Ứng Dụng Xử Lý Ảnh Đếm Các Đối Tượng Có Ảnh Chạm Nhau

Chuyên khảo phân tích Luận văn ứng dụng xử lý ảnh đếm các đối tượng có ảnh chạm nhau, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyễn Thị Thanh Xuân
• Người hướng dẫn: TS. Phạm Đức Long
• Trường học: Trường Đại học Công nghệ Thông tin và Truyền thông
• Chuyên ngành: Thạc sĩ Khoa học Máy tính
• Đề tài: Ứng Dụng Xử Lý Ảnh Đếm Đối Tượng Chạm Nhau
• Loại tài liệu: luận văn
• Năm xuất bản: 2020
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN ĐẾM ĐỐI TƯỢNG VÀ NHU CẦU ĐẾM BẰNG XỬ LÝ ẢNH
• 1.1. Đếm đối tượng trong thực tế
• 1.1.1. Đếm thủ công bằng mắt
• 1.1.2. Đếm sơ khai và trừu tượng với con số
• 1.1.3. Đếm thủ công đầu bó thép dùng sơn và mắt thường
• 1.1.4. Đếm qua thiết bị sensor
• 1.1.5. Đếm bằng sensor
• 1.1.6. Đếm qua ảnh
• 1.2. Đặc điểm đếm đối tượng qua ảnh
• 1.2.1. Ảnh số
• 1.2.2. Nguyên lý máy ảnh số
• 1.2.3. Nguyên lý sensor CCD
• 1.2.4. Sensor CCD và sensor CMOS
• 1.2.5. Sensor CMOS
• 1.2.6. Sensor CMOS hiện tại
• 1.2.7. Những thuận lợi khi áp dụng đếm bằng xử lý ảnh
• 1.2.8. Khó khăn khi đếm đối tượng qua ảnh
• 1.3. KẾT LUẬN CHƯƠNG 1
• 2. CHƯƠNG 2: CÁC PHƯƠNG PHÁP ĐẾM BẰNG XỬ LÝ ẢNH
• 2.1. Đếm các đối tượng tách rời
• 2.1.1. Thuật toán kinh điểm đếm các đối tượng tách rời nhau
• 2.1.2. Đếm sai khi có các đối tượng chạm nhau
• 2.2. Đếm đối tượng có ảnh dính nhau dùng hình thái học kinh điển
• 2.2.1. Hình thái học kinh điển
• 2.2.2. Hạn chế khi đếm các đối tượng dính nhau
• 2.3. Phối hợp Biến đổi Watershed và biến đổi khoảng cách
• 2.3.1. Biến đổi khoảng cách (DT - Distance Transform)
• 2.3.2. Phân vùng Watershed (WS-Watershed Segmentation)
• 2.3.3. Phối hợp biến đổi Watershed và biến đổi khoảng cách
• 2.3.4. Sử dụng mạng nơ ron
• 2.4. Đếm đối tượng có ảnh dính nhau dùng hình thái học định hướng
• 2.4.1. Khảo sát Hình thái học gradients kinh điển
• 2.4.2. Hình thái học có định hướng
• 2.5. Xây dựng thuật toán đếm đối tượng có ảnh dính nhau dùng hình thái học định hướng
• 2.6. KẾT LUẬN CHƯƠNG 2
• 3. CHƯƠNG 3: ỨNG DỤNG XỬ LÝ ẢNH ĐẾM CÂY THÉP QUA ẢNH ĐẦU BÓ
• 3.1. Cơ sở chọn thuật toán và nhu cầu thực tế
• 3.2. Đếm cây thép qua ảnh đầu bó
• 3.3. Kết quả thực nghiệm
• 3.4. Nhận xét và đánh giá, so sánh
• 3.5. KẾT LUẬN CHƯƠNG 3
• 4. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Ứng Dụng Xử Lý Ảnh Đếm Đối Tượng Chạm Nhau

Nhu cầu đếm đối tượng xuất hiện trong nhiều lĩnh vực, từ công nghiệp đến y học. Các phương pháp đếm truyền thống như đếm thủ công hoặc sử dụng sensor có nhiều hạn chế. Đếm thủ công tốn thời gian, dễ sai sót và không phù hợp với số lượng lớn. Sử dụng sensor gặp khó khăn khi môi trường có nhiều nhiễu hoặc không thể lắp đặt. Ứng dụng xử lý ảnh mở ra giải pháp hiệu quả, đặc biệt trong các trường hợp phức tạp như đếm đối tượng chạm nhau. Khó khăn chính khi đếm đối tượng qua ảnh là chất lượng ảnh kém do điều kiện ánh sáng, đối tượng bị dính hoặc chồng lấp, và ảnh hưởng của nhiễu. Bài toán đếm đối tượng trong ảnh đòi hỏi các thuật toán xử lý ảnh tiên tiến. Theo Nguyễn Thị Thanh Xuân, "Cho đến nay đã có nhiều phương pháp làm tăng độ chính xác của kết quả đếm bằng xử lý ảnh. Tuy nhiên kết quả của các phương pháp đó vẫn chưa cho độ chính xác 100%."

