Nghiên cứu một số kỹ thuật xử lý video và ứng dụng vào xây dựng phần mềm giám sát, quản lý tự động các trang trại

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
------------

PHẠM TRẦN THIỆN

NGHIÊN CỨU MỘT SỐ KỸ THUẬT XỬ LÝ VIDEO VÀ ỨNG
DỤNG VÀO XÂY DỰNG PHẦN MỀM GIÁM SÁT, QUẢN LÝ
TỰ ĐỘNG CÁC TRANG TRẠI

Ngành: Công Nghệ Thông Tin
Chuyên ngành: Công Nghệ Phần Mềm
Mã số: 60 48 10

LUẬN VĂN THẠC SĨ

NGƯỜI HƯỚNG DẪN KHOA HỌC
TS. Phạm Việt Bình

Hà Nội - 2008
MỤC LỤC
MỞ ĐẦU ................................................................................................................... 4
Chương 1:- TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ VIDEO ................................... 7


1.1 Tổng quan về xử lý ảnh .................................................................................... 7
1.1.1 Xử lý ảnh và sơ đồ tổng quát ................................................................... 7
1.1.2 Một số vấn đề cơ bản của xử lý ảnh ......................................................... 10
1.1.2.1 Các khái niệm cơ bản của xử lý ảnh ................................................ 10
1.1.2.2 Các kỹ thuật cơ bản trong xử lý ảnh ................................................ 14
1.2 Tổng quan về xử lý Video

Error! Bookmark not defined.
1.2.1 Sơ lược về Video
Error! Bookmark not defined.
1.2.2 Các dạng chuẩn và kiến trúc của Video
Error! Bookmark not defined.
1.2.2.1 Video tương tự
Error! Bookmark not defined.
1.2.2.2 Video số
Error! Bookmark not defined.
1.2.2.3 Thuật toán chuyển đổi Cosine rời rạc trong nén ảnh
Error! Bookmark not defined.
1.2.2.4 Bù chuyển động
Error! Bookmark not defined.
Chương 2:- CÁC KỸ THUẬT ĐÁNH GIÁ VẬN ĐỘNG CỦA ĐỐI TƯỢNG
TRONG VIDEO
Error! Bookmark not defined.
2.1 Kỹ thuật bắt đối tượng chuyển động
Error! Bookmark not defined.
2.1.1 Kỹ thuật trừ ảnh
Error! Bookmark not defined.
2.1.2 Kỹ thuật trừ nền (Background Subtraction)
Error! Bookmark not defined.
Phương pháp Heikkila và Olli
Error! Bookmark not defined.
Bộ trộn thích nghi của Gaussians
Error! Bookmark not defined.
Pfinder
Error! Bookmark not defined.
W4
Error! Bookmark not defined.

LOTS
Error! Bookmark not defined.
Halevy
Error! Bookmark not defined.


Cutler
Error! Bookmark not defined.
Wallflower
Error! Bookmark not defined.
2.2 Các thuật toán đánh giá vận động của đối tượng trong Video
Error! Bookmark not defined.
2.2.1 Sự quan trọng của đánh giá chuyển động trong xử lý ảnh
Error! Bookmark not defined.
Thông tin chuyển động
Error! Bookmark not defined.
2.2.2 Các hướng tiếp cận để đánh giá chuyển động
Error! Bookmark not defined.
2.2.3 Một số vấn đề liên quan đánh giá chuyển động
Error! Bookmark not defined.
Điều kiện so khớp
Error! Bookmark not defined.
Vấn đề về khung trọn vẹn
Error! Bookmark not defined.
Thuật toán loại trừ liên tục
Error! Bookmark not defined.
Thuật toán theo dõi thay đổi cửa sổ
Error! Bookmark not defined.
Thuật toán Modified Window Follower
Error! Bookmark not defined.

2.2.4 Các phương pháp đánh giá chuyển động
Error! Bookmark not defined.
2.2.4.1 Lucas – Kadane
Error! Bookmark not defined.
2.2.4.2 Phương pháp phát hiện chuyển động nổi trội
Error! Bookmark not defined.
2.2.4.3 Phương pháp đánh giá vận động toàn diện
Error! Bookmark not defined.
Chương 3:- KẾT QUẢ VÀ THỰC NGHIỆM
Error! Bookmark not defined.
3.1 Một số đặc điểm hành vi liên quan đến bệnh tật và động dục ở bò sữa
Error! Bookmark not defined.
3.2 Sơ lược về qui trình thiết kế phần mềm ứng dụng
Error! Bookmark not defined.
3.3 Cài đặt các kỹ thuật liên quan
Error! Bookmark not defined.


