Nghiên cứu phương pháp tra cứu ảnh dựa trên nội dung và xây dựng hệ thống tra cứu cây thuốc

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG



NGUYỄN HUY HOÀNG

NGHIÊN CỨU PHƯƠNG PHÁP TRA CỨU ẢNH DỰA
TRÊN NỘI DUNG VÀ XÂY DỰNG HỆ THỐNG TRA
CỨU CÂY THUỐC

Chuyên ngành: KHOA HỌC MÁY TÍNH
Mã số:
60.48.01


TÓM TẮT LUẬN VĂN THẠC SĨ


HÀ NỘI – 2013




Luận văn được hoàn thành tại:
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG


Người hướng dẫn khoa học: ………………………………
(Ghi rõ học hàm, học vị)

Phản biện 1: ………………………………………………

Phản biện 2: ……………………………………………


Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn
thạc sĩ tại Học viện Công nghệ Bưu chính Viễn thông
Vào lúc: giờ ngày tháng năm

Có thể tìm hiểu luận văn tại:
- Thư viện của Học viện Công nghệ Bưu chính
Viễn thông

1
MỤC LỤC
MỞ ĐẦU 4
CHƯƠNG 1 7
TỔNG QUAN VỀ TRA CỨU ẢNH DỰA TRÊN NỘI
DUNG (CONTENT-BASED IMAGE RETRIEVAL -
CBIR) 7
1.1. Giới thiệu truy vấn ảnh dựa trên nội dung 7
1.2. Mô hình xử lý 8
1.3. Các thành phần chính của một hệ thống CBIR 9
1.4. Các chức năng cơ bản của hệ thống CBIR 10
1.5. Một số hệ thống tra cứu ảnh dựa trên nội 10
1.5.1. Hệ thống QBIC(Query By Image Content)10

1.5.2. Hệ thống Virage 10
1.5.3. Hệ thống RetrievalWare 10

1.5.4. Hệ thống VisualSeek và WebSeek 10
1.5.5. Hệ thống Photobook 10
CHƯƠNG 2 11
PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH 11
2.1. Trích chọn đặc trưng ảnh dựa trên màu sắc 11
2.1.1. Lược đồ màu (Histogram) 11
2.1.2. Vector liên kết màu (Color Coherence
Vector) 12
2.2. Trích chọn đặc trưng ảnh dựa trên kết cấu 12
2.2.1. Ma trận đồng hiện (Co-occurence Matrix) 13
2
2.2.2. Phép biến đổi Wavelet 13
2.2.3. Các đặc trưng lọc Gabor 14
2.2.4. Các đặc trưng biến đổi sóng 14
2.3. Trích chọn đặc trưng ảnh dựa trên hình dạng 15
2.3.1. Trích chọn đặc trưng theo biên 15
2.3.1.1. Lược đồ hệ số góc 15
2.3.1.2. Vector liên kết hệ số góc (Edge
Direction Coherence Vector) 16
2.3.2. Trích chọn đặc trưng theo vùng 17
2.4. Trích chọn sử dụng điểm nổi bật 17
2.4.1. Đặc trưng cục bộ bất biến (SIFT) 17
2.4.2. SURF 19
CHƯƠNG 3 20
CÀI ĐẶT THỬ NGHIỆM VÀ ỨNG DỤNG 20
3.1. Cài đặt thử nghiệm 20
3.1.1. Môi trường phát triển, cơ sở dữ liệu 20
3.1.2. Phương pháp thực nghiệm 21
3.1.2.1. Lựa chọn mẫu thử nghiệm 21
3.1.2.2. Phương pháp đánh giá 21

3.1.3. Thử nghiệm và kết quả 22
3.1.3.1. Tìm kiếm theo lược đồ màu 22
3.1.3.2. Tìm kiếm theo lược đồ hệ số góc 22
3.1.3.3. Tìm kiếm theo vector liên kết màu 22
3.1.3.4. Tìm kiếm theo AutoCorrelogram 22
3
3.1.3.5. Tìm kiếm theo các đặc trưng cục bộ bất
biến (SIFT) 22
3.1.3.6. Tìm kiếm với SURF 22
3.1.4. Kết quả thực nghiệm và đánh giá 22
3.2. Ứng dụng tra cứu cây thuốc 24
3.2.1. Phân tích yêu cầu 24
3.2.2. Chức năng ứng dụng 24
3.2.3. Đánh giá ứng dụng 25
KẾT LUẬN 26





