Thiết Kế IP Tính Ma Trận Đồng Hiện Mức Xám (GLCM) – Ứng Dụng Phát Hiện Vùng Đặc Trưng Ảnh

Luận văn thạc sĩ kỹ thuật nghiên cứu kỹ thuật điện tử tính ma trận đồng hiện mức xám glcm ứng dụng phát hiện vùng đặc trưng ảnh, khảo sát thực trạng, phân tích nguyên nhân, đề

• Tác giả: Tống Lê Minh Châu
• Người hướng dẫn: TS. Trương Công Dung Nghi
• Trường học: Đại học Bách Khoa - ĐHQG TP. Hồ Chí Minh
• Chuyên ngành: Kỹ thuật Điện Tử
• Đề tài: Thiết Kế IP Tính Ma Trận Đồng Hiện Mức Xám (GLCM) Để Phát Hiện Vùng Đặc Trưng Ảnh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Thiết Kế IP Tính Ma Trận Đồng Hiện Mức Xám

Trong lĩnh vực xử lý ảnh và thị giác máy tính, việc phát hiện vùng đặc trưng ảnh đóng vai trò then chốt. Phân vùng ảnh giúp tách biệt đối tượng quan tâm khỏi nền, tạo tiền đề cho các ứng dụng như nhận dạng đối tượng, giám sát an ninh, và phân tích ảnh y tế. Một công cụ mạnh mẽ để phân tích kết cấu ảnh, xác định vùng đặc trưng, là Ma trận đồng hiện mức xám (GLCM). Việc triển khai thuật toán GLCM hiệu quả, đặc biệt trên phần cứng, mang lại lợi ích lớn về tốc độ và độ chính xác, mở ra tiềm năng ứng dụng rộng rãi trong các hệ thống xử lý ảnh chuyên dụng. Nghiên cứu này tập trung vào thiết kế và hiện thực hóa một kiến trúc IP tính GLCM trên nền FPGA, tận dụng tính toán song song để đạt được hiệu suất cao, đáp ứng yêu cầu thời gian thực của các ứng dụng thực tế.

1.1. Ứng dụng GLCM trong xử lý ảnh và thị giác máy tính

GLCM (Gray-Level Co-occurrence Matrix) là một công cụ thống kê mạnh mẽ, được sử dụng rộng rãi trong xử lý ảnh để trích xuất thông tin về kết cấu ảnh. Các đặc trưng được tính toán từ GLCM, như độ tương phản (Contrast) GLCM, tương quan (Correlation) GLCM, năng lượng (Energy) GLCM, và độ đồng nhất (Homogeneity) GLCM, cung cấp thông tin quan trọng về sự phân bố không gian của các mức xám trong ảnh. Điều này cho phép xác định vùng quan tâm (ROI), phân đoạn ảnh, nhận dạng đối tượng, và phân loại ảnh một cách hiệu quả.

1.2. Lợi ích của việc thiết kế IP tính GLCM trên FPGA

Việc hiện thực hóa thuật toán GLCM trên FPGA (Field-Programmable Gate Array) mang lại nhiều ưu điểm so với triển khai phần mềm. FPGA cho phép tính toán song song, giúp tăng tốc độ xử lý đáng kể. Ngoài ra, thiết kế phần cứng cho phép tối ưu hóa GLCM để đáp ứng yêu cầu cụ thể của ứng dụng, ví dụ như tối ưu hóa phần cứng để giảm độ phức tạp tính toán và tiết kiệm năng lượng. Một kiến trúc IP (Intellectual Property) được thiết kế tốt có thể tái sử dụng dễ dàng trong nhiều hệ thống khác nhau, giảm thời gian và chi phí phát triển.

II. Thách Thức Phát Hiện Vùng Đặc Trưng Ảnh Bằng GLCM

Mặc dù GLCM là một phương pháp hiệu quả, việc sử dụng nó trong phát hiện vùng đặc trưng ảnh vẫn đối mặt với một số thách thức. Đầu tiên, việc tính ma trận đồng hiện đòi hỏi một lượng lớn tài nguyên tính toán, đặc biệt đối với ảnh có độ phân giải cao và số lượng mức xám lớn. Thứ hai, việc lựa chọn các tham số phù hợp cho thuật toán GLCM, như khoảng cách d và góc θ, có ảnh hưởng lớn đến kết quả trích xuất đặc trưng. Cuối cùng, việc diễn giải và sử dụng các đặc trưng GLCM để phân biệt các vùng khác nhau trong ảnh đòi hỏi kiến thức chuyên môn và các phương pháp phân tích dữ liệu phù hợp.

