Đang tải... (xem toàn văn)
I. LỜI NÓI ĐẦU 1. Lý do chọn đề tài Ngày nay xuất hiện nhiều loại thiết bị ghi điện tử số như máy quét, microphone, máy ảnh và máy quay cũng như sư phát triển mạnh mẽ của của các bộ nhớ lưu trữ của máy tính và sự phát triển mạnh mẽ của Internet làm cho hệ thống cơ sở dữ liệu đa phương tiện vô cùng lớn và ngày càng tăng gồm: âm thanh, video, hình ảnh, đồ thị, bài phát biểu, văn bản, tài liệu, và dữ liệu siêu văn bản mà gồm văn bản, văn bản đánh dấu, và mối liên kết . . . Vì vậy việc khám phá các tri thức bên trong các cơ sở dữ liệu đa phương tiên này có ý nghĩa rất quan trọng đối với một số lĩnh vực, tổ chức, cũng như một số ứng dụng. Có ứng dụng rộng rãi trong các lĩnh vức khác nhau gồm: • Chuẩn đoán y học. • Dự doán thời tiết. • Sản xuất TV. • Phương tiện tìm kiếm hình ảnh trên Web. • Thương mại điện tử. • Nghiên cứu thiên văn học. • Nghiên cứu địa chấn học. • Nghiên cứu địa chất học. 2. Mục đích Nghiên cứu về khai phá dữ liệu multimedia và tập trung vào khai phá dữ liệu hình ảnh, hướng dẫn cách thức khai phá dữ liệu multimedia. 3. Nội dụng • Khai phá dữ liệu đa phương tiện là gì? • Cách thức khai phá dữ liệu đa phương tiện gồm: o Tìm kiếm tương tự trong dữ liệu đa phương tiện. o Phân tích đa chiều của các dữ liệu đa phương tiện. o Phân loại và dự doán phân tích của dữ liệu đa phương tiện. o Khai phá các liên kết trong dữ liệu đa phương tiện. o Khai phá dữ liệu âm thanh và hình ảnh. II. NỘI DUNG 1. Khai phá dữ liệu đa phương tiện là gì? Định nghĩa cổ điển của khai phá dữ liệu thì khai phá dữ liệu là tiến trình khám phá thông tin tự động, mà cải thiện đưa ra quyết định và đem lại thuận lợi cho công ty trên thị trường. Các định nghĩa khác thì khai phá dữ liệu là thăm dò và phân tích bằng các phương tiện tự động hay bán tự động của số lượng lớn dữ liệu để khám phá các mẫu và các luật có ý nghĩa. Nó được cho rằng các mẫu và các luật được khám phá là có ý nghĩa cho các doanh nghiệp. Quả thực, khai phá dữ liệu được áp dụng kỷ luật mà làm tăng nhận dạng các mẫu thống kê, học máy, và trí tuệ nhân tạo và được kết hợp với đưa ra quyết định doanh nghiệp để tối ưu hóa và làm tăng việc khai phá dữ liệu. Ban đầu, các kỹ thuật khai phá dữ liệu được áp dụng cho cấu trúc dữ liệu từ cơ sở dữ liệu. Thuật ngữ “khám phá tri thức trong cơ sở dữ liệu” mà trong thời điểm này nó là lỗi thời, phản ánh giai đoạn này. Tuy nhiên, trí thức làm sáng tỏ ý nghĩa dữ liệu và khám phá tri thức vượt xa việc tìm kiếm các mẫu đơn giản và tương quan trong dữ liệu để xác định các khái niện và tìm kiếm các quan hệ. Trí thức dựa trên mô hình tạo nên bức tranh logic nhất quan của thế giới. Trong những năm gần đây thuật ngữ “phân tích dự đoán” đã được sử dụng rộng rãi trong thế giới doanh nghiệp. Một mặt tăng sức mạnh máy tính thực hiện các công nghệ khai phá dữ liệu hợp lý bởi các công ty nhỏ, nhưng mặt khác, xuất hiện bộ nhớ khủng lồ rẻ tiền và các thiết bị ghi điện tử số, như là máy quét, micro, máy ảnh và máy quay, đã cho phép số hóa tất cả các loại doanh nghiêp, chính phủ và các tài liệu riêng tư. Nhiều công ty xem những tài liệu điện tử này như tài sản giá trị lớn và các nguồn khác của dữ liệu cho khai phá dữ liệu. Ví dụ, thông điệp email từ các khách hàng và các bản ghi cuộc trò chuyện qua điện thoại giữa các khách hàng và các hoạt động có thể phục vụ như nguồn có giá trị của tri thức về cả hai thứ đó là khách hàng cần và chất lượng của dịch vụ. Sự phát triển thông tin mạnh mẽ trên Word Wide Web tạo ra việc khai phá dữ liệu, một nguồn không thể thiếu của dữ liệu cho các nghiệp vụ thông minh. Tuy nhiên, xử lý nguồn mới của thông tin bán cấu trúc( trang Web, tài liệu XML) và phi cấu trúc (văn bản, hình ảnh, âm thanh và video) được yêu cầu phương pháp và công cụ khai phá dữ liệu mới.
