Ứng Dụng Thuật Toán YOLO Để Phát Hiện Bệnh Sương Mai Trên Cây Dưa Chuột

Chuyên khảo toán học phân tích Ứng dụng thuật toán yolo phát hiện và cảnh báo bệnh sương mai trên cây dưa chuột, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp

• Tác giả: Nguyễn Văn Biển
• Người hướng dẫn: TS. Ngô Trí Dương
• Trường học: Học viện Nông nghiệp Việt Nam
• Chuyên ngành: Tự động hóa
• Đề tài: Ứng Dụng Thuật Toán YOLO Phát Hiện Bệnh Sương Mai Trên Cây Dưa Chuột
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG I: TỔNG QUAN TÀI LIỆU
• 1.1. Tổng quan về xử lý ảnh
• 1.1.1. Khái quát về xử lý ảnh
• 1.1.2. Những vấn đề cơ bản trong hệ thống xử lý ảnh
• 1.1.3. Những vấn đề khác trong xử lý ảnh
• 1.1.4. Nhận dạng đối tượng trong xử lý ảnh
• 1.2. Ứng dụng xử lý ảnh trong đời sống
• 1.2.1. Ứng dụng trong công nghiệp
• 1.2.2. Trong lĩnh vực nông nghiệp
• 1.3. Yêu cầu thiết kế
• 2. CHƯƠNG 2: NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊM CỨU
• 2.1. Đối tượng nghiên cứu
• 2.2. Một số mô hình thuật toán trên CNN
• 2.3. Hạn chế trong việc nghiên cứu của các thuật toán
• 2.4. Đề xuất phương án xử lý ảnh bằng thuật toán YOLO
• 2.5. Thiết bị chung
• 2.6. Cài đặt hệ điều hành cho Raspberry PI
• 2.7. Thư viện OpenCV
• 2.8. Ngôn ngữ lập trình python
• 2.9. Nội dung nghiên cứu
• 2.10. Phương pháp nghiên cứu
• 3. CHƯƠNG 3: KẾT QUẢ VÀ THẢO LUẬN
• 3.1. Sơ đồ cấu trúc hoạt động
• 3.2. Giao diện Raspberry
• 3.3. Xây dựng bộ mẫu bằng thuật toán YOLO
• 3.3.1. Xây dựng bộ dữ liệu hình ảnh bệnh sương mai
• 3.4. Chạy thực nghiệm
• 3.5. Kết quả và thảo luận
• KẾT LUẬN VÀ ĐỀ NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Ứng Dụng YOLO Phát Hiện Bệnh Dưa Chuột

Bài toán phát hiện bệnh sương mai trên cây dưa chuột bằng thuật toán YOLO là một hướng đi đầy tiềm năng trong nông nghiệp thông minh. YOLO (You Only Look Once) là một mô hình học sâu nổi tiếng với khả năng phát hiện đối tượng nhanh chóng và chính xác. Ứng dụng này giúp tự động hóa quá trình phát hiện bệnh sớm, giảm thiểu sự phụ thuộc vào phương pháp thủ công, vốn tốn kém thời gian và công sức. Việc ứng dụng YOLO trong nông nghiệp mở ra cơ hội cải thiện năng suất và chất lượng dưa chuột, đồng thời giảm thiểu việc sử dụng thuốc trừ sâu, góp phần vào nông nghiệp chính xác và bền vững. Nghiên cứu này tập trung vào việc xây dựng và huấn luyện một mô hình YOLO để nhận diện bệnh sương mai trên lá dưa chuột từ hình ảnh, từ đó đưa ra cảnh báo kịp thời cho người nông dân.

