Một số kỹ thuật đánh giá độ tương tự trong tra cứu tàu cá trên biển

Các nội dung cơ bản của luận văn được trình bày theo cấu trúc sau: Chương 1 - Khái quát về tra cứu ảnh và bài toán tra cứu tàu cá trên biển Chương 2 - Một số kỹ thuật đánh giá độ tương t

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn

ĐẠI HỌC THÁI NGUYÊN

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

Ninh Thị Kim Yến

MỘT SỐ KỸ THUẬT ĐÁNH GIÁ ĐỘ TƯƠNG TỰ

TRONG TRA CỨU TÀU CÁ TRÊN BIỂN

LUẬN VĂN THẠC SỸ KHOA HỌC MÁY TÍNH

Thái Nguyên - 2016

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn

ĐẠI HỌC THÁI NGUYÊN

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

Ninh Thị Kim Yến

MỘT SỐ KỸ THUẬT ĐÁNH GIÁ ĐỘ TƯƠNG TỰ

TRONG TRA CỨU TÀU CÁ TRÊN BIỂN

Chuyên ngành: Khoa học máy tính

Mã số: 60480101

LUẬN VĂN THẠC SỸ KHOA HỌC MÁY TÍNH

NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.TS ĐỖ NĂNG TOÀN

Thái Nguyên - 2016

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn

LỜI CAM ĐOAN

Học viên xin cam đoan, toàn bộ nội dung liên quan tới đề tài được trình bày trong luận văn là bản thân học viên tự tìm hiểu và nghiên cứu, dưới sự hướng dẫn khoa học của PGS.TS Đỗ Năng Toàn

Các tài liệu, số liệu tham khảo được trích dẫn đầy đủ nguồn gốc Học viên xin chịu trách nhiệm trước pháp luật lời cam đoan của mình

Thái Nguyên, ngày 20 tháng 6 năm 2016

Học viên thực hiện

Ninh Thị Kim Yến

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn

LỜI CẢM ƠN

Học viên xin gửi lời cảm ơn tới các thầy, cô giáo của Trường Đại học Công nghệ thông tin và Truyền thông - Đại học Thái Nguyên đã tận tình truyền đạt kiến thức, tổ chức hoạt động cho lớp Thạc sĩ chuyên ngành Khoa học máy tính, khóa học 2014-2016 Đặc biệt, học viên xin gửi lời cảm ơn và biết ơn sâu sắc nhất tới PGS.TS Đỗ Năng Toàn, trong thời gian qua đã luôn tận tình chỉ bảo, giúp đỡ, kịp thời định hướng để em có thể hoàn thành được luận văn này

Học viên cũng xin gửi lời cảm ơn sâu sắc tới Thủ trưởng các cấp - nơi học viên đang công tác, đã luôn tạo điều kiện, giúp đỡ để học viên hoàn thành chương trình học trong thời gian qua Đồng thời, học viên xin được chân thành cảm ơn gia đình, các bạn cùng lớp và những người thân thiết đã động viên, giúp đỡ trong suốt quá trình học tập và thực hiện luận văn./

Thái Nguyên, ngày 20 tháng 6 năm 2016

Học viên thực hiện

Ninh Thị Kim Yến

MỤC LỤC

TRANG BÌA PHỤ

LỜI CAM ĐOAN

LỜI CẢM ƠN

MỤC LỤC i

CÁC THUẬT NGỮ, TỪ VIẾT TẮT iii

DANH MỤC HÌNH MINH HỌA iv

MỞ ĐẦU 1

Chương 1 KHÁI QUÁT VỀ TRA CỨU ẢNH VÀ BÀI TOÁN TRA CỨU TÀU CÁ TRÊN BIỂN 3

1.1 Khái quát về tra cứu ảnh 3

1.1.1 Giới thiệu 3

1.1.2 Một số phương pháp tra cứu ảnh 7

1.2 Bài toán tra cứu tàu cá trên biển 21

1.2.1 Giới thiệu 21

1.2.2 Cách tiếp cận 26

Chương 2 MỘT SỐ KỸ THUẬT ĐÁNH GIÁ ĐỘ TƯƠNG TỰ 27

2.1 Kỹ thuật theo mô hình không gian vector (VSM) 27

2.1.1 Phép so sánh histogram 27

2.1.2 Phép so sánh qua giá trị điểm ảnh 33

2.2 Kỹ thuật theo mô hình k-phần tử kề cận (k-NN) 40

2.2.1 Thuật toán k-NN 40

2.2.2 k-NN trong so khớp điểm ảnh 42

2.3 Kỹ thuật kết hợp 50

Chương 3 CHƯƠNG TRÌNH THỬ NGHIỆM 54

3.1 Phân tích yêu cầu bài toán 54

3.2 Phân tích lựa chọn công cụ 55

3.2.1 Mô tả dữ liệu thử nghiệm 55

3.2.2 Trích chọn đặc trưng cho tàu cá 56

3.2.3 Lựa chọn kỹ thuật đánh giá độ tương tự 56

3.3 Một số kết quả chương trình 57

KẾT LUẬN 61

TÀI LIỆU THAM KHẢO 62

PHỤ LỤC 64

CÁC THUẬT NGỮ, TỪ VIẾT TẮT

1 CBIR Content Base Image Retrieval Tra cứu ảnh dựa vào

nội dung

2 QBIC Query By Image Content Truy vấn theo nội dung ảnh

3 CIE Commission internationale de l'éclairage - Uỷ ban quốc

tế về màu sắc

4 GIS Geographic Information System - Hệ thống thông tin

địa lý

DANH MỤC HÌNH MINH HỌA

Hình 1.1 Mô hình hệ thống Tra cứu ảnh theo nội dung 5

Hình 1.2 Không gian màu RGB được trực quan hoá như một hình khối 8

Hình 1.3 Mô tả không gian màu HSV 9

Hình 1.4 Ví dụ về một số loại kết cấu 12

Hình 1.5 Mô hình tàu làm nghề lưới kéo 22

Hình 1.6 Mô hình tàu làm nghề lưới vây 22

Hình 1.7 Mô hình tàu làm nghề lưới rê 23

Hình 1.8 Mô hình tàu làm nghề câu 23

Hình 1.9 Mô hình tàu làm nghề chụp mực 23

Hình 1.10 Tàu cá lưới kéo 41,38 mét 24

Hình 1.11 Tàu chụp mực, dùng đèn vỏ thép dài 43,6 m 25

Hình 1.12 Tàu lưới vây dùng đèn 37,8m 25

Hình 1.13 Tàu lưới kéo hai boong vỏ thép 25

Hình 1.14 Tàu câu mực xa bờ 65m 25

Hình 2.1 Độ tương tự giữa a) và b) phải lớn hơn giữa a) và c) 28

Hình 2.2 Khoảng cách đường tiếp tuyến 34

Hình 2.3 Ảnh và histogram của ảnh 36

Hình 2.4 (a) Ảnh gốc; (b) Histogram gốc; (c) Ảnh cân bằng ; (d) Histogram cân bằng 37

Hình 2.5 Khoảng cách Euclidean trong không gian 2D 41

Hình 2.6 1-NN và 2-NN 42

Hình 2.7 So khớp các điểm “quan trọng” (matching) 43

Hình 2.8 Mô tả điều kiện có thể “ghép đúng” được theo 3 phần tử kề cận 43

Hình 2.9 Sơ đồ thuật toán dò biên Canny 50

Hình 2.10 Hàm xấp xỉ Gaussian rời rạc với   1 4 (cửa sổ W kích cỡ 5x5) 51

Hình 2.11 Cặp mặt lạ tính toán gradient 51

Hình 3.1 Giao diện chương trình thử nghiệm 58

Hình 3.2 Chọn ảnh cần truy vấn 58

Hình 3.3 Biểu đồ Histograms của ảnh 59

Hình 3.4 Xác định giá trị ngưỡng và ảnh xử lý 59

Hình 3.5 Giao diện hiển thị kết quả cuối cùng 60

MỞ ĐẦU

1 Lý do chọn đề tài

Nhận dạng và xử lý ảnh là một trong những lĩnh vực có nhiều ứng dụng trong thực tiễn như: Hệ thống thông tin địa lý, quân sự, y học, vv Đối với lĩnh vực khoa học quân sự, trong những thập kỷ vừa qua, công nghệ xử lý ảnh

