Đồ án Nghiên cứu Phương pháp tra cứu ảnh dựa vào nội dụng biểu diễn mầu hiệu quả

Nội dung text: Đồ án Nghiên cứu Phương pháp tra cứu ảnh dựa vào nội dụng biểu diễn mầu hiệu quả

1. ĐỒ ÁN TỐT NGHIỆP Bé gi¸o dôc vµ ®µo t¹o Tr•êng ®¹i häc d©n lËp h¶i phßng o0o NGHIªn cøu Ph•¬ng ph¸p tra cøu ¶nh dùa vµo néi dung biÓu diÔn mÇu hiÖu qu¶ ®å ¸n tèt nghiÖp ®¹i häc hÖ chÝnh quy Ngµnh: C«ng NghÖ Th«ng Tin Sinh viªn thùc hiÖn: nguyÔn xu©n tïng Gi¸o viªn h•íng dÉn: pgs - Ts. Ng« Quèc t¹o M· sè sinh viªn: 1013101008 H¶i Phßng - 2012 Nguyễn Xuân Tùng – CTL 401 Page 1
2. ĐỒ ÁN TỐT NGHIỆP 6 1.1 6 1.1.1 6 1.1.2 8 1.1.3 9 1.2 10 1.3 14 1.3.1 15 1.3.2 17 1.3.3 18 1.3.4 18 1.4 19 20 20 2.1.1 20 21 22 22 23 23 23 24 25 26 26 26 28 33 Nguyễn Xuân Tùng – CTL 401 Page2
3. ĐỒ ÁN TỐT NGHIỆP 34 34 34 42 N 43 Nguyễn Xuân Tùng – CTL 401 Page3
4. ĐỒ ÁN TỐT NGHIỆP 2.6 2.7 2.8 = 50 2.9 Nguyễn Xuân Tùng – CTL 401 Page4
5. ĐỒ ÁN TỐT NGHIỆP PEL Picture Element Điểm ảnh CGA Color Graphic Adaptor Độ phân giải của ảnh trên màn hình CBIR Content Based Image Retrieval Tra cứu ảnh dựa vào nội dung QBE Query by Example Truy vấn bởi ảnh mẫu QBF Query by Feature Truy vấn bởi đặc trưng RGB Red Green Blue Đỏ, Xanh lục, Xanh lơ HSV Hue, Saturation, Value Màu, sắc nét, cường độ GLA Generalized Lloyd Algorithm Thuật toán được điều chỉnh Nguyễn Xuân Tùng – CTL 401 Page5
6. ĐỒ ÁN TỐT NGHIỆP 1.1 X . n . . 1.1.1 (Picture Element) (x,y). Nguyễn Xuân Tùng – CTL 401 Page6
7. ĐỒ ÁN TỐT NGHIỆP . : . Theo . : , . . : . : ). : 28 0 – 255. : . : 21mứ 1. Nguyễn Xuân Tùng – CTL 401 Page7
8. ĐỒ ÁN TỐT NGHIỆP : 3 byte : 28*3= 224 . Tro . n . . 1.1.2 . . . nh . Nguyễn Xuân Tùng – CTL 401 Page8
9. ĐỒ ÁN TỐT NGHIỆP : L = 2B . – . . . 1.1.3 Nguyễn Xuân Tùng – CTL 401 Page9
10. ĐỒ ÁN TỐT NGHIỆP , Green v 28x3 = 224 . . : G = α.CR + β.CG + δ.CB (1-1) R, CG và CB lần lượ α, β và δ . : α = 0.299, β = 0.587 và δ = 0.114. - : G = 0.299.CR + 0.587.CG + 0.114.CB (1-1). 1.2 . Nguyễn Xuân Tùng – CTL 401 Page10
11. ĐỒ ÁN TỐT NGHIỆP . u. (text) . . Phương ph . , . . Tra Nguyễn Xuân Tùng – CTL 401 Page11
12. ĐỒ ÁN TỐT NGHIỆP . . – , video) sau: - . - . - . - . Nguyễn Xuân Tùng – CTL 401 Page12
13. ĐỒ ÁN TỐT NGHIỆP i dung Chúng ta nhận thấy rằng trên một mặt của một hệ thống tra cứu ảnh dựa vào nội dung, có các nguồn thông tin trực quan ở các khuôn dạng khác nhau và trên mặt kia có các truy vấn người sử dụng. Hai mặt này được liên kết thông qua một chuỗi các tác vụ như được minh họa trong Hình 1.1. Hai tác vụ phân tích truy vấn người sử dụng và đánh chỉ số nhiều chiều được tóm lược ở đây trong khi hai tác vụ quan trọng nhất: “Phân tích các nội dung của thông tin nguồn” (trích rút đặc trưng) và “Định nghĩa một chiến lược để đối sánh các truy vấn tìm kiếm với thông tin trong cở sở dữ liệu được lưu trữ” (các độ đo tương tự). + : . Nguyễn Xuân Tùng – CTL 401 Page13
