Nghiên cứu các phương pháp phân đoạn ảnh, ứng dụng phân đoạn ảnh hoa

LỜI CẢM ƠN
Trong suốt quá trình thực hiện đề tài Đồ án tốt nghiệp:” Nghiên cứu các
phương pháp phân đoạn ảnh, ứng dụng phân đoạn ảnh hoa” ngoài sự cố gắng của
bản thân, em đã nhận được sự giúp đỡ tận tính từ phía nhà trường, thầy cô, gia đình và
bạn bè.
Đầu tiên em xin gửi lời cảm ơn sâu sắc tới cô giáo ThS. Nguyễn Thị Thanh
Nhàn, đã hướng dẫn, chỉ bảo tận tình để em hoàn thành tốt báo cáo đồ án tốt nghiệp này.
Em xin gửi lời cảm ơn đến các thầy cô ở trường Đại Học Công nghệ thông tin
và Truyền thông. Đặc biệt là các thầy cô trong bộ môn Hệ thống thông tin. Những
người đã chỉ đường dẫn lối cho em trên hành trình đi tìm tri thức, những người đã
hướng dẫn, dạy bảo em tận tình trong suốt quá trình học tập tại trường.
Em cũng xin cảm ơn gia đình và bạn bè đã luôn quan tâm động viên, giúp đỡ và
tạo điều kiện tốt nhất để em hoàn thành Đồ án này.
Trong quá trình thực hiện đề tài, mặc dù em đã có nhiều cố gắng nhưng do hạn
chế về thời gian cũng như kinh nghiệm nên chắc chắn còn mắc phải nhiều thiếu sót,
rất mong nhận được sự đóng góp ý kiến của các thầy cô và các bạn để đề tài này được
hoàn chỉnh hơn.
Em xin chân thành cảm ơn!
Thái Nguyên, ngày 01 tháng 06 năm 2016
Sinh viên

Nguyễn Thị Thu

1


MụC LụC
LỜI CẢM ƠN .............................................................................................................1
MỤC LỤC...................................................................................................................2
DANH MỤC HÌNH ẢNH ...........................................................................................4
LỜI MỞ ĐẦU .............................................................................................................6

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT..............................................................................8
1.1 Quá trình xử lí ảnh .............................................................................................8
1.2 Quan hệ giữa các điểm ảnh ................................................................................9
1.3 Tổng quan về phân đoạn ảnh............................................................................12
1.3.1 Các phương pháp dựa trên không gian đặc trưng.......................................13
1.3.2 Các phương pháp dựa trên không gian ảnh................................................13
1.3.3 Các phương pháp dựa trên mô hình vật lý .................................................14
1.4 Bài toán nhận dạng cây ....................................................................................15
CHƯƠNG 2 MỘT SỐ PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH..................................17
2.1 Phân đoạn dựa vào ngưỡng ..............................................................................17
2.1.1 Chọn ngưỡng cố định ................................................................................18
2.1.2 Chọn ngưỡng dựa trên lược đồ (Histogram) ..............................................18
2.2 Phân đoạn dựa theo đường biên .......................................................................30
2.2.1 Giới thiệu chung........................................................................................30
2.2.2 Phát hiện biên............................................................................................31
2.2.3 Làm mảnh biên .........................................................................................34
2.2.4 Nhị phân hóa đường biên ..........................................................................35
2.2.5 Mô tả biên .................................................................................................35
2.3 Phân đoạn ảnh theo miền đồng nhất .................................................................36
2.3.1 Phương pháp tách cây tứ phân...................................................................37
2.3.2 Phương pháp cục bộ ..................................................................................38
2.3.3 Phương pháp tổng hợp ..............................................................................39
CHƯƠNG 3: ỨNG DỤNG PHÂN ĐOẠN ẢNH HOA .............................................41
3.1 Các phương thức dựa trên sự xuất hiện ............................................................41
3.3 Đường viền và phương thức dựa trên sự xuất hiện .......................................42

2


3.4 Phân đoạn dựa vào giải thuật Watershed ..........................................................44

3.5 Phân đoạn dựa vào thuật toán Salient Region Segmentation (Phân đoạn vùng nổi
bật) ........................................................................................................................48
3.6 Cơ sở dữ liệu....................................................................................................50
3.7 Đánh giá và nhận xét........................................................................................52
KẾT LUẬN ...............................................................................................................55
TÀI LIỆU THAM KHẢO .........................................................................................56

3


DANH MụC HÌNH ảNH
Hình 1.1: Các bước cơ bản trong xử lí ảnh...................................................................8
Hình 1.2: Lân cận các điểm ảnh tọa độ (x,y) ..............................................................10
Hình 1.3: Quan hệ trong vùng lân cận giữa các điểm ảnh...........................................10
Hình 1.4: Ví dụ phân đoạn ảnh ..................................................................................12
Hình 1.5: Ví dụ về phân đoạn ảnh hoa .......................................................................16
Hình 2.1: Minh họa thuật toán đối xứng nền ..............................................................20
Hình 2.2: Minh họa thuật toán tam giác .....................................................................21
Hình 2.4: Minh họa giải thuật Watershed...................................................................22
Hình 2.5 : Hình minh họa ..........................................................................................24
Hình 2.6. (a) Ảnh gốc. (b) Kết quả phân đoạn bằng ngưỡng toàn cục 100..................25
Hình 2.7. (a) Ảnh gốc (b) Sau khi áp dụng giải thuật watershed.................................26
Hình 2.8: Vùng sáng elip hiển thị khác nhau khi do nền khác nhau............................26
m
Hình 2.9: Đồ thị thể hiện của  ( Ri ) trên ba vùng khác nhau của áo người đàn ông.........29
i

Hình 2.10: Đường biên lí tưởng .................................................................................30
Hình 2.11: Đường biên bậc thang ..............................................................................31
Hình 2.12: Đường biên thực ......................................................................................31

Hình 2.13: Mô tả khái niệm 4 liên thông và 8 liên thông............................................39
Hình 3.1: Phân đoạn ảnh hoa – (a) ảnh gốc, (b) ảnh còn lại sau khi xóa vùng không
thuộc đối tượng, (c) vùng chứa đối tượng ..................................................................41
Hình 3.2: Minh họa cách thức hoạt động của giải thuật watershed .............................44
Hình 3.3: Ảnh hoa khi vẽ vùng bên trong và bên ngoài dùng Watershed....................45
Hình 3.4: Ảnh hoa sau khi chạy chương trình phân đoạn Watershed..........................46
Hình 3.5: Ảnh kết quả sau khi tách ra khỏi nền..........................................................47
Hình 3.6: Kết quả thử nghiệm bằng dữ liệu của Image 2015 ......................................48
Hình 3.7: một số kết quả thực nghiệm của phân đoạn Watershed, từ phải sang trái: ảnh
gốc,ảnh kết quả phân đoạn bằng Watershed...............................................................48
Hình 3.8: Từ ảnh gốc sử dụng thuật toán Saliency Detection để đưa ra vùng có mức
sáng nổi bật hơn.........................................................................................................48
Hình 3.9: Mô tả các bước xử lí trong thuật toán Saliency Detection...........................49
4