đã thực sự trở thành một lĩnh vực mũi nhọn không thể thiếu

Thời gian gần đây, tình trạng tàu cá nước ngoài có những hành động xâm phạm chủ quyền vùng biển Việt Nam ngày càng nhiều và phức tạp

Tàu cá nước ngoài không chỉ khai thác trái phép hải sản, đưa phương tiện vào thăm dò tài nguyên biển nước ta, mà còn xuất hiện những hành động mang tính chất đặc biệt nguy hiểm, dễ gây xung đột vũ trang trên biển như uy hiếp, vô cớ trấn cướp tài sản của ngư dân Việt Nam

Một số hình ảnh tàu cá Việt Nam bị tàu cá nước ngoài uy hiếp trên biển

Trong các lực lượng thực thi pháp luật trên biển của Việt Nam nói riêng

và trên thế giới nói chung, bài toán nhận dạng các loại tàu cá trên biển luôn được đặt ra cấp thiết từ nhiều năm qua, giải quyết tốt bài toán này sẽ giúp cho việc quản lý tình hình an ninh mặt biển được nhanh chóng, chính xác, hiệu quả Nhằm đáp ứng bài toán nhận dạng tàu cá, luận văn này sẽ tập trung nghiên cứu một số kỹ thuật đánh giá độ tương tự trong tra cứu tàu cá trên biển

2 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của luận văn là các ảnh/video có chứa tàu bao gồm các loại tàu cá nước ngoài, tàu cá Việt Nam cùng các đặc điểm hình dạng cơ bản của chúng Phạm vi nghiên cứu là các ảnh mặt biển vào ban ngày có chứa một con tàu

3 Những nội dung nghiên cứu chính

Luận văn được trình bày trong 3 chương, có phần mở đầu, phần kết luận, phần mục lục, phần tài liệu tham khảo Các nội dung cơ bản của luận văn được trình bày theo cấu trúc sau:

Chương 1 - Khái quát về tra cứu ảnh và bài toán tra cứu tàu cá trên biển Chương 2 - Một số kỹ thuật đánh giá độ tương tự

Chương 3 - Chương trình thử nghiệm

Do thời gian thực hiện và hiểu biết của học viên còn hạn chế nên luận văn này không tránh khỏi các thiếu sót về nội dung cũng như hình thức trình bày Học viên rất mong nhận được sự cảm thông, góp ý, nhận xét của các quý thầy cô và người đọc để học viên có thể hoàn thiện và tiếp tục theo các hướng nghiên cứu sau này

Chương 1 KHÁI QUÁT VỀ TRA CỨU ẢNH VÀ BÀI TOÁN

TRA CỨU TÀU CÁ TRÊN BIỂN 1.1 Khái quát về tra cứu ảnh

1.1.1 Giới thiệu

Những năm gần đây, vấn đề tra cứu ảnh số nhận được sự quan tâm ngày càng lớn Nguyên nhân một phần là do sự phát triển của công nghệ chế tạo thiết bị thu nhận và lưu trữ ảnh số cũng như sự phát triển mạnh mẽ của mạng Internet Người sử dụng trong nhiều lĩnh vực khác nhau có cơ hội

để truy cập và sử dụng các kho lưu trữ ảnh thuộc đủ loại chủ đề và với nhiều kiểu định dạng ảnh khác nhau Tuy nhiên người ta cùng nhận thấy rằng việc tìm được một bức ảnh mong muốn trong bộ sưu tập ảnh đa dạng

có kích thước lớn là rất khó khăn

Tra cứu ảnh là một quá trình tìm kiếm trong một cơ sở dữ liệu ảnh những ảnh thoả mãn một yêu cầu nào đó Ví dụ, người sử dụng có thể tìm kiếm tất cả các ảnh về chủ đề về “tàu cá” trong một cơ sở dữ liệu ảnh hoặc một người sử dụng khác lại muốn phân loại cơ sở ảnh của mình thành các bộ sưu tập có chủ đề khác nhau Một ví dụ khác về tra cứu ảnh là một người muốn tìm tất cả các ảnh tương tự với một bức ảnh mẫu nào đó trong một cơ

sở dữ liệu ảnh

Trước năm 1990, người ta thường sử dụng phương pháp tra cứu ảnh theo văn bản (Text Based Image Retrieval) Theo cách này người ta sẽ gán cho mỗi bức ảnh một lời chú thích phù hợp với nội dung hoặc một đặc điểm nào

đó của ảnh, sau đó việc tra cứu ảnh được thực hiện dựa trên những lời chú thích này Phương pháp này khá đơn giản Phương pháp tra cứu ảnh như trên còn được gọi là tra cứu ảnh theo từ khóa Tuy nhiên, việc tra cứu chỉ dựa vào văn bản đi kèm còn có nhiều nhập nhằng giữa nội dung hiển thị ảnh và nội

dung văn bản đi kèm ảnh trong quá trình tra cứu Bên cạnh đó phương pháp tra cứu ảnh dựa theo văn bản không thể áp dụng để tra cứu các cơ sở dữ liệu ảnh có số lượng ảnh lớn và kết quả tra cứu thì mang tính chủ quan và cảm ngữ cảnh

Vấn đề tra cứu ảnh đã được nhìn nhận rộng rãi và việc tìm kiếm các giải pháp cho vấn đề này trở thành một lĩnh vực rất sôi động, thu hút sự quan tâm của nhiều nhà nghiên cứu và phát triển

Một trong những phương pháp được nhiều người quan tâm nghiên cứu hiện nay là phương pháp “Tra cứu ảnh dựa theo nội dung” (Content Based Images Retrieval - CBIR) Phương pháp tra cứu ảnh theo nội dung ra đời đã khắc phục được những nhược điểm của phương pháp từ khóa CBIR là một lĩnh vực khoa học được phát triển dựa trên cơ sở lý thuyết và ứng dụng của xử lý ảnh Hệ thống cho phép người dùng tra cứu các ảnh tương tự trong một cơ sở dữ liệu hình ảnh

CBIR được thực hiện thông qua việc tính độ tương tự giữa hai bức ảnh được biểu diễn bởi một trong số các đặc trưng mức thấp của ảnh như: Màu sắc, hình dạng, kết cấu… Kết quả đưa ra là tập các bức ảnh tương tự với ảnh truy vấn được sắp xếp theo thứ tự giảm dần độ tương tự

Trong một hệ thống tra cứu ảnh theo nội dung điển hình (hình vẽ 1.1)

các nội dung trực quan của ảnh được trích chọn và mô tả bằng những véc tơ đặc trưng nhiều chiều Tập hợp các vec tơ đặc trưng của các ảnh trong một

cơ sở dữ liệu ảnh tạo thành cơ sở dữ liệu đặc trưng Quá trình tra cứu ảnh được tiến hành như sau: người sử dụng cung cấp cho hệ thống tra cứu một ảnh mẫu cụ thể hoặc hình vẽ phác thảo của đối tượng ảnh cần tìm Sau đó hệ thống sẽ chuyển những mẫu này thành các véc tơ đặc trưng và tính toán sự giống nhau (hay độ tương tự) giữa véc tơ đặc trưng của ảnh mẫu và véc tơ đặc trưng của các ảnh trong cơ sở dữ liệu Sau cùng việc tra cứu được tiến

hành với sự trợ giúp của các sơ đồ đánh chỉ số Sử dụng sơ đồ đánh chỉ số là cách hiệu quả để tìm kiếm trong các cơ sở dữ liệu ảnh

