểu cho hệ
thống dạng này là: QBIC, VIR Image, Engine, VisualSEEK, NeTrA, MARS, Viper
Tra cứu ảnh được sử dụng trong nhiều lĩnh vực khác nhau: y tế, khoa học, hình
sự, bảo tồn, ngân hàng Tra cứu ảnh nhận được sự quan tâm của nhiều nhà nghiên cứu
trong việc tìm kiếm. Wikipedia: Hệ thống tra cứu ảnh của một hệ thống máy tính sử
dụng để duyệt, tìm kiếm và tra cứu ảnh từ một cơ sở dữ liệu ảnh số lớn.
1.2 Tra cứu thông tin thị giác
Thuật ngữ “Tra cứu thông tin” được đưa ra vào năm 1952 và đã dành được sự
quan tâm đặc biệt của hội các nhà nghiên cứu từ năm 1961 [Jones and Willet, 1977].

màu sắc và kết cấu ứng dụng cho tra cứu ảnh nói chung hoặc cho tra cứu ảnh dựa trên
nội dung. Mặc dù vậy không có đặc điểm riêng lẻ nào tốt nhất có thể cho ra những kết
quả chính xác trong bất kỳ một thiết lập chung nào. Một kết hợp thông thường của các
đặc điểm là cần thiết để cung cấp những kết quả tra cứu thích đáng đối với ứng dụng
tra cứu ảnh dựa trên nội dung.
1.2.1 Những thành phần của một hệ thống tra cứu ảnh
Một hệ thống tra cứu ảnh đòi hỏi các thành phần như hình 1.1:
class="bi x3 y8f w4 h10" src="data:image/png;base64,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