3.3.1 Thiết bị quan sát và lưu trữ
Error! Bookmark not defined.
3.3.2 Ngôn ngữ cài đặt
Error! Bookmark not defined.
3.3.3 Các lớp khai báo sử dụng trong chương trình
Error! Bookmark not defined.
3.3.4 Một số lớp dll truy xuất từ window
Error! Bookmark not defined.
3.3.5 Phát hiện và đánh dấu chuyển động của đối tượng
Error! Bookmark not defined.
3.3.6 Thuật toán trừ nền cơ bản
Error! Bookmark not defined.

3.3.6.1 Phát hiện đối tượng chuyển động dựa theo hướng tiếp cận
trừ khung hình liền kề
Error! Bookmark not defined.
3.3.6.2 Phát hiện đối tượng chuyển động theo hướng tiếp cận kết hợp
Error! Bookmark not defined.
3.3.7 Thuật toán phát hiện vận động toàn diện của đối tượng
Error! Bookmark not defined.
3.3.8 Chương trình cài đặt
Error! Bookmark not defined.
KẾT LUẬN ................................................................................................................ 71
TÀI LIỆU THAM KHẢO ....................................................................................... 72
PHỤ LỤC .................................................................................................................. 73


MỞ ĐẦU
Trong thế kỷ 21, sự phát triển của công nghệ thông tin đã đẩy nhanh sự phát triển
nhiều lĩnh vực của đời sống xã hội. Với sự phát triển nhanh chóng của phần cứng máy
tính và các thiết bị liên quan về các phương diện thu nhận và hiển thị đã mở ra nhiều
hướng mới cho sự phát triển của phần mềm. Trong số đó phải kể đến lĩnh vực giám sát tự
động.
Ngày nay, lĩnh vực này đã và đang được nhiều người quan tâm, nghiên cứu. Các
vấn đề liên quan đến giám sát tự động như: dự đoán, cảnh báo đối tượng đột nhập; dự
đoán, cảnh báo các hiện tượng trong tự nhiên; dự đoán, cảnh báo hành vi của con người,
loài vật,… thông qua hệ thống camera giám sát. Đây chính là những lĩnh vực rất gần gũi
và cấp thiết đối với nhu cầu trong cuộc sống của con người.
Từ dữ liệu thu được qua camera quan sát dưới dạng video lưu trữ trên máy tính rồi
tiến hành tìm hiểu, nghiên cứu các vấn đề liên quan đến nó để từ đó đưa ra các phương
pháp, thuật toán và cài đặt phần mềm ứng dụng cho vấn đề nghiên cứu này.
Với những tiến bộ trong lưu trữ dữ liệu video và thiết bị công nghệ máy tính,
nhiều ứng dụng mới liên quan đến hệ thống thông tin video đang ngày càng nổi trội.

Video là một phương tiện với độ phức tạp cao. Nó có các đặc trưng về thời gian và không
gian. Thông tin liên quan đến vị trí, khoảng cách, mối quan hệ thay đổi về thời gian và
không gian được bao hàm hoàn toàn trong dữ liệu video.
Để khai thác tốt được thông tin trong dữ liệu video thì cần tìm hiểu, nghiên cứu
nhiều hơn nữa các vấn đề liên quan đến phân tích, đánh giá thông tin trên dữ liệu video
và xây dựng thuật toán cho xử lý các vấn đề này. Video chính là dãy các khung ảnh, các
khung ảnh này thay đổi qua thời gian và theo không gian. Tuy nhiên, việc trích xuất và so
sánh các ngữ cảnh video trong hệ thống thông tin video vẫn còn là vấn đề quan trọng cần
được giải quyết.
Hiện nay chúng ta đang ở thời đại hậu PC (personal computer) sau giai đoạn phát
triển của máy tính lớn (mainframe) 1960-1980, và sự phát triển của PC-Internet giai đoạn
1980-2000. Dự đoán từ năm 2000 đến 2020 là giai đoạn của môi trường thông minh mà
hệ thống nhúng (embedded systems) là cốt lõi và đang làm nên làn sóng đổi mới trong
công nghệ thông tin và giám sát tự động. Một thực tế khách quan là thị trường của các hệ
thống nhúng lớn gấp khoảng 100 lần thị trường của PC, trong khi đó chúng ta mới nhìn


