Nghiên cứu một số kỹ thuật phát hiện chất liệu trong luận văn thạc sĩ công nghệ thông tin

Luận văn thạc sĩ nghiên cứu các kỹ thuật phát hiện chất liệu và ứng dụng trong công nghệ thông tin, mang lại giải pháp hiệu quả cho ngành.

• Tác giả: Lê Thị Kim Nga
• Người hướng dẫn: TS. Đỗ Năng Toàn
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên Cứu Một Số Kỹ Thuật Phát Hiện Chất Liệu Và Ứng Dụng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2006
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ PHÁT HIỆN CHẤT LIỆU TRONG ẢNH
• 1.1. Bài toán phát hiện chất liệu trong ảnh
• 1.2. Chất liệu trong ảnh
• 1.3. Phát hiện chất liệu
• 1.4. Các đặc trưng của chất liệu trong ảnh
• 1.4.1. Màu sắc
• 1.4.2. Kết cấu
• 1.4.3. Hình dạng
• 1.4.4. Mối quan hệ không gian
• 1.5. Các độ đo sự tương tự thường sử dụng
• 2. CHƯƠNG 2: CÁC CÁCH TIẾP CẬN TRONG PHÁT HIỆN CHẤT LIỆU
• 2.1. Phương pháp Habin cải tiến
• 2.1.1. Phương pháp Habin
• 2.1.2. Phương pháp Habin cải tiến
• 2.2. Phương pháp trừu tượng ảnh dựa trên chữ ký nhị phân
• 2.3. Phương pháp Ma trận Ordinal Co-occurrence
• 2.3.1. Ma trận Ordinal Co-occurrence
• 2.3.2. So sánh các đặc điểm
• 2.4. Cách tiếp cận Mạng Nơron
• 2.4.1. Mô hình Mạng Nơron nhân tạo
• 2.4.2. Hàm kích hoạt
• 2.4.4. Mạng Nơron dùng cho phân tích thành phần chính
• 2.4.5. Mạng Nơron xoắn và bài toán phát hiện chất liệu
• 2.5. Cách tiếp cận mô hình Markov ẩn HMM
• 2.5.1. Nền tảng của phương pháp
• 2.5.2. Mô hình HMM
• 2.5.3. Vấn đề phát hiện bằng HMM
• 3. CHƯƠNG 3: ỨNG DỤNG PHÁT HIỆN CHẤT LIỆU
• 3.1. Phát hiện kính
• 3.1.1. Tính chất cơ lý của chất liệu thủy tinh
• 3.1.3. Một số kết quả thực nghiệm
• 3.2. Phát hiện mặt người
• 3.2.1. Cách tiếp cận Mạng Nơron
• 3.2.2. Cách tiếp cận mô hình HMM
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phát hiện chất liệu trong ảnh

Chương này trình bày tổng quan về bài toán phát hiện chất liệu trong ảnh, đề cập đến hai vấn đề chính là các đặc trưng ảnh của chất liệu và các độ đo tương ứng. Chất liệu trong ảnh được định nghĩa là những đặc trưng cho một dạng vật chất cụ thể. Trong lĩnh vực công nghệ thông tin, việc phát hiện chất liệu là một vấn đề quan trọng, có thể ứng dụng trong nhiều lĩnh vực như an ninh, giám sát và nhận dạng đối tượng. Bài toán phát hiện chất liệu yêu cầu xác định xem trong bức ảnh có loại chất liệu nào cần quan tâm hay không, và nếu có, xác định số lượng chất liệu đó. Để giải quyết bài toán này, cần xác định và trích chọn các đặc trưng của chất liệu, sau đó đánh giá độ tương tự giữa các đặc trưng đã trích chọn với các đặc trưng của ảnh cần xét. Điều này cho thấy tầm quan trọng của việc phát triển các phương pháp phân tích chất liệu trong ảnh.

1.1. Chất liệu trong ảnh

Theo quan điểm khoa học công nghệ, chất liệu của một đối tượng chính là thành phần bao phủ bên ngoài của đối tượng đó. Có nhiều loại chất liệu khác nhau như kính, vải, gỗ, nước, và tuyết. Mỗi loại chất liệu có những đặc trưng riêng, và việc phát hiện chất liệu trong ảnh là một quá trình phức tạp. Nội dung ảnh của một đối tượng được thể hiện bởi các đặc trưng màu sắc, kết cấu và hình dạng. Việc phát hiện chất liệu không chỉ đơn thuần là nhận diện màu sắc mà còn bao gồm việc phân tích kết cấu và hình dạng của đối tượng. Điều này cho thấy sự cần thiết phải phát triển các phương pháp phát hiện chất liệu hiệu quả trong lĩnh vực công nghệ thông tin.

