PHÂN LỚP HÌNH ẢNH DỰA TRÊN CẤU TRÚC KD-TREE

jos.hueuni.edu.vn Tập 131, Số 2A, 2022 105 thực nghiệm trên các bộ ảnh COREL [8], Wang [9], CIFAR-100 [10], Caltech101 [11] và Clatech256 [12]. 2 Các công trình liên quan Ngày nay, phân lớp hình ảnh đã được nhiều tác giả thực hiện với các kỹ thuật khác nhau như phân lớp bằng thuật toán tìm kiếm láng giềng gần nhất (k-NN), mạng nơron tích chập (CNN), mạng học sâu (DNN), thuật toán SVM, Naïve Bayes, phân lớp theo cấu trúc cây quyết định (Decision Tree) và cây tìm kiếm đa chiều (KD-Tree). Trong phần này, chúng tôi tiến hành khảo sát một số phương pháp phân lớp hình ảnh để rút ra ưu, nhược điểm và so sánh với phương pháp phân lớp ảnh bằng KD-Tree, cụ thể là: Khotimah và cs. [22] đã thực hiện một phương pháp phân lớp hình ảnh bằng thuật toán cây quyết định trên mẫu cá ngừ đại dương với đặc trưng hình ảnh được trích xuất gồm kết cấu, hình dạng tỷ lệ giữa diện tích đầu và diện tích hình tròn, tỷ lệ hình tròn của đầu cá ngừ. Kết quả thực nghiệm đánh giá trên 60 mẫu ảnh cá ngừ loại mắt to, vây vàng và cá vằn với độ chính xác phân lớp là 0,88. Bên cạnh đó, Gautam và cs. [24] thực hiện một phương pháp phân lớp bằng thuật toán Naïve Bayes để phân loại tự động bạch cầu bằng cách sử dụng đặc điểm hình thái đối tượng thông qua hình ảnh. Kết quả thực nghiệm với độ chính xác phân loại cho 68 mẫu hình ảnh là 0,8088 và thời gian phân lớp cho mỗi đối tượng bằng hình ảnh trung bình là 22 giây. Đây là hai công trình thực hiện phân lớp hình ảnh bằng kỹ thuật cổ điển sử dụng Decision Tree và thuật toán Naïve Bayes đã mang lại kết quả khả quan. Tuy nhiên, số mẫu thực nghiệm để đánh giá

hiệu suất phân lớp trên hai công trình này chưa lớn và chưa áp dụng cho phân loại hình ảnh đối với các tập ảnh thuộc nhiều lĩnh vực khác nhau. Vì vậy, trong bài báo này, chúng tôi tiến hành thực nghiệm phân loại hình ảnh bằng KD-Tree được thực nghiệm trên các bộ dữ liệu có tính chất khác nhau, tập ảnh thực nghiệm lớn để đánh giá chất lượng của phương pháp đề xuất. Một hướng tiếp cận phân lớp hình ảnh bằng cách kết hợp nhiều kỹ thuật học máy như k- NN, CNN hoặc kết hợp kỹ thuật học máy với một cấu trúc dữ liệu và các nhóm đặc trưng hình ảnh trên các bộ ảnh COREL, Wang, CIFAR-100, Calttech101 đã được chúng tôi tiến hành thông qua một số công trình tiêu biểu. Nhi cs. [5] đã thực hiện một phương pháp phân lớp hình ảnh bằng cách kết hợp cấu trúc cây C-Tree và thuật toán phân lớp k-NN tại nút lá trên C-Tree đã thu được kết quả khả quan. Trong công trình này, các tác giả đã thực nghiệm trên bộ ảnh COREL và Wang với hiệu suất phân lớp là 0,7302 và 0,6894. Sự kết hợp một cấu trúc lưu trữ C-Tree và thuật toán phân lớp k-NN đã nâng cao hiệu suất cho quá trình phân lớp hình ảnh so với thuật toán k- NN. Đây là cơ sở để chúng tôi tiếp cận phương pháp phân lớp bằng KD-Tree để so sánh hiệu suất trên cùng bộ ảnh. Bên cạnh đó, Kumar và cs. [15] kết hợp thuật toán phân lớp SVM và k-NN trên các nhóm đặc trưng để tìm ra kết quả phân lớp tốt nhất trên tập ảnh Wang. Trong công trình