Nghiên cứu một số kỹ thuật xác định đo tương tự và ứng dụng

Các phương pháp xử lý ảnh bắt nguồn từ một số ứng dụng như nâng cao chất lượng thông tin hình ảnh đối với mắt người và xử lý số liệu, nhận dạng cho hệ thống tự động.. Và xử lý ảnh số đượ

ĐẠI HỌC THÁI NGUYÊN KHOA CÔNG NGHỆ THÔNG TIN

ĐẠI HỌC THÁI NGUYÊN KHOA CÔNG NGHỆ THÔNG TIN

LUẬN VĂN THẠC SỸ CÔNG NGHỆ THÔNG TIN

Người hướng dẫn khoa học: TS Phạm Việt Bình

Thái nguyên – 2009

LỜI CAM ĐOAN

Tôi xin cam đoan toàn bộ nội dung trong Luận văn hoàn toàn theo đúng nội dung đề cương cũng như nội dung mà cán bộ hướng dẫn giao cho Nội dung luận văn, các phần trích lục các tài liệu hoàn toàn chính xác Nếu có sai sót tôi hoàn toàn chịu trách nhiệm

Tác giả luận văn

Trần Quang Huy

MỤC LỤC

ĐẶT VẤN ĐỀ 8

LỜI NÓI ĐẦU 9

Chương 1: KHÁI QUÁT VỀ XỬ LÝ ẢNH VÀ ĐỘ ĐO TƯƠNG TỰ TRONG XỬ LÝ ẢNH 11

1.1 Khái quát về xử lý ảnh 11

1.1.1 Một số khái niệm cơ bản 11

1.1.2 Một số vấn đề trong xử lý ảnh 12

1.1.2.1 Các hệ thống xử lý ảnh 12

1.1.2.2 Các hình thái của ảnh 14

1.1.2.3 Một số ứng dụng trong xử lý ảnh 15

1.1.2.4 Một số khái niệm, định nghĩa trong xử lý video 17

1.1.2.5 Lược đồ màu (Color Histogram) 22

1.1.2.6 Lược đồ tương quan màu (Color Correlogram) 25

1.1.2.7 Đặc trưng chuyển động (Motion) 26

1.1.2.8 Các bước thao tác với file video 28

1.2 Độ đo tương tự trong xử lý ảnh 30

Chương 2: MỘT SỐ PHƯƠNG PHÁP XÁC ĐỊNH ĐỘ ĐO TƯƠNG TỰ 32

2.1 Độ đo dựa trên khoảng cách 32

2.1.1 Độ đo khoảng cách min – max 32

2.1.2 Độ đo khoảng cách Euclid 32

2.1.3 Độ đo khoảng cách toàn phương: 32

2.2 Độ đo sử dụng trọng số 32

2.2.1 Độ đo có trọng số: 32

2.2.2 Độ đo hỗn hợp 33

2.2.2.1 Thuộc tính rời rạc 33

2.2.2.2 Thuộc tính có thứ tự 34

2.2.2.3 Thuộc tính liên tục 35

2.2.2.4 Kết hợp độ đo của các thuộc tính 36

2.2.2.5 Thuật toán nhanh cho thuộc tính liên tục 38

2.2.2.6 Thuật toán nhanh cho thuộc tính có thứ tự 40

2.3 Độ đo tương tự có thể học (Trainable similarity measure) 41

2.4 Độ đo dựa trên Histogram 43

2.4.1 Giới thiệu 43

2.4.2 Định nghĩa 43

2.4.3 Lược đồ mức xám hai chiều 44

2.4.4 Các tính chất của lược đồ mức xám 45

2.4.5 Quan hệ giữa lược đồ mức xám và ảnh 46

2.4.6 Một chiều 46

2.4.7 Hai chiều 47

CHƯƠNG 3: ỨNG DỤNG ĐỘ ĐO TƯƠNG TỰ TRONG VIỆC PHÂN LOẠI ẢNH TRONG FILE VIDEO 49

3.1 Giới thiệu bài toán 49

3.2 Cài đặt thuật toán 49

3.2.1 Code đọc ảnh 49

3.2.2 Code đọc và extract frame file video 56

3.3 Kết quả thực nghiệm và đánh giá 59

PHẦN KẾT LUẬN 62

TÀI LIỆU THAM KHẢO 63

ĐẶT VẤN ĐỀ

Lĩnh vực xử lý ảnh số tĩnh và xử lý ảnh động (video) đã được hình thành và phát triển vào những thập kỷ đầu của thế kỷ XX Các phương pháp

xử lý ảnh bắt nguồn từ một số ứng dụng như nâng cao chất lượng thông tin hình ảnh đối với mắt người và xử lý số liệu, nhận dạng cho hệ thống tự động Một trong những ứng dụng đầu tiên của xử lý ảnh là nâng cao chất lượng ảnh báo truyền qua cáp giữa London và New York vào những năm 1920 Thiết bị đặc biệt mã hóa hình ảnh, truyền qua cáp và khôi phục lại ở phía thu Cùng với thời gian, do kỹ thuật máy tính phát triển nên xử lý hình ảnh ngày càng phát triển Các kỹ thuật cơ bản cho phép tìm kiếm, đối sánh những ảnh để tìm