1.1. Giới Thiệu Tổng Quan Về Bệnh Sương Mai Dưa Chuột

Bệnh sương mai là một trong những bệnh hại dưa chuột phổ biến và nguy hiểm nhất, gây ảnh hưởng lớn đến năng suất dưa chuột và chất lượng dưa chuột. Bệnh do nấm Pseudoperonospora cubensis gây ra, phát triển mạnh trong điều kiện ẩm ướt và mát mẻ. Triệu chứng bệnh sương mai thường bắt đầu bằng các đốm vàng nhỏ trên lá, sau đó lan rộng và chuyển sang màu nâu, gây chết lá. Việc phòng trừ bệnh sương mai kịp thời là rất quan trọng để bảo vệ mùa màng. Các phương pháp truyền thống thường dựa vào việc phun thuốc trừ nấm định kỳ, tuy nhiên, việc này có thể gây ra tác động tiêu cực đến môi trường và sức khỏe con người.

1.2. Tổng Quan Về Thuật Toán YOLO Trong Computer Vision

YOLO là một thuật toán phát hiện đối tượng thời gian thực, nổi bật trong lĩnh vực computer vision. Khác với các phương pháp truyền thống như R-CNN, YOLO xử lý toàn bộ hình ảnh chỉ trong một lần duy nhất, giúp tăng tốc độ xử lý đáng kể. Kiến trúc YOLO bao gồm một mạng nơ-ron tích chập (convolutional neural network) duy nhất, dự đoán đồng thời vị trí và lớp của các đối tượng trong ảnh. Các phiên bản YOLOv3, YOLOv4, YOLOv5, YOLOv6, YOLOv7, YOLOv8 liên tục được cải tiến để tăng độ chính xác và tốc độ xử lý, phù hợp với nhiều ứng dụng khác nhau.

II. Thách Thức Trong Phát Hiện Bệnh Sương Mai Trên Dưa Chuột

Việc phát hiện bệnh sương mai trên cây dưa chuột bằng phương pháp thủ công gặp nhiều khó khăn. Triệu chứng bệnh có thể dễ bị nhầm lẫn với các bệnh khác, đặc biệt ở giai đoạn đầu. Sự thay đổi về ánh sáng, góc chụp, và độ phức tạp của nền ảnh cũng ảnh hưởng đến khả năng nhận diện của con người. Do đó, một hệ thống tự động hóa dựa trên học sâu như YOLO có thể giải quyết những hạn chế này. Tuy nhiên, việc xây dựng một mô hình YOLO hiệu quả đòi hỏi một dataset bệnh sương mai dưa chuột lớn và chất lượng, cũng như quá trình huấn luyện và đánh giá hiệu suất YOLO kỹ lưỡng.

2.1. Các Yếu Tố Ảnh Hưởng Đến Độ Chính Xác Phát Hiện Bệnh

Nhiều yếu tố có thể ảnh hưởng đến độ chính xác của mô hình YOLO trong việc phát hiện bệnh sương mai. Ánh sáng thay đổi trong ngày, góc chụp khác nhau, và sự xuất hiện của các đối tượng khác trong ảnh (ví dụ: cỏ dại, côn trùng) có thể gây nhiễu. Ngoài ra, sự biến đổi về hình dạng và kích thước của lá dưa chuột cũng là một thách thức. Việc tăng cường dữ liệu (data augmentation) và lựa chọn kiến trúc YOLO phù hợp là rất quan trọng để cải thiện độ chính xác.

2.2. Khó Khăn Trong Thu Thập Và Gán Nhãn Dữ Liệu Bệnh Sương Mai

Việc thu thập một dataset bệnh sương mai dưa chuột đủ lớn và chất lượng là một thách thức lớn. Ảnh bệnh sương mai cần được chụp trong nhiều điều kiện khác nhau để đảm bảo tính đa dạng. Quá trình gán nhãn (labeling) các bounding box cho các vùng bệnh trên lá cũng tốn nhiều thời gian và công sức, đòi hỏi sự tỉ mỉ và kiến thức chuyên môn về bệnh thực vật. Sử dụng các công cụ gán nhãn chuyên dụng và áp dụng các kỹ thuật tăng cường dữ liệu có thể giúp giải quyết vấn đề này.