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG KHOA CÔNG NGHỆ THÔNG TIN ______________________________________ TIỂU LUẬN MÔN:CHUYÊN ĐỀ ĐỀ TÀI: KHAI PHÁ DỮ LIỆU ĐA PHƯƠNG TIỆN Sinh viên thực hiên : NGUYỄN ĐẮC THƯỞNG Lớp : D07CNPM1 Giáo viên hướng dẫn : Thầy TRẦN ĐÌNH QUẾ Hà Nội, 4/2011 I. LỜI NÓI ĐẦU 1. Lý do chọn đề tài Ngày nay xuất hiện nhiều loại thiết bị ghi điện tử số như máy quét, microphone, máy ảnh và máy quay cũng như sư phát triển mạnh mẽ của của các bộ nhớ lưu trữ của máy tính và sự phát triển mạnh mẽ của Internet làm cho hệ thống cơ sở dữ liệu đa phương tiện vô cùng lớn và ngày càng tăng gồm: âm thanh, video, hình ảnh, đồ thị, bài phát biểu, văn bản, tài liệu, và dữ liệu siêu văn bản mà gồm văn bản, văn bản đánh dấu, và mối liên kết . . . Vì vậy việc khám phá các tri thức bên trong các cơ sở dữ liệu đa phương tiên này có ý nghĩa rất quan trọng đối với một số lĩnh vực, tổ chức, cũng như một số ứng dụng. Có ứng dụng rộng rãi trong các lĩnh vức khác nhau gồm: • Chuẩn đoán y học. • Dự doán thời tiết. • Sản xuất TV. • Phương tiện tìm kiếm hình ảnh trên Web. • Thương mại điện tử. • Nghiên cứu thiên văn học. • Nghiên cứu địa chấn học. • Nghiên cứu địa chất học. 2. Mục đích Nghiên cứu về khai phá dữ liệu multimedia và tập trung vào khai phá dữ liệu hình ảnh, hướng dẫn cách thức khai phá dữ liệu multimedia. 3. Nội dụng • Khai phá dữ liệu đa phương tiện là gì? • Cách thức khai phá dữ liệu đa phương tiện gồm: o Tìm kiếm tương tự trong dữ liệu đa phương tiện. o Phân tích đa chiều của các dữ liệu đa phương tiện. o Phân loại và dự doán phân tích của dữ liệu đa phương tiện. o Khai phá các liên kết trong dữ liệu đa phương tiện. o Khai phá dữ liệu âm thanh và hình ảnh. II. NỘI DUNG 1. Khai phá dữ liệu đa phương tiện là gì? Định nghĩa cổ điển của khai phá dữ liệu thì khai phá dữ liệu là tiến trình khám phá thông tin tự động, mà cải thiện đưa ra quyết định và đem lại thuận lợi cho công ty trên thị trường. Các định nghĩa khác thì khai phá dữ liệu là thăm dò và phân tích bằng các phương tiện tự động hay bán tự động của số lượng lớn dữ liệu để khám phá các mẫu và các luật có ý nghĩa. Nó được cho rằng các mẫu và các luật được khám phá là có ý nghĩa cho các doanh nghiệp. Quả thực, khai phá dữ liệu được áp dụng kỷ luật mà làm tăng nhận dạng các mẫu thống kê, học máy, và trí tuệ nhân tạo và được kết hợp với đưa ra quyết định doanh nghiệp để tối ưu hóa và làm tăng việc khai phá dữ liệu. Ban đầu, các kỹ thuật khai phá dữ liệu được áp dụng cho cấu trúc dữ liệu từ cơ sở dữ liệu. Thuật ngữ “khám phá tri thức trong cơ sở dữ liệu” mà trong thời điểm này nó là lỗi thời, phản ánh giai đoạn này. Tuy nhiên, trí thức làm sáng tỏ ý nghĩa dữ liệu và khám phá tri thức vượt xa việc tìm kiếm các mẫu đơn giản và tương quan trong dữ liệu để xác định các khái niện và tìm kiếm các quan hệ. Trí thức dựa trên mô hình tạo nên bức tranh logic nhất quan của thế giới. Trong những năm gần đây thuật ngữ “phân tích dự đoán” đã được sử dụng rộng rãi trong thế giới doanh nghiệp. Một mặt tăng sức mạnh máy tính thực hiện các công nghệ khai phá dữ liệu hợp lý bởi các công ty nhỏ, nhưng mặt khác, xuất hiện bộ nhớ khủng lồ rẻ tiền và các thiết bị ghi điện tử số, như là máy quét, micro, máy ảnh và máy quay, đã cho phép số hóa tất cả các loại doanh nghiêp, chính phủ và các tài liệu riêng tư. Nhiều công ty xem những tài liệu điện tử này như tài sản giá trị lớn và các nguồn khác của dữ liệu cho khai phá dữ liệu. Ví dụ, thông điệp e-mail từ các khách hàng và các bản ghi cuộc trò chuyện qua điện thoại giữa các khách hàng và các hoạt động có thể phục vụ như nguồn có giá trị của tri thức về cả hai thứ đó là khách hàng cần và chất lượng của dịch vụ. Sự phát triển thông tin mạnh mẽ trên Word Wide Web tạo ra việc khai phá dữ liệu, một nguồn không thể thiếu của dữ liệu cho các nghiệp vụ thông minh. Tuy nhiên, xử lý nguồn mới của thông tin bán cấu trúc( trang Web, tài liệu XML) và phi cấu trúc (văn bản, hình ảnh, âm thanh và video) được yêu cầu phương pháp và công cụ khai phá dữ liệu mới. Gần đây, Hai nhánh của khai phá dữ liệu, khai phá dữ liệu văn bản và khai phá dữ liệu Web, đã nổi lên. Chúng có lịch trình nghiên cứu của riêng mình, cộng đông nghiên cứu, và các công ty hỗ trợ phát triển các công nghệ và công cụ. Không may, ngày nay khai phá dữ liệu đa phương tiện vẫn trong giai đoạn phôi thai. Nó có thể được giải thích bằng các công nghệ non nớt, chi phí cao và việc lưu trữ và xử lý dữ liệu media, và thiếu những câu chuyện thành công mà thể hiện lợi ích và tỷ lệ cao trở lại đầu tư vào khai phá dữ liệu đa phương tiện. Để hiểu xâu sắc phai phá dữ liệu đa phương tiện, cho phép chúng ta xem xét mục đích và phạm vi của nó. Thứ nhất, cho phép chúng ta mô tả phân loại cái gì của dữ liệu thuộc về dữ liệu phương tiện: dữ liệu âm thanh, mà gồm âm thanh, tiếng nói, và âm nhạc; dữ liệu hình ảnh( hình ảnh đen trắng và hình ảnh màu); dữ liệu video, mà gồm thời gian liên kết chuỗi hình ảnh; và mực điện tử hay số, mà là một chuỗi của thời gian liên kết 2D hoặc 3D phối hợp của một bút, bút đèn, gang tay dữ liệu cảm biến, hay các thiết bị tương tự. Tất cả dữ liệu này được sinh bởi loại cảm biến riêng. Thứ hai, cho chúng ta có cái nhìn gần hơn về thuật ngữ khai phá dữ liệu đa phương tiện. Từ đa phương tiện cho rằng rằng một vài nguồn dữ liệu của các cách thức khác được xử lý tại cùng một thời điểm. Nó có thể hay không thể là các trường hợp. Dự án khai phá dữ liệu có thể quyết định chỉ một cách thức của dữ liệu, ví dụ, các bản ghi âm thanh hay video giám sát khách hàng. Nó sẽ là tốt hơn để sử dụng thuật ngữ khai phá dữ liệu media để thay thế, nhưng từ media thường không bao hàm đa số media như là radio và truyền hình, mà có thể hoặc không thể là nguồn dữ liệu cho dự án khai phá dữ liệu. Thuật ngữ khai phá dữ liệu cảm biến mở rộng phạm vi quá xa như các cảm biến radar, công tơ mét, đo gia tốc, định vi tiếng vọng, nhiệt kế, vv…. Mục đích chính của khai phá dữ liệu đa phương tiện là xử lý dữ liệu media đơn, hay trong một kết hợp với dữ liệu khác cho việc tìm các mẫu có ích cho doanh nghiệp. Ví dụ, phân tích lưu lượng khách hàng trong cửa hàng bán lẻ sử dụng bản ghi video để tìm vị trí tối ưu cho việc trưng bày sản phẩm mới. Bên cạnh các dự án khai phá dữ liệu rõ ràng, kỹ thuật khai phá dữ liệu có thê được sử dụng như một phần của các hoạt động phức tạp hay các tiến trình sản xuất. Ví dụ, sử dụng các hình ảnh để tìm các sản phẩm bị lỗi hay chỉ rõ cơ sở dữ liệu cuộc họp của công ty. Khai phá dữ liệu là một phần của công nghệ đa phương tiện, mà gồm các vùng sau: • Nén và lưu trữ media. • Phân phối luồng media trên mạng với các chất lượng được yêu cầu của dịch vụ. • Phục hồi, chuyển đổi, và chỉnh sửa media. • Chỉ mục, tổng quan, tìm kiếm, lấy media. • Tạo các hệ thống tương tác đa phương tiện cho việc học/ đào tạo và tạo các sản phẩm nghệ thuật. • Tạo giao diện người dùng đa phương tiện. Trong phần này, nghiên cứu của chúng ta về khai phá dữ liệu đa phương tiện và tập trung vào khai phá dữ liệu hình ảnh. Ở đây tôi hướng dẫn cách thức khai phá dữ liệu đa phương tiện, gồm tìm kiếm tương tự trong dữ liệu đa phương tiện, phân tích đa chiều, phân tích phân loại và dự doán, khai phá liên kết trong dữ liệu đa phương tiện. 2. Cách thức khai phá dữ liệu II.1. Tìm kiếm tương tự trong dữ liệu đa phương tiện. “Khi tìm kiếm tương tự trong dữ liệu mutimedia, chúng ta có thể tìm trên mỗi mô tả dữ liệu hay nội dung dữ liệu không?” Đó là đúng. Đối với tìm kiếm tương tự trong dữ liệu đa phương tiện, chúng ta xem hai họ chính của hệ thống lập chỉ mục và phục hồi đa phương tiện: (1)các hệ thống phục hồi dựa trên bản mô tả, chúng xây dựng chỉ số và thực hiện phục hồi đối tượng dựa trên các bản mô tả hình ảnh, như là các từ khóa, ghi chú, kích thước, và thời gian tạo; và (2) các hệ thống phục hồi dựa trên nội dung, chúng hỗ trợ phục hồi dựa trên nội dung của hình ành, như là biểu đồ màu, kết cấu, mẫu, cấu trúc liên kết hình ảnh, và hình dạng của các đối tượng và cách bố trí chúng và vị trí trong hình ảnh. Phục