Tiểu luận về hai phương pháp chính trong phân vùng ảnh

Tài liệu nghiên cứu Tiểu luận phân vùng ảnh hai phương pháp chính áp dụng trong phân vùng ảnh, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Đề tài: Phân vùng ảnh: Hai phương pháp chính hiệu quả

Mục lục chi tiết

• 1. Phương pháp phân vùng dựa trên biên
• 1.1. Phát hiện sự không liên tục (biến đổi bất thường)
• 1.2. Phát hiện điểm ảnh
• 1.3. Phát hiện đường thẳng
• 1.4. Phát hiện biên
• 1.5. Các phương pháp nối biên
• 1.6. Các phương pháp làm mảnh đường biên đến 1 pixel
• 2. Toán tử gradient
• 3. Toán tử Laplacian
• 4. Laplacian of Gaussian
• 5. Bộ dò biên Canny
• 5.1. Các bước thực hiện
• 5.2. Bước 1. Smoothing
• 5.3. Bước 2. Tính Gradient
• 5.4. Bước 3. Loại những điểm không cực đại
• 5.5. Bước 4. Dò biên
• 6. Phương pháp phân vùng dựa trên biên (lặp lại)
• 6.1. Phát hiện sự không liên tục (biến đổi bất thường)
• 6.2. Các phương pháp nối biên
• 7. Phương pháp xử lý nối biên cục bộ
• 7.1. Tổng quát
• 7.2. Thuật toán đơn giản hơn

Tóm tắt

I. Giới thiệu về phân vùng ảnh

Phân vùng ảnh là một trong những nhiệm vụ quan trọng trong lĩnh vực computer vision. Nó giúp tách biệt các đối tượng trong một bức ảnh, từ đó hỗ trợ cho nhiều ứng dụng khác nhau như nhận diện đối tượng, phân tích hình ảnh và nhiều hơn nữa. Hai phương pháp chính trong phân vùng ảnh bao gồm phương pháp dựa trên biên và phương pháp dựa trên vùng ảnh. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, phù hợp với các loại hình ảnh và yêu cầu khác nhau.

1.1. Phương pháp dựa trên biên

Phương pháp dựa trên biên tập trung vào việc phát hiện các điểm không liên tục trong hình ảnh. Điều này có thể được thực hiện thông qua việc phát hiện điểm ảnh, đường thẳng và biên. Các phương pháp này thường sử dụng các toán tử như gradient và Laplacian để xác định các điểm ảnh nằm trên biên. Việc phát hiện biên có thể gặp khó khăn khi có nhiễu trong ảnh, do đó, các kỹ thuật lọc như lọc Gaussian thường được áp dụng trước khi thực hiện các phép toán đạo hàm.

II. Phương pháp dựa trên vùng ảnh

Phương pháp dựa trên vùng ảnh sử dụng các đặc điểm của vùng để phân vùng ảnh. Phương pháp này có thể được chia thành hai loại chính: phân vùng ngữ nghĩa và phân vùng instance. Phân vùng ngữ nghĩa nhằm mục đích phân loại từng pixel trong ảnh vào các lớp khác nhau, trong khi phân vùng instance tập trung vào việc phân biệt các đối tượng khác nhau trong cùng một lớp. Các thuật toán như Deep Learning đã được áp dụng rộng rãi trong phương pháp này, cho phép đạt được độ chính xác cao trong việc phân vùng ảnh.

2.1. Phân vùng ngữ nghĩa

Phân vùng ngữ nghĩa là một kỹ thuật quan trọng trong phân vùng ảnh. Nó cho phép phân loại từng pixel trong ảnh vào các lớp khác nhau, giúp nhận diện các đối tượng trong ảnh một cách chính xác. Kỹ thuật này thường sử dụng các mạng nơ-ron sâu để học các đặc điểm của ảnh, từ đó tạo ra các bản đồ phân vùng. Việc áp dụng deep learning image segmentation đã mang lại những bước tiến lớn trong lĩnh vực này, cho phép xử lý các hình ảnh phức tạp với độ chính xác cao.

