Luận văn: Nhận dạng mặt người dùng PCA-LDA và Mạng Neural

Tìm hiểu về nhận dạng khuôn mặt với PCA, LDA và mạng Neural. Bài viết so sánh, phân tích ưu nhược điểm của từng phương pháp. Ứng dụng thực tế.

• Tác giả: Đỗ Đình Lực
• Người hướng dẫn: PGS. TS. Ngô Quốc Tạo
• Trường học: Trường Đại Học Công Nghệ - Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nghiên cứu phương pháp nhận dạng mặt người dựa trên PCA-LDA và mạng neural
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• 1. CHƯƠNG I: TỔNG QUAN VỀ NHẬN DẠNG MẶT NGƯỜI
• 1.1. Giới thiệu về xử lý ảnh
• 1.1.1. Khái niệm xử lý ảnh số
• 1.1.2. Các ứng dụng của xử lý ảnh số
• 1.1.3. Các bước cơ bản trong xử lý ảnh số
• 1.2. Giới thiệu chung về phân tích ảnh
• 1.2.1. Các ứng dụng của phân tích ảnh
• 1.3. Nhận dạng mặt người
• 1.3.1. Khái niệm nhận dạng mặt người qua ảnh
• 1.3.2. Các ứng dụng của nhận dạng mặt người
• 1.4. Các hướng tiếp cận trong nhận dạng mặt người
• 1.4.1. Trích chọn đặc trưng sử dụng Eigenface
• 1.4.2. Trích chọn đặc trưng sử dụng mô hình Markov ẩn
• 1.4.3. Mẫu nhị phân cục bộ (LBP)
• 1.4.4. Phương pháp phân tích thành phần chính
• 2. CHƯƠNG 2: NHẬN DẠNG KHUÔN MẶT DỰA TRÊN PCA-LDA VÀ MẠNG NƠRON
• 2.1. Phương pháp phân tích thành phần chính (PCA)
• 2.1.1. Cơ sở toán học
• 2.1.2. Kỹ thuật trích chọn đặc trưng PCA
• 2.2. Phương pháp LDA
• 2.3. Phương pháp mạng neural
• 2.3.1. Giới thiệu mạng nơron
• 2.3.2. Hàm kích hoạt và các quy tắc xác định tín hiệu ra
• 2.3.3. Thuật toán học lan truyền ngược
• 3. CHƯƠNG 3: THỰC NGHIỆM
• 3.1. Thiết kế hệ thống
• 3.1.1. Cơ sở dữ liệu ảnh
• 3.1.2. Môi trường cài đặt
• 3.1.3. Giao diện chương trình
• 3.2. Kiểm thử và đánh giá
• TÀI LIỆU THAM KHẢO
• MỞ ĐẦU

Tóm tắt

I. Tổng Quan Ứng Dụng Nhận Dạng Khuôn Mặt Trong Thực Tế

Nhận dạng ảnh, đặc biệt là nhận dạng khuôn mặt, ngày càng quan trọng trong cuộc sống hiện đại, nhất là trong lĩnh vực an ninh. Khuôn mặt mỗi người có những nét đặc trưng riêng. Nhận ra những nét đặc trưng đó chính là nhận ra người đó. Mặc dù không đảm bảo tính duy nhất như vân tay hay võng mạc, việc xây dựng hệ thống nhận dạng mặt đơn giản hơn so với hệ thống nhận dạng vân tay hay mắt. Trong những trường hợp không đòi hỏi quá an toàn và chính xác, hệ thống nhận dạng mặt là một giải pháp hợp lý. Nhận dạng vân tay và võng mạc đòi hỏi việc thu nhận tín hiệu trực tiếp và độ chính xác cao, điều này không thể thực hiện trong nhiều trường hợp, đặc biệt trong khoa học hình sự. Vì thế, trong những trường hợp này, nhận dạng mặt người là một giải pháp tối ưu. Có hai phương pháp nhận dạng phổ biến: dựa trên đặc trưng hình học (Gabor Wavelet, Mạng Nơron) và dựa trên tổng thể khuôn mặt (PCA, LDA). Kết hợp PCA, LDA và mạng Nơron mang lại hiệu quả cao vì nó hoạt động ổn định và có tính thích nghi cao với sự thay đổi về ánh sáng, góc độ của ảnh mặt người. Vì vậy, việc nghiên cứu phương pháp nhận dạng mặt người dựa trên PCA-LDA và mạng neural có ý nghĩa quan trọng. Luận văn này trình bày tổng quan về ứng dụng của xử lý ảnh trong lĩnh vực nhận dạng mặt người, các phương pháp phân tích thành phần chính (PCA), phân tích phân lớp tuyến tính (LDA) và mạng nơron. Sau đó xây dựng phương pháp nhận dạng với bước trích chọn đặc trưng bằng PCA-LDA và nhận dạng bằng mạng nơron, sơ đồ hệ thống nhận dạng khuôn mặt dựa trên PCA-LDA và mạng nơron, kiểm thử đánh giá hiệu suất của hệ thống và đưa ra hướng phát triển của đề tài.

