Luận văn thạc sĩ công nghệ thông tin Nghiên cứu và xây dựng bộ lọc ảnh thông qua phân loại ảnh kết hợp với gom cụm

B GIÁO DC VÀ ÀO TO
TRNG I HC LC HNG
***



NGUYN C NNG




NGHIÊN CU VÀ XÂY DNG B LC NH THÔNG
QUA PHÂN LOI NH KT HP VI GOM CM



LUN VN THC S CÔNG NGH THÔNG TIN








ng Nai, 2013


B GIÁO DC VÀ ÀO TO
TRNG I HC LC HNG

***


NGUYN C NNG



NGHIÊN CU VÀ XÂY DNG B LC NH THÔNG
QUA PHÂN LOI NH KT HP VI GOM CM


Chuyên ngành: CÔNG NGH THÔNG TIN
Mã s: 60.48.02.01



LUN VN THC S CÔNG NGH THÔNG TIN


NGI HNG DN KHOA HC
TS PHM TRN V


ng Nai, 2013


I
LI CAM OAN
Tôi xin cam đoan đây là công trình nghiên cu ca bn thân. Các s liu,
kt qu trình bày trong lun vn này là trung thc. Nhng t liu đc s dng

trong lun vn có ngun gc và trích dn rõ ràng, đy đ.

Hc viên


Nguyn c Nng



II
LI CM N
Tôi xin bày t lòng bit n sâu sc đn TS Phm Trn V đã hng dn
nhit tình, tn tâm trong sut quá trình tôi thc hin lun vn này.
Tôi xin chân thành cm n Quý thy cô trong Khoa Công ngh thông tin
trng i hc Lc Hng đã to điu kin thun li cho tôi trong sut thi gian
hc tp và nghiên cu ti trng.
Tôi cng xin chân thành cm n Quý thy cô ngoài trng đã tn tâm dy
bo tôi trong sut quá trình hc tp và giúp đ tôi trong quá trình nghiên cu.
Xin chân thành cm n nhng ngi thân trong gia đình, cùng các anh ch
em, bn bè, đng nghip đã giúp đ, đng viên tôi trong quá trình thc hin và
hoàn thành lun vn này.

ng Nai, ngày 12 tháng 12 nm 2012
Hc viên


Nguyn c Nng
III
MC LC
LI CAM OAN I

LI CM N II
MC LC III
DANH MC HÌNH VI
DANH MC BNG VIII
DANH MC CÁC T VIT TT IX
M U 1
CHNG 1: TNG QUAN V PHÂN LOI HÌNH NH. 4
1.1. Tng quan v phân loi hình nh. 4
1.1.1. Gii thiu v bài toán phân loi. 4
1.1.2. Tng quan. 4
1.2. Quy trình phân loi nh. 9
CHNG 2: CÁC PHNG PHÁP TRÍCH CHN C TRNG VÀ 
O TNG NG GIA CÁC NH. 10

2.1. Harris. 10
2.2. SIFT (Scale Invarian Feature Transform) 12
2.2.1. Phát hin cc tr. 12
2.2.2. nh v chính xác đim khóa 15
2.2.3. Gán hng cho các đim khóa 18
2.2.4. Xây dng b mô t cc b 19
2.3. Harris-Laplace 21
2.3.1. Không gian t l 21
2.3.2. Hàm Harris thích nghi t l 24
2.3.3. S la chn t l t đng 25
2.3.4. Thut toán phát hin đim bt đng 26
2.4. Harris-Affine 28
2.4.1. Mc tiêu 29
2.4.2. Ma trn Moment cp hai Affine 29
2.4.3. K thut phát hin đim bt đng 33
IV

2.5. Phng pháp SURF (Speed Up Robust Feature) 39
2.5.1. nh tích hp (integral image) 40
2.5.2. Phát hin Fast-Hessian: 40
2.5.3. S biu din không gian t l: 42
2.5.4. nh v đim quan tâm 43
2.5.5. B mô t đim quan tâm và so khp 44
2.6. So sánh - Kt lun 49
2.7. La chn đc trng. 51
CHNG 3: CÁC PHNG PHÁP PHÂN LOI NH. 55
3.1. Tng quan. 55
3.2. Các phng pháp phân loi nh. 57
3.2.1. Phng pháp phân loi K-Means. (tham kho web) 57
3.2.2. Phng pháp pháp Naïve Bayes (NB). 62
3.2.3. Phng pháp Support Vector Machine (SVM) 64
3.2.4. Phng pháp K-Nearest Neighbor (KNN) 65
3.2.5. Phng pháp Linear Least Square Fit (LLSF) 66
3.2.6. Phng pháp Centroid – based vector 67
3.2.7. Kt lun 68
CHNG 4: NG DNG C TRNG BT BIN KT HP K-MEAN
TRONG PHÂN LOI NH. 69

4.1. Bài toán phân loi nh 69
4.1.1. Mô hình bài toán phân loi nh 70
4.1.2. Thut toán s dng: 70
4.2. Hin thc bài toán 73
4.2.1. Môi trng 73
4.1.2. Công c s dng 73
4.1.3. D liu 74
4.1.4. Chng trình 74
4.1.5. ánh giá. 77

KT LUN VÀ KIN NGH. 80
V



VI
DANH MC HÌNH
Hinh 1.1: Quy trình hun luyn nh. 9
Hình 1.2: Quy trình kim th nh. 9
Hình 2.1. Mô phng vic tính toán các DoG nh t các nh k m 13
Hình 2.2: Mi đim nh đc so sánh vi 26 láng ging ca nó 14
Hình 2.3. Các giai đon la chn các đim khóa. 16
Hình 2.4. B mô t đim khóa 19
Hình 2.5. Mt th hin đa t l ca mt tín hiu 22
Hình 2.6. Các mc khác nhau trong mt th hin không gian t l 23
Hình 2.7. Ví d v các t l đc trng 26
Hình 2.8. Phát hin đim quan tâm bt bin t l 28
Hình 2.9. im quan tâm bt bin t l trong các nh b bin đi affine . 30
Hình 2.10. Biu đ gii thích phép chun hóa affine 32
Hình 2.11. Phát hin lp li ca mt đim quan tâm bt bin affine 37
Hình 2.12. Phát hin đim quan tâm bt bin affine 39
Hình 2.13: T trái sang phi: đo hàm riêng bc hai ca hàm Gaussian 41
Hình 2.14: Thay vì lp li vic gim kích c nh (bên trái), vic s dng
nh tích hp cho phép tng t l lc vi giá tr không đi (bên phi).
42
Hình 2.15: Biu đ t l phát hin. S lng đim quan tâm đc phát
hin trên mi octave phân rã nhanh chóng 43

Hình 2.16: Nhng đim quan tâm đc phát hin trên mt cánh đng hoa
hng dng. 44

Hình 2.17: Phép lc Haar wavelet đ tính toán đc trng  x (bên trái) và
y hng (bên phi). Vùng đen có trng s -1 và vùng trng có trng s +1 45

Hình 2.18: Gán hng: mt ca s dch hng ca kích thc 3 phát
hin hng tri ca các đc trng Haar wavelet có trng s Gaussian  mi
đim mu trong vòng tròn láng ging quanh đim quan tâm. 46

Hình 2.19: Chi tit ca nh Graffiti th hin kích thc ca ca s b mô
t hng  các t l khác nhau. 46

Hình 2.20:  xây dng b mô t, mt khung li hng bc hai vi 4x4
vùng con hình vuông đc đt trên các đim quan tâm (bên trái).  mi hình
vuông đc trng wavelet đc tính toán. S chia nh 2x2 ca mi hình vuông
tng ng vi các trng thc ca b mô t. Nhng cái này là tng ca dx, dy,
|dx| và |dy|, tính toán tng đi hng ca li (bên phi). 47

Hình 2.21. Các mc mô t ca min con đi din cho tính cht ca mu
cng đ c bn. Hình trái: trong trng hp ca mt min con đng nht, tt
c các giá tr là tng đi thp. Hình gia: s có mt ca tn s trong x hng,
VII
giá tr ca  là cao, nhng tt c các trng hp khác vn thp. Nu cng đ
tng dn theo x hng, c  và  đu cao. 48

Hình 2.22: Nu đ tng phn gia hai đim quan tâm khác nhau (ti trên
nn sáng vi sáng trên nn ti), ng viên s không đc xem là so khp có giá
tr. 49
Hình 2.24: So sánh v góc nhìn (Bên trái). nh so sánh (bên phi) 50
Hình 2.25: So sánh v cng đ sáng (Bên trái). nh so sánh (bên phi) 50
Hình 2.26: So sánh v t l (Bên trái). nh so sánh (bên phi) 51

Hình 3.1: Mô hình SVM 64
Hình 4.1. Ví d v bài toán phân loi nh 69
Hình 4.2. S đ chc nng nhn dng đi tng 70
Hình 4.3: Phng pháp SURF 71
Hình 4.4: Phng pháp Hessian-Laplace 71
Hình 4.4: Phng pháp SIFT 72
Hình 4.5: giao din chng trình. 74
Hình 4.6: Công đon rút trích đc trng. 75
Hình 4.7: mt phn góc nhìn ca tp đc trng. 75
Hình 4.8: Công đon phân cm các đc trng. 76
Hình 4.9: Sau khi phân thành 2 cm. 76
Hình 4.10: c trng nhóm 1 (class1.lhu). 77
Hình 4.11: Kt qu kim th. 77



VIII
DANH MC BNG
Bng 2.1: Mt s phng pháp la chn đc trng. 52
Bng 4.1: Bng so sánh kt qu các phng pháp 72
Bng 4.2: Môi trng thc nghim 73
Bng 4.3: Công c mã ngun m s dng 73
Bng 4.4: 4 nhóm nh và s lng mu dùng trong thc nghim. 78
Bng 4.5: Kt qu kim chng sau khi chy chng trình. 79
Bng 4.6: Xác sut ca chng trình. 79



IX
DANH MC CÁC T VIT TT

T vit tt Ý nghĩa
KNN
K-Nearest Neighbor
LDA
Latent Drichlet Allocation
LLSF
Linear Least Square Fit
MM
Maximum Matching
NB
Naïve Bayes
SVM
Support Vector Machine
TF
Term Frequency
ROI

Regions Of Interest

SIFT Scale-invariant feature transform
SURF Speeded-up Robust Features
BAN Bayesian Networks Augmented Naive Bayes
NBC Naive Bayes Classifiers
PCA Principal Components Analysis
JSD Jensen-Shannon divergence
DoG difference-of-Gaussian
BDA biased Discriminant analysis
MDA Mutiple Discriminant analysis
DA Discriminant analysis

SMMS
symmetric maximized minimal distance in
subspace
CBIR Content-based image retrieval
BOF Bags of Features
X
BOW Bags of Words
CLDA Constrained linear discriminant analysis
VQ Vector-Quantization


1
M U
Trong nhng nm gn đây, s phát trin vt bc ca Công ngh thông tin đã
làm tng s lng giao dch thông tin trên mng Internet mt cách đáng k đc bit là
th vin đin t, tin tc đin t, hình nh, … Do đó mà s lng vn bn cng nh
hình nh xut hin trên mng Internet cng tng vi mt tc đ chóng mt, và tc đ
thay đi thông tin là cc k nhanh chóng. Vi s lng thông tin đ s nh vy, mt
yêu cu ln đt ra là làm sao t chc và tìm kim thông tin, d liu có hiu qu nht.
Bài toán phân lp là mt trong nhng gii pháp hp lý cho yêu cu trên. Nhng mt
thc t là khi lng thông tin quá ln, vic phân lp d liu th công là điu không
th. Hng gii quyt là mt chng trình máy tính t đng phân lp các thông tin
d liu trên.
Trong các loi d liu thì hình nh là loi d liu ph bin mà con ngi
thng gp phi. Chính vì l đó mà hãng Google đã đa thêm chc nng tìm kim
hình nh vào th vin chc nng ca mình, các công c tìm kim hình nh ngày
càng tng lên. Nhm tng s lng truy cp, h đã không ngng phát trin module
tìm kim hình nh cng nh các module khác ca mình. Vy h đã làm ra sao vi
khi lng hình nh đ s đn nh vy ?. Mô hình biu din hình nh ph bin
hin nay là mô hình không gian vector, trong đó mi hình nh đc biu din bng

mt vector ca các đim đc trng (keypoint). Tuy nhiên bài toán khai phá d liu
hình nh thng gp phi mt s khó khn nh tính nhiu chiu ca nh, đ nhiu
ca nh, đ bin dng … ng thi, khi x lý các bài toán phân lp t đng thì
cng gp phi mt s khó khn là đ xây dng đc b phân lp có đ tin cy cao
đòi hi phi có mt lng các mu d liu hun luyn tc là các hình nh đã đc
gán nhãn ch đ lp tng ng. Các d liu hun luyn này thng rt him và đt
vì đi hi thi gian và công sc ca con ngi. Do vy, cn phi có h thng x lý
hình nh hiu qu và mt phng pháp hc không cn nhiu d liu đc phân loi
và có kh nng tn dng đc các ngun d liu cha phân loi rt phong phú nh
hin nay. Nhn thy đây là lnh vc mang tính khoa hc cao, ng dng rt nhiu
trong các bài toán thc t ví d nh: ng dng lc ni dung nh, bài toán phân lp
2
sau tìm kim, … Tác gi quyt đnh chn đ tài “Nghiên cu và xây dng b lc
nh thông qua phân loi nh kt hp vi gom cm.” là mt vic làm không ch
có ý ngha khoa hc, mà còn mang tính thc tin.
Trong lun vn s trình bày mt s thut toán phân lp tiêu biu và đa ra
hng thc nghim cho h thng phân lp.
Lun vn áp dng phân tích thành phn đc trng bt bin ca tm nh c th
là thut toán Scale-invariant feature transform (SIFT) phc v cho vic tin hành
rút ly nhng đc trng bt bin ca nh sau đó dùng gii thut clustering đ tin
hành phân lp. Thc nghim cho thy đ chính xác tng đi, phù hp đ áp dng
vào h thng phân lp t đng.
Mc tiêu ca lun vn:
- Nghiên cu các k thut x lý hình nh đ ly ra đc các vector đc trng.
- Nghiên cu các phng pháp gom cm d liu đin hình là K-Means nhm
mc đích phân nhóm các đc trng thành các nhóm riêng l.
- Xây dng ng dng hin thc cho vic phân loi nh vào các nhóm nh theo
ni dung.
- ánh giá và đa ra kin ngh cho đ tài.
i tng nghiên cu: Các tp tin hình nh.

Phm vi nghiên cu: Phân loi hình nh vào các th loi tng ng vi ni
dung tm nh. Trong khuôn kh lun vn các th loi đc nghiên cu x lý còn ít
cha đc phong phú.
Nhng vn đ cn gii quyt trong phm vi lun vn:
- Tìm hiu tng quan v vn đ cn nghiên cu.
- Tìm hiu cách thc tng tác vi tp tin nh đ rút ra đc trng.
- Tìm hiu các gii thut clustering.
- Xây dng b d liu
dùng đ hun luyn máy.
- Xây dng quy trình phân loi nh.
- Hin thc quy trình phân loi nh.
B cc trình bày ca lun vn:
Chng 1: Gii thiu tng quan v bài toán phân loi nh và đa ra quy trình
phân loi.
3
Chng 2: Trình bày các phng pháp trích chn đc trng và đ đo tng
đng gia các nh
đ phc v cho bài toán.
Chng 3: Trình bày
các phng pháp phân loi nh.
Chng 4:
Thc nghim và đánh giá chng trình.
Kt lun nhng đim chính, ch ra nhng đim cn khc phc đng thi đt
ra hng phát trin.


4
CHNG 1: TNG QUAN V PHÂN LOI HÌNH NH.
1.1. Tng quan v phân loi hình nh.
1.1.1. Gii thiu v bài toán phân loi.

Phân loi hình nh là mt trong nhiu lnh vc đc chú ý nht và đã đc
nghiên cu trong nhng nm gn đây.
Phân loi hình nh (hay Image Classification hoc Image Categorization)
là quá trình gán các nh vào mt hay nhiu lp nh đã đc xác đnh t trc.
Ngi ta có th phân loi nh bng cách th công, tc là nhìn vào ni dung tm
nh sau đó gán chúng vào mt hay nhiu lp c th nào đó. H thng qun lý tp
tin nh gm nhiu nh cho nên vic làm này s tn rt nhiu thi gian, công sc
và do đó là không kh thi. Do vy mà phi có các phng pháp phân loi t
đng.  phân loi t đng, ngi ta s dng các phng pháp máy hc trong trí
tu nhân to nh cây quyt đnh, Naïve Bayes, K láng ging gn nht, gii thut
clustering, …
Mt trong nhng ng dng quan trng nht ca phân loi nh t đng là
ng dng trong các h thng tìm kim nh. T mt tp con các nh đã phân lp
sn, tt c các nh trong min tìm kim s đc x lý rút ra nhng vector đc
trng sau đó đc đa qua clustering đ hình thành các nhóm đc trng và đc
gán nhãn lp tng ng.
Mt ng dng khác ca phân loi nh là trong lnh vc hiu nh. Phân loi
nh có th đc s dng đ nhóm các nh vào các nhóm mà ni dung tm nh đ
cp. Bt lun tm nh có b xoay, co giãn, hay nói cách khác là hình nh có b
nhiu.
Trong phân loi nh, s tng ng gia mt nh vi mt lp hoc thông
qua vic gán giá tr đúng sai (True – nh thuc lp, hay False – nh không thuc
lp) hoc thông qua mt đ ph thuc (đo đ ph thuc ca nh vào lp). Trong
trng hp có nhiu lp thì phân loi đúng sai s là vic xem mt nh có thuc
vào mt lp duy nht nào đó hay không.
1.1.2. Tng quan.
X lý nh, phân loi nh trong nhng nm gn đây là lnh vc đang đc
gii khoa hc quan tâm không nhng trong nc mà còn ngoài nc. Các công
trình liên quan đn vn đ x lý nh đc bit là phân loi nh đã đc công b
nh sau:

5
Ngoài nc:
•  tài “ Beyond Bags of Features: Spatial Pyramid Matching for
Recognizing Natural Scene Categories” ca đng tác gi Svetlana
Lazebnik, Cordelia Schmid, Jean Ponce. [2]
Trong đ tài này tác gi đa ra phng pháp xác đnh loi quang
cnh da vào đ xp x hình hc toàn cc. Trong nhng nm gn thì các
công trình nghiên cu đã đa ra các khái nim v đc trng cc b và đc
trng toàn cc nhng vic tính toán trên các đc trng này còn gp rt
nhiu hn ch vì lý do có rt nhiu đc trng trong mt bc nh khin cho
vic tính toán tr nên phc tp và hao tn nhiu tài nguyên h thng.
Chính vì l đó mà các tác gi trong đ tài [2] đã nghiên cu và đa ra khái
nim Bags of Features hay Bags of Words (BOF hay BOW) nhm mc
đích gim thiu thi gian tính toán cho h thng.
• Bài báo “Boosting Image Classification with LDA-based Feature
Combination for Digital Photograph Management” ca đng tác gi
Xuezheng Liu, Lei Zhang, Mingjing Li, Hongjiang Zhang, Dingxing
Wang. [3]
ã có s dng thut toán LDA đ gán tên lp cho nhng thuc tính
mà đã rút ra đc. LDA – SVM thng đc thy trong các đ tài tính
toán hoc làm vic trên vn bn. LDA dùng đ gán nhãn vào các đc trng
sau đó các đc trng s đc tính toán và phân vào các nhóm theo mt
tiêu chí nào đó nh vào SVM. Trong đ tài [3] các tác gi đã dùng LDA
cho vic gán nhãn các đc trng hình nh nhm mc đích tránh s dng
thut toán phân cm, mt trong nhng nguyên nhân gây hao tn tài
nguyên h thng khi phi làm vic trên mt s lng ln các đc trng.
• Bài báo “Unsupervised real-time constrained linear discriminant analysis
to hyperspectral image classification”, Qian Du, Department of Electrical
and Computer Engineering, Missisippi State University, MS 39762, USA.
Accepted 14 August 2006. [17]

Khi s lng các đc trng tr lên nhiu thì vic tính toán s gp
nhiu khó khn tác gi Qian Du [17] đã ci thin đc thut toán CLDA
theo cách không giám sát nhm mc đích các đc trng đc phân vào các
nhóm trong khi các khái nim nhóm đó là cha có. Vn d CLDA là mt
phng pháp có giám sát tc là các đc trng cn đc gán cho mt trng
s, mt nhãn nào đó mà đã có khái nim trc đó. Trong thc t thì vic
làm này gp khó khn vì phi phân đnh rõ ràng trng s hay tên nhóm
trc.
6
• Bài báo “SVM-KNN: Discriminative Nearest Neighbor Classification for
Visual Category Recognition” ca đng tác gi Hao Zhang, Alexander C.
Berg, Michael Maire, Jitendra Malik thuc khoa khoa hc máy tính trng
đi hc Berkeley, California. [15]
Vi mi nh cn phân loi s rút ra nhng đc trng sau đó ly ra
vùng lân cn ca các đim đc trng này và tính toán khong cách cho các
đc trng, dùng thut toán KNN-SVM đ tính trng s cho các đim đc
trng đó. Vi mi nh cn phân loi s tìm ra trong c s d liu k láng
ging gn nht gn nht, nu mi nh này thuc vào mt nhóm thì s kt
thúc tin trình phân loi, ngc li dùng SVM cho k đim đc trng đó.
ó là ý tng ca bài báo [15] nhng khi thc hin li gp phi khó khn
là vic tính đc k láng ging gn nht li tr lên lâu và hao tn nhiu tài
nguyên máy tính.
• Bài báo “Image Classification using Super-Vector Coding of Local Image
Descriptors” ca tác gi XiZhou, Kai Yu, Tong Zhang, Thomas S.
Huang.[9]
Trong bài báo tác gi đã đ xut mt phng thc mi trong vic
phân loi nh đó là s dng vector đ miêu t nh cc b. Công vic đc
thc hin bng cách tìm ra các nhóm đc trng đi din cho mt bc nh.
Phng pháp phân loi nh tri qua 3 bc: Mô t mã hóa, tính toán
không gian tng hp, và phân loi nh. Trong vic mô t mã hóa ca mt

tm nh đc ánh x phi tuyn tính đ to ra mt vector vi s chiu ti
thiu, trong bài báo có đ xut mt phng pháp tam gi là Super-vector
mã hóa, thut toán là mt m rng ca Vector-Quantization (VQ).  bc
tính toán không gian tng hp, đi vi mi khu vc đa phng, các mã
hóa ca tt c các mô t trong đó đc tng hp li đ to thành mt
vector duy nht sau đó các vector này đc tng hp li to thành c s
dùng đ tính toán đ tng đng gia các miêu t cc b. SVMs tuyn
tính là cách thc đc chn trong bài báo này dùng đ phân loi nh.
•  tài “Object Recognitionusing Local Descriptors” ca tác gi Javier
Ruiz và Patricio Loncomila thuc trung tâm nghiên cu khoa hc
Chile.[10]
Trong đ tài tác gi đã s dng đc trng cc b bt bin đ xác
thc đi tng trong nh, mc đích chính là dùng đ tìm nh và cng đã
đa ra cách xây dng c s d liu đ ci tin tc đ tìm kim đó là s
dng Kd-trees.
7
• Bài báo “Object Recognition from Local Scale-Invariant Features” ca tác
gi David G. Lowe, thuc khoa khoa hc máy tính, trng đi hc British
Columbia. [9]
David G. Lowe cng chính là tác gi đa ra khái nim v đc trng
cc b bt bin Local Scale-Invariant Features (SIFT), đc ng dng
nhiu trong các bài toán truy tìm nh, phân loi nh và xác thc.
Các đc trng hình nh bao gm nhiu loi: màu sc, kt cu, hình
dng, … tuy nhiên các đc trng này ít nhiu li ph thuc vào không gian
nh, bin đi nh.
Trong công vic xác đnh đi tng trong nh, tác gi đã lu tr các
đc trng và đánh ch mc cho chúng khi các nh tham gia truy vn s
đc rút ra các đc trng SIFT và đem ra so sánh vi các đc trng đã có
trong c s d liu. Vic làm này s làm hao tn rt nhiu thi gian tính
toán ca h thng.

• Bài báo “Texture classification of aerial image based on bayesian network
augmanted naïve bayes”, YU Xin, ZHENG Zhaobao, ZHANG Haitao, YE
Zhiwei. [16]
Bài báo đã có s so sánh hai phng thc Bayesian Networks
Augmented Naive Bayes (BAN) và Naive Bayes Classifiers (NBC) and
PCA-NBC trong phân loi nh và nhn thy BAN chy tt hn NBC và
PCA-NBC.
• Bài báo “Speeded-up Robust Features (SURF), Herbert Bay, Andreas Ess,
Tinne Tuytelaars, Luc Van Gool, 12/2007. [14]
Bài báo vi mong mun thay th đc trng SIFT bng SURF và s
dng ma trn Hessian đ đo b phát hin đc trng, nhm ng dng trong
các h thng camera.
• Bài báo “Recognizing Indoor Scenes”, Ariadna Quattoni, Antonio
Torralba.[12]
Trong khi các công c xác đnh quang cnh ch tp trung  không
gian ngoài tri thì bài báo đã chn không gian trong nhà đ xác đnh, vì
nhng nhc đim ca các công c xác đnh loi quang cnh ngoài tri s
kém linh hot trong không gian trong nhà, tác gi bài báo đã đa ra mt
phng thc hin đi đó là Regions Of Interest (ROI), tm gi vùng đc
trng bng cách di chuyn khung đi chiu đc lp vi nhau.
• Bài báo “Combining Local and Global Image Feature for Object Class
Recognition” ca tác gi Dimitri A. Lisin, Marwan A. Mattar, Matthew B.
Blaschko, Mark C. Benfield, Erik G. Learned-Miller. [4]
8
Bài báo đã nêu ra rng các đc trng toàn cc hay cc b đu có th
dùng đ xác đnh đi tng trong tm nh.
Các đ tài trên mi mt đ tài mnh v mt đim nhng cha thc
s đa ra đc cách ti u trên mt tp nh ln. Vi các đnh dng nh
*.PNG, *.PGM thì đc trng SIFT đc rút ra nhanh, nhng vi đnh dng
*.JPG thì còn là tr ngi. ng thi trong vic đi sánh hai nh vi nhau

SIFT còn hn ch v mt thi gian thc hin do s lng tp key point còn
quá ln.

Trong nc:
Trong nc tuy còn ít đ tài nghiên cu v lnh vc phân loi nh, mà ch
tp chung ch yu vào nghiên cu các công c đi sánh nh, tìm nh nhng có
s dng các đc trng bt bin cùng các k thut phân cm và cây quyt đnh.
in hình cho vn đ này có các bài báo sau:
•  tài “Gii thiu ng dng phng pháp phân loi da trên đi tng
(Object-based classification) trong thành lp bn đ rng t nh v tinh”,
Ts. V Anh Tuân. [18]
ây là đ tài đã phân loi nh da vào phng pháp phân loi có
kim đnh và phân loi da vào decision tree.
•  tài “ phng pháp trích chn đc trng nh trong thut toán hc máy
tìm kim nh áp dng vào bài toán tìm kim sn phm”, Nguyn Th
Hoàn. [20]
 tài có gii thiu và ng dng đc trng SIFT cho bài toán ca
mình.
•  tài “Xác đnh cm xúc mt ngi”, Trn Ngc Phm. [21]
 tài đã s dng PCA trên tp hun luyn nh đ rút trích đc
trng. Phng pháp AdaBoost và đc trng Haar-like đc áp dng đ
hun luyn các b phân loi.
•  tài “Nghiên cu phng pháp kt hp các đc trng màu sc hình dng
và v trí đ truy vn nh” lun vn thc s ca tác gi Trn Sn Hi, nm
2007 [19].
Lun vn này đã đ xut mt phng pháp kt hp các đc trng
màu sc, hình dng và v trí bng h thng liên mng meta-Nron. H
thng liên mng meta-Nron không nhng áp dng vào các đc trng màu
sc, hình dng và v trí ca nh mà còn có th áp dng cho các đc trng
lng t khác. Các đc trng lng t bt k rút trích t nh s qua các

9
mng Nron con cho ra các output cc b. Các output ca các mng con
s là ngõ vào ca mng meta-Nron đ cho ra các kt qu output cui
cùng ca toàn h thng liên mng.
1.2. Quy trình phân loi nh.

Hinh 1.1: Quy trình hun luyn nh.

Hình 1.2: Quy trình kim th nh.
i vi tp hun luyn thì s lng nh cn nhiu vì th tin trình hun
luyn s rt lâu. im quan trng nm  ch rút đc trng, phi xác đnh đc
trng thích hp cho bài toán vì nh hng đn đ chính xác ca chng trình.

10
CHNG 2: CÁC PHNG PHÁP TRÍCH CHN C
TRNG VÀ  O TNG NG GIA CÁC NH.
Chng này trình bày mt s k thut đc s dng hiu qu trong cách
tip cn đ xác đnh các đim bt bin trong nh nhm trích chn các đc trng
bt bin ca đi tng và s dng các đc trng này trong vic so khp, nhn
dng đi tng. Ngoài ra các đim này tác gi cng s dng nhm mc đích
phân loi nh theo nh mc tiêu ca cun báo cáo.
Trong nhng nm gn đây vic s dng các đc trng cc b đã tr thành
mt trong nhng hng tip cn có nh hng ln trong vic nhn dng đi
tng da vào ni dung nh. Vic phát hin các đim đc bit là bc đu tiên
trong quá trình so khp và nhn dng. Vì vy, mt thut toán đáng tin cy cho
vic trích chn các đim bt bin là rt cn thit cho nhiu ng dng. Chng
này trình bày mt s k thut mi cho vic trích chn các đim bt đng trong
nh. Các hng tip cn này bt bin đi vi các phép bin đi hình hc và phép
bin đi trc quang.  đây cng nhn mnh vn đ bt bin đi vi phép bin đi
affine.

2.1. Harris.
Phát hin góc (corner detection) hoc mt thut ng tng quát hn là phát
hin đim quan tâm (interest point detection) là mt hng tip cn đc s
dng trong các h thng th giác máy tính đ trích chn các loi đc trng và suy
lun ra các ni dung ca mt nh. Vic phát hin góc đc dùng thng xuyên
trong phát hin, theo dõi chuyn đng, mô hình 3D và nhn dng đi tng.
Mt góc đc xác đnh bi ni giao nhau ca hai cnh. Mt góc cng có
th đc xác đnh nh mt đim có hai hng khác nhau trong mt vùng cc b
ca đim đó. Mt đim quan tâm là mt đim trong mt nh mà đim này có v
trí đc xác đnh tt và có th đc phát hin nhanh chóng. iu này có ngha là
mt đim quan tâm có th là mt góc nhng cng có th là mt đim đn có giá
tr cng đ cc đi hoc cc tiu cc b, các đim kt thúc ca đng thng
hoc mt đim trên mt đng cong mà  đó đ cong là ti đa cc b. Trên thc
t, hu ht các phng pháp phát hin góc phát hin các đim hn là các góc nói
riêng.
Phng pháp phát hin góc Harris là mt phng pháp phát hin đim
quan tâm ph bin vì nó bt bin đi vi phép quay, thay đi đ sáng và tp
nhiu nh. Phng pháp này da trên hàm tng quan t đng cc b ca mt
11
tín hiu;  đó hàm tng quan t đng cc b đo các thay đi cc b ca tín hiu
vi các mnh nh đc dch chuyn mt lng nh theo các hng khác nhau.
Cho trc s dch chuyn (x, y) và mt đim (x,y), hàm tng quan t
đng đc đnh ngha nh sau:

(
, 
)
=

[

(


, 

)

(


+ x, 

+ y
)
]


(2.1)
Trong đó I(·,·) biu th hàm nh và (x
i
,y
i
) là các đim trong ca s W đt
 v trí (x,y). nh đc dch chuyn đc xp x bi phép khai trin Taylor đc
lt bt thành các hng thc bc nht

(


+ x, 


+ y
)
I
(


, 

)
+ [

(


, 

)


(


, 

)
]

x
y


(2.2)
 đây I
x
(·,·) và I
y
(·,·) biu th các đo hàm tng phn tng ng theo x và
y.
Th công thc (2.2) vào (2.1), ta đc:

(
, 
)
=

[
(


, 

)
(

+

x, 

+ y)]


=


(


, 

)

(


, 

)
[

(


, 

)


(


, 


)
]

x
y



=

[

(


, 

)


(


, 

)
]

x

y



=

[

(


, 

)


(


, 

)
]

x
y



=

[
x y
]

 


(


, 

)






(


, 

)


(



, 

)




(


, 

)


(


, 

)

 


(


, 


)





x
y

=
[
x y
]

(
, 
)

x
y


 đây ma trn C(x,y) bt gi cu trúc cng đ ca mt vùng lân cn cc
b quanh đim (x,y). Ly 
1
, 
2
là các giá tr riêng ca ma trn C(x,y). Các giá
tr riêng này to nên mt s mô t bt bin đi vi phép quay. Có 3 trng hp
cn đc xét:

1. Nu c 1, 2 đu nh, đ hàm tng quan t đng cc b không thay
đi (tc là ít thay đi ti c(x,y) theo bt k hng nào) thì vùng nh nm trong
12
ca s gn nh không thay đi v cng đ. Tc là trong trng hp này, không
có đim quan tâm nào đc tìm thy ti đim nh (x,y).
2. Nu mt giá tr riêng là ln và mt giá tr riêng là nh, thì ch có các
dch chuyn cc b theo mt hng (dc theo đnh đó) gây nên s thay đi nh 
c(x,y) và thay đi đáng k  hng trc giao, điu này biu th cho mt cnh.
3. Nu c hai giá tr riêng đu ln, thì các s dch chuyn theo bt k
hng nào cng s đa đn kt qu là làm tng đáng k; điu này biu th cho
mt góc.
Thut toán này đn gin d hiu, phát hin đc nhanh chóng các đim
quan tâm trong nh tuy nhiên phng pháp này không bt bin đi vi vic thay
đi t l và các phép bin đi affine.
2.2. SIFT (Scale Invarian Feature Transform)
ây là mt trong nhng phng pháp hiu qu đ trích chn các đim bt
bin t các nh đc dùng đ thc hin so khp tin cy gia các tm nhìn khác
nhau ca cùng mt đi tng hoc quang cnh. Phng pháp này đc gi là
“Phép bin đi đc trong bt bin t l” (Scale Invariant Feature Transform –
SIFT) vì nó bin đi d liu nh thành các ta đ bt bin t l có liên quan ti
các đc trng cc b. Thut toán này gm 4 giai đon chính: phát hin các cc tr
trong không gian t l, đnh v chính xác đim khóa, gán hng cho các đim
khóa, xây dng đc trng.
2.2.1. Phát hin cc tr.
Giai đon đu tiên ca phát hin đim khóa là tìm ra các v trí và các t l
có th đc gán lp đi lp li di các tm nhìn khác nhau ca cùng mt đi
tng. Vic phát hin các v trí bt bin khi có s thay đi t l ca nh có th
đc thc hin bng vic tìm kim các đc trng n đnh qua tt c các t l có
th, s dng mt hàm liên tc t l đc hiu nh không gian t l.
Dùng hàm Gaussian làm hàm nhân ca không gian t l. Vì vy, không

gian t l ca mt nh đc xác đnh bi hàm L(x,y, ), hàm này đc to ra t
phép cun Gaussian bin thiên t l, G(x,y,  ), vi nh đu vào I(x,y):

(
, , 
)
= 
(
, , 
)

(
, 
)

trong đó * là phép toán cun theo x và y, và

(
, , 
)
=
1
2



(





)




13
 phát hin hiu qu các v trí đim khóa n đnh trong không gian t l,
ta s dng các cc tr không gian t l trong hàm Difference-of-Gaussian đc
cun vi nh đó, D(x,y, ), hàm này có th đc tính t s chênh lch gia hai t
l lân cn đc phân bit bi tha s k:
D(x,y,) = (G(x,y,k) - G(x,y,))*I(x,y) = L(x,y,k ) – L(x,y, ) (2.3)

Hình 2.1. Mô phng vic tính toán các DoG nh t các nh k m
Hình 2.1 th hin mt phng pháp hiu qu cho vic xây dng hàm
D(x,y, ). nh ban đu đc cun theo kiu gia tng vi các hàm Gaussian đ
to ra các nh đc phân bit bi tha s k trong không gian t l, đc xp
thành chng  ct bên trái. Ta chia mi quãng ca không gian t l (ngha là gp
đôi ) thành s khong (s là s nguyên), vì vy k = 2
1/s
. Chúng ta phi to ra s+3
nh trong chng các nh b làm m cho mi quãng, đ vic phát hin cc tr cui
cùng bao ph trn vn mt quãng. Các t l nh gn k đc tr vi nhau đ to
ra các nh Difference-of-Gaussian đc th hin  hình bên phi. Mt khi mt
quãng trn vn đc x lý, chúng ta tái ly mu nh Gaussian gp đôi giá tr ban
đu  và vic x lý đc lp li.