Luận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu một số phương pháp tra cứu ảnh sử dụng độ đo tương tự và ứng dụng tra cứu ảnh trong camera đường phố

BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ -----------------------------

Nguyễn Tuấn Vũ

NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP TRA CỨU ẢNH SỬ

DỤNG ĐỘ ĐO TƯƠNG TỰ VÀ ỨNG DỤNG TRA CỨU ẢNH

TRONG CAMERA ĐƯỜNG PHỐ

LUẬN VĂN THẠC SĨ: CÔNG NGHỆ THÔNG TIN

Hà Nội – tháng 7 năm 2020

BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM

HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ -----------------------------

Nguyễn Tuấn Vũ

NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP TRA CỨU ẢNH SỬ DỤNG ĐỘ ĐO TƯƠNG TỰ VÀ ỨNG DỤNG TRA CỨU ẢNH TRONG CAMERA ĐƯỜNG PHỐ

Chuyên ngành: Hệ thống thông tin

Mã số: 8480104

LUẬN VĂN THẠC SĨ: CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC

PGS.TS. Ngô Quốc Tạo

Hà nội – Tháng 7 năm 2020

LỜI CAM ĐOAN

Tôi xin cam rằng nội dung trong Luận văn này là theo như đúng nội dung

đề cương và đúng như nội dung của thầy hướng dẫn đã hướng giao dẫn cho

tôi. Nội dung trong luận văn, và các trích lục, tài liệu đều chính xác. Nếu có

xảy ra sai sót, Tôi xin chịu trách nhiệm hoàn toàn.

Tác giả luận văn

NGUYỄN TUẤN VŨ

LỜI CẢM ƠN:

Với sự chỉ dẫn và hỗ trợ của giáo viên tại Khoa: Công nghệ Thông tin -

Học viện Khoa học và Công nghệ cũng như sự hỗ trợ từ bạn bè và đồng nghiệp,

đặc biệt là sự hướng dẫn tận tình của PGS.TS. Ngô Quốc Tạo và TS Nguyễn

Hoàng Hà và đề tài: "Nghiên cứu phát triển phương pháp phát hiện tự động các

điểm mốc hình thái trên ảnh cánh côn trùng", mã số: VAST01.01/19-20", cộng

thêm những nỗ lực, cố gắng bản thân mình, cho đến nay thì đề tài đã được hoàn

thành.

Dù vậy, trong quá trình hoàn thiện luận văn, dù cho đã cố gắng rất nhiều,

nhưng do kiến thức, kinh nghiệm còn hạn chế, tôi không thể tránh khỏi sai sót,

tôi rất mong muốn nhận được lời khuyên của các giáo viên. chủ đề của thầy cô

để có thể hoàn thiện hơn.

Tôi xin chân thành cảm ơn.

MỤC LỤC

Trang

ĐẶT VẤN ĐỀ ........................................................................................................................ 1

CHƯƠNG 1: TỔNG QUAN CƠ BẢN VỀ TRA CỨU ẢNH VÀ ĐỘ ĐO TƯƠNG TỰ TRONG TRA CỨU ẢNH ..................................................................................................... 3

1.1. KHÁI QUÁT VỀ TRA CỨU ẢNH ........................................................................... 3

1.1.1. CÁC KHÁI NIỆM CƠ BẢN[2] .............................................................................. 3

1.1.2. XU HƯỚNG TRA CỨU VÀ CHÚ Ý TRONG TRUY VẤN ẢNH ..................... 4

1.1.2.1. MỘT SỐ HỆ THỐNG TRUY VẤN ẢNH VÀ HÌNH THÁI TRUY VẤN ......... 5

1.1.2.2. MỘT SỐ ỨNG DỤNG TRUY VẤN ẢNH .................................................... 8

1.1.2.3. KHÁI NIỆM TRA CỨU FRAME ẢNH TRONG CAMERA[3] .............. 10

1.1.2.4. LƯỢC ĐỒ MÀU VÀ TƯƠNG QUAN MÀU .............................................. 13

1.1.2.5. ĐẶC ĐIỂM CỦA SỰ VẬN ĐỘNG TRONG VIDEO VÀ XỬ LÝ VẬN ĐỘNG ................................................................................................................................. 18

CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP SỬ DỤNG ĐỘ ĐO TƯƠNG TỰ ..................... 21

2.1. ĐỘ ĐO KHOẢNG CÁCH. ............................................................................................ 21

2.1.1. .ĐỘ ĐO MIN-MAX ............................................................................................... 21

2.1.2. ĐỘ ĐO EUCLID ................................................................................................... 21

2.1.3. ĐỘ ĐO KHOẢNG CÁCH HAMMING .............................................................. 22

2.1.4. ĐỘ ĐO PRECISION VÀ RECALL .................................................................... 23

2.2. ĐỘ ĐO HỖN HỢP ................................................................................................. 23

2.2.1. ĐỘ ĐO CÓ THUỘC TÍNH RỜI RẠC ................................................................ 23

2.2.2. ĐỘ ĐO CÓ THUỘC TÍNH CÓ THỨ TỰ .......................................................... 26

2.2.3. ĐỘ ĐO CÓ THUỘC TÍNH LIÊN TỤC .............................................................. 26

2.2.4. ĐỘ ĐO KẾT HỢP CÁC THUỘC TÍNH ............................................................ 27

2.3. ĐỘ ĐO TƯƠNG TỰ DỰA TRÊN HISTOGRAM [9] ........................................... 27

2.3.1. GIỚI THIỆU VÀ KHÁI NIỆM ........................................................................... 27

2.3.2. LƯỢC ĐỒ XÁM VÀ TÍNH CHẤT ..................................................................... 29

2.3.3. QUAN HỆ GIỮA ẢNH TRA CỨU VÀ LƯỢC ĐỒ ẢNH XÁM ...................... 30

CHƯƠNG 3: ỨNG DỤNG ĐỘ ĐO TƯƠNG TỰ TRONG VIỆC TRA CỨU ẢNH TRONG FILE CAMERA ĐƯỜNG PHỐ ......................................................................... 32

3.1. GIỚI THIỆU. ................................................................................................................ 32

3.2. THUẬT TOÁN TRA CỨU ẢNH TRONG CAMERA ĐƯỜNG PHỐ ........................ 33

3.2.1. XỬ LÝ ĐỌC ẢNH ................................................................................................... 33

3.2.2. XỬ LÝ ĐỌC FRAME TRONG CAMERA ĐƯỜNG PHỐ ............................... 33

3.2.3. KẾT QUẢ THỰC NGHIỆM VÀ ĐÁNH GIÁ ..................................................... 33

CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN TIẾP THEO ........................... 46

TÀI LIỆU THAM KHẢO .................................................................................................. 47

ĐẶT VẤN ĐỀ

Trong các lĩnh vực hiện nay, xử lý hình ảnh tĩnh cùng với xử lý hình ảnh

kỹ thuật số đã phát triển và chú ý đến trong năm ở thế kỷ thứ XXI. Phương pháp

để xử lý được áp dụng để cải thiện dữ liệu thông tin của hình ảnh đến mắt người

được xử lý dữ liệu và tự động xử lý dữ liệu trong hệ thống.

Năm 1920, Một trong số đầu tiên của những ứng dụng xử lý hình ảnh là

cải thiện chất lượng của hình ảnh trên báo được truyền qua cáp của 2 thành phố

Luân Đôn và New York. Thiết bị đặc biệt được mã hóa hình ảnh, truyền chúng

qua cáp xử lý và sẽ được phục hồi ở phía bên nhận. Công nghệ máy tính đang

phát triển theo đó, nên việc xử lý cho hình ảnh đã ngày một phát triển. Các Kỹ

thuật phát triển đã cho phép tìm kiếm và kết hợp các hình ảnh có thể cho ra sự

tương xứng để trả về kết quả tốt hơn cho mục đích tìm kiếm.

Gần đây, nghiên cứu về xử lý hình ảnh và video (hoạt hình) cũng không

ngừng được quan tâm và phát triển mạnh mẽ. Kỹ thuật xử lý hình ảnh kỹ thuật số

đã áp dụng sử dụng rộng rãi, giải quyết rất nhiều các vấn đề giúp cải thiện chất

lượng của hình ảnh. Xử lý hình ảnh được áp dụng trong đa lĩnh vực khác nhau

của cuộc sống như lĩnh vực sức khỏe, thiên văn học, sinh học, viễn thám, y

học…

Một ứng dụng thực tiễn vào xử lý hình ảnh mà trong luận văn tôi muốn đề

cập tới là So sánh hình ảnh với frame ảnh của camera đường phố được ghi lại để

tìm kiếm sự tương đồng, từ đó giúp xử lý được công việc tiếp theo nhanh hơn và

tiết kiệm thời gian xem lại camera.