4
MỞ ĐẦU
Cùng với sự phát triển của công nghệ, đã có rất
nhiều phương pháp được nghiên cứu để truy vấn thông tin
dựa vào hình ảnh. Tuy nhiên, một trong những phương
pháp được nhiều người quan tâm nghiên cứu hiện nay là
phương pháp “Tra cứu ảnh dựa theo nội dung” (Content
Based Image Retrieval - CBIR). Ý tưởng phương pháp
này là trích chọn các đặc điểm dựa vào nội dung trực quan
của ảnh như màu sắc, kết cấu, hình dạng và bố cục không

gian của ảnh để làm cơ sở cho việc tra cứu, sắp xếp, tổ
chức cơ sở dữ liệu ảnh. Tra cứu ảnh dựa trên hình dạng sử
dụng các đặc trưng hình dạng của các ảnh mục tiêu để tìm
kiếm, nó là một khía cạnh rất quan trọng của tra cứu ảnh
dựa trên nội dung. Hiện nay có nhiều hệ thống cho phép
tra cứu thông tin dựa trên hình ảnh như như Google Image
Swirl, Bing, Tiltomo, Tineye, Pixolution…Các hệ thống
trên đã đưa ra các kết quả tìm kiếm rất tốt dựa trên ảnh
mẫu. Tuy nhiên, hạn chế của các hệ thống trên là vẫn tồn
tại sự nhập nhằng về dữ liệu, các thông tin chưa cô đọng
theo chủ đề xác định, với bài toán đặt ra ở đây là cây
thuốc. Với mục đích cuối cùng có thể xây dựng được một
5
hệ thống tra cứu cây thuốc dựa trên hình ảnh. Cho phép
người Việt Nam nhận biết và sử dụng hiệu quả về các cây
thuốc ở Việt Nam thông qua hình ảnh. Luận văn này sẽ đi
sâu vào những nhiệm vụ chính như sau:
- Nội dung
+ Nghiên cứu và đánh giá các kỹ thuật tra cứu ảnh
theo nội dung.
+ Tìm hiểu cách thức nhận biết cây thuốc thông
thường trong cuộc sống như qua lá, hoa, thân hay rễ…để
từ đó có thể giới hạn đối tượng làm mẫu và truy vấn
+ Đề xuất sử dụng một số kỹ thuật khác và đưa ra
sự so sánh với các hệ thống ảnh trước đó.
+ Từ đó đưa ra các phương pháp cải tiến và khắc
phục những hạn chế hiện tại.
+ Thử nghiệm chương trình tra cứu ảnh theo nội
dung thông qua mô hình truy vấn đề xuất và các kết quả
đạt được như độ chính xác, tốc độ xử lý…

- Yêu cầu cần giải quyết
+ Tìm hiểu kiến thức về các kỹ thuật xử lý ảnh.
+ Đưa ra được phạm vi đối tượng thực hiện để làm
mẫu nhận dạng là lá, cây, hoa, hay tất cả.
6
+ Xây dựng tập mẫu ảnh dựa trên đối tượng đã lựa
chọn ở trên
+ Tham khảo các mã nguồn mở về xử lý ảnh cho
quá trình cài đặt.
+ Nghiên cứu về tra cứu ảnh theo nội dung và các
phương pháp trích chọn đặc trưng dựa trên các tài liệu
nghiên cứu trước đó. Từ đó triển khai cài đặt thuật toán tra
cứu.
+ Thực nghiệm dựa trên xây dựng và đánh giá các
kết quả nghiên cứu.
+ Xây dựng hệ thống tra cứu ảnh dựa trên thực
nghiệm và các đánh giá đã có.
7
CHƯƠNG 1
TỔNG QUAN VỀ TRA CỨU ẢNH DỰA TRÊN
NỘI DUNG (CONTENT-BASED IMAGE
RETRIEVAL - CBIR)
Chương 1 luận văn giới thiệu tổng quan về phương
pháp “Tra cứu ảnh dựa theo nội dung - CBIR” bao gồm
khái niệm, mục đích, mô hình, thành phần, chức năng và
một số hệ thống tra cứu ảnh dự trên nội dung.
1.1. Giới thiệu truy vấn ảnh dựa trên nội dung
Tra cứu ảnh dựa theo nội dung (CBIR) có nguồn
gốc từ năm 1992. Tra cứu ảnh theo nội dung là tra cứu
thông tin trực quan (VIR - Visual Information Retrieval).

