Tải bản đầy đủ (.pdf) (91 trang)

Luận văn: Bài toán nhận dạng biển số xe

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (2.83 MB, 91 trang )























Luận
văn


Đề tài: Bài toán nhận
d

ng
biển số


x
e
Đồ Án Tốt Nghiệp
1
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng










MỤC
LỤC


MỞ
ĐẦU


7

CHƯƠNG 1. Tổng quan về nhận

dạng.


8

1.1 - Tính chất và sự cần thiết của bài toán nhận dang 8

1.1.1 Tính chất 8

1.1.2 Sự cần thiết. 8

1.2 - Không gian biểu diễn đối tượng, không gian diễn
dịch.
10

1.2.1 Không gian biểu diễn đối tượng 10

1.2.2 Không gian diễn
d

ch.
10

1.3 - Mô hình và bản chất của quá trình nhận dạng 11

1.3.1 Mô
hình.
11

1.3.2 Bản chất của quá trình nhận

dạng.
12

CHƯƠNG 2. Xử lý ảnh và openCV

15

2.1 - Xử lý nhị
phân
16

2.2 - Giảm nhiễu. 18

2.2.1 Bộ lọc hộp thông thường (Normalized Box filter). 19

2.2.2 Bộ lọc gaussian (Gaussian
Filter).
20

2.2.3 Bộ lọc Median (Median
Filter):
21

2.2.4 Bộ lọc song phương (Bilateral
filter).
22

2.2.5
Filter2D
23


2.3 - Biên và các phương pháp tìm
biên.
24

2.3.1 Khái niệm về
biên:
24

2.3.2 Phương pháp
Gradient.
24

2.3.3 Toán tử la bàn. 29

2.3.4
Laplace.
31

2.3.5 Tách sườn ảnh theo Canny. 33
Đồ Án Tốt Nghiệp
2
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng









2.4 - Biến đổi Hough 35

2.5 - Một số hàm cơ bản trong thư viện OpenCV 41

2.5.1 Tải một ảnh và hiển thị ảnh. 41

2.5.2 Chuyển ảnh màu sang ảnh xám. 42

2.5.3 Tìm đối tượng bằng
findContours
43

CHƯƠNG 3. Bài toán nhận dạng biển số xe.

45

3.1 - Khái niệm về nhận dạng biển số xe 45

3.1.1 Khái niệm 45

3.1.2 Ứng dụng. 47

3.1.3 Phân loại biển số xe. 48

3.2 - Một số hướng giải quyết bài toán nhận dạng biển số

xe.
52

3.2.1 Hướng tiếp cận phát triển vùng. 52

3.2.2 Hướng tiếp cận dò biên và biến đổi
Hough.
53

3.2.3 Phân ngưỡng và tím vùng đối tượng (hướng tiếp cận của đồ
án).
54

3.3 - Hướng giải
quyết.
54

3.4 - Phát hiện vùng chứa biển
số.
56

3.4.1 Giai đoạn 1: Biến đối ảnh xám và lọc
ảnh
57

3.4.2 Giai đoạn 2: Tiến hành phân ngưỡng hoặc phát hiện
biên.
57

3.4.3 Giai đoạn 3: Tìm đường bao đối đượng. 58


3.4.4 Giai đoạn 4: Tách vùng biển số. 59

3.5 - Tách riêng từng ký tự 60

3.5.1 Giai đoạn 1: Tiến hành phân ngưỡng. 61

3.5.2 Giai đoạn 2: Tìm vùng đối tượng. 61

3.5.3 Giai đoạn 3: Tìm và tách vùng ký tự. 61

3.6 - Nhận dạng ký tự quang học ( mạng nơron) 61

3.6.1 Mô hình nơron nhân tạo 62

3.6.2 Mạng nơron 63
Đồ Án Tốt Nghiệp
3
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng









3.6.3 Mạng Kohonen 66

3.6.4 Mạng nơron nhiều lớp lân truyền ngược sai số 71

CHƯƠNG 4. Kết quả và hướng phát triển của bài toán nhận dạng biển số xe. 74

4.1 - Kết quả hướng giải quyết “phân ngưỡng và tìm đối
tượng”.
74

4.1.1 Kết quả dùng với phương pháp tìm biên Canny kết hợp với tìm vùng đối
tượng. 75

4.1.2 Kết quả dùng với phương pháp phân ngưỡng kết hợp tìm vùng đối tượng
75

4.1.3 Kêt
luận.
76

4.2 - Hướng phát triển của bài toán nhận dạng biền số xe. 82

4.2.1 Nhận
xét.
82

4.2.2 Hướng phát triển của bài toán 82

KẾT

LUẬN.