1.1. Lợi Ích của Xử Lý Ảnh Đếm Số Lượng Đối Tượng

Xử lý ảnh đếm số lượng mang lại nhiều lợi ích so với các phương pháp truyền thống. Nó cho phép tin học hóa và tự động hóa quy trình, giảm thiểu sai sót do con người gây ra. Đặc biệt, phần mềm đếm đối tượng tự động giúp xử lý các trường hợp phức tạp mà phương pháp thủ công hoặc sensor không thể thực hiện được, ví dụ như đếm tế bào tự động hoặc đếm vật thể trong ảnh có mật độ cao. Nó cũng cho phép tích hợp vào các hệ thống giám sát và điều khiển tự động.

1.2. Thách Thức Khi Đếm Đối Tượng Trong Ảnh Thực Tế

Mặc dù có nhiều ưu điểm, việc đếm đối tượng trong ảnh cũng đối mặt với nhiều thách thức. Chất lượng ảnh ảnh hưởng trực tiếp đến độ chính xác của kết quả. Các yếu tố như ánh sáng yếu, ngược sáng, nhiễu ảnh, và đối tượng bị che khuất có thể gây sai lệch. Đặc biệt, khi các đối tượng chồng chéo hoặc chạm nhau, việc phân tách và đếm chính xác trở nên khó khăn hơn. Cần có các thuật toán mạnh mẽ để giải quyết những vấn đề này. Ví dụ, trong xử lý ảnh y tế, nhiễu đốm trong ảnh siêu âm có thể gây khó khăn cho việc đếm và phân tích.

II. Phương Pháp Xử Lý Ảnh Phân Tách và Đếm Đối Tượng Chạm Nhau

Để giải quyết vấn đề đếm đối tượng chạm nhau, nhiều phương pháp thuật toán đếm đối tượng đã được phát triển. Các phương pháp này thường kết hợp các kỹ thuật xử lý ảnh như lọc nhiễu, phân đoạn ảnh, và hình thái học. Một số phương pháp phổ biến bao gồm sử dụng thuật toán Watershed, biến đổi khoảng cách, và mạng nơ-ron. Theo Nguyễn Thị Thanh Xuân, một phương pháp tiềm năng là "áp dụng hình thái học có định hướng để tách các đối tượng bị dính nhau trong ảnh để đưa độ chính xác kết quả của các quá trình đếm có khả năng đạt đến độ chính xác tuyệt đối trong một số ứng dụng trong công nghiệp hiện nay". Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của đối tượng và chất lượng ảnh.

2.1. Sử Dụng Hình Thái Học Để Phân Tách Đối Tượng Dính Nhau

Hình thái học là một tập hợp các kỹ thuật xử lý ảnh dựa trên hình dạng của đối tượng. Các phép toán hình thái học như co (erosion), giãn (dilation), mở (opening), và đóng (closing) có thể được sử dụng để loại bỏ nhiễu, làm mịn biên, và phân tách các đối tượng dính nhau. Hình thái học có định hướng đặc biệt hiệu quả trong việc tách các đối tượng có hình dạng cụ thể, ví dụ như các thanh thép trong ảnh đầu bó. Tuy nhiên, cần lựa chọn tham số phù hợp để tránh làm mất thông tin quan trọng.

2.2. Kết Hợp Biến Đổi Watershed và Biến Đổi Khoảng Cách

Biến đổi Watershed là một thuật toán phân đoạn ảnh dựa trên ý tưởng về lưu vực sông. Nó có thể được sử dụng để phân tách các đối tượng dính nhau bằng cách coi ảnh như một địa hình và tìm các đường phân thủy. Biến đổi khoảng cách được sử dụng để xác định khoảng cách từ mỗi pixel đến biên của đối tượng. Kết hợp hai phương pháp này giúp cải thiện độ chính xác của việc phân đoạn, đặc biệt khi các đối tượng có hình dạng phức tạp.

2.3. Ứng Dụng Mạng Nơ ron Trong Đếm Đối Tượng Phức Tạp

Mạng nơ-ron, đặc biệt là mạng nơ-ron tích chập (CNN), đã chứng minh hiệu quả cao trong nhiều bài toán xử lý ảnh, bao gồm cả đếm đối tượng. CNN có thể học các đặc trưng phức tạp của đối tượng và phân tách chúng một cách chính xác. Trong bài toán đếm hạt, CNN có thể được huấn luyện để nhận diện và đếm các hạt trong ảnh hiển vi. Tuy nhiên, việc huấn luyện CNN đòi hỏi lượng dữ liệu lớn và tài nguyên tính toán đáng kể.

III. Ứng Dụng Xử Lý Ảnh Đếm Cây Thép Hướng Dẫn Chi Tiết

Một ứng dụng thực tế của xử lý ảnh đếm đối tượng là đếm cây thép qua ảnh đầu bó. Việc đếm thủ công tốn nhiều thời gian và công sức, đặc biệt trong các nhà máy sản xuất thép lớn. Ứng dụng AI đếm đối tượng giúp tự động hóa quy trình, giảm thiểu sai sót và tăng năng suất. Thuật toán đếm vật thể trong ảnh có thể được tùy chỉnh để phù hợp với đặc điểm của ảnh đầu bó thép, ví dụ như hình dạng và kích thước của cây thép, và điều kiện ánh sáng.