hồi dựa trên bản mô tả là công việc khó khăn nếu được thực hiện thủ công. Nếu được tự động, các kết quả thường có chất lượng thấp. Ví dụ, phân công từ khóa cho các hình ảnh có thể là nhiệm vụ tự ý và phức tạp. Gần đây phát triển các cách thức nhóm và phân loại hình ành dựa trên nền Web đã cải thiện chất lượng của thu hồi hình ảnh Web dựa trên bản mô tả, bởi vì thông tin văn bản của hình xung quanh cũng như thông tin liên kết Web có thể được sử dụng để lấy ra các mô tả thích hợp và nhóm các hình ảnh mô tả một chủ đề tương tự nhau. Hệ thống phục hồi dựa trên nội dung sử dụng đặc điểm trực quan để chỉ rõ các hình ảnh và đẩy mạnh phục hồi đựa trên các đặc điểm giống nhau, đó là điều rất mong muốn trong nhiều ứng dụng. Trong hệ thống phục hồi hình ảnh dựa trên nội dung, thường có hai loại truy vấn: truy vấn đựa trên mẫu hình ảnh và truy vấn chỉ rõ đặc điểm hình ảnh. Truy vấn dựa trên mẫu hình ảnh tìm tất cả các hình ảnh mà giống với mẫu đưa ra. Tìm kiếm này so sánh vector đặc điểm( hay dấu hiệu) được lấy từ mẫu với các véc tơ đặc điểm của các hình ảnh mà đã được lấy và được chỉ rõ trong cơ sở dữ liệu hình ảnh. Dựa trên so sánh này, các hình ảnh mà gần với hình ảnh mẫu được trả lại. Truy vấn chỉ rõ đặc điểm hình ảnh chỉ rõ và phác thảo các đặc điểm hình ảnh giống như màu, kết cấu, hay hình dạng, mà được chuyển đổi thành vector đặc điểm để phù hợp với các vector đặc điểm của hình ảnh trong cơ sở dữ liệu. Phục hồi dựa trên nội dung có ứng dụng rộng rãi, gồm chuẩn đoán y học, dự doán thời tiết, sản xuất TV, phương tiện tìm kiếm hình ảnh trên Web, và thương mại điện tử.Một số hệ thống, như là OBIC(Query By Image Content: truy vấn bằng nội dụng hình ảnh), hỗ trợ cả hai truy vấn dựa trên mẫu hình ảnh và truy vấn chỉ rõ đặc điểm hình ảnh. Nó cũng là hệ thống mà hỗ trợ cả hai phục hồi được trên nội dung và phục hồi dựa trên bản mô tả. Một số cách tiếp cận đã được đề xuất và được nghiên cứu cho phục hồi dựa trên tương tự trong cơ sở dữ liệu hình ảnh, dựa trên dấu hiệu hình ảnh: Dấu hiệu dựa trên biểu đồ màu: trong cách tiếp cân này, dấu hiệu của một hình ảnh gồm các biểu đồ màu dựa trên tập hợp màu của một hình ảnh về pham vi hay định hướng của nó. Cách thức này không gồm một số thông tin về hình dạng, cấu trúc liên kết hình ảnh, hay kết cấu. Thực vây, hai hình với tập hợp mầu tương tự nhau nhưng có định dạng, hay cấu trúc khác nhau có thể được xác định như tương tự, mặc dù chúng có thể hoàn toàn không liên quan về mặt ngữ nghĩa. Dấu hiệu bao gồm nhiều đặc điểm: Trong cách tiếp cận này, dấu hiệu của một hình ảnh gồm thành phần của nhiều đặc điểm: biểu đồ màu, hình dạng, cấu trúc liên kết hình ảnh và kết cấu. Việc lấy các đặc điểm của hình ảnh được lưu trữ như siêu dữ liệu, và các hình ảnh được chỉ rõ dựa trên siêu dữ liệu như vậy. Thường thì, các chức năng riêng biệt có thể được định nghĩa cho mỗi đặc điểm và sau đó được kết hợp để lấy toàn bộ kết quả. Tìm kiếm đa chiều dựa trên nôi dung thường sử dụng một hay một vài đặc điểm thăm dò để tìm kiếm các ảnh chứa các đặc điểm như vậy. Bởi vậy, nó có thể được sử dụng để tìm kiếm các hình ảnh tương tự. Cách tiếp cận này được sử dụng chủ yếu trong thực tế. Dấu hiệu dựa trên số lần gợn: cách tiếp cận này sử dụng hệ số số lần gợn trội của hình ảnh như dấu hiệu của nó. Số lần gợn thu thập hình dạng, kết cấu, thông tin cấu trúc hình ảnh trong một nền thống nhất. điều này làm cải thiện hiệu quả và giảm cần thiết cho cung cấp nhiều tìm kiếm nguyên thủy( không giống như phương thức thứ hai ở trên). Tuy nhiên, từ khi phương thức này tính toán một dấu hiệu cho toàn bộ hình ảnh, nó có thể sai để xác định các hình ảnh chứa các đối tượng tương tự nơi mà các đối tượng khác nhau về vị trí và kích thước. Dấu hiệu dựa trên số lần gợn với độ chi tiết theo vùng: trong cách tiếp cận này, tính toán và so sánh các dấu hiệu ở độ chi tiết của các vùng, không phải toàn bộ hình ảnh. Cách tiếp cận này đựa trên quan sát mà các