Các yếu tố trực quan như màu sắc, kết cấu, hình dạng và
bố cục không gian trực tiếp liên quan đến khía cạnh của
cảm nhận nội dung ảnh, cùng với các khái niệm ở mức
cao như ý nghĩa đối tượng, khung cảnh trong ảnh, được
dùng như là manh mối cho tìm kiếm hình ảnh với nội
dung tương tự từ cơ sở dữ liệu.

8
1.2. Mô hình xử lý
Để xây dựng hệ thống truy vấn ảnh, cần giải quyết
3 vấn đề chính sau
• Rút trích các đặc trưng trên ảnh (Feature
Exaction)
• Xác định độ đo sự tương đồng giữa hai ảnh
(Similarity Measure)
• Lập chỉ mục cho CSDL ảnh (Image Indexing)
Từ đó xây dựng nên các thành phần cho hệ thống
truy vấn ảnh:

Hệ thống truy vấn ảnh với cơ sở tri thức
9
1.3. Các thành phần chính của một hệ thống
CBIR
Hiện nay, trọng tâm chính của CBIR là nghiên cứu
chủ yếu trên 3 chủ đề chính:
Trích chọn đặc trưng: Các đặc trưng của hình ảnh
bao gồm các đặc trưng nguyên thủy và các đặc trưng ngữ
nghĩa/đặc trưng logic. Đặc trưng nguyên thủy như màu
sắc, hình dạng, kết cấu và các mối quan hệ không gian
được định lượng trong tự nhiên, chúng có thể được trích

xuất tự động hoặc bán tự động. Đặc trưng logic cung cấp
mô tả trừu tượng của dữ liệu hình ảnh ở các cấp độ khác
nhau.
Lập chỉ số hiệu quả: Để tạo điều kiện truy vấn
hiệu quả và xử lý tìm kiếm, các chỉ số hình ảnh cần thiết
được tổ chức thành các cấu trúc dữ liệu hiệu quả. Các cấu
trúc như k-d-tree, R-tree family, R *- tree, quad-tree, và
grid file (tập lưới) thường được sử dụng.
Giao diện người dùng: Giao diện người dùng bao
gồm một bộ xử lý truy vấn và trình duyệt để cung cấp các
công cụ đồ họa tương tác, cơ chế truy vấn và truy cập cơ
sở dữ liệu, theo thứ tự định sẵn.
10
1.4. Các chức năng cơ bản của hệ thống CBIR
Những chức năng chính của một hệ thống bao gồm
các nội dung sau:
- Phân tích nội dung của nguồn thông tin và biểu
diễn nội dung của các nguồn thông tin.
- Phân tích các truy vấn của người dùng và biểu
diễn chúng thành các dạng phù hợp với việc đối sánh với
cơ sở sữ liệu nguồn.
- Xác định chiến lược để đối sánh tìm kiếm truy
vấn với thông tin được lưu trữ trong cơ sở dữ liệu.
- Thực hiện các điều chỉnh cần thiết trong hệ thống
dựa trên phản hồi từ người sử dụng hoặc những hình ảnh
được tra cứu.
1.5. Một số hệ thống tra cứu ảnh dựa trên nội
1.5.1. Hệ thống QBIC (Query By Image
Content)
1.5.2. Hệ thống Virage

1.5.3. Hệ thống RetrievalWare
1.5.4. Hệ thống VisualSeek và WebSeek
1.5.5. Hệ thống Photobook
11
CHƯƠNG 2
PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG
ẢNH
Chương 2 sẽ đưa ra một số khái niệm liên quan đến
các thuộc tính, kỹ thuật của việc truy vấn theo nội dung
ảnh. Qua đó làm tiền đề để nghiên cứu xâu hơn các kỹ
thuật trích chọn nội dung ảnh và đối sánh ảnh.
2.1. Trích chọn đặc trưng ảnh dựa trên màu sắc
2.1.1. Lược đồ màu (Histogram)
Là đại lượng đặc trưng cho phân bố màu cục bộ
của ảnh .
Độ đo tính tương tự về màu sắc được tính bằng
phần giao của 2 lược đồ màu ảnh truy vấn H(I
Q
) và ảnh
trong cơ sở dữ liệu ảnh H(I
D
). Kết quả sẽ là một lược đồ
màu thể hiện độ giống nhau giữa 2 ảnh trên.
Tuy nhiên vì lược đồ màu chỉ thể hiện tính phân bố
màu toàn cục của ảnh mà không xét đến tính phân bố cục
bộ của điểm ảnh nên có thể có 2 ảnh trông rất khác nhau
nhưng lại có cùng lược đồ màu.
12
2.1.2. Vector liên kết màu (Color Coherence
Vector)