thấy bề nổi của công nghệ thông tin là các hệ thống sử dụng PC và Internet còn phần
chìm của công nghệ thông tin chiếm 99% số vấn đề trên toàn cầu này nằm trong các hệ
nhúng thì còn ít được biết đến [7].
Lĩnh vực giám sát tự động cũng đang phát triển cả về công nghệ và lĩnh vực phần
mềm liên quan. Nhưng để một ứng dụng giám sát tự động có kết quả tốt cần phải có hệ
thống các kỹ thuật, các phương pháp, các thuật toán liên quan đến xử lý và nhận dạng đối
với ảnh kỹ thuật số và video, để từ đó xây dựng nên các phần mềm kết hợp với các thiết
bị trong vấn đề giám sát tự động.
Ngày nay, trên thế giới cũng đã có nhiều thành tựu về các sản phẩm ứng dụng liên
quan đến xử lý và nhận dạng video trong lĩnh vực giám sát tự động như: giám sát chống
trộm; giám sát, cảnh báo cháy rừng; giám sát, cảnh báo tình trạng ngủ gật của các tài xế
lái xe tải; và một số các nghiên cứu liên quan đến nhận diện hành vi con người, loài vật,
...

Hiện nay ở nước ta, nông nghiệp đang trên đà phát triển, đang được khuyến khích
áp dụng công nghệ vào trong nông nghiệp để nâng cao hiệu quả sản xuất, lao động, giảm
bớt thao tác thủ công. Bên cạnh đó, sự mở rộng về quy mô của các trang trại lớn, đặc biệt
là các trang trại chăn nuôi bò sữa, với một diện tích rất rộng, qui mô lớn, nhân công
nhiều,…Điều này đặt ra các yêu cầu về vấn đề giám sát.
Xuất phát từ thực tế này, vấn đề nghiên cứu các kĩ thuật xử lý video quan sát và
ứng dụng cài đặt phần mềm liên quan để hỗ trợ tốt nhất cho các công việc giám sát đối
với tình hình ở các trang trại chăn nuôi bò sữa này là cần thiết. Trong đó, vấn đề liên
quan đến xử lý và nhận dạng video trong giám sát tự động phục vụ cho nhu cầu phát hiện
và cảnh báo một số hành vi bất thường của bò sữa như phát hiện ra dấu hiệu bất thường
của một con bò sữa nào đó trong trang trại với các dấu hiệu, động dục, sinh nở, ốm đau ..
thông qua việc giám sát tự động bởi các camera. Với nhu cầu trên, được sự hướng dẫn
của TS. Phạm Việt Bình tôi tiến hành thực hiện đề tài “Nghiên cứu một số kỹ thuật xử lý
Video và ứng dụng vào xây dựng phần mềm giám sát, quản lý tự động các trang trại”.
Trong khuôn khổ của luận văn này, mục tiêu của đề tài là tìm hiểu và nghiên cứu
một số kỹ thuật, phương pháp trong việc nhận diện, hiểu được một số hành động của
động vật để từ đó dự đoán hành vi của động vật, cụ thể là bò sữa. Bước đầu xây dựng một
ứng dụng để áp dụng các kỹ thuật, phương pháp tìm hiểu được.
Để đạt được mục tiêu trên, các vấn đề cần giải quyết trong đề tài này gồm:


+ Nghiên cứu tổng quan về xử lý ảnh, video, các thao tác cơ bản đối với video và
ứng dụng.
+ Nghiên cứu và xây dựng một số kỹ thuật xử lý ảnh áp dụng trong việc hiểu cử
chỉ, hành vi động vật trong video.
+ Nghiên cứu một số phương pháp trong việc xây dựng phần mềm ứng dụng.
+ Cài đặt một ứng dụng giám sát cụ thể sử dụng kỹ thuật liên quan.


Chương 1:- TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ VIDEO

1.1 Tổng quan về xử lý ảnh
Trong công nghệ thông tin, xử lý ảnh và đồ họa đã chiếm một vị rất quan trọng bởi vì
các đặc tính đầy hấp dẫn của nó đã tạo nên một sự phân biệt với các lĩnh vực khác.
Chúng giới thiệu các phương pháp và kỹ thuật để tạo ra các ảnh và xử lý các ảnh này.
Trong thực tế 79% thông tin mà con người thu nhận được qua thị giác đều bắt nguồn từ
ảnh [1].
Ngày nay, xử lý ảnh là lĩnh vực đã và đang ngày càng phát triển mạnh mẽ và cũng đã
có nhiều thành tựu minh chứng cho sự phát triển này. Điển hình, trong y học, xử lý ảnh
số được dùng để phát hiện và nhận dạng khối u, cải thiện ảnh X quang , nhận dạng đường
biên mạch máu từ những ảnh chụp mạch bằng tia X. Trong lĩnh vực khoa học kỹ thuật,
xử lý ảnh đã và đang có những đóng góp quan trọng, đặc biệt là trong lĩnh vực robot.
Robot thông minh ngày nay không thể thiếu yếu tố xử lý ảnh, đó là các vấn đề về nhận
dạng các đối tượng ngoài môi trường, từ việc nhận dạng có thể giải quyết rất nhiều bài
toán như tránh vật cản, dò đường...
Bên cạnh đó, xử lý ảnh cũng đang góp phần quan trọng vào lĩnh vực an ninh như:
quan sát và cảnh báo tự động đối tượng đột nhập. Góp phần vào lĩnh vực sản xuất như:
giám sát và cảnh báo tự động liên quan đến sản phẩm,…

