Phân loại sản phẩm bằng xử lý ảnh

Mục tiêu của nghiên cứu đề tài là sẽ hạn chế đến mức thấp nhất những thiếu sót chủ quan do con người gây ra trong quá trình sản xuất đồng thời sẽ nâng cao năng suất lao động, tiết kiệm thời gian, cài thiện chất lượng sản phẩm và đặc biệt là nâng cao tính an toàn lao động cho người sản xuất do có thể điều khiển hệ thống từ xa thông qua trung tâm điều khiển. Ứng dụng xử lý ảnh vào trong sản xuất để giám sát và điều khiển băng chuyền sản xuất. Ứng dụng giao tiếp không dây (bluetooth) để truyền nhận dữ liệu giữa máy tính và kit điều khiển.

ĐỀ TÀI: PHÂN LOẠI SẢN PHẨM BẰNG XỬ LÝ ẢNH

1 Mục tiêu đề tài:

Mục tiêu của nghiên cứu đề tài là sẽ hạn chế đến mức thấp nhất những thiếu sót chủ quan do con người gây ra trong quá trình sản xuất đồng thời sẽ nâng cao năng suất lao động, tiết kiệm thời gian, cài thiện chất lượng sản phẩm và đặc biệt là nâng cao tính an toàn lao động cho người sản xuất do có thể điều khiển hệ thống từ xa thông qua trung tâm điều khiển

3 Kết quả nghiên cứu:

Đã xây dựng thành công mô hình thực tế và chương trình điều khiển trên Matlab 2015

4 Đóng góp về mặt kinh tế - xã hội, giáo dục và đào tạo, an ninh, quốc phòng và khả năng áp dụng của đề tài:

Đề tài đã góp phần tạo ra một bước đột phá trong công nghiệp giúp tăng năng suất lao động, nâng cao chất lượng sản phẩm từ đó sẽ giảm được chi phí và rút ngắn thời gian trong sản xuất

5 Công bố khoa học của sinh viên từ kết quả nghiên cứu của đề tài (ghi rõ tên tạp

chí nếu có) hoặc nhận xét, đánh gái của cơ sở đã áp dụng các kết quả nghiên cứu (nếu có):

MỞ ĐẦU

1 Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài:

Ngày nay, cùng với sự phát triển của các ngành công nghệ thông tin, kỹ thuật điện tử thì ngành tự động hóa đã và đang đạt được nhiều tiến bộ mới Mà đặc biệt là việc đưa tự động hóa vào lĩnh vực sản xuất là điều hết sức cần thiết

Để đáp ứng nhu cầu ngày càng đa dạng của con người thì trong sản xuất lượng sản phẩm sản xuất ra cũng rất phong phú Vấn đề đặt ra là phải trang bị cho các dây chuyền sản xuất trong các nhà máy xí nghiệp một hệ thống có thể tự động kiểm tra chất lượng sản phẩm và phân loại chúng theo những yêu cầu của doanh nghiệp sản xuất Nó đóng vai trò hết sức quan trọng trong việc giúp tăng năng suất lao động, tăng độ chính xác và do đó sẽ góp phần tăng hiệu quả sản xuất Đó chính là hệ thống xử lý ảnh bằng Matlab kết hợp với dây chuyền tự động được điều khiển bởi kit Arduino Uno trong các khâu điều khiển và giám sát để kiểm tra chất lượng và phân loại sản phẩm

2 Lý do chọn đề tài:

Trong lĩnh vực sản xuất, việc kiểm tra ngoại quan đối với sản phẩm là vô cùng cần thiết Công việc này giúp cho sản phẩm trước khi tung ra thị trường có chất lượng đồng đều, loại bỏ các sản phẩm không đạt tiêu chuẩn (bị hư hỏng) trong quá trình sản xuất và phân loại các sản phẩm theo từng nhóm khác nhau Vì vậy tầm quan trọng của kiểm tra ngoại quan là điều hết sức thiết và hiện nay chủ yếu là do con người đảm nhiệm Tuy nhiên,

