Áp dụng Entropy & SVM theo dõi sục khí tự động tại trạm quan trắc môi trường

Luận văn trình bày giải pháp theo dõi sục khí tự động bằng cách áp dụng độ đo Entropy và máy học SVM để tách đặc trưng bọt khí trên video quan trắc.

• Tác giả: Trịnh Văn Dũng
• Người hướng dẫn: Ts. Hoàng Mạnh Hà
• Trường học: Trường Đại học Thủ Dầu Một
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Áp dụng độ đo entropy cho bài toán tách đặc trưng của bọt khí trên video và đề xuất kết hợp SVM cho vấn đề tự động theo dõi sục khí tại trạm quan trắc môi trường
• Loại tài liệu: Luận văn thạc sỹ
• Năm xuất bản: 2019
• Địa điểm: Bình Dương

Tóm tắt

I. Khám phá cách theo dõi bọt khí tự động bằng AI trên video

Công nghệ theo dõi bọt khí tự động trên video là một bước tiến quan trọng trong lĩnh vực giám sát công nghiệp và môi trường. Kỹ thuật này ứng dụng các nguyên lý của thị giác máy tính và xử lý ảnh kỹ thuật số để tự động hóa việc giám sát các quá trình sục khí, đặc biệt là trong các bể nuôi vi sinh xử lý nước thải. Thay vì giám sát thủ công tốn kém và thiếu chính xác, hệ thống tự động sử dụng camera để ghi lại video, sau đó phân tích từng khung hình để xác định sự hiện diện hoặc vắng mặt của bọt khí. Luận văn của tác giả Trịnh Văn Dũng (2019) đã đề xuất một giải pháp đột phá, kết hợp giữa việc trích xuất đặc trưng bằng độ đo Entropy và phân loại bằng máy học vector hỗ trợ (SVM). Phương pháp này không chỉ giúp giảm thiểu nhân lực mà còn tăng cường độ chính xác và khả năng phản ứng kịp thời, đảm bảo quá trình sục khí diễn ra liên tục, cung cấp đủ oxy cho hệ vi sinh vật. Hệ thống này mở ra tiềm năng lớn cho việc xây dựng các hệ thống theo dõi thời gian thực, giúp các đơn vị quan trắc môi trường và nhà máy xử lý nước thải nâng cao hiệu quả hoạt động và bảo vệ môi trường một cách bền vững. Việc tự động hóa này là một ví dụ điển hình cho sự hội tụ giữa công nghệ thông tin và kỹ thuật môi trường, mang lại giá trị thực tiễn cao.

1.1. Giới thiệu về thị giác máy tính trong giám sát môi trường

Thị giác máy tính (Computer Vision) đóng vai trò trung tâm trong các hệ thống giám sát môi trường hiện đại. Công nghệ này cho phép máy tính "nhìn" và diễn giải thông tin từ hình ảnh hoặc video, tương tự như con người. Trong bối cảnh giám sát quá trình sục khí, các thuật toán thị giác máy tính được sử dụng để thực hiện các tác vụ phức tạp như phát hiện đối tượng (bọt khí), phân tích chuyển động, và nhận dạng mẫu. Các thư viện mã nguồn mở như OpenCV cung cấp một bộ công cụ mạnh mẽ để xây dựng các ứng dụng này. Thông qua việc phân tích các chuỗi khung hình từ video, hệ thống có thể xác định các đặc điểm quan trọng như kích thước, mật độ và tốc độ của bọt khí, từ đó đánh giá hiệu quả của quá trình sục khí mà không cần sự can thiệp trực tiếp của con người.

1.2. Tầm quan trọng của việc tự động hóa theo dõi sục khí

Việc sục khí liên tục là yếu tố sống còn đối với các bể nuôi vi sinh trong xử lý nước thải. Vi sinh vật cần oxy để tồn tại và phân hủy các chất ô nhiễm. Nếu quá trình sục khí bị gián đoạn, vi sinh vật sẽ chết, gây ảnh hưởng nghiêm trọng đến toàn bộ hệ thống xử lý. Giám sát thủ công vừa tốn thời gian, vừa dễ xảy ra sai sót. Do đó, việc tự động hóa quá trình theo dõi đối tượng trong video, cụ thể là bọt khí, mang lại lợi ích to lớn. Một hệ thống tự động có thể hoạt động 24/7, phát hiện ngay lập tức sự cố ngừng sục khí và gửi cảnh báo kịp thời. Điều này không chỉ đảm bảo hiệu quả xử lý nước mà còn tối ưu hóa chi phí vận hành, giảm rủi ro và góp phần bảo vệ hệ sinh thái nguồn nước.

II. Thách thức trong việc giám sát bọt khí tại trạm quan trắc

Việc triển khai một hệ thống theo dõi bọt khí tự động phải đối mặt với nhiều thách thức kỹ thuật đáng kể. Bọt khí là những đối tượng nhỏ, chuyển động nhanh và có hình dạng không đồng nhất, gây khó khăn cho các thuật toán phát hiện đối tượng truyền thống. Môi trường nước trong các bể công nghiệp thường không ổn định, với các yếu tố gây nhiễu như sóng trên bề mặt, cặn bẩn, và sự thay đổi cường độ ánh sáng theo thời gian trong ngày. Những yếu tố này có thể tạo ra các tín hiệu giả, làm giảm độ chính xác của hệ thống nhận dạng. Hơn nữa, việc xử lý một lượng lớn dữ liệu video trong thời gian thực đòi hỏi tài nguyên tính toán cao và các thuật toán được tối ưu hóa. Nghiên cứu của Trịnh Văn Dũng đã chỉ ra rằng việc lựa chọn một phương pháp trích xuất đặc trưng hiệu quả là chìa khóa để vượt qua những trở ngại này. Một phương pháp tốt phải có khả năng phân biệt rõ ràng giữa các pixel thuộc về bọt khí và các pixel nền, bất chấp các điều kiện nhiễu loạn của môi trường. Đây là bài toán cốt lõi mà các nhà nghiên cứu trong lĩnh vực xử lý ảnh kỹ thuật số cần giải quyết để xây dựng một hệ thống giám sát đáng tin cậy.

2.1. Khó khăn trong phân đoạn ảnh với đối tượng nhỏ và nhanh

Quá trình phân đoạn ảnh (Image Segmentation), tức là tách đối tượng quan tâm ra khỏi nền, trở nên đặc biệt phức tạp với bọt khí. Kích thước nhỏ và vòng đời ngắn của bọt khí khiến chúng dễ bị bỏ sót hoặc nhầm lẫn với nhiễu. Tốc độ di chuyển nhanh của chúng cũng tạo ra hiệu ứng mờ nhòe (motion blur) trên các khung hình video, làm giảm độ sắc nét của đường biên. Các thuật toán cần đủ nhạy để phát hiện những thay đổi tinh vi về mức xám hoặc kết cấu do bọt khí tạo ra, đồng thời phải đủ mạnh mẽ để không bị "đánh lừa" bởi các gợn sóng hay phản xạ ánh sáng trên mặt nước. Đây là một thách thức lớn đối với cả các phương pháp dựa trên ngưỡng (thresholding) và dựa trên biên (edge-based).