Hình 1.1 Mô hình hệ thống Tra cứu ảnh theo nội dung

Trong mô hình này, người sử dụng sẽ tạo truy vấn bằng cách chọn một ảnh mẫu trong một cơ sở dữ liệu ảnh cho trước hoặc phác thảo một hình vẽ mô tả đối tượng ảnh cần tìm bằng cách sử dụng một giao diện đồ hoạ của hệ thống Ảnh mẫu đó được đưa qua khối mô tả nội dung trực quan, trong đó người ta sử dụng một phương pháp mô tả nội dung trực quan nào đó để trích chọn một đặc điểm nội dung trực quan để xây dựng thành một véc tơ đặc trưng

Véc tơ đặc trưng của ảnh mẫu sẽ được so sánh với véc tơ đặc trưng tương ứng của các ảnh trong cơ sở dữ liệu ảnh Kết quả của phép so sánh

là một chỉ số đánh giá độ tương tự giữa ảnh mẫu và ảnh lấy ra để so sánh Dựa vào chỉ số độ tương tự tính toán được ở trên, hệ thống sẽ sắp xếp các ảnh tìm được trong cơ sở dữ liệu ảnh theo một sơ đồ đánh chỉ số nào đó Danh sách các ảnh tìm được (đã được sắp xếp) được đưa ra đầu ra của hệ thống

trưng

Các chức năng chính của một hệ thống tra cứu ảnh dựa vào nội dung bao gồm:

 Phân tích nội dung của nguồn thông tin và biểu diễn nội dung của các nguồn thông tin được phân tích phù hợp với sự đối sánh truy vấn của người

sử dụng (không gian của thông tin nguồn được chuyển đổi thành không gian đặc điểm với mục đích đối sánh nhanh trong bước tiếp theo) Bước này thường mất nhiều thời gian cho việc xử lý tuần tự các thông tin nguồn (ảnh) trong cơ sở dữ liệu Nó chỉ phải làm một lần và có thể làm độc lập

 Phân tích các truy vấn của người dùng và biểu diễn chúng thành các dạng phù hợp với việc đối sánh với cơ sở dữ liệu nguồn Nhiệm vụ của bước này giống với bước trước nhưng chỉ được áp dụng với những ảnh truy vấn

 Xác định chiến lược để đối sánh tìm kiếm truy vấn với thông tin được lưu trữ trong cơ sở dữ liệu Bước này có thể thực hiện trực tuyến và thực hiện rất nhanh Công nghệ đánh chỉ số có thể được sử dụng để nhận dạng không gian đặc điểm để tăng tốc độ xử lý đối sánh

 Tạo ra sự điều chỉnh cần thiết trong hệ thống (thường là bằng cách đối chiếu các tham số trong công nghệ đối sánh) dựa trên phản hồi từ người sử dụng hoặc những hình ảnh được tra cứu

Một hệ thống tra cứu ảnh dựa trên nội dung tiêu biểu không chỉ liên quan tới các nguồn thông tin trong những dạng khác nhau (ví dụ như văn bản, ảnh

và video) mà còn liên quan đến nhu cầu của người sử dụng Về cơ bản nó phân tích cả nội dung của nguồn thông tin cũng như truy vấn của người sử dụng và sau đó đối sánh chúng để tìm ra những tiêu chí có liên quan này Các phương pháp truy vấn dưới đây được sử dụng phổ biến trong nghiên cứu tra cứu ảnh dựa vào nội dung:

+ Truy vấn người sử dụng

+ Truy vấn bởi ảnh mẫu (QBE)

+ Truy vấn bởi đặc trưng (QBF)

+ Các truy vấn dựa vào thuộc tính

Một người sử dụng tiêu biểu chắc chắn thích truy vấn các hệ thống tra cứu ảnh dựa vào nội dung bằng việc yêu cầu các câu hỏi tự nhiên như “Đưa cho tôi tất cả các bức ảnh có hình ảnh của tàu cá” hoặc “Tìm tất cả các ảnh có tàu” Ánh xạ truy vấn ngôn ngữ tự nhiên này đến một truy vấn trên cơ sở dữ liệu ảnh là vô cùng khó so với việc sử dụng các phương pháp chú thích Khả năng của các máy tính để thực hiện nhận dạng đối tượng tự động trên các ảnh chung vẫn là một vấn đề nghiên cứu mở Do đó hầu hết các nỗ lực nghiên cứu

và thương mại tập trung vào xây dựng các hệ thống thực hiện tốt với các phương pháp QBE

1.1.2 Một số phương pháp tra cứu ảnh

1.1.2.1 Tra cứu ảnh theo nội dung

Trích rút đặc trưng là cơ sở của tra cứu ảnh dựa vào nội dung Theo nghĩa rộng, các đặc trưng có thể bao gồm cả các đặc trưng dựa vào văn bản và các đặc trưng trực quan như màu, kết cấu, hình dạng Trong phạm vi đặc trưng trực quan, các đặc trưng có thể được phân loại tiếp thành các đặc trưng chung và các đặc trưng lĩnh vực cụ thể Các đặc trưng trực quan chung gồm màu, kết cấu và hình dạng trong khi các đặc trưng lĩnh vực cụ thể là phụ thuộc ứng dụng, có thể gồm mặt người và vân tay Các đặc trưng lĩnh vực cụ thể bao gồm nhiều tri thức lĩnh vực

Nói chung, không tồn tại một biểu diễn đơn tốt nhất cho một đặc trưng

đã cho Với mọi đặc trưng được cho tồn tại nhiều biểu diễn mô tả đặc trưng từ các viễn cảnh khác nhau

a) Màu sắc

Mắt người rất nhạy cảm với màu sắc và đặc điểm màu là một trong những thành phần quan trọng giúp con người có thể nhận biết được hình ảnh

Vì vậy, đặc điểm màu sắc là đặc điểm cơ bản của nội dung ảnh Đặc điểm màu sắc có thể cung cấp những thông tin rất hữu hiệu cho việc phân loại ảnh

và chúng cũng rất hữu ích cho việc tra cứu ảnh Cũng vì thế mà tra cứu ảnh dựa trên màu sắc được sử dụng rộng rãi trong các hệ thống tra cứu ảnh dựa trên nội dung Biểu đồ màu thường được sử dụng để thể hiện những đặc điểm màu của các ảnh Mặc dù vậy trước khi sử dụng biểu đồ màu chúng ta cần phải lựa chọn và xác định kiểu không gian màu và lựa chọn độ đo tương tự

 Không gian màu

Không gian màu là sự biểu diễn tập các màu, một số không gian màu được sử dụng rộng rãi trong đồ họa máy tính Màu sắc thường được xác định trong không gian màu 3 chiều

Không gian màu RGB

Không gian màu RGB là không gian màu được sử dụng nhiều nhất cho

đồ hoạ máy tính Lưu ý rằng R, G và B là viết tắt của các từ đỏ (Red), xanh lục (Green) và xanh lơ (Blue) Đây là không gian màu cộng: đỏ, xanh lục và xanh lơ được kết hợp lại để tạo ra các màu khác Không gian này không đồng nhất về nhận thức Không gian màu RGB có thể được trực quan hoá như một hình khối, như được minh hoạ trong hình 1.2

Hình 1.2 Không gian màu RGB được trực quan hoá như một hình khối

Không gian màu HSx

Không gian màu HSI, HSV, HSB và HSL thường được gọi là HSx có mối liên quan gần gũi với sự nhận thức về màu sắc của con người hơn là không gian màu RGB Những trục từ không gian màu HSx mô tả những đặc tính của màu như sắc độ, độ bão hoà và độ sáng Sự khác nhau giữa những không gian màu HSx là sự biến đổi của chúng từ không gian màu RGB, chúng thường được mô tả bằng những hình dạng khác nhau (như hình nón, hình trụ) Trong hình 1.3 không gian màu HSV được mô tả như hình nón