ra sự tương tự

Từ năm 1964 đến nay, phạm vi xử lý ảnh và video (ảnh động) phát triển không ngừng Các kỹ thuật xử lý ảnh số (digital image processing) đang được sử dụng để giải quyết một loạt các vấn đề nhằm nâng cao chất lượng thông tin hình ảnh Và xử lý ảnh số được ứng dụng rất nhiều trong y tế, thiên văn học, viễn thám, sinh học, y tế hạt nhân, quân sự, sản xuất công nghiệp … Một ứng dụng quan trọng trong xử lý ảnh số mà không thể không nhắc đến đó

là đối sánh một ảnh với các frame của một file video nhằm mục đích tìm kiếm

sự giống nhau hay khác nhau, qua đó giúp cho quá trình xử lý công việc nhanh hơn mà không mất thời gian kiểm tra từng file video

Chính vì vậy, tôi lựa chọn đề tài “Nghiên cứu một số kỹ thuật xác

định độ đo tương tự và ứng dụng ” nhằm nghiên cứu một số kỹ thuật xác

định độ đo tương tự như Trainable similarity measure (TSM) và Histogram dòng cột Qua đó, tôi có thể đưa ra một số nhận xét và có thể có giải pháp đề xuất để phân loại đối tượng ảnh trong file video hiệu quả hơn

LỜI NÓI ĐẦU

Xử lý ảnh là một lĩnh vực đã và đang được quan tâm của nhiều nhà khoa học trong và ngoài nước bởi tính phong phú và lợi ích của nó được ứng dụng trong khoa học kỹ thuật, kinh tế, xã hội và đời sống con người Lĩnh vực xử lý ảnh liên quan tới nhiều ngành khác như: hệ thống tin học, trí tuệ nhân tạo, nhận dạng, viễn thám, y học

Hiện nay, thông tin hình ảnh đóng vai trò rất quan trọng trong trao đổi thông tin, bởi phần lớn thông tin mà con người thu được thông qua thị giác

Do vậy, vấn đề nhận dạng trong xử lý ảnh, đặc biệt là nhận dạng đối tượng ảnh chuyển động đang được quan tâm bởi yêu cầu ứng dụng đa dạng của chúng trong thực tiễn

Mục đích đặt ra cho xử lý ảnh được chia thành hai phần chính: phần thứ nhất liên quan đến những khả năng từ các ảnh thu lại các ảnh để rồi từ các ảnh đã được cải biến nhận được nhiều thông tin để quan sát và đánh giá bằng

mắt, chúng ta coi như là sự biến đổi ảnh (image transformation) hay sự làm đẹp ảnh (image enhancement) Phần hai nhằm vào nhận dạng hoặc đoán nhận

ảnh một cách tự động, đánh giá nội dung các ảnh

Quá trình nhận dạng ảnh nhằm phân loại các đối tượng thành các lớp đối tượng đã biết (supervised learning) hoặc thành những lớp đối tượng chưa biết (unsupervised learning) Sau quá trình tăng cường và khôi phục (đối với những ảnh có nhiễu), giai đoạn tiếp theo, người ta phải trích rút các đặc tính

quan trọng, quyết định của ảnh cần nhận dạng Các đặc tính đó có thể là đặc tính hình học, đặc tính ngữ cảnh

Bên cạnh đó, trong những năm gần đây lượng dữ liệu video số đã tăng lên đáng kể cùng với việc sử dụng rộng rãi các ứng dụng đa phương tiện trong giáo dục, giải trí, kinh doanh, y tế… Thực tế này đặt ra các bài toán như: giảm

dung lượng video và tăng tốc độ xử lý, tổ chức lưu trữ và tìm kiếm video hiệu quả, hiểu nội dung video, nhận dạng đối tượng trong video Một số nhóm nghiên cứu trong và ngoài nước đã đưa ra các phương pháp giải quyết giảm dung lượng video, tổ chức cơ sở dữ liệu video, và đặc biệt lĩnh vực là nhận dạng đối tượng, đối tượng chuyển động trong dữ liệu video cũng đang được quan tâm bởi tính ứng dụng đa dạng và cần thiết của nó trong khoa học, xã hội và đời sống con người

Trong luận văn thạc sĩ với đề tài “Nghiên cứu một số kỹ thuật xác

định độ đo tương tự và ứng dụng”, tôi tập trung giải quyết bài toán đọc ảnh

và so sánh với các frame trong file video để đưa ra nhận xét Luận văn gồm phần mở đầu, phần kết luận, và 3 chương nội dung:

Chương 1 : Khái quát về xử lý ảnh và độ đo tương tự trong xử lý ảnh

Chương 2 : Một số phương pháp xác định độ đo tương tự

Chương 3 : Ứng dụng trong việc phân loại ảnh

Được sự giúp đỡ của các thầy cô trong Khoa Công nghệ thông tin - Đại học Thái Nguyên cũng như của bạn bè, đồng nghiệp, đặc biệt là chỉ bảo tận

tình của Tiến sĩ Phạm Việt Bình và sự nỗ lực của bản thân, đến nay tôi đã

hoàn thành đề tài

Tuy nhiên trong quá trình làm việc, mặc dù đã cố gắng nỗ lực hết sức nhưng do kiến thức và kinh nghiệm vẫn còn hạn chế nên không thể tránh khỏi còn sai sót, em tha thiết kính mong nhận được sự chỉ bảo của các thầy cô để