III. Phương Pháp Ứng Dụng YOLOv5 Phát Hiện Bệnh Sương Mai

Nghiên cứu này đề xuất sử dụng YOLOv5, một phiên bản YOLO mạnh mẽ và phổ biến, để phát hiện bệnh sương mai trên cây dưa chuột. YOLOv5 có ưu điểm về tốc độ xử lý nhanh, độ chính xác cao, và dễ dàng triển khai trên các thiết bị nhúng. Quy trình bao gồm các bước: thu thập và gán nhãn dữ liệu, huấn luyện mô hình YOLO, đánh giá hiệu suất YOLO, và triển khai mô hình trên hệ thống giám sát. Việc lựa chọn các tham số huấn luyện phù hợp và áp dụng các kỹ thuật tăng cường dữ liệu là rất quan trọng để đạt được kết quả tốt nhất.

3.1. Xây Dựng Dataset Ảnh Bệnh Sương Mai Dưa Chuột Chi Tiết

Việc xây dựng một dataset chất lượng cao là yếu tố then chốt để huấn luyện một mô hình YOLO hiệu quả. Dataset cần bao gồm ảnh của lá dưa chuột khỏe mạnh và lá bị bệnh sương mai ở các giai đoạn khác nhau. Ảnh nên được chụp trong nhiều điều kiện ánh sáng và góc chụp khác nhau. Sử dụng các công cụ như LabelImg để gán nhãn các vùng bệnh sương mai bằng các bounding box.

3.2. Huấn Luyện Mô Hình YOLOv5 Với Dữ Liệu Đã Gán Nhãn

Sử dụng dataset đã gán nhãn để huấn luyện mô hình YOLOv5. Quá trình huấn luyện bao gồm việc lựa chọn các tham số huấn luyện phù hợp (ví dụ: learning rate, batch size, số lượng epochs) và sử dụng các kỹ thuật tăng cường dữ liệu để tăng tính đa dạng của dataset. Sử dụng các nền tảng như Google Colab để tận dụng sức mạnh tính toán của GPU.

3.3. Đánh Giá Hiệu Suất Mô Hình YOLOv5 Đã Huấn Luyện

Sau khi huấn luyện, cần đánh giá hiệu suất YOLO bằng cách sử dụng một tập dữ liệu kiểm tra riêng biệt. Các chỉ số đánh giá quan trọng bao gồm mAP (mean Average Precision) và IoU (Intersection over Union). Điều chỉnh các tham số của mô hình để cải thiện độ chính xác và tốc độ xử lý.

IV. Ứng Dụng Thực Tế Hệ Thống Giám Sát Bệnh Sương Mai Tự Động

Sau khi mô hình YOLO được huấn luyện và đánh giá hiệu suất, có thể triển khai nó trên một hệ thống giám sát tự động hóa. Hệ thống này có thể bao gồm một camera để chụp ảnh lá dưa chuột, một máy tính nhúng (ví dụ: Raspberry Pi) để xử lý ảnh, và một hệ thống cảnh báo để thông báo cho người nông dân khi phát hiện bệnh sương mai. Hệ thống này có thể được tích hợp với các hệ thống IoT trong nông nghiệp để thu thập và phân tích dữ liệu từ nhiều nguồn khác nhau.

4.1. Triển Khai Mô Hình YOLOv5 Trên Raspberry Pi Để Xử Lý Ảnh

Sử dụng Raspberry Pi để triển khai mô hình YOLOv5 đã huấn luyện. Tối ưu hóa mô hình để đảm bảo tốc độ xử lý đủ nhanh trên Raspberry Pi. Sử dụng các thư viện như OpenCV để xử lý ảnh và hiển thị kết quả.

4.2. Tích Hợp Hệ Thống Cảnh Báo Qua SMS Hoặc Email Cho Nông Dân

Tích hợp hệ thống cảnh báo để thông báo cho người nông dân khi phát hiện bệnh sương mai. Sử dụng các dịch vụ SMS hoặc email để gửi cảnh báo. Cảnh báo nên bao gồm thông tin về vị trí và mức độ nghiêm trọng của bệnh.