84

TÀI LIỆU THAM
KHẢO
85

Phụ l
ục.


86
Đồ Án Tốt Nghiệp
4
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng








Danh mục các hình

vẽ



Hình 1.1 Nhận dạng vân tay trên máy
ATM.


9

Hình 1.2 Phiên dịch viên Jibbigo

9

Hình 1.3 Sơ đồ tổng quan một hệ nhận dạng.

14

Hình 2.1 Quá trình xử lý
ảnh.


15

Hình 2.2 Các bước cơ bản trong hệ thống xử lý
ảnh
15

Hình 2.3 (a) ngưỡng 40,(b) ngưỡng 121


16

Hình 2.4 Sử dụng bộ lọc hộp thông
thường.
20

Hình 2.5 sử dụng bộ lọc
Gaussian


21

Hình 2.6 sử dụng bộ lọc Median

22

Hình 2.7 sử dụng bộ lọc song
phương
23

Hình 2.8 filter2D nhân thay đổi tăng dần từ trái qua
phải
24

Hình 2.9 Tìm biên bằng chức năng Sobel trong OpenCV

29

Hình 2.10 Mặt nạ 8 hướng theo
Kirsh.



29

Hình 2.11 Tìm biên
Laplace


33

Hình 2.12 Tìm biên theo
Canny
35

Hình 2.13 Trục tọa độ đề các đi qua 2
điểm
36

Hình 2.14 Trục tọa độ đề
các
36

Hình 2.15 Hệ tọa độ
cực.


37

Hình 2.16 Đường thẳngHough trong tọa độ
cực.



38

Hình 2.17 Kết hợp giữa HoughLines với
HoughCircles


40

Hình 2.18 Tìm thấy hình tròn trong mẫu có hình tròn.

41

Hình 2.19 Tải một ảnh vào cửa sổ
windows
42

Hình 2.20 Chuyển ảnh màu sang ảnh
xám.


43

Hình 2.21 sử dụng findContours tìm đối tượng

44

Hình 3.1 Hệ thống tự động nhận dạng biển số
xe.

46

Hình 3.2 Biển số
mới
52
Đồ Án Tốt Nghiệp
5
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng








Hình 3.3 Một số loại biển số xe thông dụng

54

Hình 3.4 (a) ảnh đầu vào (b) ảnh xử lý xám và lọc song
phương.


57


Hình 3.5 ảnh sau khi tiến hành phân
ngượng


58

Hình 3.6 Tìm đường bao các đối tượng

59

Hình 3.7 Sau khi lọc bằng dặc điểm biển số và cắt riêng vùng biển
số
60

Hình 3.8 Các ký tự được cắt sau khi tìm thấy vùng biển
số
61

Hình 3.9 Mô hình nơron nhân tạo.

62

Hình 3.10 Mạng nơron truyền thẳng và nhiều lớp.

64

Hình 3.11 Mạng nơron hồi quy.

64


Hình 3.12 Học tham số có giám
sát
66

Hình 3.13 Lưới các nơron

67

Hình 3.14 Ánh xạ mặt cầu vào lưới nơron
15x15


71

Hình 3.15 Mạng nơron 2 l
ớp.


72

Hình 4.1 Biển không nhận dạng
được


77

Hình 4.2 Vùng biển số trong quá trình phân
ngưỡng.



80

Hình 4.3 Mức xám thấp làm vùng biển số bị mất trong quá trình phân
ngưỡng
80

Hình 4.4 Những biển số không nhận đủ ký tự

82
Đồ Án Tốt Nghiệp
6
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng








Danh mục các
bảng



Bảng

Tên
bảng

Trang

Bảng 1
Chi tiết tìm vùng biển số sử dụng dò biên Canny và tìm
vùng đối tượng.

77


Bảng 2
Chi tiết tìm vùng biển số sử dụng hướng phân ngưỡng và
tìm vùng đối tượng.

78



Bảng 3
Tìm vùng biển số trong các khoảng ngưỡng khác nhau

tăng dần.(biển được tìm thấy ở khoảng ngưỡng trước sẽ

không phải là đối tượng xét ở các khoảng ngưỡng sau).