để quá trình sản xuất đạt năng suất cao và tránh các sai sót chủ quan (sai sót do mệt mỏi,

do phân loại mang tính chất tương đối,… ), việc tự động hóa khâu kiểm tra ngoại quan

do con người thực hiện là vô cùng cần thiết Xuất phát từ nhu cầu thực tiễn đó, nhóm nghiên cứu đã tiến hành nghiên cứu ứng dụng công nghệ xử lý ảnh để thay thế cho khâu kiểm tra ngoại quan do con người thực hiện

3 Mục tiêu đề tài:

Nhằm mang đến cái nhìn mới về ứng dụng xử lý ảnh vào trong điều khiển và giám sát dây chuyền sản xuất

4 Phương pháp nghiên cứu:

Chọn phần mềm Matlab làm công cụ hỗ trợ cho nghiên cứu của đề tài vì đây là phần mềm cho kỹ thuật rất phổ biến và hỗ trợ hiệu quả cho sinh viên, đọc dữ liệu từ webcam

và chuyển thành ma trận ảnh số trên máy tính, thực hiện các phương pháp so sánh với ảnh mẫu và xuất lệnh điều khiển ra kit Arduino Uno để điều khiển băng chuyền tiến hành phân loại sản phẩm

5 Đối tượng nghiên cứu:

Hệ thống băng chuyền, công nghệ vi điều khiển và phần mềm Matlab

6 Phạm vi nghiên cứu:

Nội dung đề tài giới hạn trong phạm vi sau:

➢ Phần băng chuyền: khảo sát các hoạt động của băng tải trong việc vận chuyển sản phẩm

➢ Phần Matlab: tìm hiểu các lệnh, hàm, các cửa sổ làm việc, thư viện xử lý ảnh trong Matlab, các thuật toán và kỹ thuật lập trình

➢ Phần kit Arduino Uno: tìm hiểu về phần cứng của kit và phần mềm lập trình cho Arduino Uno, giao tiếp giữa Arduino và Matlab

CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI

1.1 Giới hạn đề tài:

Trong đề tài nhóm nghiên cứu tập trung vào nghiên cứu và thiết kế hệ thống xử lý ảnh

để điều khiển và giám sát băng chuyền sản xuất đồ hộp

1.2 Giới thiệu chung về giám sát và điều khiển băng chuyền sản xuất đồ hộp:

Với sự tiến bộ của khoa học kỹ thuật mà đặc biệt là trong lĩnh vực sản xuất thì băng chuyền sản xuất đã không còn xa lạ gì với con người Để nâng cao nâng suất và hiệu quả công việc nhiều doanh nghiệp đã áp dụng băng chuyền vào trong sản xuất đồng thời ngày càng đặt ra nhiều yêu cầu hơn đối với băng truyền như về mặt điều khiển cũng như giám sát băng chuyền trong lúc hoạt động để đảm bảo an toàn trong lao động đồng thời nâng cao nâng suất lao động

Mà ngày nay với nhịp sống tấp nập của xã hội thì đồ hộp đang ngày càng trở nên phổ biến bởi tính tiện lợi và nhanh chóng của nó Vì vậy để đáp ứng nhu cầu trên thì nhất thiết phải có một dây chuyền dành riêng cho sản xuất đồ hộp mà mỗi mắc xích trong dây chuyền là những băng chuyền sản xuất

Vì vậy mà băng chuyền sản xuất đồ hộp ngày càng trở nên phổ biến và đa dạng hơn rất nhiều

1.3 Yêu cầu của hệ thống giám sát và điều khiển băng chuyền sản xuất đồ hộp

Với việc đưa hệ thống băng chuyền vào trong sản xuất thì hệ thống cần phải đảm bảo các yêu cầu sau:

- Phải đảm bảo độ an toàn, chính xác và tin cậy trong quá trình sản xuất

- Dễ dàng thay thế và sửa chữa khi bị hư hỏng

- Đảm bảo tính thẩm mỹ trong công nghiệp để không quá cồng kềnh gây khó khăn trong quá trình vận chuyển để láp ráp cũng như trong không gian làm việc

