Luận văn thạc sĩ: Nghiên cứu kỹ thuật phát hiện đối tượng ảnh dựa vào kết cấu

Luận văn thạc sĩ nghiên cứu vnu uet nghiên cứu một số kỹ thuật phát hiện đối tượng ảnh dựa vào kết cấu và ứng dụng luận văn ths, đánh giá hiện trạng, phân tích vấn đề, đề xuất

• Tác giả: Hoàng Vĩnh Thái
• Trường học: Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nghiên Cứu Kỹ Thuật Phát Hiện Đối Tượng Ảnh Dựa Vào Kết Cấu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2006
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ KẾT CẤU VÀ PHÁT HIỆN ĐỐI TƯỢNG
• 1.1. Tổng quan về kết cấu và ứng dụng
• 1.2. Phát hiện đối tượng dựa vào kết cấu
• 2. CHƯƠNG 2: CÁC PHƯƠNG PHÁP BIỂU DIỄN KẾT CẤU
• 2.1. Biểu diễn hình học
• 2.2. Biểu diễn thống kê
• 2.3. Biểu diễn dựa vào mô hình
• 2.4. Biểu diễn dựa trên kỹ thuật xử lý tín hiệu
• 3. CHƯƠNG 3: ỨNG DỤNG
• 3.1. Phân tích bài toán
• 3.2. Xây dựng phương pháp biểu diễn kết cấu
• 3.3. Xây dựng chức năng phân loại đối tượng
• 3.4. Thực nghiệm minh họa
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về kỹ thuật phát hiện đối tượng ảnh dựa vào kết cấu

Kỹ thuật phát hiện đối tượng ảnh dựa vào kết cấu là một lĩnh vực quan trọng trong thị giác máy tính. Nó giúp máy tính hiểu và phân tích hình ảnh một cách chính xác hơn. Kết cấu cung cấp thông tin phong phú về bề mặt của đối tượng, từ đó hỗ trợ cho việc nhận diện và phân loại. Việc áp dụng các phương pháp phân tích kết cấu giúp cải thiện độ chính xác trong các ứng dụng như giám sát giao thông, kiểm tra chất lượng sản phẩm và phân tích ảnh y học.

1.1. Định nghĩa và vai trò của kết cấu trong phát hiện đối tượng

Kết cấu được định nghĩa là các tính chất thể hiện ra bên ngoài của một đối tượng. Nó đóng vai trò quan trọng trong việc nhận diện và phân loại đối tượng trong ảnh. Các đặc trưng của kết cấu như tính giống đường, tính trật tự và tính gồ ghề giúp máy tính phân tích và hiểu rõ hơn về bề mặt của đối tượng.

1.2. Các ứng dụng thực tiễn của kỹ thuật phát hiện đối tượng

Kỹ thuật phát hiện đối tượng dựa vào kết cấu được ứng dụng rộng rãi trong nhiều lĩnh vực. Ví dụ, trong giám sát giao thông, nó giúp nhận diện và phân loại các phương tiện. Trong y học, kỹ thuật này hỗ trợ phân tích hình ảnh y tế để phát hiện bệnh lý. Ngoài ra, nó còn được sử dụng trong kiểm tra chất lượng sản phẩm công nghiệp.

II. Vấn đề và thách thức trong phát hiện đối tượng ảnh

Mặc dù kỹ thuật phát hiện đối tượng dựa vào kết cấu mang lại nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức. Một trong những vấn đề lớn nhất là sự đa dạng và phức tạp của kết cấu tự nhiên. Điều này làm cho việc phân tích và nhận diện trở nên khó khăn. Ngoài ra, việc thiếu các định nghĩa chính xác về kết cấu cũng gây khó khăn trong việc phát triển các thuật toán hiệu quả.

2.1. Sự đa dạng của kết cấu tự nhiên

Kết cấu tự nhiên rất đa dạng và phức tạp, điều này gây khó khăn cho việc phân tích. Các đặc trưng của kết cấu có thể thay đổi theo điều kiện ánh sáng, góc nhìn và chất liệu của đối tượng. Do đó, việc phát triển các phương pháp phân tích kết cấu hiệu quả là một thách thức lớn.

2.2. Thiếu định nghĩa chính xác về kết cấu

Hiện tại, chưa có một định nghĩa chính xác nào về kết cấu trong lĩnh vực xử lý ảnh. Điều này dẫn đến sự không đồng nhất trong các phương pháp phân tích và đánh giá chất lượng của các hệ thống phát hiện đối tượng. Việc thiếu lý thuyết cơ bản cũng làm cho việc phát triển các thuật toán trở nên khó khăn.