4.3. Kết Hợp Với IoT Để Giám Sát Môi Trường Và Điều Kiện Phát Triển

Kết hợp hệ thống phát hiện bệnh với các cảm biến IoT để giám sát các yếu tố môi trường như độ ẩm, nhiệt độ, và ánh sáng. Phân tích dữ liệu từ các cảm biến để dự đoán nguy cơ bệnh sương mai và đưa ra các biện pháp phòng trừ bệnh kịp thời.

V. Kết Quả Nghiên Cứu Và Đánh Giá Hiệu Quả Của Giải Pháp

Nghiên cứu này đã đạt được những kết quả khả quan trong việc ứng dụng thuật toán YOLO để phát hiện bệnh sương mai trên cây dưa chuột. Mô hình đã được huấn luyện đạt độ chính xác cao và có thể được triển khai trên các thiết bị nhúng. Hệ thống giám sát tự động hóa giúp giảm thiểu sự phụ thuộc vào phương pháp thủ công và cung cấp thông tin kịp thời cho người nông dân. Tuy nhiên, vẫn còn nhiều hướng nghiên cứu để cải thiện hiệu suất và mở rộng phạm vi ứng dụng của giải pháp.

5.1. Phân Tích Độ Chính Xác Và Tốc Độ Xử Lý Của Mô Hình YOLOv5

Phân tích chi tiết độ chính xác (mAP) và tốc độ xử lý (thời gian thực) của mô hình YOLOv5 trên các tập dữ liệu khác nhau. So sánh kết quả với các phương pháp phát hiện bệnh truyền thống.

5.2. So Sánh Với Các Phương Pháp Phát Hiện Bệnh Truyền Thống

So sánh hiệu quả của hệ thống phát hiện bệnh dựa trên YOLOv5 với các phương pháp phát hiện bệnh thủ công và các phương pháp sử dụng các thuật toán khác. Đánh giá ưu và nhược điểm của từng phương pháp.

5.3. Đánh Giá Tiềm Năng Ứng Dụng Trong Nông Nghiệp Thực Tế

Đánh giá tiềm năng ứng dụng YOLO trong nông nghiệp thực tế, bao gồm khả năng giảm chi phí, tăng năng suất, và cải thiện chất lượng sản phẩm. Đề xuất các hướng phát triển tiếp theo để mở rộng phạm vi ứng dụng.

VI. Hướng Phát Triển Và Tương Lai Của Ứng Dụng YOLO Trong Nông Nghiệp

Việc ứng dụng YOLO trong nông nghiệp còn rất nhiều tiềm năng phát triển. Trong tương lai, có thể tích hợp hệ thống phát hiện bệnh với các hệ thống quản lý trang trại thông minh, sử dụng máy bay không người lái để thu thập dữ liệu trên diện rộng, và phát triển các ứng dụng di động phát hiện bệnh để người nông dân có thể dễ dàng kiểm tra tình trạng cây trồng. Nghiên cứu này là một bước tiến quan trọng trong việc tự động hóa và nâng cao hiệu quả của nông nghiệp.

6.1. Tích Hợp Với Hệ Thống Quản Lý Trang Trại Thông Minh

Tích hợp hệ thống phát hiện bệnh với các hệ thống quản lý trang trại thông minh để cung cấp thông tin toàn diện về tình trạng cây trồng và môi trường. Sử dụng dữ liệu để đưa ra các quyết định quản lý hiệu quả hơn.

6.2. Sử Dụng Máy Bay Không Người Lái Để Thu Thập Dữ Liệu Trên Diện Rộng

Sử dụng máy bay không người lái (drone) để thu thập ảnh trên diện rộng và phát hiện bệnh trên quy mô lớn. Phát triển các thuật toán để xử lý ảnh từ drone và tạo bản đồ bệnh.