79




Bảng 4
Tìm vùng biển số trong các ngưởng khác nhau giảm
dần.


(biển được tìm thấy ở khoảng ngưỡng trước sẽ không
phả
i

là đối tượng xét ở các khoảng ngưỡng
sau).



80



Bảng 5
Chi tiết các khoảng ngưỡng phát hiện những biển số.(
các


biển tách ly thành công ở khoảng ngưỡng trước
không


được tính cho khoảng ngưỡng

sau).



82

Đồ Án Tốt Nghiệp
7
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng








MỞ
ĐẦU




Hiện nay, với sự phát triển kinh tế xã hội đã bùng nổ số lượng phương tiện giao
thông. Gây ra những khó khăn trong công tác quản lý, xử lý vi phạm giao thông mà
nguồn nhân lực con người khó có thể đảm đương được. Vì vậy vần để cần thiết là có

một hệ thông quản lý, xử lý vi phạm giao thông tự động.

Để xây dựng hệ thống quản lý giao thông tự động thì “ Bài toán nhận dạng biển
số xe” là tiền đề để xây dựng những mô hình quản lý đó. Tuy nhiên, hiện nay ở Việt
Nam nhưng hệ thống quản lý đó chưa nhiều và lĩnh vực nhận dạng còn đang phát triển.

Từ những thực tế đó, trong thời gian làm đố án tốt nghiệp em đã quyết định lựa
chọn tìm hiểu về bài toán “ nhận dạng” trong đó chú trọng vào việc nhận dạng biển số
xe. Để phục vụ cho bước đầu trong hệ thống quản lý phương tiện giao thông tại Việt
Nam. Trong điều kiện năng lực và thời gian có hạn, nên báo cáo của em không tránh
khỏi những sai sót. Em kình mong thầy cô và các bạn đóng góp những ý kiến để em có
thể chỉnh sửa và bổ sung những phần thiếu sót để em hoàn thiện đề tài của mình.

Em xin chân thành cảm ơn Thầy Vũ Anh Dũng và các bạn đã hết lòng giúp đỡ,
chỉ bảo để em có thể hoàn thành tốt đồ án tốt nghiệp này.

Trong báo cáo đồ án lần này em trình bày thành 4 chương như sau.
Chương I: Tổng quan về nhận dạng.
Chương II. Xử lý ảnh và OpenCV.

Chương III. Bài toán nhận dạng biển số.

Chương IV. Kết quả và hướng phát triển của bài toán nhận dạng biển số xe.
Đồ Án Tốt Nghiệp
8
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng










CHƯƠNG 1. Tổng quan về nhận dạng.









1.1 - Tính chất và sự cần thiết của bài toán nhận dang.


1.1.1 Tính chất

- Nhận dạng là quá trình phân loại các đối tượng được biểu diễn theo một mô
hình nào đó và gán cho chúng vào một lớp (gán đối tượng một tên gọi) dựa theo những
quy luật và các mẫu chuẩn. Quá trình nhận dạng dựa vào những mẫu học biết trước gọi
là nhận dạng có thầy (supervised learning); trong trường hợp ngược lại gọi là học
không thầy (non supervised learning).


- Nhận dạng là một bài toán quan trọng trong ngành thị giác máy tính.


1.1.2 Sự cần thiết.

- Cùng với sự phát triển không ngừng của kinh tế xã hội và các ngành kỹ thuật
hiện nay. Đòi hỏi sự quản lý và xử lý thông tin chính xác mà nó vượt quá sức của con
người. Vì vậy chúng ta cần có máy móc hoặc động làm giảm tải hoặc thay thế công
việc nặng nhọc, đòi hỏi sự chính xác cao và nhàm chán cho con người. Việc giúp máy
móc nhận dang (thu thập , phân loại thông tin) như còn người sẽ giúp máy móc hoạt
động hiệu quả giống như con người với độ chính xác cao hơn rất nhiếu.

- Một số ứng dụng của bài toán nhận dạng.


Nhận dạng dấu vân tay: ở Việt Nam đã được sử dụng trong việc chấm công,
điểm danh và làm khóa an toàn cho các loại cửa sắt, máy tính xách tay…. Nó tạo sự
tiện dụng và rất an toàn.
Đồ Án Tốt Nghiệp
9
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng












Hình 1.1 Nhận dạng vân tay trên máy ATM.