2.2. Vấn đề nhiễu và biến đổi ánh sáng trong video công nghiệp

Môi trường công nghiệp hiếm khi lý tưởng cho việc thu nhận hình ảnh. Video từ camera giám sát thường bị ảnh hưởng bởi nhiều loại nhiễu: nhiễu điện tử từ cảm biến camera, nhiễu do điều kiện ánh sáng yếu, và nhiễu vật lý như gợn sóng, cặn bẩn trong nước. Ánh sáng cũng có thể thay đổi đột ngột do thời tiết hoặc hệ thống chiếu sáng nhân tạo, làm thay đổi hoàn toàn đặc điểm mức xám của ảnh. Những biến đổi này đòi hỏi hệ thống phải có khả năng thích ứng cao. Các bước tiền xử lý như lọc nhiễu (ví dụ: bộ lọc Gaussian) và cân bằng histogram là cần thiết, nhưng việc tìm ra một phương pháp trích xuất đặc trưng bất biến với những thay đổi này mới là yếu tố quyết định đến sự thành công của toàn bộ hệ thống nhận dạng mẫu.

III. Hướng dẫn trích xuất đặc trưng bọt khí bằng Entropy và Logic mờ

Để giải quyết các thách thức đã nêu, luận văn của Trịnh Văn Dũng đề xuất một phương pháp trích xuất đặc trưng độc đáo dựa trên độ đo Entropy. Entropy trong lý thuyết thông tin là thước đo cho sự ngẫu nhiên hoặc độ bất định của một hệ thống. Áp dụng vào xử lý ảnh kỹ thuật số, Entropy của một vùng ảnh có thể phản ánh mức độ phức tạp về kết cấu (texture) của vùng đó. Vùng nước tĩnh, không có bọt khí, sẽ có các giá trị pixel tương đối đồng nhất và do đó có Entropy thấp. Ngược lại, sự xuất hiện của bọt khí tạo ra sự thay đổi đột ngột về mức xám, làm tăng tính ngẫu nhiên và dẫn đến giá trị đặc trưng Entropy cao. Bằng cách tính toán Entropy cho từng pixel hoặc từng khối pixel, hệ thống có thể tạo ra một bản đồ Entropy, làm nổi bật các khu vực có khả năng chứa bọt khí. Tuy nhiên, một số vùng nhiễu cũng có thể có Entropy cao. Để giải quyết vấn đề này, phương pháp kết hợp thêm Fuzzy Logic (Logic mờ) và biến đổi Wavelet Haar để tinh chỉnh và tối ưu hóa bộ đặc trưng, chuẩn bị cho bước phân loại bọt khí bằng SVM.

3.1. Ứng dụng đặc trưng Entropy để đo lường độ bất định pixel

Cơ sở của phương pháp này là nhận định rằng các pixel trong khu vực có bọt khí thể hiện độ bất định cao hơn so với nền nước. Theo nghiên cứu, giá trị Entropy được tính toán cho từng điểm ảnh dựa trên phân phối mức xám của các pixel lân cận. Một cửa sổ nhỏ trượt qua toàn bộ ảnh, và tại mỗi vị trí, một giá trị Entropy được tính. Kết quả là một ảnh mới, trong đó cường độ sáng của mỗi pixel đại diện cho giá trị Entropy tại vị trí tương ứng. Thực nghiệm cho thấy, khi có bọt khí, bản đồ Entropy sẽ xuất hiện các điểm sáng dày đặc với giá trị dương (0 < Entropy ≤ 1). Khi không có bọt khí, bản đồ chủ yếu là các vùng tối với giá trị Entropy bằng 0. Kỹ thuật này chuyển đổi bài toán từ nhận dạng hình dạng sang phân tích kết cấu, một cách tiếp cận hiệu quả cho các đối tượng phức tạp như bọt khí.

3.2. Vai trò của Logic mờ và biến đổi Wavelet Haar trong xử lý

Fuzzy Logic được sử dụng để xử lý các trường hợp mập mờ, khi giá trị Entropy gần bằng 0. Những pixel này có thể là nhiễu hoặc bọt khí rất nhỏ. Một hàm thành viên (hàm Activation) được thiết kế để "khử" những pixel không rõ ràng này, làm sạch dữ liệu đặc trưng. Sau đó, phép biến đổi Wavelet Haar được áp dụng. Đây là một công cụ toán học hiệu quả để phân tích tín hiệu ở các tần số khác nhau và giúp thu gọn kích thước dữ liệu. Bằng cách áp dụng Wavelet Haar nhiều lần, kích thước của ảnh đặc trưng được giảm đi đáng kể (ví dụ từ 468x624 xuống 30x39) nhưng vẫn giữ lại những thông tin quan trọng nhất. Việc giảm chiều dữ liệu này giúp quá trình huấn luyện thuật toán SVM sau đó diễn ra nhanh hơn và giảm nguy cơ overfitting.

IV. Cách phân loại bọt khí tự động bằng thuật toán SVM ưu việt

Sau khi đã có được bộ dữ liệu đặc trưng được trích xuất và tối ưu hóa, bước tiếp theo là xây dựng một bộ phân loại thông minh. Máy học vector hỗ trợ (Support Vector Machine - SVM) được lựa chọn cho nhiệm vụ này nhờ hiệu quả đã được chứng minh trong nhiều bài toán phân loại, đặc biệt với dữ liệu có số chiều lớn. Thuật toán SVM là một phương pháp học có giám sát, hoạt động bằng cách tìm ra một "siêu phẳng" (hyperplane) trong không gian nhiều chiều để phân tách các điểm dữ liệu thành các lớp khác nhau. Trong bài toán này, có hai lớp cần phân biệt: "có bọt khí" và "không có bọt khí". Mục tiêu của SVM là tìm ra siêu phẳng phân cách sao cho khoảng cách (gọi là lề - margin) từ siêu phẳng này đến các điểm dữ liệu gần nhất của mỗi lớp là lớn nhất. Một lề lớn hơn đồng nghĩa với khả năng tổng quát hóa tốt hơn, tức là mô hình sẽ phân loại chính xác hơn trên các dữ liệu mới chưa từng thấy. Việc sử dụng SVM cho phân loại bọt khí mang lại độ chính xác cao và khả năng xử lý tốt các trường hợp biên, nơi sự khác biệt giữa hai lớp không quá rõ ràng.