1.1.1 Xử lý ảnh và sơ đồ tổng quát
Hệ thống xử lý ảnh số bao gồm một phạm vi rộng các kiến thức về phần cứng,
phần mềm và cơ sở lý thuyết. Các bước cơ bản của xử lý ảnh số được mô tả trong sơ đồ
dưới đây:


Hình 1.1. Các bước cơ bản trong xử lý ảnh số
Thu thập ảnh: Trong hệ thống xử lý ảnh số, camera là một thiết bị rất quan trọng
có chức năng quan sát và thu nhận ảnh đầu vào của hệ thống. Nó thường được coi là hộp
đen trong đó có các quá trình biến đổi để chuyển một ảnh thành dạng lưu trữ trong máy
tính. Các bước xử lý này bao gồm sự phát sáng, thấu kính, sensor, các phần tử quang điện
và bộ số hoá, mỗi thành phần này phối hợp nhằm đưa ra ảnh số cuối cùng. Điểm đặc biệt

quan trọng trong nhận dạng ảnh là đặc tính thời gian của camera, vì vậy quá trình xử lí
ảnh có vai trò như bộ lấy mẫu trong hệ thống nhận dạng ảnh.
Ảnh số được thu nhận bằng một cảm biến ảnh có khả năng biến thông tin về
cường độ sáng và mức xám của ảnh thực thành tín hiệu điện áp dưới dạng analog. Tín
hiệu này sau đó được số hóa để trở thành tín hiệu số.
Cảm biến nhìn chung gồm 2 thành phần chính. Thành phần thứ nhất tạo ra tín hiệu
điện ở đầu ra tỉ lệ với mức năng lượng mà nó nhận được. Thành phần thứ 2 là bộ số hóa,
là phần tử biến đổi tín hiệu tương tự thành tín hiệu số. Tùy thuộc vào thành phần số hóa
thực chất là bộ chuyển đổi ADC, chúng ta có các tín hiệu với số bit khác nhau: 4 bit, 8bit,
10 bit, 12 bit..., tương ứng ta sẽ được các ảnh có 16, 256 mức xám khác nhau,...
Tiền xử lý ảnh : Sau khi ảnh số được thu thập dưới dạng tín hiệu số, cần phải trải
qua giai đoạn tiền xử lý. Chức năng chủ yếu của tiền xử lý là cải thiện ảnh, nâng cao các


tính chất của ảnh giúp cho các quá trình xử lý về sau được thuận tiện hơn. Các công đoạn
cơ bản của tiền xử lý là: nâng cao độ tương phản, lọc nhiễu...
Phân vùng ảnh: Bước tiếp theo của quá trình xử lý là phân vùng ảnh. Ảnh sau khi
đã được cải thiện, sẽ trở nên thuận tiện hơn cho việc phân ngưỡng và phân vùng. Nhiệm
vụ chính của phân ngưỡng và phân vùng ảnh là tách ảnh đầu vào thành các đối tượng, vật
thể riêng biệt. Kết quả của quá trình phân vùng ảnh, ta sẽ được một tập hợp các điểm ảnh
có liên kết với nhau thành các đối tượng, được đánh số phân biệt, thuận tiện cho các quá
trình xử lý cao hơn.
Đầu ra của quá trình phân vùng ảnh là các pixel chưa được lọc, bao gồm liên kết
của 1 vùng hoặc tất cả các điểm ảnh trong vùng đó. Số liệu này cần được biến đổi thành
dạng thích hợp cho máy tính xử lý.
Phân tích ảnh: đây là giai đoạn xử lý bậc cao trong hệ thống xử lý ảnh số. Ảnh
sau khi được phân vùng thành các đối tượng riêng biệt, đã được đánh số phân biệt, sẽ
được phân tích để phục vụ những mục đích khác nhau như: Xác định các đặc trưng hình
học của đối tượng: dựa trên cơ sở đối tượng đã được xác định và phân biệt, ta có thể thực
hiện xác định các đặc trưng hình học của mỗi đối tượng đấy, như: vị trí, kích thước,