1.4 Kết luận

- Nắm bắt được giới hạn của đề tài

- Tìm hiểu được sự phổ biến của băng chuyền hiện nay trong sản xuất

- Biết được các yêu cầu của hệ thống giám sát và điều khiển băng chuyền

CHƯƠNG 2 PHƯƠNG PHÁP XỬ LÝ ẢNH

2.1 Giới thiệu về xử lý ảnh

Trong nghành khoa học máy tính, xử lý ảnh là một dạng của xử lý tín hiệu cho đầu vào là một ảnh hoặc các frame của phim ảnh Đầu ra có thể là một hình ảnh, hoặc tập hợp các ký tự hoặc các tham số liên quan tới hình ảnh Thường thì kỹ thuật xử lý ảnh có liên quan tới xử lý tín hiệu hai chiều và được áp dụng bằng một chuẩn riêng về kỹ thuật

xử lý ảnh cho nó

2.1.1 Nguồn gốc của xử lý ảnh:

Các phương pháp xử lý ảnh bắt đầu từ các ứng dụng chính: nâng cao chất lượng ảnh và phân tích ảnh Ứng dụng đầu tiên được biết đến là nâng cao chất lượng ảnh trong nghành công nghiệp báo chí, những bức ảnh này được truyền qua dây cáp ngầm giữa hai thành phố Luân đôn và New York Từ những năm 1920, hệ thống Bartlane được giới thiệu, đó là một hệ thống truyền ảnh số qua dây cáp giúp giảm thiểu thời gian truyền hình ảnh, cụ thể thường thì để truyền một hình ảnh qua biển Alantic mất tới hơn một tuần thì qua hệ thống này chỉ mất hơn 3 giờ đồng hồ Đây một hệ thống chuyên dụng đã được trang bị để mã hóa các bức ảnh thành một dạng tín hiệu sau đó truyền qua

hệ thống dây cáp, ở đầu nhận tín hiệu sẽ có một hệ thống chuyên dụng để giải mã và khôi phục lại chúng

Vấn đề mới nảy sinh là chất lượng của các bức ảnh số này có liên quan tới phương thức in và phân bố mức sáng, độ phân giải của ảnh vào khoảng những năm 1955 việc nâng cao chất lượng ảnh cũng được phát triển để giải quyết vấn đề này Các kỹ thuật xử

lý ảnh không ngừng được cải thiện trong những năm tiếp theo Nhưng điều quan trọng

là nghành công nghệ máy vi tính cũng không ngừng được phát triển, đáp ứng tốt nhu cầu của công nghệ, giá thành ngày càng giảm, theo đó tốc độ xử lý cũng được cải thiện lên nhiều Cùng với những đỏi hỏi khoa học nghiên cứu không gian tạo động lực thúc đẩy cho kỹ thuật xử lý ảnh phát triển Cụ thể, vào năm 1964, Những bức ảnh đầu tiên chụp bề mặt mặt trăng đã được truyền về trái đất từ vệ tinh Ranger 7, những bức ảnh này đã được máy tính xử lý và nâng cao chất lượng như làm nổi đường biên, và lưu trữ ảnh

Từ năm 1964 đến nay, các ứng dụng của xử lý ảnh ngày càng được mở rộng ngoài các ứng dụng trong thăm dò nghiên cứu vũ trụ, các kỹ thuật xử lý ảnh còn được xử dụng trong nhiều mục đích khác nhau Hầu hết các bài toán đặt ra đều là phân tích và nâng cao chất lượng ảnh.Ta có thể kể đến một vài ứng dụng như: Thăm dò địa chất, sinh học,

Xử lý ảnh và đồ hoạ đóng một vai trò quan trọng trong tương tác người máy

Quá trình xử lý 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

Hình 2.2 Quá trình xử lý ảnh

Ảnh “tốt hơn”

Kết luận

2.1.3 Điểm ảnh

Nguồn gốc của một bức ảnh tự nhiên khi ta thu về là một ảnh liên tục về không gian và độ sáng Để tiến hành xử lý bằng máy tính thì ảnh cần phải được số hóa ( Số hoá ảnh là sự biến đổi gần đúng một ảnh liên tục thành một tập điểm phù hợp với ảnh thật về vị trí (không gian) và độ sáng ) Khoảng cách giữa các điểm ảnh đó được thiết lập sao cho mắt người không phân biệt được ranh giới giữa chúng Mỗi một điểm như vậy gọi là điểm ảnh hay gọi tắt là Pixel