3.1. Quy Trình Xử Lý Ảnh Để Đếm Cây Thép Hiệu Quả

Quy trình xử lý ảnh để đếm cây thép thường bao gồm các bước sau: tiền xử lý ảnh (lọc nhiễu, tăng cường độ tương phản), phân đoạn ảnh (tách cây thép khỏi nền), và đếm đối tượng. Việc lựa chọn thuật toán phân đoạn phù hợp là rất quan trọng. Các thuật toán như ngưỡng (thresholding), phát hiện biên (edge detection), và hình thái học có thể được sử dụng. Sau khi phân đoạn, các đối tượng cây thép được đếm bằng cách sử dụng thuật toán connected component labeling.

3.2. Sử Dụng Hình Thái Học Định Hướng Đếm Cây Thép Chạm Nhau

Trong trường hợp các cây thép chạm nhau, hình thái học định hướng là một giải pháp hiệu quả. Thuật toán này thực hiện các phép toán hình thái học theo các hướng khác nhau để tách các cây thép bị dính nhau. Việc lựa chọn hướng phù hợp dựa trên hình dạng của cây thép và hướng của sự tiếp xúc. Kết quả thực nghiệm cho thấy hình thái học định hướng có thể đạt độ chính xác cao trong việc đếm cây thép.

3.3. Các Yếu Tố Ảnh Hưởng Đến Độ Chính Xác Khi Đếm Thép

Độ chính xác của việc đếm thép phụ thuộc vào nhiều yếu tố, bao gồm chất lượng ảnh, điều kiện ánh sáng, và thuật toán xử lý ảnh được sử dụng. Ảnh có độ phân giải cao và độ tương phản tốt sẽ cho kết quả chính xác hơn. Ánh sáng đồng đều và không có bóng đổ cũng rất quan trọng. Việc lựa chọn thuật toán phù hợp và tinh chỉnh tham số cũng ảnh hưởng lớn đến độ chính xác.

IV. Giải Pháp Đếm Đối Tượng Chạm Nhau Kết Luận và Hướng Phát Triển

Việc ứng dụng xử lý ảnh để đếm đối tượng chạm nhau mang lại nhiều lợi ích trong nhiều lĩnh vực khác nhau. Các thuật toán như Watershed, biến đổi khoảng cách, hình thái học, và mạng nơ-ron có thể được sử dụng để giải quyết bài toán này. Tuy nhiên, việc lựa chọn thuật toán phù hợp và tinh chỉnh tham số là rất quan trọng. Nguyễn Thị Thanh Xuân cho rằng, "Kết quả này có thể được ứng dụng thay cho việc đếm bằng thủ công trong các nhà máy cán thép hiện nay." Trong tương lai, cần nghiên cứu các thuật toán mới và hiệu quả hơn để nâng cao độ chính xác và khả năng ứng dụng của phần mềm đếm đối tượng tự động.

4.1. So Sánh Ưu Nhược Điểm Của Các Phương Pháp Đếm

Mỗi phương pháp đếm đối tượng có những ưu nhược điểm riêng. Watershed và biến đổi khoảng cách đơn giản và dễ triển khai, nhưng có thể gặp khó khăn khi các đối tượng có hình dạng phức tạp. Hình thái học hiệu quả trong việc tách các đối tượng có hình dạng cụ thể, nhưng cần lựa chọn tham số phù hợp. Mạng nơ-ron cho độ chính xác cao, nhưng đòi hỏi lượng dữ liệu lớn và tài nguyên tính toán đáng kể.

4.2. Hướng Nghiên Cứu Phát Triển Xử Lý Ảnh Đếm Tự Động

Trong tương lai, cần tập trung vào các hướng nghiên cứu sau: phát triển các thuật toán xử lý ảnh mạnh mẽ hơn để xử lý ảnh có chất lượng kém, nghiên cứu các phương pháp kết hợp nhiều thuật toán để tận dụng ưu điểm của từng phương pháp, và phát triển các phương pháp Machine Learning đếm đối tượng có khả năng học từ dữ liệu và thích ứng với các điều kiện khác nhau. Ngoài ra, cần chú trọng đến việc xây dựng các hệ thống đếm thực vật, động vật và hạt tự động và dễ sử dụng.

Nội dung chính

Tổng quan nghiên cứu

Việc đếm các đối tượng trong ảnh là một bài toán quan trọng và phổ biến trong nhiều lĩnh vực như y học, công nghiệp và giao thông. Theo ước tính, nhu cầu đếm tự động các đối tượng như hồng cầu, sản phẩm công nghiệp hay phương tiện giao thông ngày càng tăng do số lượng đối tượng lớn và tốc độ xuất hiện nhanh. Tuy nhiên, một trong những thách thức lớn nhất là các đối tượng trong ảnh thường dính hoặc chạm nhau, gây khó khăn cho việc phân tách và đếm chính xác.