hướng, ... và số đối tượng hay mật độ đối tượng trong ảnh. Đây là các đặc trưng được
dùng nhiều trong hệ thống thị giác máy (machine vision).
Nhận dạng : các đối tượng có thể là các vật thể có hình dạng nhất định,
hoặc các kí tự số, chữ cái, dấu vân tay,...Ảnh sau khi được phân vùng có thể được nhận
dạng theo những phương pháp nhất định như phương pháp neural, để tìm ra mẫu hình
dạng mà đối tượng đó thuộc về.
Để hướng dẫn hoạt động của từng module xử lý, cần có một hệ cơ sở kiến thức để
kiểm tra hoạt động và tương tác giữa các module. Hệ này có nhiệm vụ kiểm soát hoạt
động của từng module và sắp xếp trình tự hoạt động của chúng trong từng thời điểm, giải
quyết bài toán xung đột.


1.1.2 Một số vấn đề cơ bản của xử lý ảnh
1.1.2.1 Các khái niệm cơ bản của xử lý ảnh
Ảnh: Là một tập hợp hữu hạn các điểm ảnh kề nhau. Ảnh thường được biểu diễn
bằng một ma trận hai chiều, mỗi phần tử của ma trận tương ứng với một điểm ảnh.
- Ảnh nhị phân (đen trắng): là ảnh có giá trị mức xám của các điểm ảnh được
biểu diễn bằng 1 bit (giá trị 0 hoặc 1).
Ví dụ về biểu diễn ảnh nhị phân:
0

1

0
0


1
1
0

1

1
1
1
1

0

0

1
1

- Ảnh xám: giá trị mức xám của các điểm ảnh được biểu diễn bằng 8 bit (giá trị từ
0 đến 255).
Ví dụ về biểu diễn ảnh xám:
0

15

0
0


5

12

0

94

21

0

0

156

9




11 245 12

- Ảnh màu: thông thường, ảnh màu được tạo nên từ 3 màu tương ứng với màu đỏ
(RED), xanh lá cây (GREEN), xanh lam (BLUE). Tất cả các màu trong tự nhiêu đều có
thể được tổng hợp từ 3 thành phần màu trên theo các tỷ lệ khác nhau.
Điểm ảnh (pixel): Ảnh trong tự nhiên là những tín hiệu liên tục về không gian
và giá trị độ sáng. Để có thể lưu trữ và biểu diễn ảnh bằng máy tính, con người phải tiến
hành biến đổi các tín hiệu liên tục đó thành một số hữu hạn các tín hiệu rời rạc thông
qua quá trình lượng tử hóa và lấy mẫu thành phần giá trị độ sáng. Một điểm ảnh là một
giá trị biểu diễn cho mức xám hay cường độ ảnh tại một vị trí sau khi đã biến đổi ảnh
thành một số hữu hạn các tín hiệu rời rạc.


Mức xám: Là kết quả của sự biến đổi tương ứng giá trị độ sáng của một điểm

ảnh với một giá trị số nguyên dương. Tùy thuộc vào số giá trị biểu diễn mức xám mà
mỗi điểm ảnh sẽ được biểu diễn trên 1, 4, 8, 24 hay 32 bit. Số lượng bit biểu diễn mức
xám càng lớn thì chất lượng ảnh càng cao nhưng sẽ tốn dung lượng bộ nhớ nhiều hơn để
lưu trữ và cần một hệ thống mạnh hơn để xử lý.
Một số định dạng ảnh hiện nay như:
BMP (Bitmap): Là ảnh được mô tả bởi một ma trận các giá trị số xác định màu
và bảng màu của các điểm ảnh tương ứng khi hiển thị. Ưu điểm của ảnh Bitmap là tốc
độ vẽ và tốc độ xử lý nhanh. Nhược điểm của nó là kích thước rất lớn.
JPEG (Joint Photographic Experts Group): Đây là một định dạng ảnh được
hỗ trợ bởi nhiều trình duyệt web. Ảnh JPEG được phát triển để nén dung lượng và lưu
trữ ảnh chụp, và được sử dụng tốt nhất cho đồ họa có nhiều màu sắc, ví dụ như là ảnh
chụp được scan. Tập tin ảnh JPEG là ảnh Bitmap đã được nén lại.
GIF (Graphics Interchange Format): Ảnh GIF được phát triển dành cho
những ảnh có tính chất thay đổi. Nó được sử dụng tốt nhất cho đồ họa có ít màu, ví dụ
như là ảnh hoạt hình hoặc là những bức vẽ với nhiều đường thẳng.
WMF (Windows Metafiles): Là một tập hợp các lệnh GDI dùng để mô tả ảnh
và nội dung ảnh. Có hai ưu điểm khi sử dụng ảnh WMF: kích thước tập tin WMF nhỏ
và ít phụ thuộc vào thiết bị hiển thị hơn so với ảnh Bitmap.
Điểm ảnh và các lân cận: Mỗi frame ảnh thu về được biểu diễn dưới dạng I(x,y)
trong đó x,y là tọa độ của điểm ảnh trên frame và I là mức xám tương ứng của điểm ảnh
đó. Như vậy 1 frame ảnh thu được sẽ được biểu diễn dưới dạng một ma trận 2 chiều n x
m với n là số điểm ảnh trên 1 hàng, m là số hàng trong 1 frame.
Mỗi điểm ảnh có các lân cận xung quanh. Nếu hiển thị mỗi điểm ảnh dưới dạng
một ô vuông, mỗi điểm có chung biên với 4 điểm lân cận, và có chung góc với 4 điểm lân
cận khác.
Hai điểm lân cận gọi là "liên kết 4" nếu chúng có chung biên với nhau, và "liên kết
8" nếu chung góc và chung biên với nhau.