Vì thế, Tôi chọn đề tài là “NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP

TRA CỨU ẢNH SỬ DỤNG ĐỘ ĐO TƯƠNG TỰ VÀ ỨNG DỤNG TRA

CỨU ẢNH TRONG CAMERA ĐƯỜNG PHỐ” nhằm mục đích nghiên cứu

kỹ thuật đo lường sử dụng độ đo tương tự như phép đo độ tương tự Trainable

(TSM) và Biểu đồ cột. Dựa vào đây, Tôi sẽ đưa ý kiến một số đánh giá và có

thể đề xuất hướng phát triển thêm trong tương lai.

Tôi đã tập trung vào giải quyết vấn đề đọc được ảnh và đối sánh được với

các khung trong tệp video được trích xuất từ camera đường phố để chỉ ra được

nhận xét. Luận án bao gồm 4 chương với nội dung sau:

CHƯƠNG 1: TỔNG QUAN CƠ BẢN VỀ TRA CỨU ẢNH VÀ ĐỘ ĐO

TƯƠNG TỰ TRONG TRA CỨU ẢNH.

CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP SỬ DỤNG ĐỘ ĐO TƯƠNG TỰ

CHƯƠNG 3: ỨNG DỤNG TRA CỨU ẢNH TRONG CAMERA ĐƯỜNG

PHỐ

CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI

Trong quá trình hoàn thiện luận văn, dù cho đã cố gắng rất nhiều, nhưng

do kiến thức, kinh nghiệm còn hạn chế, tôi không thể tránh khỏi sai sót, tôi rất

mong muốn nhận được lời khuyên của các giáo viên. chủ đề của thầy cô để có

thể hoàn thiện hơn.

Tôi xin chân thành cảm ơn.

Hà Nội, ngày 3 tháng 7 năm 2020

Học viên thực hiện

NGUYỄN TUẤN VŨ

CHƯƠNG 1: TỔNG QUAN CƠ BẢN VỀ TRA CỨU ẢNH VÀ ĐỘ ĐO

TƯƠNG TỰ TRONG TRA CỨU ẢNH

1.1. KHÁI QUÁT VỀ TRA CỨU ẢNH

1.1.1. CÁC KHÁI NIỆM CƠ BẢN[2]

Xử lý ảnh hiện nay đang là lĩnh vực được xem trọng. Là gốc rễ để tiếp tục

phát triển thêm nhiều nghiên cứu tiếp theo trong lĩnh vực này. Hai đặc tính đầu

tiên của tiến trình xử lý hình ảnh là nhằm cải thiện chất lượng hình ảnh thông

tin, và có những ứng dụng vào xử lý số.

Quá trình sẽ thu thập ảnh đầu vào (bất kì hình ảnh số có tương tự như

vậy) gửi tới máy tính. Ảnh sẽ được lưu cho quá trình có thể xử lý tiếp theo. Phần

mềm có nhiệm vụ can thiệp vào thuật toán tương đương lên dữ liệu ảnh, các

cấu trúc của ảnh sao cho, ảnh được phù hơp với các mục đích khác nhau.

Xử lý cho việc ảnh được nhận dạng, tiếp tục quá trình này thao tác cho

ảnh đầu vào đưa ra kết quả như mong đợi. Đầu ra tại một quá trình xử lý ảnh

là kết quả một ảnh “chuẩn hơn” hoặc một kết quả nào đó.

Hình 1.1. Quá trình ảnh được xử lý

Hình ảnh tại xử lý hình ảnh tôi có thể thích hình ảnh nhiều (n) chiều. vì

ảnh sẽ là tập hợp của các pixel. Trong đó, pixel giúp tôi xác định một số dấu

hiệu có trong một vị trí nhất định xác định đối tượng của không gian, vì thế có

thể là một hàm của n có biến là P (c1, c2..., cn).

Sơ đồ tổng quát xử lý ảnh của một hệ thống:

Hình 1.2. Các bước của một hệ thống xử lý ảnh cơ bản

1.1.2. XU HƯỚNG TRA CỨU VÀ CHÚ Ý TRONG TRUY VẤN

ẢNH

Giai đoạn xử lý đầu tiên: Tiền xử lý hình ảnh kỹ thuật số điến phần tiếp

theo đó của giai đoạn này, các giai đoạn khác nhau sẽ được thực hiện như: nâng

cấp, khôi phục hình ảnh, điều chỉnh hình học, giảm nhiễu, v.v.

Đặc điểm của tra cứu ảnh:

- Thông tin hoàn toàn số hóa

- Hình thức biểu hiện: pixel

- có thể được đọc và tải xuống qua Internet.

- Nội dung truyền tải bằng văn bản, bằng hình ảnh.

- Hệ thống đa truy cập: Về tính lý thuyết, một sản phẩm có thể sử dụng nhiều

điểm có truy cập nhiều lần (Dựa trên tài nguyên điện tử có sẵn 24) giờ /ngày, 7

ngày / tuần). Mọi người có thể cùng một lúc sử dụng.

- Tốc độ: Tìm kiếm, thu thập, tóm tắt thông tin chính vào những hỉnh ảnh khác,

tìm kiếm và tham chiếu chéo giữa nhiều hình ảnh khác nhau.

- Chức năng: hình ảnh cho phép người dùng xem và và đối sánh nội dung đó

bằng những phương pháp khác nhau.

- Nội dung: Hình ảnh có thể chứa một ý nghĩa.

Chú ý để sử dụng ảnh dạng là một đặc trưng mà hình ảnh có, bước cơ bản

là phân đoạn hình ảnh để có thể tìm đối tượng. Ở các phương pháp, Gom cụm

với điểm ảnh thuộc về các vùng liên thông dựa trên màu sắc và cấu trúc. Bài báo

tiếp cận phân đoạn hình ảnh sao cho mỗi hình ảnh được phân đoạn thành các ra

các đặc trưng để từ đó làm cơ sở xây dựng chữ ký nhị phân và mô tả nội dung

hình ảnh. Ảnh phân đoạn được tạo ra từ việc nhóm các điểm ảnh sẽ trở thành

một vùng tương tự. Tiếp cận phương pháp phân đoạn ảnh và tự động dựa vào

các thông tin cấp thấp gồm màu sắc, vị trí và kết cấu của các điểm ảnh.

1.1.2.1. MỘT SỐ HỆ THỐNG TRUY VẤN ẢNH VÀ HÌNH THÁI

TRUY VẤN

* Trích chọn ra đặc điểm

Những đặc điểm thuộc đối tượng xuất phụ thuộc vào mục tiêu nhận dạng

có được ở tiến trình có thể xử lý hình ảnh. Khai thác các tính năng giúp xác định

chính xác các đối tượng hình ảnh, với tốc độ cao trong điều chỉnh và tối ưu lưu

trữ dung lượng.

Có thể xác định một khu vực bằng cách áp dụng nó cho các hình ảnh

khác. Ghi lại tọa độ và có thể áp dụng cho các hình ảnh khác.

Có thể cố gắng xác định cường độ đặc trưng của vùng giá trị mệnh giá trong

hình ảnh, chọn và thao tác với vùng giá trị của nó.

* Đối sánh, nhận dạng

Nhận dạng tự động, miêu tả đối tượng, tra cứu và gộp các mẫu là các vấn

đề rất quan trọng, lĩnh vực thị thị giác máy, ngày nay áp dụng ở cho các nghiên

cứu khoa học khác nữa. Mẫu có thể là hình ảnh vân tay.

bức ảnh cho một đối tượng được chụp ảnh, một từ được viết, một khuôn mặt

của con người, một biểu đồ của tín hiệu lời nói. Để có một mẫu, xác định hoặc

tra cứu nó.

Hoặc một tra cứu được giám sát, chẳng hạn như các phân biệt, phân tích,

Ở đó, mẫu của đầu vào cho xác định là của 1 phần nào đó của 1 lớp đã được nêu

ra và xác định. Hoặc tra cứu hoặc phân cụm không giám sát, những mẫu này sẽ

được định nghĩa bởi các class khác nhau dựa theo một chuẩn tương tự. Các lớp

này cho đến ngày tra cứu là không xác định hoặc không xác định.

Hệ thống định dạng auto bao gồm 3 giai đoạn tương xứng với ba giai đoạn

liệt kê như sau:

• Tiền xử lý, và thu thập dữ liệu.