Mục tiêu của luận văn là xây dựng và ứng dụng một thuật toán xử lý ảnh mới dựa trên hình thái học định hướng nhằm tách rời các đối tượng dính nhau trong ảnh, từ đó nâng cao độ chính xác của việc đếm đối tượng. Nghiên cứu tập trung vào ảnh đầu bó thép trong công nghiệp cán thép tại tỉnh Thái Nguyên, thực hiện trong giai đoạn năm 2020. Kết quả thực nghiệm cho thấy thuật toán có thể đạt độ chính xác tuyệt đối trong việc đếm số lượng cây thép trong bó, mở ra khả năng thay thế phương pháp đếm thủ công truyền thống.

Nghiên cứu có ý nghĩa lớn trong việc tự động hóa quy trình kiểm soát chất lượng và quản lý sản xuất trong ngành công nghiệp thép, đồng thời góp phần phát triển các ứng dụng xử lý ảnh trong các lĩnh vực khác có đối tượng dính nhau phức tạp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình xử lý ảnh sau:

• Hình thái học kinh điển (Morphological Operators): Bao gồm các phép toán cơ bản như phép co (erosion), phép dãn nở (dilation), toán tử đóng (closing) và mở (opening). Các phép toán này giúp xử lý ảnh nhị phân và ảnh xám để loại bỏ nhiễu, tách đối tượng và làm nổi bật biên.

• Biến đổi khoảng cách (Distance Transform - DT): Là phép biến đổi ảnh nhị phân thành ảnh mức xám biểu diễn khoảng cách từ mỗi điểm đến vùng nền gần nhất, hỗ trợ phân vùng và tách đối tượng.

• Phân vùng Watershed (Watershed Segmentation): Thuật toán phân vùng dựa trên mô hình địa hình, dùng để tách các vùng đối tượng dính nhau bằng cách xác định ranh giới watershed giữa các vùng.

• Hình thái học định hướng (Oriented Morphology - OM): Phương pháp mới được đề xuất trong luận văn, thực hiện các phép toán hình thái học theo các hướng xác định dựa trên đặc điểm biên của các đối tượng dính nhau, giúp tách rời các đối tượng hiệu quả hơn so với hình thái học kinh điển.

• Mạng nơ ron chập (Convolutional Neural Networks - CNN): Được sử dụng để phát hiện điểm tâm các đối tượng trong ảnh, kết hợp với thuật toán phân cụm khoảng cách để xác định số lượng và vị trí các đối tượng.

Các khái niệm chính bao gồm: ảnh nhị phân, ảnh xám, phép toán hình thái học (erosion, dilation, opening, closing), biến đổi khoảng cách, phân vùng watershed, hình thái học định hướng, mạng CNN, phân cụm khoảng cách.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là ảnh đầu bó thép thu thập tại các nhà máy cán thép ở Thái Nguyên. Ảnh được chụp bằng camera công nghiệp với cảm biến CCD và CMOS, có kích thước và chất lượng phù hợp cho xử lý ảnh.

Phương pháp nghiên cứu gồm các bước:

1. Tiền xử lý ảnh: Chuyển ảnh màu sang ảnh xám, sau đó sang ảnh nhị phân bằng ngưỡng thích hợp. Loại bỏ nhiễu bằng toán tử mở và đóng.

2. Tách đối tượng: Áp dụng hình thái học định hướng để tách các đối tượng dính nhau dựa trên phân tích biên và hướng thắt nút.

3. Đếm đối tượng: Sử dụng thuật toán gán nhãn kết hợp với phân vùng watershed và biến đổi khoảng cách để xác định số lượng đối tượng.

4. So sánh và đánh giá: Đối chiếu kết quả đếm tự động với đếm thủ công để đánh giá độ chính xác.

Phương pháp phân tích sử dụng phần mềm Matlab để xây dựng và thực nghiệm thuật toán. Cỡ mẫu ảnh thử nghiệm khoảng vài trăm ảnh đầu bó thép với số lượng cây thép dao động từ vài chục đến vài trăm cây mỗi bó. Phương pháp chọn mẫu dựa trên tính đại diện của ảnh trong điều kiện thực tế sản xuất.

Timeline nghiên cứu kéo dài trong năm 2020, bao gồm giai đoạn thu thập dữ liệu, phát triển thuật toán, thực nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác đếm đối tượng đạt gần tuyệt đối: Thuật toán hình thái học định hướng cho kết quả đếm cây thép trong ảnh đầu bó với độ chính xác lên đến 100% trong nhiều trường hợp thử nghiệm, vượt trội so với các phương pháp hình thái học kinh điển và phối hợp watershed-distance transform chỉ đạt khoảng 95-98%.

2. Hiệu quả tách đối tượng dính nhau: Hình thái học định hướng giúp tách rời các đối tượng dính nhau hiệu quả hơn, giảm thiểu sai số do nhóm đối tượng bị gộp chung. Ví dụ, trong ảnh có các cây thép chạm nhau, phương pháp này tách được đến 98% các điểm dính, trong khi phương pháp truyền thống chỉ đạt khoảng 85%.