2.1. Yêu cầu tính toán lớn và độ phức tạp của thuật toán GLCM

Việc tính toán GLCM đòi hỏi xử lý một lượng lớn dữ liệu, đặc biệt khi kích thước ma trận tăng lên. Với ảnh có N mức xám, kích thước ma trận là N x N. Việc tính toán song song là một giải pháp tiềm năng, nhưng nó đòi hỏi kiến trúc phần cứng được thiết kế tối ưu để tận dụng tối đa khả năng của FPGA hoặc ASIC. Giảm độ phức tạp tính toán là một yếu tố quan trọng để đảm bảo hiệu suất thời gian thực.

2.2. Ảnh hưởng của tham số đến kết quả trích xuất đặc trưng GLCM

Các tham số của GLCM, bao gồm khoảng cách d và góc θ, có ảnh hưởng đáng kể đến các đặc trưng được trích xuất. Lựa chọn tham số không phù hợp có thể dẫn đến kết quả không chính xác và khó diễn giải. Do đó, cần có phương pháp lựa chọn tham số một cách cẩn thận, dựa trên đặc điểm của ảnh và mục tiêu của ứng dụng.

2.3. Khó khăn trong việc diễn giải và sử dụng đặc trưng GLCM

Các đặc trưng được trích xuất từ GLCM thường mang tính thống kê và khó diễn giải trực quan. Việc sử dụng các đặc trưng này để phân biệt các vùng khác nhau trong ảnh đòi hỏi các phương pháp phân tích dữ liệu phù hợp, như phân loại ảnh bằng các thuật toán học máy. Cần có sự kết hợp giữa kiến thức về xử lý ảnh và thị giác máy tính để tận dụng tối đa thông tin từ GLCM.

III. Thiết Kế Kiến Trúc IP Tối Ưu Cho Tính Toán GLCM

Để giải quyết các thách thức trên, việc thiết kế IP cho tính toán GLCM cần tập trung vào tối ưu hóa GLCM hiệu suất và sử dụng tài nguyên hiệu quả. Kiến trúc tính toán song song là một lựa chọn phù hợp, cho phép xử lý đồng thời nhiều cặp điểm ảnh. Việc thiết kế phần cứng cần đảm bảo khả năng tính toán song song và giảm thiểu độ phức tạp tính toán. Sử dụng bộ nhớ FPGA hiệu quả cũng là yếu tố then chốt.

3.1. Kiến trúc tính toán song song dựa trên FPGA

FPGA cung cấp khả năng tính toán song song mạnh mẽ, cho phép thực hiện đồng thời nhiều phép tính trên các đơn vị xử lý khác nhau. Kiến trúc IP có thể được thiết kế để tận dụng tối đa khả năng này, bằng cách phân chia ảnh thành nhiều vùng nhỏ và xử lý chúng song song. Điều này giúp tăng tốc độ xử lý đáng kể so với triển khai tuần tự.

3.2. Tối ưu hóa bộ nhớ và tài nguyên FPGA trong thiết kế IP

Việc sử dụng bộ nhớ FPGA hiệu quả là rất quan trọng để giảm độ phức tạp tính toán và tăng tốc độ xử lý. Các kỹ thuật như sử dụng bộ nhớ đệm (cache) và bộ nhớ chia sẻ có thể giúp giảm thiểu số lần truy cập bộ nhớ ngoài. Ngoài ra, cần tối ưu hóa việc sử dụng các tài nguyên khác của FPGA, như các khối logic và bộ nhân.

3.3. Thiết kế phần cứng có khả năng cấu hình linh hoạt

Một kiến trúc IP tốt nên có khả năng cấu hình linh hoạt, cho phép người dùng điều chỉnh các tham số của thuật toán GLCM (ví dụ: khoảng cách d, góc θ, kích thước ma trận) để phù hợp với yêu cầu của ứng dụng cụ thể. Điều này giúp tăng tính tái sử dụng và khả năng thích ứng của IP trong nhiều hệ thống khác nhau.