đề tài được hoàn thiện hơn

Em xin chân thành cảm ơn

Thái Nguyên, ngày 30 tháng 10 năm 2009

Học viên thực hiện

Trần Quang Huy

CHƯƠNG 1: KHÁI QUÁT VỀ XỬ LÝ ẢNH VÀ ĐỘ ĐO TƯƠNG TỰ

TRONG XỬ LÝ ẢNH

1.1 Khái quát về xử lý ảnh

1.1.1 Một số khái niệm cơ bản[1]

Xử lý ảnh là một trong những mảng quan trọng nhất trong kỹ thuật thị giác máy tính, là tiền đề cho nhiều nghiên cứu thuộc lĩnh vực này Hai nhiệm

vụ cơ bản của quá trình xử lý ảnh là nâng cao chất lượng thông tin hình ảnh

và xử lý số liệu cung cấp cho các quá trình khác trong đó có việc ứng dụng thị giác vào điều khiển

Quá trình bắt đầu từ việc thu nhận ảnh nguồn (từ các thiết bị thu nhận ảnh dạng số hoặc tương tự) gửi đến máy tính Dữ liệu ảnh được lưu trữ ở định dạng phù hợp với quá trình xử lý Người lập trình sẽ tác động các thuật toán tương ứng lên dữ liệu ảnh nhằm thay đổi cấu trúc ảnh phù hơp với các ứng dụng khác nhau

Quá trình xử lý nhận dạng ảnh được xem như là quá trình thao tác ảnh đầu vào nhằm cho ra kết quả mong muốn Kết quả đầu ra của một quá trình

xử lý ảnh có thể là một ảnh “tốt hơn” hoặc một kết luận

trưng cường độ sáng hay một dấu hiệu nào đó tại một vị trí nào đó của đối tượng trong không gian và do đó nó có thể xem như một hàm n biến P(c1, c2, , cn)

Sơ đồ tổng quát của một hệ thống xử lý ảnh:

* Trích chọn đặc điểm

Các đặc điểm của đối tượng được trích chọn tuỳ theo mục đích nhận dạng trong quá trình xử lý ảnh Trích chọn hiệu quả các đặc điểm giúp cho việc nhận dạng các đối tượng ảnh chính xác, với tốc độ tính toán cao và dung lượng nhớ lưu trữ giảm

* Đối sánh, nhận dạng

Nhận dạng tự động (automatic recognition), mô tả đối tượng, phân loại

và phân nhóm các mẫu là những vấn đề quan trọng trong thị giác máy, được ứng dụng trong nhiều ngành khoa học khác nhau Ví dụ mẫu có thể là ảnh của

Thu nhận ảnh

(scanner,

camera…)

Tiền xử lý (xoá nhiễu, lọc nhiễu,…)

Trích chọn đặc điểm

Hậu

xử lý

Đối sánh rút ra kết luận

Hệ quyết định

Lưu trữ

vân tay, ảnh của một vật nào đó được chụp, một chữ viết, khuôn mặt người hoặc một ký đồ tín hiệu tiếng nói Khi biết một mẫu nào đó, để nhận dạng hoặc phân loại mẫu đó

Hoặc phân loại có mẫu (supervised classification), chẳng hạn phân

tích phân biệt (discriminant analyis), trong đó mẫu đầu vào được định danh

như một thành phần của một lớp đã xác định Hoặc phân loại không có mẫu

(unsupervised classification hay clustering) trong đó các mẫu được gán vào các lớp khác nhau dựa trên một tiêu chuẩn đồng dạng nào đó Các lớp này cho đến thời điểm phân loại vẫn chưa biết hay chưa được định danh

Hệ thống nhận dạng tự động bao gồm ba khâu tương ứng với ba giai đoạn chủ yếu sau đây:

 Thu nhận dữ liệu và tiền xử lý

 Biểu diễn dữ liệu

 Nhận dạng, ra quyết định

Bốn cách tiếp cận khác nhau trong lý thuyết nhận dạng là:

 Đối sánh mẫu dựa trên các đặc trưng được trích chọn

 Phân loại thống kê

 Đối sánh cấu trúc

 Phân loại dựa trên mạng nơ-ron nhân tạo

Trong các ứng dụng rõ ràng là không thể chỉ dùng có một cách tiếp cận đơn lẻ để phân loại “tối ưu” do vậy cần sử dụng cùng một lúc nhiều phương pháp và cách tiếp cận khác nhau Do vậy, các phương thức phân loại tổ hợp hay được sử dụng khi nhận dạng và nay đã có những kết quả có triển vọng dựa trên thiết kế các hệ thống lai (hybrid system) bao gồm nhiều mô hình kết hợp

Việc giải quyết bài toán nhận dạng trong những ứng dụng mới, nảy sinh trong cuộc sống không chỉ tạo ra những thách thức về thuật giải, mà còn