[i-1,j]

[i,j-1]

[i,j]

[i,j+1]

[i+1,j]
(a) Liên kết 4

[i-1,j-1]

[i-1,j]

[i-1,j+1]

[i,j-1]

[i,j]

[i,j+1]

[i+1,j-1]

[i+1,j]

[i+1,j+1]

(b) Liên kết 8
Hình 1.2. Những liên kết giữa các điểm ảnh

Đường liên kết: Đường liên kết là đường nối từ điểm ảnh [i1, j1] đến điểm ảnh
[in,jn], qua một chuỗi các điểm ảnh [i1, j1 ], [i2, j2 ],.. , [ik, jk] ..,[in,jn] trong đó mỗi điểm
ảnh liên kết với điểm ảnh trước nó. Từ đó ta có đường liên kết 4 hoặc liên kết 8 nếu các
điểm ảnh là liên kết 4 hoặc liên kết 8.

(a) liên kết 4

(b) liên kết 8

Hình 1.3. Những kiểu đường liên kết giữa các điểm ảnh
Mô hình màu: Là phương pháp diễn giải các đặc tính và tác động của màu trong
ngữ cảnh nhất định. Không có mô hình màu nào là đầy đủ cho mọi khía cạnh của màu.
Người ta sử dụng các mô hình màu khác nhau để mô tả các tính chất được nhận biết khác
nhau của màu. Sau đây là một số mô hình màu điển hình:
- Mô hình màu RGB: Mọi màu được biểu diễn bởi không gian màu RGB đều là sự
pha trộn của 3 thành phần màu cơ bản (Red, Green, Blue). Mô hình màu RGB được biểu
diễn bởi khối lập phương với các trục R, G, B và cách xám hóa ảnh màu RGB như sau:
mức xám = 0.299R+0.587G+0.114B
hoặc mức xám = 0.333R+0.333G+0.333B


Hình 1.4. Mô hình màu RGB
Mô hình màu CMY: Gồm 3 thành phần màu cơ bản cyan, magenta, yellow. Là bù
màu của không gian màu RGB. Mối quan hệ giữa hai không gian như sau: C = 1.0 - R, M
= 1.0 – G, Y = 1.0 – B.
Mô hình màu HSV: Mô hình màu HSV suy diễn từ mô hình màu RGB. Nếu quan
sát hình hộp RGB theo đường chéo từ white đến black thì ta có hình lục giác với:
+ Hue: Bước sóng gốc của ánh sáng. Trong mô hình hue được biểu diễn
từ 0o đến 360o.
+ Value: Cường độ hay độ chiếu sáng. Value có giá trị trong [0,1], V=0

thì là màu đen, đỉnh lục giác có cường độ màu cực đại.
+ Saturation: Thước đo độ tinh khuyết ánh sáng gốc. S nằm trong khoảng
[0,1]. Biểu diễn tỷ lệ độ tinh khuyết của màu sẽ chọn với độ tinh khuyết
cực đại.