III. Phương pháp chính trong phát hiện đối tượng ảnh dựa vào kết cấu

Có nhiều phương pháp khác nhau được áp dụng trong phát hiện đối tượng ảnh dựa vào kết cấu. Các phương pháp này thường sử dụng các kỹ thuật phân tích hình ảnh để trích xuất đặc trưng kết cấu. Một số phương pháp phổ biến bao gồm biểu diễn hình học, biểu diễn thống kê và biểu diễn dựa vào mô hình.

3.1. Biểu diễn hình học trong phát hiện đối tượng

Biểu diễn hình học là một trong những phương pháp cơ bản trong phát hiện đối tượng. Nó sử dụng các đặc trưng hình học của đối tượng để nhận diện và phân loại. Phương pháp này thường được áp dụng trong các hệ thống nhận diện khuôn mặt và phân tích hình ảnh y tế.

3.2. Biểu diễn thống kê và ứng dụng của nó

Biểu diễn thống kê sử dụng các thông số thống kê để mô tả kết cấu của đối tượng. Phương pháp này giúp máy tính phân tích và nhận diện các đặc trưng kết cấu một cách hiệu quả. Nó thường được sử dụng trong các ứng dụng như phân loại ảnh và nhận diện mẫu.

3.3. Biểu diễn dựa vào mô hình và kỹ thuật xử lý tín hiệu

Biểu diễn dựa vào mô hình sử dụng các mô hình toán học để mô tả kết cấu. Kỹ thuật xử lý tín hiệu cũng được áp dụng để cải thiện độ chính xác trong việc phát hiện đối tượng. Các phương pháp này thường được sử dụng trong các ứng dụng phức tạp như phân tích ảnh vệ tinh và giám sát an ninh.

IV. Ứng dụng thực tiễn của kỹ thuật phát hiện đối tượng ảnh

Kỹ thuật phát hiện đối tượng ảnh dựa vào kết cấu đã được áp dụng trong nhiều lĩnh vực khác nhau. Các ứng dụng này không chỉ giúp cải thiện độ chính xác mà còn tăng cường hiệu quả trong việc xử lý và phân tích hình ảnh. Một số ứng dụng tiêu biểu bao gồm giám sát giao thông, phân tích ảnh y tế và kiểm tra chất lượng sản phẩm.

4.1. Ứng dụng trong giám sát giao thông

Trong giám sát giao thông, kỹ thuật phát hiện đối tượng giúp nhận diện và phân loại các phương tiện. Điều này hỗ trợ cho việc quản lý giao thông và đảm bảo an toàn trên đường. Hệ thống có thể tự động phát hiện các vi phạm giao thông và đưa ra cảnh báo kịp thời.

4.2. Ứng dụng trong phân tích ảnh y tế

Kỹ thuật này cũng được áp dụng trong phân tích ảnh y tế để phát hiện các bệnh lý. Việc sử dụng thông tin kết cấu giúp cải thiện độ chính xác trong việc chẩn đoán và điều trị. Các hệ thống có thể tự động phát hiện các dấu hiệu bất thường trong hình ảnh y tế.

4.3. Ứng dụng trong kiểm tra chất lượng sản phẩm

Trong ngành công nghiệp, kỹ thuật phát hiện đối tượng giúp kiểm tra chất lượng sản phẩm. Hệ thống có thể tự động phát hiện các lỗi và khuyết tật trên bề mặt sản phẩm, từ đó nâng cao chất lượng và hiệu quả sản xuất.

V. Kết luận và tương lai của nghiên cứu phát hiện đối tượng ảnh

Nghiên cứu về kỹ thuật phát hiện đối tượng ảnh dựa vào kết cấu đang ngày càng phát triển. Mặc dù còn nhiều thách thức, nhưng tiềm năng ứng dụng của nó là rất lớn. Trong tương lai, việc phát triển các phương pháp mới và cải tiến các thuật toán hiện có sẽ giúp nâng cao độ chính xác và hiệu quả trong việc phát hiện đối tượng.

5.1. Tương lai của nghiên cứu phát hiện đối tượng

Nghiên cứu trong lĩnh vực này sẽ tiếp tục mở rộng với sự phát triển của công nghệ. Các phương pháp mới sẽ được phát triển để cải thiện độ chính xác và hiệu quả. Việc áp dụng trí tuệ nhân tạo và học máy cũng sẽ đóng vai trò quan trọng trong việc nâng cao khả năng phát hiện đối tượng.