• Miêu tả của dữ liệu

• Xác định và đưa quyết định

4 cách khác nhau tiếp cận đối với nhận dạng qua lý thuyết là:

• Mẫu phù hợp dựa trên những tính năng được chọn.

• Tra cứu số liệu thống kê.

• Kết cấu phù hợp.

• Tra cứu dựa trên mạng lưới thần kinh do con người tạo ra.

Những ứng dụng không thể sử dụng tiếp cận cách duy nhất để tra cứu "tối

ưu" vì vậy cần phải sử dụng các phương pháp có cách tiếp cận khác nhau cùng

một lúc. Vì thế, các phương pháp tra cứu tổ hợp thường sử dụng để nhận dạng và

hiện nay có kết quả đầy hứa hẹn vào trên thiết kế hệ thống hệ thống lai.

Giải quyết các vấn đề nhận dạng các ứng dụng mới phát sinh ở cuộc sống,

tạo ra các thách thức của thuật toán mà còn tạo ra các yêu cầu.

Đặc điểm của tất cả các ứng dụng là chúng thường là các tính năng thiết

yếu không thể được đề xuất bởi một chuyên gia, nhưng được trích xuất dựa vào

các quy trình phân tích các dữ liệu.

* Ảnh xám được chuyển từ ảnh màu:

Đơn vị ô của một hình ảnh kỹ thuật số được tính bằng pixel. Tùy thuộc

vào màu sắc hoặc định dạng hình ảnh màu xám, mỗi pixel có các chỉ số không

giống nhau. Với mỗi màu pixel của hình ảnh, sẽ có ba màu của thông tin chính

để tạo ra các màu có thể nhìn thấy: Đỏ (R), Màu Xanh lục (G) và màu Xanh lam

(B) Tại mỗi pixel một hình ảnh màu, Các màu chính R, G và B được sắp xếp

gần nhau và có sẽ cường độ ánh sáng sẽ khác nhau. Như bình thường, mỗi loại

màu chính được biểu thị tương ứng tám bit tương ứng với 256 các cấp độ màu

khác nhau. Vì thế mỗi pixel sẽ có 28x3 màu (gần bằng 17.0 00 .0 00 màu). Với

hình ảnh trong thang độ xám, thì một pixel sẽ có thông tin 256 mức độ xám

(tương đương với 8 bit) để hình ảnh thang độ xám có thể tái tạo hoàn toàn cấu

trúc của hình ảnh trong đó màu có được qua mặt phẳng dựa theo mức xám.

Hầu hết xử lý trong hình ảnh, Việc chủ yếu lưu ý đến cấu trúc và hình ảnh

có thể bỏ qua các ảnh hưởng trực tiếp của màu sắc. Vì thế, hình ảnh màu sang

hình ảnh thang độ xám là một bước phổ biến để xử lý hình ảnh, làm cải thệm tốc

độ có thể xử lý và độ phức tạp của thuật toán trên hình ảnh sẽ giảm.

* Lược đồ Histogram mức xám của ảnh

Hình ảnh kỹ thuật số có lược đồ màu xám những mức màu xám ở phạm vi

[0, L−1] là 1 hàm có thuộ tính rời rạc có p(rk) = nk/n. Ở đó nk xác định số có

pixel với mức xám là rk, n định nghĩa là tổng của số pixel tại ảnh và k =

0;1;2....L−1. Vì thế P(rk) sẽ diễn ra xác suất xấp xỉ mức xám rk.

Vẽ ra hàm với những giá trị k sẽ cho một cái nhìn tổng quan về việc xuất

hiện của các mức độ xám một hình ảnh. Có thể hiển thị sơ đồ có mức xám của

hình ảnh qua tần số của từng mức xám xuất hiện thông qua hệ tọa độ xoy. Trục

hoành sẽ là trục biểu thị số lượng của mức xám trong khoảng 0 đến N (Tổng bit

hình ảnh màu xám). Biểu thị pixel cho mức xám trục hoành.

Hình 1.3. Hình ảnh được biểu diễn thông qua lược đồ xám

1.1.2.2. MỘT SỐ ỨNG DỤNG TRUY VẤN ẢNH

Như đã được đề cập tới, thì các kỹ thuật hình ảnh được xử lý sẽ được

dùng cải thiện chất lượng của ảnh, nói cách khác là gây ra được cảm quan cả

thiện chất lượng của hình ảnh trong mắt của người nhìn. Hiện nay, áp dụng vào

xử lý hình ảnh đã mở rộng liên tục, có thể nói rằng, hiện nay nghành khoa học

chưa áp dụng được nhiều thành công của việc xử lý của ảnh kỹ thuật số.

Trong xử lý hình ảnh y học chuyển ảnh cho phép được sinh ra từ những

nguồn có tia X tạo ra bức xạ, hoặc từ siêu âm với bức xạ chuyển đổi sang hình

ảnh dạng quang học chiếu X quang, có thể chiếu ngay trên màn hình. buổi trình

diển tranh ảnh. Hình ảnh của các bộ phận cơ thể tiếp theo sau có thể được tiếp

tục có xử lý để tăng độ tương phản tốt, lọc và phân tách những thành phần được

cần thực hiện, cấu thành hình ảnh thể hiện tại không gian có 3 chiều.

Trong địa chất học, các ảnh thu được từ những vệ tinh sẽ được xử lý và

xác định được bề mặt của cấu trúc trái đất. Cải thiện hình ảnh và phục hồi hình

ảnh từ đó cải thiện chất lượng của hình ảnh vệ tinh, địa hình xuất ra được chính

xác 3 chiều.

Nghành khí tượng học, hình ảnh thu từ các vệ tinh, dự báo thời tiết sẽ xử

lý được, cải thiện và lắp ráp để tạo ra hình ảnh trên một khu vực rộng lớn bề mặt

của trái đất, có thể được thực hiện.

Việc chinh xác từ dự báo thời tiết. Hình ảnh được phân tích của vệ tinh tại

những khu dân cư tập trung sinh sống, cũng có thể ước tính tăng trưởng dân số,

tỷ lệ gây môi trường trở lên ô nhiễm và một số yếu tố gây ảnh hưởng. Có thể thu

được hình ảnh từ các vệ tinh qua thiết bị quay video cảm nhận ánh sáng của

quang học.( 520 450 nm), từ tia hồng ngoại ( 900 760 nm).

Hình 1.4: thu được hình ảnh của bề mặt trái đất đã nhận bởi hai ống ghi

âm nói trên, dễ dàng nhận ra có khác biệt dễ dàng nhận biết giữa hai hình ảnh.

1.5a 1.5b

Hình 1.5 – Hình ảnh bề mặt của trái đất thu được qua 2 camera

Xử lý hình ảnh trong các hệ thống sẽ dùng kiểm soát chất lượng và số

lượng trong các dây chuyền tự động, chẳng hạn thống phân như tích hình ảnh,

có thể phát hiện là bọt khí bên trong vật đúc nhựa, để các thành phần không

nhận được từ hình ảnh Camera.

Xử lý hình ảnh cũng áp dụng sử dụng nhiều trong lĩnh vực hệ thống hình

sự và an ninh: xử lý hình ảnh cho mục tiêu nhận dạng. Có khăng năng xét thấy

xử lý hình ảnh như hình ảnh chuyển động như nhận dạng tự động, mục đích

quân sự và hệ thống tầm nhìn công nghiệp. tự động, nén ảnh tĩnh, v.v. Tiếp theo

đề cập tới Deep Learning và Machine Learning là 2 vấn đề được chú ý và được

quan tâm trong công nghệ 4.0 hiện nay. Từ các thành tựu trong Computer

Vision, NLP (natural language processing), áp dụng vào cho các lĩnh vực cụ thể

về y khoa, y sinh, xe tự hành, v..v ... Mỗi bài toán đều có các cách xử lí dữ liệu

và mô hình riêng, nhưng nhìn chung đều hướng tới 1 mục đích: cải thiện đời

sống và giúp ích cho xã hội nói chung và hỗ trợ cho các doanh nghiệp, startup, ..

nói riêng.

Với tiêu chí: "Learn by doing", đề cập tới mô phỏng 1 hệ truy vấn (tìm

kiếm) hình ảnh, tương tự như Google Image Search vậy. Nếu các bạn nào đã

từng sử dụng qua các dịch vụ hay mạng xã hội như: Flickr hay Pinterest sẽ thấy

2 mạng xã hội này có các chức năng tìm kiếm liên quan đến ảnh sẽ khá thú vị và

độc đáo. Lấy ví dụ với Pinterest, sẽ thấy một trong những mạng xã hội về ảnh

lớn nhất hiện nay, có 1 chức năng vô cùng hay ho là cắt và tìm kiếm ảnh trực

tiếp ngay trên nền ứng dụng. Trong số ảnh được truy vấn ra đều tương đồng với

phần ảnh bị cắt, sau đó theo đó là những từ khóa (tag) liên quan tới phần ảnh

được cắt ra.