3. Giảm thiểu ảnh hưởng của nhiễu và điều kiện ánh sáng: Thuật toán có khả năng xử lý tốt các ảnh có chất lượng ánh sáng không đồng đều, ảnh nhiễu nhẹ, nhờ bước tiền xử lý và sử dụng các mặt nạ hình thái học định hướng phù hợp.

4. Khả năng ứng dụng thực tế: Thực nghiệm tại nhà máy cán thép Thái Trung (Thái Nguyên) cho thấy hệ thống đếm tự động có thể thay thế hoàn toàn phương pháp đếm thủ công, giúp tiết kiệm thời gian và nhân lực, đồng thời nâng cao độ chính xác quản lý sản xuất.

Thảo luận kết quả

Nguyên nhân chính giúp thuật toán đạt độ chính xác cao là do việc áp dụng hình thái học định hướng, cho phép thực hiện các phép toán co dãn theo hướng xác định dựa trên đặc điểm biên của các đối tượng dính nhau. Điều này khác biệt với các phương pháp hình thái học kinh điển chỉ thực hiện đồng đều trên toàn ảnh, dẫn đến việc không thể tách rời các đối tượng chạm nhau phức tạp.

So sánh với các nghiên cứu trước đây sử dụng phối hợp watershed và biến đổi khoảng cách, phương pháp mới giảm thiểu hiện tượng phân vùng quá mức (over-segmentation) và sai số do các vùng dính nhau không được tách rời hoàn toàn. Mặc dù mạng nơ ron CNN cũng được áp dụng để phát hiện điểm tâm đối tượng, nhưng phương pháp này đòi hỏi khối lượng tính toán lớn và chưa đạt độ chính xác tuyệt đối.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh độ chính xác giữa các phương pháp, bảng thống kê số lượng đối tượng đếm được và sai số tương ứng, cũng như hình ảnh minh họa quá trình tách đối tượng và kết quả đếm.

Kết quả nghiên cứu có ý nghĩa quan trọng trong việc phát triển các hệ thống đếm tự động trong công nghiệp, đặc biệt là các trường hợp đối tượng dính nhau phức tạp, đồng thời mở rộng ứng dụng cho các lĩnh vực y học, nông nghiệp và giao thông.

Đề xuất và khuyến nghị

1. Triển khai hệ thống đếm tự động tại các nhà máy cán thép: Áp dụng thuật toán hình thái học định hướng trên nền tảng phần mềm Matlab hoặc tích hợp vào hệ thống camera công nghiệp để thay thế phương pháp đếm thủ công, nhằm nâng cao hiệu quả và độ chính xác quản lý sản xuất trong vòng 6-12 tháng.

2. Phát triển phần mềm xử lý ảnh chuyên dụng: Xây dựng giao diện thân thiện, tối ưu hóa thuật toán để giảm thời gian xử lý, phù hợp với các dây chuyền sản xuất có tốc độ cao. Chủ thể thực hiện là các đơn vị công nghệ thông tin hợp tác với nhà máy trong 1 năm.

3. Mở rộng ứng dụng cho các lĩnh vực khác: Nghiên cứu áp dụng thuật toán cho đếm hồng cầu trong y học, đếm quả trong nông nghiệp hoặc đếm phương tiện giao thông, nhằm đa dạng hóa ứng dụng và tăng giá trị thực tiễn. Thời gian nghiên cứu mở rộng dự kiến 1-2 năm.

4. Kết hợp với các phương pháp học sâu: Nghiên cứu tích hợp mạng nơ ron CNN với hình thái học định hướng để cải thiện khả năng nhận dạng và đếm trong các trường hợp phức tạp hơn, đồng thời giảm thiểu khối lượng tính toán. Chủ thể thực hiện là các nhóm nghiên cứu AI trong 2 năm.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý và kỹ sư trong ngành công nghiệp thép: Giúp nâng cao hiệu quả kiểm soát chất lượng sản phẩm, giảm sai số đếm và tiết kiệm nhân lực trong dây chuyền sản xuất.

2. Chuyên gia và nhà nghiên cứu xử lý ảnh: Cung cấp phương pháp mới về hình thái học định hướng, mở rộng kiến thức và ứng dụng trong lĩnh vực xử lý ảnh kỹ thuật số.

3. Các đơn vị phát triển phần mềm công nghiệp: Là cơ sở để phát triển các giải pháp tự động hóa, phần mềm đếm đối tượng chính xác, phục vụ đa ngành nghề.

4. Ngành y học và nông nghiệp: Hỗ trợ trong việc đếm tế bào, hồng cầu, hoặc sản lượng nông sản qua ảnh, góp phần nâng cao hiệu quả nghiên cứu và ứng dụng thực tiễn.

Câu hỏi thường gặp

1. Phương pháp hình thái học định hướng khác gì so với hình thái học kinh điển?
   Hình thái học định hướng thực hiện các phép toán co dãn theo các hướng xác định dựa trên đặc điểm biên của đối tượng dính nhau, giúp tách rời hiệu quả hơn so với hình thái học kinh điển áp dụng đồng đều trên toàn ảnh.