5.2. Những thách thức cần vượt qua

Mặc dù có nhiều tiềm năng, nhưng vẫn còn nhiều thách thức cần phải vượt qua. Việc phát triển các định nghĩa chính xác về kết cấu và cải thiện các phương pháp phân tích sẽ là những vấn đề quan trọng trong nghiên cứu tiếp theo. Sự hợp tác giữa các nhà nghiên cứu và ngành công nghiệp cũng sẽ giúp thúc đẩy sự phát triển của lĩnh vực này.

Nội dung chính

Tổng quan nghiên cứu

Trong lĩnh vực thị giác máy tính, phân tích kết cấu ảnh đóng vai trò then chốt trong việc hiểu và phát hiện đối tượng trong ảnh số. Theo ước tính, việc sử dụng thông tin kết cấu đã góp phần nâng cao độ chính xác của các hệ thống giám sát giao thông, kiểm tra chất lượng sản phẩm công nghiệp, và phân tích ảnh y học. Tuy nhiên, việc biểu diễn và phân tích kết cấu vẫn là thách thức lớn do tính đa dạng và phức tạp của kết cấu tự nhiên. Mục tiêu nghiên cứu của luận văn là xây dựng và đánh giá các kỹ thuật phát hiện đối tượng dựa trên kết cấu ảnh, tập trung vào việc phát triển các module xử lý và phân loại đối tượng dựa trên đặc trưng kết cấu bề mặt.

Phạm vi nghiên cứu tập trung vào ứng dụng trong điều khiển chất lượng sản phẩm vải sợi trên dây chuyền công nghiệp tại môi trường phòng xưởng với điều kiện ánh sáng ổn định và khoảng cách camera cố định. Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả phát hiện lỗi sản phẩm, giảm thiểu sai sót trong sản xuất và tăng năng suất. Các chỉ số hiệu quả được đánh giá bao gồm độ chính xác phân loại, tốc độ xử lý và khả năng nhận dạng trong điều kiện biến đổi ảnh như quay, co giãn và thay đổi tỷ lệ xám.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính về biểu diễn kết cấu ảnh:

• Biểu diễn thống kê: Mô tả kết cấu qua các phân bố thống kê của mức xám trong ảnh, bao gồm các đặc trưng Tamura (độ thô, độ tương phản, độ định hướng), ma trận đồng xuất hiện (Co-occurrence Matrices), và toán tử Local Binary Pattern (LBP).
• Biểu diễn dựa vào mô hình: Sử dụng các mô hình xác suất như Trường ngẫu nhiên Markov (MRF), mô hình tự thoái lui đồng thời (SAR) để mô hình hóa sự phụ thuộc không gian của các điểm ảnh, từ đó biểu diễn kết cấu một cách có cấu trúc.

Ngoài ra, các phương pháp xử lý tín hiệu số như bộ lọc Gabor và biến đổi dạng sóng (Wavelet Transform) cũng được áp dụng để phân tích phổ tần số của kết cấu, hỗ trợ trích xuất đặc trưng đa độ phân giải và đa hướng.

Ba khái niệm chuyên ngành trọng tâm bao gồm:

• Kết cấu (Texture): Tính chất thể hiện sự sắp xếp và biến thiên của các phần tử bề mặt trong ảnh.
• Phát hiện đối tượng (Object Detection): Quá trình xác định và phân loại các đối tượng trong ảnh dựa trên đặc trưng trích xuất.
• Local Binary Pattern (LBP): Toán tử biểu diễn kết cấu dựa trên sự so sánh mức xám giữa điểm ảnh trung tâm và các điểm lân cận, tạo thành mã nhị phân đặc trưng.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là chuỗi ảnh chụp bề mặt sản phẩm vải sợi trên dây chuyền công nghiệp trong điều kiện ánh sáng ổn định. Cỡ mẫu nghiên cứu khoảng vài trăm ảnh với các mẫu lỗi và không lỗi được ghi nhận để huấn luyện và kiểm thử hệ thống.