Hình 1.3 Mô tả không gian màu HSV Sắc độ là thành phần của không gian màu HSx Sắc độ là góc giữa những đường tham chiếu và điểm gốc màu trong không gian màu RGB Vùng giá trị này từ 00 đến 3600 Trong hình nón độ bão hoà là khoảng cách từ tâm đến cạnh hình nón Chiều cao của đường cắt chính là giá trị (value) đây chính

là độ sáng hoặc độ chói của màu Khi độ bão hoà S bằng 0 thì H không xác định, giá trị nằm trên trục V biểu diễn ảnh xám Không gian màu HSV dễ dàng lượng tử hoá Mức lượng tử hoá thông dụng trong không gian màu này

là 162 mức với H nhận 18 mức, S và V nhận 3 mức

Không gian màu YUV và YIQ

Các không gian màu YUV và YIQ được phát triển cho truyền hình vô tuyến Không gian màu YIQ là giống như không gian màu YUV, ở đây mặt

phẳng I-Q là một mặt phẳng quay 330 của mặt phẳng U-V Tín hiệu Y biểu diễn độ chói của một pixel và là kênh duy nhất được sử dụng trong ti vi đen trắng U và V cho YUV và I và Q cho YIQ là các thành phần màu

Kênh Y được định nghĩa bởi các giá trị năng lượng có trọng số của R(0.299), G(0.587) và B(0.144) Các không gian màu YUV và YIQ không

là đồng nhất nhận thức Khi các không gian màu YUV và UIQ được lượng hoá, mỗi trục được lượng hoá với cùng độ chính xác

Không gian màu CIE XYZ và CIE LUV

Không gian màu đầu tiên được phát triển bởi CIE là không gian màu XYZ Thành phần Y là thành phần độ chói được xác định bởi các tổng có trọng số của R(0:212671), G(0:715160) và B(0:072169) X và Y là các thành phần màu Không gian màu XYZ là không đồng nhất nhận thức Trong lượng hoá không gian màu XYZ, mỗi trục được lượng hoá với cùng độ chính xác Không gian màu CIE LUV là một biến đổi xạ ảnh của không gian màu XYZ là đồng nhất nhận thức Kênh L của không gian màu LUV là độ chói của màu Các kênh U và V là các thành phần màu Vậy, khi U và V được đặt bằng 0, kênh L biểu diễn một ảnh cấp xám

Trong lượng hoá không gian LUV, mỗi trục được lượng hoá với cùng độ chính xác Với cả không gian màu XYZ và LUV, các lược đồ lượng hoá thường sử dụng 8 (23), 27 (33), 64 (43), 125 (53) bin

 Lược đồ màu

Lược đồ màu được xác định bằng một tập các bin, trong đó mỗi bin biểu thị xác suất của các pixel trong ảnh Một lược đồ màu H của một ảnh đã cho được xác định bởi véc tơ: HH[ ],H[ ],H[ 2 ], ,H[i], H[N], trong đó H [i] là

số các pixel có màu i trong ảnh, i biểu diễn một màu trong lược đồ màu và

tương ứng với một khối con trong không gian màu RGB và N là số các bin trong lược đồ màu

Mỗi pixel trong ảnh sẽ thuộc về một bin của lược đồ màu của ảnh, vì thế với lược đồ màu của một ảnh, giá trị của mỗi bin là số các pixel cùng màu Để

so sánh các ảnh có các kích cỡ khác nhau, các lược đồ màu được chuẩn hóa Lược đồ màu chuẩn hóa H’ được xác định:

H  P là tổng số các

pixel trong ảnh

Trong lược đồ lượng hóa không gian màu lý tưởng, các màu riêng biệt không được định vị trong cùng hình khối con và các màu tương tự được gán vào cùng hình khối con Sử dụng một số màu sẽ giảm khả năng các màu tương

tự được gán vào các bin khác nhau nhưng cũng tăng khả năng các màu riêng biệt được gán vào cùng các bin, nội dung thông tin của các ảnh sẽ giảm Mặt khác, các lược đồ màu với một số lượng lớn các bin sẽ chứa nhiều thông tin về nội dung của ảnh, theo đó giảm khả năng các màu riêng biệt sẽ được gán vào cùng các bin Tuy nhiên, chúng tăng khả năng các màu tương tự sẽ được gán vào các bin khác nhau và tăng không gian lưu trữ biểu diễn ảnh và thời gian tính toán khoảng cách giữa các lược đồ màu Do đó, cần có sự thỏa hiệp trong việc xác định số lượng các bin sẽ được sử dụng trong các lược đồ màu

b) Kết cấu

Kết cấu là một đặc tính quan trọng khác của ảnh Các biểu diễn kết cấu

đa dạng đã được nghiên cứu trong nhận dạng mẫu và thị giác máy tính Về cơ bản, các phương pháp biểu diễn kết cấu có thể được phân ra thành hai loại: cấu trúc và thống kê

Các phương pháp cấu trúc, gồm toán tử hình thái và đồ thị kề, mô tả kết cấu bởi nhận dạng cấu trúc gốc và các luật sắp đặt của chúng Chúng có chiều hướng hiệu quả nhất khi được áp dụng với các kết cấu đều

Các phương pháp thống kê, gồm các kỹ thuật phổ năng lượng Fourier,

các ma trận đồng khả năng, phân tích thành phần chính bất biến - trượt, đặc trưng Tamura, phân rã Wold, trường ngẫu nhiên Markov (Markov random field), mô hình fractal và lọc đa phân giải như biến đổi Gabor và sóng, mô tả kết cấu bằng phân bố thống kê của cường độ ảnh

Trích xuất nội dung ảnh theo kết cấu nhằm tìm ra mô hình trực quan của ảnh và cách thức chúng được xác định trong không gian Kết cấu được biểu diễn bởi các texel mà sau đó được đặt vào một số các tập phụ thuộc vào số kết cấu được phát hiện trong ảnh Các tập này không chỉ xác định các kết cấu mà còn chỉ rõ vị trí các kết cấu trong ảnh Việc xác định các kết cấu đặc biệt trong ảnh đạt được chủ yếu bằng cách mô hình các kết cấu như những biến thể cấp

độ xám 2 chiều Ví dụ về một số loại kết cấu

các lược đồ biểu diễn khác

Bước tiếp theo là sử dụng các mô tả thích hợp cho các vùng này sao cho chúng có thể được sử dụng trong khi đối sánh các vùng của các ảnh khác nhau Các mô tả hình được chia thành ba loại: Các mô tả dựa vào đường biên xác định các thuộc tính của đường biên Các kỹ thuật dựa vào đường biên sử dụng các phác thảo vùng để tính toán hình Mô tả Fourier là một trong những phương pháp phổ biến thuộc về loại này Trong kỹ thuật này, đường biên của một vùng đã cho được thu và được biến đổi Fourier Các hệ số Fourier trội được sử dụng như các mô tả hình Các mô tả khác trong loại này là các mômen hình

Nếu một vùng có một hình phức hợp, nó có thể được phân tách tiếp thành các hình đơn giản hơn như các hình chữ nhật hoặc các hình tròn và một

số thuộc tính của các hình đơn giản này và các quan hệ của chúng có thể được

sử dụng cho các mô tả hình Các mô tả vùng khác gồm màu và kết cấu Một

số đặc tính của vùng như trọng tâm, không cụ thể đối với đường biên hoặc nội dung của vùng

d) Thông tin không gian

Các vùng hoặc đối tượng với các đặc tính màu và kết cấu tương tự có thể được phân biệt dễ dàng bằng việc tận dụng các ràng buộc không gian Thí dụ, các vùng bầu trời màu xanh và biển xanh có thể có các lược đồ màu tương tự, nhưng các vị trí không gian của chúng trong các ảnh là khác nhau Do đó, vị trí không gian của các vùng (hoặc các đối tượng) hoặc quan hệ không gian giữa nhiều vùng (hoặc đối tượng) trong một ảnh thì rất hữu ích cho tìm kiếm các ảnh