14. ĐỒ ÁN TỐT NGHIỆP (QBE): . (QBF): . . : . : . 1.3 . Jawahe và cộng sự đã nêu ra các yêu cầu cơ bản đối với thành phần lựa chọn đặc trưng cho ảnh: - Thành phần lựa chọn đặc trưng phải lựa chọn được một tập các đặc trưng cung cấp đầu vào tốt nhất cho hệ thống tìm kiếm ảnh. Nếu số lượng các đặc trưng quá nhiều sẽ làm “che khuất” các “tín hiệu” (giảm các “tín hiệu” đối với tỉ lệ nhiễu), mặt khác, nếu số lượng các đặc trưng quá ít sẽ khó phân biệt được ảnh trong tìm kiếm. Nguyễn Xuân Tùng – CTL 401 Page14
15. ĐỒ ÁN TỐT NGHIỆP - . - . - . - ). 1.3.1 . : hR, G, B [r, g, b] = N*Prob{R = r, G = g, B = b} (1-2) Nguyễn Xuân Tùng – CTL 401 Page15
16. ĐỒ ÁN TỐT NGHIỆP . hR[], hG[], hB . : Một số độ đo tương đồng được sử dụng như: Độ đo khoảng cách Ơclit, độ đo Jensen- Shannon divergence (JSD). Gọi h(I) và h(M) tương ứng là 2 lượt đồ màu của hai ảnh I và ảnh M. Khi đó các loại độ đo màu được định nghĩa là một số nguyên (hoặc số thực) theo các loại độ đo tương ứng như sau: - : : K Inter section h I , h M h I h(M ) 2 (1-3) j 1 Hoặc: K Intersection h I ,h M | h I h M | (1-4) j 1 Nguyễn Xuân Tùng – CTL 401 Page16
17. ĐỒ ÁN TỐT NGHIỆP - Jensen-Shannon divergence (JSD): Độ đo Jensen-Shannon divergence sử dụng lược đồ màu RGB để tính toán độ tương đồng về màu sắc giữa 2 ảnh: 2H 2H ' H, H ' H log m H ' log m (1-5) d JSD m ' m ' ' H m H m H m H m , Hmlà bin thứ m của biểu đồ H. 1.3.2 . Kết cấu cung cấp thông tin về sự sắp xếp về mặt không gian của màu sắc và cường độ một ảnh. Kết cấu được đặc trưng bởi sự phân bố không gian của những mức cường độ trong một khu vực láng giềng với nhau. Kết cấu gồm các kết cấu gốc hay nhiều kết cấu gộp lại đôi khi gọi là texel. : (the steerable pyramid) (the contourlet transform) (The Gabor Wavelet transform) (co-occurrence matrix) (The complex directional fillter bank) : Để đo độ tương đồng theo kết cấu giữa các ảnh, người ta thường sử dụng độ đo Ơclit. Kết cấu được trích xuất từ các bức ảnh sẽ được biểu diễn thành các vector nhiều chiều và khoảng cách Ơclit được dùng để đo độ tương đồng giữa các đặc trưng của ảnh truy vấn với đặc trưng của ảnh trong cơ sở dữ liệu. Nguyễn Xuân Tùng – CTL 401 Page17
18. ĐỒ ÁN TỐT NGHIỆP 1.3.3 . ng sau: - . - . : . 1.3.4 (interest points). - Nguyễn Xuân Tùng – CTL 401 Page18
19. ĐỒ ÁN TỐT NGHIỆP (Local Interest Point). (Interest Point (keypoint)): . trích rút các đặc trưng bất biến SIFT được tiếp cận theo phương pháp thác lọc, theo đó phương pháp được thực hiện lần lượt theo các bước sau: -Space (Scale-Space extrema detection . Nó sử dụng hàm different-of-Gaussian để xác định tất cả các điểm hấp dẫn tiềm năng mà bất biến với quy mô và hướng của ảnh. . . . 1.4 , em . Nguyễn Xuân Tùng – CTL 401 Page19
20. ĐỒ ÁN TỐT NGHIỆP . . . 2.1 . Nguyễn Xuân Tùng – CTL 401 Page20