Phương pháp phân tích bao gồm:

• Tiền xử lý ảnh để nâng cao chất lượng và chuẩn hóa ảnh đầu vào.
• Trích xuất đặc trưng kết cấu bằng toán tử LBP kết hợp với các đặc trưng thống kê như ma trận đồng xuất hiện.
• Giảm chiều dữ liệu đặc trưng bằng các kỹ thuật chọn lọc đặc trưng nhằm tối ưu tốc độ xử lý.
• Phân loại đối tượng sử dụng bộ phân loại K láng giềng gần nhất (K-NN) và phân loại Bayes, đánh giá độ chính xác phân loại qua các chỉ số như tỷ lệ phân loại đúng đạt khoảng 79-91% tùy phương pháp.

Timeline nghiên cứu kéo dài trong khoảng 12 tháng, bao gồm các giai đoạn thu thập dữ liệu, phát triển thuật toán, thử nghiệm và đánh giá hiệu quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của toán tử LBP trong trích xuất đặc trưng kết cấu: LBP cho phép biểu diễn kết cấu một cách hiệu quả với số chiều đặc trưng thấp, giúp tăng tốc độ xử lý. Thống kê histogram LBP trên toàn ảnh cung cấp vector đặc trưng có khả năng phân biệt các loại kết cấu khác nhau với độ chính xác phân loại đạt khoảng 85%.

2. So sánh các phương pháp biểu diễn kết cấu: Ma trận đồng xuất hiện và mô hình MRF cho kết quả phân loại chất lượng bề mặt thép với độ chính xác khoảng 79,36%, trong khi các phương pháp phổ như biến đổi dạng sóng và bộ lọc Gabor đạt độ chính xác cao hơn trong phân loại ảnh vệ tinh mây (đến 91-98%).

3. Tối ưu hóa hệ thống phát hiện lỗi vải sợi: Việc kết hợp trích xuất đặc trưng LBP với bộ phân loại K-NN giúp phát hiện các lỗi bề mặt như vết bẩn, mảng bám với độ chính xác cao và đáp ứng yêu cầu thời gian thực trong dây chuyền sản xuất.

4. Khả năng chịu biến đổi ảnh: Các đặc trưng kết cấu được lựa chọn có tính bất biến với các thao tác như quay ảnh, co giãn và thay đổi tỷ lệ xám, đảm bảo độ ổn định của hệ thống phát hiện đối tượng trong điều kiện thực tế.

Thảo luận kết quả

Nguyên nhân của hiệu quả cao đến từ việc LBP kết hợp ưu điểm của biểu diễn cấu trúc và thống kê, cho phép mô tả chi tiết kết cấu cục bộ mà không bị ảnh hưởng nhiều bởi biến đổi ánh sáng. So với các phương pháp mô hình phức tạp như MRF, LBP có ưu thế về tốc độ và đơn giản trong tính toán, phù hợp với ứng dụng thời gian thực.

Kết quả phân loại trên ảnh vệ tinh cho thấy các phương pháp phổ tần số như biến đổi dạng sóng và bộ lọc Gabor phù hợp với các kết cấu có tính định hướng và chu kỳ cao, trong khi các phương pháp thống kê thích hợp hơn với kết cấu ngẫu nhiên và phức tạp.

Việc lựa chọn phương pháp biểu diễn kết cấu cần cân nhắc giữa độ chính xác và chi phí tính toán, đặc biệt trong các ứng dụng công nghiệp yêu cầu xử lý nhanh. Các biểu đồ so sánh độ chính xác phân loại giữa các phương pháp có thể minh họa rõ ràng sự khác biệt hiệu quả.

Đề xuất và khuyến nghị

1. Áp dụng toán tử Local Binary Pattern (LBP) làm phương pháp trích xuất đặc trưng chính nhằm tối ưu hóa tốc độ xử lý và độ chính xác phát hiện lỗi trên bề mặt sản phẩm vải sợi. Thời gian thực hiện: 3-6 tháng. Chủ thể thực hiện: nhóm phát triển phần mềm thị giác máy tính.

2. Kết hợp bộ phân loại K láng giềng gần nhất (K-NN) với kỹ thuật giảm chiều dữ liệu để nâng cao hiệu quả phân loại và giảm thiểu sai số. Thời gian thực hiện: 2 tháng. Chủ thể thực hiện: nhóm nghiên cứu thuật toán.

3. Triển khai hệ thống thử nghiệm trong môi trường sản xuất thực tế để đánh giá khả năng ứng dụng và điều chỉnh tham số phù hợp với điều kiện ánh sáng và tốc độ dây chuyền. Thời gian thực hiện: 4 tháng. Chủ thể thực hiện: phòng kỹ thuật và vận hành dây chuyền.