IV. Ứng Dụng IP Tính GLCM Trong Phát Hiện Vùng Đặc Trưng Ảnh

Sau khi thiết kế IP và kiểm tra hoạt động, bước tiếp theo là ứng dụng nó trong các bài toán thực tế. Một ứng dụng quan trọng là phát hiện vùng đặc trưng ảnh trong hệ thống giám sát an ninh, kiểm tra sản phẩm công nghiệp, hoặc phân tích ảnh y tế. IP GLCM có thể được tích hợp vào các hệ thống nhúng, cung cấp khả năng xử lý ảnh thời gian thực với hiệu suất cao.

4.1. Tích hợp IP GLCM vào hệ thống giám sát an ninh

Trong hệ thống giám sát an ninh, IP GLCM có thể được sử dụng để phát hiện các hoạt động bất thường hoặc các đối tượng đáng ngờ trong video. Việc phân tích kết cấu ảnh có thể giúp phân biệt giữa người và vật, hoặc phát hiện các thay đổi đột ngột trong cảnh quan.

4.2. Sử dụng IP GLCM trong kiểm tra chất lượng sản phẩm

Trong kiểm tra chất lượng sản phẩm, IP GLCM có thể được sử dụng để phát hiện các lỗi hoặc khuyết tật trên bề mặt sản phẩm. Việc phân tích kết cấu ảnh có thể giúp phát hiện các vết nứt, trầy xước, hoặc các sai lệch so với tiêu chuẩn.

4.3. Ứng dụng IP GLCM trong phân tích ảnh y tế

Trong phân tích ảnh y tế, IP GLCM có thể được sử dụng để phân tích kết cấu của các mô và cơ quan trong ảnh. Điều này có thể giúp chẩn đoán các bệnh lý khác nhau, như ung thư, viêm nhiễm, hoặc thoái hóa.

V. Đánh Giá Hiệu Năng và Độ Chính Xác của IP Tính GLCM

Việc đánh giá hiệu năng và độ chính xác của IP GLCM là rất quan trọng để đảm bảo rằng nó đáp ứng yêu cầu của ứng dụng. Các tiêu chí đánh giá bao gồm tốc độ xử lý (thời gian thực), mức tiêu thụ năng lượng, và độ chính xác của các đặc trưng được trích xuất. So sánh với các phương pháp khác (ví dụ, triển khai phần mềm) giúp đánh giá ưu điểm của thiết kế phần cứng.

5.1. Đo lường tốc độ xử lý và độ trễ của IP GLCM

Tốc độ xử lý và độ trễ là các chỉ số quan trọng để đánh giá hiệu năng của IP GLCM, đặc biệt trong các ứng dụng thời gian thực. Cần đo lường thời gian cần thiết để tính toán GLCM cho các ảnh có kích thước và độ phân giải khác nhau.

5.2. Đánh giá mức tiêu thụ năng lượng của IP GLCM

Mức tiêu thụ năng lượng là một yếu tố quan trọng trong các ứng dụng di động hoặc nhúng. Cần đánh giá mức tiêu thụ năng lượng của IP GLCM và so sánh với các phương pháp khác.

5.3. Kiểm tra độ chính xác của các đặc trưng GLCM

Độ chính xác của các đặc trưng được trích xuất từ GLCM là rất quan trọng để đảm bảo tính tin cậy của các ứng dụng. Cần kiểm tra độ chính xác của các đặc trưng này bằng cách so sánh với các giá trị tham chiếu hoặc các kết quả từ các phương pháp khác.

VI. Kết Luận và Hướng Phát Triển Thiết Kế IP GLCM

Nghiên cứu và thiết kế IP cho tính toán GLCM trên FPGA mở ra nhiều tiềm năng ứng dụng trong xử lý ảnh và thị giác máy tính. Các hướng phát triển tiềm năng bao gồm tối ưu hóa GLCM để giảm độ phức tạp tính toán, tích hợp IP GLCM với các kiến trúc IP khác (ví dụ, bộ lọc ảnh, bộ phát hiện cạnh), và phát triển các phương pháp phân tích đặc trưng GLCM hiệu quả hơn.

6.1. Tối ưu hóa thuật toán GLCM cho FPGA hiệu năng cao

Nghiên cứu và áp dụng các kỹ thuật tối ưu hóa GLCM có thể giúp giảm độ phức tạp tính toán và tăng tốc độ xử lý. Các kỹ thuật này có thể bao gồm sử dụng các bảng tra cứu (lookup tables) để giảm số lượng phép nhân và phép chia, hoặc sử dụng các thuật toán xấp xỉ để giảm số lượng phép tính cần thiết.