1.1. Lịch Sử Phát Triển và Tầm Quan Trọng của Nhận Dạng Mặt

Nhận dạng khuôn mặt, bắt đầu từ những năm 1970, đã trở thành một trong những ứng dụng thành công nhất của phân tích và xử lý ảnh. Sự phát triển mạnh mẽ của khoa học máy tính và nhu cầu thực tiễn trong các lĩnh vực kinh tế, luật pháp,… đã thúc đẩy sự quan tâm đặc biệt đến vấn đề này. Các hội thảo như AFGR, AVBPA và các đánh giá hệ thống về các kỹ thuật nhận dạng mặt người (FRT), bao gồm phương pháp FERET và XM2VTS, đã được tổ chức. Nhu cầu về các hệ thống thân thiện với người sử dụng đã đảm bảo cho các nghiên cứu về sau không bị lãng phí. Trước đây, việc truy cập ATM đòi hỏi nhập PIN, truy cập máy tính cần mật khẩu. Hiện nay, có nhiều phương pháp nhận dạng có độ tin cậy cao dựa trên các kỹ thuật nhân trắc học, như kỹ thuật phát hiện vân tay hay kỹ thuật quét nhận dạng võng mạc. Tuy nhiên, những hệ thống này có chung nhược điểm là phức tạp và yêu cầu cần có sự phối hợp của nhiều người cùng xử lý. Hệ thống nhận dạng người dựa trên kỹ thuật phân tích ảnh mặt nhìn thẳng đơn giản hơn nhiều, không đòi hỏi có nhiều người cùng xử lý và cũng không đòi hỏi các kiến thức chuyên môn sâu. Chính vì thế, hệ thống nhận dạng người dựa trên kỹ thuật phân tích ảnh mặt đang ngày càng được ứng dụng rộng rãi.

1.2. Các Ứng Dụng Tiêu Biểu của Công Nghệ Nhận Dạng Mặt

Công nghệ nhận dạng mặt người có nhiều ứng dụng trong đời sống. Trong lĩnh vực an toàn thông tin, nó được sử dụng để đăng nhập máy tính, bảo mật ứng dụng, bảo mật cơ sở dữ liệu, mã hóa tệp, bảo mật mạng nội bộ, truy cập Internet, hồ sơ y tế, và các giao dịch an toàn. Trong thực thi pháp luật, nó được dùng để giám sát video nâng cao, kiểm soát CCTV, kiểm soát cổng thông tin, phân tích và giám sát sau sự kiện, theo dõi những người trộm cắp và điều tra nghi phạm. Trong kiểm soát truy cập, nó được sử dụng để kiểm soát truy cập vào cơ sở và phương tiện. Các ứng dụng khác bao gồm bằng lái xe, các chương trình quyền lợi, nhập cư, chứng minh thư quốc gia, hộ chiếu, đăng ký cử tri và phúc lợi. Điều này cho thấy phạm vi ứng dụng của nhận dạng khuôn mặt là vô cùng lớn.

II. Thách Thức Các Yếu Tố Ảnh Hưởng Đến Nhận Dạng Mặt

Mặc dù nhận dạng khuôn mặt đã đạt được nhiều tiến bộ, vẫn còn nhiều thách thức cần vượt qua. Các yếu tố như ánh sáng, góc độ, biểu cảm khuôn mặt, độ tuổi và sự che khuất (ví dụ, đeo kính hoặc khẩu trang) có thể ảnh hưởng đến độ chính xác của hệ thống. Các biến đổi về ánh sáng có thể làm thay đổi đáng kể hình ảnh khuôn mặt, làm cho việc trích xuất các đặc trưng trở nên khó khăn hơn. Góc độ khuôn mặt cũng đóng vai trò quan trọng; các hệ thống thường hoạt động tốt nhất với ảnh chụp chính diện, nhưng hiệu suất giảm đáng kể khi góc nhìn thay đổi. Biểu cảm khuôn mặt cũng gây ra sự biến đổi, vì các cơ mặt thay đổi hình dạng và vị trí của các đặc trưng. Độ tuổi cũng ảnh hưởng đến khuôn mặt, vì da mất đi độ đàn hồi và các nếp nhăn xuất hiện. Các hệ thống nhận dạng khuôn mặt cần phải có khả năng xử lý những biến đổi này để đạt được độ chính xác cao.