4. Nâng cao khả năng chịu biến đổi ảnh bằng cách tích hợp các kỹ thuật tiền xử lý ảnh như chuẩn hóa ánh sáng, xoay ảnh tự động để đảm bảo tính ổn định của hệ thống trong các điều kiện thực tế đa dạng. Thời gian thực hiện: 3 tháng. Chủ thể thực hiện: nhóm phát triển phần mềm.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành thị giác máy tính và xử lý ảnh số: Nghiên cứu các phương pháp biểu diễn kết cấu và ứng dụng trong phát hiện đối tượng, đặc biệt là kỹ thuật LBP và mô hình MRF.

2. Kỹ sư phát triển hệ thống kiểm tra chất lượng sản phẩm công nghiệp: Áp dụng các kỹ thuật phát hiện lỗi dựa trên kết cấu ảnh để nâng cao độ chính xác và tự động hóa trong dây chuyền sản xuất.

3. Chuyên gia trong lĩnh vực giám sát giao thông và an ninh sinh trắc học: Tìm hiểu cách sử dụng thông tin kết cấu để phân loại và nhận dạng đối tượng trong các hệ thống giám sát và bảo mật.

4. Nhà phát triển phần mềm ứng dụng xử lý ảnh y học và phân tích tài liệu: Tham khảo các kỹ thuật biểu diễn kết cấu để cải thiện khả năng phân đoạn và nhận dạng trong ảnh y học và tài liệu số hóa.

Câu hỏi thường gặp

1. Kết cấu ảnh là gì và tại sao nó quan trọng trong phát hiện đối tượng?
   Kết cấu ảnh thể hiện sự sắp xếp và biến thiên của các phần tử bề mặt trong ảnh, cung cấp thông tin phong phú về đặc điểm bề mặt mà màu sắc hay hình dạng không thể hiện đầy đủ. Ví dụ, trong kiểm tra chất lượng vải sợi, kết cấu giúp phát hiện các lỗi nhỏ không rõ ràng qua màu sắc.

2. Phương pháp Local Binary Pattern (LBP) hoạt động như thế nào?
   LBP so sánh mức xám của điểm ảnh trung tâm với các điểm lân cận, tạo thành mã nhị phân đặc trưng cho kết cấu cục bộ. Phương pháp này đơn giản, nhanh và có khả năng chịu biến đổi ánh sáng tốt, phù hợp cho ứng dụng thời gian thực.

3. Tại sao cần kết hợp nhiều phương pháp biểu diễn kết cấu?
   Mỗi phương pháp có ưu nhược điểm riêng và phù hợp với loại kết cấu khác nhau. Ví dụ, ma trận đồng xuất hiện tốt với kết cấu ngẫu nhiên, trong khi bộ lọc Gabor hiệu quả với kết cấu định hướng. Kết hợp giúp tăng độ chính xác và tính linh hoạt của hệ thống.

4. Làm thế nào để đảm bảo hệ thống phát hiện đối tượng hoạt động hiệu quả trong điều kiện thực tế?
   Cần tối ưu hóa tốc độ xử lý, chọn đặc trưng có tính bất biến với các biến đổi ảnh, và thực hiện tiền xử lý ảnh để chuẩn hóa điều kiện ánh sáng. Thử nghiệm trong môi trường thực tế cũng rất quan trọng để điều chỉnh tham số phù hợp.

5. Phân loại có giám sát và không giám sát khác nhau như thế nào trong phát hiện đối tượng?
   Phân loại có giám sát sử dụng tập mẫu đã gán nhãn để huấn luyện bộ phân loại, trong khi phân loại không giám sát tự động nhận dạng các nhóm đối tượng mà không cần dữ liệu huấn luyện. Phân loại có giám sát thường cho độ chính xác cao hơn nhưng yêu cầu dữ liệu chuẩn bị kỹ lưỡng.

Kết luận

• Luận văn đã xây dựng và đánh giá thành công các kỹ thuật phát hiện đối tượng dựa trên kết cấu ảnh, đặc biệt là toán tử Local Binary Pattern kết hợp bộ phân loại K-NN.
• Các phương pháp biểu diễn kết cấu thống kê và mô hình xác suất như ma trận đồng xuất hiện và MRF được chứng minh có hiệu quả trong phân loại kết cấu phức tạp.
• Hệ thống phát hiện lỗi bề mặt vải sợi đáp ứng yêu cầu thời gian thực và có độ chính xác phân loại cao, phù hợp ứng dụng công nghiệp.
• Việc lựa chọn phương pháp biểu diễn kết cấu cần cân nhắc giữa độ chính xác và chi phí tính toán, đồng thời kết hợp với các kỹ thuật tiền xử lý ảnh để tăng tính ổn định.
• Các bước tiếp theo bao gồm triển khai thử nghiệm thực tế, tối ưu hóa thuật toán và mở rộng ứng dụng sang các lĩnh vực khác như giám sát giao thông và y học.