4.1. Nguyên lý hoạt động của máy học vector hỗ trợ trong nhận dạng

Về cơ bản, mỗi frame ảnh sau khi trích xuất đặc trưng sẽ được biểu diễn dưới dạng một vector trong không gian đặc trưng. Tập hợp các vector từ các frame "có bọt khí" và "không có bọt khí" tạo thành hai đám mây điểm. Máy học vector hỗ trợ sẽ tìm một siêu phẳng w.x - b = 0 để chia tách hai đám mây điểm này. Các điểm dữ liệu nằm trên đường biên của lề được gọi là các vector hỗ trợ (support vectors), và chúng chính là những điểm quyết định vị trí của siêu phẳng. Ưu điểm của SVM là nó chỉ phụ thuộc vào các vector hỗ trợ này, giúp mô hình trở nên mạnh mẽ trước nhiễu và các điểm dữ liệu ngoại lai. Đối với dữ liệu không thể phân tách tuyến tính, SVM sử dụng kỹ thuật "kernel trick" để ánh xạ dữ liệu lên một không gian có số chiều cao hơn, nơi chúng có thể được phân tách bằng một siêu phẳng.

4.2. Xây dựng mô hình phân lớp tối ưu cho bài toán hai lớp

Quá trình xây dựng mô hình thuật toán SVM bao gồm hai giai đoạn chính: huấn luyện (training) và kiểm thử (testing). Trong giai đoạn huấn luyện, một tập dữ liệu lớn đã được gán nhãn (bao gồm cả ảnh có và không có bọt khí) được đưa vào để thuật toán "học" và tìm ra siêu phẳng tối ưu. Các tham số của SVM, như tham số C (điều chỉnh mức độ phạt cho lỗi phân loại) và loại kernel, cần được tinh chỉnh để đạt hiệu suất cao nhất. Sau khi mô hình được huấn luyện, nó sẽ được lưu lại. Trong giai đoạn nhận dạng, một frame ảnh mới sẽ được xử lý để trích xuất vector đặc trưng. Vector này sau đó được đưa vào mô hình SVM đã huấn luyện để dự đoán xem nó thuộc lớp nào. Quá trình này tạo thành một hệ thống theo dõi thời gian thực hiệu quả cho việc giám sát sục khí.

V. Kết quả ấn tượng từ hệ thống theo dõi bọt khí thời gian thực

Luận văn "Áp dụng độ đo entropy cho bài toán tách đặc trưng của bọt khí trên video và đề xuất kết hợp SVM cho vấn đề tự động theo dõi sục khí" đã trình bày các kết quả thực nghiệm thuyết phục, chứng minh tính hiệu quả của các phương pháp đề xuất. Dữ liệu thực nghiệm được thu thập từ 4 trạm quan trắc môi trường khác nhau tại Bình Dương, với hàng chục nghìn khung hình video, đảm bảo tính đa dạng và thực tiễn của bộ dữ liệu. Hai hướng tiếp cận chính đã được kiểm chứng: hướng sử dụng đặc trưng Entropy kết hợp Logic mờ và Wavelet, và hướng sử dụng bộ lọc Canny để dò biên. Cả hai phương pháp sau khi kết hợp với bộ phân loại SVM đều cho kết quả rất khả quan. Đặc biệt, phương pháp dò biên bằng bộ lọc Canny tỏ ra vượt trội, không chỉ về độ chính xác mà còn về sự thuận tiện trong việc triển khai ứng dụng thực tế. Những kết quả này khẳng định tiềm năng to lớn của việc ứng dụng thị giác máy tính và học máy vào việc giải quyết các bài toán giám sát trong ngành môi trường, mở đường cho các hệ thống theo dõi thời gian thực tiên tiến.

5.1. Phân tích kết quả từ luận văn của tác giả Trịnh Văn Dũng

Kết quả thực nghiệm cho thấy độ chính xác cao của hệ thống. Đối với hướng tiếp cận sử dụng đặc trưng Entropy, sau khi huấn luyện mô hình với 80 tập dữ liệu (8000 ảnh), mô hình đạt được độ chính xác phân loại cao khi kiểm thử trên các tập ảnh mới. Tuy nhiên, kết quả ấn tượng nhất đến từ hướng thứ hai. Khi sử dụng bộ lọc Canny để trích xuất đặc trưng biên và huấn luyện mô hình thuật toán SVM với 200 ảnh mẫu, hệ thống đã đạt được độ chính xác nhận dạng đúng 100% trên bộ dữ liệu kiểm thử gồm 4 video (mỗi video ~8805 khung hình). Con số này là một minh chứng mạnh mẽ cho sự phù hợp của phương pháp dò biên Canny đối với bài toán phân loại bọt khí.

5.2. So sánh hiệu quả giữa phương pháp Entropy và bộ lọc Canny

Cả hai phương pháp đều cung cấp những cách tiếp cận giá trị để trích xuất đặc trưng bọt khí. Phương pháp Entropy tập trung vào đặc tính kết cấu và sự hỗn loạn của vùng ảnh, tỏ ra hiệu quả trong việc nắm bắt bản chất phân tán của bọt khí. Trong khi đó, bộ lọc Canny lại tập trung vào đặc tính hình học, cụ thể là đường biên của đối tượng. Kết quả 100% của Canny cho thấy rằng trong điều kiện thực nghiệm của luận văn, đặc trưng về đường biên là dấu hiệu phân biệt rõ ràng và đáng tin cậy nhất giữa frame có và không có bọt khí. Hơn nữa, việc triển khai bộ lọc Canny với thư viện OpenCV trên nền tảng Visual Studio C++ cũng thuận lợi hơn cho việc xây dựng ứng dụng người dùng cuối, sẵn sàng để đưa vào triển khai thực tế.

VI. Tương lai công nghệ theo dõi bọt khí và tiềm năng phát triển

Thành công của mô hình kết hợp Entropy/Canny và SVM không phải là điểm kết thúc, mà là nền tảng vững chắc cho những phát triển xa hơn trong lĩnh vực theo dõi bọt khí tự động. Tương lai của công nghệ này hứa hẹn sẽ tích hợp các thuật toán học sâu (Deep Learning) tiên tiến hơn như Mạng Nơ-ron Tích chập (CNN), có khả năng tự động học các đặc trưng phức tạp trực tiếp từ dữ liệu ảnh thô mà không cần bước trích xuất đặc trưng thủ công. Điều này có thể giúp hệ thống trở nên mạnh mẽ hơn nữa trước các điều kiện môi trường thay đổi và các loại bọt khí khác nhau. Hơn nữa, việc tối ưu hóa các mô hình để chạy trên các thiết bị nhúng (embedded systems) hoặc tại biên (edge computing) sẽ cho phép triển khai các hệ thống theo dõi thời gian thực với chi phí thấp hơn và độ trễ gần như bằng không. Ngoài giám sát sục khí, các kỹ thuật tương tự còn có tiềm năng ứng dụng rộng rãi trong các lĩnh vực khác, chẳng hạn như phân tích động lực học dòng chảy trong các lò phản ứng hóa học, nghiên cứu các hiện tượng sôi, hay giám sát chất lượng trong ngành công nghiệp đồ uống.

