Phát hiện ảnh số giả mạo dựa trên DWT, SVD - Luận văn của Hồ Xuân Phương

Bài viết này giới thiệu phương pháp phát hiện ảnh giả mạo bằng cách ứng dụng thuật toán DWT và SVD trong xử lý ảnh số, cung cấp kiến thức chuyên sâu cho người

• Tác giả: Hồ Xuân Phương
• Người hướng dẫn: TS. Nguyễn Hiếu Cường
• Trường học: Đại học Giao Thông Vận Tải
• Chuyên ngành: Xử lý ảnh số
• Đề tài: Phát hiện ảnh số giả mạo dựa trên các phép biến đổi DWT và SVD
• Loại tài liệu: Luận văn tốt nghiệp

Tóm tắt

I. Tổng quan về phát hiện ảnh giả mạo trong xử lý ảnh số

Xử lý ảnh số là lĩnh vực nghiên cứu tập trung vào việc phân tích, biến đổi và cải thiện chất lượng hình ảnh kỹ thuật số. Công nghệ này bao gồm nhiều bước từ thu nhận ảnh, lấy mẫu, số hóa đến các phép biến đổi toán học phức tạp. Ảnh số được biểu diễn dưới dạng ma trận các điểm ảnh, mỗi điểm chứa thông tin về cường độ sáng và màu sắc. Phát hiện ảnh giả mạo là một nhánh quan trọng của xử lý ảnh số. Mục tiêu chính là xác định xem một bức ảnh có bị chỉnh sửa, cắt ghép hay tạo dựng lại hay không. Các kỹ thuật giả mạo ngày càng tinh vi, đòi hỏi phương pháp phát hiện phải liên tục cải tiến. Nhiều nhóm nghiên cứu quốc tế đã đóng góp vào lĩnh vực này, trong đó các phương pháp dựa trên biến đổi toán học như DWT và SVD cho thấy hiệu quả cao. Việc phát hiện ảnh giả có ý nghĩa lớn trong pháp y kỹ thuật số, báo chí và an ninh thông tin.

1.1. Khái niệm và vai trò của xử lý ảnh số

Xử lý ảnh số là quá trình sử dụng máy tính để thực hiện các phép biến đổi trên ảnh kỹ thuật số. Quá trình này bao gồm nhiều giai đoạn cơ bản. Thuận tiện hơn, ảnh được lấy mẫu và lượng tử hóa thành các điểm ảnh rời rạc. Các phép biến đổi như lọc nhiễu, tăng cường độ tương phản, phát hiện cạnh được thực hiện dựa trên nền tảng toán học vững chắc. Xử lý ảnh số đóng vai trò thiết yếu trong nhiều lĩnh vực đời sống. Từ y học, viễn thám đến giám sát an ninh, công nghệ này giúp trích xuất thông tin có giá trị từ hình ảnh. Các loại ảnh số phổ biến bao gồm ảnh nhị phân, ảnh đa mức xám và ảnh màu RGB.

1.2. Các dạng ảnh giả mạo thường gặp trong thực tế

Ảnh giả mạo được phân thành nhiều dạng khác nhau dựa trên kỹ thuật sử dụng. Dạng phổ biến nhất là ghép ảnh, trong đó nhiều bức ảnh được cắt và dán lại với nhau. Một dạng khác là tăng cường ảnh, nhằm thay đổi độ sáng, màu sắc để tạo ấn tượng sai lệch. Ảnh giả mạo dạng sao chép dịch chuyển cũng rất thường gặp. Kỹ thuật này lấy một vùng trong ảnh gốc và dán vào vị trí khác trên cùng bức ảnh. Các hiệu ứng về bóng và ánh sáng được xử lý tinh vi làm cho bức ảnh giả trông rất chân thực. Việc nhận biết các dạng giả mạo là bước đầu tiên quan trọng để lựa chọn phương pháp phát hiện phù hợp.