đặt ra những yêu cầu về tốc độ tính toán Đặc điểm chung của tất cả những ứng dụng đó là những đặc điểm đặc trưng cần thiết thường là nhiều, không thể do chuyên gia đề xuất, mà phải được trích chọn dựa trên các thủ tục phân tích dữ liệu

1.1.2.2 Các hình thái của ảnh

* Chuyển ảnh màu thành ảnh xám

Đơn vị tế bào của ảnh số là pixel Tùy theo mỗi định dạng là ảnh màu hay ảnh xám mà từng pixel có thông số khác nhau Đối với ảnh màu từng pixel sẽ mang thông tin của ba màu cơ bản tạo ra bản màu khả kiến là Đỏ (R), Xanh lá (G) và Xanh biển (B) [Thomas 1892] Trong mỗi pixel của ảnh màu,

ba màu cơ bản R, G và B được bố trí sát nhau và có cường độ sáng khác nhau Thông thường, mỗi màu cơ bản được biểu diễn bằng tám bit tương ứng 256 mức độ màu khác nhau Như vậy mỗi pixel chúng ta sẽ có 28x3

=224 màu (khoảng 16.78 triệu màu) Đối với ảnh xám, thông thường mỗi pixel mang thông tin của 256 mức xám (tương ứng với tám bit) như vậy ảnh xám hoàn toàn có thể tái hiện đầy đủ cấu trúc của một ảnh màu tương ứng thông qua tám mặt phẳng bit theo độ xám

Trong hầu hết quá trình xử lý ảnh, chúng ta chủ yếu chỉ quan tâm đến cấu trúc của ảnh và bỏ qua ảnh hưởng của yếu tố màu sắc Do đó bước chuyển từ ảnh màu thành ảnh xám là một công đoạn phổ biến trong các quá trình xử lý ảnh vì nó làm tăng tốc độ xử lý là giảm mức độ phức tạp của các thuật toán trên ảnh

* Lược đồ xám của ảnh (Histogram)

Lược đồ xám của một ảnh số có các mức xám trong khoảng [0,L−1]

là một hàm rời rạc p(r k )=n k /n Trong đó n k là số pixel có mức xám thứ

r , n là tổng số pixel trong ảnh và k=0,1,2 L−1 Do đó P(r ) cho một xấp

xỉ xác suất xảy ra mức xám r k Vẽ hàm này với tất cả các gia trị của k sẽ biểu

diễn khái quát sự xuất hiện các mức xám của một ảnh Chúng ta cũng có thể thề hiện lược đồ mức xám của ảnh thông qua tần suất xuất hiện mỗi mức xám qua hệ tọa độ vuông góc xOy Trong đó, trục hoành biểu diễn số mức xám từ

0 đến N (số bit của ảnh xám) Trục tung biểu diễn số pixel của mỗi mức xám

Hình 1.3 Lược đồ xám của ảnh1.1.2.3 Một số ứng dụng trong xử lý ảnh

Như đã nói ở trên, các kỹ thuật xử lý ảnh trước đây chủ yếu được sử dụng để nâng cao chất lượng hình ảnh, chính xác hơn là tạo cảm giác về sự gia tăng chất lượng ảnh quang học trong mắt người quan sát Thời gian gần đây, phạm vi ứng dụng xử lý ảnh mở rộng không ngừng, có thể nói hiện không có lĩnh vực khoa học nào không sử dụng các thành tựu của công nghệ

xử lý ảnh số

Trong y học các thuật tóan xử lý ảnh cho phép biến đổi hình ảnh được tạo ra từ nguồn bức xạ X -ray hay nguồn bức xạ siêu âm thành hình ảnh quang học trên bề mặt film x-quang hoặc trực tiếp trên bề mặt màn hình hiển thị Hình ảnh các cơ quan chức năng của con người sau đó có thể được xử lý tiếp để nâng cao độ tương phản, lọc, tách các thành phần cần thiết (chụp cắt lớp) hoặc tạo ra hình ảnh trong không gian ba chiều (siêu âm 3 chiều)

Trong lĩnh vực địa chất, hình ảnh nhận được từ vệ tinh có thể được phân tích để xác định cấu trúc bề mặt trái đất Kỹ thuật làm nổi đường biên (image enhancement) và khôi phục hình ảnh (image restoration) cho phép nâng cao chất lượng ảnh vệ tinh và tạo ra các bản đồ địa hình 3-D với độ chính xác cao

Hình 1.4 Ảnh nhận được từ vệ tinh dùng trong khí tượng học

Trong ngành khí tượng học, ảnh nhận được từ hệ thống vệ tinh theo dõi thời tiết cũng được xử lý, nâng cao chất lượng và ghép hình để tạo ra ảnh bề mặt trái đất trên một vùng rộng lớn, qua đó có thể thực hiện việc dự báo thời tiết một cách chính xác hơn Dựa trên các kết quả phân tích ảnh vệ tinh tại các khu vục đông dân cư còn có thể dự đóan quá trình tăng trưởng dân số, tốc độ