6.1. Hướng phát triển hệ thống với Deep Learning và OpenCV

Các mô hình Deep Learning, đặc biệt là các kiến trúc như YOLO (You Only Look Once) hoặc Faster R-CNN, có thể được huấn luyện để thực hiện đồng thời cả hai nhiệm vụ: phát hiện đối tượng (xác định vị trí của từng bọt khí) và phân loại. Điều này sẽ cung cấp thông tin chi tiết hơn nhiều so với việc chỉ phân loại toàn bộ khung hình. Việc kết hợp các mô hình này với thư viện OpenCV, vốn đã hỗ trợ mạnh mẽ cho deep learning, sẽ tạo ra các hệ thống theo dõi thời gian thực cực kỳ mạnh mẽ và linh hoạt. Hệ thống có thể không chỉ cảnh báo việc ngừng sục khí mà còn có thể phân tích các thông số như phân bố kích thước bọt khí, vận tốc trung bình, từ đó cung cấp dữ liệu quý giá để tối ưu hóa hiệu quả của toàn bộ quá trình xử lý.

6.2. Tiềm năng ứng dụng trong phân tích động lực học dòng chảy

Kỹ thuật theo dõi đối tượng trong video phát triển cho bài toán bọt khí có thể được mở rộng sang lĩnh vực động lực học dòng chảy (fluid dynamics). Bằng cách theo dõi chuyển động của các hạt đánh dấu hoặc các bọt khí trong một dòng chảy, các nhà khoa học và kỹ sư có thể trực quan hóa và định lượng các trường vận tốc, nghiên cứu các hiện tượng nhiễu loạn, và xác nhận các mô hình mô phỏng số. Đây là một công cụ mạnh mẽ trong thiết kế các hệ thống thủy lực, khí động học, và các lò phản ứng công nghiệp. Khả năng phân tích chuyển động chính xác từ video mở ra một hướng đi mới cho nghiên cứu thực nghiệm trong một lĩnh vực khoa học cơ bản và ứng dụng quan trọng.

Nội dung chính

Tổng quan nghiên cứu

Trong hệ thống xử lý nước thải sinh học tại các khu công nghiệp và đô thị, quá trình sục khí liên tục đóng vai trò sống còn nhằm duy trì nồng độ oxy hòa tan để nuôi dưỡng hệ vi sinh vật hiếu khí. Theo các số liệu thực nghiệm sinh học, quần thể vi sinh vật xử lý chất bẩn hữu cơ sẽ bắt đầu suy thoái và chết hàng loạt chỉ sau khoảng 15 đến 16 giây nếu hệ thống sục khí gặp sự cố ngừng cấp oxy. Sự cố này dẫn đến nguy cơ tê liệt toàn bộ quy trình xử lý nước thải, gây thiệt hại kinh tế hàng trăm triệu đồng cho mỗi chu kỳ phục hồi bùn hoạt tính. Tuy nhiên, phương thức giám sát truyền thống chủ yếu dựa vào tuần tra trực tiếp của nhân viên hoặc sử dụng đầu dò cảm biến cơ điện gắn chìm trong môi trường nước thải đậm đặc hóa chất ăn mòn, làm tăng chi phí bảo trì định kỳ lên đến 40% mỗi năm.

Nhằm giải quyết triệt để hạn chế trên, luận văn tập trung nghiên cứu bài toán tự động nhận dạng trạng thái sục khí thông qua chuỗi khung hình video từ camera giám sát quang học không tiếp xúc. Mục tiêu cụ thể là xây dựng quy trình tiền xử lý, trích xuất đặc trưng bọt khí động học và huấn luyện mô hình học máy nhị phân có khả năng phân loại chính xác giữa trạng thái có bọt khí và không có bọt khí trong thời gian thực. Phạm vi nghiên cứu được triển khai thực nghiệm trên 4 trạm quan trắc môi trường thực tế tại tỉnh Bình Dương với tổng dung lượng dữ liệu video thu nhận trên 40.000 khung hình ở tốc độ 8 khung hình trên giây.

Nghiên cứu mang lại ý nghĩa học thuật và ứng dụng to lớn khi thiết lập thời gian phát hiện sự cố gián đoạn sục khí ở mức 12,5 giây, hoàn toàn nằm trong ngưỡng an toàn sinh học. Đồng thời, giải pháp giúp tự động hóa 100% công tác giám sát tại trạm, cắt giảm trên 90% nhân lực kiểm tra thủ công và đảm bảo tính liên tục của dữ liệu quan trắc xả thải.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Hệ thống lý thuyết của luận văn được xây dựng trên sự giao thoa giữa xử lý ảnh số, lý thuyết thông tin và học máy thống kê thông qua 4 trụ cột chính:

Thứ nhất là lý thuyết độ đo Entropy thông tin theo nguyên lý Claude Shannon. Đại lượng Entropy được ứng dụng để định lượng độ bất định và sự ngẫu nhiên của các điểm ảnh theo thời gian. Các vùng mặt nước có bọt khí nổi liên tục sẽ mang giá trị biến thiên cường độ xám cao, dẫn đến mức Entropy biến thiên từ 0 đến 1, trong khi bề mặt nước tĩnh không sục khí có độ hỗn loạn thấp với Entropy tiệm cận 0.

Thứ hai là lý thuyết tập mờ kết hợp hàm kích hoạt phi tuyến. Mô hình mờ được thiết lập nhằm phân loại và khử các điểm ảnh có độ bất định mập mờ phát sinh từ sóng dao động cơ học hoặc độ tương phản ánh sáng yếu, với tham số suy giảm alpha được tối ưu hóa ở mức 2.

Thứ ba là phép biến đổi sóng Haar Wavelet đa phân giải. Thuật toán này phân rã tín hiệu ảnh thành các dải tần số không gian khác nhau, cho phép nén giảm chiều dữ liệu ma trận ảnh từ độ phân giải 468x624 điểm ảnh xuống còn 30x39 điểm ảnh mà vẫn lưu giữ trọn vẹn các thành phần tần số cao đặc trưng cho bề mặt bọt khí.

Thứ tư là lý thuyết máy vector hỗ trợ của Vladimir Vapnik. Mô hình SVM nhị phân tìm kiếm siêu phẳng tối ưu có khoảng cách lề lớn nhất để phân tách hai lớp vector đặc trưng, đảm bảo sai số tổng quát hóa nhỏ nhất trên không gian nhiều chiều.

Phương pháp nghiên cứu

Dữ liệu nghiên cứu được thu thập từ 4 tệp video chất lượng cao ghi lại hoạt động thực tế tại 4 bể nuôi vi sinh của Trung tâm Quan trắc Môi trường tỉnh Bình Dương. Mỗi tệp video có độ dài xấp xỉ 10.000 khung hình, tương ứng với tốc độ ghi hình chuẩn 8 khung hình trên giây. Từ nguồn dữ liệu gốc, tác giả tách thành 8 tệp video thành phần đại diện cho hai trạng thái có sục khí và không sục khí trong các điều kiện ánh sáng và góc quay khác nhau.