Thu thông tin không gian của các đối tượng trong một ảnh là một quá trình quan trọng đối với các hệ thống GIS Quá trình này bao gồm việc biểu diễn vị trí không gian tuyệt đối và cũng bao gồm vị trí không gian tương đối

của các đối tượng Các thao tác như giao và chồng được sử dụng Bố cục màu kết hợp thông tin không gian với thông tin màu xuất hiện trong ảnh và tạo ra một đặc trưng rất quan trọng trong quá trình tra cứu, gọi là đặc trưng màu – không gian

Biểu diễn quan hệ không gian được sử dụng rộng rãi nhất là các xâu 2D được đề xuất bởi Chang và cộng sự Nó được xây dựng bởi việc chiếu các ảnh dọc theo các hướng x và y Hai tập ký hiệu V và A được định nghĩa trên hình chiếu Mỗi ký hiệu trong V biểu diễn một đối tượng trong ảnh Mỗi ký hiệu A biểu diễn một loại quan hệ không gian giữa các đối tượng Do sự biến đổi của

nó, xâu 2DG cắt tất cả các đối tượng dọc theo hình hộp tối thiểu của nó và mở rộng các quan hệ không gian thành lập hai toán tử không gian Một tập định nghĩa các quan hệ không gian cục bộ Tập còn lại định nghĩa quan hệ không gian toàn cục, chỉ ra rằng hình chiếu của hai đối tượng là tách rời, nối tiếp hoặc định vị tại cùng vị trí Thêm nữa, xâu 2DC được đề xuất để cực tiểu hóa

số các đối tượng cắt Xâu 2D-B biểu diễn một đối tượng bằng hai ký hiệu, vị trí cho bắt đầu và kết thúc đường bao của đối tượng Tất cả các phương pháp này có thể hỗ trợ ba loại truy vấn Loại truy vấn 0 tìm tất cả ảnh chứa đối tượng O1, O2, ,On Loại 1 tìm tất cả các ảnh chứa các đối tượng có quan hệ nào đó giữa chúng nhưng khoảng cách giữa chúng là không đáng kể Loại 2 tìm tất cả các ảnh có quan hệ khoảng cách nào đó với mỗi ảnh khác

Thêm với xâu 2D, cây tứ phân không gian và ảnh ký hiệu cũng được sử dụng cho biểu diễn thông tin không gian Tuy nhiên, tìm kiếm các ảnh dựa trên các quan hệ không gian của các vùng còn lại là một vấn đề nghiên cứu khó trong tra cứu ảnh dựa vào nội dung, do phân đoạn tin cậy của các đối tượng hoặc các vùng thường là không khả thi ngoại trừ các ứng dụng rất giới hạn Mặc dù một số hệ thống chia các ảnh thành các khối đều, chỉ thu được sự thành công khiêm tốn với các lược đồ chia không gian như thế do hầu hết các

ảnh tự nhiên không thể ép thành các khối con đều về không gian Để giải quyết vấn đề này, một phương pháp dựa vào biến đổi radon, tận dụng phân bố không gian của các đặc trưng trực quan không cần phân đoạn phức tạp

e) Phân đoạn

Phân đoạn là quá trình phân ảnh ra thành các vùng mà về lý tưởng nó sẽ tương ứng với các đối tượng xuất hiện trong ảnh Đây là bước rất quan trọng đối với tra cứu ảnh Cả đặc trưng hình và đặc trưng bố cục phụ thuộc vào phân đoạn tốt Trong phần này chúng tôi sẽ mô tả một số kỹ thuật phân đoạn

đã có được sử dụng trong cả thị giác máy và tra cứu ảnh

Trong, Lybanon và các cộng sự đã nghiên cứu một cách tiếp cận phép toán hình thái học (mở và đóng) trong phân đoạn ảnh Họ đã kiểm tra cách tiếp cận của họ với các loại ảnh khác nhau, gồm các ảnh thiên văn và các ảnh hồng ngoại Trong khi cách tiếp cận này là hiệu quả trong xử lý các loại ảnh khoa học ở trên, hiệu năng của nó cần được tiếp tục đánh giá cho các ảnh tự nhiên phức tạp hơn Li và cộng sự đã đề xuất một cách tiếp cận phân đoạn dựa vào entropy mờ Cách tiếp cận này dựa trên thực tế rằng entropy cực đại địa phương tương ứng với sự không rõ ràng giữa các vùng khác nhau trong ảnh Cách tiếp cận này rất hiệu quả cho các ảnh có lược đồ không có các đỉnh và các rãnh rõ ràng Các kỹ thuật phân đoạn khác dựa trên phép đạc tam giác Delaunay (Delaunay triangulation), fractals và luồng biên (edge flow)

Tất cả các thuật toán được đề cập ở trên là tự động Một ưu điểm chính của các thuật toán phân đoạn loại này là nó trích rút các đường bao từ một số lượng lớn các ảnh mà không chiếm thời gian và nỗ lực của con người Tuy nhiên, trong một lĩnh vực tự nhiên, với các ảnh không có điều kiện tiên quyết, phân đoạn tự động không luôn luôn tin cậy Một thuật toán có thể phân đoạn trong trường hợp này chỉ là các vùng, mà không là các đối tượng Để thu được các đối tượng mức cao, nó cần có sự trợ giúp của con người

Samadani và Han đã đề xuất một cách tiếp cận trích rút đường bao được trợ giúp bởi máy tính, nó kết hợp các đầu vào thủ công từ người sử dụng với các biên ảnh được sinh ra bởi máy tính Trong, Daneel và cộng sự đã phát triển một phương pháp cải tiến của các chu tuyến thiết thực Dựa trên đầu vào của người sử dụng, đầu tiên thuật toán sử dụng một thủ tục tham lam để cung cấp sự hội tụ ban đầu nhanh Thứ hai, nét ngoài được lọc bằng việc sử dụng quy hoạch động Trong, Rui và cộng sự đã đề xuất một thuật toán dựa vào phân cụm và nhóm trong không gian - màu - kết cấu Người sử dụng định nghĩa đối tượng quan tâm là ở đâu, và thuật toán nhóm các vùng thành các đối tượng có ý nghĩa

Giá trị đáng chú ý sau cùng đề cập trong phân đoạn là các yêu cầu chính xác phân đoạn là rất khác nhau cho các đặc trưng hình và các đặc trưng bố cục Với các đặc trưng hình, phân đoạn chính xác là mong muốn cao trong khi các đặc trưng bố cục, một phân đoạn thô có thể là đủ

1.1.2.2 Tra cứu ảnh dựa vào hình dạng

a) Lược đồ hình dạng

Lược đồ hình dạng là phương pháp giúp cho việc tính toán được dễ dàng

và nhanh trong thi hành Chúng sử dụng cả sự so sánh về màu sắc và vân Vấn

đề chính là định nghĩa biến cho lược đồ hình dạng được định nghĩa Xem như hình dạng trong ảnh là một vùng những giá trị một trong ảnh nhị phân, trong khi toàn thể những giá trị khác đều là giá trị không Một kiểu của so khớp hình dạng ảnh là so khớp hình chiếu thông qua hình chiếu đứng và hình chiếu nằm của hình dạng Giả sử rằng hình dạng có n hàng và có m cột Mỗi hàng

và mỗi cột là một bin trong lược đồ hình dạng Tổng số được lưu trữ trong một bin là tổng số những giá trị 1 được lưu trữ trong dòng hoặc cột tương ứng

đó Điều này đưa đến một lược đồ gồm có một bin, nhưng điều này cũng chỉ

có ý nghĩa khi tất cả những ảnh được xem xét phải có cùng một kích thước

Để làm cho việc so khớp hình chiếu bất biến đối với kích thước, số lượng bin của dòng và số lượng bin của cột phải ổn định Bằng cách định nghĩa những bin từ góc trái trên đến góc phải dưới của hình dạng, sự chuyển đổi bất biến