hình ảnh tương tự có thể chứa các vùng giống nhau, nhưng một vùng trong một hình ảnh có thể được chuyển hay mở rông quy mô của một vùng tương ứng trong vùng khác. Bởi vậy, thước đo tương đồng giữa truy vấn hình ảnh Q và mục tiêu hình ảnh T có thể được định nghĩa theo thuật ngữ phần nhỏ của vùng của hai hình ảnh được bao bọc bằng các cặp của vùng tử Q và T. Như vậy tìm kiếm tương tự dựa trên vùng có thể tìm các hình ảnh chứa các đối tượng tương tự, nơi mà các đối tượng có thể được chuyển đổi hay thu nhỏ lại. II.2. Phân tích đa chiều của các dữ liệu đa phương tiện “Chúng ta có thể xây dựng khối dữ liệu từ phân tích dữ liệu không?”. Để dễ dàng phân tích đa chiều của cơ sở dữ liệu đa phương tiện lớn, khối dữ liệu đa phương tiện có thể được thiết kế và được xây dựng theo cách tượng tự như đối với khối dữ liệu giao dịch từ dữ liệu quan hệ. Khối dữ liệu đa phương tiện (Đa phương tiện data cube) có thể chứa chiều và độ đo cho thông tin đa phương tiện, như là màu, kết cấu, và hình dạng. Hãy xem xét hệ thống khai phá dữ liệu đa phương tiện nguyên mẫu được gọi là MultiMediaMiner mà được mở rộng hệ thống DBMiner bởi điều khiển dữ liệu đa phương tiện. Một ví dụ cơ sở dữ liệu được kiểm tra trong hệ thống Multimedia Miner được xây dựng như sau. Mỗi hình ảnh gồm hai mô tả: mô tả đặc điểm và mô tả cách bố trí. Hình ảnh ban đầu không được lưu trữ trực tiếp trong cơ sở dữ liệu; chỉ có các mô tả của nó được lưu trữ. Thông tin mô tả bao gồm các trường giống như tên file hình ảnh, URL của hình ảnh, kiểu hình ảnh(ví dụ: gif, tiff, jpeg, mpeg, bmp, avi), một danh sách tất cả các trang Web được biết đến tham chiếu tới hình ảnh(tức là, cha me của URL), một danh sách các từ khóa, và hình thu nhỏ được sử dụng bởi giao diện người dùng cho trình duyệt hình ảnh và video. Mô tả đặc điểm là một tập các vector đối với từng đặc tính thị giác. Các vector chính là vector màu chứa lượng biểu đồ màu tới 512 màu(8 x 8 x 8 cho R x G x B), Một vector MFC(Most Frequent Color: màu thường xuyên), và một vector MFO(Most Frequent Orientation: Hướng thường xuyên). Một MFC và MFO chứa năm màu trọng tâm và năm hướng biên trọng tâm lần lượt cho năm màu thường xuyên và năm hướng thường xuyên. Hướng biên được sử dụng là °°°°° 90 ,67.5 ,45 ,22.5 ,0 . . . Mô tả cách bố trí chứa vector bố trí màu và vector bố trí biên. Không chú ý kích thước ban đầu của chúng, tất cả các hình ảnh được gán một lưới 8 x 8. Màu thường xuyên với mỗi ô trong 64 ô được lưu trữ trong vector bố trí màu, và số các biên cho mỗi hướng trong mỗi ô được lưu trữ trong vector bố trí biên. Kích thước khác của lưới, giống như 4 x 4, 2 x 2, và 1 x 1, có thể dễ dàng được lấy. Thành phần lấy hình ảnh của MultiMediaMiner sử dụng hình ảnh thông tin theo ngữ cảnh, giống như các tiêu đề HTML trong các trang Web, để lấy từ khóa. Bằng cách đi qua các cấu trúc thư mục trực tuyến, giống như thư mục của Yahoo!, nó có thể tạo các phân cấp của từ khóa được ánh xa vào trong các thư mục trong đó hình ảnh đã được tìm thấy. Những đồ thị này được sử dụng như khái niệm phân cấp về từ khóa chiều trong khối dữ liệu đa phương tiện. “Phân loại các chiều có thể của khối dữ liệu đa phương tiện bằng cái gì”. Khối dữ liệu có thể có nhiều chiều. Sau đây là một số các ví dụ: kích thước của hình ảnh hay video theo byte; chiều rộng và chiều cao của khung (hay ảnh), cấu tạo hai chiều; dữ liệu trên hình ảnh hay video đã được tạo(hay sửa đổi lần cuối); kiểu định dạng của hình ảnh hay video; dãy khung xuất hiện trong một giây; miền hình ảnh hay video trên Internet; miền Internet của các trang tham chiếu hình ảnh hay video( URL cha mẹ); các từ khóa; chiều của màu; chiều hướng biên; vân vân….Khái niệm phân cấp cho nhiều số chiều có thể được định nghĩa tự động. Với các chiều khác, như là với chiều miền Internet hay màu, các hệ thống phân cấp được định nghĩa trước có thể được sử dụng. Xây dựng khối dữ liệu đa phương tiện sẽ làm dễ dàng phân tích đa chiều