Khuyến nghị các nhà nghiên cứu và kỹ sư ứng dụng triển khai thử nghiệm hệ thống trong môi trường sản xuất thực tế để đánh giá và hoàn thiện giải pháp phát hiện đối tượng dựa trên kết cấu ảnh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ KẾT CẤU VÀ PHÁT HIỆN ĐỐI TƯỢNG 1.1 Tổng quan về kết cấu và ứng dụng 1.1 Định nghĩa kết cấu Kết cấu (của bề mặt của vật thể) trong tự nhiên là một khái niệm chung mà ngƣời ta có thể quy cho mọi vật. Có khá nhiều định nghĩa về kết cấu của đối tƣợng trong tự nhiên. Theo từ điển Webster, 1986 kết cấu “Là cấu trúc hoặc một sự sắp xếp cơ sở, một kết hợp chặt chẽ của hầu hết các phần tử riêng lẻ tạo nên một đối tượng” Theo từ điển Oxford, 1989 “Là sự tổ chức, cấu trúc, hoặc chất liệu của bất kỳ những gì hình thành nên một đối tượng” Nói chung, ngƣời ta có thể hiểu một cách chung nhất kết cấu là các tính chất thể hiện ra bên ngoài có thể nhìn thấy và tiếp xúc đƣợc của một đối tƣợng nào đó. Nhiều ví dụ minh họa về kết cấu nhƣ kết cấu của cát, của khói, của vân tay ngƣời,… Đối với con ngƣời, thể hiện của kết cấu liên quan đến các cấu trúc cục bộ của bề mặt đƣợc lặp đi lặp lại về mặt không gian.

Các cấu trúc này đƣợc hình thành từ một hay một vài phần tử cơ bản (Primitives) riêng biệt. Nó chứa các thông tin quan trọng về sự sắp xếp cấu trúc của bề mặt. Kết cấu gạch Kết cấu vân tay Kết cấu mây Kết cấu đất Hình 1.1 : Ví dụ về kết cấu 7 LUAN VAN CHAT LUONG download : add [e-mail] Trong lĩnh vực xử lý ảnh số, tính chất kết cấu của ảnh đƣợc thể hiện thông qua sự biến thiên về màu sắc và cƣờng độ của ảnh. Mặc dù không thể có thông tin về nguyên nhân sự biến thiên này nhƣng thông tin về sự khác nhau của của các pixel trong ảnh đã đƣa ra nhiều phƣơng pháp để xác định kết cấu của đối tƣợng.

Tuy nhiên từ trƣớc đến nay chƣa ai có thể đƣa ra đƣợc một định nghĩa chính xác về mặt toán học (định nghĩa cho xử lý số) cho kết cấu của đối tƣợng trong ảnh số. Theo [1], Haralick (1973):“Kết cấu rất khó để có được một định nghĩa chính xác”. Mƣời năm sau, Cross & Jain (1983) đƣa ra một định nghĩa đơn giản hơn:“ Chúng ta xem xét một kết cấu như là một ảnh hai chiều với tính chất tương đối chu kỳ và ngẫu nhiên”. Nhƣng mƣời ba năm sau việc định nghĩa kết cấu cũng không rõ ràng hơn: “Kết cấu mặc dù thiếu một định nghĩa chính xác nhưng lại có rất nhiều ứng dụng trong lĩnh vực thị giác máy tính (Jain & Karu 1996)”.

Với việc thiếu những lý thuyết cơ bản và thống nhất nhƣ vậy đã làm cho việc phân tích kết cấu kém thuyết phục và không đồng nhất ít ra là về mặt phƣơng pháp luận theo quan điểm của các nhà toán học. Và cũng do đó việc đánh giá chất lƣợng của các hệ thống sử dụng tính kết cấu của ảnh phần nhiều đều mang tính kinh nghiệm. Tuy vậy cũng có rất nhiều nghiên cứu trong việc tạo ra và sử dụng các độ đo kết cấu đƣợc áp dụng nhiều trong các hệ thống thị giác máy tính. Trong các nghiên cứu đó, việc đƣa ra các kỹ thuật sử dụng kết cấu phụ thuộc rất nhiều vào mô hình kết cấu đƣợc sử dụng và phân loại.