2.1. Ảnh Hưởng Của Ánh Sáng và Góc Độ Đến Độ Chính Xác

Ánh sáng và góc độ là hai yếu tố quan trọng ảnh hưởng đến hiệu suất của hệ thống nhận dạng khuôn mặt. Sự thay đổi về ánh sáng có thể làm thay đổi độ tương phản và hình dạng của khuôn mặt, gây khó khăn cho việc trích xuất các đặc trưng quan trọng. Các hệ thống cần phải được thiết kế để có thể xử lý các điều kiện ánh sáng khác nhau, ví dụ như sử dụng các kỹ thuật tiền xử lý để chuẩn hóa ánh sáng. Góc độ khuôn mặt cũng là một thách thức, vì các hệ thống thường được huấn luyện với ảnh chụp chính diện. Khi góc nhìn thay đổi, hình dạng và vị trí của các đặc trưng cũng thay đổi, làm giảm độ chính xác của hệ thống. Để giải quyết vấn đề này, có thể sử dụng các kỹ thuật biến đổi hình ảnh để chuẩn hóa góc độ khuôn mặt.

2.2. Biểu Cảm Khuôn Mặt và Các Yếu Tố Che Khuất

Biểu cảm khuôn mặt và các yếu tố che khuất cũng gây ra những khó khăn đáng kể cho hệ thống nhận dạng khuôn mặt. Các cơ mặt thay đổi hình dạng và vị trí của các đặc trưng khi biểu cảm thay đổi, ví dụ như khi cười hoặc cau mày. Các hệ thống cần phải có khả năng nhận diện và xử lý những biến đổi này để đạt được độ chính xác cao. Các yếu tố che khuất, ví dụ như kính, khẩu trang hoặc râu, cũng có thể làm giảm độ chính xác của hệ thống, vì chúng che khuất một phần khuôn mặt. Các kỹ thuật xử lý ảnh có thể được sử dụng để loại bỏ hoặc giảm thiểu ảnh hưởng của các yếu tố che khuất.

III. PCA Hướng Dẫn Phân Tích Thành Phần Chính Chi Tiết

Phương pháp phân tích thành phần chính (PCA) là một kỹ thuật giảm chiều dữ liệu mạnh mẽ, thường được sử dụng trong nhận dạng khuôn mặt. PCA giúp giảm số lượng biến trong một tập dữ liệu, đồng thời giữ lại những thông tin quan trọng nhất. Trong nhận dạng khuôn mặt, PCA được sử dụng để giảm số lượng pixel trong ảnh, tạo ra một biểu diễn nhỏ gọn hơn của khuôn mặt. Quá trình PCA bao gồm việc tính toán các thành phần chính của tập dữ liệu, là các vector riêng của ma trận hiệp phương sai. Các thành phần chính này được sắp xếp theo thứ tự giảm dần của giá trị riêng, và các thành phần có giá trị riêng lớn nhất được giữ lại để biểu diễn dữ liệu. Các thành phần còn lại bị loại bỏ, giúp giảm chiều dữ liệu. PCA có nhiều ưu điểm, bao gồm tính đơn giản, hiệu quả và khả năng giảm chiều dữ liệu đáng kể. Tuy nhiên, PCA cũng có một số nhược điểm, bao gồm việc giả định rằng dữ liệu có phân phối Gaussian và không thể xử lý các biến đổi phi tuyến.

3.1. Cơ Sở Toán Học và Các Bước Thực Hiện PCA

PCA dựa trên các khái niệm cơ bản của đại số tuyến tính và thống kê. Đầu tiên, cần chuẩn hóa dữ liệu bằng cách trừ đi giá trị trung bình của mỗi biến và chia cho độ lệch chuẩn. Sau đó, tính ma trận hiệp phương sai của dữ liệu, là một ma trận vuông có kích thước bằng số lượng biến. Các phần tử trên đường chéo chính của ma trận hiệp phương sai là phương sai của mỗi biến, và các phần tử ngoài đường chéo là hiệp phương sai giữa các cặp biến. Tiếp theo, tính các vector riêng và giá trị riêng của ma trận hiệp phương sai. Các vector riêng là các vector trực giao, và giá trị riêng là một số đo độ lớn của phương sai dọc theo mỗi vector riêng. Cuối cùng, chọn các vector riêng có giá trị riêng lớn nhất và sử dụng chúng để biến đổi dữ liệu. Dữ liệu mới sẽ có số chiều ít hơn so với dữ liệu ban đầu, và các biến mới sẽ không tương quan với nhau.