của dữ liệu đa phương tiện chủ yếu dựa trên nội dung trực quan, và khai phá nhiều loại trí thức, bao gồm tổng hợp, so sánh, phân loại, liên kết, và phân nhóm. Mô đum phân loại của MultiMediaMiner và đầu ra của nó được thể hiện trong hình bên dưới Khối dữ liệu đa phương tiện được xem là mô hình quan trong cho phân tích đa chiều của dữ liệu đa phương tiện. Tuy nhiên, chúng ta nên chú ý rằng nó là khó để cài đặt hiệu quả khối dữ liệu cho số lượng lớn các chiều. Điều tồi tệ của số chiều là đặc biệt nghiêm trong trong trường hợp của các khối dữ liệu đa phương tiện. Chúng ta có thể muốn mô hình màu, hướng, kết cấu, từ khóa, vân vân như nhiều chiều trong khối dữ liệu đa phương tiện. Tuy nhiên, nhiều thuộc tính được nhóm thành tập thay vì là một giá trị. Ví dụ, một hình ảnh có thể tương dương một tập các từ khóa. Nó có thể chứa một tập của các đối tượng, mỗi cái được liên kết với tập các màu. Nếu chúng ta sử dụng mỗi từ khóa như một chiều hay mỗi màu được chi tiết như môt chiều trong thiết kế khối dữ liệu, nó sẽ tạo số lượng rất lớn các chiều. Mặt khác, không được làm như vậy vì có thể dẫn đến mô hình của hình ảnh khó khăn hơn nhiều, giới hạn, phạm vi không chính xác. Nhiều nghiên cứu là cần thiết cho cách thiết kế khối dữ liệu đa phương tiện mà có thể cân bằng giữa hiệu quả và sự mạnh mẽ của đại diện. II.3. Phân loại và dự doán phân tích của dữ liệu đa phương tiện Mô hình phân loại và dự đoán được sử dụng cho khai phá dữ liệu đa phương tiện, đặc biệt trong nghiên cứu khoa học, như là nghiên cứu thiên văn học, địa chấn học, và địa chất học. Chủ yếu phương thức mẫu thống kê chiều sâu để phân biệt các đặc điểm khó thấy và xây dựng các mô hình chất lượng cao. Ví dụ: Phân loại và phân tích dự đoán của thiên văn học. Lấy các hình ảnh bầu trời được phân loại cẩn thận bởi các nhà thiên văn học như tập huấn luyện, chúng ta có thể mô hình xây dựng cho nhân dạng của các thiên hà, ngôi sao, và các đối tượng ngôi sao khác, dựa trên các đặc tính như độ lơn, vị trí, cường độ, tầm quan trọng của ảnh, và định hướng. Số lượng lớn hình ảnh bầu trời lấy bằng kính thiên văn, hay tàu thăm dò không gian có thể sau đó được kiểm tra ngược trở lại mô hình được xây dựng để xác định thiên thể mới. Nghiên cứu tương tự đã thành công trong việc xác định núi lửa trên sao Kim. Tiền xử lý dữ liệu là quan trọng khi khai phá dữ liệu hình ảnh và có thể gồm làm sạch dữ liệu, truyền dữ liệu, và lấy đặc điểm. Bên cạnh các phương thức chuẩn được sử dụng trong nhân dạng mẫu, như là phát hiện biên và chuyển đổi Hough, các kỹ thuật có thể được khai thác, như là phân tích các hình ảnh để eigenvector hay dựa vào các mô hình xác xuất để giải quyết sự không chắc chắn. Từ khi dữ liệu hình ảnh thường đặt trong khối lớn và có thể yêu cầu sức mạnh xử lý đáng kể, xử lý song song và phân tán là hữu ích. Phân loại và phân cụm khai phá dữ liệu hình ảnh được liên kết chặt chẽ để phân tích hình ảnh và khai phá dữ liệu khoa học, thực sự có nhiều kỹ thuật phân tích hình ảnh và phương thức phân tích dữ liệu khoa học có thể được áp dụng để khai phá dữ liệu hình ảnh. Việc sử dụng phổ biến World Wide Web đã tạo nên kho chứa dữ liệu đa phương tiện phong phú và khủng lồ của Web. Web không chỉ gồm số lượng lớn các ảnh, tranh, album, các hình ảnh video trong các dạng thư viện trực tuyến, nhưng cũng có vô số các ảnh, tranh và hình động, và các định dạng đa phương tiện khác trong hầu hết mọi trang Web. Như tranh và ảnh được bao quanh bởi các mô tả văn bản, được đặt ở các khối khác nhau của trang Web, hay được nhúng bên trong các bản tin hay bài báo, có thể phục vụ nhiều mục đích khác nhau, được định dạng như là các thành phần không tách rời của nội dung, phục vụ như một quảng cáo, hay đề xuất lựa chọn chủ đề. Xa hơn, những trang Web này được liên kết với các trang Web khác theo cách phức tạp. Như vậy, văn bản, vị trí hình ảnh, thông tin liên kết Web, nếu được sử dụng phổ biến, có thể giúp hiểu các nội dung