Vậy Điểm ảnh (Pixel) là một phần tử của ảnh số với độ xám hoặc màu nhất định Kích thước và khoảng cách giữa các điểm ảnh đó được chọn thích hợp sao cho mắt người cảm nhận sự liên tục về không gian và mức xám (hoặc màu) của ảnh số gần như ảnh thật Mỗi phần tử trong ma trận được gọi là một phần tử ảnh

2.1.6 Đặc điểm biên và đường biên

Đặc trưng cho đường biên của đối tượng và do vậy rất hữu ích trong việc trích trọn các thuộc tính bất biến được dùng khi nhận dạng đối tượng Các đặc điểm này

có thể được trích chọn nhờ toán tử gradient, toán tử la bàn, toán tử Laplace, toán tử

“chéo không” (zero crossing) v.v…

Việc 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 xuống

2.2 Các bước cơ bản trong xử lý ảnh

Quá trình xử lý một tấm ảnh được tóm tắc bằng sơ đồ sau :

Hình 2.3: Các bước cơ bản trong xử lý ảnh 2.2.1 Thu nhận ảnh (Image Acquisition)

Ảnh có thể nhận qua camera màu hoặc đen trắng Thường ảnh nhận qua camera là ảnh tương tự (loại camera ống chuẩn CCIR với tần số 1/25, mỗi ảnh 25 dòng), cũng có loại camera đã số hoá (như loại CCD – Change Coupled Device) là loại photodiot tạo cường độ sáng tại mỗi điểm ảnh

Camera thường dùng là loại quét dòng ; ảnh tạo ra có dạng hai chiều Chất lượng một ảnh thu nhận được phụ thuộc vào thiết bị thu, vào môi trường (ánh sáng, phong cảnh)

2.2.2 Tiền xử lý (Image Processing)

Sau bộ thu nhận, ảnh có thể nhiễu độ tương phản thấp nên cần đưa vào bộ tiền xử

lý để nâng cao chất lượng Chức năng chính của bộ tiền xử lý là lọc nhiễu, nâng độ tương phản để làm ảnh rõ hơn, nét hơn

2.2.3 Phân đoạn (Segmentation) hay phân vùng ảnh

Phân vùng ảnh là quá trình tách một ảnh đầu vào thành các vùng thành phần để biểu diễn phân tích, nhận dạng ảnh

2.2.4 Biểu diễn ảnh (Image Representation)

Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn) cộng với mã liên kết với các vùng lận cận Việc biến đổi các số liệu này thành dạng thích hợp là cần thiết cho xử lý tiếp theo bằng máy tính Việc chọn các tính chất để thể

hiện ảnh gọi là trích chọn đặc trưng (Feature Selection) gắn với việc tách các đặc tính

của ảnh dưới dạng các thông tin định lượng hoặc làm cơ sở để phân biệt lớp đối tượng này với đối tượng khác trong phạm vi ảnh nhận được

2.2.5 Nhận dạng và nội suy ảnh (Image Recognition and Interpretation)

Nhận dạng ảnh là quá trình xác định ảnh Quá trình này thường thu được bằng cách so sánh với mẫu chuẩn đã được học (hoặc lưu) từ trước Nội suy là phán đoán theo

ý nghĩa trên cơ sở nhận dạng Theo lý thuyết về nhận dạng, các mô hình toán học về ảnh được phân theo hai loại nhận dạng ảnh cơ bản:

+ Nhận dạng theo tham số

+ Nhận dạng theo cấu trúc

2.3 Ứng dụng của Matlab trong xử lý ảnh

2.3.1 Biến đổi Furier

Phép biến đổi Fourier biểu diễn ảnh dưới dạng tổng của các lũy thừa phức của các thành phần biên độ, tần số, pha khác nhau của ảnh Nếu f(m,n) là một hàm của hai biến không gian rời rạc m và n, thì biến đổi Fourier hai chiều của f(m,n) được định nghĩa