Một số tác giả đã phân loại kết cấu theo sự thể hiện của chúng. Một cách phân loại kết cấu hay đƣợc sử dụng là phân chia chúng thành hai nhóm chính, kết cấu ngẫu nhiên (Stochastic –hình 1.3) và kết cấu xác định đƣợc (Deterministic- hình 1. 8 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.2: Ví dụ về kết cấu đƣợc xác định Hình 1.3: Ví dụ về kết cấu ngẫu nhiên Trong [2], theo cách phân chia này Tamura (1978) đƣa ra các đặc trƣng mà các hệ thống phân tích kết cấu thƣờng hay sử dụng, gọi tắt là các đặc trƣng Tamura, các đặc tính quan trọng nhất của kết cấu cho hệ thống hình dung của con ngƣời là tính giống đường (Line-likeness), tính trật tự (Regularity), tính gồ ghề (Roughness), tính thô ráp (Coarseness), tính tương phản (Contrast), tính có hướng (Directionality). Ngoài ra theo cách phân loại kết cấu của Rao & Lohse (1993) dựa trên ba chiều trực giao là sự lặp lại – sự không lặp, sự vô hƣớng với sự tƣơng phản cao - có hƣớng với sự tƣơng phản thấp, độ mịn – độ hạt của kết cấu, kết cấu đƣợc phân chia theo sự đồng nhất về không gian của chúng thành ba loại: kết cấu đồng nhất, kết cấu đồng nhất yếu (hình 1.4), kết cấu không đồng nhất.

Dựa trên cách phân loại này một số độ đo kết cấu (Texture Measures) đã đƣợc nghiên cứu và áp dụng cho các hệ thống thị giác máy tính [1]. 9 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.4: Ví dụ về kết cấu đồng nhất yếu 1.2 Các ứng dụng của kết cấu Trong lĩnh vực thị giác máy tính thông tin kết cấu đóng một vai trò quan trọng. Trong hầu hết các ứng dụng, các kỹ thuật đƣợc phát triển cho việc phân tích kết cấu tập trung vào việc tìm một mô tả kết cấu một cách hiệu quả, tổng quát [ 1, 10, 11, 12]. Mục đích chính là để cho máy tính có thể sử dụng các thao tác toán học cho việc thay thế, so sánh cũng nhƣ chuyển đổi kết cấu.

Các giải thuật phân tích kết cấu hầu hết liên quan đến việc chọn lọc, xác định các đặc trƣng kết cấu và biểu diễn các đặc trƣng này dƣới một dạng mà máy tính có thể hiểu đƣợc. Các giải thuật khác nhau có các đặc trƣng đƣợc chọn lọc và cách biểu diễn các đặc trƣng của kết cấu khác nhau. Với các giải thuật sử dụng tiếp cận thống kê, chúng đặc tả kết cấu qua các thông kê tín hiệu của ảnh hay các tính chất phân bố không gian của tín hiệu ảnh. Với các giải thuật sử dụng cách tiếp cận theo phổ của ảnh (Spectral), chúng đặc tả kết cấu theo miền phổ.

Các giải thuật tiếp cận theo mô hình kết cấu có cấu trúc, chúng đặc tả các kết cấu nhƣ là phân cấp theo sự sắp xếp không gian của các đối tƣợng cơ bản. Cũng tƣơng tự nhƣ mô hình xác suất cho giải thuật phân tích kết cấu. kết cấu đƣợc đặc tả dƣới dạng hàm phân bố. Có 4 dạng ứng dụng chính của kết cấu dựa trên các kỹ thuật phân tích kết cấu vừa nêu.

10 LUAN VAN CHAT LUONG download : add [e-mail]  Phân loại kết cấu Phân loại kết cấu là các ứng dụng gán mỗi kết cấu đã cho tới các lớp kết cấu khác nhau đƣợc định nghĩa trƣớc. Có hai phƣơng pháp phân loại kết cấu chính là phân loại có giám sát (Supervised) và phân loại không giám sát (Unsupervised). Phân loại kết cấu có giám sát là kỹ thuật có cung cấp các ví dụ mẫu về các lớp kết cấu nhƣ là một tập huấn luyện, bộ phân loại sẽ sử dụng các mẫu này để học về tính chất của kết cấu. Phân loại không giám sát không yêu cầu tri thức về các mẫu huấn luyện cho trƣớc.