1.1.2.3. KHÁI NIỆM TRA CỨU FRAME ẢNH TRONG CAMERA[3]

* Khung hình ảnh (Frame ảnh)

Một video bao gồm một số hình ảnh tĩnh, được liên tiếp có thể đặt, tạo ra

sự chuyển động tại video. Ví dụ là một hình ảnh tĩnh:

K/h i K/h i+1

Hình 1.6. khung hình liên tiếp

Nếu 24 giây trở lên được phát trong một giây, việc phân biệt giữa các

khung hình sẽ khó, chỉ có các cảnh được kết nối với nhau. Thật vậy. Hệ thống

video có tốc độ ghi không giống nhau, chẳng hạn như NTSC: 30 khung hình

mỗi giây, PAL: 24 khung hình mỗi giây, SECAM: 29,99 khung hình mỗi giây.

* Không gian màu

Không gian màu là không gian biểu thị cho màu dựa trên giá trị của độ

sáng, không gian màu sẽ có thể đo được lượng thông tin của màu. Xác định một

không gian có thể có nhiều chiều, còn được gọi là các đại diện các giá trị có độ

chói. Một phần của màu cũng được tính là kênh màu. Mỗi pixel được thể hiện,

Không gian của màu thường được sử cho đến hiện tại. Dưới đây, các không gian

của màu mà phổ biến ở ngày nay.

- Không gian mức xám

Không gian mức xám sẽ có được cấu thành bởi 1 phần, đi từ đen tới trắng.

Thang độ xám chủ yếu được sử dụng cho màn hình đen trắng và in màu xám.

Hình 1.7. Hình ảnh không gian màu xám Hình 1.7. Không gian hiển thị ảnh màu RGB.

Không gian RGB phổ biến ở việc có hiển thị của ảnh. Không gian màu

RGB xuất phát từ cách nhìn của con người. Nó có các thụ thể để thấy ba màu

không giống nhau: Đỏ, lục và màu lam. Bao gồm ba thành phần màu: Đỏ, Xanh

lục và lam. Các yếu tố này được gọi là màu cơ bản, bởi vì màu sinh ra bởi cách

bổ sung các điểm ảnh có màu đen.

Hình 1.9. Không gian R

Hình 1.10. Biểu diễn Không gian màu RGB

* Không gian CMY

Sử dụng nhiều trong nghành in ấn. Tên viết tắt của Cyan, Magenta,

Yellow (Lam, đỏ và vàng). Chúng là màu chính để trừ, bởi khi một màu trong kg

CMY sinh ra thông qua hấp thụ được độ sáng. Cyan sẽ có thể hấp thụ ánh sáng

red, Magenta sẽ hấp thụ được green, Yellow sẽ hấp thụ màu blue..

Hình 1.11. Mô phỏng CMY

Công thức thể hiện tương quan RGB và CMY:

C = 1- R | M = 1 – G | Y = 1 - B

*. Không gian HSV (HSB) [7]:

HSV sẽ xác định một không gian màu bao gồm ba thành phần:

Các loại màu (như đỏ, vàng, xanh) sẽ giá trị trong khoảng 0 - 2đ; 0 - 360

Saturation.

Giá trị nằm trong khoảng từ 0 - 100%, sẽ chuyển thành 0 - 1. Độ tinh

khiết của màu nhỏ, màu càng xám và màu càng mờ.

Giá trị độ sáng:

Nằm trong khoảng 0 - 100%, sẽ được chuyển hóa thành 0 - 1.

Về HSV, năm 1978 do Alvy Ray Smith tạo ra. Phép biến của RGB.

Thông qua đó, HSV sẽ phân tích, tách độ sang và màu, sao cho nhận thức đó

con người có thể hiểu được.

1.1.2.4. LƯỢC ĐỒ MÀU VÀ TƯƠNG QUAN MÀU

* Khái niệm Lược đồ màu (Color Histogram)[10]

Bảng màu của hình ảnh cho thấy màu sắc phân bổ trong hình ảnh.

Thấy rằng:

Có i định nghĩa là một bin màu, ta có i có giá trị từ 0 -255, còn là ảnh

màu mô hình RGB.

i [0,224-1]

n[i]: Pixel i

n: Số Pixel tổng

Để cải thiện sự hợp lý, màu sắc ở trong HVS tính bởi bảng màu sẽ được ước

lượng. Trong số các cách đó là:

Hue có vùng phân ra là 18

Saturation có vùng phân ra là 3

Value có vùng phân ra là 3

Trong đó, số màu là Hx Sx I thu được 162 màu, lưu trữ và chi phí cho tính

toán giảm đáng kể và bảng màu này rất phù hợp để theo dõi thông tin hình ảnh.

* Lược đồ màu có ý nghĩa:

Việc xác định ci, Hci(I) cho thấy số Pixcel có màu ci ở ảnh i. Ở một khía

cạnh khác thì với một pixcel tại ảnh I, Hci(I) khả năng cho thấy Pixcel đó sẽ có

giá trị là ci. Thông tin mang về cho HSV.

* Đánh giá về ưu, nhược điểm;

* Ưu điểm:

- Lược đồ màu được tính giản đơn, nhanh gọn, giảm thiểu chi phí.

- Biểu đồ màu không thay đổi ma thuật như đối với hình học biến đổi.

Ví dụ các biến đổi dưới dạng: xoay , tịnh tiến, co dãn…

* Nhược điểm:

Xem xét phân phối tổng thể màu, hình ảnh mà chưa tính đến các ảnh hưởng

địa phương của mối quan hệ giữa không gian màu. Làm mất thông tin, thì Điều

này có thể dẫn đến hình ảnh có tông màu giống nhau nhưng khác nhau.

* Ứng dụng:

Áp dụng vào phân đoạn video, theo dõi thông tin hình ảnh, tìm kiếm thông

tin ảnh thị giác.

* Lược đồ của tương quan màu (Color Correlogram):

Khái niệm:

Quan sát rằng cách phân phối khiến thiếu thông tin của màu theo không

gian, một tính năng sẽ được định nghĩa là có tương quan màu của lược đồ. Hứa

hẹn đây không chỉ mô tả sự phân bố màu của Pixceles mà còn cả tương quan của

các cặp màu không liên quan.

* Công thức tính lược đồ màu:

Sơ đồ màu được xác định bằng một nhóm các bin, trong đó mỗi bin biểu thị

xác suất của các pixel trong ảnh. Một sơ đồ màu H của một ảnh đã cho được xác

định bởi véc tơ:

H={H[0], H[1], H[2], ..., H[i],... H[N]},

Có i biểu diễn một màu trong sơ đồ màu và tương ứng với một khối con

trong không gian màu RGB, H[i] là số các pixel có màu i trong ảnh,có N là số

các bin trong lược đồ màu.

Mỗi pixel trong ảnh sẽ thuộc về một bin của lược đồ màu của ảnh, nên đối

với lược đồ màu của một ảnh, giá trị của mỗi bin là số các pixel có cùng màu.

Để so sánh kích cỡ các ảnh, ta chuẩn hóa các lược đồ màu. Lược đồ màu chuẩn

hóa H’ được xác định bằng:

H’={H’[0], H’[1], H’[2], ..., H’[i],... H’[N]},

Ở đây , P là tổng số các pixel trong ảnh.

* Lược đồ tự tương quan màu:

Xem xét tất cả những cặp màu kết hợp, thì kích thước của lược đồ sẽ lớn,

hơn thế là, tính toán với thời gian sẽ dài hơn. Do đó, Sơ đồ này chỉ đánh giá mối

trong không gian mỗi tương quan giữa các màu các màu và từ đó làm số lượng

kích thước và giảm thiểu sức lực và tiền bạc.

* Ứng dụng

- Úng dụng trong video, có thể phân đoạn

- Tạo các mục và đối sánh với hình ảnh.

- Xác định được đối tượng từ đó dõi theo đối tượng.

Lược đồ tự tương quan màu sẽ có thể trả kết quả theo dõi tốt hơn với bảng

màu hơn nhưng tiêu tốn chi phí cao hơn.