21. ĐỒ ÁN TỐT NGHIỆP , 8 (23), 64 (43), 216 (63), 512 (83 . , HSV, HS . . . 00 và 3600, thí dụ Blue là Nguyễn Xuân Tùng – CTL 401 Page21
22. ĐỒ ÁN TỐT NGHIỆP 2400 ” – . 1200. Các màu phụ là yellow, magenta và cyan cũng được tách bởi 1200 và 600 cách xa hai màu chính gần nhất. - 330 của mặt phẳng U- V. , . ố của R(0.299), G(0.587) và B(0.144). Các không gian màu YUV và YIQ không là đồng nhất nhận thức. Khi các không gian màu YUV và UIQ được lượng hóa, mỗi trục được lượng hóa với cùng độ chính xác. ển bởi CIE là không gian màu XYZ. Thành phần Y là thành phần độ chói được xác định bởi các tổng có trọng số của R(0:212671), G(0:715160), và B(0:072169). X và Y là các thành phần màu. Không gian màu XYZ là không đồng nhất nhận thức. Trong lượng hóa không gian màu XYZ, mỗi trục được lượng hóa với cùng độ chính xác. ột biến đổi xạ ảnh của không ồng nhất nhận thức. Kênh L của không gian màu LUV là độ chói của màu. Các kênh U và V là các thành phần màu. Vậy, khi U và V được đặt bằng 0, kênh L biểu diễn một ảnh cấp xám. Nguyễn Xuân Tùng – CTL 401 Page22
23. ĐỒ ÁN TỐT NGHIỆP , mỗi trục được lượng hóa với cùng độ chính xác. Với cả không gian màu XYZ và LUV, các lược đồ lượng hóa thường được sử dụng 8(23), 27(33), 64(43), 125(53) bin. : H={H[0], H[1], H[2], , H[i], H[N],} (2-1) . số các pixel cùng màu. Để so sánh các ảnh có các kích cỡ khác nhau, các lược đồ màu được chuẩn hóa. Lược đồ màu chuẩn hóa H’ được xác định bằng: H’={H’[0], H’[1], H’[2], , H’[i], H’[N],} (2-2) H[i] H '[i] , P là tổng số các pixel trong ảnh. p ộ đo khác nhau đã được đề xuất để tính toán khoảng cách giữa các lược đồ màu. Các độ đo khoảng cách có thể được phân loại thành ba lớp đó là dạng Minkowsk, dạng Quadratic và Histogram. 2.3 : N r d Q, I H i H i i 1 Q I (2-3) , HQ[i] là giá trị của bin i trong lược đồ màu HQ , và HI[i] là giá trị của bịn i trong lược đồ màu HI . Nguyễn Xuân Tùng – CTL 401 Page23
24. ĐỒ ÁN TỐT NGHIỆP ng : t d(Q,I) = (HQ - HI) A(HQ - HI) (2-4) , HQ là lược đồ màu của ảnh Q, HI là lược đồ màu của ảnh I, A = [ai,,j ] là ma trận N x N, N là số các bin trong lược đồ màu, và ai, j biểu thị sự tương tự giữa màu i và màu j. Nguyễn Xuân Tùng – CTL 401 Page24
25. ĐỒ ÁN TỐT NGHIỆP ểu diễn histogram trong hệ trục Oxy với trục hoành Ox biểu diễn số mức xám từ 0 đến L (số mức xám), trục tung Oy biểu diễn số điểm ảnh cho một mức xám tương ứng. (rk) = nk với rk: mức xám thứ k và nk là số pixel có mức k. Nguyễn Xuân Tùng – CTL 401 Page25
26. ĐỒ ÁN TỐT NGHIỆP (rk) = nk/n với n là tổng số pixel trong ảnh. Và L lúc này ta có : p 1 (2-5) rk k 0 : L q t min p m , p m m 0 vq,t = 1 - (2-6) L q L t min p m , p m m 0 m 0 . Để tra cứu độ tương tự, mỗi màu biểu diễn trong ảnh truy vấn được kết hợp để đưa ra kết quả cuối cùng. Hiệu quả đánh chỉ số sẽ được đưa ra nhằm tăng tốc độ tra cứu. Thực nghiệm cho thấy rằng phương pháp miêu tả kết hợp này sẽ cho hiệu quả tra cứu cao hơn so với phương pháp lược đồ màu truyền thống. (edgeflow) [8]. Ph . Nguyễn Xuân Tùng – CTL 401 Page26