3.2. Ứng Dụng PCA Trong Trích Xuất Đặc Trưng Khuôn Mặt Eigenfaces

Trong nhận dạng khuôn mặt, PCA được sử dụng để trích xuất các đặc trưng từ ảnh khuôn mặt. Các đặc trưng này được gọi là eigenfaces, là các vector riêng của ma trận hiệp phương sai của tập ảnh khuôn mặt. Mỗi eigenface biểu diễn một mẫu khuôn mặt, và các eigenface có giá trị riêng lớn nhất biểu diễn các mẫu quan trọng nhất. Để nhận dạng một khuôn mặt mới, ảnh khuôn mặt đó được chiếu lên không gian eigenface, và các hệ số chiếu được sử dụng làm đặc trưng. Khuôn mặt mới được nhận dạng bằng cách so sánh các đặc trưng của nó với các đặc trưng của các khuôn mặt đã biết. Phương pháp này có hiệu quả cao trong việc giảm chiều dữ liệu và cải thiện độ chính xác của hệ thống nhận dạng khuôn mặt.

IV. LDA Phương Pháp Phân Tích Phân Lớp Tuyến Tính Hiệu Quả

Phương pháp phân tích phân lớp tuyến tính (LDA) là một kỹ thuật giảm chiều dữ liệu khác, thường được sử dụng trong nhận dạng khuôn mặt. LDA tương tự như PCA, nhưng nó tập trung vào việc tối đa hóa sự phân tách giữa các lớp trong dữ liệu. Trong nhận dạng khuôn mặt, LDA được sử dụng để tối đa hóa sự khác biệt giữa các khuôn mặt khác nhau. Quá trình LDA bao gồm việc tính toán ma trận phân tán giữa các lớp và ma trận phân tán trong lớp. Ma trận phân tán giữa các lớp đo lường sự khác biệt giữa các giá trị trung bình của các lớp, và ma trận phân tán trong lớp đo lường sự biến thiên trong mỗi lớp. Sau đó, các vector riêng của ma trận phân tán giữa các lớp được tính toán, và các vector riêng có giá trị riêng lớn nhất được giữ lại để biểu diễn dữ liệu. LDA có ưu điểm là có thể tối đa hóa sự phân tách giữa các lớp, nhưng nó cũng có nhược điểm là yêu cầu dữ liệu phải có nhãn và không thể xử lý các biến đổi phi tuyến.

4.1. Nguyên Lý Hoạt Động và So Sánh LDA với PCA

LDA hoạt động bằng cách tìm các vector riêng của ma trận phân tán giữa các lớp và ma trận phân tán trong lớp. Các vector riêng này biểu diễn các hướng trong không gian dữ liệu mà các lớp được phân tách tốt nhất. Khác với PCA, LDA tập trung vào việc tối đa hóa sự khác biệt giữa các lớp, trong khi PCA tập trung vào việc giữ lại những thông tin quan trọng nhất trong dữ liệu. Do đó, LDA thường được sử dụng trong các bài toán phân loại, trong khi PCA thường được sử dụng trong các bài toán giảm chiều dữ liệu.

4.2. Ứng Dụng LDA Trong Nhận Dạng Khuôn Mặt Fisherfaces

Trong nhận dạng khuôn mặt, LDA được sử dụng để trích xuất các đặc trưng từ ảnh khuôn mặt. Các đặc trưng này được gọi là Fisherfaces, là các vector riêng của ma trận phân tán giữa các lớp. Mỗi Fisherface biểu diễn một mẫu khuôn mặt, và các Fisherface có giá trị riêng lớn nhất biểu diễn các mẫu quan trọng nhất. Để nhận dạng một khuôn mặt mới, ảnh khuôn mặt đó được chiếu lên không gian Fisherface, và các hệ số chiếu được sử dụng làm đặc trưng. Khuôn mặt mới được nhận dạng bằng cách so sánh các đặc trưng của nó với các đặc trưng của các khuôn mặt đã biết. Phương pháp này có hiệu quả cao trong việc tối đa hóa sự phân tách giữa các khuôn mặt và cải thiện độ chính xác của hệ thống nhận dạng khuôn mặt.