II. Phân tích kỹ thuật giả mạo và thách thức trong phát hiện

Kỹ thuật giả mạo ảnh ngày càng trở nên tinh vi và khó phát hiện. Các phương pháp truyền thống dựa trên đánh giá trực quan bằng mắt thường không còn hiệu quả. Ảnh giả được tạo ra từ nhiều nguồn khác nhau, ghép từ ba hoặc nhiều bức ảnh nguồn riêng biệt. Các hiệu ứng về bóng đổ, ánh sáng và phối cảnh được điều chỉnh cẩn thận để tạo sự thống nhất. Thách thức lớn nhất nằm ở việc phát hiện các dấu vết vi tế mà quá trình giả mạo để lại. Các kỹ thuật giả mạo bao gồm ghép ảnh, cắt dán vùng, tăng cường và điều chỉnh tỷ lệ. Mỗi kỹ thuật để lại những dấu hiệu đặc trưng riêng. Phương pháp dựa vào hình dạng tập trung phân tích các cạnh và đường viền bất thường. Phương pháp dựa vào phân tích nguồn sáng kiểm tra sự không nhất quán về hướng và cường độ ánh sáng. Phương pháp dựa vào biến đổi màu sắc phát hiện sự khác biệt về không gian màu giữa các vùng trên ảnh. Phát hiện dấu vết từ quá trình điều chỉnh tỷ lệ cũng là một hướng tiếp cận hiệu quả.

2.1. Các phương pháp giả mạo ảnh dựa trên kỹ thuật xử lý ảnh

Ghép ảnh là kỹ thuật phổ biến nhất trong giả mạo ảnh số. Từ hai hay nhiều ảnh số, kẻ gian cắt ghép lại với nhau để tạo ra bức ảnh hoàn chỉnh mới. Kỹ thuật sao chép dịch chuyển lấy một vùng ảnh từ vị trí này và dán vào vị trí khác trong cùng bức ảnh. Tăng cường ảnh là phương pháp điều chỉnh độ sáng, độ tương phản, màu sắc nhằm thay đổi cảm nhận của người xem. Cắt dán vùng trên ảnh kết hợp nhiều kỹ thuật để tạo ra sản phẩm giả mạo có chất lượng cao. Các phương pháp này thường được kết hợp để tăng tính thuyết phục cho ảnh giả.

2.2. Thách thức và khó khăn trong việc phát hiện ảnh giả mạo

Phát hiện ảnh giả mạo là vấn đề khó khăn hơn nhiều so với việc tạo ra chúng. Ảnh giả mạo dạng dàn dựng có chủ đích thường không để lại dấu vết chỉnh sửa trên file. Các kỹ thuật giả mạo hiện đại có thể loại bỏ hầu hết metadata và dấu vết kỹ thuật số. Sự phát triển của công nghệ xử lý ảnh giúp ảnh giả ngày càng chân thực hơn. Các phương pháp truyền thống dựa trên đánh giá trực quan không đủ độ tin cậy. Cần có các kỹ thuật phân tích tự động dựa trên nền tảng toán học vững chắc. Các biến đổi như DWT và SVD cung cấp công cụ mạnh mẽ để phát hiện sự bất thường trong cấu trúc ảnh.

III. Ứng dụng phép biến đổi DWT và SVD trong phát hiện ảnh giả

Phép biến đổi DWT và SVD là hai công cụ toán học mạnh mẽ được ứng dụng rộng rãi trong phát hiện ảnh giả mạo. DWT chia ảnh thành các tần số khác nhau, giúp trích xuất đặc trưng hiệu quả. SVD phân tích ma trận ảnh thành các thành phần đặc trưng, cung cấp thông tin về cấu trúc bên trong. Sự kết hợp hai phương pháp này tạo ra thuật toán phát hiện có độ chính xác cao. Thuật toán DWT hoạt động theo nguyên lý biến đổi ảnh từ miền không gian sang miền tần số. Các hệ số DWT chứa thông tin về sự phân bố năng lượng theo các mức khác nhau. Thuật toán SVD dựa trên phân tích giảm hạng xấp xỉ của ma trận ảnh. Các vecto đặc trưng và giá trị đặc trưng phản ánh cấu trúc nội tại của ảnh. Phương pháp kết hợp tính tương thích của các khối hình ảnh giúp xác định vùng giả mạo chính xác hơn. Quá trình thử nghiệm trên cơ sở dữ liệu chuẩn UCID cho kết quả khả quan.