Thay vì phải nhập mã pin trên máy ATM thì bạn chỉ việc đặt ngón tay trỏ của mình
lên và giao dịch sẽ bắt đầu.

Nhận dạng giọng nói: ứng dụng này được tích hợp trên nhiều sản phẩm, bạn sẽ điều
khiển các thiết bị qua giọng nói của mình thay vì phải thao tác trực tiếp bằng tay, như
trong mô hình nhà thông minh, trên điện thoại…. Ví dụ : ứng dụng Jibbigo trên điện
thoại đi động , Ứng dụng này có thể dịch được tiếng nói của người sử dụng với 8 ngôn
ngữ khác nhau như tiếng Anh, Pháp, Đức, Nhật, Hàn Quốc, Philipin, Tây Ban Nha,
Trung Quốc.




Hình 1.2 Phiên dịch viên Jibbigo


Nhận dạng biển số xe: sẽ được giới thiệu tại Chương III
Đồ Án Tốt Nghiệp
10
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50

TH

GVHD: Th.S Vũ Anh Dũng








1.2 - Không gian biểu diễn đối tượng, không gian diễn dịch.


1.2.1 Không gian biểu diễn đối tượng

Các đối tượng khi quan sát hay thu nhập được thường được biểu diễn bởi tập
các đặc trưng hay đặc tính. Như trong trường hợp xử lý ảnh, ảnh sau khi được tăng
cường để nâng cao chất lượng, phân vùng và trích chọn đặc tính, .được biểu diễn bởi
các đặc trưng như biên , miền đồng nhất…. Người ta thường phân các đặc trưng này
theo các loại như: đặc trưng tô pô (tập điểm), đặc trưng hình học và đặc trưng chức
năng. Việc biểu diễn ảnh theo đặc trưng nào còn phụ thuộc vào ứng dựng tiếp theo.

Ví dụ : giả sử đối tường X (ảnh, chữ viết, dấu vân tay,…) được biểu diễn bởi n
thành phần đặc trưng: X={x
1
,x
2
….,x
n

}; mỗi x
i
biểu diễn một đặc tính. Không gian biểu
diễn đối tượng thường gọi tắt là không gian đối tượng A được định nghĩa:

A={X
1
,X
2
……,X
m
}


Trong đó mỗi X
i
biểu diễn một đối tượng. Không gian này có thể là vô hạn.

nhưng để tiện xem xét thì ta chỉ xét tập hữu
hạn.



1.2.2 Không gian diễn dịch.

Không gian diễn dịch là tập các tên gọi của đối tượng. Kết thúc quá trình nhận
dạng ta xác định được tên gọi cho các đối tượng trong tập không gian đối tượng hay
nói là đã nhận dạng được đối tượng.

Một hình thức gọi là Ω là tập tên đối tượng:



Ω ={ w
1
,w
2
,….w
k
} với w
i
, i= 1,2,….k là tên các đối tượng


Quá trình nhận dạng đối tượng f là một ánh xa f: A Ω với f là tập các quy luật
để định một phần tử trong A ứng với một phần tử trong Ω. Nếu tập các quy luật và tập
tên các đối tượng là biết trước như trong nhận dạng chữ viết có ( có 26 lớp từ AZ),
Đồ Án Tốt Nghiệp
11
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng









người ta gọi là nhận dạng có thầy. Trường hợp hai là nhận dạng không có thày ( trường
hợp này khó khăn hơn).

1.3 - Mô hình và bản chất của quá trình nhận dạng.


1.3.1 Mô hình.

Việc chọn lựa một quá trình nhận dạng có liên quan mật thiết đến kiểu mô tả mà
người ta sử dụng để đặc tả đối tượng. Trong nhận dạng, người ta phân chia theo hai họ
lớp:

- Họ mô tả theo tham số.


- Họ mô tả theo cấu trúc.


Cách mô tả được lựa chọn sẽ xác định mô hình của đối tượng. Như vậy, chúng
sẽ có 2 loại mô hình: mô hình theo tham số và mô hình cấu trúc.

a. Mô hình tham số.

Mô hình tham số sử dụng một vector để đặc đối tương. Mỗi phần tử củavector
mô tả một đặc tính của đối tượng. Vì dụ: như trong các đặc trưng chức năng, người ta
sử dụng các hàm cơ sở trực giao để biểu diện. Và như vậy ảnh sẽ được biểu diễn bởi
một chuổi các hàm trực giao. Giả sử C là đường bao của ảnh C(i,j) là điểm thứ i trên
đường bao, i= 1,2…,n ( đường bao gồm n điểm).