Nếu f(m,n) biểu diễn độ sáng của ảnh X ở vị trí pixel (m,n) thì F(w1,w2) chính là biến đổi Fourier của ảnh X Do các dữ liệu trên máy tính được lưu trữ dưới dạng rời rạc,

cụ thể là dữ liệu ảnh được tổ chức theo đơn vị pixel nên phép biến đổi Fourier cũng được rời rạc hóa thành biến đổi Fourier rời rạc (DFT) Giả xử hàm f(m,n) chỉ khác 0 trong miền (0<=m<=M-1,0<=n<=N-1), các phép biến đổi DFT thuận và nghịch kích thước M x N được định nghĩa như sau :

F(p,q) gọi là các hệ số của biến đổi DFT Với các ứng dụng trong xử lý ảnh, chúng

ta chỉ quan tâm đến các hàm fft2 và ifft2 Cú pháp :

F=fft2(X,Mrows, Ncols)f=ifft2(F,mrows,ncols)

Nếu ảnh ban đầu có kích thước nhỏ hơn thì Matlab tự động thêm vào các zero pixel trước khi biến đổi Sau khi thực hiện biến đổi DFT bằng fft2, thành phần DC sẽ

nằm ở góc trên bên trái của ảnh Ta có thể dùng hàm fftshift để dịch thành phần DC này

về trung tâm của ảnh

2.3.2 Xử lý histogram

Histogram của 1 ảnh grayscale có L mức xám khác nhau là một hàm rời rạc, có biểu thức h(rk)=nk, trong đó rk là giá trị mức xám thứ k trong đoạn [0,L-1] và nk là số pixels có giá trị mức xám là rk Ví dụ với đoạn [0,255], r0=0, r1=1… Histogram thường được chuẩn hóa Với n là tổng số pixels của ảnh, histogram chuẩn hóa được tính qua biểu thức:

Cân bằng hàm histogram:

Giả xử ta có phép biến đổi sau: s = ∫ 𝑝0𝑟 𝑟(w)dw

Ta có được hàm mật độ xác suất của s:

Trên là ảnh trước và sau cân bằng histogram cùng với biểu đồ histogram tương ứng

Hình 2.4 Trước khi cân bằng histogram

Hình 2.5 Sau khi cân bằng histogram

Hình 2.6 Đầu vào mức xám

Phối hợp Histogram

Trong phân trước, chúng ta thấy được cân bằng histogram là một hàm có tính thích nghi với ảnh đầu vào Phương pháp cân bằng histogram tương đối đơn giản, có thể đoán trước histogram của ảnh sau xử lý và có thể cho ảnh ra có chất lượng được nâng cao rõ rệt Tuy nhiên, histogram sau cân bằng lại cố định với mỗi ảnh đầu vào và không thể thay đổi được Trong một số trường hợp, việc cân bằng histogram không cho kết quả như ý, hình ảnh sau cân bằng histogram không được cải thiện hoặc không đáp ứng được yêu cầu

Ví dụ:

Hình trên là ảnh ban đầu và sau khi xử lý dùng cân bằng histogram Ta thấy rằng ảnh ban đầu có vùng tối chiếm diện tích rất lớn, do đó histogram có sự tập trung cường

độ về phía phần tối Sau khi cân bằng histogram, do sự tập trung lớn của các thành phần

Hình 2.7 Trước khi phối hợp histogram

Hình 2.8 Sau khi phối hợp histogram

nằm gần 0 của histogram ảnh gốc nên histogram ảnh sau tập trung cường độ về phía nửa trên, làm chất lượng ảnh không được cải thiện, mà còn giảm độ tương phản của ảnh Ta

có thể giải quyết vấn đề này bằng cách thực hiện một quá trình gọi là phối hợp histogram(histogram matching) Phối hợp histogram là quá trình biến đổi mức xám của ảnh để histogram của ảnh mới có một hình dạng cụ thể định trước