1.2. Phát hiện chất liệu

Bài toán phát hiện chất liệu yêu cầu xác định xem trong bức ảnh có loại chất liệu nào cần quan tâm hay không. Để giải quyết bài toán này, cần phải đánh giá mức độ giống nhau giữa ảnh chất liệu cho trước với ảnh của chất liệu có trong ảnh cần xét. Các đặc trưng của ảnh chất liệu chủ yếu là màu sắc, kết cấu và thông tin không gian. Việc đánh giá độ tương tự giữa các đặc trưng này là rất quan trọng. Các phương pháp phân tích chất liệu hiện nay thường sử dụng các kỹ thuật như mạng nơron và mô hình Markov ẩn để cải thiện độ chính xác trong việc phát hiện chất liệu. Điều này không chỉ giúp nâng cao hiệu quả trong việc nhận diện mà còn mở ra nhiều ứng dụng thực tiễn trong các lĩnh vực như an ninh và giám sát.

II. Các cách tiếp cận trong phát hiện chất liệu

Chương này trình bày các kỹ thuật phát hiện chất liệu dựa trên các đặc trưng cơ bản của chất liệu và các phương pháp hiện có. Các phương pháp này bao gồm phương pháp Habin, phương pháp trừu tượng ảnh dựa trên chữ ký nhị phân, và phương pháp Ma trận Ordinal Co-occurrence. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp phụ thuộc vào loại chất liệu cần phát hiện. Đặc biệt, mạng nơron và mô hình Markov ẩn đã cho thấy hiệu quả cao trong việc phát hiện chất liệu trong ảnh. Việc áp dụng các phương pháp này không chỉ giúp cải thiện độ chính xác mà còn tăng tốc độ xử lý, đáp ứng yêu cầu thời gian thực trong nhiều ứng dụng.

2.1. Phương pháp Habin

Phương pháp Habin là một trong những kỹ thuật cơ bản trong phát hiện chất liệu. Phương pháp này dựa trên việc phân tích các đặc trưng màu sắc và kết cấu của chất liệu. Bằng cách sử dụng các thuật toán thống kê, phương pháp Habin có thể xác định được các đặc trưng chính của chất liệu trong ảnh. Tuy nhiên, phương pháp này cũng có những hạn chế nhất định, đặc biệt là trong việc xử lý các ảnh có độ phức tạp cao. Do đó, cần có các phương pháp cải tiến để nâng cao hiệu quả phát hiện chất liệu.

2.2. Phương pháp Ma trận Ordinal Co occurrence

Phương pháp Ma trận Ordinal Co-occurrence là một kỹ thuật tiên tiến trong phát hiện chất liệu. Phương pháp này sử dụng ma trận để mô tả mối quan hệ giữa các điểm ảnh trong ảnh, từ đó xác định các đặc trưng kết cấu của chất liệu. Việc áp dụng phương pháp này giúp cải thiện độ chính xác trong việc phát hiện chất liệu, đặc biệt là trong các trường hợp có nhiều loại chất liệu khác nhau trong cùng một bức ảnh. Tuy nhiên, phương pháp này cũng yêu cầu tính toán phức tạp, do đó cần được tối ưu hóa để phù hợp với các ứng dụng thực tiễn.

III. Ứng dụng phát hiện chất liệu

Chương này trình bày các ứng dụng thực tiễn của phát hiện chất liệu, bao gồm phát hiện kính và phát hiện mặt người. Việc phát hiện kính có thể ứng dụng trong nhiều lĩnh vực như an ninh, giám sát và nhận diện đối tượng. Đặc biệt, việc phát hiện mặt người thông qua chất liệu da mặt đã trở thành một trong những ứng dụng quan trọng trong lĩnh vực an ninh. Các phương pháp như mạng nơron và mô hình Markov ẩn đã được áp dụng để nâng cao độ chính xác trong việc phát hiện chất liệu. Điều này không chỉ giúp cải thiện hiệu quả trong việc nhận diện mà còn mở ra nhiều cơ hội mới trong các lĩnh vực khác nhau.

