CHƯƠNG 1 TỔNG QUAN VỀ NHẬN DẠNG DỰA TRÊN MẠNG NƠ RON TÍCH CHẬP (CNN) 1. KHÁI NIỆM CƠ BẢN TRONG XỬ LÝ ẢNH 1. Điểm ảnh Điểm ảnh (Pixel) là một phần tử của ảnh số tại toạ độ (x, y) với độ xám hoặc màu nhất định. Kích thước và khoảng cách giữa các điểm ảnh đó được chọn thích hợp sao cho mắt người cảm nhận sự liên tục về không gian và mức xám (hoặc màu) của ảnh số gần như ảnh thật.
Mỗi phần tử trong ma trận được gọi là một phần tử ảnh. Ảnh trong thực tế là ảnh liên tục về không gian và độ sáng. Để xử lý bằng máy tính, ảnh cần phải được số hoá. Trong quá trình số hóa, người ta biến đổi gần đúng một ảnh liên tục thành một tập điểm phù hợp với ảnh thật về vị trí (không gian) và độ sáng (mức xám).
Khoảng cách giữa các điểm ảnh đó được thiết lập sao cho mắt người không phân biệt được ranh giới giữa chúng. Mỗi một điểm như vậy gọi là điểm ảnh (PEL: Picture Element) hay gọi tắt là Pixel. Độ phân giải của ảnh (Resolution) Là mật độ điểm ảnh được ấn định trên một ảnh số được hiển thị. Theo định nghĩa, khoảng cách giữa các điểm ảnh phải được chọn sao cho mắt người vẫn thấy được sự liên tục của ảnh.
Việc lựa chọn khoảng cách thích hợp tạo nên một mật độ phân bổ, đó chính là độ phân giải và được phân bố theo trục x và y trong không gian hai chiều. Ví dụ: Độ phân giải của ảnh trên màn hình CGA là một lưới điểm theo chiều ngang màn hình: 320 điểm chiều dọc * 200 điểm ảnh (320*200). Rõ ràng, cùng màn hình CGA 12” ta nhận thấy mịn hơn màn hình CGA 17” độ phân giải 320*200. Lý do: cùng một mật độ (độ phân giải) nhưng diện tích màn hình rộng hơn thì độ mịn (liên tục của các điểm) kém hơn.
Độ phân giải cao B. Độ phân giải thấp Hình 1.1: So sánh ảnh với độ phân giải khác nhau 1. Mức xám của ảnh Mức xám là kết quả sự mã hóa tương ứng một cường độ sáng của mỗi điểm ảnh với một giá trị số - kết quả của quá trình lượng hóa được gán bằng giá trị số tại điểm đó. Dưới đây chúng ta xem xét một số khái niệm và thuật ngữ thường dùng trong xử lý ảnh.
a) Định nghĩa: Mức xám của điểm ảnh là cường độ sáng của nó được gán bằng giá trị số tại điểm đó. b) Các thang giá trị mức xám thông thường: 16, 32, 64, 128, 256 (Mức 256 là mức phổ dụng. Lý do: từ kỹ thuật máy tính dùng 1 byte (8 bit) để biểu diễn mức xám: Mức xám dùng 1 byte biểu diễn: 28 = 256 mức, tức là từ 0 đến 255). Ảnh đen trắng Ảnh đen trắng chỉ bao gồm 2 màu: màu đen và màu trắng.
Người ta phân mức đen trắng đó thành L mức Nếu sử dụng số bit B=8 bít để mã hóa mức đen trắng (hay mức xám) thì L được xác định: L=2B (trong ví dụ của ta L=28 = 256 mức) Nếu L bằng 2, B=1, nghĩa là chỉ có 2 mức: mức 0 và mức 1, còn gọi là ảnh nhị phân. Mức 1 ứng với màu sáng, còn mức 0 ứng với màu tối. Nếu L lớn hơn 2 ta có ảnh đa cấp xám. Nói cách khác, với ảnh nhị phân mỗi điểm ảnh được mã hóa trên 1 11 bit, còn với ảnh 256 mức, mỗi điểm ảnh được mã hóa trên 8 bit.