27. ĐỒ ÁN TỐT NGHIỆP : F = {{ci, pi}, i = 1, , N} (2-7) , ci là vector màu ba chiều, pi là phần trăm của nó và ∑iPi = 1. Lưu ý rằng N có thể thay đổi từ vùng này sang vùng kia. : 2 D = v(n) || x(n) , x n C (2-8) i ci|| i n ci là trọng tâm của cụm Ci, x(n) là véc tơ màu tại pixel n và v(n) là trọng số nhận thức cho pixel n. Các trọng số nhận thức được tính toán từ thống kê pixel cục bộ vào bản miêu tả với thực tế rằng nhận thức trực quan của con người nhạy cảm với các thay đổi trong các vùng trơn hơn là các vùng kết cấu như được miêu tả trong [6]. Luật cập nhật cho độ đo biến dạng này là: v(n)x(n) , x n Ci (2-9) ci v(n) tr . {ci} và phần trăm của các pixel tương ứng tạo ra mô tả màu được cho bởi (2-7). F1 = {{ci, pi}, i = 1, , N1} Và F2 = {{bj, qj}, j = 1, , N2} F1 và F2 được cho bởi: N1 N2 N1 N2 2 2 2 D F1, F2 p i q j 2ai, j pi q j (2-10) i 1 j 1 i 1 j 1 Nguyễn Xuân Tùng – CTL 401 Page27
28. ĐỒ ÁN TỐT NGHIỆP ai,j là hệ số tương tự giữa các màu ci và bj 1 di, j dmax , di, j Td ai, j (2-11) 0, di, j Td di,j là khoảng cách Euclide giữa các màu ci và bj di,j = ||ci - bj|| (2-12) Td được định nghĩa trước, là khoảng cách cực đại của hai màu được xem là tương tự. dmax = αTd và αđược đặt đến 1.2 trong các thực nghiệm. phương [10] 2 T D h H1, H 2 H1, H 2 A H1 H 2 (2-13) H1 và H2 là các vector lược đồ truyền thống có độ dài Nh và hệ số của ma trận A là ai,j. Trong thực tế, nếu số các bin màu trong véc tơ lượcđồ Nh là đủ lớn sao cho tất cả các màu đại diện là các bin màu của phương pháp lược đồ, một véc tơ lược đồ màu có thể được xây dựng sử dụng các giá trị phần trăm pi. Bỏ qua tất cả các mục không (zero) và viết lại khoảng cách bình phương N1 N1 N2 N2 N1 N2 2 d h H1, H 2 ai,k pi pk a j,l q j ql 2ai, j pi q j (2-14) i 1 k 1 j 1 l 1 i 1 j 1 Td như được bàn luận ở trên. Lưu ý rằng: 1, i k 1, j l a a (2-15) i,k 0, i k j,l 0, j l : Dh(H1,H2) = D(F1,F2). - . . Nguyễn Xuân Tùng – CTL 401 Page28
29. ĐỒ ÁN TỐT NGHIỆP 2.6 . (Td [7] giới hạn phạm vi tìm kiếm) -tree [2] và SS tree [5] . * (Lattice) D 3 * Lưới D 3có một ): * - : lưới D 3 đưa ra tổng các sai số lượng hóa bình phương trung bình cực tiểu giữa tất cả các cấu trúc lưới trong không gian ba chiều. * - D 3 có phủ không gian ba chiều tối ưu nhất. * D 3 là rất đơn giản. Lưới cơ bản bao gồm các điểm (x, y, z) ở đây x, y và z tất cả là các số nguyên chẵn hoặc lẻ. Chẳng hạn, (0, 0, 0), (1, 1, 3) và (2, 10, 20) thuộc về lưới * D 3. Các điểm này có thể được tỉ lệ và trượt để có các vị trí và các khoảng điểm lưới mong muốn. : p:bán kính cực tiểu của hình cầu mà có thể phủ lên tế bào Voronoi và p’:bán kính cực đại của hình cầu mà tế bào Voronoi có thể phủ. Hình 2.8 minh họa các tham số này cho trường hợp hai chiều. Nguyễn Xuân Tùng – CTL 401 Page29