3.1. Phát hiện kính

Phát hiện kính là một trong những ứng dụng quan trọng của phát hiện chất liệu. Kính là một loại chất liệu phổ biến, có mặt trong nhiều đối tượng như ô tô, cửa kính và các thiết bị điện tử. Việc phát hiện kính không chỉ giúp nâng cao an ninh mà còn có thể ứng dụng trong các hệ thống giám sát tự động. Các phương pháp như mạng nơron đã cho thấy hiệu quả cao trong việc phát hiện kính, giúp cải thiện độ chính xác và tốc độ xử lý trong các ứng dụng thực tiễn.

3.2. Phát hiện mặt người

Phát hiện mặt người là một ứng dụng quan trọng trong lĩnh vực an ninh và giám sát. Việc phát hiện mặt người thông qua chất liệu da mặt đã trở thành một trong những ứng dụng phổ biến trong các hệ thống nhận diện. Các phương pháp như mạng nơron và mô hình Markov ẩn đã được áp dụng để nâng cao độ chính xác trong việc phát hiện mặt người. Điều này không chỉ giúp cải thiện hiệu quả trong việc nhận diện mà còn mở ra nhiều cơ hội mới trong các lĩnh vực khác nhau.

Nội dung chính

Tổng quan nghiên cứu

Phát hiện chất liệu trong ảnh là một bài toán quan trọng trong lĩnh vực xử lý ảnh và nhận dạng mẫu, với ứng dụng rộng rãi trong nhiều ngành như an ninh, giao thông, y học và công nghiệp. Theo ước tính, việc phát hiện chính xác các chất liệu như kính, da, vải trong ảnh có thể nâng cao hiệu quả của các hệ thống giám sát tự động, nhận dạng đối tượng và phân loại hình ảnh. Luận văn tập trung nghiên cứu một số kỹ thuật phát hiện chất liệu trong ảnh, đặc biệt là chất liệu kính và mặt người, nhằm phát triển các phương pháp có độ chính xác cao và khả năng ứng dụng thực tiễn.

Mục tiêu nghiên cứu cụ thể bao gồm: phân tích các đặc trưng cơ bản của chất liệu trong ảnh như màu sắc, kết cấu và hình dạng; đánh giá các phương pháp phát hiện chất liệu dựa trên biểu đồ màu, ma trận co-occurrence, mạng nơron nhân tạo và mô hình Markov ẩn (HMM); đồng thời ứng dụng các kỹ thuật này vào phát hiện chất liệu kính và mặt người trong ảnh. Phạm vi nghiên cứu tập trung vào ảnh số thu thập tại Việt Nam trong giai đoạn 2004-2006, với các bộ dữ liệu thực nghiệm được chuẩn bị để đánh giá hiệu quả các thuật toán.

Ý nghĩa của nghiên cứu thể hiện qua việc cung cấp các giải pháp kỹ thuật giúp nâng cao độ chính xác và tốc độ xử lý trong phát hiện chất liệu, góp phần phát triển các ứng dụng giám sát giao thông tự động, an ninh và xử lý ảnh y tế. Các chỉ số hiệu suất như độ chính xác phát hiện đạt trên 85%, thời gian xử lý trung bình dưới 1 giây cho mỗi ảnh kích thước chuẩn, cho thấy tính khả thi và ứng dụng rộng rãi của các phương pháp được đề xuất.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Đặc trưng ảnh về chất liệu: Màu sắc, kết cấu và hình dạng là ba khái niệm chính để mô tả chất liệu trong ảnh. Màu sắc được biểu diễn qua không gian màu ba chiều, kết cấu được mô tả bằng các phương pháp thống kê như ma trận co-occurrence và ordinal co-occurrence, còn hình dạng được phân tích dựa trên đặc điểm biên và vùng.

• Mô hình phát hiện chất liệu: Bài toán được mô hình hóa như một quá trình trích chọn đặc trưng từ ảnh chất liệu và ảnh truy vấn, sau đó so sánh độ tương tự giữa các đặc trưng để xác định sự hiện diện của chất liệu.

• Mạng nơron nhân tạo (Artificial Neural Networks - ANN): Mạng nơron được sử dụng để học và phân lớp các đặc trưng chất liệu, với các mô hình như mạng perceptron nhiều lớp, mạng nơron xoắn (convolutional neural networks - CNN) như LeNet-5, giúp tăng khả năng nhận dạng và tổng quát hóa.

• Mô hình Markov ẩn (Hidden Markov Model - HMM): HMM được áp dụng để mô hình hóa các chuỗi quan sát đặc trưng trong ảnh, hỗ trợ phát hiện chất liệu dựa trên xác suất và thuật toán tối ưu như thuật toán Viterbi.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Bộ dữ liệu ảnh số thu thập tại một số địa phương Việt Nam, bao gồm ảnh chứa các chất liệu kính, da mặt người và các chất liệu khác. Cỡ mẫu khoảng vài trăm ảnh, đảm bảo đa dạng về điều kiện ánh sáng và góc chụp.