6.2. Tích hợp IP GLCM với các IP khác trong hệ thống xử lý ảnh

IP GLCM có thể được tích hợp với các kiến trúc IP khác trong hệ thống xử lý ảnh, chẳng hạn như bộ lọc ảnh, bộ phát hiện cạnh, và bộ phân đoạn ảnh. Điều này cho phép xây dựng các hệ thống xử lý ảnh phức tạp hơn với hiệu suất cao.

6.3. Nghiên cứu các phương pháp phân tích đặc trưng GLCM hiệu quả

Phát triển các phương pháp phân tích đặc trưng GLCM hiệu quả hơn có thể giúp cải thiện độ chính xác của các ứng dụng. Các phương pháp này có thể bao gồm sử dụng các thuật toán học máy (machine learning) để phân loại và nhận dạng các vùng khác nhau trong ảnh, hoặc sử dụng các kỹ thuật phân tích thống kê để xác định các đặc trưng quan trọng nhất.

Trích đoạn nội dung tài liệu

Chương 1 – GIỚI THIỆU: Giới thiệu tổng quan đề tài, tính thực tiễn và sơ lược về hướng tiếp cận của luận văn bằng giải thuật tính ma trận đồng hiện mức xám (GLCM). Thiết kế IP tính GLCM GVHD: T.S Trương Công Dung Nghi -12-  Chương 2 – CƠ SỞ LÝ THUYẾT: trình bày có nguyên tắc xậy dựng ma trận đồng hiện mức xám, các thông tin thống kê có thể trích xuất từ ma trận này.  Chương 3 – THIẾT KẾ VÀ THỰC HIỆN PHẦN CỨNG : trình bày cụ thể cấu trúc phần cứng IP của GLCM, các engines, nguyên tắc hoạt động, phân bố tài nguyên, cách thức thực hiện IP trên board DE2-115.  Chương 4 – THIẾT KẾ VÀ THỰC HIỆN PHÀN MỀM : trình bày giao diện GUI Matlab và và giao tiếp UART với phần cứng.

 Chương 5 – KẾT QUẢ VÀ ĐÁNH GIÁ: trình bày kết quả đạt được, minh chứng hoạt động của thuật toán trên phần cứng, bao gồm hai bước chính o Kết quả kiểm tra bằng chương trình mô phỏng Quartus, VCS o Thực hiện hoàn chỉnh mô hình ứng dụng tìm kiếm văn bản: HOST – Matlab – UART – FPGA  Chương 6 – KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN: đúc kết thành quả cũng như hạn chế của phương pháp, hướng tiếp cận, đồng thời đề ra gợi ý hướng phát triển cho nghiên cứu tiếp theo Ngoài ra còn hai mục liên quan tới tài liệu tham khảo, phụ lục bao gồm những hình chụp dạng sóng trong quá trình kiểm tra. Thiết kế IP tính GLCM GVHD: T.S Trương Công Dung Nghi -13- Chương 2 CƠ SỞ LÝ THUYẾT 2.1 Cơ sở về kết cấu (Texture) Kết cấu (Texture) đóng một vai trò quan trọng trong nhiều công việc của thị giác máy tính như kiểm tra bề mặt, phân loại cảnh, và định hướng bề mặt và xác định hình dạng. Ví dụ, các tính năng kết cấu bề mặt được sử dụng trong việc kiểm tra các tấm bán dẫn, các tính năng phân bố mức xám của các vùng kết cấu đồng nhất được sử dụng trong phân loại hình ảnh trên không và các biến thể trong các mẫu kết cấu do phép chiếu phối cảnh được sử dụng để xác định hình ảnh ba chiều của các đối tượng. Kết cấu được đặc trưng bởi sự phân bố không gian của các mức màu xám trong một vùng lân cận.

Vì vậy, kết cấu không thể được xác định cho một điểm. Ví dụ, khi quan sát hình ảnh của một sàn lát gạch từ một khoảng cách lớn, chúng tôi quan sát cấu trúc được hình thành bằng cách đặt các viên gạch, nhưng các viên gạch trong các tấm lát không nhận thức được điều này. Khi cùng một cảnh được quan sát từ một khoảng cách gần hơn, do chỉ có một vài viên gạch nằm trong khu vực được xem xét nên chúng ta bắt đầu nhận ra các kết cấu được hình thành bởi các vị trí của các mẫu chi tiết. Với mục đích của chúng tôi, chúng ta có thể định nghĩa kết cấu là các mẫu lặp lại các biến thể địa phương về cường độ ảnh để phân biệt các đối tượng riêng biệt ở cùng một độ phân giải được quan sát.