Hình 3.10: Mô tả các bước trong giải thuật phân đoạn vùng nổi bật...........................49
Hình 3.11: Hình ảnh thử nghiệm bằng dữ liệu tự thu thập. Từ trái qua phải: Ảnh gốc,
ảnh Min-shift, ảnh ROI, ảnh kết quả ..........................................................................50
Hình 3.12: Hình ảnh thử nghiệm bằng dữ liệu cuộc thi ImageCefl 2015: từ trái qua
phải: Ảnh gốc, ảnh MeanShifl, ảnh ROI, ảnh kết quả.................................................50
Hình 3.13: Ảnh hoa tự thu thập..................................................................................51
Hình 3.14: Ảnh hoa trong bộ dữ liệu ImageClef 2015................................................51
Hình 3.15: Phân đoạn dựa trên vùng nổi bật đối với hoa đơn, từ trái qua phải: ảnh gốc,
ảnh kết quả ................................................................................................................52
Hình 3.16: Phân đoạn dựa trên vùng nổi bật với hoa chùm, từ trái qua phải: ảnh gôc,
ảnh kết quả ................................................................................................................52
Hình 3.17: Phân đoạn bằng giải thuật Watershed với hoa đơn, từ trái qua phải: ảnh
gốc, ảnh kết quả.........................................................................................................53
Hình 3.18: Phân đoạn bằng giải thuật Watershed với hoa chùm, từ trái qua phải: ảnh

gốc, ảnh kết quả.........................................................................................................53
Hình 3.19: Phân đoạn ảnh đơn, từ trái qua phải: ảnh gốc, kết quả của Watershed, kết
quả của phân vùng nổi bật .........................................................................................54
Hình 3.20: Phân đoạn ảnh hoa chùm, từ trái qua phải: ảnh gốc, kết quả của Watershed,
kết quả của phân vùng nổi bật....................................................................................54

5


LỜI MỞ ĐẦU
Những năm gần đây, thị giác máy tính (Computer Vision) trở thành một lĩnh
vực nghiên cứu mới mẻ đầy tiềm năng và rất được quan tâm. Ứng dụng của thị giác
máy tính có thể quan sát rất rõ trong các sản phẩm công nghệ cao, những hệ thống
giám sát, nhận dạng và quản lí con người, theo dõi đối tượng, phát hiện sự kiện bất
thường, nhận dạng vật thể, nhận dạng chữ viết, số, … Phân đoạn ảnh là một thao tác ở
mức thấp trong toàn bộ quá trình xử lí ảnh. Quá trình này thực hiện việc phân vùng
ảnh thành các vùng rời rạc và đồng nhất với nhau hay nói các khác là xác định các
biên của các vùng ảnh đó. Các vùng ảnh đồng nhất này thông thường sẽ tương ứng với
toàn bộ hay từng phần của các đối tượng thật sự bên trong ảnh. Vì thế, trong hầu hết
các ứng dụng của lĩnh vực xử lí ảnh (image processing), thị giác máy tính, phân đoạn
ảnh luôn đóng một vai trò cơ bản và thường là bước tiền xử lí đầu tiên trong toàn bộ
quá trình trước khi thực hiện các thao tác khác ở mức cao hơn như nhận dạng đối
tượng, biểu diễn đối tượng, nén ảnh dựa trên đối tượng, hay truy vấn ảnh dựa vào nội
dung … Vào những thời gian đầu, các phương pháp phân vùng ảnh được đưa ra chủ
yếu làm việc trên các ảnh mức xám do các hạn chế về phương tiện thu thập và lưu trữ.
Ngày nay, cùng với sự phát triển về các phương tiện thu nhận và biểu diễn ảnh, các
ảnh màu đã hầu như thay thế hoàn toàn các ảnh mức xám trong việc biểu diễn và lưu
trữ thông tin do các ưu thế vượt trội hơn hẳn so với mức xám. Do đó, các kĩ thuật, giải
thuật mới thực hiện việc phân vùng ảnh trên các loại ảnh màu liên tục được phát triển
để đáp ứng các nhu cầu mới. các kĩ thuật, giải thuật này thường được phát triển dựa

trên nền tảng các giải thuật phân vùng ảnh mức xám đã có sẵn.
Nhận dạng các loài cây là một ứng dụng như thế. Nhận dạng cây có tính ứng
dụng cao trong giáo dục nhận thức về môi trường sinh thái cho học sinh, nhận biết cây
thuốc trong y tế, nhận dạng cây trong môi trường lạ (như rừng núi,…). Trong bài toán
nhận dạng cây dựa trên kĩ thuật xử lí ảnh, các thành phần của cây (hoa, lá, thân, rễ, …)
đều có thể đóng góp vai trò nhận dạng. Báo cáo này tập trung vào việc ứng dựng các
giải thuật đểphân đoạn ảnh hoa góp phần giải quyết bài toán nhận dạng cây. Tiến hành
thử nghiệm, đánh giá giải thuật trên bộ dữ liệu có độ tin cậy cao ImageClef và dữ liệu
tự thu thập. Ảnh được nghiên cứu ở đây là ảnh hoa.