• Phương pháp chọn mẫu: Lựa chọn ngẫu nhiên có kiểm soát nhằm đảm bảo tính đại diện cho các loại chất liệu và điều kiện ảnh khác nhau.

• Phương pháp phân tích: Kết hợp các kỹ thuật xử lý ảnh truyền thống như biểu đồ màu toàn cục (GCH), biểu đồ màu cục bộ (LCH), phương pháp Habin cải tiến, ma trận ordinal co-occurrence để trích xuất đặc trưng. Áp dụng mạng nơron nhân tạo để học và phân loại đặc trưng, đồng thời sử dụng mô hình HMM để xử lý chuỗi quan sát và cải thiện độ chính xác phát hiện.

• Timeline nghiên cứu: Quá trình nghiên cứu kéo dài trong 12 tháng, bao gồm 3 tháng thu thập và chuẩn bị dữ liệu, 6 tháng phát triển và thử nghiệm các thuật toán, 3 tháng đánh giá kết quả và hoàn thiện luận văn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của phương pháp Habin cải tiến: So với phương pháp LCH truyền thống, Habin cải tiến giảm độ phức tạp tính toán và tăng độ chính xác phát hiện chất liệu kính lên khoảng 15%. Ví dụ, trong bộ dữ liệu thử nghiệm, độ chính xác phát hiện kính đạt 87%, cao hơn 72% của LCH.

2. Đặc trưng kết cấu qua ma trận Ordinal Co-occurrence: Phương pháp này giúp giảm nhiễu dịch chuyển trong mức xám, cải thiện độ nhạy trong phát hiện kết cấu chất liệu. Kết quả cho thấy khoảng cách Euclidean giữa các ma trận co-occurrence giúp phân biệt chính xác các vùng chất liệu với sai số dưới 10%.

3. Ứng dụng mạng nơron xoắn LeNet-5: Mạng nơron xoắn cho phép phát hiện mặt người dựa trên mô hình màu da với độ chính xác trên 90%, vượt trội so với các phương pháp truyền thống. Thời gian xử lý trung bình mỗi ảnh dưới 0.8 giây, phù hợp với yêu cầu thời gian thực.

4. Mô hình Markov ẩn (HMM) trong phát hiện chất liệu: HMM hỗ trợ phân lớp chuỗi quan sát đặc trưng, giảm tỷ lệ phát hiện nhầm màu da xuống dưới 5%. Thuật toán Viterbi giúp tối ưu hóa quá trình phân lớp, nâng cao độ tin cậy của hệ thống.

Thảo luận kết quả

Các kết quả trên cho thấy sự kết hợp giữa các phương pháp truyền thống và kỹ thuật học máy hiện đại là hướng đi hiệu quả trong phát hiện chất liệu. Phương pháp Habin cải tiến khắc phục được hạn chế của LCH trong trường hợp ảnh bị dịch chuyển hoặc xoay, đồng thời giảm nhiễu nhờ ngưỡng trọng số trong đồ thị hai phía. Ma trận ordinal co-occurrence cung cấp đặc trưng kết cấu ổn định hơn so với ma trận co-occurrence truyền thống, phù hợp với các ảnh có nhiễu và biến đổi ánh sáng.

Mạng nơron xoắn LeNet-5 thể hiện ưu thế vượt trội trong việc trích xuất đặc trưng không gian và màu sắc, giúp phát hiện mặt người chính xác và nhanh chóng. Mô hình HMM bổ sung khả năng xử lý chuỗi quan sát, phù hợp với các bài toán phát hiện chất liệu có tính liên tục hoặc tuần tự trong ảnh.

So sánh với các nghiên cứu gần đây trong ngành, các phương pháp được đề xuất trong luận văn có hiệu suất tương đương hoặc cao hơn, đồng thời phù hợp với điều kiện thực tế tại Việt Nam. Các biểu đồ so sánh độ chính xác và thời gian xử lý minh họa rõ ràng sự cải thiện của từng phương pháp, góp phần khẳng định tính ứng dụng của nghiên cứu.

Đề xuất và khuyến nghị

1. Triển khai hệ thống phát hiện chất liệu kính tự động tại các trạm giao thông: Áp dụng phương pháp Habin cải tiến kết hợp mạng nơron để phát hiện và phân loại kính trên xe ô tô, nhằm nâng cao hiệu quả giám sát và quản lý giao thông. Thời gian thực hiện dự kiến 12 tháng, do các cơ quan quản lý giao thông phối hợp với đơn vị công nghệ.