30. ĐỒ ÁN TỐT NGHIỆP 2.7 , * ’ D 3 cơ bản, p basic = ||(0,0,0) – (1,1,1)|| / 2 = 0.866. Tuy nhiên, tính toán của ρ hơi phức tạp một chút. Trong [7], tỉ lệ giữa hai biến được cung cấp tức là p’/p=0.7747. Giá trị của * pđược đặt trong quá trình thiết kế lưới. Có thể tính toán nhân tố tỉ lệ smà tỉ lệ D 3 cơ bản sử dụng quan hệ sau: s = 0.7747 p/p’basic (2-16) lưới được cho (1,1,1) và (2,0,0), các điểm lưới tỉ lệ tương ứng là (s,s,s) và (2s,0,0). bccó thể được tính dễ dàng như sau. c b round .L (2-17) e L c L 2 b round .L L 2 (2-18) 0 L . Chẳng hạn, L = 2 cho lưới cơ bản. Gốc được giả thiết là một điểm lưới. Lưu ý rằng be là điểm lưới chẵn gần nhất và b0là điểm lưới lẻ gần nhất khi cho trước điểm c. Cho b={be, b0}. thì: bc arg min b c (2-19) b . ID vùng ảnh là một nhãn số nguyên duy nhất (định danh mỗi vùng trong cơ sở dữ liệu) Nguyễn Xuân Tùng – CTL 401 Page30
31. ĐỒ ÁN TỐT NGHIỆP vùng được lưu trữ trong nút và được chèn vào vị trí đúng trong danh sách được lưu trữ. Cơ chế đánh chỉ số được đề xuất cho phép cơ sở dữ liệu là động (nghĩa là các phép chèn và xóa của các mục cơ sở dữ liệu là đơn giản và không cần xây dựng lại toàn bộ cấu trúc đánh chỉ số của cơ sở dữ liệu). nh 2.8 = 50 tìm kiếm truy vấn và bán kính tím kiếm thực tế là khoảng cách tìm kiếm cực tiểu cho các điểm lưới sao cho hình cầu mong muốn có bán kính được phủ. Ký hiệu bán kính cực tiểu của một hình cầu có thể phủ một tế bào Voronoi, như được chỉ ra trong hình 2.10. Lưu ý rằng: R = r + p. 2.9 Nguyễn Xuân Tùng – CTL 401 Page31
32. ĐỒ ÁN TỐT NGHIỆP của nó, một phần của không gian tìm kiếm không chứa bất cứ đối sánh liên quan nào. Chẳng hạn, với trường hợp hai chiều đã chỉ ra trong hình 2.10 không gian tìm kiếm thực tế gồm tất cả các diện tích màu đen. Với một phạm vi tìm kiếm r được cho, giá trị của p trong thiết kế lưới là quan trọng đối với hiệu năng tra cứu. Một giá trị nhỏ của p có nghĩa rằng không gian tìm kiếm thực tế chỉ rộng hơn không gian tìm kiếm mong muốn một chút và do đó hầu hết các nút chỉ số được truy cập là liên quan. Tuy nhiên, có một thỏa hiệp bởi vì số các nút chỉ số tăng khi p giảm và bản thân nút chỉ số trở nên kém hiệu quả. Số các nút chỉ số đã truy cập trên màu truy vấn là 0(R3/p3) và không phụ thuộc trực tiếp vào cơ sở dữ liệu. có thể có nhiều hơn một lớp biểu diễn. Nếu một tế bào Voronoi dày đặc với quá nhiều mục, không gian của nó có thể được chia tiếp thành tập các tế bào con. Các kết quả này trong một cấu trúc lưới phân cấp. Các cấu trúc lưới phân cấp được sử dụng trong mã ảnh dựa vào VQ [12]. Có nhiều phạm vi tìm kiếm cố định, một cho mỗi mức. Một thiết kế cấu trúc phân cấp cẩn