III. Ứng dụng thực tiễn của phân vùng ảnh

Phân vùng ảnh có nhiều ứng dụng thực tiễn trong các lĩnh vực như y tế, tự động hóa, và an ninh. Trong y tế, phân vùng ảnh giúp phân tích hình ảnh y tế để phát hiện các bệnh lý. Trong tự động hóa, nó hỗ trợ trong việc nhận diện và phân loại các đối tượng trong môi trường. Ngoài ra, trong lĩnh vực an ninh, phân vùng ảnh có thể được sử dụng để phát hiện các hành vi bất thường trong video giám sát. Những ứng dụng này cho thấy giá trị thực tiễn của phân vùng ảnh trong cuộc sống hàng ngày.

3.1. Phân vùng ảnh trong y tế

Trong lĩnh vực y tế, phân vùng ảnh đóng vai trò quan trọng trong việc phân tích hình ảnh y tế như MRI, CT scan. Kỹ thuật này giúp bác sĩ xác định các vùng bất thường trong cơ thể, từ đó đưa ra chẩn đoán chính xác hơn. Việc áp dụng các phương pháp như semantic segmentation trong phân tích hình ảnh y tế đã giúp cải thiện đáng kể độ chính xác trong việc phát hiện các bệnh lý, góp phần nâng cao chất lượng chăm sóc sức khỏe.