1.1.2.5. ĐẶC ĐIỂM CỦA SỰ VẬN ĐỘNG TRONG VIDEO VÀ XỬ

LÝ VẬN ĐỘNG

*Giới thiệu

Điểm chuyển động của dữ liệu hình ảnh trong video. Là một tính năng

xác định được của video mà đối với ảnh trạng thái tĩnh sẽ chưa có. Chuyển động

sẽ ứng dụng trong nghiên cứu thực tiễn, như việc cài đặt các phầm mềm xử lý

video kỹ thuật số hiện nay.

Hình 1.15. Chuyển động và đặc điểm của chuyển động

* Lược đồ của chuyển động:

Nếu bảng màu đại diện cho màu trong hình ảnh, sơ đồ hiển thị có chuyển

động liên tiếp theo những khung hình. Việc này xem như cách biểu diễn ở dạng

góc di chuyển.

- Thuật toán:

Khung hình được phân ra n khối Pixcel, và có hướng theo góc giá trị 0 cho

tới 360 độ chia làm 8 độ: 0-44, 45-89, 90-135, … , 315-359

Bước 1: bước khởi động theo những góc xác định : H [i]0 , xác định giá trị i từ 0

cho đến 7;

Bước 2: Ta thấy Pixel bắt đầu từ khung hình i ở hiện tại, ta sẽ tính được

khoảng di chuyển như sau: khung hình kế tiếp, xác định nó và xem xét với khối

đã được xác định, và sự sai khác này sẽ phải bé hơn 1 chỉ số đã quy định từ

trước. Mục tiêu để có thể xác định xem khối này đã di chuyển tới được như thế

nào. Nếu chưa thể thấy thay đổi thì c o i như khối điểm ảnh này đã chưa di

chuyển.

Bước 3 : Khi đã tính được chuyển động, từ đó có thể tính được góc dịch chuyển

thực hiện đưa gói đó về gần với giá trị a, và a có gía trị từ 0 cho đến 7;

Bước 4 : Xác định giá trị điểm H[a] và H[a1]. Sau đó trở lại bước số hai tới khi

cho được ra khối Pixcel trong khung hình.

Hình ảnh Pixcel tại vị trí đang xem xét. Tiếp tục lặp bước số 2 tới khi tất

cả các Pixcel trong khung đã được tính.

Sau đó Pixel của khung hình được tính toán, ta nhận được hai hình khung hình

có chuyển động sang 2 hướng.

- Ý nghĩa thuật toán:

Ảnh chuyển động sẽ cho biết được góc chuyển động 2 hướng của pixel

trong khung hình. Ở chuyển động của ảnh đó sẽ có giá trị cao thì pixcel đó sẽ

chuyển động nhiều hơn.

* Tóm lược xử lý hình ảnh hiện nay:

Nghiên cứu về "tương tự" (Đây là một trong một lĩnh vực toán học; nhưng

trong Hệ thống thông tin và Ứng dụng máy tính có một Hệ thống thông tin, phép

tính gần đúng thường được sử dụng trong theo cách không hệ thống và không

đặc biệt, trong bối cảnh này, thuật ngữ "tương tự" có thể thấy dưới nhiều hình

thức.

Khái niệm "tương tự" ở đây được hiểu theo nhiều dạng. Mặc dù có sự

khác biệt, nhưng tất cả đều có một điểm chung: "sự giống nhau" so sánh để sử

dụng cho hai đối tượng, và hai tình huống, hai vấn đề, v.v. vì các lý do khác

nhau.

Luôn luôn có một số mục đích cho các so sánh như vậy, Sau khi một hành

động được thực hiện thì kết quả sẽ có một vấn đề khách sẽ được giải quyết.

chính vì thế, so sánh được 2 đối tượng theo chủ đề (kỳ).

- Mức độ mà lợi ích và tính cách giữa mọi người tương ứng. Có nhiều loại mô

hình, nổi bật có 4 mô hình là hình học, kỳ công, dựa trên sự liên kết và biến đổi.

- Trong lĩnh vực bảo mật và bảo vệ để nhận biết hình ảnh khi cố gắng hiểu dấu

vân tay. Hãy kiểm tra lưu trữ.

Một biện pháp tốt tương tự có thể để máy tính biết phân biệt nội dung và

ảnh của chúng. Hệ thống truy xuất hình ảnh dựa trên nội dung (CBIR) cùng 1

phương pháp có thể truy vấn hình ảnh dựa trên độ đo bằng các tính năng, Có thể

việc xác định này sẽ có nhiều dạng như cạnh, màu sắc, điểm Pixcel. ... Biểu đồ,

màu sắc và phân tích biểu đồ xác định cột.

CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP SỬ DỤNG ĐỘ ĐO TƯƠNG TỰ

2.1. ĐỘ ĐO KHOẢNG CÁCH.

2.1.1. .ĐỘ ĐO MIN-MAX

Lấy ý tưởng từ giao điểm của l ược đồ được so sánh, chúng ta có một lược

đồ, tổng hợp những giá trị thu cho chúng ta biết từ lược đồ này, chúng ta một số

đo tối thiểu.

Đối với phép đo tối thiểu: chúng tôi tính toán dựa trên giá trị tối thiểu tại

mỗi K bin:

Đối với độ đo max: Dựa vào tính tại mỗi K bin giá trị:

2.1.2. ĐỘ ĐO EUCLID

Khoảng cách Euclid được tính K Bin bằng công thức như sau:

Hoặc tính như sau:

Đặt A là một bảng chữ cái, chẳng hạn như một bộ sưu tập các ký hiệu hữu

hạn, cũng được gọi là chữ cái, từ đó trình tự hoặc trình tự được hình thành.

Đặt s = s1s2 ... sn giống nhau chuỗi ký tự từ A. Một từ trống được ký hiệu là và

nó có độ dài null.

Trình tự này được sử dụng trong các mô hình nhận dạng và các khu vực

học máy để mã hóa các đối tượng của cấu trúc tương đối đồng nhất. Ở đây, tôi

sẽ giới thiệu ngắn gọn về máy đo khoảng cách phổ biến nhất.

2.1.3. ĐỘ ĐO KHOẢNG CÁCH HAMMING

Đây là một trong những biện pháp đơn giản nhất: đối với hai chuỗi có độ

dài bằng nhau, nó đếm vị trí của các ký hiệu khác nhau. Để tránh mất tính tổng

quát, hãy s = s1s2 ... sn và t = t1 t2 ... tn, đó là các chuỗi nhị phân.

Khoảng cách Hamming sau đó được xác định như sau d Ham (s, t) = ∑n k

= 1 I (sk # tk). Nó không phải là một biện pháp linh hoạt bởi vì nó giả định các

chuỗi có độ dài cố định. Tuy nhiên, trong nhiều vấn đề, các chuỗi có độ dài thay

đổi, và hơn nữa, có thể nằm giữa các vị trí tượng trưng cho sự tương ứng không

ổn định. Các biến thể nhỏ ở vị trí của một trong hai chuỗi gần như giống hệt

nhau có thể dẫn đến các giá trị phóng đại trong khoảng cách Hamming.

Khoảng cách Hamming mờ:

Một khoảng trống Hamming mờ đã được đề xuất để tạo khoảng cách

Hamming rất nhạy cảm. Đây là loại Chỉnh sửa khoảng cách cho các chuỗi có độ

dài bằng nhau. Khoảng cách chính xác dựa trên chuyển đổi một chuỗi thành một

chuỗi khác bằng cách sử dụng thao tác hiệu chỉnh được gọi là. Các hoạt động

của các hoạt động chỉnh sửa sau được giới thiệu: chèn, xóa và thay đổi, với giá

trị cins, cdel và csub được gán cho phù hợp.

Các hoạt động dịch chuyển tức thời cho chuyển đổi 1 bit trong một chuỗi

thành gần 1 bit trong chuỗi khác với chi phí nhỏ hơn vì có cả thao tác xóa và

chèn. Các hoạt động được sử dụng để chuyển đổi một chuỗi ký tự thành một

chuỗi khác và sự khác biệt của kết quả là bằng nhau làm thế nào để thêm chi phí

hoạt động, để nó có tổng chi phí tối thiểu.

Xấp xỉ Cách Hamming mờ là số liệu nếu cdel = cins và cho kích thước

tuyệt đối.

2.1.4. ĐỘ ĐO PRECISION VÀ RECALL

Với một cách xác định một lớp là positive, Precision được định nghĩa là tỉ

lệ số điểm true positive trong số những điểm được phân loại là positive (TP +

FP). Recall được định nghĩa là tỉ lệ số điểm true positive trong số những

điểm thực sự là positive (TP + FN). Một cách toán học, Precison và Recall là hai

phân số có tử số bằng nhau nhưng mẫu số khác nhau:

Có thể nhận thấy rằng TPR và Recall là hai đại lượng bằng nhau. Ngoài

ra, cả Precision và Recall đều là các số không âm nhỏ hơn hoặc bằng một.