3.1. Phép biến đổi DWT và nguyên lý phát hiện ảnh giả mạo

Biến đổi DWT (Discrete Wavelet Transform) là phép biến đổi phân tích ảnh theo nhiều mức tần số khác nhau. Ảnh đầu vào được phân rã thành bốn thành phần: xấp xỉ, ngang, dọc và chéo. Phép biến đổi DWT một mức tạo ra các hệ số chi tiết ở mức thô. Biến đổi DWT nhiều mức áp dụng đệ quy lên thành phần xấp xỉ để thu được thông tin ở các mức tần số khác nhau. Thuật toán phát hiện ảnh giả mạo dựa trên DWT so sánh các hệ số wavelet giữa các khối ảnh. Các khối có đặc trưng tương tự sẽ có hệ số DWT gần nhau, cho thấy khả năng sao chép dịch chuyển.

3.2. Phép biến đổi SVD và phân tích giảm hạng ma trận ảnh

SVD (Singular Value Decomposition) là phép phân tích ma trận thành ba thành phần: U, S và V. Ma trận S chứa các giá trị đặc trưng sắp xếp theo thứ tự giảm dần, phản ánh tầm quan trọng của các thành phần. Giảm hạng xấp xỉ của ma trận giúp trích xuất đặc trưng chính mà bỏ qua nhiễu. Các vecto đặc trưng trong ma trận U và V mang thông tin về cấu trúc không gian của ảnh. Mô hình phát hiện ảnh giả mạo SVD sử dụng đặc trưng từ các khối con của ảnh. Tính tương thích giữa các khối được đánh giá dựa trên khoảng cách giữa các vecto đặc trưng.

IV. Kết luận và hướng phát triển phương pháp phát hiện ảnh giả

Nghiên cứu về phát hiện ảnh giả mạo sử dụng DWT và SVD cho thấy hiệu quả đáng ghi nhận. Cả hai phương pháp đều có ưu điểm riêng trong việc phát hiện các dạng giả mạo khác nhau. DWT phù hợp để phân tích tần số và phát hiện sao chép dịch chuyển. SVD cung cấp khả năng phân tích cấu trúc ma trận và giảm nhiễu hiệu quả. Kết hợp hai phương pháp giúp tăng độ tin cậy và giảm tỷ lệ sai sót. Thử nghiệm trên dữ liệu chuẩn UCID với nhiều ảnh khác nhau cho kết quả tích cực. Chương trình cài đặt với giao diện thân thiện giúp người dùng dễ dàng kiểm tra ảnh. Tuy nhiên, phương pháp hiện tại còn một số giới hạn cần được khắc phục. Phạm vi nghiên cứu chủ yếu tập trung vào ảnh đa mức xám, chưa mở rộng đầy đủ sang ảnh màu. Hướng phát triển bao gồm cải tiến thuật toán để xử lý ảnh màu, tăng tốc độ xử lý và áp dụng kỹ thuật học sâu. Tích hợp nhiều phương pháp phát hiện sẽ nâng cao khả năng chống giả mạo trong thực tế.

4.1. Hiệu quả và kết quả đạt được từ phương pháp DWT và SVD

Phương pháp DWT cho kết quả tốt trong việc phát hiện ảnh giả mạo dạng sao chép dịch chuyển. Thuật toán hoạt động ổn định trên nhiều loại ảnh khác nhau với độ chính xác cao. Phương pháp SVD thể hiện ưu điểm trong việc phân tích và so sánh đặc trưng của các khối ảnh. Khả năng giảm hạng xấp xỉ giúp loại bỏ nhiễu và tập trung vào đặc trưng quan trọng. Kết hợp DWT và SVD cho kết quả phát hiện đáng tin cậy hơn so với sử dụng đơn lẻ. Quá trình thử nghiệm với 20 ảnh từ cơ sở dữ liệu UCID xác nhận tính khả thi của phương pháp.