2. Độ chính xác của thuật toán đếm tự động đạt bao nhiêu?
   Trong thực nghiệm với ảnh đầu bó thép, độ chính xác đạt gần 100%, vượt trội so với các phương pháp truyền thống chỉ đạt khoảng 95-98%.

3. Thuật toán có thể áp dụng cho các loại ảnh khác ngoài ảnh đầu bó thép không?
   Có, thuật toán có thể mở rộng ứng dụng cho các trường hợp đếm đối tượng dính nhau trong y học, nông nghiệp, giao thông và các lĩnh vực khác.

4. Khối lượng tính toán của phương pháp này như thế nào?
   Phương pháp hình thái học định hướng có khối lượng tính toán vừa phải, thấp hơn nhiều so với các phương pháp học sâu như mạng nơ ron CNN, phù hợp với ứng dụng công nghiệp thực tế.

5. Làm thế nào để xử lý ảnh có chất lượng ánh sáng kém hoặc nhiễu?
   Luận văn đề xuất bước tiền xử lý bằng toán tử mở và đóng để loại bỏ nhiễu nhỏ, đồng thời thuật toán có khả năng xử lý tốt các ảnh thiếu sáng hoặc nhiễu nhẹ nhờ sử dụng mặt nạ hình thái học định hướng phù hợp.

Kết luận

• Đã xây dựng thành công thuật toán xử lý ảnh dựa trên hình thái học định hướng để đếm các đối tượng có ảnh dính/chạm nhau với độ chính xác gần tuyệt đối.
• Thuật toán vượt trội hơn các phương pháp hình thái học kinh điển và phối hợp watershed-distance transform trong việc tách rời đối tượng dính nhau.
• Thực nghiệm trên ảnh đầu bó thép tại nhà máy cán thép Thái Nguyên cho thấy khả năng ứng dụng thực tế cao, có thể thay thế đếm thủ công.
• Đề xuất triển khai hệ thống đếm tự động trong công nghiệp, đồng thời mở rộng ứng dụng sang các lĩnh vực khác như y học, nông nghiệp và giao thông.
• Các bước tiếp theo bao gồm phát triển phần mềm chuyên dụng, tích hợp với các phương pháp học sâu và mở rộng nghiên cứu ứng dụng đa ngành.

Quý độc giả và các nhà nghiên cứu quan tâm có thể liên hệ để trao đổi, hợp tác phát triển các giải pháp xử lý ảnh đếm đối tượng chính xác và hiệu quả hơn trong tương lai.

Trích đoạn nội dung tài liệu

chương 1 đã đề cập: rất nhiều loại hình công việc đếm trong thực tiễn phải dùng phương pháp đếm bằng xử lý ảnh. Đếm số đối tượng trong ảnh là một trong các công việc cơ bản của xử lý ảnh. Trong đó bài toán kinh điển đếm các đối tượng tách rời nhau được mô tả qua thuật toán sau: Thuật toán đếm kinh điển: Input: Ảnh số nhị phân. Output: Số đối tượng cần đếm trong ảnh Thực hiện với ảnh gốc I có kích thước MxN 1.

Tạo các điểm ảnh biên của ảnh I = 0; // sau khi tạo có ảnh mới I1 có kích thước (M+2) x (N+2) Số đối tượng = 0; Hình 2.1 Tạo các điểm ảnh biên cho ảnh I 2.1 Bắt đầu từ điểm bất kỳ (chẳng hạn điểm top-left) Xem điểm ảnh đó có phải điểm đen không? + Nếu điểm ảnh là điểm trắng không làm gì + Nếu điểm ảnh đó là điểm đen thì: gán nhãn cho điểm đó là "2" rồi 12 + Kiểm tra xem 8 điểm ảnh xung quanh có là điểm đen không? Nếu điểm nào trong số 8 điểm đó là đen thì gán chúng là "2". Nếu không thì chúng vẫn bằng "0". Cập nhật vị trí các điểm "2". Cập nhật các vị trí đã kiểm tra (Đánh số từ "2" để không lẫn với giá trị "1").2 Loại trừ điểm đen đầu tiên (điểm "2" đầu tiên).

làm tiếp với từng điểm "2" lân cận với bước 2.1 để tìm các điểm "2" mới tức là tìm các điểm ảnh mới liên kết với các điểm "2" cũ.3 Khi không còn có điểm "2" mới nào thì: + Số đối tượng = Số đối tượng + 1; + Tìm trong số tất cả các điểm ảnh còn lại chưa kiểm tra có điểm đen nào thì lại thực hiện 2. Tìm đến điểm ảnh cuối cùng của ảnh thì sẽ tìm được số đối tượng trong ảnh. Số điểm ảnh có cùng nhãn "2", "3",. sẽ là diện tích (độ lớn) của mỗi đối tượng.

