PHÂN LỚP HÌNH ẢNH DỰA TRÊN CẤU TRÚC KD-TREE

Nguyễn Thị Định và CS. Tập 131, Số 2A, 2022 116 4.3 Xây dựng thực nghiệm phân lớp ảnh trên cấu trúc KD-Tree Thực nghiệm xây dựng cấu trúc KD-Tree theo phương pháp phân lớp được minh họa trên Hình 7. Trong thực nghiệm này, mỗi bộ ảnh có cấu trúc KD-Tree với chiều cao và số nhánh khác nhau để phù hợp với số phân lớp trên từng bộ ảnh. Hình 7 minh họa thực nghiệm xây dựng KD- Tree (Create KD-Tree) trên bộ ảnh COREL với 10 phân lớp nên chiều cao bằng 2 và số nhánh tối đa tại một node trên cây là 4. Với mỗi bộ ảnh, thực nghiệm chọn nhóm đặc trưng SCH hoặc SCH36. Sau khi xây dựng cấu trúc KD-Tree, thực hiện gán nhãn (Set Label) cho các nút lá trên KD-Tree để tính hiệu suất phân lớp ứng với bộ véc-tơ phân lớp xây dựng KD-Tree; huấn luyện tập véc-tơ phân lớp hình ảnh (Training Weight). Kết quả kiểm thử mô hình phân lớp ảnh số được minh họa trên Hình 8 (CL-KDT). Hình 7. Xây dựng và huấn luyện cấu trúc KD-Tree Hình 8. Thực nghiệm phân lớp ảnh bằng KD-Tree 4.4 Kết quả thực nghiệm và đánh giá hiệu suất mô hình phân lớp ảnh Mô hình phân lớp ảnh đã đề xuất có hiệu suất phân lớp cho bộ dữ liệu kiểm thử là 30% trên các tập ảnh COREL, Wang, CIFAR-100, Caltech101 và Caltech256. Kết quả phân lớp được trình bày trong Bảng 2. Bộ véc-tơ đặc trưng 189 chiều và kết quả phân lớp các bộ ảnh thực nghiệm trên bộ véc-tơ đặc trưng 225 chiều. So sánh kết quả phân lớp với các kỹ thuật khác trên cùng bộ ảnh được trình bày trong Bảng 3. Kết quả phân lớp hình ảnh trong Bảng 2 cho thấy với mỗi bộ đặc trưng được trích xuất

khác nhau thì hiệu suất phân lớp trên các bộ ảnh cũng khác nhau. Điều này cho thấy loại đặc trưng và số lượng đặc trưng của hình ảnh có ảnh hưởng đến bài toán phân lớp ảnh. Sự khác nhau này phụ thuộc vào tính chất từng bộ ảnh cũng như phụ thuộc vào cấu trúc phân lớp KD-Tree khi xây dựng.