Quy trình chọn mẫu được thực hiện theo phương pháp lấy mẫu hệ thống phân tầng theo chu kỳ thời gian. Đối với phương pháp trích chọn Entropy kết hợp biến đổi sóng, cỡ mẫu bao gồm 80 tập dữ liệu tương ứng 8.000 khung hình (chia đều 40 tập có bọt khí và 40 tập không bọt khí, mỗi tập chứa đúng 100 khung hình liên tiếp). Đối với phương pháp dò biên Gradient, cỡ mẫu huấn luyện gồm 200 ảnh tĩnh chọn lọc (100 ảnh có bọt khí và 100 ảnh không có bọt khí) và tập kiểm thử độc lập gồm 35.220 khung hình (8.805 khung hình cho mỗi trạm quan trắc).

Lý do lựa chọn phương pháp phân tích bắt nguồn từ đặc thù ảnh bọt khí chứa nhiều nhiễu ngẫu nhiên và biến động phi tuyến. Thuật toán SVM được ưu tiên hơn các mạng nơ-ron nhân tạo nhiều tầng nhờ khả năng chống hiện tượng quá khớp vượt trội khi kích thước mẫu huấn luyện giới hạn. Đồng thời, bộ lọc Canny được chứng minh là toán tử dò biên tối ưu nhất nhờ tiêu chuẩn hóa làm mịn Gaussian và cơ chế khử phi cực đại hai ngưỡng. Toàn bộ quá trình thu thập, xử lý và kiểm thử thực nghiệm được tiến hành liên tục trong niên khóa nghiên cứu 2019.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối chiếu giữa hai hướng tiếp cận đã mang lại 4 phát hiện quan trọng có giá trị khoa học cao:

Thứ nhất, phân tích độ đo Entropy trên từng tập 100 khung hình cho thấy sự phân hóa rõ rệt giữa hai trạng thái mặt nước. Tại các khu vực có sục khí, mật độ các điểm ảnh có giá trị Entropy dương dao động dày đặc trong khoảng từ 0,15 đến 0,98. Ngược lại, trên các khung hình không sục khí, hơn 92,4% tổng số điểm ảnh có giá trị Entropy bằng 0 tuyệt đối, chỉ một tỷ lệ nhỏ dưới 7,6% điểm ảnh xuất hiện giá trị dương cục bộ do gợn sóng cơ học nhẹ.

Thứ hai, việc ứng dụng hàm kích hoạt mờ với tham số độ dốc alpha bằng 2 đã loại bỏ triệt để 100% các điểm ảnh nhiễu có giá trị Entropy thấp tiệm cận 0, giúp làm sạch hoàn toàn nền ảnh trước khi trích xuất vector đặc trưng.

Thứ ba, biến đổi Haar Wavelet 4 cấp độ giúp giảm thiểu kích thước ma trận dữ liệu từ 291.968 điểm ảnh (khổ 468x624) xuống chỉ còn 1.170 điểm ảnh (khổ 30x39), tương đương tỷ lệ nén dữ liệu đạt 99,6%. Mô hình SVM huấn luyện trên tập 80 vector đặc trưng nén này đạt độ chính xác phân loại tổng thể trên 98,75% với thời gian xử lý chỉ mất khoảng 1,2 giây cho mỗi chu kỳ dữ liệu.

Thứ tư, hướng tiếp cận sử dụng bộ lọc Canny kết hợp thuật toán SVM lập trình bằng ngôn ngữ C++ với thư viện mã nguồn mở OpenCV đã tạo ra bước đột phá vượt bậc. Khi kiểm thử trên tập dữ liệu lớn gồm 35.220 khung hình độc lập trích xuất từ 4 trạm quan trắc môi trường (8.805 khung hình mỗi clip), mô hình đã đạt tỷ lệ nhận dạng chính xác tuyệt đối 100%, không ghi nhận bất kỳ trường hợp nhận định sai lệch nào.

Thảo luận kết quả

Hiệu quả vượt trội của thuật toán Canny và SVM bắt nguồn từ bản chất vật lý của bọt khí sục oxy. Khi máy thổi khí vận hành, bọt khí liên tục vỡ tung trên bề mặt tạo thành vô số đường biên vi mô có độ dốc Gradient cường độ xám biến đổi cực đại. Bộ lọc Canny với mặt nạ Gaussian hai chiều đã lọc sạch các xung nhiễu hạt trước khi áp dụng đạo hàm bậc nhất theo hai trục trực giao, từ đó bảo toàn nguyên vẹn cấu trúc mạng lưới bọt khí.

Khi so sánh với các toán tử dò biên kinh điển như Roberts, Prewitt và Sobel, thuật toán Canny cho chất lượng đường bao sắc nét hơn và giảm đến 45% các đường biên giả do khúc xạ ánh sáng mặt trời. So với thuật toán Perceptron một lớp truyền thống, bộ phân lớp SVM thiết lập khoảng cách lề rộng hơn gấp nhiều lần, loại bỏ hoàn toàn nguy cơ phân lớp sai tại các vùng chuyển tiếp mập mờ giữa bọt mịn và bọt thô.

Các dữ liệu thực nghiệm trong luận văn có thể được trình bày một cách trực quan thông qua biểu đồ phân bố mật độ Entropy không gian ba chiều, ma trận nhầm lẫn nhị phân và bảng so sánh chi tiết các chỉ số chất lượng ảnh. Cụ thể, việc biểu diễn chỉ số sai số toàn phương trung bình cùng tỷ số tín hiệu trên nhiễu đỉnh giữa ảnh gốc và ảnh sau xử lý biên trên biểu đồ cột sẽ làm nổi bật sự chênh lệch rõ rệt về mật độ đặc trưng giữa trạng thái có sục khí và không sục khí.

Thành công của mô hình không chỉ xác nhận tính đúng đắn của giả thuyết nghiên cứu mà còn mang lại giải pháp công nghệ có khả năng triển khai tức thì trên hạ tầng camera an ninh hiện hữu mà không cần bổ sung cảm biến phần cứng tốn kém.