V. Mạng Neural Xây Dựng Mô Hình Học Sâu Cho Nhận Dạng

Mạng neural, đặc biệt là mạng convolutional neural (CNN), đã trở thành một công cụ mạnh mẽ trong nhận dạng khuôn mặt. CNN có thể học các đặc trưng phức tạp từ ảnh khuôn mặt, và chúng có thể đạt được độ chính xác cao hơn so với các phương pháp truyền thống. CNN bao gồm nhiều lớp, mỗi lớp thực hiện một phép biến đổi khác nhau trên dữ liệu. Các lớp đầu tiên thường trích xuất các đặc trưng đơn giản, chẳng hạn như cạnh và góc, và các lớp sau trích xuất các đặc trưng phức tạp hơn, chẳng hạn như mắt và mũi. Các lớp cuối cùng sử dụng các đặc trưng này để phân loại khuôn mặt. CNN có nhiều ưu điểm, bao gồm khả năng học các đặc trưng phức tạp, khả năng xử lý các biến đổi phi tuyến và khả năng đạt được độ chính xác cao. Tuy nhiên, CNN cũng có nhược điểm là yêu cầu lượng dữ liệu lớn để huấn luyện và có thể tốn kém về mặt tính toán.

5.1. Kiến Trúc Mạng Convolutional Neural CNN cho Nhận Dạng

Kiến trúc CNN thường bao gồm các lớp convolutional, lớp pooling và lớp fully connected. Các lớp convolutional thực hiện các phép biến đổi tuyến tính trên dữ liệu đầu vào, và các lớp pooling giảm kích thước của dữ liệu. Các lớp fully connected sử dụng các đặc trưng đã được trích xuất để phân loại khuôn mặt. Các lớp convolutional thường sử dụng các bộ lọc nhỏ để trích xuất các đặc trưng cục bộ, và các lớp pooling giảm kích thước của dữ liệu bằng cách lấy giá trị lớn nhất hoặc giá trị trung bình trong một vùng nhỏ.

5.2. Huấn Luyện và Tối Ưu Hóa Mạng Neural để Tăng Độ Chính Xác

Việc huấn luyện CNN yêu cầu lượng dữ liệu lớn và quá trình tối ưu hóa phức tạp. Các phương pháp tối ưu hóa phổ biến bao gồm gradient descent và backpropagation. Gradient descent là một thuật toán lặp, nó tìm kiếm các tham số của mạng neural sao cho hàm mất mát được giảm thiểu. Backpropagation là một thuật toán tính toán gradient của hàm mất mát, và nó được sử dụng để cập nhật các tham số của mạng neural. Việc tối ưu hóa mạng neural có thể được thực hiện bằng cách sử dụng các kỹ thuật như regularization, dropout và batch normalization. Regularization giúp ngăn chặn overfitting, dropout ngẫu nhiên bỏ qua một số neuron trong quá trình huấn luyện, và batch normalization chuẩn hóa các đầu vào của mỗi lớp.

VI. Kết Luận Triển Vọng và Hướng Nghiên Cứu Nhận Dạng Mặt

Nhận dạng khuôn mặt đã đạt được nhiều tiến bộ trong những năm gần đây, nhưng vẫn còn nhiều thách thức cần vượt qua. Các hướng nghiên cứu trong tương lai bao gồm việc phát triển các hệ thống có thể xử lý các biến đổi về ánh sáng, góc độ, biểu cảm khuôn mặt và các yếu tố che khuất. Các hệ thống cũng cần phải có khả năng nhận diện khuôn mặt trong các môi trường phức tạp, chẳng hạn như trong đám đông hoặc trong điều kiện ánh sáng yếu. Một hướng nghiên cứu khác là phát triển các hệ thống có thể nhận diện khuôn mặt từ xa, chẳng hạn như từ video giám sát. Cuối cùng, các hệ thống cần phải được thiết kế để bảo vệ quyền riêng tư của người dùng.

6.1. Các Hướng Phát Triển Công Nghệ Nhận Dạng Khuôn Mặt Tiên Tiến

Các hướng phát triển công nghệ nhận dạng khuôn mặt tiên tiến bao gồm việc sử dụng các mạng neural sâu hơn, các kiến trúc mạng mới và các phương pháp huấn luyện hiệu quả hơn. Các mạng neural sâu hơn có thể học các đặc trưng phức tạp hơn từ ảnh khuôn mặt, và các kiến trúc mạng mới có thể cải thiện hiệu suất của hệ thống. Các phương pháp huấn luyện hiệu quả hơn có thể giúp giảm thời gian huấn luyện và cải thiện độ chính xác của hệ thống.