Hình 1.5. Mô hình màu HSV


1.1.2.2 Các kỹ thuật cơ bản trong xử lý ảnh
Toán tử cửa sổ: Trong việc thực thi các thuật toán xử lý ảnh số cơ bản, người ta
thường sử dụng một toán tử đặc biệt gọi là toán tử cửa sổ. Toán tử cửa sổ là một tập hợp
có hình dạng nhất định, gồm các điểm ảnh có liên kết với một điểm ảnh trung tâm, là
điểm ảnh đang được xử lý. Các phép toán trên các điểm ảnh này sẽ có ảnh hưởng đến các
điểm ảnh trung tâm cũng là các điểm ảnh đang được xử lý trong một thuật toán xử lý ảnh.
Toán tử cửa sổ có nhiều hình dạng, tùy thuộc vào thuật toán thực hiện. Tuy nhiên thường
dùng nhất là các toán tử có dạng hình vuông với các cạnh là một số lẻ, ví dụ:3x3, 5x5,
7x7...
Tăng độ tương phản: Ảnh sau khi thu được từ camera, có thể do sự tương phản
ảnh sáng kém, dẫn đến độ chói quá cao, khó phân biệt. Để cải thiện ảnh, hỗ trợ các quá
trình xử lý cao hơn, ta sử dụng các phương pháp hiệu chỉnh: hiệu chỉnh min-max, hiệu
chỉnh histogram, hiệu chỉnh Gamma, ... Ở đây ta sử dụng phương pháp hiệu chỉnh minmax vì nó dãn đều mức xám của ảnh trong dải cho phép. Công thức để nâng cấp ảnh theo
hiệu chỉnh min-max:

I
I
I new  old min .256 , với Imax, Imin, Iold, Inew lần lượt là các mức xám cao
I max  I
min
nhất, thấp nhất, trước và sau khi thực hiện hiệu chỉnh.
Phép cuộn và mẫu:

Giả sử ta có ảnh I, lược đồ mức xám là I[M,N]
và mẫu T, lược đồ mức xám tương ứng T[m,n], khi đó ảnh I cuộn theo mẫu T được xác
định theo công thức:

hoặc

m1n1
I  T    I ( x  i, y  j ).T (i, j )
i0 j0

( x, y)

(1)

m1n1
I  T    I ( x  i, y  j).T (i, j )
i0 j0

( x, y)

(2)


1

0

Ví dụ: cho ảnh I 0
0


0


2
1
0
0
0

3
2
1
0
0

4
3
2
1
0

6

5
1 0

4 và mẫu T 

0 1


3
2

5
4
3
2
1

2

0

Áp dụng công thức (1) ta có: I  T  0
0

*


4
2
0
0
*

6
4
2
0
*

8 10 *

6 8 *

4 6 *
2 4 *
* * *

*

*

Áp dụng công thức (2) ta có: I  T  *
*

*


*
2
0
0
0

*
4
2
0
0

*
6
4
2
0

* *

8 10

6 8
4 6 
2 4 

Lọc tuyến tính: Đây là thuật toán cơ sở sử dụng phép nhân chập. Lọc tuyến tính
có tác dụng cải thiện ảnh, loại bỏ nhiễu hỗ trợ cho các quá trình xử lý cao hơn. Mỗi bộ
lọc khác nhau sử dụng một mặt nạ khác nhau, cho hiệu quả khác nhau tùy vào mục đích
sử dụng và tình trạng của ảnh sau khi thu thập.Các mặt nạ lọc thường là: 2x2, 3x3, 5x5,
7x7;.. Phép lọc được xác định bằng cách lấy tổng chập hàm lọc với hình ảnh:
v(m,n) = Σs(m-k, n-l) h(k,l), với v(m,n) là điểm ảnh mới, s(m-k,n-l) là điểm ảnh cũ,
h(k,l) là hàm chập.
 Lọc trung bình: Mỗi điểm ảnh được thay thế bằng trung bình trọng số của các
điểm lân cận: v(m, n)  

 a(k , l )s(m  k , n  l ) , nếu a(k,l)=1/NW, trong đó
k ,lW

NW là số điểm trong cửa sổ, khi đó ta có phương pháp lọc trung bình: giá trị
mới của điểm ảnh thay bằng trung bình cộng của các điểm rơi vào cửa sổ W

v(m, n) 

1
  s (m  k , n  l )
N
W k ,lW


 Lọc trung vị: Dùng trong trường hợp xuất hiện cô lập ngẫu nhiên dàn trải trên
ảnh;

lọc

trung

bình

có

thể

làm

ảnh

bị

mờ;

Phương pháp: Lấy điểm trung vị trong dãy được sắp các giá trị trong cửa sổ;
lọc trung vị là lọc phi tuyến:
Median{ x(m) + y(m) } ≠ Median{x(m)} + Median{y(m)}, thông thường cửa sổ
có điểm số lẻ: 3x3, 5x5, Nếu cửa sổ có số điểm chẵn: lấy giá trị trung bình của hai
điểm ở giữa.
Thuật toán dò biên ảnh: Một điểm ảnh được coi là nằm trên đường biên nếu tại
vị trí điểm ảnh đó có sự thay đổi đột ngột của mức xám. Như vậy, đường biên là đường
nối các điểm ảnh nằm trong khu vực ảnh có thay đổi đột ngột về độ chói, đường biên
thường ngăn cách hai vùng ảnh có các mức xám gần như không đổi.
- Phương pháp Gradient:

Hình 1.6. Mô tả phương pháp tìm biên ảnh
Phương pháp này là phương pháp dò biên cục bộ dựa vào giá trị cực đại của đạo
hàm. Gradient là vector cho thấy tốc độ thay đổi giá trị độ chói của các điểm ảnh theo
hướng nhất định. Các thành phần của Gradient được tính bởi:

f ( x, y) f ( x  dx, y)  f ( x, y)

x
dx
f ( x, y) f ( x, y  dy)  f ( x, y)

y
dy

(1)
(2)

dx, dy là khoảng cách giữa các điểm theo hướng lấy x, y. Thực tế thường dùng
dx=1, dy=1.[7]

TÀI LIỆU THAM KHẢO

Tiếng Việt


[1] Kỷ yếu hội thảo quốc gia, Một số vấn đề chọn lọc của công nghệ thông tin, Nhà xuất
bản khoa học và kỹ thuật, tháng 8-2005
[2] Lương Mạnh Bá, Nguyễn Thanh Thủy Nhập môn xử lý ảnh số, Nhà xuất bản khoa
học và kỹ thuật, Hà Nội 2006
[3] Mai Cường Thọ, Bài giảng xử lý ảnh số
[4] Nguyễn Duy Nhật Viên, Multimedia, 7-2006
[5] Nguyễn Thanh Bình, Võ Nguyễn Quốc Bảo, Xử lý âm thanh và hình ảnh, 2007
[6] PGS. TS Đỗ Năng Toàn, Bài giảng xử lý ảnh số, 2007
[7] Phạm Thượng Cát, Những thành tựu đã đạt được trong nghiên cứu phát triển công
nghệ tự động hóa 30 năm qua tại viện công nghệ thông tin, Viện Công Nghệ Thông
tin.
Tiếng anh

[8] Chueh-Wei Chang and Suh-Yin Lee

(1996), Video Content Representation,

Indexing, and Matching in Video Information Systems, journal of visual
communication and image representation.
[9] Ming Gao-Phillip Bridgman and Sunil Kumar (2003), Computer Aided Prostate
Cancer Diagnosis Using Image Enhancement and JPEG2000.
[10]

Ian T. Young, Jan J. Gerbrands, Lucas J. van Vliet (1998), Fundamentals of Image

Processing, The Netherlands at the Delft University of Technology
[11]

Todd R. Reed (2005), Digital Image Sequence Processing, Compression and

Analysis, University of Hawaii at Manoa Honolulu, HI.
[12]

Ling Guan, Sun-Yuan Kung, Jan Larsen (2001), Multimedia Image and Video

Processing, CRC Press LLC.
[13]

Paul Browne, Alan F Smeaton, Noel Murphy, Noel O’Connor, Seán Marlow,

Catherine Berrut, Evaluating and Combining Digital Video Shot Boundary Detection


Algorithms, Centre for Digital Video Processing Dublin City university Dublin 9,
Ireland
[14]

Syed Ali Khayam (2003), The Discrete Cosine Transform (DCT): Theory and

Application, Department of Electrical & Computer Engineering Michigan State
University.
[15]

Iain E. G. Richardson, H.264 and MPEG-4 Video Compression, The Robert

Gordon University, Aberdeen, UK
[16]

H.R. Wu and K.R. Rao (2006), Digital Video Image Quality and Perceptual

Coding, Taylor & Francis Group, LLC
[17]

Alan

M.MCIvor,

Background

Subtraction

Techniques,

PO

Box128-

221,Remuera,Auckland,NewZealand
[18]

Yi-Wen Chen, Ming-Ho Hsiao, Hua-Tsung Chen,Chi-Yu Liu, Suh-Yin Lee

(2008), Content-Aware Fast Motion Estimation Algorithm, journal of Visual
Communication & Image Representation.

[19]

Ying-Li Tian and Arun Hampapur, Robust Salient Motion Detection with Complex

Background for Real-time Video Surveillance, IBM T.J. Watson Research Center
[20]

Tilo Burghardt, Janko Ćalić, Barry T. Thomas, Tracking animals in wildlife videos

using face detection, Dept. of Computer Science,University of Bristol
[21]

Jian-Da Wu, Tuo-Rung Chen (2008), Development of a drowsiness warning

system based on the fuzzy logic images analysis, Journal of ScienceDirect.
[22]

Takao Hashimoto, Yuji Izawa, Hisashi Yokoyama, Takashi Kato, Tetsuji

Moriizumi (1999), A new video:computer method to measure the amount of overall
movement in experimental animals (two-dimensional object-difference method).