Đề xuất và khuyến nghị

Nhằm chuyển giao kết quả nghiên cứu vào thực tiễn quản lý môi trường, luận văn đưa ra 4 khuyến nghị then chốt:

1. Tích hợp phần mềm nhận dạng Canny-SVM vào hệ thống máy chủ giám sát trung tâm tại 100% các trạm quan trắc nước thải tự động trên địa bàn tỉnh trong vòng 6 đến 12 tháng tới, do Sở Tài nguyên và Môi trường tỉnh Bình Dương cùng Ban Quản lý các Khu công nghiệp phối hợp chủ trì thực hiện.
2. Thiết lập cơ chế tự động gửi cảnh báo khẩn cấp đa phương thức qua tin nhắn SMS, thư điện tử và còi báo động trực tiếp tại trạm với độ trễ phản hồi không quá 12,5 giây kể từ thời điểm phát hiện bể ngừng sục khí, giao cho Đội ngũ kỹ thuật vận hành trạm quan trắc chịu trách nhiệm cấu hình hoàn tất trong quý 1 năm sau.
3. Chuẩn hóa quy trình hiệu chỉnh ngưỡng lọc sáng tự động theo chu kỳ 24 giờ nhằm duy trì độ chính xác nhận diện ổn định trên 99% trong điều kiện thời tiết mưa bão, sương mù hoặc chiếu sáng ban đêm, do Trung tâm Quan trắc Môi trường phối hợp cùng nhóm nghiên cứu lập trình bổ sung định kỳ hàng quý.
4. Mở rộng quy mô tập dữ liệu mẫu lên trên 50.000 khung hình với đa dạng các loại bọt khí sinh học khác nhau (bọt váng hữu cơ, bọt xà phòng công nghiệp) trong giai đoạn 12 đến 24 tháng tới, do các Viện nghiên cứu Công nghệ Thông tin và các Trường Đại học chuyên ngành phụ trách triển khai.

Đối tượng nên tham khảo luận văn

Tài liệu này là nguồn tài liệu chuyên sâu hữu ích cho 4 nhóm đối tượng sau:

1. Kỹ sư thị giác máy tính và trí tuệ nhân tạo: Tiếp cận phương pháp luận hoàn chỉnh từ trích chọn đặc trưng Entropy, khử nhiễu bằng logic mờ, nén ảnh Haar Wavelet đến phân loại SVM với hiệu năng nén dữ liệu giảm hơn 99% phục vụ các bài toán xử lý video thời gian thực.
2. Cán bộ quản lý và vận hành trạm quan trắc môi trường: Khai thác giải pháp giám sát tự động không tiếp xúc nhằm loại bỏ hoàn toàn rủi ro hỏng hóc cảm biến ngập nước, giảm hơn 80% thời gian tuần tra trực tiếp và bảo vệ an toàn 100% cho các bể xử lý sinh học hiếu khí.
3. Doanh nghiệp và chủ đầu tư nhà máy xử lý nước thải: Áp dụng công nghệ camera thông minh để tự động hóa quy trình kiểm soát máy sục khí, cắt giảm từ 15% đến 25% lượng điện năng lãng phí do sục khí dư thừa hoặc phát hiện kịp thời sự cố hỏng động cơ quạt gió.
4. Học viên cao học và nghiên cứu sinh ngành Hệ thống Thông tin: Tham khảo mô hình thiết kế nghiên cứu chuẩn mực, phương pháp lập trình C++ kết hợp thư viện OpenCV và kỹ thuật thực nghiệm trên tập dữ liệu thực tế quy mô hơn 35.000 khung hình.

Câu hỏi thường gặp

Tại sao nghiên cứu lại chọn chu kỳ phân tích 100 khung hình tương đương 12,5 giây?

Trong điều kiện thực tế của camera giám sát với tốc độ 8 khung hình trên giây, 100 khung hình cung cấp tập dữ liệu thống kê đủ lớn để tính toán chính xác độ đo Entropy. Khoảng thời gian 12,5 giây này hoàn toàn đáp ứng yêu cầu an toàn sinh học, vì các vi sinh vật hiếu khí trong bể nuôi chỉ bắt đầu tổn thương và tử vong sau 15 đến 16 giây thiếu hụt oxy hòa tan.

Điểm khác biệt cơ bản giữa hướng tiếp cận Entropy-Wavelet và hướng Canny-SVM là gì?

Hướng tiếp cận Entropy kết hợp Wavelet phân tích độ hỗn loạn ngẫu nhiên của các điểm ảnh theo chiều thời gian và nén ma trận xuống 99,6% để huấn luyện SVM. Trong khi đó, hướng tiếp cận Canny phân tích trực tiếp đạo hàm không gian của từng khung hình để phát hiện mạng lưới đường biên bọt khí, mang lại độ chính xác nhận dạng đạt 100% trên nền tảng C++ và OpenCV.

Vì sao thuật toán SVM lại được lựa chọn thay vì mạng nơ-ron nhân tạo truyền thống?

Thuật toán SVM tối ưu hóa khoảng cách lề cực đại giữa hai siêu phẳng phân cách, giúp mô hình đạt khả năng tổng quát hóa xuất sắc ngay cả khi tập mẫu huấn luyện chỉ gồm 200 ảnh tĩnh hoặc 80 vector nén. Ngược lại, mạng nơ-ron truyền thống như Perceptron một lớp rất dễ rơi vào cực trị địa phương và gặp hiện tượng quá khớp khi dữ liệu đầu vào chứa nhiều nhiễu sóng nước.

Hiện tượng phản xạ ánh sáng và sóng mặt nước được xử lý như thế nào trong mô hình?

Hệ thống giải quyết hiện tượng phản xạ ánh sáng bằng việc chuyển đổi ảnh sang thang độ xám 256 mức và áp dụng bộ lọc Gaussian làm mịn. Đối với sóng cơ học, hàm kích hoạt mờ với hệ số alpha bằng 2 sẽ triệt tiêu các điểm ảnh có Entropy thấp tiệm cận 0, trong khi cơ chế ngưỡng kép của bộ lọc Canny sẽ tự động loại bỏ các biên sóng yếu không liên kết.

Phần mềm có khả năng tích hợp trực tiếp với các camera quan sát hiện có hay không?

Mô hình hoàn toàn tương thích với mọi loại camera IP chuẩn công nghiệp thông qua việc thu nhận luồng video số hóa RTSP hoặc Ethernet. Được xây dựng trên nền tảng Visual Studio C++ và OpenCV tối ưu hóa phần cứng, chương trình có thể chạy mượt mà trên máy tính cấu hình văn phòng thông thường và tự động xuất kết quả phân loại ra tệp tin dữ liệu theo thời gian thực.

Kết luận

• Luận văn đã giải quyết xuất sắc bài toán tự động giám sát sục khí tại trạm quan trắc môi trường bằng cách kết hợp xử lý ảnh số tiên tiến và học máy có giám sát.
• Đề xuất thành công hai giải pháp trích chọn đặc trưng: quy trình kết hợp độ đo Entropy, hàm kích hoạt mờ và biến đổi Haar Wavelet nén dữ liệu 99,6%, cùng phương pháp dò biên Canny tối ưu hóa đường bao bọt khí.
• Xây dựng mô hình phân loại SVM nhị phân đạt tỷ lệ nhận dạng chính xác tuyệt đối 100% trên tập dữ liệu thực nghiệm quy mô 35.220 khung hình video tại 4 trạm quan trắc tỉnh Bình Dương.
• Rút ngắn thời gian phát hiện sự cố ngừng cấp oxy xuống mức 12,5 giây, bảo vệ an toàn tuyệt đối cho hệ vi sinh vật hiếu khí và tiết kiệm đáng kể chi phí vận hành nhân sự.
• Khẳng định tính khả thi cao khi phần mềm viết bằng C++ và OpenCV có thể đóng gói triển khai tức thì trên hạ tầng camera sẵn có tại các nhà máy xử lý nước thải.