Ta đã biết phép biến đổi : S = T(r) = ∫ 𝑝0𝑟 𝑟(w)dw cho ta kết quả là mức xám s trải rộng trên toàn miền Giả xử ta có một biến z sao cho H(z) = S = ∫ 𝑝0𝑧 𝑧(t)dt

Khi đó z phải thỏa phương trình Z = H-1(s) = [H-1(Tr)].T(r) có thể tìm được từ ảnh ban đầu Nếu ta có pz(z) đã biết thì ta có thể tìm thấy H-1

Trong Matlab ta dùng hàm histeq để thực hiện phối hợp histogram >>g=hiseq(f,hgram) hgram là một vector gồm các số nguyên đếm số giá trị mức xám với mỗi khoảng chia trong dải mức xám [0,G]

Trở lại với ví dụ trên Ta thấy histogram của ảnh ban đầu có các thành phần mức xám tập trung ở hai phần Phần đầu chiếm tỉ lệ lớn tập trung gần 0, và một phần nhỏ hơn nằm về phía bên phải của histogram Ta đã biết rằng do sự tập trung mức xám tại gần 0 nên histogram ảnh ra không trải trên toàn miền, vì thế ta có thể dùng phối hợp histogram để giảm sự tập trung này mà vẫn giữ được hình dạng tổng thể ban đầu của histogram gốc

Hình 2.9 Mức xám ban đầu

Ảnh sau phối hợp histogram có độ tương phản tốt hơn Ta có thể thấy rằng các thành phần mức xám trải đều trên khoảng [0,255]

2.3.3 Một số hàm chuyển đổi ảnh

a) Chuyển đổi giữa các kiểu dữ liệu ảnh

➢ Matlab cung cấp sẵn các hàm thực hiện chuyển kiểu cho các ma trận biểu diễn ảnh, bao gồm : im2double, im2uint8 và im2uint16 Tuy nhiên, khi thực hiện chuyển kiểu giữa các dữ liệu ảnh cần lưu ý một số điều sau:

Khi chuyển từ một kiểu dữ liệu dùng nhiều bit sang một kiểu dữ liệu dùng it bit hơn thì một số thông tin chi tiết về bức ảnh ban đầu sẽ bị mất

➢ Không phải lúc nào cũng có thể chuyển đổi kiểu dữ liệu đối với kiểu ảnh indexed, vì các giá trị của ma trận ảnh xác định một địa chỉ trong bản đồ màu chứ không phải là giá trị màu, do đó không thể lượng tử hóa được

b) Chuyển đổi giửa các kiểu ảnh

✓ gray2id: Tạo một ảnh chỉ số từ một ảnh cường độ đen trắng

✓ grayslice: Tạo một ảnh chỉ số từ một ảnh cường độ đen trắng bằng cách đặt

ngưỡng

✓ im2bw: Tạo một ảnh nhị phân từ một ảnh cường độ, ảnh chỉ số hay ảnh RGB trên

cơ sở của ngưỡng ánh sáng

✓ ind2gray: Tạo một ảnh cường độ đen trắng từ một ảnh chỉ số

2.3.4 Giởi thiệu về tách biên ảnh

Biên là vấn đề quan trọng trong trích chọn đặc điểm nhằm tiến tới hiểu ảnh Cho đến nay chưa có định nghĩa chính xác về biên, trong mỗi ứng dụng người ta đưa ra các

độ đo khác nhau về biên, một trong các độ đo đó là độ đo về sự thay đổi đột ngột về cấp xám Ví dụ: Đối với ảnh đen trắng, một điểm được gọi là điểm biên nếu nó là điểm đen

có ít nhất một điểm trắng bên cạnh Tập hợp các điểm biên tạo nên biên hay đường bao của đối tượng Xuất phát từ cơ sở này người ta thường xử dụng hai phương pháp phát hiện biên cơ bản:

Phát hiện biên trực tiếp: Phương pháp này làm nổi biên dựa vào sự biến thiên mức

xám của ảnh Kỹ thuật chủ yếu dùng để phát hiện biên ở đây là dựa vào sự biến đổi cấp xám theo hướng Cách tiếp cận theo đạo hàm bậc nhất của ảnh dựa trên kỹ thuật