đã đạt được Việc so khớp hình chiếu không bất biến đối với phép xoay ảnh, nhưng nó có thể làm việc tốt với sự xoay nhỏ và sự thiếu chính xác thuộc về hình học ở mức độ nhỏ Một cách khác để làm nó bất biến đối với phép quay

là tính toán theo trục toạ độ elip vừa nhất và xoay chúng cho đến khi trục chính là trục nằm ngang Vì không biết nơi đâu là phía trên cùng của hình dạng, xoay hai khả năng có thể xảy ra để thử Hơn nữa, nếu trục chính và trục phụ có cùng chiều dài thì 4 khả năng xoay phải được xem xét So khớp hình chiếu được sử dụng thành công trong tìm kiếm ảnh logo Những khả năng khác để xây dựng lược đồ thông qua góc tiếp tuyến tại mỗi điểm ảnh trên đường bao của hình dạng Độ đo này thì hoàn toàn tự động về mặt kích thước

và bất biến đối với sự dịch chuyển, nhưng nó cũng không bất biến đối với xoay đối tượng, bởi vì góc tiếp tuyến được tính từ hình dạng đối với một hướng xác định Có một số cách khác nhau để giải quyết vấn đề này Cách thứ nhất là xoay hình dạng về trục chính như đã mô tả ở trên Một cách khác đơn giản hơn là xoay lược đồ hình dạng Nếu lược đồ có K bin, thì sẽ có K khả năng xoay Những vị trí xoay không đúng có thể làm ảnh hưởng tốc độ của việc tính toán, đặc biệt là trong trường hợp lược đồ và ảnh có kích thước lớn Hoặc là lược đồ có thể được tiêu chuẩn hoá bởi cách chọn bin với số đếm lớn nhất là bin đầu tiên Một vài bin lớn nhất nên được thử vì có thể có sự tồn tại của nhiễu

b) Độ so khớp đường biên của hình dạng

Thuật toán so khớp đường biên đòi hỏi sự trích rút và trình bày đường biên của cả ảnh cần truy vấn và ảnh mang ra so khớp Đường biên có thể được trình bày bởi một dãy những điểm ảnh hay có thể được xấp xỉ bởi một

đa giác Đối với một dãy những điểm ảnh, một loại so khớp cổ điển là dùng

mô tả Fourier để so sánh hai hình dạng với nhau Trong toán học hàm liên tục, mô tả Fourier là những hệ số của dãy triển khai Fourier của hàm mà định nghĩa đường biên của hình dạng ảnh Trong trường hợp đặc biệt, hình dạng được trình bày bởi dãy của m điểm <V0,V1, ,Vm-1>

Từ những dãy điểm này, một dãy của vectơ đơn vị :

k k

k k k

V V

V V V

và một dãy của những sai phân:

k

e v v L

n L

a

1

) / 2 ( 1

2 )

2 (

Q n I n

d

Như đã mô tả, khoảng cách này chỉ bất biến đối với phép tịnh tiến Nếu mà những bất biến khác đòi hỏi, có thể dùng sự kết hợp với nhiều hàm số học có

thể giải quyết vấn đề tỷ lệ, xoay và điểm bắt đầu để cực tiểu hoá d Fourier (I ,Q)

Nếu mà đường biên được trình bày dưới dạng một đa giác, chiều dài của các cạnh và góc giữa chúng có thể được tính và dùng để trình bày hình dạng Một

(1.2)

(1.3)

(1.4) (1.1)

hình dạng có thể được trình bày bởi một dãy những điểm nối liền nhau (Xi,

Yi, α i ), với cặp đường thẳng giao nhau tại điểm (Xi, Yi) với góc lớn α i Cho một dãy Q = Q1, Q2, ., Qn của những điểm nối liền nhau trình bày đường biên của đối tượng truy vấn Q và một dãy tương tự I = I1, I2, , Im trình bày đường biên của đối tượng I, mục tiêu là tìm một ánh xạ từ Q tới I

mà ánh xạ từ dãy phân đoạn của ảnh truy vấn tới dãy có chiều dài tương tự phân đoạn của ảnh và sao cho cặp của dãy phân đoạn truy vấn gần kề mà gặp tại một góc đặc biệt α nên ánh xạ tới một cặp những dãy phân đoạn gần kề

mà gặp nhau tại một góc α' tương tự Một kỹ thuật so khớp đường biên khác

là so khớp mềm dẻo (elasticmatching) trong đó hình dạng truy vấn được làm biến dạng để trở nên càng giống với hình dạng ảnh mẫu càng tốt Sự cách biệt giữa hình dạng ảnh truy vấn và hình dạng của ảnh mẫu dựa vào hai thành phần chính: năng lượng đòi hỏi trong quá trình biến dạng từ hình dạng ảnh truy vấn tới mức độ phù hợp nhất với hình dạng trong ảnh mẫu Và sự đo lường về độ giống nhau giữa hình dạng ảnh truy vấn sau khi bị biến dạng khớp với hình dạng trong ảnh mẫu

c) So khớp với ảnh phác họa

Hệ thống so khớp phác họa cho phép người dùng nhập vào một bản phác họa của những đường biên chính trong một ảnh và sau đó hệ thống sẽ tìm kiếm những ảnh màu hay ảnh xám mà có đường biên khớp nhất Những ảnh màu được tiền xử lý như sau để đạt được một dạng trung gian gọi là ảnh được trích rút (abstract image)

- Áp dụng phép biến đổi affine để giảm kích thước ảnh về kích thước chỉ định trước Dùng một mặt nạ trung vị để lọc nhiễu Kết quả của bước này cho

ra một ảnh được tiêu chuẩn hóa [1]

- Dò biên sử dụng thuật toán dò tìm đường biên dựa trên gradient Dò biên được tiến hành qua hai bước: những biên toàn cục sẽ được tìm thấy trước

tiên với một ngưỡng toàn cục dựa trên giá trị trung bình và biến đổi của gradient; sau đó, những đường biên cục bộ sẽ được chọn từ toàn cục theo những ngưỡng cục bộ Kết quả của bước này cho ra ảnh gọi là ảnh đã được lọc biên (refined edge image)

- Tiến hành làm mảnh và rút ngắn trên ảnh đã được lọc biên Kết quả cuối cùng được gọi là ảnh được trích rút Khi người sử dụng nhập vào một bức ảnh phác họa ở dạng thô như là một ảnh truy vấn, nó cũng lần lượt được đưa qua các giai đoạn chuẩn hóa kích thước, nhị phân hóa, làm mảnh hoá và rút gọn Kết quả của quá trình xử lý này cho ra một ảnh gọi là bản phác họa đều nét Giờ đây, bản phác họa đều nét phải được so khớp với những ảnh được trích rút ở trên Thuật giải so khớp là thuật giải dựa vào mối tương quan Hai ảnh sẽ được chia ra làm những hệ thống lưới ô vuông Đối với mỗi hệ thống lưới ô vuông của ảnh truy vấn, tương quan cục bộ với hệ thống lưới ô vuông tương ứng của ảnh cơ sở dữ liệu sẽ được tính Để thiết thực hơn, tương quan cục bộ được tính cho một vài những dịch chuyển khác biệt trong vị trí trong hệ thống ô lưới trên những ảnh cơ sở dữ liệu và giá trị tương quan cực đại qua tất cả những dịch chuyển là kết quả của cho hệ thống ô lưới đó Độ đo

sự giống nhau cuối cùng là tổng của mỗi tương quan cục bộ Độ đo khoảng cách là nghịch đảo của độ đo sự giống nhau này

Từ những chú giải trên, nó có thể được biểu diễn lại dưới dạng sau:





g

Q I

n n correlatio n

sketch

g L g A shift d

Q I

d

))]

( )), ( ( ( ˆ

[ max

1 )

, (

Trong đó AI(g) quy cho hệ thống ô lưới g của ảnh được trích rút được

tính từ ảnh cơ sở dữ liệu I, shift(AI(g)) quy cho phiên bản được dịch chuyển của hệ thống lưới g của cùng ảnh được trích rút và LQ(g) quy cho hệ thống ô lưới g của bản họa đều nét có kết quả từ ảnh truy vấn Q

(1.5)