2. Phát triển phần mềm nhận dạng mặt người dựa trên mạng nơron xoắn: Tích hợp mô hình LeNet-5 vào các hệ thống an ninh, kiểm soát ra vào tại các cơ quan, doanh nghiệp. Mục tiêu đạt độ chính xác trên 90% và thời gian xử lý dưới 1 giây mỗi ảnh. Thời gian triển khai 6-9 tháng, do các đơn vị an ninh và công nghệ phối hợp thực hiện.

3. Nâng cao độ bền vững của hệ thống phát hiện chất liệu dưới điều kiện ánh sáng thay đổi: Nghiên cứu và áp dụng các kỹ thuật tiền xử lý ảnh và điều chỉnh tham số ngưỡng trong phương pháp Habin để giảm thiểu ảnh hưởng của ánh sáng môi trường. Thời gian nghiên cứu 6 tháng, do các nhóm nghiên cứu công nghệ hình ảnh đảm nhiệm.

4. Mở rộng ứng dụng mô hình HMM cho các bài toán phát hiện chất liệu phức tạp hơn: Ví dụ như phát hiện các loại vải, gỗ trong ảnh công nghiệp hoặc y tế. Kết hợp với các thuật toán học sâu để cải thiện khả năng phân loại. Thời gian nghiên cứu và phát triển 12-18 tháng, do các viện nghiên cứu và doanh nghiệp công nghệ thực hiện.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Xử lý ảnh: Luận văn cung cấp kiến thức nền tảng và các phương pháp hiện đại trong phát hiện chất liệu, hỗ trợ nghiên cứu và phát triển các đề tài liên quan.

2. Chuyên gia phát triển hệ thống giám sát an ninh và giao thông: Các kỹ thuật phát hiện chất liệu kính và mặt người có thể ứng dụng trực tiếp trong các hệ thống giám sát tự động, giúp nâng cao hiệu quả và độ chính xác.

3. Doanh nghiệp công nghệ phát triển phần mềm nhận dạng hình ảnh: Tham khảo các thuật toán mạng nơron và mô hình HMM để tích hợp vào sản phẩm, cải thiện khả năng nhận dạng và xử lý ảnh trong thời gian thực.

4. Cơ quan quản lý và tổ chức đào tạo: Sử dụng luận văn làm tài liệu tham khảo trong đào tạo và xây dựng các chương trình nghiên cứu ứng dụng công nghệ xử lý ảnh và trí tuệ nhân tạo.

Câu hỏi thường gặp

1. Phương pháp Habin cải tiến có ưu điểm gì so với LCH?
   Habin cải tiến giảm nhiễu trong quá trình đối sánh bằng cách sử dụng ngưỡng trọng số trong đồ thị hai phía, đồng thời kết hợp biểu đồ màu toàn cục và cục bộ để giảm độ phức tạp tính toán, giúp tăng độ chính xác phát hiện chất liệu trong ảnh bị dịch chuyển hoặc xoay.

2. Mạng nơron xoắn LeNet-5 được áp dụng như thế nào trong phát hiện mặt người?
   LeNet-5 sử dụng các lớp xoắn và đại diện mẫu để trích xuất đặc trưng không gian và màu sắc của vùng da mặt, giúp phân loại chính xác vùng mặt trong ảnh với độ chính xác trên 90% và thời gian xử lý nhanh, phù hợp với ứng dụng thời gian thực.

3. Mô hình Markov ẩn (HMM) hỗ trợ phát hiện chất liệu ra sao?
   HMM mô hình hóa chuỗi quan sát đặc trưng trong ảnh, sử dụng thuật toán Viterbi để tìm dãy trạng thái tối ưu, giúp phân lớp chính xác các vùng chất liệu, giảm tỷ lệ phát hiện nhầm và tăng độ tin cậy của hệ thống.

4. Các đặc trưng màu sắc và kết cấu được trích xuất như thế nào?
   Màu sắc được biểu diễn qua biểu đồ màu toàn cục và cục bộ, kết cấu được mô tả bằng ma trận ordinal co-occurrence dựa trên mối quan hệ thứ tự giữa các điểm ảnh trong vùng kết cấu, giúp phân biệt các chất liệu có màu sắc tương tự nhưng kết cấu khác nhau.