6


Đồ án được thực hiện trong 10 tuần và báo cáo đồ án bao gồm 3 chương :
Chương 1 : Cơ sở lí thuyết
Chương 2 : Một số phương pháp phân đoạn ảnh
Chương 3 : Ứng dụng phân đoạn ảnh hoa

7


CHƯƠNG 1
CƠ SỞ LÝ THUYẾT
1.1 Quá trình xử lí ảnh
Các phương pháp xử lí ảnh bắt đầu từ các ứng dụng chính như nâng cao chất
lượng ảnh và phân tích ảnh. Do vậy, quá trình xử lí ảnh bao giờ cũng bắt đầu bằng
công việc thu nhận ảnh và kết thúc là việc nhận dạng ảnh hoặc một phán đoán theo ý
nghĩa trên cơ sở nhận dạng ảnh. Cụ thể, các bước cơ bản trong quá trình xử lí ảnh
được thể hiện thông qua hình 1.1 sau:

Hình 1.1: Các bước cơ bản trong xử lí ảnh
 Thu nhận ảnh
Công việc cụ thể ở giai đoạn này là thu ảnh qua một bộ thu ảnh và số hóa tín
hiệu liên tục được sinh ra bởi bộ thu ảnh đó. Bộ thu ảnh có thể là máy chụp ảnh đơn
sắc hay màu, máy quét ảnh, máy quay,…
 Tiền xử lí ảnh
Công việc cụ thể của bước này là cải thiện độ tương phản của ảnh, khử nhiễu.
Mục đích của công việc này là làm cho chất lượng ảnh trở lên tốt hơn chuẩn bị cho các
bước xử lí tiếp theo.
 Phân đoạn ảnh
Đây là giai đoạn tách một ảnh đầu vào thành nhiều vùng khác nhau hay còn gọi
là các đối tượng để biểu diễn phân tích, nhận dạng ảnh.

8


 Biểu diễn và mô tả
Ảnh sau khi số hóa sẽ được lưu vào bộ nhớ hoặc chuyển sang các khâu tiếp
theo để phân tích. Nếu lưu trữ ảnh trực tiếp từ các ảnh thô đòi hỏi dung lượng bộ nhớ
rất lớn và không hiệu quả theo quan điểm ứng dụng và công nghệ. Thông thường, các
ảnh thô đó được biểu diễn lại theo các đặc điểm của ảnh được gọi là các đặc trưng ảnh
như : biên ảnh, vùng ảnh. Các thông tin này sẽ được chọn các tính chất đặc trưng để
thể hiện gọi là trích trọn đặc trưng.
 Nhận dạng và nội suy
Nhận dạng ảnh là quá trình xác định ảnh bằng cách so sánh ảnh với mẫu chuẩn
đã được lưu trữ từ trước. Nội suy là phán đoán theo ý nghĩa trên cơ sơ nhận dạng ảnh.
Một số đối tượng nhận dạng khá là phổ biến hiện nay đang được áp dụng trong khoa
học và công nghệ là: Nhận dạng kí tự (chữ in, chữ viết tay, chữ kí điện tử), nhận dạng
văn bản, nhận dạng vân tay, nhận dạng mã vạch, nhận dạng mặt người,…..
 Cơ sở tri thức

Trong nhiều khâu xử lí và phân tích ảnh, ngoài việc đơn giản hóa các phương
pháp toán học đảm bảo tiện lợi cho xử lí ảnh thì chúng ta luôn hướng đến việc xây
dựng hệ thống tự động tiếp nhận và xử lí theo cách của con người. Vì vậy, nhiều khâu
hiện nay đã được xử lí theo các phương pháp trí tuệ nhân tạo, sử dụng cơ sở tri thức
của con người.
1.2 Quan hệ giữa các điểm ảnh
Một ảnh số giả sử được biểu diễn bằng hàm f(x,y). Tập con các điểm ảnh là S:
cặp điểm ảnh có quan hệ với nhau kí hiệu là p, q. Chúng ta nêu một số các khái niệm sau:
a) Các lân cận của điểm ảnh (Image Neighbors)
Giả sử có điểm ảnh p tại tọa độ (x,y). p có 4 điểm lân cận gần nhất theo chiều
đứng và ngang (có thể coi như lân cận 4 hướng chính: Đông, Tây, Nam, Bắc).
{ (x-1,y); (x,y-1); (x,y+1); (x+1,y) } = N4(p)
Trong đó: số 1 là giá trị logic; N4(p) là tập 4 điểm lân cận của p

9


Hình 1.2: Lân cận các điểm ảnh tọa độ (x,y)
Các lân cận chéo: Các điểm lân cận chéo Np(p) (có thể coi lân cận chéo là 4
hướng: Đông-Nam, Đông-Bắc, Tây-Nam, Tây-Bắc)
Np(p) = {(x+1,y+1); (x+1,y-1); (x-1,y+1); (x-1,y-1)}
Tập kết hợp: N8(p) = N4(p) + Np(p) là tập hợp 8 lân cận của điểm ảnh p

Hình 1.3: Quan hệ trong vùng lân cận giữa các điểm ảnh
Chú ý: Nếu (x,y) nằm ở biên (mép) ảnh, một số điểm sẽ nằm ngoài ảnh
b) Các mối liên kết điểm ảnh
Các mối liên kết được sử dụng để xác định giới hạn (Boundaries) của đối tượng
vật thể hoặc xác định vùng trong một ảnh. Một liên kết được đặc trưng bởi tính liền kề
giữa các điểm và mức xám của chúng.
Giả sử V là tập các giá trị mức xám. Một ảnh có các giá trị cường độ sáng từ

thang mức xám từ 32 đến 64 được mô tả như sau:
V = {32, 33, … , 63, 64}
Có 3 loại liên kết:

10


 Liên kết 4: Hai điểm ảnh p và q được nói là liên kết 4 với các giá trị cường
độ sáng V nếu q nằm ở một trong các lân cận của p, tức q

N4(p)

 Liên kết 8: Hai điểm ảnh p và q nằm ở một trong các lân cận 8 của p, tức là
q

N8(p)
 Liên kết m (liên kết hỗn hợp): hai điểm ảnh p và q với các giá trị cường độ

sáng V được gọi là liên kết m nếu:
1. q

N4(p)

2. q

Np(p)

c) Khoảng cách giữa các điểm ảnh
Định nghĩa: Khoảng cách D(p,q) giữa hai điểm ảnh p(x,y) và q(s,t) là hàm
khoảng cách (Distance) hoặc Metric nếu:

1. D(p,q)

0 (với D(p,q) = 0 nếu và chỉ nếu p = q)

2. D(p,q) = D(q,p)
3. D(p,z)

D(p,q) + D(q,z) với z là một điểm ảnh khác

Khoảng các Euclide: Khoảng cách Euclide giữa hai điểm ảnh p(x,y) và q(s,t)
được định nghĩa như sau:
De(p,q) = [(x - s)2 + (y - t)2 ]1/2
Khoảng cách khối: Khoảng cách D4(p) được gọi là khoảng cách khối đồ thị
(City- Block Distance) và được xác định như sau:
D4(p,q) = | x – s | + | y – t |
Giá trị khoảng cách giữa các điểm ảnh r. Ví dụ: màn hình CGA 12”
(12”*2,54cm = 30,48m = 304,8mm) độ phân giải 320*200, tỉ lệ 4/3 (chiều dai/chiều
rộng). Theo định lí Pitago về tam giác vuông, đường chéo sẽ lấy tỉ lệ 5 phần (5/4/3:
đường chéo/chiều dài/chiều rộng màn hình), khi đó độ dài thật là (305/244/183) chiều
rộng màn hình 183mm ứng với màn hình CGA 200 điểm ảnh theo chiều dọc. Như vậy
khoảng cách điểm ảnh lân cận của CGA 12” là

1mm.