thận có thể cải tiến hiệu năng tra cứu. Tuy nhiên, trong các thực nghiệm chúng tôi chỉ sử dụng biểu diễn một lớp. : 1: Với mỗi màu truy vấn, tìm các vùng đối sánh mà chứa các màu tương tự bởi sử dụng cấu trúc đánh chỉ số lưới. Để loại bỏ nhanh một số đối sánh sai, một ngưỡng Tp được đặt cho sự khác biệt giữa phần trăm truy vấn pivà phần trăm được tra cứu qj. Một vùng đối sánh được loại bỏ nếu điều kiện sau không được thỏa mãn: | pi – qj | <Tp (2-20) 2: Gộp các kết quả đối sánh từ tất cả các màu truy vấn và loại tất cả các đối sánh sai. Các vùng mà thỏa mãn hai điều kiện sau được xem xét như các ứng viên tra cứu cuối cùng: pi Tt và q j Tt (2-21) i j đánh chỉ số các màu được đối sánh. Các mục được đối sánh từng phần trong cơ sở dữ liệu được loại nhanh . Ttđược đặt là 0.6 trong các thực nghiệm. 3: Tính các khoảng cách giữa các tra cứu và truy vấn và phân hạng chúng theo thứ tự. Với chỉ số và độ đo khoảng cách là phù hợp, bán kính tìm kiếm r nên bằng với Td, khoảng cách cực đại cho hai màu được xét tương tự. Nguyễn Xuân Tùng – CTL 401 Page32
33. ĐỒ ÁN TỐT NGHIỆP 4: Nếu một truy vấn vùng được sử dụng, tất cả các ứng viên đối sánh với các khoảng cách nhỏ hơn phạm vi cho trước được trả về. Nếu một truy vấn N lân cận gần nhất được sử dụng, N ứng viên ở trên được trả về. 2 loại nhanh một lượng lớn các đối sánh sai. Bước 3 bao gồm các tính toán phức tạp hơn, nhưng chỉ cho các tra cứu cuối cùng trong cơ sở dữ liệu. Toàn bộ, độ phức tạp tính toán của thủ tục tìm kiếm là thấp. Lưu ý rằng số các truy cập đĩa ngẫu nhiên là 0(mn), ở đây n là số các màu trong truy vấn (tiêu biểu khoảng 3-5), m là số các nút đã truy cập trên màu truy vấn. Lưu ý rằng lược đồ màu truyền thống là của đánh chỉ số phát triển nhanh với số chiều. Ngược lại, mô tả màu trội được đánh chỉ số trong không gian màu ba chiều. , ngoài đã trình bày được các không gian màu, lược đồ màu, đo khoảng cách giữa các lược đồ màu, đặc biệt em đã trình thuật toán tra cứu ảnh sử dụng biểu diễn màu hiệu quả để tìm kiếm và phân vùng ảnh cho chương trình thực nghiệm. Nguyễn Xuân Tùng – CTL 401 Page33
34. ĐỒ ÁN TỐT NGHIỆP . . . : - . - . 2008. Nguyễn Xuân Tùng – CTL 401 Page34
35. ĐỒ ÁN TỐT NGHIỆP + Bảng Image Tên trường Kiểu dữ liệu Mô tả Image_ID Int(Identity) Lưu Id của ảnh ImageName Nvarchar(500) Lưu tên ảnh Width Int Độ rộng của ảnh Height Int Độ cao của ảnh + Bảng Cluster Nguyễn Xuân Tùng – CTL 401 Page35