a) Các nhóm điểm đen được gán nhãn (hình b) Hình 2.2 Minh họa phương pháp đếm kinh điển Trên hình 2.2 các nhãn được đánh số từ 2 đến 7 và số đối tượng N là số thứ tự nhãn lớn nhất -1 tức là N=7-1=6.2 Đếm sai khi có các đối tượng chạm nhau Theo cách thức của thuật toán đếm kinh điển chúng ta thấy dựa trên sự gán nhãn các nhóm điểm ảnh liên thông nhau. Mỗi nhóm điểm ảnh là một đối tượng. Như vậy khi có hai đối tượng chạm nhau trong thực tế thì ảnh của chúng cũng có các điểm liên thông như là cùng trong một đối tượng. Áp dụng thuật toán đếm kinh 13 điển trong trường hợp này mà không có xử lý tách hai (hoặc nhiều đối tượng dính nhau ra) sẽ cho kết quả đếm sai.3 a) ảnh nguyên bản b) ảnh nhị phân Trên hình 2.3 nguyên bản có 5 đồng xu trong đó có hai nhóm đồng xu bị chồng lên nhau.

Trên ảnh nhị phân khi đếm dùng thuật toán đếm kinh điển chúng ta chỉ đếm được 3 nhóm đối tượng (mà lẽ ra phải là 5).2 Đếm đối tượng có ảnh dính nhau dùng hình thái học kinh điển 2.1 Hình thái học kinh điển Thuật ngữ thực hiện phép toán hình thái học bao gồm một lớp các thuật toán xử lý ảnh biến đổi ảnh khi thực hiện biến đổi ảnh qua phần tử cấu trúc. Hình thái học có thể được thực hiện với ảnh nhị phân và cả ảnh đa cấp xám. Nó được rất hữu ích trong nhiều công việc xử lý ảnh như tìm xương ảnh, tìm biên, phục hồi và phân tích kết cấu ảnh. Hai phép toán hình thái học cơ bản là dilation và erotion.

Với ảnh nhị phân: Phép biến đổi erosion & dilation ảnh nhị phân thường được dùng để biến đổi ảnh như sau: Hình 2.4 Thực hiện phép co và phép dãn nở ảnh nhị phân Ta có một ảnh P như hình 2.4 Thực hiện phép erosion và dilation ảnh bằng cách tuỳ theo việc thực hiện phép xử lý nào mà tạo ra các tập phần tử có cấu trúc 14 (mặt nạ) tương ứng, sau đó rê mặt nạ đi khắp ảnh và tính giá trị điểm ảnh bởi các điểm lân cận với motip của mặt nạ. Các phép thực hiện có thể là hội, tuyển hoặc liên hợp. Dilation: Rê mặt nạ S đi khắp ảnh và tại mỗi điểm kiểm tra nếu bít có giá trị 1 thì thực hiện phép tuyển với bit mặt nạ quanh điểm ảnh đó. Kết quả được D(P,S).

Erosion: Rê mặt nạ S đi khắp ảnh và tại mỗi điểm kiểm tra nếu bít có giá trị 1 thì thực hiện phép hội với bit mặt nạ quanh điểm ảnh đó. Kết quả được E(P,S); a) b) c) Hình 2.5 a) Ảnh nguyên bản b) Sau khi co ảnh c) Sau khi dãn ảnh Khi kết hợp phép dãn ảnh và phép co ta có thêm các phép hình thái học, toán tử đóng (closing) và toán tử mở (opening) Closing: Toán tử đóng của một ảnh A với một phần tử cấu trúc B được thực hiện theo luật sau: AB=(AB)ΘB (2.1) trong đó  và Θ ký hiệu của phép dilation và erosion. Thuộc tính:  Tính chắc chắn (Imdepotence): (AB)B=AB  Tính tăng: Nếu A  C thì AB CB  Tính mở rộng: A AB  Closing thay đổi bất biến. Opening: toán tử mở của một ảnh A với một phần tử cấu trúc B được thực hiện theo luật sau: AB=(AΘB)B (2.2) 15 trong đó  và Θ ký hiệu của phép dilation và erosion.

Thuộc tính:  Tính chắc chắn (Imdepotence): (AB)B=AB  Tính tăng: Nếu A  C thì AB  CB  Chống mở rộng: AB  A  Toán tử mở thay đổi bất biến.  Toán tử mở và toán tử đóng đáp ứng tính nhị nguyên: AB=(AcBs)c. Trong xử lý ảnh closing được dùng để loại bỏ các lỗ nhỏ và opening được dùng để loại các đối tượng nhỏ của ảnh. Các kỹ thuật này cũng còn được dùng để tìm các hình dạng đặc tả trong ảnh.6 Ảnh nhị phân nguyên bản và sau khi thực hiện các phép hình thái học Hình thái học với ảnh đa cấp xám: Phép co với ảnh xám được thực hiện bởi bộ lọc cực tiểu còn phép dãn nở thì được thực hiện bởi bộ lọc cực đại.