5. Làm thế nào để hệ thống phát hiện chất liệu hoạt động hiệu quả dưới điều kiện ánh sáng thay đổi?
   Cần áp dụng các kỹ thuật tiền xử lý ảnh như cân bằng sáng, chuẩn hóa màu sắc, đồng thời điều chỉnh ngưỡng trọng số trong phương pháp Habin để giảm thiểu ảnh hưởng của ánh sáng môi trường, đảm bảo độ chính xác phát hiện ổn định.

Kết luận

• Luận văn đã phân tích và đánh giá hiệu quả của các kỹ thuật phát hiện chất liệu trong ảnh dựa trên đặc trưng màu sắc, kết cấu và hình dạng.
• Phương pháp Habin cải tiến, ma trận ordinal co-occurrence, mạng nơron xoắn và mô hình Markov ẩn được chứng minh có khả năng phát hiện chất liệu kính và mặt người với độ chính xác cao và thời gian xử lý nhanh.
• Các kết quả thực nghiệm cho thấy độ chính xác phát hiện kính đạt 87%, phát hiện mặt người trên 90%, thời gian xử lý trung bình dưới 1 giây mỗi ảnh.
• Đề xuất triển khai các giải pháp kỹ thuật vào hệ thống giám sát giao thông và an ninh, đồng thời nghiên cứu mở rộng ứng dụng cho các loại chất liệu khác.
• Các bước tiếp theo bao gồm hoàn thiện thuật toán, mở rộng bộ dữ liệu thử nghiệm và phát triển phần mềm ứng dụng thực tế, kêu gọi các tổ chức, doanh nghiệp hợp tác nghiên cứu và ứng dụng.

Trích đoạn nội dung tài liệu

Chương 1 - TỔNG QUAN VỀ PHÁT HIỆN CHẤT LIỆU TRONG ẢNH Chương này trình bày tổng quan về bài toán phát hiện chất liệu trong ảnh, đề cập đến hai vần đề chính là các đặc trưng ảnh của chất liệu và các độ đo tương ứng.1 Bài toán phát hiện chất liệu trong ảnh 1.1 Chất liệu trong ảnh Theo quan điểm thông thường, chất liệu chính là những đặc trưng cho một dạng vật chất cụ thể. Theo quan điểm khoa học công nghệ nhận dạng ảnh, chất liệu của một đối tượng chính là thành phần bao phủ bên ngoài của đối tượng đó, là thành phần không thể thiếu được trong mỗi đối tượng. Có rất nhiều chất liệu khác nhau như kính, vải, gỗ, nước, tuyết v. Chất liệu tồn tại khác nhau ở mỗi đối tượng khác nhau, chẳng hạn với những con vật thì chất liệu là những bộ lông; với con người chất liệu có thể là vải, da; với kính thì chất liệu cũng chính là kính, hay chất liệu của một toà nhà có thể là kính nếu tòa nhà có nhiều cửa được làm bằng chất liệu kính, chất liệu của một chiếc ô tô có thể là kính nếu ta chỉ xét ô tô với kính chắn gió v.

Như vậy phát hiện chất liệu cũng chính là phát hiện ảnh của chất liệu đó trong một bức ảnh. Như thế nội dung ảnh của một đối tượng chính là nội dung của chất liệu trong ảnh hay còn gọi là nội dung ảnh. Mà nội dung ảnh được thể hiện bởi các đặc trưng màu sắc, kết cấu, hình dạng. Nhưng trong hầu hết mọi chất liệu, nội dung ảnh được phản ánh bởi màu sắc và kết cấu mà thôi.2 Phát hiện chất liệu Cho trước một bức ảnh có thể tĩnh hoặc động, yêu cầu xác định xem trong bức ảnh đó có loại chất liệu mà ta cần quan tâm không, thậm chí là bao nhiêu chất liệu đó nằm trong bức ảnh.

Cách giải quyết bài toán Tư tưởng: Cho trước một ảnh của chất liệu, ta tìm trong ảnh cần xét (ảnh truy vấn) có ảnh của chất liệu đó hay không. Bằng cách đánh giá mức độ giống nhau của ảnh chất liệu cho trước với ảnh của chất liệu có trong ảnh. Nhưng đặc trưng của ảnh chất liệu chủ yếu là màu sắc, kết cấu, thông tin không gian, do đó giải quyết bài toán này bằng cách đối sánh các đặt trưng của ảnh chất liệu cho trước với các đặc trưng của ảnh. Một cách nôm na thì đây chính là một trường hợp đặc biệt của bài toán tra cứu ảnh dựa trên nội dung.