Khoảng cách bàn cờ (Ches-Board Distance): hay khoảng cách D8(p,q) giữa
điểm ảnh p, q được xác định như sau:
D8(p,q) = max(|x – s|), |y – t |)
11

1.3 Tổng quan về phân đoạn ảnh
Phân đoạn ảnh là một thao tác ở mức thấp và là bước then chốt trong quá trình
xử lí ảnh. Giai đoạn này nhằm phân tích ảnh thành những vùng rời rạc có cùng tính
chất nào đó dựa vào việc xác định biên và ác vùng liên thông cho từng vùng. Tiêu
chuẩn để xác định các vùng liên thông có thể là cùng mức xám , cùng màu hay cùng
độ nhám….. Các vùng ảnh này thông thường sẽ tương ứng với toàn bộ hay từng phần
của đối tượng thật bên trong ảnh.

Hình 1.4: Ví dụ phân đoạn ảnh
Các hướng tiếp cận phân đoạn ảnh
Phân đoạn ảnh là chia ảnh thành các vùng không trùng lặp. Mỗi vùng gồm một
nhóm pixel liên thông và đồng nhất theo một tiêu chí nào đó. Tiêu chí này phụ thuộc
vào mục tiêu của quá trình phân đoạn. Ví dụ như đồng nhất về màu sắc, mức xám, kết
cấu, độ sâu của các layer… Sau khi phân đoạn mỗi pixel chỉ thuộc về một vùng duy
nhất. Để đánh giá chất lượng của quá trình phân đoạn là rất khó. Vì vậy trước khi phân
đoạn ảnh cần xác định rõ mục tiêu của quá trình phân đoạn là gì. Xét một cách tổng
quát, ta có thể chia các hướng tiếp cận phân đoạn ảnh thành ba nhóm chính như sau:

12


 Các kỹ thuật phân đoạn ảnh dựa trên không gian đặc trưng.
 Các kỹ thuật dựa trên không gian ảnh.
 Các kỹ thuật dựa trên các mô hình vật lý.
1.3.1 Các phương pháp dựa trên không gian đặc trưng
Nếu chúng ta giả định màu sắc bề mặt của các đối tượng trong ảnh là một thuộc
tính bất biến và các màu sắc đó được ánh xạ vào một không gian màu nào đó, vậy thì
chúng ta sẽ có một cái nhìn đối với mỗi đối tượng trong ảnh như là một cụm (cluster)
các điểm trong không gian màu đó. Mức độ phân tán của các điểm trong trong một
cụm được xác định chủ yếu bởi sự khác biệt về màu sắc. Một cách khác, thay vì ánh xạ

các pixel trong ảnh vào một không gian màu cụ thể, ta xây dựng một biểu đồ
(histogram) dựa trên các đặc trưng màu dạng ad-hoc cho ảnh đó (ví dụ như Hue), và
thông thường, các đối tượng trong ảnh sẽ xuất hiện như các giá trị đỉnh trong biểu
đồ(histogram) đó. Do đó, việc phân vùng các đối tượng trong ảnh tương ứng với việc
xác định các cụm – đối với cách biểu diễn thứ nhất – hoặc xác định các vùng cực trị
của biểu đồ(histogram) đối với cách biểu diễn thứ hai.
Các phương pháp tiếp cận này chỉ làm việc trên một không gian màu xác định
chẳng hạn phương pháp của Park,áp dụng trên không gian màu RGB, còn phương
pháp của Weeks và Hague thì áp dụng trên không gian màu HIS. Dựa trên không gian
đặc trưng, ta có các phương pháp phân đoạn: phương pháp phân nhóm đối tượng
không giám sát, phương pháp phân lớp trung bình thích nghi, phương pháp lấy ngưỡng
biểu đồ (histogram).
1.3.2 Các phương pháp dựa trên không gian ảnh
Hầu hết những phương pháp được đề cập trong phần trên đều hoạt động dựa
trên các không gian đặc trưng của ảnh(thông thường là màu sắc). Do đó, các vùng ảnh
kết quả là đồng nhất tương ứng với các đặc trưng đã chọn cho từng không gian. Tuy
nhiên, không có gì đảm bảo rằng tất cả các vùng này thể hiển một sự cô đọng
(compactness) về nội dung xét theo ý nghĩa không gian ảnh (ý nghĩa các vùng theo sự
cảm nhận của hệ thần kinh con người). Mà đặc tính này là quan trọng thứ hai sau đặc
tính về sự thuần nhất của các vùng ảnh. Do các phương pháp gom cụm cũng như xác
định ngưỡng biểu đồ(histogram) đã nêu đều bỏ qua thông tin về vị trí của các pixel
trong ảnh.

13


Trong các báo cáo khoa học về phân vùng ảnh mức xám, có khá nhiều kỹ thuật
cố thực hiện việc thoả mãn cùng lúc cả hai tiêu chí về tính đồng nhất trong không gian
đặc trưng của ảnh và tính cô đọng về nội dung ảnh. Tuỳ theo các kỹ thuật mà các thuật
giải này áp dụng, chúng được phân thành các nhóm sau:

 Các thuật giải áp dụng kỹ thuật chia và trộn vùng.
 Các thuật giải áp dụng kỹ thuật tăng trưởng vùng.
 Các thuật giải áp dụng lý thuyết đồ thị.
 Các giải thuật áp dụng mạng neural.
 Các giải thuật dựa trên cạnh.
1.3.3 Các phương pháp dựa trên mô hình vật lý
Tất cả các giải thuật được xem xét qua, không ít thì nhiều ở mặt nào đó đều có
khả năng phát sinh việc phân vùng lỗi trong các trường hợp cụ thể nếu như các đối
tượng trong ảnh màu bị ảnh hưởng quá nhiều bởi các vùng sáng hoặc bóng mờ, các
hiện tượng này làm cho các màu đồng nhất trong ảnh thay đổi nhiều hoặc ít một cách
đột ngột. Và kết quả là các thuật giải này tạo ra các kết quả phân vùng quá mức mong
muốn so với sự cảm nhận các đối tượng trong ảnh bằng mắt thường. Để giải quyết vấn
đề này, các giải thuật phân vùng ảnh áp dụng các mô hình tương tác vật lý giữa bề mặt
các đối tượng với ánh sáng đã được đề xuất. Các công cụ toán học mà các phương
pháp này sử dụng thì không khác mấy so với các phương pháp đã trình bày ở trên,
điểm khác biệt chính là việc áp dụng các mô hình vật lý để minh hoạ các thuộc tính
phản chiếu ánh sáng trên bề mặt màu sắc của các đối tượng.
Cột mốc quan trọng trong lĩnh vực phân vùng ảnh màu dựa trên mô hình vật lý
được Shafer đặt ra. Ông giới thiệu mô hình phản xạ lưỡng sắc cho các vật chất điện
môi không đồng nhất. Dựa trên mô hình này, Klinker đã đặt ra một giải thuật đặt ra
một số giả thiết quang học liên quan đến màu sắc, bóng sáng, bóng mờ của các đối
tượng và cố gắng làm phù hợp chúng với hình dạng của các cụm. Hạn chế chính của
giải thuật này là nó chỉ làm việc trên các vật chất điện môi không đồng nhất. Hai ông
cùng tên Tsang đã áp dụng mô hình phản xạ lưỡng sắc trong không gian HSV để xác
định các đường biên trong ảnh màu.
Healey đề xuất một mô hình phản xạ đơn sắc cho các vật chất kim loại. Các
phương pháp đề cập trong phần này chỉ áp dụng cho hai loại vật chất là kim loại và

14

điện môi không đồng nhất. Một thuật toán tổng quát và phức tạp hơn cũng được
Maxwell và Shafer đề xuất trong.
Tóm lại, một cái nhìn tổng quan về các phương pháp phân đoạn ảnh như sau:
Kỹ thuật phân đoạn ảnh màu

Không gian đặc trưng

Không gian ảnh

Gom cụm

Tách và hợp nhất

Phân lớp trung bình

Vùng tăng trưởng

Ngưỡng biểu đồ

Dựa trên Cạnh

Mô hình vật lý

Mạng neural
Lí thuyết đồ thị

1.4 Bài toán nhận dạng cây
Ứng dụng của thị giác máy tính có thể quan sát rất rõ trong các sản phẩm công
nghệ cao, những hệ thống giám sát, nhận dạng như nhận dạng vân tay, nhận dạng chữ

viết, nhận dạng tiếng nói, nhận dạng mặt người, nhận dạng cử chỉ hành động,…Trong
đó có nhận dạng các loài cây là một trong các ứng dụng ngày càng được sử dụng rộng
rãi như nhận biết cây thuốc trong y tế, nhận dạng cây trong môi trường lạ như rừng núi,…
Nhận dạng và phân biệt các loại cây là một bài toán có xuất phát từ nhu cầu
thực tế. Việc nhận dạng cây giúp cho ta phát hiện được các loài cây quý, các loài cây
có tác dụng chữa bệnh cực kỳ quan trọng trong y học, giúp nâng cao hiểu biết của con
người về các loại cây có vai trò quan trọng, giúp bảo vệ đa dạng sinh học…
Nhận dạng cây hiện nay có 3 hướng tiếp cận:
1. Nhận dạng cây dựa trên từ khóa.
2. Nhận dạng cây theo giao diện mô tả các bộ phận cây thông qua các biểu tượng.
3. Nhận dạng cây dựa trên các kỹ thuật xử lý ảnh.
Nhận dạng cây là bài toán xác định tên của cây dựa trên các đặc điểm quan sát
của cây. Nhận dạng cây có nhiều ứng dụng khác nhau trong công nghiệp, sinh học,
giáo dục và y tế. Tuy nhiên việc xác định chính xác tên của một loài cây là một bài
toán khó ngay cả đối với những người có kinh nghiệm như nông dân, nhà sinh vật học
15


do sự đa dạng của các loài cây. Gần đây, với sự phát triển của các công nghệ truy xuất,
tìm kiếm bằng hình ảnh, hướng tiếp cận nhận dạng cây dựa trên hình ảnh đang được
coi là một hướng đầy hứa hẹn giúp tăng khả năng nhận dạng các loài cây. Trong bài
toán nhận dạng cây dựa trên các kỹ thuật xử lý ảnh các nhà nghiên cứu cũng đã đưa ra
rất nhiều cách tiếp cận với bài toán nhận dạng dựa trên việc kết hợp giữa các bộ phận
của cây như lá, hoa, quả, thân, cành hay cả toàn bộ cây.
Ngoài việc nhận dạng dựa trên việc kết hợp các bộ phận ra ta có thể chỉ sử dụng
ảnh hoa để nhận dạng. Phương pháp nhận dạng dựa trên hoa có khá nhiều ưu điểm nổi
trội hơn so với nhận dạng dựa trên các bộ phận khác. Nguyên nhân là vì hoa mang
nhiều nét đặc thù dễ phân biệt các loài, là thành phần chứa đựng nhiều thông tin có
tính phân biệt và ít phụ thuộc vào sự biến đổi thời gian, không gian.
Để góp phần nhận dạng được cây thì phân đoạn ảnh hoa cũng là một bước vô

cùng quan trọng trong việc nhận dạng và trích trọn đặc trưng.

Hình 1.5: Ví dụ về phân đoạn ảnh hoa
Nhận thức được vai trò quan trọng của thực vật trong vấn đề duy trì an ninh
năng lượng, y tế, …, vấn đề giáo dục, nâng cao hiểu biết của con người về các loại cây
thực sự có vai trò đặc biệt quan trọng. Cùng với sự phát triển của khoa học kĩ thuật,
đặc biệt là công nghệ thông tin và các kĩ thuật nhận dạng tự động, ý tưởng về các
chương trình trợ giúp nhận dạng cây đến một cách rất tự nhiên. Các chương trình này
sẽ phát huy được tác dụng to lớn trong các trung tâm nghiên cứu thực vật và đa dạng
sinh học, các trung tâm y tế, các trung tâm hóa học và dược liệu, thậm chí đến với các
trường học để mang lại cho các em học sinh những hiểu biết quý báu về thế giới
xung quanh.