6.2. Ứng Dụng Tiềm Năng của Nhận Dạng Mặt trong Tương Lai

Nhận dạng khuôn mặt có nhiều ứng dụng tiềm năng trong tương lai, bao gồm việc xác thực danh tính, kiểm soát truy cập, giám sát an ninh và các ứng dụng tương tác người-máy. Xác thực danh tính có thể được sử dụng để đăng nhập vào máy tính, điện thoại thông minh và các thiết bị khác. Kiểm soát truy cập có thể được sử dụng để giới hạn quyền truy cập vào các tòa nhà, văn phòng và các khu vực khác. Giám sát an ninh có thể được sử dụng để phát hiện tội phạm và các hành vi đáng ngờ. Các ứng dụng tương tác người-máy có thể được sử dụng để điều khiển các thiết bị bằng khuôn mặt, ví dụ như điều khiển TV hoặc xe hơi.

Trích đoạn nội dung tài liệu

CHƯƠNG I TỔNG QUAN VỀ NHẬN DẠNG MẶT NGƯỜI 1.1 Giới thiệu về xử lý ảnh Xử lý ảnh là một lĩnh vực mang tính khoa học và công nghệ. Nó là một ngành khoa học mới mẻ so với nhiều ngành khoa học khác nhưng tốc độ phát triển của nó rất nhanh, kích thích các trung tâm nghiên cứu, ứng dụng, đặc biệt là máy tính chuyên dụng riêng cho nó. Cùng với ngôn ngữ tự nhiên, hình ảnh đã đóng góp một vai trò hết sức quan trọng trong việc trao đổi thông tin. Tính trực quan của hình ảnh đã giúp cho con người hiểu rõ và sâu sắc hơn các thông tin cần thu thập.

Người ta đã chứng minh được rằng, trong tất cả các kênh thu nhận thông tin của con người thì lượng thông tin thu nhận qua kênh thị giác chiếm khoảng 70%. Hình ảnh là kết quả của việc thu nhận và biểu diễn của năng lượng ánh sáng trải dài từ tia gamma (có bước sóng nhỏ) đến sóng radio (có bước sóng lớn). Tuy nhiên, mắt người chỉ cảm nhận được một vùng giới hạn rất nhỏ trong phổ điện từ. Ngược lại, máy tính có thể đọc được một vùng rất rộng trong phổ điện từ, từ tia gamma đến sóng radio.

Nó có thể biểu diễn và xử lý những bức ảnh được sinh ra bởi những nguồn mà con người không thể nhận biết được, như ảnh siêu âm, ảnh hồng ngoại, ảnh trong vùng tia X, … Do đó xử lý ảnh có một phạm vi ứng dụng tương đối rộng. Xử lý ảnh là một trong những cách tiếp cận phân tích, tổng hợp hình ảnh theo ý tưởng và mục đích của người sử dụng. Tuy xử lý ảnh là một trong những khoa học còn tương đối mới so với nhiều ngành kho học khác, song những năm gần đây, xử lý ảnh và đồ họa đã phát triển một cách mạnh mẽ và đã gặt hái được nhiều thành công góp phần vào sự phát triển chung của ngành công nghệ thông tin. Các phương pháp xử lý ảnh bắt nguồn từ hai ứng dụng: nâng cao chất lượng thông tin hình ảnh đối với mắt người và xử lý số liệu cho máy tự động.

Một trong những ứng dụng đầu tiên của xử lý ảnh là nâng cao chất lượng ảnh báo truyền qua cáp giữa London và NewYork vào những năm 192x. Thiết bị đặc biệt mã hóa hình ảnh (báo), truyền qua cáp và khôi phục lại ở phía thu. Vấn đề nâng cao chất lượng hình ảnh lúc đầu có liên quan đến việc lựa chọn quá trình in và phân bố các mức sáng (tông và độ phân giải của ảnh). TIEU LUAN MOI download : [e-mail] 12 Hệ thống đầu tiên (Bartlane) có khả năng mã hóa hình ảnh với 5 mức sáng.

Khả năng này tăng lên 15 mức vào 1929. Việc nâng cao chất lượng ảnh bằng các phương pháp xử lý để truyền ảnh được nghiên cứu 35 năm sau đó. Năm 1964, các bức ảnh chụp mặt trăng được vệ tinh Ranger 7 (Mỹ) truyền về trái đất, được xử lý bằng máy tính để sửa méo (gây ra do camera truyền hình đặt trên vệ tinh ở các góc độ khác nhau). Các kỹ thuật cơ bản cho phép nâng cao chất lượng hình ảnh như làm nổi đường biên và lưu hình ảnh.