của văn bản hay hỗ trợ phân loại và phân cụm các hình ảnh trên Web. Khai phá dữ liệu bằng cách sử dụng tốt các vị trí liên quan và mối liên kết giữa các hình ảnh, văn bản, các khối trong trang, và các liên kết trang trong Web trở thành một mục quan trọng trong phân tích dữ liệu. II.4. Khai phá các liên kết trong dữ liệu đa phương tiện “Cái gì để phân biệt các luật có thể được khai phá trong dữ liệu đa phương tiện” Các luật liên kết liên quan đến các đối tượng đa phương tiện có thể được khai phá trong cơ sở dữ liệu hình ảnh và video. Tối thiểu 3 danh sách có thể được tiến hành: Các liên kết giữa nội dung hình ảnh và các đặc điểm nôi dung phi hình ảnh: Một luật giống như “Nếu tối thiểu 50% của phần trên của bức tranh là màu xanh da trời, thì nó giống như đại diện cho bầu trời” theo danh sách này từ khi nó liên kết nội dung hình ảnh tới từ khóa sky. Các liên kết giữa nội dung hình ảnh mà không liên quan tới các quan hệ không gian: Một luật giống như “Nếu nội dung của bức tranh chứa hai hình vuông màu xanh da trời, thì nó cũng giống như chứa một hình tròn màu đỏ” theo danh sách này từ khi các liên kết là tất cả về nội dung của hình ảnh. Các liên kết giữa nội dung hình ảnh liên quan tới các quan hệ không gian: Một luật giống như “Nếu một hình chữ nhật màu đỏ ở giữa hai hình vuông màu vàng, thì nó giống như một hình bầu dục lớn bên dưới” theo danh sách này từ khi nó liên kết với các đối tượng trong hình ảnh với các quan hệ không gian. Để khai phá các liên kết giữa cá đối tượng đa phương tiện, chúng ta có thể xử lý mỗi một hình ảnh như một giao dịch và tìm các mẫu thường xuyên xuất hiện giữa các hình ảnh khác nhau. “Sự khác nhau giữa các luật khai phá liên kết trong cơ sở dữ liệu đa phương tiện với trong cơ sở dữ liệu giao dịch là gi?” Có một vài khác biệt khó thấy. Đầu tiên, một hình ảnh có thể chứa nhiều đối tương, với mỗi đặc điểm như màu, hình dạng, kết cấu, từ khóa, và các vị trí không gian, vì vậy có thể có nhiều khả năng liên kết. Trong nhiều trương hợp, các đặc điểm được xem xét như cùng trong hai hình ảnh ở mức giải quyết nào đó, nhưng khác nhau tại các mức giải quyết tốt hơn. Bởi vậy, nó là cần thiết để tăng cách tiếp cận tinh tế của các giải pháp cải thiện. Đó là,đầu tiên chúng ta có thể khai phá các mẫu xuất hiện thường xuyên tại mức có liên quan đến giải quyết thô, và sau đó chỉ tập chung vào những cái mà lớn hơn ngưỡng support nhỏ nhất khi khai phá tại mức giải quyết tốt hơn. Điều này là bởi vì các mẫu mà không thường xuyên tại mức thô không thể là thường xuyên tại các mức tốt hơn. Như vậy về thực chất các chiến lươc khai phá nhiều giả pháp làm giảm toàn bộ chi phí khai phá dữ liệu mà không làm mất chất lượng và đầy đủ của kết quả khai phá dữ liệu. Để đạt được phương pháp luận hiệu quả cho khai phá các itemset thương xuyên và các liên kết trong cơ sở dữ liệu đa phương tiện lớn. Thứ hai, bởi vì bức tranh chứa nhiều đối tượng tái diễn là một đặc điểm quan trong trong phân tích hình ảnh, tái diễn cùng một đối tượng không nên phớt lờ trong việc phân tích liên kết. Ví dụ, một bức tranh chứa hai vòng tròn vàng là được xử lý khá khác từ từ đó chỉ chứa một. Điều này khá khác nhau từ trong cơ sở dữ liệu giao dịch, nơi thực tế mà một người mua một hay 2 lít sữa có thể thường được xử lý tương tự như “buys-milk”. Bởi vậy, định nghĩa liên kết đa phương tiện và độ do của nó, như support và confidence, nên điều chỉnh cho phù hợp. Thứ ba, Thường tồn tại các quan hệ không gian quan trọng giữa các đối tượng đa phương tiện, như trên, bên dưới, giữa, gần đó, trái của và v v… Các đặc trưng này là rất có ích cho việc khai thác các liên kết và tương phản của đối tượng. Các quan hệ không gian cùng với các nội dung dựa trên đặc điểm đa phương tiện, như là màu, hình dạng, kết cấu, khóa chính, có thể định dặng các liên kết quan trọng. Do đó, phương thức khai phá dữ liệu không gian và thuộc tính topological của các quan hệ không gian trở thành quan trọng của khai phá đa phương tiện. [...]