1.2 Bài toán tra cứu tàu cá trên biển

1.2.1 Giới thiệu

Tàu cá di chuyển trên bề mặt đại dương, có đường đi không ổn định, nó

dễ dàng được nhận ra một cách trực quan qua các ảnh thu được từ vệ tinh quân sự Nên bình thường tàu được xác định trong khi nó vẫn còn ở rất xa Các loại tàu, lớp tàu nên được xác định từ hình bóng của nó từ rất sớm trước khi hình ảnh, tên của nó có thể được phân biệt bằng các loại ngư cụ khác Việc xác định đầu tiên được thực hiện là phải xác định được các tàu này là một tàu cá Việt Nam hay là tàu cá nước ngoài

Tàu thuyền khai thác thủy sản là tàu thuyền có kết cấu và tính năng phù hợp với yêu cầu hoạt động của từng loại ngư cụ nhằm đạt hiệu quả đánh bắt cao Phân loại tàu thuyền đánh cá dựa vào các yếu tố sau:

Trang bị động lực: có lắp máy hoặc không lắp máy, trong luận văn này

chỉ quan tâm tới loại tàu cá lắp máy có công suất từ 90CV trở lên (Việt Nam khoảng 25.488 chiếc, chiếm 20,7%) [2]

Loại ngư cụ: tàu làm nghề lưới kéo, nghề lưới vây, nghề lưới rê, nghề

câu, nghề chụp mực…nghề lưới kéo chiếm tỷ trọng khá lớn trong cơ cấu khai thác của cả nước trên 18%, nghề lưới rê 37,9%, nghề câu 17,5% [2]

Vật liệu vỏ tàu: tàu vỏ gỗ, tàu vỏ thép, tàu vỏ thép, tàu vỏ composit

- Đối với tàu cá Việt Nam có đặc điểm chung là thường sơn các màu loẹt,

tùy theo phong tục của từng địa phương, thường ngắn và thấp hơn so với tàu cá nước ngoài Hai bên mạn tàu có chữ và số tàu (tên địa phương và công ty) Trên boong có buồng lái không lớn, có nhiều cột, tàu lớn có cẩu…

- Đối với tàu cá nước ngoài tiếp giáp vùng biển Việt Nam bao gồm tàu

cá Trung Quốc, Philippin, Thái Lan trong luận văn này chủ yếu quan tâm tới các tàu cá hoạt động trong Vùng biển Việt Nam chủ yếu đó là các tàu của Trung Quốc, Hồng Kông, Đài Loan Về cấu trúc thường lớn hơn tàu cá VN

Đối với tàu cá Trung Quốc chủ yếu sơn màu nâu cánh dán, ít sơn màu lòe loẹt Riêng đối với tàu của Bắc Hải có ca bin dài và nằm ở 1/3 tính từ mũi tàu, mạn khô cao Đối với tàu của tỉnh Hải Nam và Quảng Đông chủ yếu là tàu sắt cỡ lớn Tàu Quảng Tây là tàu nhỏ, cabin nằm ở 1/3 tính từ phía sau, mũi cao Đối với tàu cá bằng sắt thì thường sơn màu xám đen

a) Một số loại tàu cá Việt Nam khai thác xa bờ (vùng khơi)

Việt Nam có khoảng 123.125 chiếc tàu cá nhưng chủ yếu là tàu vỏ gỗ (khoảng 99%), phần lớn đóng theo mẫu dân gian, tàu vỏ thép và composite chiếm số lượng không đáng kể [2]

Tàu làm nghề lưới kéo (giã cào)

Kích thước vỏ tàu phổ biến như

sau: chiều dài của tàu từ 13,4m-32m, chiều

rộng của tàu từ 3,5m-6,9m

Hình 1.5 Mô hình tàu làm nghề lưới

kéo

Tàu làm nghề lưới vây (vây bút chì)

Tàu có một số đặc điểm khác tàu thuyền

làm nghề thủy sản khác như: tốc độ tàu khi

vây lưới phải cao, bán kính quay trở nhỏ, be

thấp, chiều rộng của tàu lớn

Hình 1.6 Mô hình tàu làm nghề

lưới vây

Tàu làm nghề lưới rê

Lưới rê sử dụng lưới có độ thô nhỏ nên be

tàu phải nhẵn, vỏ tàu hầu hết cấu tạo bằng gỗ

với kích thước và kiểu dáng rất khác nhau, đa

số các tàu có cabin ở phía đuôi tàu Kích thước

nhỏ, chiều dài từ 8-14,5m Từ Đà Nẵng trở vào

có kích thước lớn hơn, chiều dài tàu từ 8-20m

Công suất máy tàu phổ biến từ 12-350CV

Hình 1.7 Mô hình tàu làm nghề lưới rê

Tàu làm nghề câu

Hầu hết đóng bằng gỗ dày, kiểu dáng

phong phú theo từng vùng, tàu khu vực miền

Trung đóng theo kiểu dân gian truyền thống,

miền Nam đóng theo kiểu Thái Lan có cải

tiến, boong thao tác bố trí phía trước cabin Hình 1.8 Mô hình tàu làm nghề câu

Tàu làm nghề mành chụp

Hầu hết cấu tạo vỏ bằng gỗ, đóng theo

kiểu dân gian, boong thao tác được đặt phía

trước cabin, hai bên mạn phía trước và phía

sau có lắp đặt 2-4 tăng gông dùng để căng

lưới chụp mực thường từ 11-17m tùy thuộc

vào công suất từ 45-250 CV

Hình 1.9 Mô hình tàu làm nghề

mành chụp

Tóm lại, tàu cá Việt Nam có kích cỡ nhỏ, năng lực chịu gió bão kém, sức chứa các khoang nhiên liệu, nước ngọt, chứa cá đều nhỏ, không có hệ thống làm đông, tốc độ thấp, kết cấu thân tàu và bố trí chung không hợp lý Việt Nam cũng đã quy chuẩn một số tàu vỏ thép phục vụ đánh bắt xa bờ nhưng do giá thành cao và thiết kế chưa phù hợp thực tiễn nên số lượng tàu vỏ thép được hạ thủy tới thời điểm hiện tại là rất ít Được biết, trong khi ngư dân có thể dùng tàu vỏ gỗ để đánh bắt tùy theo ngành nghề, theo mùa, còn các mẫu thiết kế của tàu vỏ thép mỗi con tàu chỉ dùng cho một ngành nghề đánh bắt

b) Một số loại tàu cá nước ngoài hoạt động trong vùng biển Việt Nam

Một số tàu cá nước ngoài đã quy chuẩn phục vụ từ đánh bắt xa bờ, kết hợp được làm ăn kinh tế với chiêu bài chính trị

Tàu cá lưới kéo vỏ thép 41,38 mét

Kích thước chủ yếu: dài 41.38m,

rộng 7.2m, cao mạn 4.0m Sống mũi

vểnh về phía trước, một boong, một

đáy, đuôi vuông, kết cấu ngang, tốc độ

thiết kế 11hải lý/giờ, năng lực hoạt

động độc lập 90 ngày, chứa khoảng 90

tấn dầu đốt, có sức chịu gió tốt Hệ số

lăng trụ nhỏ, đầu đuôi tàu mảnh mai,

sức cản sóng giảm, các thành phần sức

cản còn lại cũng giảm

Hình 1.10 Tàu cá lưới kéo 41,38 mét

Loại tàu cá lưới kéo vỏ thép 41,38m được nước ngoài chuẩn bị riêng cho việc đánh bắt xa bờ, mà

cụ thể ở quần đảo Trường Sa thuộc chủ quyền Việt Nam

Tàu chụp mực, dùng đèn vỏ thép

Chiều dài tối đa 43,6 m; chiều rộng

7,6m; chiều cao mạn 4,1m; mớn nước

3,2m Đó là tàu một boong, một đáy,

đuôi vuông, hai máy chính, tốc độ thiết

kế 11 hải lý/giờ, dự trữ nhiên liệu 73

tấn, khả năng đi biển 70 ngày Hình 1.11 Tàu chụp mực, dùng đèn vỏ thép dài 43,6 m