Là lược đồ tinh chế lược đồ màu, chia mỗi ô màu
(bin) thành 2 nhóm điểm ảnh: nhóm liên kết màu
(coherence pixels) và nhóm không liên kết màu (non-
coherence pixels)
Vector liên kết màu còn giúp giải quyết khuyết
điểm về tính không duy nhất của lược đồ màu đối với ảnh.
Hai ảnh có thể có chung lược đồ màu nhưng khác nhau
hoàn toàn, đây là khuyết điểm của lược đồ màu. Nhưng
với tìm kiếm theo đặc trưng vector liên kết màu thì nó sẽ
giải quyết được khuyết điểm không duy nhất này.
2.2. Trích chọn đặc trưng ảnh dựa trên kết cấu
Kết cấu hay còn gọi là vân (texture), là một đối
tượng dùng để phân hoạch ảnh ra thành những vùng được
quan tâm và để phân lớp những vùng đó. Vân cung cấp
thông tin sự sắp xếp về mặt không gian của màu sắc và
cường độ của một ảnh.
Ví dụ cấu trúc của vân của một số loại lá cây
13

Cấu trúc vân của lá cây
2.2.1. Ma trận đồng hiện (Co-occurence
Matrix)
Ma trận đồng hiện là ma trận lưu trữ số lần
xuất hiện của những cặp điểm ảnh trên một vùng đang xét.
Các cặp điểm này được tính theo những quy luật cho
trước.
Ví dụ với ảnh f như sau:
݂ൌ
൥
1 1 0 0

1 1 0 0
0 0 2 2
൩
ta có ma trận đồng hiện P
(1,0)
với
P
(1,0)
=
൥
4 0 2
2 2 0
0 0 2
൩

2.2.2. Phép biến đổi Wavelet
Vân thu được từ biến đối wavelet được hầu hết các
nghiên cứu công nhận là đặc trưng về vân tốt nhất cho
việc phân đoạn ảnh.
14
Thuật toán tính ra các đặc trưng vân theo biến đổi
Wavelet:
• Tính biến đổi Wavelet trên toàn ảnh.
• Ứng với mỗi vùng cần tính, ta tính được 3
thành phần ứng với các miền HL, LH và HH
• Khi áp dụng biến đổi wavelet ở những mức
sâu hơn, ta sẽ có tương ứng 3xV thành phần
ứng với V là chiều sâu của biến đổi
Wavelet.
2.2.3. Các đặc trưng lọc Gabor

Lọc Gabor được sử dụng rộng rãi để trích rút các
đặc trưng ảnh, đặc biệt là các đặc trưng kết cấu. Nó tối ưu
về mặt cực tiểu hoá sự không chắc chắn chung trong miền
không gian và miền tần số, và thường được sử dụng như
một hướng và tỷ lệ biên điều hướng và phát hiện đường.
Có nhiều cách tiếp cận đã được đề xuất để mô tả các kết
cấu của các ảnh dựa trên các lọc Gabor.
2.2.4. Các đặc trưng biến đổi sóng
Tương tự với lọc Gabor, biến đổi sóng cung cấp
một cách tiếp cận đa độ phân giải đối với phân tích kết
cấu và phân lớp. Các biến đổi sóng phân rã một tín hiệu
15
với một họ các hàm cơ sở ߰
௠௡
ሺݔሻ thu được thông qua
dịch chuyển và sự co giãn của sóng ߰ሺݔሻ
߰
ሺ
ݔ
ሻ
ൌ
2
ି
ଵ
ଶ
߰
ሺ
2
ି
௠

ݔ
െ
݊
ሻ

Hơn nữa, theo so sánh của các đặc trưng biến đổi
sóng khác nhau, chọn riêng lọc sóng không là then chốt
cho phân tích kết cấu.
2.3. Trích chọn đặc trưng ảnh dựa trên hình
dạng
2.3.1. Trích chọn đặc trưng theo biên
2.3.1.1. Lược đồ hệ số góc
Lược đồ gồm 73 phần tử trong đó:72 phần tử
đầu chứa số điểm ảnh có hệ số gốc từ 0 – 355 độ, các
hệ số góc này cách nhau 5 độ. Phần tử cuối chứa số
phần tử không nằm trên biên cạnh .