Giả sử
x
0
=

y
0
=


là tọa độ điểm. Như vậy, moment trung tâm bậc p,q của đường bao là :



Đồ Án Tốt Nghiệp
12
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng








vector tham số trong trường hợp này chính là các moment µ

ij
với i=1,2,….,p và j =

1,2,…,q. Còn trong số các đặc trưng hình học, người ta hay sử dụng chu tuyến, đường
bao, diện tích và tỉ lệ T=4πS/p
2
với S là diện tích, p là chu tuyến.

Việc chọn phương pháp biểu diễn sẽ làm đơn giản cách xây dựng. Tuy nhiên, việc
lựa chọn đặc trưng nào là hoàn toàn phụ thuộc vào ứng dụng.

b. Mô hình cấu trúc.

Cách tiếp cận của mô hình này dựa vào việc mô tả đối tượng nhờ một số khái niệm
biểu thị các đối tượng cơ sở trong ngôn ngữ tự nhiên. Để mô tả đối tượng, người ta
dùng một số dạng nguyên thủy như đoạn thẳng, cung …. Chẳng hạn một hình chữ nhật
được định nghĩa gồm 4 đoạng thẳng vuông góc với nhau từng đôi một. Trong mô hình
này người ta sử dụng một bộ kí hiệu kết thúc V
t
, một bộ kí hiệu không kết thúc gọi là
V
n
. Ngoài ra còn dùng một tập các luật sản xuất để mô tả cách xây dựng các đối tượng
phù hợp dựa trên các đối tượng đơn giản hơn hoặc đối tượng nguyên thủy. Trong cách
tiếp cận này, ta chấp nhận một khẳng định là: cấu trúc là kết quả của việc áp dụng luật
sản xuất theo những nguyên tắc xác định bắt đầu từ một dạng gốc bắt đầu. Một cách
hình thức, ta có thể coi mô hình này tương đương một văn phạm G=(V
t
,V
n

,P,S) với :

-V
t
là bộ kí hiệu kết thúc,


-V
n
là bộ ký hiệu không kết thúc,


-P là luật sản xuất,


-S là dạng ( ký hiệu bắt đầu).


1.3.2 Bản chất của quá trình nhận dạng.

Quá trình nhận dạng gồm 3 giai đoạn chính:


- Lựa chọn mô hình biểu diễn đối tượng.
Đồ Án Tốt Nghiệp
13
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH


GVHD: Th.S Vũ Anh Dũng








- Lựa chọn luật ra quyết định (phương pháp nhận dạng) và suy diễn quá trình học.

- Học nhận dạng.


Khi mô hình biểu diễn đối tượng đã được xác định, có thể là định lượng ( mô hình
tham số) hay định tính ( mô hình cấu trúc), quá trình nhận dạng chuyển sang giai đoạn
học. Học là giai đoạn quan trọng. Thao tác học nhằm cải thiện, điểu chỉnh việc phân
hoạch tập đối tượng thành lớp.

Việc nhận dạng chính là tìm ra quy luật và các thuật toán để có thể gán đối tượng
vào một lớp hay nói một cách khác gán cho đối tượng một tên.

a. Học có thầy ( supervised learning)

Kỹ thuật phân loại nhờ kiến thức biết trước gọi là học có thầy. Đặc điểm cơ bản của
kỹ thuật này là người ta có một thư viện các mẫu chuẩn. Mẫu cần nhận dạng sẽ được
đem so sánh với mẫu chuẩn để xem nó thuộc loại nào. Ví dụ như trong một ảnh viễn
thám, người ta muốn phân biệt một cách đồng lúa, một cánh rừng hay một vùng đất
hoang mà đã có miêu tả về đối tượng đó. Vấn đề chủ yếu là thiết kế một hệ thống để có
thể đối sánh đối tượng trong ảnh với mẫu chuẩn và quyết định gán cho chúng vào một

lớp. Việc đối sánh nhờ vào các thủ tục ra quyết định dựa trên một công cụ gọi là hàm
phân lớp hay hàm ra quyết định.

b. Học không có thầy( non supervised learning)

Kỹ thuật này phải tự định ra cách lớp khác nhau và xác định các tham số đặc
trưng cho từng lớp. Học không có thầy khó khăn hơn. Một mặt, do số lớp không được
biết trước, mặt khác những đặc trưng của lớp cũng không biết trước. Kỹ thuật này
nhằm tiến hành mọi cách gộp nhóm có thể và chọn lựa cách tốt nhất. Bắt đầu từ tập dữ
liệu, nhiều thủ tực xử lý khác nhau nhằm phân lớp và nâng cấp dần để đạt được một
phương án phân loại.
Đồ Án Tốt Nghiệp
14
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng








Nhin chung, một hệ thống nhận dạng có thể tóm tắt sơ đồ sau.






