PHÂN LỚP HÌNH ẢNH DỰA TRÊN CẤU TRÚC KD-TREE

Nguyễn Thị Định và CS. Tập 131, Số 2A, 2022 106 này, các tác giả đã thực hiện quá trình phân lớp ảnh bằng phương pháp SVM-NPP-SURF với hiệu suất phân lớp trên tập ảnh Wang là 0,79. Ngoài ra, các tác giả còn thực nghiệm trên các tập ảnh khác và kết hợp nhiều phương pháp nhằm đánh giá và so sánh với các công trình cùng lĩnh vực. Trong công trình này, ngoài kỹ thuật phân lớp được lựa chọn, các tác giả còn quan tâm đến vấn đề trích xuất đặc trưng hình ảnh phù hợp với từng tập dữ liệu cụ thể. Dựa trên ý tưởng lựa chọn đặc trưng hình ảnh từ công trình này, chúng tôi đã thực hiện một phương pháp phân lớp ảnh bằng KD-Tree kết hợp với nhóm các đặc trưng hình ảnh SCH và SCH36 để so sánh hiệu suất trên cùng bộ ảnh Wang. Kumar và cs. [11] đã thực hiện quá trình phân lớp hình ảnh bằng mạng CNN và thực nghiệm trên bộ dữ liệu CIFAR-100 trên 10 bộ dữ liệu mẫu gồm Bed, Bicycle, Bus, Chair, Couch, Motorcycle, Street Car, Table, Train và Wardrobe với độ chính xác phân lớp là 0,5802. Phương pháp được đánh giá là khả thi, nhưng các tác giả chưa công bố kết quả thực nghiệm trên 100 phân lớp của bộ ảnh này. Mặc khác, Dang và cs. [12] đã thực hiện bài toán phân lớp hình ảnh bằng thuật toán QKNN (Quantum k-Nearest Neighbor) – quá trình kết hợp thuật toán phân lớp k-NN với quá trình trích xuất véc-tơ đặc trưng hình ảnh. Sự kết hợp này được thực nghiệm trên bộ ảnh Caltech101 với 9 phân lớp có nhiều hơn 100 mẫu ảnh để thực nghiệm; tổng số ảnh thực nghiệm là 2921 với hiệu suất phân lớp 0,78 khi k = 3. Trong công trình này, các tác giả chưa công

bố kết quả thực nghiệm trên toàn bộ tập ảnh để có cơ sở phân tích ưu nhược điểm của phương pháp. Để minh họa cho phương pháp phân lớp bằng cấu trúc KD-Tree kết hợp với thuật toán k- NN, Zhang và cs. [21] sử dụng phương pháp phân lớp ảnh số để nhận diện khuôn mặt dựa trên phương pháp phân lớp hình ảnh kết hợp thuật toán k-NN và cấu trúc KD-Tree. Trong công trình này, mỗi hình ảnh trong tập dữ liệu tại pha huấn luyện được chia thành nhiều vùng; cấu trúc KD-Tree được xây dựng dựa trên tập ảnh phân vùng nhằm phân lớp dữ liệu hình ảnh. Tại pha kiểm thử, mỗi ảnh được chia thành nhiều phân vùng và cấu trúc KD-Tree được sử dụng trong quá trình tìm kiếm theo thuật toán k-NN. Trong công trình này, thuật toán KD-Tree được xây dựng theo cấu trúc chỉ mục đa chiều nhằm giảm thời gian tìm kiếm. Thực nghiệm trên bộ ảnh CUFS (Chinese University Face Sketch) chứng minh rằng phương pháp đề xuất của nhóm tác giả là hiệu quả. Đây là công trình mà trong đó các tác giả sử dụng cấu trúc KD-Tree kết hợp thêm kỹ thuật học máy để phân loại hình ảnh, nhưng hiệu suất đạt được chưa cao. Điều này là động lực cho phương pháp tiếp cận phân lớp hình ảnh trên cấu trúc KD-Tree được chúng tôi thực hiện trên cơ sở kế thừa cấu trúc KD-Tree nguyên thủy để cải tiến thành cấu trúc KD-Tree đa nhánh cân bằng theo hướng phân lớp hình ảnh và kế thừa từ công trình [6, 7]. Các công trình nghiên cứu liên quan về các kỹ thuật phân lớp ảnh số được thực hiện theo nhiều phương pháp với các bộ ảnh thực nghiệm COREL, Wang, CIFAR-100 và Caltech101 và đã

mang lại hiệu suất khác nhau. Tuy nhiên, các phương pháp này còn những hạn chế về thời gian huấn luyện và kết quả thực nghiệm chưa được công bố đầy đủ. Vì vậy, trong bài báo này, chúng