4.2. Hướng phát triển và mở rộng đề tài nghiên cứu

Một số hướng mở rộng được xác định để cải thiện phương pháp hiện tại. Thứ nhất, mở rộng khả năng xử lý ảnh màu thay vì chỉ tập trung vào ảnh đa mức xám. Thứ hai, tăng tốc độ xử lý để phù hợp với ứng dụng thực tế thời gian thực. Thứ ba, áp dụng các kỹ thuật học sâu và mạng nơ-ron tích chập để cải thiện độ chính xác. Tích hợp nhiều phương pháp phát hiện khác nhau sẽ tạo ra hệ thống toàn diện hơn. Nghiên cứu cũng cần mở rộng sang các loại giả mạo phức tạp hơn như deepfake và ảnh tạo bởi AI.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về xử lý ảnh số và phát hiện ảnh giả mạo 1.1 Các khái niệm cơ bản về xử lý ảnh số 1.1 Ảnh Con người dựa nhiều vào thị giác để hiểu được ý nghĩa của những gì xung quang chúng ta. Chúng ta không chỉ xác định các vật mà thấy những sự khác biệt và cảm nhận nó trong một bối cảnh. Con người có những kỹ năng thị giác rất chính xác: chúng ta có thể nhận diện một khuôn mặt ngay lập tức, có thể phân biệt màu sắc, có thể xử lý lượng thông tin thị giác lớn một cách nhanh chóng… Tuy nhiên, thế giới luôn thay đổi khi ta nhìn vào một vật nào đó trong một thời gian đủ dài. Chẳng hạn, sự thể hiện của một tòa nhà hoặc một ngọn núi cũng sẽ thay đổi tùy theo thời gian trong ngày, điều kiện thời tiết hoặc ảnh hưởng của các đối tượng khác.

Trên phương diện toán học, ảnh số được xem như là ma trận nguyên dương gồm hàng và cột, mỗi phần tử của ma trận đại diện cho một điểm ảnh.2 Xử lý ảnh Xử lý ảnh là thay đổi trạng thái của bức ảnh nhằm: (1) Nâng cao chất lượng cho sự cảm nhận của con người và (2) Diễn tả nó phù hợp cho việc cảm nhận tự động bằng máy. Một số ví dụ về (1) :  Làm sắc nét ảnh ( Sharperning) : Ảnh sẽ rõ nét hơn và hấp dẫn hơn. 3 Hình 1-1 Làm sắc nét ảnh  Khử nhiễu (removing noise – denoising): Nhiễu có thể coi là các lỗi ngẫu nhiên trên ảnh. Nhiễu trên ảnh là khó tránh khỏi và được gây ra bởi các thành phần điện tử trong quá trình thu nhận và truyền tải ảnh.

(a) Ảnh gốc bị nhiễu (b) Ảnh sau khi khử nhiễu 2Hình 1-2 Khử nhiễu của ảnh  Khử nhòe (removing motion blur – deblurring): Hiện tượng này thường do tốc độ chụp của camera (shutter speed) chậm hơn nhiều so với tốc độ chuyển động của đối tượng, ví dụ ô tô đang 4 chạy, máy bay bay…. Khử nhòe ảnh là một công nghệ khó và phức tạp. Tuy nhiên, Adobe đang phát triển tính năng này để đưa vào phần mềm Photoshop của họ. (a) Ảnh gốc (b) Ảnh sau khi khử nhèo Hình1-3 Hình ảnh Khử nhòe của ảnh Một số ví dụ về (2): Xác định biên của ảnh: Đây thường là bước quan trọng để xác định các đối tượng trong ảnh.

(a) Ảnh gốc (b) Biên của ảnh Hình 1- 1 Xác định biên của ảnh  Khử bớt chi tiết ảnh: Trong nhiều ứng dụng, ví dụ máy đếm trong dây truyền sản xuất, người ta chỉ quan tâm đến hình dạng, kích thước và màu sắc của đối tượng. Khi đó, cần đơn giản hóa bức ảnh, làm mờ đi các chi tiết để giảm độ phức tạp của các thuật toán nhận dạng. 5 (a) Ảnh gốc (b) Ảnh sau khi loại bớt chi tiết Hình 1- 2 Khử bớt chi tiết ảnh 1.3 Thu nhận ảnh và lấy mẫu Lấy mẫu (sampling) là quá trình số hóa một hàm liên tục. Ví dụ, chúng ta có hàm sau và lấy mẫu tại 10 giá trị cách đều nhau: y = sin(x) + 1/3 sin(3x) Kết quả lấy mẫu có thể thấy như trong hình 1-6.

Ví dụ này thể hiện việc lấy mẫu thiếu (un- dersampling) do số mẫu không đủ để xây dựng lại hàm. Nếu thay vì 10, chúng ta lấy 100 mẫu sẽ có kết quả như hình 1-7. Rõ ràng chúng ta có thể dựng lại hàm trên dựa vào các mẫu đã lấy. Hình 1- 3 Lấy mẫu một hàm (undersampling) 6 Hình 1- 4 Lấy mẫu một hàm với nhiều điểm mẫu hơn Ảnh số có được bằng cách lấy mẫu một thể hiện liên tục của hình ảnh.