6.3. Phát Triển Ứng Dụng Di Động Phát Hiện Bệnh Cho Nông Dân

Phát triển ứng dụng di động phát hiện bệnh để người nông dân có thể dễ dàng kiểm tra tình trạng cây trồng bằng điện thoại thông minh. Ứng dụng có thể cung cấp thông tin về các biện pháp phòng trừ bệnh và kết nối với các chuyên gia nông nghiệp.

Trích đoạn nội dung tài liệu

CHƯƠNG I TỔNG QUAN TÀI LIỆU 1.1 Tổng quan về xử lý ảnh 1.1 Khái quát 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. Các phương pháp xử lý ảnh bắt đầu từ các ứng dụng chính: nâng cao chất lượng ảnh và phân tích ảnh. Ứng dụng đầu tiên được biết đến là nâng cao chất lượng ảnh báo được truyền qua cáp vào năm 1920.

Vấn đề nâng cao chất lượng ảnh liên quan tới phân bố mức sáng và độ phân giải của ảnh. Việc nâng cao chất lượng ảnh được phát triển vào khoảng những năm 1955. Điều này có thể giải thích được vì sau thế chiến thứ hai, máy tính phát triển nhanh tạo điều kiện cho quá trình xử lý ảnh số thuận lợi. Năm 1964, máy tính đã có khả năng xử lý và nâng cao chất lượng ảnh từ mặt trăng và vệ tinh Ranger 7 của Mỹ bao gồm: làm nổi đường biên, lưu ảnh.

Từ năm 1964 đến nay, các phương tiện xử lý, nâng cao chất lượng, nhận dạng ảnh phát triển không ngừng. Các phương pháp tri thức nhân tạo như mạng nơ ron nhân tạo, các thuật toán xử lý hiện đại và cải tiến, các công cụ nén ảnh ngày càng được áp dụng rộng rãi và thu nhiều kết quả khả quan. Xử lý ảnh số bao gồm các phương pháp và kỹ thuật biến đổi, để truyền tải hoặc mã hoá các ảnh tự nhiên. Mục đích của xử lý ảnh gồm: Biến đổi ảnh làm tăng chất lượng ảnh.

Tự động nhận dạng ảnh, đoán nhận ảnh, đánh giá các nội dung của ảnh. Nhận biết và đánh giá các nội dung của ảnh là sự phân tích một hình ảnh thành những phần có ý nghĩa để phân biệt đối tượng này với đối tượng khác, dựa vào đó ta có thể mô tả cấu trúc của hình ảnh ban đầu. Có thể liệt kê một số phương pháp nhận dạng cơ bản như nhận dạng ảnh của các đối tượng trên ảnh, tách cạnh, phân đoạn hình ảnh,. Kỹ thuật này được dùng nhiều trong y học (xử lý tế bào, nhiễm sắc thể), nhận dạng chữ trong văn bản.

3 Ảnh có thể xem là tập hợp các điểm ảnh và mỗi điểm ảnh được xem như là đặc trưng cường độ sáng hay một dấu hiệu nào đó tại một vị trí nào đó của đối tượng trong không gian và nó có thể xem như một hàm n biến P(c,c1,c2,. Do đó, ảnh trong xử lý ảnh có thể xem như ảnh nhiều chiều. Các bước cơ bản trong một hệ thống xử lý ảnh Sơ đồ này bao gồm các thành phần sau : a. Phần thu nhận ảnh ( Image Acquisition ) Ảnh có thể nhận qua camera màu hoặc đen trắng.

Thường ảnh nhận qua camera là ảnh tương tự, cũng có loại camera đã số hóa là loại photodiot tạo cường độ sáng tại mỗi điểm ảnh. Camera thường dùng là loại quét dòng, ảnh tạo ra có dạng hai chiều. Chất lượng một ảnh thu nhận phụ thuộc vào thiết bị thu vào môi trường. Tiền xử lý ( Image Processing) Sau bộ thu nhận, ảnh có thể nhiễu độ tương phản thấp nên cần đưa ra bộ tiền xử lý để nâng cao chất lượng.