16


CHƯƠNG 2
MỘT SỐ PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH
Phân đoạn ảnh là bước then chốt trong xử lí ảnh. Giai đoạn này nhằm phân tích
ảnh thành những vừng có tính chất nào đó dựa theo biên hay các vùng liên thông. Tiêu
chuẩn để xác định các vùng liên thông có thể là cùng mức xám, cùng màu hay cùng độ
nhám… Trước hết cần làm rõ khái niệm “vùng ảnh” (Segment) và đặc điểm vật lí của vùng.
Vùng ảnh là một chi tiết, một thực thể trông toàn cảnh. Nó là một tập hợp các điểm
có cùng hoặc gần cùng một tính chất nào đó: mức xám, mức màu, độ nhám,.. Vùng ảnh là
một trong hai thuộc tính của ảnh. Nói đến vùng ảnh là nói đến tính chất bề mặt. Đường
bao quanh một vùng ảnh (Boundary) là biên ảnh. Các điểm trong một vùng ảnh cí đọ biến
thiên giá trị mức xám tương đối đồng đều hay tính kết cấu tương đồng.
Dựa vào đặc tính vật lí của ảnh, người ta có nhiều kĩ thuật phân vùng: phân
vùng dựa theo ngưỡng, phân vùng dựa theo biên, phân vùng dựa theo miền đồng
nhất…

2.1 Phân đoạn dựa vào ngưỡng
Giới thiệu chung
Biên độ các tính chất vật lí của ảnh (như là độ phản xạ, độ truyền sáng, màu
sắc…) là một đặc tính đơn giản và rất hữu ích. Nếu biên độ đủ lớn đặc trưng cho ảnh
thì chúng ta có thể dùng ngưỡng biên độ để phân đoạn ảnh. Ví dụ, biên độ trong bộ
cảm biến hồng ngoại có thể phản ánh vùng có nhiệt độ thấp hay vùng có nhiệt độ cao.
Đặc biêt, kĩ thuật phân ngưỡng theo biên độ rất có ích đối với ảnh nhị phân như văn
bản in, đồ họa, ảnh màu hay ảnh X-quang.
Việc chọn ngưỡng trong kĩ thuật này là một bước vô cùng quan trọng, thông
thường người ta tiến hành theo các bước như sau:
 Xem xét lược đồ xám của ảnh để xác đỉnh và khe. Nếu ảnh có nhiều đỉnh và
khe thì các khe có thể sử dụng để chọn ngưỡng.
 Chọn ngưỡng T sao cho một phần xác định trước ηcủa toàn bộ số mẫu là
thấp hơn T.
 Điều chỉnh ngưỡng dựa trên xét lược đồ xám của các điểm lân cận.
 Chọn ngưỡng bằng cách xem xét lược đồ xám của những điểm thỏa tiêu
chuẩn đã chọn
17


Một thuật toán đơn giản trong kĩ thuật này là: giả sử rằng chúng ta đang quan
tâm đên các đối tượng sáng (object) trên nền tối (background), một tham số T- gọi là
ngưỡng độ sáng, sẽ được chọn cho một ảnh f(x,y) theo cách:
If f(x,y)≥ T

f(x,y)= 1

Else

f(x,y)= 0

Ngược lại, đối với các đối tượng trên nền sáng chúng ta có thuật toán sau:

If f(x,y)

T

f(x,y)= 1

Else

f(x,y)= 0

Vấn đề chính là chúng ta nên chọn ngưỡng T như thế nào để việc phân vùng đạt
được kết quả cao nhất?
Có rất nhiều thuật toán chọn ngưỡng: ngưỡng cố định, dựa trên lược đồ, sử
dụng Entropy, sử dụng tập mở, chọn ngưỡng thông qua sự không ổn định của lớp và
tính thuần nhất của vùng vv… Ở đây chúng ta đề cập đến hai thuật toán chọn ngưỡng
cố định và chọn ngưỡng dựa trên lược đồ.
2.1.1 Chọn ngưỡng cố định
Đây là phương pháp chọn ngưỡng độc lập với dữ liệu ảnh. Nếu chúng ta biết
trước là chương trình ứng dụng sẽ làm việc với các ảnh có độ tương phản rất cao,
trong đó các đối tượng quan tâm rất tối còn nền gần như là đồng nhất và rất sáng thì
việc chọn ngưỡng T= 128 (xét trên thang độ sáng từ 0 đến 255) là một giá trị chọn khá
chính xác. Chính xác ở đây hiểu theo nghĩa là số các điểm ảnh bị phân lớp sai là
cực tiểu.
2.1.2 Chọn ngưỡng dựa trên lược đồ (Histogram)
Trong hầu hết các trường hợp, ngưỡng được chọn từ lược đồ độ sáng của vùng
hay ảnh cần phân đoạn. Có rất nhiều kĩ thuật chọn ngưỡng tự động xuất phát từ lược
đồ xám { h(b) | b = 0, 1, …, 2B-1} đã được đưa ra. Những kĩ thuật phổ biến sẽ được

trình bày dưới đây. Những kí thuật này có thể tận dụng những lợi thế do sự làm trơn
dữ liệu lược đồ ban đầu mang lại nhằm loại bỏ những dao động nhỏ về độ sáng. Tuy

18


nhiên các thuật toán làm trơn cần phải cẩn thận, khống được làm dịch chuyển các vị trí
đỉnh của lược đồ. Nhận xét này dẫn đến thuật toán làm trơn dưới đây:
Hsmooth(b) =

W lẻ

(1)

Trong đó, W thường được chọn là 3 hoặc 5
2.1.2.1 Thuật toán đẳng liệu
Đây là kĩ thuật chọn ngưỡng theo kiểu lặp do Ridler và Calvard đưa ra. Thuật
toán được mô tả như sau:
 B1: Chọn giá trị ngưỡng khởi động θ0 = 2B-1
 B2: Tính các trung bình mẫu (mf,0) của những điểm ảnh thuộc đối tượng và
(mb,0) của những điểm ảnh nền.
 B3: Tính các ngưỡng trung gian theo công thức:
(2)
 B4: Nếu θk = θk-1 : Kết thúc, dừng thuật toán
Ngược lại: Lặp lại bước 2.
2.1.2.2 Thuật toán đối xứng nền
Kĩ thuật này dựa trên sự giả định là tồn tại hai đỉnh phân biệt trong lược đồ nằm
đối xứng nhau qua đỉnh có giá trị lớn nhất trong phần lược đồ thuộc về các điểm ảnh
nền. Kĩ thuật này có thể tận dụng ưu điểm của việc làm trơn được mô tả trong phương
trình (1). Đỉnh cực đại maxp được tìm nhờ tiến hành tìm giá trị cực đại trong lược đồ.