Để nhìn được một hình ảnh, chúng ta ghi nhận năng lượng phản hồi từ hình ảnh đó. Năng lượng đó có được nhờ ánh sáng nhìn thấy hoặc một số nguồn khác. Sử dụng ánh sáng Ánh sáng là nguồn năng lượng chính của ảnh do nó là nguồn năng lượng mà con người có thể quan sát trực tiếp. Hầu hết ảnh số được chụp nhờ sử dụng ánh sáng nhìn thấy.

Loại năng lượng này có nhiều ưu điểm như an toàn, rẻ, dễ dàng phát hiện và có thể xử lý nhanh chóng bởi các thiết bị phần cứng phù hợp. Hai cách phổ biến để có được ảnh số là dùng máy ảnh số (digital camera) và dùng máy scan (scanner). Các nguồn năng lượng khác Mặc dù ánh sáng là phổ biến và dễ sử dụng, các nguồn năng lượng khác có thể được sử dụng để tạo ra ảnh số. Ánh sáng nhìn thấy (visible light) chỉ là một phần của trường điện từ (electromagnetic spectrum): bức xạ trong đó năng lượng có dạng sóng với các bước sóng khác nhau.

Phạm vi bước sóng (xem hình 1-8) từ những bước sóng cực ngắn như tia vũ trụ (cosmic ray) đến bước sóng cực dài như điện năng (electric power). Những loại tia có bước sóng ngắn hơn ánh sáng nhìn thấy, ví dụ tia X (còn gọi là tia Roentgen) có thể được sử dụng xác định được các đối tượng mà ẩn với thị giác, ví dụ xương. Phương pháp chụp X-quang sử dụng tia X rọi qua đối tượng để nhận được ảnh (hình 1-9). 7 Hình 1- 5 Trường điện tử Hình 1- 6 Chụp X-quang 1.4 Ảnh số Ảnh số (đa mức xám) là một mảng các điểm lấy (sampling) mẫu từ ảnh liên tục và được lượng tử hóa (quantization) thành các giá trị nguyên (từ 0 đến 255) thể hiện mức xám của ảnh tại điểm đó (điểm ảnh còn được gọi là pixel).

Ví dụ giá trị các điểm ảnh của một ảnh có thể thấy trong hình 1. 8 Hình 1- 7 Ảnh và điểm ảnh 1.5 Một số ứng dụng Xử lý ảnh có rất nhiều ứng dụng trong hầu hết các lĩnh vực khoa học và công nghệ. Dưới đây chỉ là một vài ứng dụng điển hình. 1, Y học - Kiểm tra và diễn dịch ảnh thu nhận từ chụp X-quang, cộng hưởng từ (MRI)… - Phân tích ảnh tế bào, nhiễm sắc thể.

2, Nông nghiệp - Phân tích ảnh chụp không gian, vệ tinh để xác định việc sử dụng đất phù hợp, hiệu quả. - Kiểm tra rau quả – phân loại sản phẩm còn tươi ngon và sản phẩm cũ. 3, Công nghiệp - Tự động kiểm tra các sản phẩm trên dây chuyền. - Kiểm tra các mẫu giấy.

4, Thực thi pháp luật - Phân tích sinh trắc học (vân tay, khuôn mặt…). - Làm rõ các chi tiết các ảnh bị mờ. - Phát hiện ảnh giả mạo.6 Các khía cạnh của xử lý ảnh Mặc dù các khía cạnh của xử lý ảnh rất đa dạng, người ta thường chia ra thành một số nhiệm vụ chính mà xử lý ảnh cần thực hiện. Nâng cao chất lượng ảnh.

Nhiệm vụ này nhằm xử lý ảnh sao cho kết quả đạt được phù hợp với một ứng dụng hoặc mục đích nhất định. Lưu ý rằng nâng cao chất lượng ảnh có thể mang tính chủ quan (subjective) vì thế nào là “chất lượng ảnh tốt hơn” nhiều khi phụ thuộc vào cảm nhận của từng người. Một số việc để nâng cao chất lượng ảnh: ● Làm sắc nét (sharpening), giải mờ (de-blurring) ● Làm nổi biên ● Tăng độ sáng, độ tương phản ● Khử nhiễu Khôi phục ảnh. Nhiệm vụ này nhằm khôi phục ảnh bị phá hủy bởi một số nguyên nhân nào đó.