Precision cao đồng nghĩa với việc độ chính xác của các điểm tìm được là cao.

Recall cao đồng nghĩa với việc True Positive Rate cao, tức tỉ lệ bỏ sót các điểm

thực sự positive là thấp.

2.2. ĐỘ ĐO HỖN HỢP

Với những phép tính hỗn hợp được Goodall đề cập[1]. Sử dụng đo lường

sự giống nhau của các lớp đối tượng, trước tiên cần tính toán số cho mỗi thuộc

tính, số đó sau đó sẽ kết hợp nó.

Xem xét các phép từng loại để liên tục và và thuộc tính rời rạc. Bên cạnh

đó, Cũng xem xét các biện pháp có thuộc tính loại thứ tự và các thuộc tính riêng

biệt nhau;

2.2.1. ĐỘ ĐO CÓ THUỘC TÍNH RỜI RẠC

Đầu tiên xem xét thuộc tính có tính rời rạc. Các thuộc tính giá trị không

giống nhau sẽ không đem để so với nhau.

Xem xét các cặp giá trị không giống nhau với độ tương tự 0; các đôi giá

trị chồng chéo có độ tương tự phụ thuộc lớn và xác suất và luôn luôn khác 0 của

cặp đó xuất hiện. Các cặp trùng lặp giá trị với xác suất các xuất hiện thấp hơn thì

có độ tương tự lớn hơn.

Gọi Vi biểu sẽ biểu thị giá trị ứng với thuộc tính khác nhau. Hiện diện xác suất

của các giá trị này sẽ là:

Gọi Sij là độ tương quan của 2 cặp Vi và V i, khi đó:

Thêm vào đó:

Đặt Pij là khả năng hiện diện của một cặp định nghĩa có độ tương quan (Vi, Vj)

nhỏ hơn. Ta thấy:

Khi đó:

Tiếp tục suy ra:

Q được tính theo công thức ở bên trên:Thực tế thì, các xác suất là pi sẽ

không biết trước được nhưng có thể tính gần đúng dựa dựa trên tần suất mà

chúng hiện diện ở mẫu. Ta gọi số lượng m là những đơn vị có ở tệp mẫu, fi sẽ

là sự lặp lại tương ứng với Vi, độ đo tương tự sẽ được tính gần đúng bởi:

Khi đó:

Một thuộc tính riêng biệt có một tập hợp các miền (miền) được xác định

trước và là một tập hợp giá trị rời rạc. Ví dụ: loại ô tô là một thuộc tính ảnh

riêng biệt có giá trị được đặt là: {xe tải, xe hơi hành khách, xe hơi, taxi}.

Việc phân chia dữ liệu dựa trên kiểm tra tính hợp lệ. Sự rời rạc được chọn tại

một trường hợp cụ thể có một giá trị được đặt cho thuộc tính đó không: giá trị

(A) X với miền X (A).

Đây là một bài kiểm tra logic đơn giản, không tiêu thụ nhiều tài nguyên

máy tính. Trong khi đó, với các thuộc tính liên tục (thuộc tính định dạng ảnh)

sau đó tập giá trị không xác định. Do đó, trong quá trình phát triển cần sử dụng

kiểm tra nhị phân: value (A).

Trong đó θ là hằng số ngưỡng được xác định lần lượt dựa trên các giá trị

riêng lẻ hoặc các cặp giá trị liền kề (theo thứ tự được sắp xếp) của thuộc tính

liên tục được xem xét trong tập dữ liệu tài liệu đào tạo. Điều đó có nghĩa là nếu

thuộc tính A liên tục trong tập dữ liệu.

Đối với các giá trị phân biệt d, cần thực hiện kiểm tra giá trị d-1 (A) ≤ i

với i = 1..d-1 để tìm đặt ngưỡng θbest tốt nhất cho thuộc tính đó. Việc xác định

giá trị. Tiêu chuẩn tìm kiếm tốt nhất tùy thuộc vào chiến lược của từng thuật

toán [10]. Thuật toán i được chọn làm trung bình của hai giá trị liền kề.

2.2.2. ĐỘ ĐO CÓ THUỘC TÍNH CÓ THỨ TỰ

Ở đây, chúng ta cần tính đến thứ tự trong cùng một biện pháp. Do thứ tự,

độ tương tự sẽ ít hơn một cặp giá trị khi đem so sánh giữa chúng. Thí dụ, Giả sử

có cặp (B, C) lúc này có độ tương tự hơn A, C. và cặp B, E.. Nhưng, ở đây chưa

thể so sánh nếu so sánh với cặp A, C và cặp B, E. Xác suất hiện hiện sẽ được

dùng công thức để xác định giá trị.

Giả sử những giá trị có thuộc tính V1 ,V2 ,...,Vn .

Xác suất Pij có thể xuất hiện một cặp có sẽ có độ tương đồng hơn. Vi ,Vj được

cho bởi công thức:

Trong đó:

Một đòi hỏi quan trọng khác đối với thuật toán là bất biến với sự biến đổi

đều của các giá trị tương tự giữa các đối tượng [9]. Cần thiết đối với thuật toán

phân cụm nếu các giá trị tương tự được ước lượng bởi các chuyên gia trong độ

đo có thứ tự. Sự đòi hỏi này cũng rất cần thiết cho sự không nhạy cảm của các

kết quả phân cụm đối với việc chọn độ đo tương tự hoặc độ đo không tương tự.

2.2.3. ĐỘ ĐO CÓ THUỘC TÍNH LIÊN TỤC

Trong thuộc tính này, khoảng cách được tính- giá trị đúng của sự chênh

lệch giữa giá trị được xét- Tiêu chí để đo độ tương tự. Với các cặp trùng nhau sẽ

thấy độ tương tự lớn hơn cặp của 2 giá trị không giống nhau.

Các giá trị có khoảng cách bé sẽ giống hơn so với các cặp lớn hơn. Khi đó thì

cặp mang độ đo giống nhau cần sử dụng công thức tính:

Ta có:

Suy ra, Pij là:

Khi đó:

và:

2.2.4. ĐỘ ĐO KẾT HỢP CÁC THUỘC TÍNH

Như đã nói ở trên, Các thuộc tính mang độ đo tương tục cho riêng từng

thuộc tính. Các phép đo tương tự cho các cặp của các đối tượng sẽ được liên kết

bởi biện pháp này. Liên kết này, cần giả sử rằng các các giái trị của các thuộc

tính đều có khả năng độc lập.

2.3. ĐỘ ĐO TƯƠNG TỰ DỰA TRÊN HISTOGRAM [9]

2.3.1. GIỚI THIỆU VÀ KHÁI NIỆM

Histogram là một dạng biểu đồ dạng cột thể hiện tần suất. Dữ liệu sẽ được

mô tả 1 cách đơn giản, không làm mất thông tin của dữ liệu.

Mặc dù lược đồ ở mức xám của bất kỳ hình ảnh nào sẽ có lượng thông tin nhất

định, Và những loại hình ảnh cũng được xác định hoàn toàn bởi sơ đồ gắn với

mức xám đã được xác định.

Việc tính toán cho biểu đồ cũng trở lên giản đơn khi được một hình ảnh

được sao chép từ các vị trí khác khau.

* Định nghĩa

Biểu đồ mức xám là một chức năng hiển thị, đối với mỗi cấp độ màu xám,

số pixel của cấp độ màu xám trong ảnh. Trục dọc là trục hoành và sẽ biểu diễn tần

suất (số Pixcel).

Có nhiều cách có thể xác định được lược đồ mức xám để thấy được về

tính hữu ích của lược đồ. Ví dụ có một hình ảnh được liên tục xác định qua một

hàm D(x,y), Hàm thay đổi chậm từ cao xuống thấp ở trung tâm mức xám.

Chọn cấp độ màu xám D1 và xác định một tập hợp các kết nối kết nối

những điểm biểu diễn giá trị D1 ở lại với nhau. Sẽ cho ra là 1 tập đường cong kín

xung quanh những khu vực có độ màu xám lớn hoặc bằng D1.

Hàm A (D) của hình ảnh liên tục của vùng đóng, biểu đồ mức xám của hình ảnh

liên tục mang giá trị âm trong biểu đồ của nó.

Với hàm rời rạc thì trường hợp này, ta đặt  D=1 thì:

Diện tích hình ảnh kỹ thuật số chỉ đơn giản là số lượng Pixcel có mức

xám lớn, có thể bằng bất kỳ mức xám D nào.

