Cơ sở dữ liệu hình ảnh là gì? Nghiên cứu khoa học liên quan

Định nghĩa cơ sở dữ liệu hình ảnh

Cơ sở dữ liệu hình ảnh (image database) là tập hợp có cấu trúc các tệp hình ảnh số kèm theo siêu dữ liệu (metadata) mô tả đặc tính, ngữ nghĩa và kỹ thuật của mỗi ảnh. Hệ thống này cho phép lưu trữ, quản lý và truy xuất hình ảnh theo nhiều tiêu chí khác nhau như nhãn, ngày chụp, tác giả, định dạng, kích thước hoặc đặc trưng nội dung. Mỗi bản ghi trong cơ sở dữ liệu thường bao gồm thông tin EXIF gốc, phần mô tả ngữ nghĩa (caption), thẻ (tags), cũng như vector đặc trưng (feature vector) hỗ trợ truy vấn hình ảnh tương tự.

Metadata trong cơ sở dữ liệu hình ảnh đóng vai trò quan trọng trong việc phân loại và tìm kiếm. Các trường metadata phổ biến bao gồm:

• EXIF: ngày/giờ, thông số máy ảnh (ISO, khẩu độ, tốc độ màn trập).
• Tags: từ khóa do người dùng gán, mô tả ngữ nghĩa như “cat”, “sunset”.
• Annotations: vùng quan tâm (bounding box), nhãn đối tượng (object labels).
• Feature Vectors: ma trận số đặc trưng trích từ thuật toán CBIR hoặc embedding CNN.

Phân loại cơ bản giữa cơ sở dữ liệu hình ảnh tĩnh và động phụ thuộc vào khả năng thêm, sửa, xóa ảnh trong quá trình vận hành. Cơ sở dữ liệu tĩnh thường dùng cho nghiên cứu hay bộ sưu tập cố định, trong khi cơ sở dữ liệu động phải hỗ trợ thao tác CRUD (Create, Read, Update, Delete) và đồng bộ hóa thời gian thực.

Kiến trúc tổng quát và thành phần

Một kiến trúc cơ sở dữ liệu hình ảnh điển hình gồm bốn lớp chính, mỗi lớp đảm trách chức năng riêng biệt nhưng phối hợp chặt chẽ:

• Lớp lưu trữ (Storage Layer): nơi lưu trữ tệp ảnh thực tế, có thể là hệ file phân tán (HDFS), object storage (S3, Azure Blob) hoặc hệ quản trị cơ sở dữ liệu đối tượng như GridFS.
• Lớp siêu dữ liệu (Metadata Layer): lưu trữ thông tin mô tả ảnh trong cơ sở dữ liệu quan hệ (MySQL, PostgreSQL) hoặc document store (MongoDB, Elasticsearch).
• Lớp truy vấn (Query Layer): cung cấp API (RESTful, GraphQL) và ngôn ngữ truy vấn mở rộng (ví dụ SQL với loại dữ liệu hình ảnh) để tìm kiếm theo metadata hoặc nội dung.
• Lớp ứng dụng (Application Layer): giao diện người dùng web/mobile, công cụ annotation, dashboard phân tích và quản lý phiên bản (versioning) hình ảnh.

Lớp kiến trúc	Công nghệ ví dụ	Chức năng chính
Storage Layer	Amazon S3, HDFS, GridFS	Lưu tệp hình ảnh
Metadata Layer	PostgreSQL, MongoDB	Lưu nhãn, tags, vectors
Query Layer	Elasticsearch, REST API	Truy vấn, bộ lọc
Application Layer	React, Flask	Giao diện, annotation

Việc phân tách rõ ràng các lớp giúp dễ dàng mở rộng, thay thế công nghệ hoặc cân bằng tải khi lưu lượng truy cập tăng cao, đồng thời bảo đảm tính sẵn sàng và an toàn dữ liệu.

