iii
TÓM TẮT
Ngày nay, để có được môi trường trong sạch mà đặc biệt là môi trường nước, ngành
công nghiệp xử lý nước sạch đang được nhà nước và cộng đồng quan tâm sâu sắc. Để có
được nguồn nước sạch, người ta cần cải tạo môi trường và hệ sinh thái bằng cách nuôi những
con vi sinh trong những cái bể lớn nhằm cung cấp vi sinh cho những chỗ nước bị nhiễm
bẩn, hệ sinh thái bị biến đổi. Trong quá trình nuôi vi sinh người ta cần phải sục khí liên tục
vào bể để cung cấp đủ oxi để nuôi sống vi sinh, nếu không được sục khí thường xuyên thì
những con vi sinh sẽ không thể sống được do thiếu oxi.
Xuất phát từ thực tế này, chúng ta cần có những phần mềm để theo dõi và giám sát
xem bể nuôi vi sinh có được sục khí liên tục hay không. Trong đó, vấn đề liên quan đến xử
lý video, xử lý frame ảnh và nhận dạng frame ảnh trong video sẽ phục vụ cho nhu cầu phát
hiện và cảnh báo vấn đế không có bọt khí (khi bể không được sục khí) thông qua việc giám
sát tự động bởi các camera. Với nhu cầu trên, được sự hướng dẫn của Thầy TS. Hoàng Mạnh
Hà, tôi tiến hành nghiên cứu và thực nghiệm đề tài “Áp dụng độ đo entropy cho bài toán
tách đặc trưng của bọt khí trên video và đề xuất kết hợp SVM cho vấn đề tự động theo
dõi sục khí tại trạm quan trắc môi trường”.
Trong khuôn khổ của luận văn này, tôi đã tìm hiểu, nghiên cứu một số phương pháp
xử lý trích chọn đặc trưng, đồng thời cài đặt thử nghiệm và đề xuất theo hai hướng sau:
- Hướng thứ nhất: Trích chọn đặc trưng bằng việc xác định độ đo Entropy cho các
điểm ảnh (pixel) để xác định độ bất định cho các điểm ảnh có khả năng là bọt khí hay không
bọt khí cho ảnh. Đồng thời kết hợp Fuzzy Logic để khử những pixel ảnh không rõ ràng là
bọt khí hay không (trường hợp Entropy gần bằng 0). Sau đó sử dụng phép biến đổi Wavelet
Haar để thu gọn kích thước dữ liệu ảnh về một dạng nhỏ mà tại đây vẫn giữ lại đủ các thông
tin quan trọng cho các điểm ảnh. Từ đây, có được những tập ảnh mang đặc trưng tốt nhất
để phục vụ cho huấn luyện phân lớp mẫu ảnh phục vụ cho bài toán nhận dạng ảnh bọt khí.
- Hướng thứ hai: Trích chọn đặc trưng bằng việc sử dụng kỹ thuật tìm biên ảnh
Gradient (sử dụng một số toán tử như: Roberts, Prewitt, Sobel, Canny) dựa vào tính giá trị
cực đại và cực tiểu của đạo hàm bậc nhất của ảnh. Từ đó so sánh, đánh giá các kết quả và
chọn ra phương pháp tìm biên phù hợp nhất là Canny (còn gọi là bộ lọc Canny), mang lại
những ảnh có chất lượng biên tốt nhất để huấn luyện phân lớp.
Với ảnh đã trích chọn đặc trưng ở 2 hướng trên, tôi đã tiến hành cài đặt thực nghiệm
và tiếp cận phương pháp học SVM để huấn luyện phân lớp mẫu. Đồng thời kiểm thử phân
lớp và nhận dạng với frame ảnh từ 4 video clip (trên dưới 10.000 frame ảnh cho mỗi clip)
tương ứng 4 trạm từ đơn vị quan trắc môi trường Bình Dương, cụ thể như sau:
- Đối với hướng thứ nhất: Huấn luyện cho 80 tập (mỗi tập là 100 ảnh) dữ liệu ảnh
(40 tập cho ảnh bọt khí và 40 tập cho ảnh không bọt khí) lấy đều theo thời gian và số lượng,
trích xuất từ 4 video clip trên. Đồng thời cũng thử nghiệm test kiểm thử cho các tập ảnh
không được huấn luyện cũng từ 4 video clip ở 4 trạm khác nhau và đạt được kết quả phân
loại với độ chính xác cao.