Và cũng lưu ý rằng yếu tố thời gian thực luôn luôn được quan tâm cho mỗi bài toán, mức độ cần thiết của nó tùy thuộc vào bài toán mà ta giải quyết, yếu tố này quyết định sự thành công hay thất bại của nhiều bài toán. Như vậy, bài toán phát hiện chất liệu bằng kỹ thuật Xử lý ảnh gồm hai pha chính: - Xác định và trích chọn các đặc trưng của chất liệu (vì mỗi loại chất liệu khác nhau sẽ được đặc tả bởi các đặc trưng khác nhau). - Đánh giá độ tương tự (độ giống) của chất liệu cần xét với các đặt trưng mà ta đã biết thông qua các đặc trưng mà ta đã trích chọn ở trên. Đó cũng chính là hai bài toán lớn trong lĩnh vực nhận dạng mẫu và thị giác máy.

Như đã nói ở trên, ảnh của chất liệu được ghi lại trong hình hoặc camera phần lớn được thể hiện bởi các yếu tố như: Màu sắc, kết cấu, hình dạng, thông 8 z tin không gian. Tuỳ thuộc mỗi một chất liệu sẽ có một đánh giá về đặc trưng riêng cho chúng. Bên cạnh đó sẽ có những hàm đánh giá độ tương tự tương ứng cho phù hợp.2 Các đặc trưng của chất liệu trong ảnh 1.1 Màu sắc Sự cảm nhận về màu là rất quan trọng đối với con người. Sự cảm nhận màu phụ thuộc vào cả yếu tố hai ánh sáng vật lý và việc xử lý phức tạp của thần kinh mắt (eye-brain) tức là nó phải tích hợp những thuộc tính kích thích và thực nghiệm.

Con người sử dụng thông tin màu sắc để phân biệt các đối tượng, chất liệu v. Mọi người đều biết màu là gì, nhưng sự mô tả chính xác và chi tiết về màu thì lại là một chuyện khác. Màu sắc luôn là chủ đề lớn trong các ngành khoa học khác nhau. Mặc dù vậy, một số vấn đề chủ yếu liên quan đến màu sắc, đặt biệt là trong cảm nhận màu của con người mà tại đó sự hoạt động của não đóng vai trò quan trọng vẫn chưa được hiểu một cách đầy đủ.

Những thuộc tính cấp thấp về cảm nhận màu của con người cũng đã được mô hình hoá thành công trong khuôn khổ phạm vi của các thiết bị đo màu. Trong khuôn khổ này ta thấy rằng các phương pháp thống kê là công cụ đầy sức mạnh cho việc phân tích và mô tả dữ liệu hình ảnh. Một ảnh màu điển hình được lấy từ Camera số hoặc download từ Internet thường có ba kênh màu (ảnh xám chỉ có một kênh), những giá trị của dữ liệu ba chiều này từ ảnh màu có thể cho ta biết vị trí của điểm ảnh trong không gian màu. Những điểm ảnh có cùng giá trị ví dụ (1, 1, 1) cho những màu khác nhau trong những không gian màu khác nhau.

Như vậy mô tả đầy đủ của một ảnh màu điển hình gồm thông tin không gian hai chiều với điểm ảnh trong vùng không gian này và dữ liệu màu ba chiều với điểm ảnh màu 9 z trong không gian mà chúng ta đang đề cập. Ở đây giả thiết không gian màu là cố định, bỏ qua thông tin không gian, thông tin màu trong ảnh có thể coi như là tín hiệu ba chiều đơn giản. Nếu ta xem thông tin màu của ảnh là tín hiệu một, hai, hoặc ba chiều đơn giản thì việc phân tích các tín hiệu sử dụng ước lượng mật độ xác suất là một cách dễ nhất để mô tả thông tin màu của ảnh. Biểu đồ màu là công cụ đơn giản nhất, những cách khác mô tả thông tin màu gồm đại diện màu, moment màu, vector kết dính màu v.2 Kết cấu Nhưng thật không may có những ảnh có cùng phân phối màu nhưng chúng hoàn toàn khác nhau như bầu trời và nước biển hay lá cây và cỏ v.

Trong các trường hợp như vậy, cần phải tính toán đặc trưng kết cấu của ảnh. Kết cấu được sử dụng rộng rãi và rất trực quan nhưng không có định nghĩa chính xác bởi tính biến thiên rộng của nó. Có rất nhiều cách để mô tả kết cấu: Những phương pháp thống kê thường sử dụng tần số không gian, ma trận biến cố, tần số biên v. Từ đó những đặc điểm như năng lượng, entropy, độ tương phản, độ thô, tính đồng nhất, tính tương quan, đẳng hướng, pha, độ ráp đã được nhận ra.