ô nhiễm môi trường cũng như các yếu tố ảnh hưởng tới môi trường sinh thái Ảnh chụp từ vệ tinh có thể thu được thông qua các thiết bị ghi hình cảm nhận

được tia sáng quang học ( 450 520 nm λ= − ), hoặc tia hồng ngoại ( 760 900

nm λ= − ) Trên hình 1.5a và 1.5b lần lượt là ảnh bề mặt trái đất nhận được

từ 2 ống ghi hình nói trên, dễ dàng nhận thấy sự khác biệt rõ ràng giữa hai ảnh Đặc biệt trên ảnh 1.3b, hình con sông được tách biệt rất rõ ràng so với vùng ảnh hai bên bờ Thiết bị thu hình nhạy cảm với vật thể bức xạ các tia

trong miền hồng ngoại sẽ cho ra những bức ảnh trong đó vật thể có nhiệt độ thấp sẽ được phân biệt rõ ràng so với vật thể có nhiệt độ cao hơn Như vậy việc lựa chọn các thiết bị ghi hình khác nhau sẽ tạo ra ảnh có đặc tính khác nhau, tùy thuộc vào mục đích sử dụng trong các lĩnh vực khoa học cụ thể

Hình 1.5 - Ảnh bề mặt trái đất thu được từ hai camera khác nhau

Xử lý ảnh còn được sử dụng nhiều trong các hệ thống quản lý chất lượng và số lượng hàng hóa trong các dây truyền tự động, ví dụ như hệ thống phân tích ảnh để phát hiện bọt khí bên vật thể đúc bằng nhựa, phát hiện các linh kiện không đạt tiêu chuẩn (bị biến dạng) trong quá trình sản xuất hoặc hệ thống đếm sản phẩm thông qua hình ảnh nhận được từ camera quan sát

Xử lý ảnh còn được sử dụng rộng rãi trong lĩnh vực hình sự và các hệ thống bảo mật hoặc kiểm soát truy cập: quá trình xử lý ảnh với mục đích nhận dạng vân tay hay khuôn mặt cho phép phát hiện nhanh các đối tương nghi vấn cũng như nâng cao hiệu quả hệ thống bảo mật cá nhân cũng như kiểm soát ra vào Ngoài ra, có thể kể đến các ứng dụng quan trọng khác của kỹ thuật xử lý ảnh tĩnh cũng như ảnh động trong đời sống như tự động nhận dạng, nhận dạng mục tiêu quân sự, máy nhìn công nghiệp trong các hệ thống điều khiển tự động, nén ảnh tĩnh, ảnh động để lưu và truyền trong mạng viễn thông v.v 1.1.2.4 Một số khái niệm, định nghĩa trong xử lý video [9]

Khung hình là đơn vị cơ bản nhất của dữ liệu video Theo chuẩn của hệ NTSC thì một giây có 30 khung hình, vậy một phút có 1800 khung hình, một giờ có 60x1800 = 108000 khung hình Có thể thấy rằng số lượng khung hình cho một đoạn video thường là rất lớn, cần phải có một đơn vị cấp cao hơn cho video số

* Không gian màu

Một không gian màu là một mô hình đại diện cho màu về mặt giá trị độ sáng; một không gian màu xác định bao nhiêu thông tin màu được thể hiện Nó định nghĩa không gian 1,2,3, hoặc 4 chiều mà mỗi chiều của nó, còn gọi là thành phần, đại diện cho những giá trị độ sáng Một thành phần màu còn được gọi là một kênh màu Mỗi điểm ảnh trong ảnh có thể được đại

diện bởi một điểm trong không gian màu 3 chiều Những không gian màu thường được dùng để bao gồm RGB, CMY, Munsell, CIE l*a*b*, CIE L*u*v*, HSV, HSL Cho đến nay vẫn chưa có sự thống nhất không gian nào là tốt nhất Sau đây là một số không gian màu thường gặp

- Không gian độ xám

Không gian độ xám chỉ có một thành phần, biến đổi từ đen đến trắng, như trong hình Không gian độ xám được dùng chủ yếu trong việc hiển thị và

in ấn trắng đen và độ xám

Hình 1.7 Không gian màu độ xám

- Không gian màu RGB

Không gian RGB là không gian màu được sử dụng rộng rãi trong việc hiển thị hình ảnh Ý tưởng tạo ra không gian màu RGB đến từ cái cách

mà mắt con người hoạt động Nó có những cơ quan cảm nhận để phát hiện ra 3 màu khác nhau: đỏ(red), lục (green), lam (blue) Không gian màu RGB cũng gồm có 3 thành phần màu: Red, Green, và Blue Những thành phần này được gọi là màu gốc để cộng vào, vì mỗi màu được tạo nên bằng cách cộng thêm các phần tử vào màu đen(0,0,0)

Hình 1.8 Không gian RGB

Hình 1.9 Không gian RGB

Hình 1.10 Không gian RGB

- Không gian màu CMY

Không gian CMY được dùng chủ yếu trong in ấn CMY là viết tắt của Cyan-Magenta-Yellow (màu lục lam, màu đỏ tươi, màu vàng), đó là ba màu chính tương ứng với ba màu mực in Chúng được gọi là những màu gốc để trừ, vì mỗi màu trong không gian CMY được tạo ra thông qua việc hấp thu độ sáng Cyan hấp thu sự chiếu sáng của màu đỏ, Magenta hấp thu màu xanh lục, Yellow hấp thu màu xanh dương