* Lược đồ hai chiều của mức xám

Thông thường mọi người tạo ra sơ đồ cấp độ xám với kích thước từ hai

trở lên. Điều này đặc biệt hữu ích cho các bức ảnh màu).

Lược đồ tỷ lệ xám hai chiều biểu diễn bởi 2 biến của 1 hàm: mức xám

trong 2 màu là xanh và đỏ. Tọa độ biểu diễn là (DR, DB), Pixcel tương ứng với

mức DR màu xám trong hình ảnh màu đỏ và mức độ màu xám DB trong hình ảnh

màu xanh.

Pixcel sẽ có mức độ xám màu đỏ, sẽ tập trung ở trên đường chéo của lược

đồ và ngược lại.

2.3.2. LƯỢC ĐỒ XÁM VÀ TÍNH CHẤT

Khi một hình ảnh được biểu diễn thành một lược đồ của mức xám, sẽ loại

bỏ các dữ liệu khác của ảnh đó. Lược đồ mức xám chỉ định số lượng Pixcel

trong mỗi cấp độ màu xám, nhưng hoàn toàn không liên quan đến các vị trí mà

các Pixcels đó nằm trong hình ảnh. Do đó, có thể xem lược đồ của mức xám là

xác định cho bất kỳ hình ảnh cụ thể nào, ngược lại thì là chưa đúng. Hình ảnh

không giống nhau vẫn có thể có sơ đồ mức xám giống nhau. Tất cả các hoạt

động của các đối tượng di chuyển xung quanh trong hình ảnh không ảnh hưởng

đến sơ đồ tỷ lệ xám cụ thể. Nếu giả sử thay các biến trên và tích hợp hai bên với

một phép bổ trợ từ D thành vô cùng, nếu hình ảnh chỉ chứa 1 màu xám cùng loại

trên nền và xác định rằng ranh giới mà ở đó là ranh giới được xác định bởi mức

xám D1.

Nếu có nhiều đối tượng trong ảnh, tất cả các ranh giới của chúng là các

đường viền ở mức D1 màu xám, cho diện tích của tổng các đối tượng. Một hàm

diện tích tương tự sinh ra phân phối tích lũy của hình ảnh. Lược đồ mức xám

cũng có một lợi ích khác, suy ra từ chính nó là số lượng Pixcel bao gồm trong

mỗi cấp độ xám: nếu hình ảnh bao gồm hai vùng riêng biệt và lược đồ cấp độ

xám được biết đến, sau đó thêm hai lược đồ cấp độ màu xám vào một lược đồ có

chưa ảnh. Điều này có thể được mở cho một số tên miền riêng biệt.

Vậy Lược đồ xám là một trong những yếu tố cơ bản trong kỹ thuật xử lý

ảnh trong miền không gian. Ta có thể nâng cao chất lượng ảnh thông qua việc

xử lý lược đồ xám.

Lược đồ xám là một công cụ rất hữu ích trong các ứng dụng khác của xử

lý ảnh, chẳng hạn như nén ảnh và phân đoạn ảnh.

Việc tính toán trên lược đồ xám rất đơn giản, nên việc thiết kế phần cứng

để thực hiện các công việc tính toán này rất “tiết kiệm”.

2.3.3. QUAN HỆ GIỮA ẢNH TRA CỨU VÀ LƯỢC ĐỒ ẢNH XÁM

Vì lược đồ mức xám của 1 ảnh chỉ có một. Có thể đơn giản có được lược

đồ mà chúng ta đã biết cách định dạng của chúng. Kĩ thuật này ít khi dùng,

nhưng nó cung cấp sự hiểu biết về lược đồ và nó tạo ra cơ sở tiếp tục phát triển.

Ví dụ: cần tính toán sơ đồ mức xám, ta có một hình ảnh mà hàm đã cho:

Khá khó để tính được với mức độ xám khi cần tính theo diện tích. Do đó,

Cần thực hiện trước việc nhận lược đồ, tính diên tích từ biểu diễn hình ảnh. Hãy

quan sát và có thể thấy được.

* Định nghĩa Một chiều

Trước tiên chúng ta ví dụ về diện tích. ở đây từ "diện tích" sẽ chỉ là

chiều dài, có thể giải thích được quan hệ của lược đồ và hình ảnh của nó.

Nhận thấy các xung một chiều Gauss được đưa ra bởi:

Nếu x> = 0 (không âm), ta có hàm đơn điệu. Hơn thế, khu vực chỉ đơn

thuần biểu diễn ảnh. Do đó, nếu x> = 0 (không âm), tính bằng cách sử dụng I x

làm hàm cấp độ xám:

Một nửa hình ảnh sẽ được đối lại với diện tích. Hai nửa sẽ đối xứng, diện

tích khi đó gấp đôi.

Lược đồ được cho bởi:

Là chức năng khu vực cho một nửa hình ảnh bên phải. Do hai nửa của hình

đối xứng với nhau. Lược đồ được làm sắc nét ở D = 0 do các khu vực các mức

xám nhỏ so với x. Đỉnh sắc nét nhỏ nằm ở D = 1 vì ảnh có độ dốc (độ dốc) bằng

0 tại x = 0 (ví dụ: xung Gaussian "phẳng" cục bộ ở trên cùng).

* Hai chiều

Quy trình tương tự được mở ra cho hình ảnh hai chiều, với việc cân nhắc

đối xứng trong hình ảnh. Chúng ta có được đối xứng tròn theo cách sau. Giả sử

hình ảnh là một vòng tròn đối xứng Gaussian[3] tập trung vào tâm. Hàm hình

ảnh nằm trong tọa độ cực. P là một vòng tròn có bán kính:[5]

Đường trên bao gồm một khu vực:

Hình ảnh theo nội dung được tìm kiếm (CBIR truy xuất hình ảnh dựa trên

truy vấn) hoặc Nội dung hình ảnh dựa trên truy vấn xem như một ứng dụng cho

lĩnh vực thị giác của máy tính cho các vấn đề tra cứu hình ảnh. Phần mềm có nội

dung trên có ý nghĩa phân tích được nội dung của ảnh trong thực tế.

CHƯƠNG 3: ỨNG DỤNG ĐỘ ĐO TƯƠNG TỰ TRONG VIỆC TRA CỨU

ẢNH TRONG FILE CAMERA ĐƯỜNG PHỐ

3.1. GIỚI THIỆU.

Giới thiệu về bài toán:

Nhiệm vụ của bài toán là xây dựng chương trình có chức năng sau:

Sơ đồ khố mô tả hoạt động của chương trình:

Khi người dùng cần tra cứu 1 ảnh, để xét xem ảnh đó có trong các khung

hình của file camera đường phố hay không? Chương trình có nhiệm vụ xử lý và

đưa ra kết quả. Sử dụng tập 100 frame ảnh thu thập được từ file camera đường

phố.

3.2. THUẬT TOÁN TRA CỨU ẢNH TRONG CAMERA ĐƯỜNG PHỐ

3.2.1. XỬ LÝ ĐỌC ẢNH

* Mô tả thuật toán:

Input hình ảnh ban đầu. chuyển đổi ảnh truy vấn (ảnh màu) sang ảnh đa

cấp xám. Tính lược đồ Histogram mức xám, xác định được lược đồ Histogram

mức xám của ảnh, chỉ định được số lượng Pixel của ảnh.

Qua đó xác định lược đồ mức xám của hình ảnh.

3.2.2. XỬ LÝ ĐỌC FRAME TRONG CAMERA ĐƯỜNG PHỐ

* Mô tả thuật toán:

Áp dụng lược đồ chuyển đồ chuyển động để chia video file camera đường

phố ra các thành các Frame ảnh. Chuyển đổi ảnh truy vấn (ảnh màu) sang ảnh đa

cấp xám. Tính lược đồ Histogram ở mức xám để biến các frame ảnh thu được

dưới dạng lược đồ mức xám. Qua đó xác định lược đồ mức xám của các frame

ảnh.

Thuật toán Áp dụng độ đo Euclid tương tự để so sánh các frame ảnh dạng

lược đồ mức xám này với ảnh ban đầu.

3.2.3. KẾT QUẢ THỰC NGHIỆM VÀ ĐÁNH GIÁ

* Dưới đây sẽ là giao diện của chương trình:

- Input hình ảnh vào và nhấn nút Find, Chọn file camera đường phố nguồn.

Kết quả trả về 5 ảnh có độ đo tương tự với ảnh cần tra cứu, sắp xếp theo

thứ tự từ trên xuống trong các khung hình được lấy từ file camera đường phố.