Chức năng chính của bộ tiền xử lý là lọc nhiễu, nâng độ tương phản để làm ảnh rõ hơn, nét hơn. Phân đoạn hay phân vùng ảnh Phân vùng ảnh là tách một ảnh đầu và thành các vùng thành phần để biểu diễn phân tích, nhận dạng ảnh. Ví dụ: để nhận dạng chữ trên phong bì thư cho mục đích phân loại bưu phẩm, cần chia các câu, chữ về địa chỉ hoặc tên người thành các từ, các chữ, các số riêng biệt để nhận dạng. Đây là phần phức tạp khó 4 khăn nhấ trong xử lý ảnh và cũng dễ gây lỗi, làm mất độ chính xác của ảnh.

Kết quả nhận dạng ảnh phụ thuộc rất nhiều vào công đoạn này. Biểu diễn ảnh (Image Representation) Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh cộng với mã liên kết với các vùng lân cận. Việc biến đổi các số liệu này thành dạng thích hợp là cần thiết cho xử lý tiếp theo bằng máy tính. Việc chọn các tính chất để thể hiện ảnh gọi là trích chọn đặc trưng gắn với việc tách các đặc tính của ảnh dưới dạng các thông tin định lượng hoặc làm cơ sở để phân biệt lớp đối tượng này tới đối tượng khác trong phạm vi ảnh nhận dạng được.

Nhận dạng và nội suy ảnh (Image Recognition anh Interpretation) Nhận dạng ảnh là quá trình xác định ảnh. Quá trình này thường thu được bằng cách so sánh mẫu chuẩn đã được học từ trước. Nội suy là đoán theo ý nghĩa trên cơ sở nhận dạng. Ví dụ: một loạt chữ số và nét gạch ngang trên phong bì thư có thể được nội suy thành mã điện thoại.

Có nhiều cách phân loại ảnh khác nhau về ảnh. Theo lý thuyết về nhận dạng, các mô hình toán học về được phân theo hai loại nhận dạng ảnh cơ bản: - Nhận dạng theo tham số. - Nhận dạng theo cấu trúc. Một số đối tượng nhận dạng khá phổ biến hiện nay đang được áp dụng trong khoa học và công nghệ là: nhận dạng ký tự, nhận dạng vân tay, nhận dạng mã vạch, nhận dạng mặt người f.

Cơ sở tri thức (Knowledge Base) Ảnh là đối tượng khá phức tạp về đường nét, độ sáng tốt, dung lượng điểm ảnh, môi trường để thu ảnh phong phú kéo theo nhiễu. Trong nhiều khâu xử lý và phân tích ảnh ngoài việc đơn giản hóa các phương pháp toán học đảm bảo tiện lợi cho xử lý, người ta mong muốn bắt chước quy trình tiếp nhận và xử lý ảnh theo cách của con người. Trong các bước xử lý ảnh đó, nhiều khâu hiện nay đã xử lý 5 theo các phương pháp trí tuệ con người. Vì vậy, ở đây các cơ sở tri thức được phát huy.

Mô tả ( Biể diễn ảnh) Ảnh sau khi số hóa sẽ được lưu vào bộ nhớ, hoặc chuyển sang các khâu tiếp theo để phân tích. Nếu lưu trữ ảnh trực tiếp từ các ảnh thô, đòi hỏi dung lượng bộ nhớ cực lớn và không hiệu quả theo quan điểm ứng dụng và công nghệ. Thông thường, các ảnh thô đó được đặc tả lại theo các đặc điểm của ảnh được gọi là các đặc trưng ảnh, vùng ảnh. Một số phương pháp biểu diễn thường dùng: - Biểu diễn bằng mã chạy ( Run-Length Code) - Biểu diễn bằng mã xích (Chaine-Code) - Biểu diễn bằng mã tứ phân (Quad-Tree Code) 1.2 Những vấn đề cơ bản trong hệ thống xử lý ảnh a.