Ảnh minh họa lược đồ hệ số góc
16

Đường biên của ảnh
2.3.1.2. Vector liên kết hệ số góc (Edge
Direction Coherence Vector)
Là lược đồ tinh chế lược đồ hệ số góc, chia mỗi ô
chứa (bin) thành 2 nhóm điển ảnh: Nhóm điểm liên kết hệ
số góc (coherent pixels) và nhóm điểm không liên kết hệ
số góc (non-coherence pixels).
Một pixel trong một ô chứa (bin) được gọi là điểm
liên kết hệ số góc (coherent) nếu nó thụôc vùng gồm các
điểm thuộc cạnh có hệ số góc tương tự với kích thướt lớn

(thường vào khoảng 0.1% kích thước ảnh).

Ảnh minh họa vector liên kết hệ số góc
17

Ảnh minh họa sự liên kết giữa các biên cạnh
2.3.2. Trích chọn đặc trưng theo vùng
Ảnh gồm tập hợp các vùng hay còn gọi là đoạn.
Đây là đặc trưng đặc biệt của ảnh. Với đặc trưng vùng sẽ
giúp cho chúng ta có thể giải quyết được một vấn đề lớn
đang cản trở bước phát triển việc truy tìm ảnh dựa vào nội
dung là dữ liệu nhập được mô phỏng gần gũi hơn với suy
nghĩ của con người và ảnh tìm được có thể mang nội dung
ngữ nghĩa rất khác so với ảnh truy vấn.
2.4. Trích chọn sử dụng điểm nổi bật
Phương pháp này dựa trên các điểm nổi bật, là các
điểm bất biến với sự thay đổi của ảnh như xoay, co giãn,
che lấp một phần… Có 2 phương pháp tiêu biểu nhất là
SIFT và SURF
2.4.1. Đặc trưng cục bộ bất biến (SIFT)
18
SIFT là viết tắt của cụm từ Scale-
Invariant Feature
Transform là một trong những thuật toán n
ổi ti
hiện nay dùng để phát hiện và mô tả các đặc tr
ưng c
số. Thuật toán này đư
ợc công bố bởi David Lowe v
năm 1999[19].

Hai hình trên có thể được nhận ra là c
ủ
cảnh bởi SIFT
Giống như nhi
ều thuật toán về xử lý ảnh, SIFT l
thuật toán khá phức tạp, phải trải qua nhiều bư
ớ
s
ử dụng nhiều kiến thức về toán học. Sau đây s
bước chính trong thuật toán:
1. Xây dựng không gian scale
2. Xác đinh vị trí điểm đặc trưng
3. Thêm hướng cho điểm đặc trưng
4. Mô tả điểm đặc trưng

Invariant Feature
ổi tiếng nhất
ưng c
ủa ảnh
i David Lowe v
ào

ủa c
ùng 1
ảnh, SIFT l
à
ớc xử lý v
à
đây sẽ l
à các

19
2.4.2. SURF
SURF (Speeded Up Robust Features) được giới
thiệu lần đầu tiên vào năm 2006 bởi nhóm các nhà nghiên
cứu bao gồm Herbert Bay, Tinne Tuytelaars và Luc Van
Gool. Cách tiếp cận của phương pháp này tương đối giống
với SIFT. SURF cũng sử dụng không gian scale để tìm
điểm đặc trưng, các đặc trưng được mô tả dưới dạng
vector và có kèm thêm hướng. Hai phần chính trong thuật
toán này là “phát hiện” (detection) và “mô tả”
(description).
Phát hiện : Việc phát hiện đặc trưng dựa trên
không gian scale và sử dụng ma trận Hessian, tuy nhiên để
đơn giản cho việc tính toán người ta chỉ sử dụng một xấp
xỉ của ma trận này.
Mô tả : Việc mô tả đặc trưng sử dụng đặc trưng
Haar Wavelet. Một lần nữa Integral Images lại được sử
dụng để tăng tốc độ tính toán. Mỗi điểm đặc trưng sẽ được
thêm 1 hướng dùng để nhận dạng khi ảnh bị xoay.Mô tả
điểm đặc trưng được thể hiện dưới dạng vector gồm 64
thành phần.