Sau đó thuật toán sẽ được áp dụng ở phía không phải là điểm ảnh thuộc đối tượng ứng
với giá trị cực đại đó nhằm tìm ra giá trị độ sáng a ứng với giá trị phần trăm p% mà
P(a) = p%, trong đó P(a) là hàm phân phối xác suất về độ sáng được định nghĩa như sau:
Định nghĩa: [hàm phân phối xác suất về độ sáng]
Hàm phân phối xác suất P(a) thể hiện xác suất chọn được một giá trị độ sáng
từ một vùng ảnh cho trước, sao cho giá trị này không vượt quá một giá trị sáng cho
trước a. Khi a biến thiên từ

đến + , P(a) sẽ nhận các giá trị từ 0 đến 1. P(a) là

hàm đơn điệu không giảm theo a, do vậy dP/da

19


Hình 2.1: Minh họa thuật toán đối xứng nền
Ở đây ta đang giả thiết là ảnh gốc có các đối xứng trên nền sáng. Giả sử mức là
5% thì có nghĩa là ta phải ở bên phải đỉnh maxp một giá trị a sao cho P(a) = 95%. Do
tính đối xứng đã giả định ở trên, chúng ta sử dụng độ dịch chuyển về phía trái của
điểm cực đại tìm giá trị ngưỡng T:
T = maxp – (a - maxp)

(3)

Kĩ thuật này dễ dàng điều chỉnh được cho phù hợp với tình huống ảnh có các
đối tượng sáng trên một nền tối.
2.1.2.3 Thuật toán tam giác
Khi một ảnh có các điểm ảnh thuộc đối tượng tạo nên một đỉnh yếu trong lược
đồ ảnh thì thuật toán tam giác hoạt động rất hiệu quả. Thuật toán này do Zack đề xuất
và được mô tả như sau:

 B1: Xây dựng đường thẳng

là đường nối hai điểm (Hmax,bmax) và

(Hmin,bmin) , trong đó Hmax là điểm có Histogram lớn nhất ứng với mức xám bmax và
Hmin là diểm có Histogram ứng với độ sáng nhỏ nhất bmin.
 B2: Tính khoảng cách d từ Hb của lược đồ (ứng với điểm sáng b) đến
Trong đó, b

[bmax,bmin].

 B3: Chọn ngưỡng T = Max{Hb}
Minh họa thuật toán tam giác bởi hình vẽ sau:

20

.


Hình 2.2: Minh họa thuật toán tam giác
2.1.2.4 Chọn ngưỡng đối với Bimodal Histogram
Ngưỡng T được chọn tại vị trí cực tiểu cục bộ của histogram nằm giữa hai đỉnh
của histogram. Điểm cực đại cục bộ của histogram có thể dễ dàng được phát hiện bằng
cách sử dụng biến đổi chóp mũ (top hat) do Mayer đưa ra: Phụ thuộc vào tình huống
của chúng ta đang phải làm việc là với những đối tượng sáng trên nền tối hay đối
tượng tối trên nền sáng mà phép biến đổi top hat sẽ có một trong hai dạng sau:
 Các đối tượng sáng:
TopHat(A,B) = A – max(min(A))

(4)

 Các đối tượng tối:
TopHat(A,B) = A – min(max(A))

(5)

Việc tính toán giá trị cực tiểu cục bộ của histogram thì khó nếu histogram nhiễu.
Do đó, trong trường hợp này nên làm trơn histogram, ví dụ sử dụng thuật toán (1)

Hình 2.3: Bimodal Histogram
Trong một số ứng dụng nhất định, cường độ của đối tượng hay nền thay đổi khá
chậm. Trong trường hợp này, histogram ảnh có thể không chứa hai thùy phân biệt rõ
21


ràng, vì vậy có thể phải dùng ngưỡng thay đổi theo không gian chỉ định trước mà trích
lọc thông qua quá trình kiểm tra các thông tin cục bộ. Giải thuật gồm các bước tuần tự
như sau:
 Áp dụng giải thuật Watershed chia ảnh thành rất nhiều vùng con.
 Trộn các vùng và đồng thời phát hiện ngưỡng cục bộ. Ngưỡng được tính từ
thông tin cục bộ của vùng và các vùng lân cận
Giải thuật này cho kết quả tương đối tin cậy trên nhiều loại ảnh khác nhau
2.1.2.4.1 Phân đoạn sơ khởi bằng giải thuật Watershed
Dữ liệu đầu vào của giải thuật Watershed là một ảnh xám. Vì vậy, trước tiên ta
biến đổi ảnh đầu vào I thành ảnh xám. Sau đó, dùng giải thuật tìm cạnh Canny để lấy
cường độ gradient, kí hiệu là IG. Với ảnh gradient nhận được, ta liên tưởng đến một
lược đồ địa hình, vùng có độ xám cao hơn là vùng trũng hơn và ngược lại. Tại mỗi
pixel, việc đánh giá sẽ dựa vào giá trị mức xám của pixel đó.
Giải thuật định nghĩa hai thuật ngữ là vũng chứa nước (catchment basin) và đập
ngăn nước (dams). Mỗi catchment basin được kết hợp với giá trị M nhỏ nhất. M là tập

hợp các pixel liên thông mà một giọt nước rơi xuống từ pixel bất kì thuộc catchment
basin này cứ rơi cho đến khi nó đạt được giá trị nhỏ nhất M. Trên đường rơi xuống,
giọt nước chỉ đi qua những pixel thuộc về catchment basin này.
Dam thực chất là những đường phân nước, chúng tập hợp các pixel làm nhiệm
vụ phân cách các catchment basin. Vì vậy, giọt nước rơi từ một bên của dams sẽ đạt trị
nhỏ nhất của một catchment basin, trong khi đó giọt nước rơi từ cạnh khác của dam lại
đạt trị nhỏ nhất trong catchment basin khác.