Trích đoạn nội dung tài liệu

Phân vùng ảnh Hai phương pháp chính áp dụng trong phân vùng ảnh  Phương pháp dựa trên biên: phát hiện biên  Phương pháp dựa trên vùng ảnh 1 Tieu luan Phương pháp phân vùng dựa trên biên Phát hiện sự không liên tục (biến đổi bất thường)  Phát hiện điểm ảnh  Phát hiện đường thẳng  Phát hiện biên Các phương pháp nối biên Các phương pháp làm mảnh đường biên đến 1 pixel 2 Tieu luan Phát hiện điểm ảnh 3 Tieu luan Phát hiện điểm ảnh T = 90% giá trị max của mức xám 4 Tieu luan Phát hiện đường thẳng Chọn mặt nạ thích hợp để phát hiện Lấy ngưỡng (thresholding) 5 Tieu luan Phát hiện đường thẳng 6 Tieu luan Phát hiện đường thẳng Giả sử mu ốn tìm các đường thẳng theo hướng -45 đ ộ 7 Tieu luan Phát hiện biên Xấp xỉ đạo hàm cấp 1, và cấp 2 8 Tieu luan Phát hiện biên (tiếp) 9 Tieu luan Phát hiện biên (tiếp) Đạo hàm cấp 1:  Bằng 0 tại những điểm không đổi  Khác 0 tại những điểm bắt đầu, kết thúc thay đổi (bắt đầu, kết thúc dốc)  Khác 0 tại những điểm nằm trên dốc Đạo hàm cấp 2:  Bằng 0 tại những điểm không đổi  Khác 0 tại những điểm bắt đầu, kết thúc thay đổi (2 giá trị) o Một giá trị phía bên thấp (tối) o Một giá trị phía bên cao (sáng)  Bằng 0 tại những điểm trên dốc 10 Tieu luan Phát hiện biên (tiếp) 11 Tieu luan Phát hiện biên (tiếp) 12 Tieu luan Phát hiện biên (tiếp) Nhận xét  Độ lớn của đạo hàm cấp 1: có thể xác định một điểm có nằm trên biên hay không  Dấu trong đạo hàm cấp 2 cho biết điểm ảnh nằm ở vùng sáng hay vùng tối của biên o Đạo hàm cấp 2 luôn có 2 giá trị khác dấu ứng với các điểm trên biên o Điểm cắt 0 có ý nghĩa trong việc tìm biên mỏng 13 Tieu luan Phát hiện biên (tiếp) Ảnh hưởng của nhiễu đến đạo hàm Ảnh gốc + nhiễu Gaussian (mean = 0, delta = 0, 0.1 1, 10) 14 Tieu luan Phát hiện biên (tiếp) Ảnh hưởng nhiễu  Nhận xét: o Nhiễu trên ảnh gốc nhỏ o Ảnh hưởng trên các đạo hàm rất lớn o  Các phép lọc làm trơn ảnh (lọc nhiễu, làm mờ ảnh) thường được áp dụng trước khi lấy đạo hàm  Phát hiện biên o Đạo hàm cấp 1: toán tử gradient o Đạo hàm cấp 2: toán tử laplacian 15 Tieu luan Toán tử gradient Gradient của ảnh f(x, y) tại vị trí (x, y) được định nghĩa 16 Tieu luan Toán tử gradient (tiếp) 17 Tieu luan Toán tử gradient (tiếp) Cài đặt thực tế 2 0 Tieu luan Toán tử gradient (tiếp) Toán tử gradient đường chéo 19 Tieu luan Toán tử gradient (tiếp) 20 Tieu luan Toán tử gradient (tiếp) 21 Tieu luan Toán tử gradient (tiếp) 22 Tieu luan Toán tử gradient (tiếp) Để xác định một điểm ảnh có nằm trên biên hay không  Tính gradient  So sánh với ngưỡng 23 Tieu luan Toán tử Laplacian 24 Tieu luan Toán tử Laplacian (tiếp) Toán tử laplacian thường không được áp dụng trực tiếp để tìm biên  Đạo hàm cấp 2 nhận 2 giá trị tại các điểm trên biên  Rất nhạy với nhiễu  Laplacian không tìm được hướng của biên Áp dụng Laplacian  Smoothing ảnh  Sử dụng thuộc tính cắt 0 (zero-crossing)  Laplacian of Gaussian 25 Tieu luan Laplacian of Gaussian 26 Tieu luan Laplacian of Gaussian (tiếp) 27 Tieu luan Laplacian of Gaussian (tiếp) Áp dụng LoG để phát hiện biên  Tính LoG cuar ảnh  Tìm các điểm cắt 0 (zero crossing) o Áp mặt nạ 3 x 3 cho mỗi pixel o Điểm cắt 0 là những điểm có 2 lân cận đối diện nhau trái dấu 28 Tieu luan Laplacian of Gaussian (tiếp) 29 Tieu luan Lọc sobel Laplacian Ảnh gốc of Gaussian Gaussian Laplacian mask Đánh dấu những LoG điểm chuyển từ đen sang trắng, trắng sang đen Lấy ngưỡng: 32 dương là 1, Tieu âm là 0 luan Laplacian of Gaussian (tiếp) Tính xấp xỉ LoG  Có thể xấp xỉ LoG bằng DoG (different of gaussian)  Với tỉ lệ: 1.6:1 thì DoG có thể xấp xỉ với LoG 31 Tieu luan Laplacian of Gaussian 32 Tieu luan Bộ dò biên Canny Là bộ dò biên cho kết quả rất tốt (so với Prewitt, sobel, LoG…)  Tỷ lệ lỗi thấp  Phân vùng các điểm trên biên  Trả về biên mỏng (đơn điểm) 33 Tieu luan Bộ dò biên Canny (tiếp) Các bước thực hiện  Bước 1. Tính Gradients  Bước 3. Loại những điểm không cực đại  Bước 4. Dò các điểm trên biên bằng 2 ngưỡng 34 Tieu luan Bộ dò biên Canny (tiếp) Bước 1.