Định dạng và lưu trữ hình ảnh

Hình ảnh số có thể ở dạng bitmap (raster) như JPEG, PNG, TIFF, hoặc dạng vector như SVG. Trong ứng dụng y tế, định dạng DICOM thường dùng để lưu ảnh mô tả y khoa kèm metadata bệnh nhân và thông số thiết bị. Việc lựa chọn định dạng ảnh ảnh hưởng đến chất lượng, kích thước và khả năng nén:

• Lossy (JPEG): nén mạnh, giảm kích thước nhưng mất một phần thông tin.
• Lossless (PNG, TIFF): giữ nguyên chất lượng, kích thước tệp lớn hơn.
• Vector (SVG): biểu diễn đồ họa, dễ phóng to mà không mất nét.
• DICOM: chuẩn y tế tích hợp siêu dữ liệu bệnh nhân.

Có hai hướng lưu trữ phổ biến:

1. Lưu BLOB: nhúng trực tiếp dữ liệu ảnh vào cột BLOB trong cơ sở dữ liệu quan hệ, tiện sao lưu nhưng khó mở rộng quy mô.
2. Lưu đường dẫn: tệp lưu trên object storage, chỉ lưu đường dẫn và metadata trong database, dễ phân tán và mở rộng.

Chỉ mục và truy xuất nhanh

Để hỗ trợ truy vấn nhanh và hiệu quả, hai loại chỉ mục chính thường được áp dụng:

• Chỉ mục metadata: B-tree hoặc hash index trên các cột nhãn, ngày chụp, tác giả, hỗ trợ truy vấn theo điều kiện WHERE và ORDER BY.
• Chỉ mục đặc trưng ảnh (feature index): sử dụng kỹ thuật Approximate Nearest Neighbor như LSH (Locality-Sensitive Hashing), KD-tree hoặc thư viện FAISS để tìm kiếm hình ảnh tương tự dựa trên vector nhúng.

Truy xuất hình ảnh có thể thực hiện theo ba lớp:

• Truy vấn metadata đơn giản (nhãn/từ khóa).
• Truy vấn hybrid kết hợp metadata và nội dung (ví dụ “ảnh mèo màu trắng chụp ban đêm”).
• Truy vấn nội dung thuần CBIR (Content-Based Image Retrieval) dùng feature vectors.

Phương pháp truy xuất ảnh (CBIR)

Content-Based Image Retrieval (CBIR) là kỹ thuật truy xuất hình ảnh dựa trên đặc trưng nội dung thay vì metadata. Đặc trưng toàn cục như color histogram, texture descriptors (GLCM, LBP) cho phép tóm tắt màu sắc và cấu trúc bề mặt ảnh. Đặc trưng cục bộ (local features) như SIFT, SURF ghi nhận keypoints và mô tả mô hình tương đồng giữa các vùng ảnh khác nhau.

Với sự phát triển của deep learning, embedding do các mạng CNN (ResNet, EfficientNet) tạo ra vector đặc trưng có khả năng tóm gọn thông tin ngữ nghĩa và độ phân giải cao. Vector này lưu trong cơ sở dữ liệu hình ảnh, hỗ trợ truy vấn nearest neighbor hoặc ranking theo khoảng cách cosine nhanh chóng bằng thư viện FAISS.

• Global features: color, texture, shape.
• Local features: SIFT, SURF, ORB.
• Deep features: CNN embeddings (e.g. ResNet-50).
• Vector index: FAISS, Annoy, HNSW for ANN search.

Chuẩn đánh giá và chỉ số hiệu năng

Đánh giá hiệu năng CBIR tập trung vào độ chính xác và khả năng phục hồi kết quả. Precision và recall đo tỉ lệ ảnh truy xuất đúng so với toàn bộ ảnh liên quan. Mean Average Precision (mAP) tổng hợp độ chính xác ở mỗi mức recall, đánh giá ranking tổng thể.