Hình 1.3 Sơ đồ tổng quan một hệ nhận dạng.
Đồ Án Tốt Nghiệp
15
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng








CHƯƠNG 2. Xử lý ảnh và openCV

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” (theo ý muốn) hoặc một kết luận.




Hình 2.1 Quá trình xử lý ảnh.



Ảnh có thể xem là tập hợp các điểm ảnh và mỗi điểm ảnh được xem là đặc trưng
cường độ sáng hay một dấu hiệu nào đó tại một vị trí nào đó của đối tượng trong không
gian và có thể xem như hàm n biến . Do đó ảnh trong xử lý ảnh có thể xem như ảnh n
chiều.

Sơ đồ tổng quát của hệ thống xử lý ảnh:





Hình 2.2 Các bước cơ bản trong hệ thống xử lý ảnh


Và ở chương này chung ta sẽ được biết OpenCV hỗ trợ gì cho những bước xử lý
ảnh. Tiếp sau em sẽ giới thiệu các bước xử lý và OpenCV hỗ trợ xử lý ảnh như thế nào
(cung cấp thư viện gì).
Đồ Án Tốt Nghiệp
16
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng













Tiền xử lý


Các thao tác xử lý trên ảnh để chuẩn bị cho những bước phân tích tiếp theo.
Chẳng hạn như các thao tác: chọn ngưỡng để chuyển ảnh đa cấp xám, ảnh màu về dạng
nhị phân, giảm nhiễu để loại bỏ những dữ diệu không liên quan, phân đoạn để phân
tách cách thành phần trong ảnh và cuối cùng là làm mảnh hay dò biên để đễ dàng xác
định các vùng, các đặc trưng thích hợp và đối tượng cần quan tâm.

2.2 - Xử lý nhị phân

Mức xám là giá trị có thể có của điểm ảnh.

Với những ảnh đa cấp xám các thông tin đã sẵn ở dạng nhị phân chẳng hạn như các
chuỗi văn bản hay các đối tượng ảnh, thì phương pháp nhị phân thông thường sẽ được
thực hiện trước. Mục đích của phương pháp này sẽ tự động chọn một ngưỡng cần thiết
để tách ảnh ra làm hai phần: thông tin ảnh và thông tin nền. Việc chọn ngưỡng tốt
(ngưỡng mà có thể tách ảnh thành hai phần: phần ảnh, phần nền một cách chính xác)
luôn là một quá trình khó và dễ gây ra lỗi.















(a) (b)


Hình 2.3 (a) ngưỡng 40,(b) ngưỡng 121


Kết quả này sẽ gặp khó khăn khi độ tương phản giữa nền và các giá trị điểm ảnh là
thấp (chẳng hạn như xe màu xám nền mầu trắng), nét của văn bản mỏng hoặc dữ liệu
không được chiếu sáng tốt.
Đồ Án Tốt Nghiệp
17
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng









Để thực hiện việc tách ngưỡng này thì OpenCV cung cấp chức năng threshold.


threshold( src_gray, dst, threshold_value,
max_BINARY_value,threshold_type
);


 src_gray: hình ảnh đầu vào.

 dst: hình ảnh đầu ra.

 threshold_value: giá trị thực hiện tách ngưỡng.

 max_BINARY_value: giá trị thực hiện tách ngưỡng nhị phân.

 threshold_type: một trong 5 ngưỡng hoạt động




5 ngưỡng hoạt động OpenCV cung cấp:

a. Threshold Binary: nếu giá trị các điểm ảnh cao hơn giá trị ngưỡng thì được thiết
lập giá trị mới là giá trị cao nhất (255), thấp hơn giá trị các điểm ảnh về mức 0;



b. Threshold binaru, inverted: ngược với Threshold Binary



c. Truncate: giá trị các điểm ảnh cao hơn giá trị ngượng sẽ bị thay đổi bằng giá trị
ngưỡng, thấp hơn giữ nguyên.
Đồ Án Tốt Nghiệp
18
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng










d. Threshold to Zero: giá trị các điểm ảnh cao hơn giá trị ngưỡng sẽ được giữ lại
còn các điểm ảnh có giá trị thấp hơn giá trị ngưỡng sẽ đưa về giá trị 0.


e. Threshold to Zero, inverted : Ngược lại với Threshold to Zero.