Nó có thể tự động nhận ra các lớp khác nhau từ các mẫu đầu vào. Một loại phân loại kết cấu khác ít khi đƣợc sử dụng là phân loại kết cấu nửa giám sát (Semi-supervised), loại phân loại này yêu cầu một phần nhỏ tri thức cần phải biết trƣớc cho nhận dạng. Quá trình phân loại bao gồm hai trạng thái chính. Thứ nhất là quá tình xác định các đặc trƣng của kết cấu, tùy vào từng ứng dụng sẽ có các cách lấy đặc trƣng khác nhau sao cho phù hợp và chính xác với mỗi loại kết cấu.

Các đặc trƣng này sẽ đƣợc biểu diễn dƣới dạng các độ đo đặc trƣng. Việc chọn các đặc trƣng là đặc biệt quan trọng và thƣờng phải đảm bảo các yêu cầu về sự không thay đổi với các thao tác chuyển ảnh nhƣ dịch ảnh, quay ảnh, hay phóng to, thu nhỏ ảnh. Lý tƣởng nhất là các độ đo định lƣợng của kết cấu đầu vào gần một cách tối đa với độ đo của các kết cấu tƣơng tự. Tuy nhiên việc thiết kế một bộ xác định kết cấu có khả năng ứng dụng một cách tổng thể là một vấn đề khó và nó thƣờng yêu cầu một số tri thức trong các lĩnh vực hẹp.

Trạng thái thứ hai là quá trình phân loại, bộ phân loại sẽ dựa trên các độ đo đặc trƣng để phân các kết cấu đầu vào vào các lớp thích hợp. Bộ phân loại đƣợc xem nhƣ một hàm với đầu vào độ đo của các đặc trƣng của kết cấu đầu vào và đầu ra là lớp kết cấu tƣơng ứng. Trong phân loại có giám sát ngƣời ta thƣờng sử dụng bộ phân loại K láng giềng gần nhất (K-nearest neighbour). Đây là bộ phân loại mà kết cấu đầu vào đƣợc xác định bằng cách tính toán khoảng cách với K trƣờng hợp huấn luyện gần nhất.

Hàm khoảng cách đƣợc tính toán dựa trên không gian đặc trƣng nhiều 11 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Các khoảng cách Euclidean, Chi-square, và Kullback-Leibler là các khoảng cách đƣợc sử dụng chính để đo độ tƣơng tự của hai vector đặc trƣng. Đây là các phƣơng pháp phân loại không tham số. Một số phƣơng pháp phân loại khác dựa vào giả thiết về sự phân bố xác suất của vector đặc trƣng thƣờng đƣợc gọi với tên phân loại có tham số.

Phân loại kết cấu có thể sắp xếp các dữ liệu ảnh thành các thông tin có thể hiểu đƣợc một cách dễ dàng. Điều này làm cho nó có nhiều ứng dụng rộng rãi trong các lĩnh vực nhƣ truy vấn ảnh dựa vào nội dung, các ứng dụng ảnh y học, các ứng dụng kiểm tra chất lƣợng công nghiệp hay các ứng dụng về nhận dạng vân tay, mặt ngƣời, tròng mắt trong các ứng dụng về an ninh sinh trắc học …  Phân đoạn kết cấu Phân đoạn kết cấu là các loại ứng dụng phân chia một ảnh thành các vùng riêng biệt dựa vào thuộc tính kết cấu của bề mặt của các vùng. Các vùng này là các vùng có cùng một thuộc tính kết cấu nào đó. Kết quả của quá trình phân đoạn dựa vào kết cấu có thể làm đầu vào cho các quá trình xử lý và phân tích ảnh về sau (chẳng hạn nhƣ nhận dạng đối tƣợng).

Cũng nhƣ quá trình phân loại kết cấu, phân đoạn kết cấu cũng gồm hai trạng thái chính là xác định các độ đo đặc trƣng và sử dụng các thông số để cô lập các kết cấu. Tuy nhiên việc phân đoạn các kết cấu phải làm thêm việc dò đƣợc biên của các kết cấu đã đƣợc nhận dạng. Các kỹ thuật phân đoạn kết cấu cũng có thể là giám sát hoặc không giám sát phụ thuộc vào thông tin đƣợc biết trƣớc của ảnh hoặc các lớp kết cấu sẵn có.