20
CHƯƠNG 3
CÀI ĐẶT THỬ NGHIỆM VÀ ỨNG DỤNG
Trong chương này, luận văn sẽ cài đặt một số thuật
toán trích chọn dựa trên đặc trưng ảnh, từ đó đưa ra đánh
giá về các kỹ thuật. Chọn kỹ thuật tối ưu để xây dựng hệ
thống tra cứu cây thuốc.

3.1. Cài đặt thử nghiệm
3.1.1. Môi trường phát triển, cơ sở dữ liệu
Chương trình được thiết kế trên Visual Studio
2010, ngôn ngữ C# (C Sharp) và CSDL SQL Server 2008.
Chương trình cũng có sử dụng một số thư viện hỗ trợ xử
lý ảnh như EmguCV.dll, AForge.dll và một số thư viện hỗ
trợ khác tham khảo qua internet.

Dữ liệu mẫu từ chương trình
21
3.1.2. Phương pháp thực nghiệm
3.1.2.1. Lựa chọn mẫu thử nghiệm
Hiệu quả hoạt động của hệ thống được đánh giá
bằng cách chạy thử nghiệm trên cơ sở dữ liệu hình ảnh đã
có. Em sử dụng 2 cách thức chọn mẫu thử nghiệm chính:
- Lấy ngẫu nhiên một mẫu ảnh có trong CSDL để
tra cứu.
- Chỉ định một mẫu cố định để tra cứu.
3.1.2.2. Phương pháp đánh giá
Sử dụng top-N, chỉ ra tỷ lệ các loại cây chính xác
xuất hiện là một trong vị trí N từ kết quả trả về. Em sử
dụng 2 tỷ lệ chính nằm trong giới hạn là top-10 và top-15.
Ngoài ra còn các đại lượng đánh giá khác bao gồm: Độ
chính xác = Số ảnh tìm được đúng / Số ảnh tìm được, Độ
trung thực = Số ảnh tìm được đúng / Tổng số ảnh đúng
thực có trong CSDL và Thời gian tính toán trung bình.
Để trực quan hơn em có sử dụng thêm biểu đồ thời
gian và biểu đồ độ chính xác trung bình (xác suất số lần
xuất hiện kết quả đúng trong top-N với 10 lần thử nghiệm)

22

3.1.3. Thử nghiệm và kết quả
Chương trình tiến hành thử nghiệm và lấy số liệu
với từng trường hợp cụ thể bao gồm:
3.1.3.1. Tìm kiếm theo lược đồ màu
3.1.3.2. Tìm kiếm theo lược đồ hệ số góc
3.1.3.3. Tìm kiếm theo vector liên kết màu
3.1.3.4. Tìm kiếm theo AutoCorrelogram
3.1.3.5. Tìm kiếm theo các đặc trưng cục bộ
bất biến (SIFT)
3.1.3.6. Tìm kiếm với SURF
3.1.4. Kết quả thực nghiệm và đánh giá
Từ những kết kết quả thử nghiệm cho thấy rằng các
kết quả trích chọn dựa trên màu sắc là tốt nhất, tiếp theo
kết cấu và hình dạng, và hiệu suất của hệ thống được tăng
lên khi kết hợp một số phương pháp lại với nhau.
Phương pháp truy vấn dựa trên màu sắc là chiếm
ưu thể hơn cả. Cả về thời gian tính toán cũng như số
lượng các kết quả chính xác, có độ tương đồng cao.
23

Thời gian xử lý trung bình của các phương pháp

Độ chính xác của các phương pháp


0
500
1000

1500
2000
2500
3000
3500
20 50 100 150 200 250 500
Lược đồ màu
Lược đồ HSG
Vector LK màu
Auto Cologram
SIFT
SURF
0
10
20
30
40
50
60
70
80
90
100
10
20
30
40
50
60
70

80
90
100
Lược đồ màu
Lược đồ HSG
Vector LK màu
Auto Cologram
SIFT
SURF