Điểm ảnh (Picture Element) Gốc của ảnh là ảnh liên tục về không gian và độ sáng. Để xử lý bằng máy tính, ảnh cần phải được số hóa. Số hóa ảnh là sự biến đổi gần đúng một ảnh liên tục thành một tập điểm phù hợp với ảnh thật về vị trí 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 ảnh như vậy hay gọi tắt là Pixel. Trong khuôn khổ ảnh hai chiều, mỗi pixel ứng với cặp tọa độ (x,y). Định nghĩa: điểm ảnh (Pixel) là một phần tử của ảnh số tại tọa 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 ử rong ma trận được gọi là một phần tử ảnh. Độ phân giải của ảnh Độ phân giải (Resolution) của ảnh là mật độ điểm ảnh được ấn định trên một ảnh số được hiển thị. 6 Khoảng cách giữa các điểm ảnh phải được chọn sao cho mắt người vẫn thấy được sự liên tục của ảnh. Việc lựa chọn khoảng cách thích hợp tạo nên một mật độ phân bố, đó chính là độ phân giải và phân bố theo chục x và y trong không gian hai chiều.

Ảnh trên màn hình là một lưới điểm theo chiều ngang màn hình: 320 điểm chiều dọc * 200 điểm ảnh. Mức xám của ảnh Một điểm ảnh (Pexel) có hai đặc trưng cơ bản là vị trí (x,y) của điểm ảnh và độ xám của nó. Một số thuật ngữ dùng trong xử lý ảnh. Mức xám của điểm ảnh là cường độ sáng của nó được gán bằng giá trị số tại điểm đó.

Các thang giá trị mức xám thông thường: 16, 32, 64, 128, 256. Ảnh đen trắng: là ảnh có hai màu đen, trắng với mức xám ở các điểm ảnh có thể khác nhau. Ảnh nhị phân: ảnh chi có 2 mức đen trắng phân biệt tức dùng 1 bit mô tả mức khác nhau. Ảnh màu: trong khuôn khổ lý thuyết ba màu (Red, Blue, Green) để tạo nên thế giới, người ta thường dùng 3 byte để mô tả là mức màu.

Định nghĩa ảnh số Ảnh số là tập hợp các điểm ảnh với mức xám phù hợp dùng để mô tả ảnh gần với ảnh thật.3 Những vấn đề khác trong xử lý ảnh a. Biến đổi ảnh (Image Transform) Trong xử lý ảnh do số điểm ảnh lớn các tính toán nhiều đòi hỏi dung lượng bộ nhớ lớn, thời gian tính toán lâu. Các phương pháp khoa học kinh điển áp dụng cho xử lý ảnh hầu hết khó khả thi. Người ta sử dụng các phép toán tương đương hoặc biến đổi sang miền xử lý khác để dễ tính toán.

Sau khi xử lý dễ dàng hơn 7 được thực hiện, dùng biến đổi ngược để đưa về miền xác định ban đầu, các biến đổi thường gặp trong cử lý ảnh gồm: - Biến đổi Fourier, Cosin, Sin - Biến đổi ảnh bằng tích chập, tích Kronecker - Các biến đổi khác như Karhumen Loeve), Hadamard b. Nén ảnh Ảnh dù ở dạng nào vẫn chiếm không gian nhớ rất lớn. Khi mô tả ảnh người ta đã đưa kỹ thuật nén ảnh vào. Các giai đoạn nén ảnh có thể chia ra thế hệ một, thế hệ hai.

Hiện nay, các chuẩn MPEG được dùng với ảnh được phát huy hiệu quả.4 Nhận dạng đối tượng trong xử lý ảnh a. Bài toán nhận dạng đối tượng Nhận dạng đối tượng (Object recognition) là lĩnh vực thuộc “học máy (Machine Learning)” nghiên cứu việc tìm một đối tượng trong một ảnh hay video cho trước là một trong những ứng dụng của thị giác máy tính. Đó là việc phát hiện lớp đối tượng cụ thể với các lớp đối tượng khác của hệ thống.