Tàu đánh cá lưới vây dùng đèn

một boong vỏ thép 37,8 mét

Tàu có chiều dài toàn bộ 37,8;

chiều dài giữa hai trục 32,3; chiều rộng

6,3; chiều cao mạn 3,35; mớn nước 2,4

mét; tốc độ 11 hải lý/giờ; tầm hoạt

động 1500 hải lý; 13 người Hình 1.12 Tàu lưới vây dùng đèn 37,8m

Tàu lưới kéo hai boong vỏ thép

36,8 mét (8186)

Đó là một tàu đánh cá lưới kéo viễn

dương nhỏ có GT=370, chiều dài toàn

bộ 36,8m, tàu có thể hoạt động tại các

độ sâu 400 tới 1000 mét nước Hình 1.13 Tàu lưới kéo hai boong vỏ thép

Tàu câu mực xa bờ 65 mét

Tàu có chiều dài 65,53m, chiều dài

giữa hai trụ 57,5m, chiều rộng 9,8m,

chiều cao mạn 6,20m, lượng chiếm

nước 1487 tấn Có khả năng hoạt động

Trong 05 loại tàu trên, loại số 1, 2, 3 (tính từ trên xuống) được thiết kế với vùng hoạt động chủ đích là Biển Đông và hai quần đảo Hoàng Sa và Trường Sa mà họ gọi là Tây Sa và Nam Sa; tàu số 4,5 hoạt động viễn dương nên có thể tính cả vùng Trường Sa Các loại tàu trên đều có kết cấu theo hệ thống ngang, một đáy, một boong, có sống chính, cứ cách bốn khoảng sườn lại có một sườn khỏe và đà ngang khỏe

1.2.2 Cách tiếp cận

Để giải quyết bài toán tra cứu nhận dạng tàu cá trên biển, luận văn đi vào phân tích những đặc điểm cơ bản của các loại tàu cá Việt Nam và nước ngoài nhằm đưa ra được các đặc trưng chính phục vụ cho bài toán tra cứu, nhận dạng tàu cá Trong tình hình Biển Đông đang căng thẳng, nước ngoài thường sử dụng các tàu cá cho chức năng quân sự, trên đó được trang bị súng và nhiều thiết bị hiện đại, vì thế bên cạnh việc xây dựng các đặc trưng tra cứu, nhận dạng cho tàu cá Việt Nam rất cần thiết phải xây dựng tính năng tra cứu, nhận dạng tàu cá nước ngoài Từ việc đưa ra các đặc trưng dựa trên

màu sắc, hình dạng của các loại tàu để tra cứu, nhận dạng được các tàu cá,

bao gồm cả các tàu cá làm nghề lưới kéo, lưới vây, lưới rê, nghề câu, nghề mành chụp, đặc biệt là tàu vỏ gỗ, vỏ thép,… phân biệt được với các tàu cá nước ngoài

Chương 2 MỘT SỐ KỸ THUẬT ĐÁNH GIÁ ĐỘ TƯƠNG TỰ

Các mô hình độ tương tự về ảnh đều có thể nghiên cứu dựa trên bài toán tra cứu ảnh trong một tập ảnh cho trước Bài toán yêu cầu đưa ra kết quả là bảng xếp hạng về độ đo tính tương tự của tập ảnh so với ảnh tra cứu Với bài toán này, chúng ta sẽ tiến hành nghiên cứu một số kỹ thuật đánh giá độ tương

tự dựa trên những mô hình tiêu biểu dưới đây

2.1 Kỹ thuật theo mô hình không gian vector (VSM)

Trong mô hình này, nội dung mỗi ảnh được trích chọn thành vector đặc trưng, cơ sở dữ liệu ảnh là cơ sở dữ liệu lưu trữ các vector đặc trưng Phần lớn

các đặc trưng của ảnh đều có thể được xác định qua histogram (color

histogram, texture histogram, invariant feature histogram, local feature histogram, gabor feature histogram) Trong mô hình không gian vector, các

histogram được chuẩn hoá tức là các bin có giá trị tới hạn là 1 Từ trước đến nay, trong các bài toán tính toán độ tương tự giữa 2 ảnh dựa trên histogram, việc sử dụng chuẩn l1 có dạng  

0 | 1( ) 2( ) |

N

j h j h j trong đó phép tổng được tính trên tất cả các bin, luôn cho kết quả tốt Vì dạng chuẩn l1 được định nghĩa là không gian vector cho nên chúng được đặt cái tên là mô hình không gian vector (VSM) [14]

2.1.1 Phép so sánh histogram

2.1.1.1 So sánh ngang các bin histogram (bin-by-bin)

Việc so sánh histogram (vector đặc trưng ảnh) theo kiểu bin-by-bin thường được tính toán nhanh chóng bởi phép so sánh chỉ tính đến độ lớn của bin mà không tính đến vị trí của bin

Hình 2.1 Độ tương tự giữa a) và b) phải lớn hơn giữa a) và c)

Hình 2.1 cho thấy nếu so sánh kiểu bin-by-bin thì phép so sánh histogram của hình a) và b) so với của a) và c) là tương tự nhau, song về trực quan rõ ràng là độ tương tự của hình a) và b) lớn hơn so với a) và c) – (xét trên góc độ đây là histogram màu của ảnh xám chẳng hạn) [12]

a) Độ tương tự qua histogram đồng nhất (histogram intersection)

Như ta đã biết, dựa vào không gian màu của ảnh, histogram của ảnh được xác định bằng cách tách biệt các màu sắc của ảnh theo các thành phần màu sắc (3 thành phần màu sắc trên hệ 3 chiều) và đếm số lượng có được từ ảnh của các màu này Vì vậy, màu của bức ảnh được ánh xạ tới không gian màu gồm bộ n màu Histogram màu của một ảnh I là một véc tơ n chiều )

) ' ( ), ( min(

) ' ( ) (

H I H

Với hai ảnh, giá trị của histogram intersection càng lớn thì độ tương tự của hai ảnh càng cao

(2.1)

Một số nghiên cứu thêm cho thấy rằng, hiệu quả của phương pháp histogram intersection chịu ảnh hưởng của các yếu tố như: hệ màu lựa chọn là

gì và số lượng bin màu chọn là bao nhiêu

Với lựa chọn hệ RGB, cách xây dựng công thức đánh giá độ tương tự của một cặp ảnh như sau:

Gọi IR,I G,I B là các histogram màu chuẩn hoá của một ảnh trong cơ sở

dữ liệu và tương ứng Q R,Q G,Q B là các histogram màu chuẩn hoá của ảnh dùng

để tra cứu Độ tương tự giữa 2 ảnh trên là SHI C ( Q I, ) được tính theo công thức sau [10]:

3

|)

|

|, min(|

)) ( ), ( min(

)) ( ), ( min(

)) ( ), ( min(

) ,

(

Q I

b Q b I g

Q g I r

Q r I Q

b) Độ tương tự qua khoảng cách Minkowski

Nếu mỗi chiều của vector đặc trưng của ảnh phụ thuộc vào chiều khác và cùng đóng vai trò quan trọng như nhau thì khoảng cách Minkowski sẽ xấp xỉ cho tính toán khoảng cách giữa hai ảnh Khoảng cách này được định nghĩa là [14]:



i

P P i

f J

I

D( , ) ( | ( ) ( ) | )1/

khi p 1 , 2 và  thì D(I,J) là các khoảng cáchL1, L2 (cũng còn gọi là khoảng cách Euclidean) và Ltương ứng

c) Độ tương tự qua khoảng cách Euclidean

Khoảng cách Euclidean được dùng như là độ đo tính toán khoảng cách giữa các vector đặc trưng, nó chính là dạng đặc biệt của khoảng cách

Minkowski (p=2) thường được sử dụng phổ biến để tính toán độ tương tự

giữa hai ảnh

(2.2)

(2.3)