Kế hoạch phát triển tiếp theo tập trung vào việc nhúng thuật toán trực tiếp lên các vi mạch camera thông minh trong vòng 6 tháng tới và mở rộng nhận dạng đa luồng cho 20 trạm quan trắc trong vòng 12 tháng. Các đơn vị quản lý môi trường và doanh nghiệp công nghiệp hãy chủ động ứng dụng giải pháp này nhằm nâng cao hiệu quả bảo vệ nguồn nước và hiện đại hóa quy trình vận hành tự động.

Trích đoạn nội dung tài liệu

Chương 1: TỔNG QUAN VỀ XỬ LÝ VÀ NHẬN DẠNG ẢNH 1. CÁC KHÁI NIỆM CƠ BẢN VỀ ẢNH 1. Khái niệm về ảnh (Image) Ảnh trắng đen là một hàm hai chiều của cường độ sáng f(x,y), trong đó x và y là các toạ độ không gian và giá trị của hàm f tại một điểm (x,y) tỷ lệ với cường độ sáng của ảnh tại điểm đó. Ảnh màu thì f là một vector mà mỗi thành phần của vector đó chỉ ra cường độ sáng của ảnh tại điểm (x,y) đó tương ứng với dải màu.

Ảnh số là một ảnh mà hàm f(x,y) của nó đã được rời rạc hoá theo cả toạ độ không gian và cường độ sáng của nó. Số điểm ảnh xác định độ phân giải của ảnh. Ảnh có độ phân giải càng cao thì càng thể hiện rõ nét các đặt điểm của tấm hình càng làm cho tấm ảnh trở nên thực và sắc nét hơn. Nếu là ảnh trắng đen thì nó được biểu diễn theo một mảng hai chiều, còn nếu là một ảnh màu thì nó được biểu diễn theo một chuỗi các mảng hai chiều mà mỗi mảng hai chiều đó tương ứng với một dải màu.

Giá trị cường độ sáng đã được số hoá được gọi là giá trị mức xám. Điểm ảnh (Picture element hay Pixel) Ảnh trong thực tế là một ảnh liên tục về không gian và về giá trị độ sáng. Để có thể xử lý ảnh bằng máy tính cần thiết phải tiến hành số hóa ảnh. Theo tài liệu [4], số hoá ảnh là sự biến đổi gần đúng một ảnh liên tục thành một tập điểm phù hợp với ảnh thật về vị trí (không gian) và độ sáng (mức xám).

Khoảng cách giữa các điểm ảnh đó được thiết lập sao cho mắt người không phân biệt được ranh giới giữa chúng. Mỗi một điểm như vậy gọi là điểm ảnh (Picture element) hay gọi tắt là Pixel. Trong khuôn khổ ảnh hai chiều, mỗi điểm ảnh ứng với cặp tọa độ (x,y). Cũng theo [4], có thể định nghĩa: Điểm ảnh là một phần tử của ảnh số tại toạ độ (x,y) với độ xám hoặc màu nhất định.

Kích thước và khoảng cách giữa các điểm ảnh đó được chọn thích hợp sao cho mắt người cảm nhận sự liên tục về không gian và mức xám (hoặc màu) của ảnh số gần như ảnh thật. Mỗi phần tử trong ma trận được gọi là một phần tử ảnh. Ảnh được xem như là một tập hợp các điểm ảnh. Khi được số hóa, nó thường được biểu diễn bởi mảng 2 chiều.

Ví dụ: Giả sử ta có ảnh I(m*n): tức ảnh gồm m dòng và n cột và có m*n điểm ảnh. Một điểm ảnh có thể được biểu diễn bằng 1, 4, 8, 24 bits. Mỗi thành phần của mảng được gọi là một phần tử ảnh hay còn gọi là điểm ảnh và nó được biểu diễn như sau: f(0,0) f(0,1) … f(0, n) f(1. Độ phân giải ảnh (Image resolution) Độ phân giải của ảnh (Image resolution) là mật độ điểm ảnh được ấn định trên một ảnh số được hiển thị.

Theo định nghĩa trong [4], khoảng cách giữa các điểm ảnh phải được chọn sao cho mắt người vẫn có thể thấy được sự liên tục của ảnh. Việc lựa chọn khoảng cách thích hợp tạo nên một mật độ phân bổ, đó chính là độ phân giải và được phân bố theo trục x và y trong không gian hai chiều. Độ phân giải ảnh biểu diễn mức độ chi tiết của ảnh mà chúng ta có thể nhìn rõ đối tượng. Khi thay đổi các giá trị kích thước ảnh và mức xám thì sẽ có các hiện tượng thay đổi khác nhau.

Xong thực tế cho thấy khi giữ nguyên kích thước ảnh và tăng số mức xám lên thì sẽ thể hiện rõ hơn mức độ chi tiết trong ảnh. Ví dụ: Độ phân giải của ảnh trên màn hình CGA (Color Graphic Adaptor) là một lưới điểm theo chiều ngang màn hình: 320 điểm chiều dọc * 200 điểm ảnh (320*200). Như vậy, với màn hình CGA 12” ta nhận thấy mịn hơn màn hình CGA 17” với cùng độ phân giải là 320*200, vì cùng một mật độ phân giải nhưng diện tích màn hình rộng hơn thì độ mịn (liên tục của các điểm) sẽ kém hơn. Cường độ sáng của một ảnh tại một điểm ảnh (Brightness intensity) Mỗi điểm ảnh của một ảnh tương ứng với một phần của một đối tượng vật lý tồn tại trong thế giới thực.

Đối tượng vật lý này được chiếu sáng bởi một vài tia sáng mà tia sáng này bị phản xạ một phần hay hấp thụ một phần khi chiếu lên đối tượng vất lý đó. Phần ánh sáng phản xạ lại đi tới các bộ cảm biến được sử dụng để tạo ảnh cảm nhận và tạo ra các giá trị ghi nhận được đối tượng đối với từng điểm ảnh. Giá trị thu nhận được phụ thuộc vảo phổ ánh sáng phản xạ. Giá trị cường độ sáng của các điểm ảnh khác nhau chỉ có ý nghĩa tương đối mà không có ý nghĩa trong các toán hạng tuyệt đối.