Như vậy, với ảnh đen trắng: nếu dùng 8 bit (1 byte) để biểu diễn mức xám, số các mức xám có thể biểu diễn được là 256. Mỗi mức xám được biểu diễn dưới dạng là một số nguyên nằm trong khoảng từ 0 đến 255, với mức 0 biểu diễn cho mức cường độ đen nhất và 255 biểu diễn cho mức cường độ sáng nhất. Ảnh nhị phân Ảnh chỉ có 2 mức đen trắng phân biệt tức dùng 1 bit mô tả 21 mức khác nhau. Nói cách khác: mỗi điểm ảnh của ảnh nhị phân chỉ có thể là 0 hoặc 1.
Ảnh nhị phân khá đơn giản, các phần tử ảnh có thể coi như các phần tử logic. Ứng dụng chính của nó được dùng theo tính logic để phân biệt đối tượng ảnh với nền hay để phân biệt điểm biên với điểm khác. Ảnh màu Lý thuyết ba màu cho phép dùng màu R = Red (đỏ), G = Green (xanh lá), B = Blue (xanh dương) để tạo nên thế giới màu. Do đó, người ta thường dùng 3 byte để mô tả mức màu, khi đó các giá trị màu: 2(8*3) = 224 ≈ 16,7 triệu màu.
Đối với một số thiết bị hiển thị màu sắc như màn hình tivi, màn hình máy tính, camera kỹ thuật số,… thường sử dụng hệ màu RGB để hiển thị màu sắc. Nguyên lý làm việc của hệ màu RGB là phát xạ ánh sáng, hay còn gọi là mô hình ánh sáng bổ sung. Các màu được sinh ra từ 3 màu RGB sẽ sáng hơn các màu gốc.2: Hệ màu cơ bản RGB 12 Không gian màu RGB: Là tập các màu thành phần sắp xếp theo hình lập phương của hệ trục toạ độ X, Y, Z. Giá trị của mỗi thành phần màu biến thiên từ 0 - 255.
Đường chéo chính của hình lập phương với sự cân bằng về số lượng từng màu gốc tương ứng với mức độ xám đen là (0, 0, 0) – (255, 255, 255).3: Không gian màu RGB Hệ tọa độ cho không gian màu hình trụ: Giá trị màu thuần khiết (Hue) chạy từ 0 đến 360°. Độ bão hòa màu (Saturation) là mức độ của thuần khiết của màu, có thể hiểu là có bao nhiêu màu trắng được thêm vào màu thuần khiết này. Giá trị của S nằm trong đoạn [0, 1], trong đó S = 1 là màu tinh khiết nhất, hoàn toàn không pha trắng. Nói cách khác, S càng lớn thì màu càng tinh khiết, nguyên chất.
Độ sáng của màu (Value), có khi được gọi là Intensity, Lightness, cũng có giá trị dao động trong đoạn [0, 1], trong đó V = 0 là hoàn toàn tối (đen), V = 1 là hoàn toàn sáng. Nói cách khác, V càng lớn thì màu càng sáng. Biểu diễn ảnh Ảnh trên máy tính là kết quả thu nhận theo các phương pháp số hoá được nhúng trong các thiết bị kỹ thuật khác nhau. Quá trình lưu trữ ảnh nhằm hai mục đích: - Tiết kiệm bộ nhớ.
- Giảm thời gian xử lý Việc lưu trữ thông tin trong bộ nhớ có ảnh hưởng rất lớn đến việc hiển thị, in ấn và xử lý ảnh được xem như là một tập hợp các điểm với cùng kích thước nếu sử dụng càng nhiều điểm ảnh thì bức ảnh càng đẹp, càng mịn và càng thể hiện rõ hơn chi tiết của ảnh người ta gọi đặc điểm này là độ phân giải. Khử nhiễu Có hai loại nhiễu cơ bản trong quá trình thu nhận ảnh: - Nhiều hệ thống: là nhiễu có quy luật có thể khử bằng các phép biến đổi - Nhiễu ngẫu nhiên: vết bẩn không rõ nguyên nhân, cách khắc phục bằng các phép lọc. Nhận dạng ảnh Nhận dạng ảnh là quá trình liên quan đến mô tả đối tượng mà người ta muốn 14 đặc tả nó. Thường đi sau quá trình trích chọn các đặc tính của đối tượng Có hai kiểu mô tả đối tượng: - Mô tả theo tham số (nhận dạng theo tham số) - Mô tả theo cấu trúc (nhận dạng theo cấu trúc) Ứng dụng dung để nhận dạng đối tượng, mặt, vân tay, văn bản Nhận dạng chữ in hoặc đánh máy phục vụ cho việc tự động hoá việc đọc tài liệu, tăng nhanh tốc độ và chất lượng thu nhật thông tin từ máy tính.