Do đó, một tập kết nối các điểm ảnh thỏa mãn một thuộc tính mức xám nhất định xảy ra nhiều lần trong vùng ảnh tạo thành vùng kết cấu. Một ví dụ đơn giản là một mẫu lặp lại các dấu chấm đen trên nền trắng hay văn bản được in trên giấy trắng cũng tạo thành kết cấu. Ở đây, mỗi mức nguyên thủy mức xám được tạo thành bởi việc kết nối các tập hợp các điểm ảnh đại diện cho mỗi đối tượng. Quá trình đặt các đặt tính lên trên hệ thống và đặt các hệ thống thực hiện tuần tự như trang viết này là một kết cấu có trật tự.

Có ba vấn đề chính trong phân tích kết cấu: phân loại kết cấu, phân đoạn kết cấu, và phục hồi hình dạng từ kết cấu. Trong phân loại kết cấu, vấn đề là xác định vùng kết cấu đã cho từ một tập các lớp kết cấu nhất định. Ví dụ: một khu vực cụ thể trong hình ảnh trên không có thể thuộc về đất nông nghiệp, khu vực rừng hoặc khu vực thành thị. Mỗi khu vực này có đặc tính kết cấu độc đáo.

Các thuật toán phân tích kết cấu trích xuất các tính năng phân biệt từ mỗi vùng để tạo điều kiện phân loại các mô hình như vậy. Ngụ ý ở đây là giả định rằng ranh giới giữa các khu vực đã được xác định. Các phương pháp thống kê được sử dụng rộng rãi trong phân loại kết cấu. Các thuộc tính như sự xuất hiện đồng thời cấp độ xám, tương phản, entropy và tính đồng nhất được tính từ các mức xám để phân loại.Trong những phương pháp này một mô hình kết cấu được giả định đầu tiên và các thông số của nó làm chuẩn cho các mô hình kết cấu học tập.

Sau đó, các vùng ảnh khác được ước lượng Thiết kế IP tính GLCM GVHD: T.S Trương Công Dung Nghi -14- và sử dụng mô hình gần giống với vùng ảnh đầu vào ban đầu. Các thông số này sẽ hữu ích như tính phân biệt để phân loại khu vực. Trái ngược với phân loại kết cấu, nhãn lớp của một vùng đơn nhất được xác định bằng cách sử dụng các thuộc tính được tính từ vùng đó, việc lấy mẫu kết cấu liên quan đến việc tự động xác định ranh giới giữa các vùng văn bản khác nhau trong một hình ảnh. Mặc dù các phép đo kết cấu là định lượng, một khi được xác định, rất có ích trong phân đoạn, hầu hết các phương pháp thống kê để xác định các tính chất kết cấu không cung cấp các phép đo chính xác trừ phi tính toán được giới hạn trong một vùng kết cấu đơn.

Cả hai phương pháp dựa trên vùng và các phương pháp dựa trên ranh giới đã cố gắng để phân đoạn hình ảnh kết cấu. Những phương pháp này tương tự như những phương pháp được sử dụng cho các phương pháp tách đối tượng. Phân tích cấu trúc là lĩnh vực hoạt động tích cực của nghiên cứu, và nhiều phương pháp, được thiết kế cho một ứng dụng cụ thể, đã được đề xuất trong tài liệu. Tuy nhiên, không có phương pháp chung nào hữu ích trong nhiều tình huống khác nhau.2 Ma trận đồng hiện mức xám (Gray Level Co-occurrence Matrix - GLCM) Do cấu trúc là thuộc tính không gian nên biểu đồ histogram một chiều không hữu ích trong việc mô tả cấu trúc (ví dụ: một hình ảnh trong đó các điểm ảnh thay đổi từ đen sang trắng trong một mặt bàn cờ sẽ có biểu đồ histogram tương tự như hình ảnh trong đó nửa trên Là màu đen và nửa dưới là màu trắng).