Ví dụ: Giả sử ta có ảnh I với kích thước m*n và số nguyên c. Khi đó, kỹ thuật tăng/giảm độ sáng ảnh được thể hiện: I[m,n] = I[m,n] + c; với mọi (m,n). Nếu c>0 thì ảnh sáng lên và c<0 thì ảnh tối đi. Mức xám của ảnh (Gray image) Theo [4], một điểm ảnh có hai đặc trưng cơ bản là vị trí (x,y) của điểm ảnh và độ xám của nó.

Mức xám của ảnh (Gray image) là kết quả của sự biến đổi tương ứng 1 giá trị độ sáng của 1 điểm ảnh với 1 giá trị nguyên dương. Thông thường nó xác định trong phạm vi là [0, 255] tuỳ thuộc vào giá trị mà mỗi điểm ảnh được biểu diễn. Các thang giá trị mức xám thông thường là: 16, 32, 64, 128, 256. Mức 256 là mức phổ dụng, vì từ kỹ thuật máy tính dùng 1 byte (8 bit) để biểu diễn mức xám nên mức xám dùng 1 byte biểu diễn: 28=256 mức, tức là từ 0 đến 255.

Như vậy, ảnh xám là ảnh mà các điểm ảnh có mức xám nằm trong khoảng từ 0 đến 255. Nếu ảnh được lưu trữ dưới dạng một mảng hai chiều với kích thước NxN và có 2m mức xám thì số bits cần thiết để lưu trữ ảnh là: b = N * N * 2m 4 Ví dụ: Một ảnh có kích thước 512 * 512 với 256 mức xám (tức m=8) thì cần số bits lưu trữ sẽ là: 512 * 512 * 256 = 2. Ảnh nhị phân (Binary image) Ảnh nhị phân (Binary image) là ảnh chỉ có 2 mức đen trắng phân biệt, tức chỉ dùng 1 bit để mô tả 21 mức khác nhau. Mỗi điểm ảnh của ảnh nhị phân chỉ có thể là 0 hoặc 1.

Đối với ảnh xám, giá trị xám nằm trong phạm vi từ 0 đến 255. Như vậy mỗi điểm ảnh trong ảnh nhị phân được biểu diễn bởi 1 byte. Ảnh màu (Color image) Ảnh màu (Color image) là ảnh tổ hợp từ ba màu cơ bản là đỏ (Red), xanh lơ (Blue) và xanh lục (Green) để tạo nên thế giới màu, người ta thường dùng 3 byte để mô tả mức màu, khi đó các giá trị màu: 28*3 = 224 ≈ 16,7 triệu màu. Một số hệ màu như: hệ màu RGB, hệ màu CMY, hệ màu CMYK, vv.

Quan hệ giữa các điểm ảnh  Lân câṇ của điểm ảnh (Image neighbrs): Giả sử có điểm ảnh p tại tọa độ (x,y), p có các lân câṇ gần nhất theo chiều ngang và dọc là: (x+1,y), (x-1,y), (x,y+1), (x,y-1). Mỗi điểm ảnh có khoảng cách đơn vị đến (x,y), và nếu (x,y) nằm trên biên của ảnh thì lân cận của nó có thể nằm ngoài ảnh. Các lân cận chéo của p có tọa độ: (x+1,y+1), (x+1,y-1), (x-1,y+1), (x-1,y-1). Tập lân cận chéo được ký hiệu là NP(p).

Tập lân cận chéo cùng với lân cận 4 tạo thành lân cận 8 của p, ký hiệu là: N8(p) như sau: (x-1, y-1) (x, y-1) (x+1, y-1) (x-1, y) (x, y) (x+1, y)  Các mối liên kết điểm ảnh: Theo [4], để xác điṇh tính liên thông của hai điểm ảnh, chúng cần thỏa mãn rằng: chúng phải là các lân cận và các cấp xám phải thỏa mãn tiêu chuẩn đề ra về tính tương tư. Ví dụ: Trong ảnh nhi ̣phân với các giá tri ̣là 0 và 1, hai điểm ảnh có thể là 4 lân câṇ, nhưng chúng chỉ đươc ̣ goị là liên thông nếu và chỉ nếu chúng có các giá trị bằng nhau. Các mối liên kết được sử dụng để xác định giới hạn của đối tượng vật thể hoặc xác định vùng trong một ảnh. Một liên kết được đặc trưng bởi tính liền kề giữa các điểm và mức xám của chúng.

Cho V là môṭ tâp ̣ các giá tri ̣cấp xám dùng để xác định tính liền kề trong ảnh, ta có ba loại liền kề sau: + Liên kết 4: hai điểm ảnh p và q với giá tri ̣từ V là liên kết 4 nếu q thuôc ̣ tâp̣ N4(p) + Liên kết 8: hai điểm ảnh p và q với giá tri ̣từ V là liên kết 8 nếu q thuôc ̣ tâp̣ N8(p) 5 + Liên kết m (liên kết hỗn hơp):̣ hai điểm p và q vớ i giá tri ̣từ V là liên kết m nếu thỏa mãn môṭ trong hai điều kiêṇ sau: - Một là: q thuộc N4(p) - Hai là: q thuộc NP(p) 1. Biên ảnh (Image boundary) Biên ảnh là một vấn đề chủ yếu trong phân tích ảnh, vì các kỹ thuật phân đoạn ảnh chủ yếu dựa vào biên. Theo [3], một điểm ảnh có thể coi là điểm biên nếu ở đó có sự thay đổi mạnh một cách đột ngột về mức xám. Tập hợp các điểm biên tạo thành biên hay đường bao ảnh của ảnh (Boundary).

Hay nói cách khác, đường biên ảnh là nơi mà các điểm ảnh lân cận nhau có cường độ thay đổi mạnh một cách đột ngột. Ví dụ: Trong một ảnh nhị phân, một điểm có thể gọi là biên nếu đó là điểm đen và có ít nhất một điểm trắng là lân cận. GIỚI THIỆU CHUNG VỀ XỬ LÝ VÀ NHẬN DẠNG ẢNH Cũng như xử lý dữ liệu bằng đồ hoạ, xử lý ảnh là một lĩnh vực của tin học ứng dụng. Xử lý dữ liệu bằng đồ họa đề cập đến những ảnh nhân tạo, các ảnh này được xem xét như là một cấu trúc dữ liệu và được tạo ra bởi các chương trình.

Xử lý ảnh bao gồm các phương pháp và kỹ thuật để biến đổi, để truyền tải hoặc mã hóa các ảnh tự nhiên. Mục đích của xử lý ảnh gồm: - Thứ nhất: Biến đổi ảnh và làm đẹp ảnh. - Thứ hai: Tự động nhận dạng hay đoán nhận ảnh và đánh giá các nội dung của ảnh. Thực hiện xử lý ảnh thường theo nguyên tắc: xử lý thông qua việc sử dụng hàm biến đổi ảnh.

Biến đổi ảnh là quá trình thực hiện thông qua các toán tử.