Hình 1.11 Không gian CMY Mối quan hệ giữa RGB và CMY :

C = 1 – R

M = 1 – G

Y = 1 - B

- Không gian màu HSV

Mô hình HSV(Hue, Saturation, Value), còn gọi là HSB (Hue, Saturation, Brightness) định nghĩa một không gian màu gồm có 3 thành phần tạo nên :

Hue, loại màu (chẳng hạn màu đỏ, xanh, hay vàng) Có giá trị

từ 0 - 360 hoặc từ 0 - 2đ

Saturation, độ thuần khiết của màu

Có giá trị từ 0 – 100%, thường được chuẩn hoá về 0 – 1 Độ thuần khiết của một màu càng thấp, độ xám của màu đó càng nhiều và màu đó càng mờ

Value, độ sáng của màu

Có giá trị từ 0 – 100%, thường được chuẩn hóa về 0 – 1

Mô hình HSV được tạo ra từ nãm 1978 bởi Alvy Ray Smith Nó là một phép biến đổ i phi tuyến của không gian màu RGB Mô hình HSV giúp tách bạch màu (H, S) và độ sáng (V), phù hợp với cảm nhận của con người

1.1.2.5 Lược đồ màu (Color Histogram)

* Định nghĩa

Lược đồ màu của ảnh cho biết sự phân bố của các màu trong ảnh

n

i n i

H [ ]  [ ]Trong đó :

i là một bin màu, nếu ảnh độ xám thì i[0,255] , nếu ảnh màu RGB

thì i [0,224 ]

n[i] : số điểm ảnh có giá trị màu là i n : tổng số điểm ảnh

Hình 1.12 Lược đồ màu ứng với frame

Hình 1.13 Mắt người không nhạy cảm với sự thay đổi màu sắc

Để cải tiến phù hợp cho việc ứng dụng trong tìm kiếm, các màu trong không gian màu HSV được định lượng trước khi tính lược đồ màu Có nhiều cách định lượng, một trong những cách đó là

thông tin thị giác

Hình 1.14 Các màu đã được định lượng trong không gian HSV

* Ý nghĩa của lược đồ màu

Đối với một màu c i , H ci (I) thể hiện số điểm ảnh có màu c i trong ảnh I Nói cách khác, với mỗi điểm ảnh trong ảnh I, H ci (I) thể hiện xác suất điểm

ảnh đó có màu là c i. Không có mang thông tin về không gian

* Đánh giá ưu điểm, khuyết điểm

Ưu điểm

- Tính toán lược đồ màu ít tốn chi phí, đơn giản, nhanh chóng

- Lược đồ màu bất biến đối với một số phép biến đổi hình học như phép biến đổi Affine : tịnh tiến, xoay, sự co, giãn

Khuyết điểm

Lược đồ màu chỉ xét phân bố toàn cục về màu của ảnh mà không xét đến yếu tố cục bộ về vị trí, làm mất thông tin về quan hệ không gian giữa các màu Dẫn đến việc có thể có nhiều ảnh khác nhau nhưng lại có cùng lược đồ màu

Ứng dụng

Được ứng dụng nhiều trong việc phân đoạn video và truy tìm thông tin thị giác

1.1.2.6 Lược đồ tương quan màu (Color Correlogram)

* Giới thiệu lược đồ tương quan màu

Quan sát thấy rằng lược đồ màu thiếu thông tin về cách mà màu sắc được phân bố theo không gian, Một đặc trưng mới được giới thiệu gọi là lược đồ tương quan màu Lược đồ tương quan màu hứa hẹn mô tả không chỉ

là phân phối màu của các điểm ảnh mà còn là sự tương quan về không quan giữa các cặp màu

* Tính lược đồ tương quan màu

Gọi [D] là tập gồm D khoảng cách d1 , d 2 , , d D được đo bằng độ đo L

Lược đồ tương quan màu của ảnh I được xác định với cặp màu c i , c j

và khoảng cách d như sau:

]

|

||

[ Pr )

d p

p I

p

I p I p

d

c

c j

Trong đó I là ảnh, kích thước MxN (Điểm ảnh), I c  p  I | Ip c, lược

đồ tương quan màu thể hiện xác suất cặp điểm ảnh bất kỳ p1và p2 chịu sự

ràng buộc về màu ( p1 có màu c i , p2 có màu c j ) và vị trí ( p1  p2 |L  d )

* Lược đồ tự tương quan màu

Nếu chúng ta xét đến tất cả sự kết hợp có thể có của các cặp màu, kích thước của lược đồ tương quan màu sẽ rất lớn, hơn nữa, thời gian tính toán sẽ lâu

Do đó, một phiên bản đơn giản hơn được sử dụng, gọi là lược đồ tự tương quan màu Lược đồ này chỉ quan tâm đến sự tương quan về không gian

giữa những màu giống nhau và do đó giảm được số chiều và chi phí tính toán Lược đồ tự tương quan màu được xác định như sau:

) ( )

)(

- Định vị đối tượng, theo vết đối tượng

So với lược đồ màu, lược đồ tự tương quan màu cho những kết quả truy tìm tốt hơn nhưng tốn chi phí nhiều hơn

1.1.2.7 Đặc trưng chuyển động (Motion)

* Giới thiệu

Chuyển động là một trong những đặc trưng của dữ liệu video Đây

là một đặc trưng nổi bật của video mà ảnh tĩnh không có Đặc trưng chuyển động được sử dụng rất rộng rãi trong các nghiên cứu cũng như cài đặt ứng dụng xử lý video số

Hình 1.15 Đặc trưng chuyển động

* Lược đồ chuyển động

Nếu như lược đồ màu thể hiện sự phân phối màu trong ảnh thì lược đồ chuyển động cho thấy sự phân phối chuyển động của các khung hình liên tiếp

Sự phân phối này được thể hiện dưới dạng các góc chuyển động

- Thuật toán tính lược đồ chuyển động

Chia khung hình thành n khối điểm ảnh, và định lượng các góc từ 0 đến

360 độ thành 8 phần : 0o-44o, 45o-89o,…, 315o-359o

Bước 1: khởi động mảng các góc đã định lượng : H [i] 0 , với i từ 0 đến 7

Bước 2: Xét một khối điểm ảnh của khung hình hiện tại, tính độ dịch chuyển của nó bằng cách : trong khung hình tiếp theo, tìm khối có sự khác biệt đặc trưng nhỏ nhất so với khối đang xét và sự khác biệt này cũng nhỏ hơn một ngưỡng định trước Mục đích của bước này là để xem khối này dịch chuyển đến vị trí nào Nếu không tìm thấy thì xem như khối điểm ảnh này không di chuyển

Bước 3 : Sau khi tính độ dịch chuyển, dễ dàng tính được góc dịch chuyển của

khối và định lượng góc đó về một giá trị a, a nằm trong khoảng từ 0 đến 7 Bước 4 : tăng giá trị của H [a] H [a] 1 Quay lại bước 2 cho đến khi tính hết

tất cả các khối điểm ảnh của khung hình

ảnh tại vị trí điểm ảnh đang xét Lặp lại bước 2 cho đến khi tính hết các điểm ảnh trong khung hình

Sau khi tính toán cho tất cả điểm ảnh trong khung hình, ta có được 2 ảnh chuyển động của khung hình theo 2 phương

- Ý nghĩa

Ảnh chuyển động cho biết độ lớn chuyển động theo 2 phương của mỗi điểm ảnh của khung hình Tại vị trí nào đó mà ảnh chuyển động có giá trị lớn thì điểm ảnh đó chuyển động càng nhiều

1.1.2.8 Các bước thao tác với file video [1]

AVI là chuẩn video thường được tích hợp trong các thư viện của các môi trường lập trình Để xử lý video, cần có các thao tác cơ bản để chuyển về

AVIFileExit( )

Nếu thiếu bất cứ hàm nào, dù là mở hay đóng thư viện thì trình biên dịch đều

sẽ thông báo lỗi

Bước 2: Mở và đóng file AVI để thao tác:

Sau khi mở thư viện, bạn phải mở file AVI bạn định thao tác:

AVIFileOpen(PAVIFILE* ppfile, LPCSTR fname, UINT mode, CLSID pclsidHandler)

Thực chất, hàm này tạo ra một vùng đệm chứa con trỏ trỏ đến file có tên là fname cần mở Và ppfile là con trỏ trỏ đến vùng bộ đệm đó Tham số

mode quy định kiểu mở file; chẳng hạn OF_CREATE để tạo mới, OF_READ

để đọc, OF_WRITE để ghi … Tham số cuối dùng là NULL

Trước khi đóng thư viện, bạn phải đóng file AVI đã mở, bằng cách dùng hàm:

AVIFileGetStream(PAVIFILE pfile, PAVISTREAM * ppavi,

DWORD fccType, LONG lParam)

Trong đó, pfile là con trỏ đến file đã mở; ppavi trỏ đến dòng dữ liệu kết quả; fccType là loại dòng dữ liệu chọn để mở, là streamtypeAUDIO nếu

là tiếng và streamtypeVIDEO nếu là hình,…lParam đếm số loại dòng được

mở, là 0 nếu chỉ thao tác với một loại dòng dữ liệu

Sau các thao tác với dòng dữ liệu này, bạn nhớ phải đóng nó lại:

AVIStreamRelease(PAVITREAM pavi)

Bước 4: Trường hợp thao tác với dữ liệu hình của phim

Chuẩn bị cho thao tác với khung hình (frames):

AVIStreamGetFrameOpen(PAVISTREAMpavi,LPBITMAPINFOHEADER

lpbiWanted)

Trong đó pavi trỏ đến dòng dữ liệu đã mở, lpbiWanted là con trỏ trỏ đến cấu trúc mong muốn của hình ảnh, ta dùng NULL để sử dụng cấu trúc mặc định Hàm này trả về đối tượng có kiểu PGETFRAME để dùng cho bước 5