Để nắm bắt sự phụ thuộc không gian của các giá trị cấp độ xám góp phần nhận thức về kết cấu, một ma trận phụ thuộc hai chiều được gọi là ma trận đồng hiện mức xám được sử dụng rộng rãi trong phân tích cấu trúc.1 Cấu trúc GLCM GLCM là một ma trận chứa đựng số lần xuất hiện của 2 mức xám trong tất cả các cặp mức xám của một hình ảnh. Cột và hàng của GLCM là giá trị mức xám của điểm ảnh đang xét và điểm ảnh đáp ứng theo không gian và khoảng cách tương ứng. Do đó, kích thước của GLCM bằng với giá trị mức xám được biểu diễn của hình ảnh. GLCM có 2 thông số để tính toán ma trận là khoảng cách giữa các điểm ảnh d và góc của điểm ảnh lân cận 𝜃.[3] Thiết kế IP tính GLCM GVHD: T.S Trương Công Dung Nghi -15- 𝜃= 135o 𝜃= 90o 𝜃= 45o 𝜃= 0o 𝑑= 5 Hình 1 Các góc tính toán ứng với khoảng cách giữa 2 điểm ảnh d = 5 Ví dụ: Ma trận mức xám tương quan tạo thành từ hình ảnh gốc với 8 giá trị mức xám và khoảng cách d= 1, 𝜃 = 0o.

Tương tự cho các góc còn lại. [4] Trong giới hạn đề tài, thiết kế chọn bốn hướng chính cho việc so sánh các cặp Hình 2 Ma trận mức xám tương quan P(i,j) tạo từ ảnh gốc với (d, θ) =(1,0) giá trị mức xám để thực hiện tính toán GLCM đó là 0o, 45o, 90o, 135o, kích thước ảnh con đầu vào là 32x32 điểm ảnh với giá trị mức xám của mỗi điểm ảnh là từ 0 đến 255, khoảng cách d tính toán cho các cặp điểm ảnh sẽ lần lượt là 1, 2, 3, 4; cuối cùng, kích thước GLCM đầu ra sẽ có bốn giá trị là 8x8, 16x16, 32x32, 64x64. Thiết kế IP tính GLCM GVHD: T.S Trương Công Dung Nghi -16- Hình ảnh bên dưới là ví dụ về một ảnh con đầu vào kích thước 4x4, với các giá trị quy đinh về hàng, cột, mức xám cho từng điểm ảnh. Hình 3 Ảnh mức xám đầu vào và cường độ mức xám của nó Các GLCM của các hướng được tính toán cho ma trận trên như sau: 1 2 3 4 1 2 3 4 1 0 2 1 0 1 0 0 2 0 2 1 0 2 1 2 0 1 2 0 3 1 1 1 1 3 2 1 0 1 4 0 1 0 4 0 0 0 0 GLCM cho 0 GLCM cho 45 1 2 3 4 1 2 3 4 1 2 1 1 0 1 0 1 0 1 2 1 0 1 1 2 1 1 0 0 3 0 2 2 0 3 1 1 2 0 4 1 0 0 0 4 0 0 1 0 GLCM cho 90 GLCM cho 135 Thiết kế IP tính GLCM GVHD: T.S Trương Công Dung Nghi -17- 2.2 Một số đặc tính thống kê trích xuất từ GLCM Haralick đã đăng kí 14 thông tin thống kê được trích xuất từ ma trận đồng hiện mức xám, các thông tin này sẽ được sử dụng trong phân tích kết cấu của hình ảnh.

[5] Một số thống kê được tính toán dựa trên ma trận đồng hiện mức xám như sau:  Độ hỗn loạn (Entropy) 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = − ∑𝑖 ∑𝑗 𝑃[𝑖, 𝑗] log 𝑃[𝑖, 𝑗] Giá trị entropy thể hiện mức độ hỗn loạn các giá trị mức xám của điểm ảnh theo mức độ phân bố.  Năng lượng (Energy) 𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ ∑ 𝑃2 [𝑖, 𝑗] 𝑖 𝑗 Giá trị energy thể hiện tổng các giá trị bình phương trong GLCM  Độ tương phản (Contrast) 𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ ∑(𝑖 − 𝑗)2 𝑃[𝑖, 𝑗] 𝑖 𝑗 Giá trị contrast cho biết mức độ sai lệch cục bộ trong hình ảnh  Tính đồng nhất (Homogeneity) 𝑃[𝑖, 𝑗] Homogeneity = ∑ ∑ 1 + |𝑖 − 𝑗| 𝑖 𝑗 Giá trị homogeneity thể hiện mức độ phân bố gần với đường chéo của GLCM. Đề tài luận văn này tập trung vào vấn đề tính toán GLCM thực hiện trên FPGA tích hợp thành một IP, để áp dụng cho các ứng dụng cụ thể của người dùng. Thiết kế IP tính GLCM GVHD: T.S Trương Công Dung Nghi -18- 2.