2.3 - Giảm nhiễu.


Nhiễu trong ảnh là do nhiều nguyên nhân bao gồm: sự thoái hóa theo thời gian,
quá trình sao chép. Một số kỹ thuật xử lý ảnh sẽ được áp dụng để loại bỏ nhiễu. Sau
khi được nhị phân hóa, ảnh sẽ được lọc để giảm nhiễu. Trên thực thế tồn tại nhiều
loại nhiễu, tuy nhiên người ta thường xem xét 3 loại chính: nhiễu cộng, nhiễu nhân
và nhiễu xung. Chúng xuất hiện những điểm ảnh khác biệt so với vùng xung quanh.
Bản chất của nhiễu là thường tương ứng với tần số cao và cơ sở lý thuyết của các
bộ lọc là chỉ cho những tín hiệu có tần số nào đó thông qua, do đó để lọc nhiệu
người ta thường sử dụng bộ lọc thông thấp hay trung bình. Với nhiễu cộng và nhiễu
Đồ Án Tốt Nghiệp
19
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng




1

1

1




1







1

1

1






.

.

.



1





.

.

.



1





1

1



1












nhân ta dùng các bộ lọc thông thấp, trung bình; với nhiễu xung ta dùng lọc trung vị
giả trung bị.
Trong lọc trung bình, người ta ưu tiên cho các hướng để bảo vệ biên của ảnh
khởi bị mờ khi làm trơn ảnh. Các kiệu mặt nà được sử dụng tùy theo các các trường
hợp khác nhau. Các bộ lọc trên là bộ lọc tuyến tính theo nghĩa là điểm ở tâm cửa sổ
sẽ được thay bởi tổ hợp các điểm lân cận chập với mặt nạ. Lọc thông thấp thường
dùng để làm trơn nhiễu.
Các bộ lọc phi tuyến cũng được dùng trong kỹ thuật tăng cường ảnh. Trong kỹ
thuật này người ta dùng bộ lọc trung vị, bộ lọc giả trung vị. Với bộ lọc trung vị các
điểm ảnh sẽ được thay thế bởi trung vị các điệm ảnh, bộ lọc giả trung vị thì các điểm
ảnh được thay thế bỏi trung bình cộng của giá trị “trung vi.”.
Sau đây là một số bộ lọc thường dùng.


2.3.1 Bộ lọc hộp thông thường (Normalized Box filter).

Đây là bộ lọc đơn giản nhất.

Mỗi điểm đầu ra là trung bình của các điểm láng giềng hạt nhân của mình (tất cả các
điểm xung quanh đóng góp với trọng lượng bằng nhau.



1




K 
1

K
wid th
 K
Heig
h
t






OpenCv cung cấp các chức năng blur để thực hiện giảm nhiễu với bộ lọc này.

Blur(src,dst,size(i,i),point(-1,-1))

 src: ảnh nguồn

 dst: ảnh ra

 size(w,h) : xác định kích thước của hạt nhân sẽ được sử dụng ( chiều
Đồ Án Tốt Nghiệp
20
Khoa Công Nghệ Thông Tin

SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng








rộng w pixel và chiều cao h pixels.

 Point(-1,-1) chỉ các điểm có vị trí hàng xóm.








Hình 2.4 Sử dụng bộ lọc hộp thông thường.


2.3.2 Bộ lọc gaussian (Gaussian Filter).


Đây là bộ lọc hữu ích nhất (mặc dù không phải là nhanh nhất).

Nó được thực hiện bởi chức năng GaussianBlur trong OpenCV.
gaussianBlur(src,dst,size(i,i),0,0)
 src: hình ảnh nguồn

 dst: hình ảnh đầu ra.

 size(w,h). kích thước của hạt nhân sẽ được sử dụng. w và h phải là số
lẻ và tích cự nếu không kích thước sẽ được tính bằng cách sử dụng đối
số σ
x
và σ
y.

 σ
x
độ lệch chuẩn trong x. Viết 0 ngụ ý rằng độ lệch được tính bằng các


sử dụng kích thước hạt nhân.
Đồ Án Tốt Nghiệp
21
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng









 σ
y
độ lệch chuẩn y.








Hình 2.5 sử dụng bộ lọc Gaussian


2.3.3 Bộ lọc Median (Median Filter):


Các bộ lọc trung bình chạy qua từng phần tử của tín hiệu và thay thế mỗi điểm
ảnh với trung bình của các điểm anh lân cận nó.

Bộ lọc này được cung cấp bởi các chức năng medianBlur trong thư viện

OpenCV.


medianBlur (src,dst,i);


 src: ảnh nguồn.

 dst: ảnh đầu ra ( có kích thước giống như src)

 i: kích thước của hạt nhân ( i phải lẻ).
Đồ Án Tốt Nghiệp
22
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng











Hình 2.6 sử dụng bộ lọc Median


2.3.4 Bộ lọc song phương (Bilateral filter).



Hầu hết các bộ lọc có mục tiêu chính là làm mịn hình ảnh đầu vào. Tuy nhiên
các bộ lọc không chỉ giảm nhiễu mà còn làm mờ các cạnh. Để tránh điếu này chúng ta
xử dụng bộ lọc song phương. Và OpenCV cung cấp chức năng bilateralFilter.

bilateralFilter(src,dst,i,i*2,i/2);

 src: ảnh nguồn

 dst: ảnh đầu ra

 d: đường kính của vùng lân cận điểm ảnh.

 σ
color
: độ lệch chuẩn trong không gian màu.

 σ
Space
: độ lệch chuẩn trong khoảng tọa độ.
Đồ Án Tốt Nghiệp
23
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng
















Hình 2.7 sử dụng bộ lọc song
phương



2.3.5 Filter2D


Ngoài những bộ lọc thông dụng như trên thì thư viện OpenCV còn cung cấp bộ lọc mà
chúng ta có thể thay đổi kích thước hạt nhân. Đó là filter2D.

Filter2D(src, dst, ddepth, kernel, anchor, delta,
BORDER_DEFAULT)


 Src: ảnh nguồn.

 Dst: ảnh đầu ra.


 Ddepth: độ sâu của dst. Giá trị -1 là chỉ ra độ sâu như nguồn,

 Kernel: hạt nhân

 Anchor: vị trí liên quan đến hạt nhân của nó.

 Delta: giá trị được thêm vào mỗi điểm ảnh. Mặc định bằng 0

 BORDER_DEFAULT: giá trị mặc định
Đồ Án Tốt Nghiệp
24
Khoa Công Nghệ Thông Tin
SV: Phạm Thế Tài – Lớp S11-50
TH

GVHD: Th.S Vũ Anh Dũng











Hình 2.8 filter2D nhân thay đổi tăng dần từ trái qua phải.



2.4 - Biên và các phương pháp tìm biên.


2.4.1 Khái niệm về biên:


Biên là một vấn đề chủ yếu trong phân tích ảnh vì kỹ thuật phân đoạn chủ yếu
dựa vào biên. Một điểm ảnh có thể coi là điểm biên nếu có sự thay đổi đột ngột và mức
xám hay biên là điểm có cấp xám có giái trị khác hẳn các điểm xung quanh, tập hợp
các điểm biên tạo thành biên hay đường bao của ảnh.
Sau đây tôi sẽ giới thiệu một số phương pháp tìm biên mà thư viện OpenCV hỗ
trợ rất tốt.

2.4.2 Phương pháp Gradient.


Dựa vào cực đại hóa của đạo hàm. Theo định nghĩa, gradient là viector có các
thành phần biểu thị tốc độ thay đổi giá trị của điểm ảnh theo hai hướng x và hướng
y. Các thành phần của Gradient được tính bởi:

f ( x, y)



x


f ( x, y)




y

f '
x




f '
y



f ( x  dx, y)  f ( x,
y
)
dx

f ( x, y  dy)  f ( x, y)
dx



Trong đó dx, dy là khoảng cách giữa hai điểm kế cận theo hướng x,y tương ứng
(thực tế chọn dx=dy=1). Đây là phương pháp dựa trên đạo hàm riêng bậc nhất theo
hướng x,y.

×