Smoothing  Sử dụng bộ lọc Gaussian  Cài đặt 35 Tieu luan Bộ dò biên Canny (tiếp) Bước 2. Tính Gradient  Sử dụng bất kỳ mặt nạ Gradient nào  Cài đặt 36 Tieu luan Bộ dò biên Canny (tiếp) Bước 3. Loại những điểm không cực đại  Tính độ lớn và góc của vector gradient  Quantize góc của vector gradient về góc 45 độ gần nhất 37 Tieu luan Bộ dò biên Canny (tiếp) Bước 3 (tiếp) 38 Tieu luan Bộ dò biên Canny (tiếp) Bước 3 (tiếp)  So sánh M(x, y) với M(x’, y’) theo hướng dương và âm của hướng gradient o Nếu M(x, y) > M(x’, y’) theo cả hai hướng  giữ nguyên: gN(x, y) = M(x, y) o Ngược lại:  loại bỏ: gN(x, y) = 0  Nếu: thì xét điểm (x+1,y) và (x-1, y)  Nếu: thì xét điểm (x,y+1) và (x,y-1)  Nếu: thì xét điểm (x+1,y+1) và (x-1,y-1)  Nếu: thì xét điểm (x+1,y-1) và (x-1,y+1) 39 Tieu luan Bộ dò biên Canny (tiếp) Bước 4. Dò biên  Lựa chọn 2 giá trị ngưỡng (TH và TL): TH=kTL  Tính 2 ảnh dựa trên 2 ngưỡng này  Loại bỏ những điểm nằm trên biên “mạnh” 40 Tieu luan Bộ dò biên Canny (tiếp) Bước 4 (tiếp)  Những điểm nằm trên biên “mạnh”, gNH được đánh dấu  Những điểm trên biên “yếu”, gNL o Step1.

Duyệt qua từng điểm p trong gNH o Step2. Đánh dấu những điểm biên “hợp lệ” trong gNL nếu điểm đó liên thông với p (8 liên thông) o Step 3. Nếu tất cả các điểm khác 0, p trong gNH đều đã được thăm  step 4, ngược lại  step 1 o Step 4. Gán 0 tất cả những điểm trong gNL không được đánh dấu biên “hợp lệ” o Step 5.

Thêm những điểm khác 0 trong gNL vào kết quả biên 41 Tieu luan Bộ dò Canny (tiếp) 42 Tieu luan Bộ dò Canny (tiếp) 43 Tieu luan Bộ dò Canny (tiếp) 44 Tieu luan Bộ dò Canny (tiếp) 45 Tieu luan Phương pháp phân vùng dựa trên biên Phát hiện sự không liên tục (biến đổi bất thường)  Phát hiện điểm ảnh  Phát hiện đường thẳng  Phát hiện biên Các phương pháp nối biên Các phương pháp làm mảnh đường biên đến 1 pixel 46 Tieu luan Các phương pháp nối biên Phương pháp xử lý nối biên cục bộ Phương pháp xử lý toàn cục 47 Tieu luan Phương pháp xử lý nối biên cục bộ Tổng quát  Tính độ lớn và góc của vector gradient o M(x, y) và 𝛼(𝑥, 𝑦) o Áp mặt nạ (3x 3, hoặc 5 x 5) cho mỗi điểm ảnh (x, y) và kiểm tra  Nếu cả 2 điều kiện cùng thỏa mãn  nối 2 điểm với nhau   Chi phí tính toán lớn 48 Tieu luan Phương pháp xử lý nối biên cục bộ (tiếp) Thuật toán đơn giản hơn  Tính độ lớn và góc của vector gradient o M(x, y) và 𝛼(𝑥, 𝑦)  Tạo ảnh nhị phân g(x, y)  Duyệt các dòng của g và điền (nối liền) các khoảng trắng có độ dài < K  Duyệt tất cả các hướng 𝜃, bằng cách o Quay g một góc 𝜃 áp dụng quét dòng như trên 51 o Quay g một góc -𝜃 Tieu luan Phương pháp xử lý nối biên cục bộ (tiếp) 50 Tieu luan