36. ĐỒ ÁN TỐT NGHIỆP Tên trường Kiểu dữ liệu Mô tả Image_ID Int Lưu Id của ảnh Img_reg_ID Int(Identity) Lưu id của centroid ảnh Centroid Int Giá trị của các centroid + Bảng Subcluster Tên trường Kiểu dữ liệu Mô tả Image_ID Int Lưu Id của ảnh Img_reg_ID Int Lưu id của centroid ảnh Centroid Int Giá trị của các centroid Red Numeric(24,12) Giá trị Red của màu Green Numeric(24,12) Giá trị Green của màu Blue Numeric(24,12) Giá trị Blue của màu Per_of_reg Numeric(24,12) % màu trong vùng Ncount Numeric(24,12) Số pixel trong vùng có màu này Total Numeric(24,12) Tổng số pixel của vùng + Bảng btbGCH Tên trường Kiểu dữ liệu Mô tả ID_Image Int Lưu Id của ảnh SumColor0 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 0 SumColor1 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 1 SumColor2 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 2 Nguyễn Xuân Tùng – CTL 401 Page36
37. ĐỒ ÁN TỐT NGHIỆP SumColor3 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 3 SumColor4 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 4 SumColor5 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 5 SumColor6 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 6 SumColor7 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 7 SumColor8 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 8 SumColor9 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 9 SumColor10 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 10 SumColor11 Int Tổng số pixel ảnh có giá trị màu tương ứng với màu 11 Nguyễn Xuân Tùng – CTL 401 Page37
38. ĐỒ ÁN TỐT NGHIỆP : Nguyễn Xuân Tùng – CTL 401 Page38
39. ĐỒ ÁN TỐT NGHIỆP : Nguyễn Xuân Tùng – CTL 401 Page39
40. ĐỒ ÁN TỐT NGHIỆP - : Nguyễn Xuân Tùng – CTL 401 Page40
41. ĐỒ ÁN TỐT NGHIỆP : Nguyễn Xuân Tùng – CTL 401 Page41
42. ĐỒ ÁN TỐT NGHIỆP : Trong chương m . Nguyễn Xuân Tùng – CTL 401 Page42
43. ĐỒ ÁN TỐT NGHIỆP . : - - - . : em : - - : . Nguyễn Xuân Tùng – CTL 401 Page43
44. ĐỒ ÁN TỐT NGHIỆP [1] W. Y. Ma and B. S. Manjunath, “Edge flow: A framework of boundary dectection and image segmentation,” in Proc. IEEE Conf. Computer Vision Pattern Recognition, 1997, pp. 744-749. [2] Y. Deng, C. Kenney, M. S. Moore, and B. S. Manjunath, “Peer group filtering and perceptual color quantization,” in Proc. IEEE Int. Symp. Circuits Syst., vol. 4, 1999, pp. 21- 24. [3] R. O. Duda and P. E. Hart, Pattern Classification and Scene Anal-ysis. New York: Wiley, 1970. [4] J. H. Conway and N. J. A. Sloane, SpherePackings, Lattices and Groúp. New York: Springer – Verlag, 1993. [5] N. Beckmann, H. Kriegel, R. Schneider, and B. Seeger, “The R* - tree, an efficient and robust access method for points and rectangles”, in Proc. ACM SIGMOD Int. Conf. Management Data, 1990, pp. 322-331. [6] D. A. White and R. Jain, “Similarity indexing with the SS-tree” in Proc. Int. Conf. Data Engineering, 1996, pp. 516-523. [7] H. Samet, The Design and Analysis of Spatial Data Struc-tures. Reading, MA: Addison-Wesley, 1990. [8] D. Mukherjee and S. K. Mitra, “Vector set-partitioning with successiverefinement Voronoi lattice VQ for embedded wavelet image coding,” in Proc. IEEE Int. Conf. Image Processing, 1998. Nguyễn Xuân Tùng – CTL 401 Page44