Bên cạnh đó, Precision@K (P@K) tính độ chính xác trong top K ảnh trả về, phản ánh trải nghiệm người dùng thực tế. Độ trễ (latency) và throughput (requests per second) là tiêu chí quan trọng trong môi trường sản xuất, đảm bảo hệ thống đáp ứng nhanh và mở rộng quy mô khi lưu lượng truy vấn tăng.

Chỉ số	Công thức	Ý nghĩa
Precision	TP/(TP+FP)	Tỉ lệ ảnh truy xuất đúng
Recall	TP/(TP+FN)	Tỉ lệ ảnh liên quan tìm được
mAP	Mean(AP)	Độ chính xác trung bình trên recall
P@K	Precision@K	Độ chính xác top K

Ứng dụng thực tiễn

Trong y tế, PACS (Picture Archiving and Communication System) lưu trữ ảnh DICOM, hỗ trợ bác sĩ truy xuất ảnh chụp CT/MRI theo bệnh nhân và chuẩn đoán tương tự RSNA. CBIR giúp phát hiện tổn thương giống nhau và tham khảo ca lâm sàng tương đồng.

Thương mại điện tử và mảng shopping trực tuyến ứng dụng CBIR để khách hàng chụp ảnh sản phẩm và tìm kiếm mặt hàng tương tự trên nền tảng. An ninh sử dụng nhận dạng khuôn mặt để kiểm soát truy cập, so sánh đặc trưng embedding khuôn mặt với cơ sở dữ liệu danh sách đen.

• Y tế: PACS, DICOM retrieval.
• Thương mại: tìm sản phẩm qua ảnh.
• An ninh: nhận dạng khuôn mặt, giám sát video.
• Giải trí: gợi ý bạn bè, phân loại ảnh mạng xã hội.

Thách thức và giải pháp

Đồng nhất dữ liệu khi hình ảnh đến từ nhiều nguồn khác nhau đòi hỏi chuẩn hóa metadata và ontology như Schema.org/ImageObject để đảm bảo nhất quán. Xử lý quy mô lớn với hàng triệu ảnh yêu cầu kiến trúc phân tán, sharding và caching qua Redis hoặc CDN để giảm độ trễ.

Bảo mật và riêng tư hình ảnh nhạy cảm, đặc biệt ảnh y tế và cá nhân, cần mã hóa lưu trữ và kiểm soát truy cập cấp độ bản ghi. Xóa vĩnh viễn (data erasure) theo quy định GDPR đảm bảo quyền “bị quên lãng” cho người dùng.

• Chuẩn hóa metadata và ontology.
• Kiến trúc phân tán, caching (Redis, CDN).
• Mã hóa dữ liệu và kiểm soát truy cập.
• Data erasure theo GDPR.

Xu hướng nghiên cứu và tương lai

Graph Neural Networks (GNN) được triển khai để xây dựng graph images, kết nối ảnh theo mối quan hệ ngữ nghĩa thay vì truy vấn từng ảnh độc lập. Multi-modal retrieval tích hợp văn bản, audio, video tăng tính linh hoạt và chính xác của hệ thống.

Edge computing và on-device indexing cho phép thực hiện truy vấn nhanh và bảo mật ngay trên thiết bị di động mà không cần gửi ảnh lên server, giảm độ trễ và bảo vệ dữ liệu nhạy cảm. MRI spectroscopic và hyperspectral imaging mở hướng mới cho CBIR y tế, khi mỗi điểm ảnh chứa phổ bước sóng rộng.

• GNN cho quan hệ ảnh ngữ nghĩa.
• Multi-modal retrieval: text-image, audio-image.
• Edge computing: on-device CBIR.
• Hyperspectral and spectroscopic imaging.

Tài liệu tham khảo

1. ImageNet – Large Scale Visual Recognition
2. IEEE – Content-Based Image Retrieval: A Survey
3. RSNA – Radiological Society of North America
4. Redis – In-Memory Data Structure Store
5. Schema.org – ImageObject