Trong một bộ lọc cực tiểu 3 x 3 = pixel trung tâm thì được thay thế bởi giá trị nhỏ nhất của các pixel trong cửa sổ. Trong một bộ lọc cực đại pixel trung tâm thì được thay thế bởi giá trị lớn nhất của các pixel trong cửa sổ. Sự thực hiện của các bộ lọc cực tiểu và bộ lọc cực đại giống như sự thực hiện của bộ lọc median. Phép hình thái học dãn nở của ảnh xám 16 Hình 2.7 Hình thái học trên ảnh xám Hình 2.8 Thực hiện hình thái học trên ảnh xám.2 Hạn chế khi đếm các đối tượng dính nhau Khi thực hiện hình thái học để tách các đối tượng dính nhau ra thành đối tượng độc lập để đếm có thể xảy ra các trường hợp [4]:  Tách được các đối tượng ra đúng đắn và đếm chính xác 17 Hình 2.9 Dùng phép co để tách các đối tượng  Tách đối tượng không hết vẫn còn có đối tượng dính nhau nên đếm sai Hình 2.10 Do phép co chưa đủ số lần thực hiện nên vẫn còn các nhóm đối tượng dính nhau  Thực hiện hình thái học với số lần lặp lớn quá mức dẫn đến đối tượng bị biến mất.

Khi đó cũng bị đếm sai.3 Phối hợp biến đổi Watershed và biến đổi khoảng cách.1 Biến đổi khoảng cách (DT - Distance Transform) Biến đổi khoảng cách là một toán tử thường áp dụng cho hình ảnh nhị phân (cũng có áp dụng cả với ảnh xám). Kết quả của phép biến đổi là một hình ảnh 18 Graylevel trông tương tự như hình ảnh đầu vào, ngoại trừ cường độ mức xám của các điểm gần các vùng biên được thay đổi. Một số ví dụ trong bảng 2.1 Một số ví dụ biến đổi khoảng cách Ảnh sau biến đổi Ảnh nguyên bản khoảng cách Công thức biến đổi khoảng cách Công thức biến đổi khoảng cách: Một tập các điểm P, số đo khoảng cách DT(P)[x] = min y ∈ P dist(x, y). Đối với mỗi vị trí x khoảng cách đến điểm y gần nhất trong P 19 - Có thể nghĩ về “hình nón” gốc ở mỗi y ∈ P – và cực tiểu (min) trên tất cả các hình nón (đường bao thấp hơn Ba loại biến đổi khoảng cách dựa trên ba kiểu khoảng cách được sử dụng  Khoảng cách Euclidean (L2 norm) sqrt(( x1-y1)2 + (x2-y2)2 + … )  Khoảng cách Mahattan (city block distance - L1 norm) |x1- y1| + |x2-y2| + …ƒ  Khoảng cách Chebyshev (L norm) max(|x1 - y1|, |x2 - y2|, …) Hình 2.11 Tác dụng của ba kiểu biến đổi khoảng cách a) ảnh gốc b) dùng khoảng cách Ơ clit c) Dùng khoảng cách Mahatan d) dùng khoảng cách Chessboard 2.2 Phân vùng Watershed (WS-Watershed Segmentation) Khái niệm) Hình 2.12 Nguyên lý biến đổi lưu vực sông (watershed transform) nơi các giá trị cường độ xác định đồi và lưu vực.

Đối với mục đích phân vùng, các lưu vực có thể bị ngập để kết hợp các vùng tương ứng. Thuật toán Watershed [5], [6] cho phép người dùng đánh dấu những vùng hình ảnh chứa đối tượng, nền và cả những vùng không chắc chắn. Sau khi thuật toán kết thúc, những vùng không chắc chắn sẽ được gắn nhãn tiền cảnh hoặc nền, các đường ranh giới giữa các vùng cũng sẽ được phát hiện. 20 Đầu tiên, thuật toán Watershed xem bức ảnh chứa “Gradient of the Intensity” như là một tấm bản đồ địa hình, trong đó các vùng sáng là các ngọn núi, còn các vùng tối là các thung lũng, hình 2.13 Địa hình khi chưa bị ngập nước Giả sử có một trận mưa cực lớn xuất hiện, ban đầu nước sẽ nhấn chìm toàn bộ các thung lũng, sau đó mực nước tăng dần để nhấn chìm từng ngọn núi, lúc này nước ở trong các thung lũng sẽ gặp nhau, vị trí mà chúng gặp nhau chính là biến đổi watershed (hình 2.15) và đó cũng chính là ranh giới giữa các vùng mà chúng ta cần phân tách.

Nước lũ ở từng thung lũng được tô màu khác nhau để dễ hình dung.14 Bắt đầu cho ngập các thung lũng Hình 2.15 Vị trí của Watershed Hình 2.16 Xây dựng bức tường ngăn cách tại vị trí Watershed 21 Nếu những vùng bị nhấn chìm cùng nhau đã được đánh dấu cùng là tiền cảnh hoặc cùng là nền từ trước thì chúng sẽ được kết nối với nhau. Ngược lại thì tại vị trí watershed, chúng ta cần xây dựng một bức tường để ngăn cản nước từ hai vùng khác biệt (tiền cảnh và nền) hòa trộn với nhau, hình 2.