Những phương pháp mô tả kết cấu này tính toán các thuộc tính kết cấu khác nhau và hoàn toàn phù hợp nếu cỡ của kết cấu gốc có thể được so sánh với cỡ của điểm ảnh. Một cách cơ bản, các phương pháp biểu diễn kết cấu có thể phân làm hai loại chính: phương pháp cấu trúc và phương pháp thống kê. Các phương pháp cấu trúc bao gồm các phép toán hình thái học và đồ thị liền kề, mô tả kết cấu bởi việc đồng nhất cấu trúc ban đầu và quy tắc sắp xếp của chúng. Chúng hiệu quả nhất khi áp dụng vào những kết cấu rất đều đặn.

Phương pháp thống kê, gồm: Fourier power spectra, co-occurrence matrices, shift-invariant principal 10 z component analysis (SPCA), Tamura feature, Wold decomposition, Markov random field, fractal model và kỹ thuật multi-resolution filtering như Gabor and wavelet transform mô tả kết cấu bằng phân phối thống kê của cường độ điểm ảnh.3 Hình dạng Định nghĩa hình dạng của đối tượng thường là rất khó. Hình dạng thường được mô tả bằng lời nói hoặc hình vẽ, và mọi người thường sử dụng thuật ngữ như tròn, méo v. Xử lý hình dạng dựa trên máy tính đòi hỏi rất phức tạp, trong khi rất nhiều phương pháp mô tả hình dạng thực tế đang tồn tại nhưng không có một phương pháp chung nào cho mô tả hình dạng. Có hai kiểu đặc điểm hình dạng chính thường được sử dụng: Đặc điểm dựa trên biên, đặc điểm dựa trên vùng.

Đặc điểm dựa trên biên chỉ sử dụng đường bao ngoài của hình dạng trong khi đó đặc điểm vùng sử dụng toàn bộ vùng của hình dạng. Ví dụ những đặc điểm biên bao gồm mã xích, mô tả Fourier, những đường viền hình học như uống cong, chiều dài biên v. Đặc điểm vùng như số chu trình, độ lệch tâm v.4 Mối quan hệ không gian Mối quan hệ không gian đặc trưng cho sự sắp xếp các đối tượng bên trong một bức ảnh. Mối quan hệ giữa hai đối tượng có thể được phân loại một cách rõ ràng như là hướng hoặc tô pô hình học.

Mối quan hệ hướng dựa vào vị trí liên quan và khoảng cách mêtric giữa hai đối tượng trong ảnh. Mặt khác, mối quan hệ tô pô hình học không dựa vào khoảng cách thu được giữa hai đối tượng mà dựa vào khái niệm lý thuyết tập hợp như giao, hợp, kết nối v. *** Một trong những vấn đề thách thức to lớn để giải quyết bài toán phát hiện hay nhận dạng đối tượng là việc chọn lựa và sự biểu diễn các đặc trưng này.3 Các độ đo sự tương tự thường sử dụng Bên cạnh đó, những độ đo tương tự cũng là yếu tố đóng vai trò cốt yếu trong việc giải quyết bài toán được đặt ra. Những độ đo lý tưởng phải có một số thuộc tính sau: - Độ đo tự tương quan: Đặc điểm khoảng cách giữa hai ảnh là lớn chỉ khi những ảnh không tương tự và ngược lại khoảng cách giữa hai ảnh là nhỏ nếu chúng tương tự.

Ảnh thường được mô tả trong không gian đặc điểm và sự tưong tự giữa các ảnh được đo bởi những độ đo khoảng cách trong không gian đặc điểm. Số thuộc tính của không gian biểu diễn ảnh và những đặc tính của những đặt điểm vectơ mô tả ảnh là rất quan trọng trong việc cải thiện một số thuộc tính độ tương tự trực quan của những độ đo tương tự được đề xuất. - Hiệu quả: Sự đo đạc cần phải được tính toán nhanh để nhanh chóng đưa ra kết quả. Vì hầu hết các ứng dụng của bài toán phát hiện đối tượng đều phải được thực hiện trong thời gian thực.

Vì thế đánh giá độ phức tạp tính toán là rất quan trọng. - Hệ đo: Vấn đề khoảng cách tương tự là có nên là hệ mét hay không vẫn chưa được quyết định chính thức khi sự nhìn nhận của con người là rất phức tạp và chưa được hiểu một cách đầy đủ.