Nhận dạng chữ viết tay (với một số ràng buộc) Ngoài ra, mạng nơron là một kỹ thuật mới đang được áp dụng vào nhận dạng và cho kết quả khả quan. NHẬN DẠNG TRÁI CHÍN TRONG VÙNG TRỒNG DỨA DỰA TRÊN MẠNG NƠ RON TÍCH CHẬP Các mô hình học sâu (Deep Learning) tiêu biểu như mô hình mạng Neural tích chập (Convolutional Neural Networks – CNNs) được ứng dụng thành công trong các bài toán phân lớp ảnh, văn bản, nhận dạng tiếng nói. Ưu điểm của các mô hình học sâu là tự động học các đặc trưng của dữ liệu để thiết lập các đặc trưng mới và phân lớp dữ liệu. Vấn đề phân lớp khi gặp số chiều lớn thường gặp rất nhiều khó khăn.
Mô hình phân lớp cho kết quả tốt trên tập huấn luyện nhưng có kết quả thấp trên tập kiểm tra. Vấn đề khó khăn thường gặp chính là dữ liệu có số chiều quá lớn lên đến hàng nghìn chiều và dữ liệu tách rời nhau trong không gian có số chiều lớn nên việc tìm mô hình phân lớp tốt là khó khăn do có quá nhiều khả năng lựa chọn mô hình. Hiện nay, đã có nhiều giải thuật học tự động được nghiên cứu để giải quyết bài toán phân lớp dữ liệu khi có số chiều lớn như: kNN (Fix & Hodges Jr, 1952), cây quyết định CART (Breiman et al, 1984), máy học vector hỗ trợ SVM (Vapnik, 1995). Những năm qua, mô hình học sâu đặc biệt là mạng Neural tích chập CNNs là mô hình được sử dụng phổ biến, cho kết quả cao trong các bài toán phân loại hình ảnh (Krizhevky et al.,2012), phân loại văn bản (Kim, 2014) và gần đây đã công bố nhiều nghiên cứu sử dụng mạng Neural tích chập trong lĩnh vực tin sinh học (Min et 15 al., 2016), nghiên cứu của Li et al., 2014 phân tích ảnh y khoa.
Có thể thấy rằng CNNs cho phép khả năng trích chọn đặc trưng của lớp tích chập và bộ phân lớp được các huấn luyện đồng thời. Đến thời điểm này, có thể nói rằng chưa có nhiều hướng nghiên cứu sử dụng CNNs trong phân lớp và nhận dạng trái chín tại Việt Nam. Trong những năm gần đây, chúng ta chứng kiến được nhiều thành tựu vượt bậc trong ngành Thị giác máy tính (Computer Vision). Các hệ thống xử lý ảnh lớn như Facebook, Google hay Amazon đã đưa vào sản phẩm của mình có những chức năng thông minh như nhận diện khuôn mặt người dùng, phát triển xe hơi tự lái hay giao hàng tự động.
Ở Việt Nam thời gian gần đây đang chú trọng đến lĩnh vực hẹp của công nghệ Trí tuệ nhân tạo (AI), Machine Learning là phương pháp phân tích dữ liệu từ đó tự động hóa việc xây dựng mô hình phân tích. Có thể nói đây là công nghệ rất hứa hẹn mang lại những hỗ trợ tối ưu cho các doanh nghiệp với nhiều ứng dụng trong thế giới thực, ví dụ như: nhận dạng giọng nói và nhận diện hình ảnh. Với nhận diện hình ảnh, có rất nhiều tình huống hệ thống phân loại hình ảnh các đối tượng như một ảnh kỹ thuật số.