Từ năm 1964 đến nay, phạm vi xử lý ảnh lớn mạnh không ngừng. Các kỹ thuật xử lý ảnh hiện nay được sử dụng để giải quyết hàng loạt các vấn đề, nhằm nâng cao chất lượng thông tin hình ảnh. Trong y học, các thuật toán máy tính nâng cao độ tương phản, hoặc mã hóa các mức sáng thành các màu để nội suy ảnh X-Quang và các hình ảnh y sinh học dễ dàng.Các nhà địa vật lý sử dụng kỹ thuật tương tự để nghiên cứu các mẫu vật chất từ vệ tinh.Các thuật toán nâng cao chất lượng ảnh và khôi phục hình ảnh được sử dụng để xử lý hình ảnh giảm chất lượng. Trong thiên văn học, các phương pháp xử lý ảnh nhằm khôi phục hình ảnh bị nhiễu hoặc bị mất do bóng (artifacts) sau khi chụp.

Trong vật lý và các lĩnh vực có liên quan, kỹ thuật máy tính nâng cao được chất lượng ảnh trong các lĩnh vực như Plamas (có năng lượng cao) và microscopy điện tử. Tương tự, người ta đã ứng dụng xử lý ảnh có kết quả tốt trong viễn thám, sinh học, y tế hạt nhân, quân sự, công nghiệp … Nâng cao chất lượng và khôi phục ảnh bị nhiễu là quá trình xử lý ảnh dùng cho mục đích nội suy của mắt người. Lĩnh vực ứng dụng quan trọng thứ hai là xử lý ảnh số gắn liền với việc cảm nhận của máy. Trong lĩnh vực thứ hai, các cố gắng đều tập trung vào các quá trình trích thông tin ảnh và chuyển thành dạng thích hợp cho xử lý máy tính.

Những vẫn đề tiêu biểu của kỹ thuật xử lý ảnh được ứng dụng nhiều trong thực tế, có thể kể như: tự động nhận dạng đặc trưng, máy nhìn công nghiệp để điều khiển và kiểm tra sản phẩm, nhận dạng mục tiêu quân sự, tự động xử lý vân tay, hiển thị lên màn hình ảnh X-Quang và các mẫu máu, xử lý bằng máy các hình ảnh chụp từ vệ tinh để dự báo thời tiết, nén ảnh để lưu và truyền được nhiều hơn tín hiệu ảnh trong thông tin, máy tính, truyền hình thông thường và truyền hình có độ phân giải cao. TIEU LUAN MOI download : skknchat@gmail.1 Khái niệm xử lý ảnh số Xử lý ảnh số là một ngành khoa học nhằm trang bị phương pháp luận, kỹ thuật để trang bị cho máy tính xử lý ảnh đầu vào trên máy tính với mục tiêu nhận được ảnh kết quả ở đầu ra theo mong muốn của con người… Như vậy xử lý ảnh là một quá trình từ ảnh thu nhận đầu vào xử lý tăng cường và nâng cao chất lượng ảnh, phân tích ảnh, hiểu ảnh, mã hóa, nén ảnh… cho đến khi thu nhận được ảnh kết quả tốt hơn theo mong muốn của con người. Từ đó giúp cho con người có được cách nhìn trực quan hơn và sinh động hơn về hình ảnh. Xử lý ảnh số còn là việc sử dụng các thuật toán máy tính để xử lý các ảnh số dưới sự trợ giúp của máy tính.

Xử lý ảnh số có thể chia làm bốn lĩnh vực, tùy thuộc vào loại công việc. Đó là cải thiện và nâng cao chất lượng ảnh, phục hồi ảnh, mã hóa ảnh và hiểu ảnh. Trong cải thiện và nâng cao chất lượng ảnh, ảnh được xử lý để xem, như trong truyền hình, hoặc là được xử lý trước để trợ giúp hoạt động của máy móc, như trong nhận dạng đối tượng. Trong phục hồi ảnh, ảnh bị xuống cấp một số trường hợp, chẳng hạn bị nhòe, và mục đích là để giảm bớt hoặc loại bỏ hẳn ảnh hưởng sự xuống cấp.