Gradient, nếu lấy đạo hàm bậc hai của ảnh dựa trên biến đổi gia ta có kỹ thuật Laplace

Phát hiện biên gián tiếp: Nếu bằng cách nào đó ta phân được ảnh thành các vùng thì

ranh giới giữa các vùng đó gọi là biên Kỹ thuật dò biên và phân vùng ảnh là hai bài toán đối ngẫu nhau vì dò biên để thực hiện phân lớp đối tượng mà khi đã phân lớp xong nghĩa là đã phân vùng được ảnh và ngược lại, khi đã phân vùng ảnh đã được phân lớp thành các đối tượng, do đó có thể phát hiện được biên

Phương pháp phát hiện biên trực tiếp tỏ ra khá hiệu quả và ít chịu ảnh hưởng của nhiễu, song nếu sự biến thiên độ sáng không đột ngột, phương pháp tỏ ra kém hiệu quả, phương pháp phát hiện biên gián tiếp tuy khó cài đặt, song lại áp dụng khá tốt trong trường hợp này

sobel Tìm biên dùng xấp sobel

prewitt Tìm biên dùng xấp xi prewitt

Roberts Tìm biên dùng xấp xí roberts

Laplace of a

Gaussian

Tìm biên bằng cách tìm điểm chéo 0 sau khi qua bộ lọc Gauss

Zero crossings Tìm biên bằng cách tìm điểm chéo 0 sau khi lọc qua bộ lọc được

xác định bới người sứ dụng Canndy Tìm biên bằng chách tìm các cực đại địa phương của gradien

f(x,y) gradien được tính toán dựa vào đạo hàm của bộ lọc Gauss phương pháp dùng 2 ngưỡng để tách biên các biên mạnh yếu và gộp các biên yếu ở ngõ ra chí khi chúng được kết nổi vởi các biên mạnh do đó phương pháp này thích hợp với phương pháp tách biên ảnh yếu

b) Các bước thực hiên tách biên ảnh

Ảnh vào sẽ được tách biên để xác định các đường bao quanh các đối tượng như hình 2.11

- Bước tiếp theo là xác định các vùng giới hạn các đối tượng trong ảnh hay còn gọi

là phân đoạn ảnh

- Mở rộng các vùng trắng bên trong các đối tượng đã được phân đoạn, sau đó tiến hành lấp đầy các khoảng trống bên trong các đối tượng và loại bỏ các vùng có số lượng pixel nhỏ

- Xác định tâm của các vùng giới hạn các đối tượng trong ảnh Số lượng tâm các vùng giới hạn cũng chính là số lượng đối tượng đếm được trong ảnh như hình 2.12

2.4 Tách biên ảnh

2.4.1 Cở sở lý thuyết

Tách biên là phương pháp thông dụng nhất để tách theo nghĩa gián đoạn trong các giá trị cường độ Sự gián đoạn được tách xử dụng đạo hàm bậc nhất và bậc hai Đạo hàm bậc nhất lựa chon trong xử lý ảnh là gradient (độ dốc) Gradient của hàm 2-D f(x,y) được định nghĩa dưới dạng vector:

Biên độ của vectơ này:

∇𝑓=mag( ∇𝑓) = [𝐺𝑥2+ 𝐺𝑦2]1/2 = [ (𝜕𝑓/𝜕𝑥)2 + (𝜕𝑓/𝜕𝑦)2]1/2 (2-2)

Để tính toán đơn giãn biên độ này được lấy xấp xĩ bằng:

∇𝑓 ≈ |𝐺𝑥| + |𝐺𝑦| (2-3) Xấp xỉ này vẫn còn dưới dạng các đạo hàm: đó là, chúng bằng 0 trong các vùng

có cường độ không đổi, và giá trị chúng tỷ lệ với bậc của sự thay đổi cường độ trong vùng có các giá trị pixel biến thiên Nó được xem là biên độ của gradient hoặc xấp xỉ đơn giản của nó dưới dạng “gradient”