Một số việc để khôi phục ảnh: ● Khử mờ gây ra bởi chuyển động tuyến tính (linear motion). ● Khử sự méo quang (optical distortion). Phân đoạn ảnh. Nhiệm vụ này nhằm chia ảnh thành các phần riêng biệt – là một bước tiền xử lý quan trọng.

● Tìm các đường, đường tròn hoặc các hình, các đối tượng đặc biệt trên ảnh.7 Các loại ảnh số Có thể chia ra bốn loại ảnh cơ bản: nhị phân, đa mức xám, ảnh màu và ảnh chỉ mục màu. Ảnh nhị phân (Binary): Mỗi điểm ảnh hoặc là màu trắng hoặc là màu đen. Mỗi điểm ảnh của loại ảnh này được biểu diễn bởi một bit. Do đó, ảnh nhị phân rất tiết kiệm không gian lưu trữ.

Ảnh nhị phân phù hợp để thể hiện các loại dữ liệu như chữ viết, dấu vân tay, các bản vẽ kỹ thuật… Một ví dụ về ảnh nhị phân có thể thấy trong hình 1-11. 10 Hình 1- 8 Ảnh nhị phân Ảnh đa mức xám (Grayscale): Mỗi điểm ảnh thể hiện một mức xám, có giá trị từ 0 đến 255. Mỗi điểm ảnh của loại ảnh này được biểu diễn bởi một byte (8 bit). Một ví dụ về ảnh đa mức xám có thể thấy trong hình 1-12.

Hình 1- 9 Ảnh đa mức xám Ảnh màu (RGB hoặc True color): Mỗi điểm ảnh là giá trị một màu. Mỗi màu là tổ hợp của ba thành phần màu Red, Green, Blue, trong đó mỗi thành phần màu được biểu diễn bởi một byte. Do đó, mỗi điểm ảnh của loại ảnh này được biểu diễn bằng ba byte (24 bit) và số màu có thể là 2553 = 16,777,216. Như vậy mỗi ảnh màu có thể được xem như một chồng gồm ba ma trận, thể hiện cho các thành phần màu red, green và blue.

Một ví dụ về ảnh màu có thể thấy trong hình 1-13. 11 Hình 1- 10 Ảnh màu Hình 1-11 Ảnh chỉ mục màu Ảnh chỉ mục màu (Indexed): Cách tổ chức của ảnh màu RGB rất tốn không gian, trong khi hầu hết các ảnh chỉ bao gồm một phần nhỏ trong hơn 16 triệu màu. Để thuận lợi hơn trong lưu trữ, ảnh chỉ mục màu tổ chức một bảng màu (color map hoặc color palette), trong đó bao gồm danh sách các màu được dùng trong ảnh. Mỗi điểm ảnh là một giá trị, nhưng không phải là giá trị màu mà là chỉ số trong bảng màu.

Thông thường ảnh có 256 màu hoặc ít hơn để các giá trị chỉ mục chỉ cần một byte lưu trữ. Một số định dạng ảnh, chẳng hạn như ảnh GIF chỉ cho phép không quá 256 màu là vì lý do như trên. Ví dụ trong hình 1-14, chỉ số 6 là ứng 12 với hàng thứ 7 (giá trị i trong ma trận chỉ mục xác định hàng i+1 trong bảng màu), với các giá trị 0.8 Cảm nhận về ảnh Xử lý ảnh thường liên quan đến việc làm cho ảnh trở nên “tốt hơn” với con người. Tuy vậy, cần lưu ý rằng hệ thống thị giác của con người cũng có những hạn chế.

Với hệ thống này, cảm nhận ảnh (image perception) bao gồm hai bước: 1, Ghi nhận ảnh bằng mắt, 2, Nhận ra và diễn dịch ảnh bằng não. Sự tổng hợp và những biến đổi phức tạp của các bước này ảnh hưởng đến nhận thức của chúng ta với thế giới xung quanh. Ví dụ, trong hình 1-15, độ xám của hai hình vuông ở giữa được cảm nhận là khác nhau tuy rằng thực tế chúng có cùng mức xám. Sự cảm nhận khác nhau đó do ảnh hưởng của vùng nền xung quanh.