Sau khi thao tác với các frame rồi, phải gọi hàm :

AVIStreamGetFrameClose(PGETFRAME pget)

Bước 5: Thao tác với frame

Dùng hàm

AVIStreamGetFrame(PGETFRAME pget, LONG lpos)

Hàm này trả về con trỏ trỏ đến dữ liệu của frame thứ lpos Dữ liệu đó

có kiểu là DIB đã định khối Thực hiện các thao tác mong muốn

Hiện nay trên thế giới có rất nhiều phương tiện dùng để thu thập thông tin và lưu dưới dạng số hoá Trong khi lưu trữ các thông tin này người sử dụng gặp phải vấn đề với quá nhiều hình ảnh khác nhau và vấn đề quản lý những hình ảnh này Rất nhiều các nhà lập trình đã tiếp cận và tạo ra hệ thống

để quản lý một cách có hiệu quả nhất tức là dùng bộ nhớ thị giác của máy tính

để lưu trữ và đối sánh những hình ảnh này

Nghiên cứu “sự tương tự” (thường ở dạng đối ngẫu của nó là “khoảng cách”) thuộc phạm vi toán học, chẳng hạn trong lý thuyết tôpô và xấp xỉ; nhưng trong khoa học máy tính và các ứng dụng máy tính có phần khác Trong khoa học máy tính, phép tính xấp xỉ thường được sử dụng theo một lối không có tính hệ thống (non-systematic) và không theo thể thức (ad-hoc) Trong ngữ cảnh này, khái niệm “sự tương tự” xuất hiện ở nhiều dạng, diễn xuất, và nhiều ứng dụng

Khái niệm “sự tương tự” có nhiều dạng khác nhau Bất chấp những khác biệt, chúng đều có điểm chung: “sự tương tự” được sử dụng để so sánh hai (hay nhiều) đối tượng, hai hoàn cảnh, hai vấn đề, v.v… với nhiều nguyên

do khác nhau Luôn có mục đích nào đó với một phép so sánh như thế, bởi vì một hành động tiếp sau đó được thực hiện và cuối cùng thì một vấn đề nào đó phải được giải quyết Vì lý do đó, hai đối tượng được đem so sánh giữ những vai trò khác nhau Đối tượng thứ nhất đang được xem xét và được gọi là vấn

đề (problem) Đối tượng thứ hai là đã biết và đã lưu; thường được gọi là bản mẫu (prototype) hay tình huống (case)

- Trong diễn xuất hình ảnh (Image Interpretation), các hình ảnh được diễn xuất theo ý nghĩa của chúng và chúng được so sánh với nhau Ví dụ, một ảnh

y khoa thực tế và một ảnh không có bệnh lý nào đó được so sánh với nhau; độ tương tự giữa những ảnh này được sử dụng để cho biết ảnh thực kia có chứa bệnh lý hay không Xác minh hình ảnh (Image Identification) cũng thuộc về lĩnh vực này

- Trong tâm lý học nhận thức và xã hội (Cognitive and Social Psychology),

“sự tương tự” là cái gì đó chủ quan; ám chỉ thái độ, giá trị, sở thích, và cá tính giữa những con người tương xứng mức độ nào Có nhiều dạng mô hình về sự tương tự trong tâm lý học, bốn mô hình nổi bật là hình học (geometric), đặc tính (featural), dựa trên canh lề (alignment-based), và biến đổi (transformational)

- Trong lĩnh vực an ninh, quốc phòng để xác định đối tượng ảnh khi muốn xác định vân tay, kiểm tra những băng đĩa mang những nội dung cần kiểm soát

Độ đo tương tự là một trong những phương pháp tốt để máy tính phân biệt được các hình ảnh qua nội dung của chúng Thông thường hệ thống CBIR(content-based image retrieval) sẽ truy vấn hình ảnh bằng phương pháp

đo tương tự dựa trên các chức năng, việc xác định nó có thể dưới nhiều hình thức như phát hiện biên, màu sắc, vị trí điểm ảnh… các phương pháp như histogram, màu sắc và phân tích histogram dòng cột sử dụng biểu đồ để xác định độ tương tự

Chương 2:

MỘT SỐ PHƯƠNG PHÁP XÁC ĐỊNH ĐỘ ĐO TƯƠNG TỰ

2.1 Độ đo dựa trên khoảng cách

2.1.1 Độ đo khoảng cách min – max

Được thực hiện dựa trên ý tưởng lấy phần giao của hai lược đồ cần so sánh, ta sẽ được một lược đồ, tính tổng các giá trị có được từ lược đồ này cho

ta được độ đo min – max

Đối với độ đo min: ta tính dựa vào giá trị min tại mỗi K bin

i M h i I h

M h I h tion Inter

] )[

( , ] )[

( max

)) ( ), ( ( sec

2.1.2 Độ đo khoảng cách Euclid

Đây là cách tính khoảng cách Euclid thông thường giữa các K bin:

M h I h

1

) ( )

ij h i h j a

j h i h

1 1

)]

( ) ( [ ) ( ) (

2.2 Độ đo sử dụng trọng số

2.2.1 Độ đo có trọng số: