Nghiên cứu một số kỹ thuật phát hiện chất liệu và ứng dụng

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ



lª thÞ kim nga





NGHIÊN CỨU MỘT SỐ KỸ THUẬT
PHÁT HIỆN CHẤT LIỆU VÀ ỨNG DỤNG



LUẬN VĂN THẠC SỸ








Hà Nội – 2006

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

Lê Thị Kim Nga



NGHIÊN CỨU MỘT SỐ KỸ THUẬT PHÁT HIỆN
CHẤT LIỆU VÀ ỨNG DỤNG


Ngành: Công nghệ Thông tin
Mã số: 1.01.10

LUẬN VĂN THẠC SĨ

Người hướng dẫn khoa học: TS. Đỗ Năng Toàn





Hà Nội – 2006

LỜI CAM ĐOAN

Tôi xin cam đoan toàn bộ nội dung bản luận văn này là do tôi tự sưu tầm, tra
cứu và sắp xếp cho phù hợp với nội dung yêu cầu của đề tài.
Nội dung luận văn này chưa từng được công bố hay xuất bản dưới bất kỳ hình
thức nào và cũng không sao chép từ bất kỳ một công trình nghiên cứu nào.
Tất cả phần mã nguồn của chương trình đều do tôi tự thiết kế và xây dựng,
trong đó có sử dụng một số thư viện chuẩn và các thuật toán được các tác giả xuất

bản công khai và miễn phí trên mạng Internet.
Nếu sai tôi xin hoàn toàn chịu trách nhiệm.
Hà nội, ngày 25 tháng 11 năm 2006
Người cam đoan


Lê Thị Kim Nga


LỜI CẢM ƠN

Tôi xin chân thành bày tỏ lòng biết ơn đến các thầy cô giáo đã nhiệt tình
giảng dạy trong suốt thời gian tôi học tập tại lớp Cao học K11T2 trường Đại học
Công Nghệ và đặc biệt tôi xin được gửi lời cảm ơn sâu sắc đến TS Đỗ Năng Toàn,
Viện Công nghệ thông tin, Viện Khoa học Việt Nam - Người đã tận tình chỉ bảo,
hướng dẫn và giúp đỡ tôi hoàn thành bản Luận văn này.
Tôi xin bày tỏ lòng biết ơn tới gia đình, đã tạo điều kiện tốt nhất về mọi mặt,
động viên tôi trong suốt quá trình học tập cũng như làm tốt nghiệp.
Cuối cùng, xin cảm ơn các đồng nghiệp, các bạn bè đã động viên cổ vũ để tôi
hoàn thành luận văn đúng thời hạn.

Hà Nội, ngày 25 tháng 11 năm 2006

MỤC LỤC

DANH MỤC CÁC TỪ VIẾT TẮT 1
DANH MỤC CÁC BẢNG 1
DANH MỤC CÁC HÌNH VẼ 2
MỞ ĐẦU 4
Chương 1 -TỔNG QUAN VỀ PHÁT HIỆN CHẤT LIỆU TRONG ẢNH 7
1.1 Bài toán phát hiện chất liệu trong ảnh 7
1.1.1 Chất liệu trong ảnh 7
1.1.2 Phát hiện chất liệu 8
1.2 Các đặc trưng của chất liệu trong ảnh 9
1.2.1 Màu sắc 9
1.2.2 Kết cấu 10
1.2.3 Hình dạng 11
1.2.4 Mối quan hệ không gian 11
1.3 Các độ đo sự tương tự thường sử dụng 12
1.4 Mô hình bài toán phát hiện chất liệu 15
Chương 2 – CÁC CÁCH TIẾP CẬN TRONG PHÁT HIỆN CHẤT LIỆU 16
2.1 Phương pháp Habin cải tiến 16
2.1.1 Phương pháp Habin 18
2.1.2 Phương pháp Habin cải tiến 20
2.2 Phương pháp trừu tượng ảnh dựa trên chữ ký nhị phân 21
2.3 Phương pháp Ma trận Ordinal Co-occurrence 25
2.3.1 Ma trận Ordinal Co-occurrence 25
2.3.2 Giải thuật 27
2.3.3 So sánh các đặc điểm 28
2.4 Cách tiếp cận Mạng Nơron 29

2.4.1 Mô hình Mạng Nơron nhân tạo 30
2.4.2 Hàm kích hoạt 31
2.4.3 Vấn đề học 31
2.4.4 Mạng Nơron dùng cho phân tích thành phần chính 32
2.4.5 Mạng Nơron xoắn và bài toán phát hiện chất liệu 32
2.5 Cách tiếp cận mô hình Markov ẩn HMM 37
2.5.1 Nền tảng của phương pháp 37
2.5.2 Mô hình HMM 43
2.5.3 Vấn đề phát hiện bằng HMM 45
Chương 3 - ỨNG DỤNG PHÁT HIỆN CHẤT LIỆU 47
3.1 Phát hiện kính 47
3.1.1 Tính chất cơ lý của chất liệu thủy tinh 47
3.1.2 Thuật toán 55
3.1.3 Một số kết quả thực nghiệm 56
3.2 Phát hiện mặt người 56
3.2.1 Cách tiếp cận Mạng Nơron 56
3.2.2 Cách tiếp cận mô hình HMM 64
KẾT LUẬN 72
TÀI LIỆU THAM KHẢO 74

1

BẢNG CÁC TỪ VIẾT TẮT

Kí hiệu
Từ Tiếng Anh
Giải thích
CCV
Color Cohenrence Vector
Vectơ kết dính màu
CBA
Constant – Bin Allocation
Cấp phát các bin cố định
GCH
Global Color Histogram
Biểu đồ màu toàn cục
HMM
Hidden Markov Model
Mô hình Markov ẩn
LCH
Local Color Histogram
Biểu đồ màu cục bộ
VBA
Variable – Bin Allocation
Cấp phát các bin thay đổi




DANH MỤC CÁC BẢNG

Trang
Bảng 2.1. Chữ ký chi tiết dựa trên CBA 23
Bảng 2.2. Chữ ký của ba ảnh X, Y, Z 24
Bảng 3.1. Thống kê một số tính chất và đặc trưng cơ bản của một vài loại
thủy tinh điển hình. 48

2

DANH MỤC CÁC HÌNH VẼ
Trang Trang
Hình 1.1. Sơ đồ chức năng phát hiện chất liệu 15
Hình 2.1. Hai ảnh và biểu đồ màu toàn cục của chúng 16
Hình 2.2. Ví dụ chỉ ra LCH bị lỗi 17
Hình 2.3. Xây dựng đồ thị hai phía 19
Hình 2.4. Đồ thị hai phía biểu diễn mối quan hệ giữa các khối và giá trị đối
sánh nhỏ nhất. 19
Hình 2.5. Sử dụng giá trị đối sánh cực tiểu để tính toán khoảng cách giữa hai
ảnh L và M, L và N. 20
Hình 2.6. Tập các ảnh mẫu 22
Hình 2.7. Ma trận Co-occurrence 26
Hình 2.8. Vùng lân cận 3 x 3 với 4 cặp điểm đối xứng. 27
Hình 2.9. Mã mô tả giải thuật xây dựng ma trận Ordinal Co-occurrence. 28
Hình 2.10. Nơron nhân tạo j. 30
Hình 2.11. Cấu trúc LeNet-5, Mạng Nơron xoắn. 34
Hình 2.12. Đồ thị của hai hàm P(x/
1
) và P(x/
2
). 39
Hình 2.13. Mô tả thuật toán Viterbi. 42

Hình 2.14. Mô hình kiểu mẫu của một HMM ba trạng thái. 43
Hình 3.1. Ảnh kết quả phát hiện chất liệu kính. 56
Hình 3.2. Mô hình hoạt động của mạng nơron. 57

3
Hình 3.3. Ví dụ các đầu vào và đầu ra cho huấn luyện mạng định tuyến. 58
Hình 3.4. Cấu trúc mạng xác định mặt. 60
Hình 3.5. Ảnh gốc chứa một mặt trong ảnh. 63
Hình 3.6. Vùng có da sau khi tách. 63
Hình 3.7. Những vùng tìm được của mạng. 63
Hình 3.8. Kết quả cuối cùng sau khi sử dụng ngưỡng động. 63
Hình 3.9. Ảnh gốc với trường hợp có nhiều mặt. 63
Hình 3.10. Vùng da sau khi được tách. 64
Hình 3.11. Ảnh trước khi tách ngưỡng động. 64
Hình 3.12. Kết quả sau khi tách ngưỡng với trường hợp ảnh chứa nhiều mặt.64
Hình 3.13. Một ảnh mẫu từ tập phân phối thỏa mãn D và có năng lượng
cực tiểu. 69
Hình 3.14. Kết quả phát hiện da mặt bằng mô hình HMM. 71
Hình 3.15. Phát hiện nhầm màu da. 71







4

MỞ ĐẦU

Trong cuộc sống hằng ngày, chúng ta thường xuyên cần phải phát hiện
và phân biệt các sự vật hiện tượng trong thế giới thực như các đối tượng, chất
liệu, thực phẩm, địa danh v.v và thậm chí là thời gian trong ngày. Việc phát
hiện các loại sự vật hiện tượng này một cách tự động là một vấn đề hết sức
thiết thực trong một xã hội hiện đại.
Ngày nay, với sự phát triển mạnh mẽ của ngành Khoa học máy tính cũng
như sự bùng nổ của lĩnh vực Công nghệ thông tin đã đẩy nhanh sự phát triển
của nhiều lĩnh vực xã hội như quân sự, y học, giáo dục, kinh tế, giải trí v.v
Sự phát triển của phần cứng cả về phương diện thu nhận, hiển thị, cùng với
tốc độ xử lý đã mở ra nhiều hướng mới cho sự phát triển phần mềm, đặt biệt
là Công nghệ xử lý ảnh cũng như Công nghệ thực tại ảo đã ra đời và phát
triển nhanh. Nó có thể giải quyết được bài toán phát hiện hay nhận dạng tự
động các loại đối tượng, chất liệu trong thực tế, chẳng hạn có thể tạo ra hệ
thống phát hiện kẻ gian đột nhập vào các cơ quan cần được giám sát sau giờ
hành chính như các Kho bạc, Ngân hàng v.v thay vì cần phải có những đội
bảo vệ canh gác cẩn thận. Hoặc có thể phát hiện có mảnh kính vỡ trong thực
phẩm hay phát hiện những tấm kính trong một khu vực cần quan tâm v.v
thậm chí có thể phát hiện những loại thực phẩm bị hỏng không thể sử dụng
được. Phát hiện mặt người trong một bức ảnh cũng đã có rất nhiều ý nghĩa
trong quân sự, an ninh v.v Rõ ràng bài toán phát hiện đối tượng cũng như
nhận dạng đối tượng ngày càng quan trọng đối với sự phát triển của xã hội,
đặc biệt rất quan trọng cho xã hội Việt Nam.

5
Bài toán phát hiện đối tượng là một trong những bài toán cốt yếu trong
các lĩnh vực nhận dạng mẫu hay thị giác máy, nó là cơ sở cho nhiều ứng dụng
quan trọng, muốn nhận dạng thì trước hết phải phát hiện ra nó đã chứ. Nhận
dạng hay phát hiện đối tượng có rất nhiều cách tiếp cận để giải quyết, mặc dù
mỗi một loại đối tượng sẽ có một kỹ thuật cụ thể, song chúng vẫn có một cơ
sở chung. Cách tiếp cận dựa vào chất liệu của đối tượng đang là một hướng

nghiên cứu mới hiện nay, ví dụ có thể phát hiện ra khuôn mặt người nhờ vào
chất liệu da mặt, hoặc phát hiện người dựa vào chất liệu vải mà người đó đang
mặc, hay có thể phát hiện ô tô dựa vào chất liệu kính v.v Song càng quan
trọng hơn nếu ta xét đến tính thiết thực của loại chất liệu cần phát hiện. Chẳng
hạn, kính là một loại chất liệu được sử dụng rất phổ biến, nó có khắp mọi nơi
như kính chắn gió của ô tô, các cửa bằng kính, các bóng đèn, kính làm tủ, làm
bàn, làm các hộp, các chai v.v Có thể tạo ra các hệ thống phát hiện các toà
nhà (hầu hết các tòa nhà lớn đều được làm chủ yếu là kính) trong một thành
phố, phát hiện ô tô (vì ô tô luôn có kính) thông qua chất liệu kính. Tất cả các
bài toán trên đều có tầm quan trọng đáng kể, đặt biệt bài toán phát hiện ô tô là
bài toán đang được nhiều quan tâm ở nước ta, là một trong những bài toán
giám sát tự động: phát hiện, phân loại và đếm số ô tô tại các chốt giao thông
hoặc tại các trạm thu phí nhằm nâng cao tiềm năng phát triển của mỗi
quốc gia.
Như vậy bài toán phát hiện chất liệu là một cách tiếp cận mới trong khoa
học nhận dạng hay mô hình hóa trong thực tại ảo, là cơ sở để xây dựng nhiều
ứng dụng quan trọng và cần thiết. Bên cạnh đó, bài toán phát hiện chất liệu
kính có thể ứng dụng cho bài toán giám sát giao thông tự động, đặt biệt ở Việt
Nam hiện nay, đây chính là tính thời sự của vấn đề.

6
Mặt khác, hiện nay trên thế giới chưa có một đề cập nào về bài toán phát
hiện chất liệu một cách rõ ràng, đặt biệt là chất liệu kính. Vì thế mà vấn đề
này rất có ý nghĩa khoa học.
Trên đây đã điểm qua tầm quan trọng của bài toán phát hiện chất liệu,
đặt biệt là chất liệu kính đã cho ta thấy rõ tính cần thiết cũng như tính thời sự
đồng thời là ý nghĩa khoa học và thực tiễn của vấn đề. Nhận thức được điều
này, tôi đã chọn đề tài luận văn: ”Nghiên cứu một số kỹ thuật phát hiện chất
liệu và ứng dụng”.
Bố cục của luận văn bao gồm phần mở đầu, phần kết luận và ba chương

nội dung được tổ chức như sau:
Chương 1: Tổng quan về phát hiện chất liệu trong ảnh
Chương này trình bày định nghĩa chất liệu của một đối tượng trong ảnh,
cũng như bài toán phát hiện chất liệu và cách giải quyết. Đồng thời cũng trình
bày một cách tổng quan về nội dung ảnh của chất liệu cùng với một số kỹ
thuật phát hiện chất liệu cơ bản.
Chương 2: Các kỹ thuật phát hiện chất liệu
Các kỹ thuật được trình bày dựa vào các đặc trưng cơ bản của chất liệu
và các phương pháp phát hiện dựa trên mạng nơron, mô hình xác suất
Markov ẩn.
Chương 3: Ứng dụng
Trong phần này luận văn trình bày ứng dụng phát hiện chất liệu kính và
phát hiện mặt người theo mô hình màu da dựa trên mạng nơron và mô hình
Markov ẩn.

7
Chương 1 -
TỔNG QUAN VỀ PHÁT HIỆN CHẤT LIỆU
TRONG ẢNH
Chương này trình bày tổng quan về bài toán phát hiện chất liệu trong
ảnh, đề cập đến hai vần đề chính là các đặc trưng ảnh của chất liệu và các độ
đo tương ứng.
1.1 Bài toán phát hiện chất liệu trong ảnh
1.1.1 Chất liệu trong ảnh
Theo quan điểm thông thường, chất liệu chính là những đặc trưng cho
một dạng vật chất cụ thể.
Theo quan điểm khoa học công nghệ nhận dạng ảnh, chất liệu của một
đối tượng chính là thành phần bao phủ bên ngoài của đối tượng đó, là thành
phần không thể thiếu được trong mỗi đối tượng. Có rất nhiều chất liệu khác
nhau như kính, vải, gỗ, nước, tuyết v.v Chất liệu tồn tại khác nhau ở mỗi đối

tượng khác nhau, chẳng hạn với những con vật thì chất liệu là những bộ lông;
với con người chất liệu có thể là vải, da; với kính thì chất liệu cũng chính là
kính, hay chất liệu của một toà nhà có thể là kính nếu tòa nhà có nhiều cửa
được làm bằng chất liệu kính, chất liệu của một chiếc ô tô có thể là kính nếu
ta chỉ xét ô tô với kính chắn gió v.v
Như vậy phát hiện chất liệu cũng chính là phát hiện ảnh của chất liệu đó
trong một bức ảnh. Như thế nội dung ảnh của một đối tượng chính là nội dung
của chất liệu trong ảnh hay còn gọi là nội dung ảnh. Mà nội dung ảnh được
thể hiện bởi các đặc trưng màu sắc, kết cấu, hình dạng. Nhưng trong hầu hết
mọi chất liệu, nội dung ảnh được phản ánh bởi màu sắc và kết cấu mà thôi.

8
1.1.2 Phát hiện chất liệu
Cho trước một bức ảnh có thể tĩnh hoặc động, yêu cầu xác định xem
trong bức ảnh đó có loại chất liệu mà ta cần quan tâm không, thậm chí là bao
nhiêu chất liệu đó nằm trong bức ảnh.
Cách giải quyết bài toán
Tư tưởng: Cho trước một ảnh của chất liệu, ta tìm trong ảnh cần xét (ảnh
truy vấn) có ảnh của chất liệu đó hay không. Bằng cách đánh giá mức độ
giống nhau của ảnh chất liệu cho trước với ảnh của chất liệu có trong ảnh.
Nhưng đặc trưng của ảnh chất liệu chủ yếu là màu sắc, kết cấu, thông tin
không gian, do đó giải quyết bài toán này bằng cách đối sánh các đặt trưng
của ảnh chất liệu cho trước với các đặc trưng của ảnh. Một cách nôm na thì
đây chính là một trường hợp đặc biệt của bài toán tra cứu ảnh dựa trên nội
dung. Và cũng lưu ý rằng yếu tố thời gian thực luôn luôn được quan tâm cho
mỗi bài toán, mức độ cần thiết của nó tùy thuộc vào bài toán mà ta giải quyết,
yếu tố này quyết định sự thành công hay thất bại của nhiều bài toán.
Như vậy, bài toán phát hiện chất liệu bằng kỹ thuật Xử lý ảnh gồm hai
pha chính:
- Xác định và trích chọn các đặc trưng của chất liệu (vì mỗi loại chất liệu

khác nhau sẽ được đặc tả bởi các đặc trưng khác nhau).
- Đánh giá độ tương tự (độ giống) của chất liệu cần xét với các đặt trưng
mà ta đã biết thông qua các đặc trưng mà ta đã trích chọn ở trên.
Đó cũng chính là hai bài toán lớn trong lĩnh vực nhận dạng mẫu và
thị giác máy.
Như đã nói ở trên, ảnh của chất liệu được ghi lại trong hình hoặc camera
phần lớn được thể hiện bởi các yếu tố như: Màu sắc, kết cấu, hình dạng, thông

9
tin không gian. Tuỳ thuộc mỗi một chất liệu sẽ có một đánh giá về đặc trưng
riêng cho chúng. Bên cạnh đó sẽ có những hàm đánh giá độ tương tự
tương ứng cho phù hợp.
1.2 Các đặc trưng của chất liệu trong ảnh
1.2.1 Màu sắc
Sự cảm nhận về màu là rất quan trọng đối với con người. Sự cảm nhận
màu phụ thuộc vào cả yếu tố hai ánh sáng vật lý và việc xử lý phức tạp của
thần kinh mắt (eye-brain) tức là nó phải tích hợp những thuộc tính kích thích
và thực nghiệm. Con người sử dụng thông tin màu sắc để phân biệt các đối
tượng, chất liệu v.v
Mọi người đều biết màu là gì, nhưng sự mô tả chính xác và chi tiết về
màu thì lại là một chuyện khác. Màu sắc luôn là chủ đề lớn trong các ngành
khoa học khác nhau. Mặc dù vậy, một số vấn đề chủ yếu liên quan đến màu
sắc, đặt biệt là trong cảm nhận màu của con người mà tại đó sự hoạt động của
não đóng vai trò quan trọng vẫn chưa được hiểu một cách đầy đủ. Những
thuộc tính cấp thấp về cảm nhận màu của con người cũng đã được mô hình hoá
thành công trong khuôn khổ phạm vi của các thiết bị đo màu. Trong khuôn khổ
này ta thấy rằng các phương pháp thống kê là công cụ đầy sức mạnh cho việc
phân tích và mô tả dữ liệu hình ảnh.
Một ảnh màu điển hình được lấy từ Camera số hoặc download từ
Internet thường có ba kênh màu (ảnh xám chỉ có một kênh), những giá trị của

dữ liệu ba chiều này từ ảnh màu có thể cho ta biết vị trí của điểm ảnh trong
không gian màu. Những điểm ảnh có cùng giá trị ví dụ (1, 1, 1) cho những
màu khác nhau trong những không gian màu khác nhau. Như vậy mô tả đầy
đủ của một ảnh màu điển hình gồm thông tin không gian hai chiều với điểm
ảnh trong vùng không gian này và dữ liệu màu ba chiều với điểm ảnh màu

10
trong không gian mà chúng ta đang đề cập. Ở đây giả thiết không gian màu là
cố định, bỏ qua thông tin không gian, thông tin màu trong ảnh có thể coi như
là tín hiệu ba chiều đơn giản.
Nếu ta xem thông tin màu của ảnh là tín hiệu một, hai, hoặc ba chiều đơn
giản thì việc phân tích các tín hiệu sử dụng ước lượng mật độ xác suất là một
cách dễ nhất để mô tả thông tin màu của ảnh. Biểu đồ màu là công cụ đơn
giản nhất, những cách khác mô tả thông tin màu gồm đại diện màu, moment
màu, vector kết dính màu v.v
1.2.2 Kết cấu
Nhưng thật không may có những ảnh có cùng phân phối màu nhưng
chúng hoàn toàn khác nhau như bầu trời và nước biển hay lá cây và cỏ v.v
Trong các trường hợp như vậy, cần phải tính toán đặc trưng kết cấu của ảnh.
Kết cấu được sử dụng rộng rãi và rất trực quan nhưng không có định
nghĩa chính xác bởi tính biến thiên rộng của nó. Có rất nhiều cách để mô tả
kết cấu: Những phương pháp thống kê thường sử dụng tần số không gian, ma
trận biến cố, tần số biên v.v Từ đó những đặc điểm như năng lượng, entropy,
độ tương phản, độ thô, tính đồng nhất, tính tương quan, đẳng hướng, pha, độ
ráp đã được nhận ra. Những phương pháp mô tả kết cấu này tính toán các
thuộc tính kết cấu khác nhau và hoàn toàn phù hợp nếu cỡ của kết cấu gốc có
thể được so sánh với cỡ của điểm ảnh.
Một cách cơ bản, các phương pháp biểu diễn kết cấu có thể phân làm hai
loại chính: phương pháp cấu trúc và phương pháp thống kê. Các phương pháp
cấu trúc bao gồm các phép toán hình thái học và đồ thị liền kề, mô tả kết cấu

bởi việc đồng nhất cấu trúc ban đầu và quy tắc sắp xếp của chúng. Chúng hiệu
quả nhất khi áp dụng vào những kết cấu rất đều đặn. Phương pháp thống kê,
gồm: Fourier power spectra, co-occurrence matrices, shift-invariant principal

11
component analysis (SPCA), Tamura feature, Wold decomposition, Markov
random field, fractal model và kỹ thuật multi-resolution filtering như Gabor
and wavelet transform mô tả kết cấu bằng phân phối thống kê của cường
độ điểm ảnh.
1.2.3 Hình dạng
Định nghĩa hình dạng của đối tượng thường là rất khó. Hình dạng
thường được mô tả bằng lời nói hoặc hình vẽ, và mọi người thường sử dụng
thuật ngữ như tròn, méo v.v Xử lý hình dạng dựa trên máy tính đòi hỏi rất
phức tạp, trong khi rất nhiều phương pháp mô tả hình dạng thực tế đang tồn
tại nhưng không có một phương pháp chung nào cho mô tả hình dạng. Có hai
kiểu đặc điểm hình dạng chính thường được sử dụng: Đặc điểm dựa trên biên,
đặc điểm dựa trên vùng. Đặc điểm dựa trên biên chỉ sử dụng đường bao ngoài
của hình dạng trong khi đó đặc điểm vùng sử dụng toàn bộ vùng của hình
dạng. Ví dụ những đặc điểm biên bao gồm mã xích, mô tả Fourier, những
đường viền hình học như uống cong, chiều dài biên v.v Đặc điểm vùng như
số chu trình, độ lệch tâm v.v
1.2.4 Mối quan hệ không gian
Mối quan hệ không gian đặc trưng cho sự sắp xếp các đối tượng bên
trong một bức ảnh. Mối quan hệ giữa hai đối tượng có thể được phân loại một
cách rõ ràng như là hướng hoặc tô pô hình học. Mối quan hệ hướng dựa vào
vị trí liên quan và khoảng cách mêtric giữa hai đối tượng trong ảnh. Mặt khác,
mối quan hệ tô pô hình học không dựa vào khoảng cách thu được giữa hai đối
tượng mà dựa vào khái niệm lý thuyết tập hợp như giao, hợp, kết nối v.v
*** Một trong những vấn đề thách thức to lớn để giải quyết bài toán phát
hiện hay nhận dạng đối tượng là việc chọn lựa và sự biểu diễn các đặc

trưng này.

12
1.3 Các độ đo sự tương tự thường sử dụng
Bên cạnh đó, những độ đo tương tự cũng là yếu tố đóng vai trò cốt yếu
trong việc giải quyết bài toán được đặt ra. Những độ đo lý tưởng phải có một
số thuộc tính sau:
- Độ đo tự tương quan: Đặc điểm khoảng cách giữa hai ảnh là lớn chỉ khi
những ảnh không tương tự và ngược lại khoảng cách giữa hai ảnh là nhỏ nếu
chúng tương tự. Ảnh thường được mô tả trong không gian đặc điểm và sự
tưong tự giữa các ảnh được đo bởi những độ đo khoảng cách trong không
gian đặc điểm. Số thuộc tính của không gian biểu diễn ảnh và những đặc tính
của những đặt điểm vectơ mô tả ảnh là rất quan trọng trong việc cải thiện một
số thuộc tính độ tương tự trực quan của những độ đo tương tự được
đề xuất.
- Hiệu quả: Sự đo đạc cần phải được tính toán nhanh để nhanh chóng
đưa ra kết quả. Vì hầu hết các ứng dụng của bài toán phát hiện đối tượng đều
phải được thực hiện trong thời gian thực. Vì thế đánh giá độ phức tạp tính
toán là rất quan trọng.
- Hệ đo: Vấn đề khoảng cách tương tự là có nên là hệ mét hay không vẫn
chưa được quyết định chính thức khi sự nhìn nhận của con người là rất phức
tạp và chưa được hiểu một cách đầy đủ. Chúng ta mong muốn khoảng cách
tương tự là một hệ đo khi ta xem xét những thuộc tính sau như là những yêu
cầu rất tự nhiên:
- Sự bất biến của tương tự với chính nó: Khoảng cách giữa một ảnh với
chính nó là hằng số độc lập với ảnh d(A,A)=d(B,B).
- Sự tối thiểu: Một ảnh giống với nó hơn là giống với ảnh khác
d(A,A)<d(A,B).

13

- Sự đối xứng: Là vô lý nếu chúng ta nói rằng ảnh A giống với ảnh B
nhưng ảnh B thì không giống ảnh A, d(A,B)=d(B,A).
- Sự bắc cầu: Là vô lý nếu ta nói ảnh A giống với ảnh B , ảnh B không
giống ảnh C nhưng ảnh C lại rất giống với ảnh A. Tuy nhiên thuộc tính bắc
cầu này có thể không đúng cho một dãy các ảnh. Thậm chí ảnh I
i
là giống với
ảnh I
i+1
với tất cả i=1,…,n thì điều này không có nghĩa rằng ảnh I
i
tương tự
với ảnh I
n
. Ví dụ trong băng Video mỗi frame tương tự với frame kề nó
nhưng frame đầu tiên và frame cuối cùng có thể là rất khác nhau.
- Sự bền vững: Hệ thống cần có khả năng để thay đổi những điều kiện
ảnh, ví dụ nếu ảnh được lấy dưới ánh sáng đèn điện (hơi đỏ), thì hệ thống
cũng phải cho kết quả đúng khi lấy ảnh dưới điều kiện ánh sáng ban ngày
(hơi xanh).
Có nhiều độ đo khoảng cách tương tự đã được đưa ra nhưng chúng đều
không đầy đủ các thuộc tính trên. Dưới đây là một số độ đo chung nhất
thường được sử dụng:
Histogram intersection Distance:
Độ đo khoảng cách này được định nghĩa trên phần chung của hai biểu đồ
màu. Cho hai biểu đồ màu h
1
, h
2
khoảng cách giữa chúng có thể được định

nghĩa như sau:

),min(1
1
21



N
i
iiHI
hhdis

Việc đo khoảng cách này rất nhanh vì nó dựa trên công thức đơn giản.
Tuy nhiên thông tin màu không được sử dụng khi nhận được khoảng cách bởi
vậy có thể dẫn đến những kết quả không tốt.
Lp Distance:

14
Khoảng cách dạng Minkowski L
p
giữa hai biểu đồ màu được định nghĩa:

p
i
p
iiMp
hhdis
1
21










Quadratic form Distance:
Khoảng cách giữa hai biểu đồ màu N chiều h
1
và h
2
được định nghĩa:

)()(
2121
hhAhhdist
QF


Với A=[a
ij
] là ma trận với trọng số biểu thị sự giống nhau giữa mức i và
mức j, a
ij
được tính như sau:
a
ij

= 1-(d
ij
/ d
max
)
k

Trong đó d
ij
là khoảng cách giữa màu i và màu j ( thường d
ij
là khoảng
cách Euclidean giữa hai màu trong không gian màu đồng đều nào đó) và
d
max
=max
ij
(d
ij
). K là hằng số điều khiển trọng số giữa hai màu lân cận.
Earth Mover Distance:
Độ đo này dựa trên chi phí tối thiểu để chuyển một phân bố thành phân
bố khác. Nếu chi phí của việc di chuyển một đơn vị đặc trưng đơn trong
không gian đặc trưng là khoảng cách chung thì khoảng cách giữa hai phân bố
sẽ là tổng cực tiểu giá trị để di chuyển những đặc trưng riêng. Khoảng cách
EMD có thể được định nghĩa như sau:





ij
ij
ij
ijij
EMD
g
dg
dist

Trong đó g
ij
biểu thị khoảng cách tương tự giữa mức i và mức j, g
ij
>0 là
sự tối ưu hoá giữa hai phân bố như là tổng giá trị được cực tiểu hoá.

15

i
i
ij
hg
1



i
j
ij
hg

2



),min(
21 ii
ij
ij
hhg 


1.4 Mô hình bài toán phát hiện chất liệu









Hình 1.1. Sơ đồ chức năng phát hiện chất liệu

Song để tăng cường độ chính xác, ta có thể sử dụng các mô hình học dữ
liệu – cụ thể là học các đặc trưng của chất liệu. Hiện nay, công nghệ ưu việt
nhất vẫn công nghệ Mạng Nơron, hay các phương pháp học thống kê như mô
hình Markov ẩn, mạng xác suất Bayes, v.v
Ảnh đầu vào
Trích chọn đặc trưng:
Màu sắc, kết cấu

Ảnh chất liệu
Trích chọn đặc trưng:
Màu sắc, kết cấu
So sánh độ tương tự
Ảnh kết quả (ảnh có khoanh
các vùng chất liệu)

16
Chương 2 -
CÁC CÁCH TIẾP CẬN TRONG PHÁT HIỆN CHẤT LIỆU

Phần này trình bày một số phương pháp được sử dụng hiệu quả trong
cách tiếp cận để giải quyết bài toán phát hiện chất liệu. Trong đó bao gồm
các kỹ thuật dựa vào các đặc trưng cơ bản của chất liệu và các cách tiếp cận
phát hiện chất liệu dựa trên mạng nơron, mô hình xác suất Markov ẩn.
2.1 Phương pháp Habin cải tiến
Như chúng ta đã biết, biểu đồ màu là một trong những phương pháp để
đối sánh giữa hai chất liệu. Đã có hai cách tiếp cận truyền thống để phát hiện
chất liệu là biểu đồ màu toàn cục (Global Color Histogram - GCH) và biểu đồ
màu cục bộ (Local Color Histogram - LCH), song chúng cũng chính là điểm
khởi đầu cho phương pháp Habin. GCH chỉ đưa ra biểu đồ màu của ảnh mà
không có thông tin không gian (thông tin vùng), do vậy hiệu quả tìm kiếm
chắc chắn sẽ bị giới hạn. Ví dụ, trong hình 2.1, ảnh A và B có cùng biểu đồ
màu do đó khoảng cách giữa A và và B sẽ bằng 0. Tuy nhiên hai ảnh này là
khác nhau.

Hình 2.1. Hai ảnh và biểu đồ màu toàn cục của chúng.

17
Còn phương pháp LCH đề cập theo ba bước:

 Chia ảnh thành nhiều khối và xây dựng biểu đồ màu cho từng khối.
 So sánh các khối theo các vị trí tương ứng của hai ảnh.
 Tổng hợp khoảng cách của tất cả các khối.
Với phương pháp này, khoảng cách giữa hai ảnh A và B được tính toán
hợp lý hơn. Mặc dù vậy, trong một số trường hợp như ảnh bị quay hoặc dịch
chuyển thì tất cả các khối trong ảnh mới sẽ bị thay đổi vị trí, khi đó sử dụng
phương pháp LCH để so sánh độ tương tự những khối ở những vị trí giống
nhau sẽ không thích hợp như hình 2.2 bên dưới. Để khắc phục hạn chế này
của phương pháp LCH, K.Shih[11] đã đưa ra phương pháp mới tên là Habin
trên cơ sở xây dựng đồ thị hai phía có trọng số, và tìm kiếm giá trị đối sánh
cực đại hoặc cực tiểu trên đồ thị này. Tuy nhiên, phương pháp Habin có độ
phức tạp tính toán cao (O(mn
2
))[11] và trong quá trình tìm kiếm giá trị đối
sánh trên đồ thị hai phía có thể làm tăng nhiễu cho khoảng cách, cuối cùng
ảnh hưởng đến việc tìm kiếm, phát hiện.

Hình 2.2. Ví dụ chỉ ra LCH bị lỗi

18
Shengjiu Wang [18] năm 2001 đã đề xuất phương pháp cải tiến dựa trên
cơ sở phương pháp Habin bằng cách đưa thêm ngưỡng vào trong quá trình
xây dựng đồ thị hai phía để làm giảm nhiễu, kết hợp giữa phương pháp GCH
và Habin để giảm độ phức tạp tính toán, tăng hiệu suất cải thiện.
2.1.1 Phương pháp Habin
Phương pháp gồm ba bước chính để so sánh khoảng cách giữa hai ảnh:
 Chia ảnh thành các khối và tính biểu đồ màu cho từng khối
 Xây dựng đồ thị hai phía có trọng số
 Tìm kiếm giá trị đối sánh cực đại hoặc cực tiểu, khoảng cách giữa hai
ảnh sẽ là giá trị đối sánh nhỏ nhất.

Trong hình 2.3 là ví dụ chỉ rõ cách xây dựng đồ thị hai phía. Bước đầu
giống như bước đầu của phương pháp LCH. Trong việc xây dựng đồ thị hai
phía G(X,Y,E), mỗi khối sẽ tương ứng với một đỉnh. Trong ví dụ này một ảnh
sẽ chia làm bốn khối và như vậy đồ thị có hướng sẽ có tám đỉnh, mỗi khối
trong một ảnh sẽ được nối với các khối của ảnh kia.
Nếu trọng số của mỗi cạnh chỉ rõ khoảng cách giữa hai khối được nối
với nhau thì phương pháp này sẽ tìm kiếm giá trị đối sánh nhỏ nhất trên đồ thị
và xử lý giá trị này như khoảng cách giữa hai ảnh. Thực tế, sự tương tự giữa
các khối có thể được tính bằng công thức:
S
ij
=d
max
-d
ij

Với d
max
là khoảng cách lớn nhất giữa các khối, khối i và khối j thuộc hai
ảnh tương ứng, d
ij
là khoảng cách giữa khối i và khối j. S
ij
là độ tương tự giữa
hai khối i và j.