Đặc tính cơ bản của vectơ gradient là các điểm của nó là hướng có tỷ lệ thay

8

9

Hình 2.11 Ảnh trước khi tách biên

Hình 2.12 Hình ảnh sau khi khoanh vùng

hợp

đổi hàm f tại tọa độ ( x, y) lớn nhất Góc xảy ra tỷ lệ thay đổi lớn nhất là:

α(x,y) = tan−1(𝐺𝑦

𝐺𝑥) (2-4) Một trong những phương pháp then chốt đưa ra là ước đoán đạo hàm Gx và

Gy theo phương pháp số Các phương pháp khác nhau được dùng bởi hàm edge được thảo luận sau trong phần này

Đạo hàm bậc hai trong xử lý ảnh được tính xử dụng toán tử Laplace.Toán

tử Laplace của hàm 2-Df(x,y) được cho dưới dạng vi phân bậc 2 như sau:

Tìm các nơi đạo hàm bậc nhất của cường độ sáng có biên độ hơn một ngưỡng

Tìm các nơi đạo hàm bậc hai của cường độ sáng có chỗ chéo 0

Các hàm biên của IPT (Image Processing Toolbox) cung cấp một số ước lượng đạo hàm dựa trên các tiêu chuẩn mới nói tới Đối với một số trong những ước lượng này, có thể xác định bộ tách biên có nhạy với các biên ngang hay biên dọc hay không hoặc cả hai Cấu trúc tổng quát của hàm này là:

[g, t] = edge (f, ‘method’, parameters)

Trong đó:

f là ảnh đầu vào

method là một trong các phương pháp tách biên

parameters là các tham số thêm vào

Trong ngõ ra, g là mảng logic với các giá trị 1 tại các vị trí các điểm biên được tách và 0 khi không được tách Tham số t là tùy chọn, nó cho ngưỡng được dùng bởi biên để xác định các giá trị gradient đủ mạnh để được gọi là các điểm biên

a) Bộ tách biên Sobel

Bộ tách biên Sobel xử dụng các mặt nạ trong hình 1(b) để xấp xỉ đạo hàm bậc

nhất Gx và G y Nói cách khác, gradient tại điểm tâm trong một lân cận được tính

theo bộ tách Sobel:

G =[𝐺𝑥2+ 𝐺𝑦2 ]1/2

={[( 𝑧7+2𝑧8+𝑧9)–(𝑧1+2𝑧2+𝑧3)]2+[(𝑧3+2𝑧6+𝑧9)- ( 𝑧1+2𝑧4+𝑧7)]2}1/2 (2-6) Khi đó ta nói rằng vị trí (x,y) là pixel biên vò trí (x,y) nếu g T tại vị trí đó, trong

Bộ tách biên Sobel có thể được thực hiện bằng cách lọc một ảnh, f, (dùng

imfilter) với mặt nạ đã cho như trên Lọc lại f với mặt nạ khác, bình phương các giá

trị pixel với mỗi ảnh được lọc, cộng hai kết quả, và tính căn bậc hai Hàm edge đơn

giản các gói toán tử trước thành một hàm gọi và thêm vào các dặc tính khác,

chẳng hạn như chấp nhận một giá trị ảnh ngưỡng hoặc xác định ngưỡng một cách tự

động Thêm vào đó, edge chứa các kỹ thuật tách biên không hiện thực trực tiếp được

bằng imfilter

Cú pháp gọi bộ tách Sobel tổng quát :

[g , t ] = edge(f, ‘sobel’, T, dir)

Trong đó f là ảnh đầu vào, T là ngưỡng được chỉ định và dir xác định

hướng cần tính tách biên: ‘ngang’, ‘dọc’ hoặc cả hai Như đã nói, g là ảnh logic chứa

giá trị 1

Tại những nơi biên được tách và giá trị 0 tại những nơi biên được tách Như đã

nói,g là ảnh logic chứa giá trị 1 tại những nơi biên được tách và giá trị 0 tại những nơi

biên được tách Mặt khác nếu T không được chỉ định (hoặc để rỗng []),sẽ đặt t

bằng với ngưỡng do nó tự động xác định và sau đó xử dụng cho việc tách biên Một