Chương trình thực nghiệm được thiết kế chạy tự động trên mỗi

CSDL riêng biệt sau đó ghi kết quả ra tệp để thực hiện so sánh, đánh giá sau này.

Đối với mỗi CSDL ảnh, chương trình thực nghiệm trên cửa sổ chọn

ảnh và tương ứng với số lượng ảnh trả về khác nhau trong CSDL, độ đo Euclid sẽ

được sử dụng để so sánh.

Để đánh giá hiệu năng của hệ thống tra cứu, Đánh giá sẽ dựa trên độ đo

Chính xác (precision) và Bao phủ (recall).

Dưới đây là thực nghiệm chương trình. Đã thực hiện 25 lần thực nghiệm để

đánh giá và đưa ra kết quả.

Kết quả mẫu, thực nghiệm và đánh giá:

Lần 5: Kết quả ảnh tra cứu trùng khớp với frame ảnh trong camera khi đánh giá

so sánh trực quan.

Hình 3.1 : Giao diện thực nghiệm lần 5

Lần 7: Kết quả ảnh tra cứu trùng khớp với frame ảnh trong camera khi đánh giá

so sánh trực quan.

Hình 3.2 : Giao diện thực nghiệm lần 7

Lần 10: Kết quả ảnh tra cứu trùng khớp với frame ảnh trong camera khi đánh

giá so sánh trực quan.

Hình 3.3 : Giao diện thực nghiệm lần 10

Lần 12: Kết quả ảnh tra cứu khác với các frame ảnh có trong camera khi đánh

giá so sánh dựa trên độ đo Euclid, có sự tương tự nhỏ, không phải hình ảnh có

trong camera.

Hình 3.7 : Giao diện thực nghiệm lần 12

Lần 15: Kết quả ảnh tra cứu khác với các frame ảnh có trong camera khi đánh

giá so sánh dựa trên độ đo Euclid, có sự tương tự nhỏ, không phải hình ảnh có

trong camera.

Hình 3.8 : Giao diện thực nghiệm lần 15

Lần 20: Kết quả ảnh tra cứu giống hệt với frame ảnh trong camera khi đánh giá

so sánh trực quan.

Hình 3.4 : Giao diện thực nghiệm lần 20

Lần 22: Kết quả ảnh tra cứu trùng khớp một phần trong Frame ảnh khi đánh giá

so sánh trực quan.

Hình 3.6 : Giao diện thực nghiệm lần 22

Lần 25: Kết quả ảnh tra cứu trùng khớp với frame ảnh trong camera khi đánh

giá so sánh trực quan.

Hình 3.5 : Giao diện thực nghiệm lần 25

Chương trình có hiệu suất có thể được quan sát từ bảng dưới đây:

Hình 3.10: Giá trị chính xác để so sánh

Hình 3.11: Chính xác so với thu hồi

Mặc dù có sự cải thiện nhỏ về hiệu suất về độ chính xác và thu hồi, độ

phức tạp thời gian của hệ thống được đề xuất là chính xác.

No. of matches Precision

5

0.7

7

0.65

10

0.6

12

0.6

15

0.58

20

0.64

22

0.5

25

0.75

Bảng 3.1 Giá trị chính xác để so sánh

Precision

Recall

0.5

0.45

0.6

0.63

0.65

0.68

0.7

0.75

0.77

0.8

0.85

Bảng 3.2 Chính xác và thu hồi

Dựa trên nội dung hiệu quả bằng cách quan sát. Số liệu đối sánh được sử

dụng để trích xuất các kết quả khớp chính xác và truy xuất các ảnh trên cơ sở

xếp hạng.

* Đá nh giá:

Trong chương trình này, So sánh ảnh tra cứu và các frame ảnh trích xuất từ

file camera đường phố, tính lược đồ Histogram mức xám dạng đồ thị để so sánh,

đánh giá hiệu suất và trả về kết quả mong muốn.

Khi đưa vào hình ảnh thì chương trình tự động có tính toán biểu đồ của

hình ảnh đầu vào, bước tiếp theo, chương trình đọc một tệp video được ghi lại

bằng camera đường phố, nhấn nút Find sẽ tự động tách từng khung hình của tệp

video. và so sánh So sánh với biểu đồ tệp hình ảnh đầu vào, cứ như vậy cho đến

khi các khung kết thúc và chương trình sẽ chọn khung có độ tương tự cao nhất để

trả về kết quả.

Kết quả của chương trình cho thấy đây có thể chỉ là bước đầu tiên đơn

giản của việc áp dụng thuật toán để so sánh hai hình với nhau. Nền móng có thể

được áp dụng trong quy trình khớp hình ảnh theo thời gian sau này.

CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN TIẾP THEO

Trong thực tế có nhiều nghiên cứu được các lập trình viên thực hiện để

đưa ra những phương pháp tìm kiếm khác nhau.

Vấn đề nghiên cứu của tôi bước đầu đã đạt được một số kết quả khả quan

trên, nhưng đối với các truy vấn cấp cao thì chưa áp dụng vào. Hơn nữa, vấn đề

thời gian trong truy vấn ảnh cũng cần được quan tâm khi hệ thống được mở rộng.

Những vấn đề đã được giải quyết trong luận văn:

Tìm hiểu 1 số độ đo tương tự, độ đo tương tự dựa trên Histogram

Giới thiệu phương pháp tra cứu ảnh dựa trên lược đồ Histogram mức xám.

Xây dựng chương trình thực nghiệm để tra cứu ảnh đầu vào, so khớp với

các frame trong file camera đường phố, đánh giá hiệu năng và kết luận ảnh trong

file camera hay không.

Những vấn đề còn hạn chế:

Do thời gian tìm hiểu còn hạn chế, Trong quá trình nghiên cứu, tôi nhận

thấy mức độ thành công của các thuật toán tôi mới chỉ dừng ở mức độ nghiên

cứu quy mô nhỏ và còn nhiều phần chưa thực hiện được:

Chưa cài đặt các kĩ năng tăng hiệu năng của hệ thống bằng cách sử dụng

thêm biểu đồ màu.

Chưa xây dựng được chức năng tra cứu ảnh theo kết hợp nhiều đặc điểm.

Độ chính xác của chương trình chưa quá tốt vì chỉ sử dụng lược đồ xám,

dẫn tới những trường hợp trả kết quả về không chính xác.

Trong thời gian tới, nếu có cơ hội. Tôi hy vọng sẽ giải quyết được những

vấn đề còn tồn tại trên để xây dựng được một chương trình thực sự hữu ích, đáp

ứng được những yêu cầu của bài toán.

Tôi xin chân thành cảm ơn!

TÀI LIỆU THAM KHẢO

1. J.Eakins, M.Graham (2004), “Content-based Image Retrieval”: A report

to the JISC Technology Applications Programme, University of

Northumbria at Newcastle.

2. Longin J. Latecki, R. Lamkaemper, D. Wolter (2005), “Optimal Partial

Shape Similarity”, Dept. of Computer and Infomation Sciences Temple

University.

3. M. A. Stricker and M. Orengo (1995), “Similarity of color images. In

Proc. of the SPIE conference on the Storage and Retrieval for Image and

Video Databases III”, pages 381–392.

4. Palaniraja Sivakumar (2004), “Image Similarity Based on Color and

Texture”, Report for CIS751 MS Project.

5. Sebe N, Lew (2001), “Texture Features for Content-based Retrieval”:

Principles of visual Information Retrieval.

6. Đỗ Năng Toàn, Phạm Việt Bình (2008). Xử lý ảnh. Nhà xuất bản Khoa

học và kỹ thuật.

7. Peter Howarth, Stefan Ruger (2000), Evaluation of Texture Features for

Content-based Image Retrieval, Department of Computing, Imperial

College London.

8. Eva M.van Rikxoort (2005), “Content-based Image Retrieval Utilizing

Color, Texture, and Shape”, Master’s thesis in AI Radbound University

Nijmegen The Netherlands.

9. Quynh, N. H. and Tao, N. Q (2008), “Combining color and spatial

information for retrieving landscape images”, In Proc. of IEEE on Image

and Signal Processing, vol.2, pp. 480-484.

10. Fuhui Long, Hongjiang Zhang, David Dagan Feng (2002), Fundamentals

of Content-based Image Retrieval, in Multimedia Information Retrieval

and Management - Technological Fundamentals and Applications.

11. Randy Crane (1997), A simplied approach to Image Processing: clasical

and modern technique in C, Prentice Hall, ISBN 0-13-226616-1.