Phục hồi ảnh có liên quan mật thiết đến cải thiện ảnh. Khi ảnh xuống cấp, việc cải thiện ảnh thường đem lại kết quả làm giảm sự xuống cấp. Tuy nhiên có một số sự khác nhau giữa phục hồi ảnh và cải thiện ảnh. Trong phục hồi ảnh, một số ảnh lý tưởng thường bị xuống cấp và mục đích phục hồi là tạo ra ảnh sau xử lý giống như ảnh ban đầu.

Trong việc cải thiện ảnh, mục đích cải thiện ảnh là làm cho ảnh sau khi xử lý trong đẹp hơn ảnh chưa xử lý. Để minh học sự khác nhau này, lưu ý rằng một ảnh gốc chưa xuống cấp không thể phục chế hơn nữa nhưng vẫn có thể được cải thiện bằng cách tăng độ nét. Trong mã hóa ảnh, mục đích là biểu diễn với một số ít bit nhất trong điều kiện chất lượng ảnh và độ rõ chấp nhận được cho từng ứng dụng cụ thể, chẳng hạn như hội nghị video. Mã hóa ảnh liên quan đến cải thiện ảnh và phục hồi ảnh.

Nếu có thể cải tiến dáng vẻ bề ngoài của ảnh được phục hồi, hoặc làm giảm sự xuống cấp do các nguồn nhiễu, như nhiễu lượng tử mà thuật toán mã hóa ảnh gây ra, thì ta có thể làm giảm số lượng bit cần thiết để đại diện ảnh ở một mức chất lượng và độ rõ chấp nhận được. Trong việc hiểu (understanding) ảnh, đầu vào là ảnh, mục đích là diễn đạt nội dung ảnh bằng một hệ ký hiệu nào đó. Những ứng dụng của “hiểu ảnh” bao gồm thị giác máy tính, kỹ thuật rô-bốt và nhận dạng mục tiêu.“Hiểu ảnh” khác với ba lĩnh vực khác của xử lý TIEU LUAN MOI download : [e-mail] 14 ảnh ở một khía cạnh chính. Trong cải tiến, phục hồi và mã hóa ảnh cả đầu vào và đầu ra đều là ảnh và khâu xử lý tín hiệu là phần then chốt của các hệ thống đã thành công trên các lĩnh vực đó.

Trong “hiểu ảnh”, đầu vào là ảnh, nhưng đầu ra thường là một biểu diễn bằng ký hiệu nội dung của ảnh đầu vào. Sự phát triển thành công của các hệ thống trong lĩnh vực này cần đến cả xử lý tín hiệu và những khái niệm trí tuệ nhân tạo. Trong hệ “hiểu ảnh” điển hình, xử lý tín hiệu được dùng cho công việc xử lý mức thấp như làm giảm sự xuống cấp và trích chọn các đường biên ảnh hoặc các đặc tính khác của ảnh, còn trí tuệ nhân tạo được dùng cho những công việc xử lý mức cao như thao tác kí hiệu và quản lý cơ sở tri thức.2 Các ứng dụng của xử lý ảnh số Xử lý ảnh có nhiều ứng dụng trong thực tế.Một trong những ứng dụng sớm nhất là xử lý ảnh từ nhiệm vụ Ranger 7 tại phòng thí nghiệm JetPulsion vào những năm đầu của thập kỷ 60. Hệ thống chụp hình gắn trên tàu vũ trụ có một số hạn chế về kích thước và trọng lượng, do đó ảnh nhận được bị giảm chất lượng như bị mờ, méo hình học và nhiễu nền.

Các ảnh đó được xử lý thành công nhờ máy tính số. Hình ảnh của mặt trăng và sao hỏa mà chúng ta thấy trong tất cả các tạp chí đều được xử lý bằng những máy tính số. Ngày nay, hầu hết các thông tin ảnh đều được chuyển sang dạng ảnh số. Vì vậy, trong gần như tất cả các lĩnh vực của các ngành kỹ thuật đều có ít nhiều liên quan đến ảnh số và sử dụng kỹ thuật xử lý ảnh số.Ứng dụng của xử lý ảnh có khả năng tác động mạnh mẽ nhất đến cuộc sống của chúng ta là lĩnh vực y tế.

Soi chụp ảnh bằng máy tính dựa trên cơ sở định lý cắt lớp (project slice) được dùng thường xuyên trong xét nghiệm lâm sàng, ví dụ phát hiện và nhận dạng u não. Những ứng dụng y khoa khác của xử lý ảnh gồm cải thiện ảnh X-Quang và nhận dạng đường biênmạch máu từ những ảnh chụp bằng tia X.