... từ dữ liệu đa phương tiện, nghành công nghiệp và ủy ban chuẩn đã tạo ra tiến bộ lớn, hướng phát triển một tập các chuẩn cho mô tả và nén thông tin đa phương tiện Ví dụ, MPEGk( được phát triển bởi MPEG: Moving Picture Expert Group ) và JPEG là chương trình nén video tiêu biểu Phát hành gần nhất đây là MPEG-7 tên Đa phương tiện Content Description Interface” là chuẩn cho mô tả nội dung dữ liệu đa phương. .. Khai phá dữ liệu âm thanh và hình ảnh Bên cạnh các hình ảnh, tổng số các thông tin âm thanh hình ảnh trở thành có hiêu quả trong định dạng số, trong kiến trúc số, trong World Wide Web, trong phát luông dữ liệu, và trong các cơ sở dữ liệu cá nhân và chuyên nghiệp Các tổng số này đang tăng nhanh chóng Đó là đòi hỏi lớn về hiệu quả của các phương thức lấy và khai phá dữ liệu dựa trên nọi dung cho dữ liệu. .. liệu dựa trên nọi dung cho dữ liệu âm thanh và video Các ví dụ đặc trưng gồm tìm kiếm và sửa đổi đa phương tiện của các clip video đặc trưng trong TV studio, phát hiện người đáng ngờ hay quang cảnh trong quan sát video, tìm kiếm các sự kiên tiêu biểu trong kho chứa đa phương tiện của cá nhân như là MyLifeBits, phát hiện các mẫu và đầu ra trong các bản ghi của radar thời tiết, và tìm kiếm giai điệu tiêu... sử dụng lấy đặc điểm hình ảnh và các phương thức phân tích được nghiên cứu bên trên trong việc lấy hình ảnh dựa trên nội dung Sau đố một chuỗi các khóa khung sẽ được sử dụng để định nghĩa chuỗi các sự kiện xảy ra trong video clip Thực vậy, phát hiện ảnh video và lấy khóa khung từ video clip trở thành nhiện vụ cần thiết trong xử lý và khai phá video Khai phá dữ liệu video vẫn trong giai đoạn phôi thai... giải quyết trước khi nó trở thành thực tế chung Tương tự dựa trên tiền xử lý, nén, chỉ số, phục hồi, lấy thông tin, xóa dư thừa, phát hiện mẫu thường xuyên, phân loại, phân cụm, xu hướng và phát hiện đầu ra là các nhiện vụ quan trong của khai phá dữ liệu trong phần này III TÀI LIỆU THAM KHẢO [1] Data Mining: Concepts and Techniques [Jiawei Han and Micheline Kamber] [2] Multimedia Data Mining and Knowledge... ảnh trong MPEG-7 gồm các bức tranh, video, đồ thị, âm thanh, tiếng nói, mô hình ba chiêu, thông tin về cách mà các phần tử dữ liệu được kết hợp trong việc đưa ra đa phương tiện Sau đây là các phần tử của chuẩn MPEG trong MPEG-7: (1) tập các mô tả, nơi mỗi mô tả định nghĩa một cú pháp và cá ngữ nghĩa của đặc điểm, như màu, hình dạng, kết cấu, tô pô hình ảnh, chuyển động, hay tiêu đề; (2) một tập các... tả hay các lược đồ mô tả); (3) một tập các lược đồ mã hóa cho các mô tả; (4) ngôn ngữ định nghĩa mô tả(DDL) để chỉ rõ các lược đồ và các mô tả Như vậy chuẩn làm cho nhiều dễ dàng để lấy video và khai phá dữ liệu video đựa trên nội dung Nó là không thực tế để xử lý một video clip như một chuỗi dài các bức ảnh riêng lẻ và phân tích mỗi bức ảnh từ nhiều bức tranh, và hầu hết các hình ảnh liền kề là tương... Description Interface” là chuẩn cho mô tả nội dung dữ liệu đa phương tiện Nó hỗ trợ môt số trường giải thích ý nghĩa thông tin, mà có thể được truyền vào, hay được truy cập bởi một thiết bị hay máy tính MPEG-7 không nhắm đến bắt cứ một ứng dụng nói riêng; đúng hơn, các thành phần mà chuẩn MPEG-7 hỗ trợ như phạm vi ứng dụng rộng rãi có thể Dữ liệu âm thanh hình ảnh trong MPEG-7 gồm các bức tranh, video, đồ . trong dữ liệu đa phương tiện. o Phân tích đa chiều của các dữ liệu đa phương tiện. o Phân loại và dự doán phân tích của dữ liệu đa phương tiện. o Khai phá các liên kết trong dữ liệu đa phương tiện. o. tập trung vào khai phá dữ liệu hình ảnh, hướng dẫn cách thức khai phá dữ liệu multimedia. 3. Nội dụng • Khai phá dữ liệu đa phương tiện là gì? • Cách thức khai phá dữ liệu đa phương tiện gồm: o. tiện. o Khai phá dữ liệu âm thanh và hình ảnh. II. NỘI DUNG 1. Khai phá dữ liệu đa phương tiện là gì? Định nghĩa cổ điển của khai phá dữ liệu thì khai phá dữ liệu là tiến trình khám phá thông