Hình 2.4: Minh họa giải thuật Watershed

22


Áp dụng giải thuật watershed, phiên bản của Vincent và Soille.. Phiên bản này
mô phỏng việc ngâm nước dần dần bề mặt địa hình của ảnh từ vùng thấp nhất cho đến
khi mọi pixel của ảnh đều được ngâm trong nước. Giải thuật gồm hai bước: sắp thứ tự
và làm ngập nước.
Ở bước thứ nhất, ta sắp xếp các pixel theo thứ tự tăng dần của cường độ xám.
Kế đến, trong bước làm ngập nước, giải thuật quét các pixel theo trình tự đã sắp xếp để
xây dựng các catchment basin. Mỗi catchment basin có một nhãn phân biệt. Bạn hãy
thử hình dung ta đem nhúng nước một bề mặt địa hình, bắt đầu tại điểm thấp nhất của
mặt địa rồi cho nước dâng dần lên. Khi nước trong các vũng cạnh nhau có thể hoà vào
nhau tại một điểm, tại đó ta xây dựng một đập chắn nước, rồi lại tiếp tục cho nước
dâng lên. Quá trình xây đập chắn giữa các vũng và cho nước dâng cứ lặp đi lặp lại cho
đến khi mọi điểm của bề mặt địa hình đều được ngâm nước.
Trở lại giải thuật, ta làm tương tự, tại một điểm mà nước trong các catchment
basin có thể hoà vào nhau, ta xây dựng một đập chắn nước – dam. Cứ như thế, lặp quá
trình cho nước dâng lên và xây dựng dam tại những điểm nước của các catchment
basin có thể hoà lẫn vào nhau cho đến khi mọi điểm ảnh đều nằm trong nước. Khi đó,
ta nhận được ảnh gồm vô số vùng con, mỗi vùng con tương ứng với một catchment

basin, còn biên của mỗi vùng chính là dam. Bạn xem hình 2.5 minh họa quá trình phân
ảnh ban đầu (a) thành vô số vùng con (d). Trước tiên ảnh gốc 2.5a được biến đổi thành
ảnh xám 2.5b. Kế đến, áp dụng giải thuật tìm cạnh Canny trên ảnh xám gradient ở hình
2.5b, ta được ảnh 2.5c chỉ gồm các đường nét. Đồng thời, áp dụng giải thuật watershed
trên ảnh xám ta được hình 2.5d, chứa vô số vùng con.
Như vậy khi áp dụng giải thuật watershed vào ảnh IG, ta nhận được ảnh kết quả
gồm n vùng không trùng lặp. Do các vùng này sẽ được trộn trong giai đoạn trộn tiếp
m
theo nên chúng tôi đặt đánh dấu chúng bằng kí hiệu Ri , I = 1,…,n, mi = 1,…,Mi, với
i

m
0
n là số lượng vùng và Mi là số lần trộn của Ri trong quá trình trộn. Ri , i=1,…,n là
i

tập các vùng khởi tạo, hay nói cách khác chúng là kết quả của giải thuật watershed
trước khi quá trình trộn lặp của giai đoạn hai bắt đầu.

23


Hình 2.5 : Hình minh họa
(a) Ảnh gốc ban đầu. (b) Ảnh xám. (c) Ảnh xám gradient sau khi đã áp dụng
giải thuật tìm cạnh Canny. (d) Ảnh phân đoạn nhận được từ việc áp dụng giải
 Cạnh có trọng số  sẽ được đặt ở cuối danh sách trọng số sắp xếp, và
không được xem xét đến. Vì vậy, nếu cạnh có trị  nghĩa là ta không cần quan tâm
đến việc có đưa cạnh này vào cây T hay không.
2.1.2.4.2 Tìm ngưỡng cục bộ thích nghi
Mặc dù phần mô tả quá trình trộn đã hoàn chỉnh nhưng ta vẫn chưa xác định

được khi nào thì giải thuật dừng. Hay nói cách khác, ta vẫn chưa biết cách xác định
vùng nào không trộn được và thời điểm nào thì không trộn. Như vậy, chúng ta cần có
cơ chế tự động rút trích thông tin về ngưỡng cục bộ thông qua việc theo dõi sự thay đổi
của mỗi vùng trong quá trình trộn. Các ngưỡng này sẽ cho biết có thể trộn một vùng hay
không. Như thế, các ngưỡng này giúp hình thành phân vùng hoàn chỉnh cuối cùng.
Như chúng ta đã biết quá trình phân đoạn là thao tác cục bộ, nên không phải
mọi bước trộn cục bộ đều dừng đồng thời. Do đó việc sử dụng ngưỡng toàn cục là
không đủ vì các vùng thường tách biệt với xung quanh nó bởi những ngưỡng khác
nhau vào những lần xử lý khác nhau. Tuy nhiên trong một vài trường hợp thì ngưỡng
toàn cục lại phù hợp. Ví dụ ở hình 2.6 mô tả một trường hợp ngoại lệ, chỉ dùng một

24


ngưỡng toàn cục mà vẫn cho kết quả phân đoạn chính xác. Lý do là ảnh ví dụ chỉ chứa
một đối tượng đồng nhất về màu sắc, đồng thời phần nền cũng có màu đồng nhất.
Trong trường hợp này chỉ cần một ngưỡng cho quá trình trộn là đủ. Quá trình trộn sẽ
dừng khi trọng số của các cạnh khảo sát lớn hơn ngưỡng chọn trước, cụ thể trong ví dụ
này là 100. Bạn xem kết quả phân đoạn bằng ngưỡng trên ở hình 2.5b. Trong thực tế,
các ảnh phân tích thường chứa nhiều hơn hai vùng nên rất khó phân đoạn nếu chỉ dùng
một ngưỡng toàn cục.

Hình 2.6. (a) Ảnh gốc. (b) Kết quả phân đoạn bằng ngưỡng toàn cục 100.
Bạn sẽ cảm nhận được nhu cầu dùng ngưỡng cục bộ thay cho ngưỡng toàn cục
khi xem hình 2.7. Ta có hình gốc 2.7a, hình 2.7b là kết quả của giải thuật watershed.
Với ngưỡng toàn cục t = 20 ta được kết quả phân đoạn hình 2.7c, còn hình 2.7d là kết
quả tương ứng với ngưỡng toàn cục t = 30. Trong hình 2.7c, mọi vùng đều đồng nhất
và có thể lớn hơn. Tuy nhiên, khi ngưỡng tăng lên 30 như ở hình 2.7d, các vùng nhìn
bằng mắt thường là đồng nhất như mặt và ghế lại bị phân quá nhỏ. Trong khi đó, vùng
chỉ ra bởi mũi tên vàng vẫn chưa đồng nhất. Để phân nó thành nhiều vùng đồng nhất

thì ngưỡng phải nhỏ hơn 30, khi đó việc trộn hai vùng không đồng nhất là áo khoát
của người đàn ông và cái ghế sẽ không được thực hiện.
Chúng ta đã nhận biết được nhu cầu cần thiết tính ngưỡng cục bộ, nhưng tính
ngưỡng thế nào và dựa vào yếu tố gì thì cần xem xét tiếp. Việc tính ngưỡng cục bộ
phải dựa vào các thông tin cục bộ, liên quan đến vùng đang xét và những vùng lân cận
xung quanh nó. Thế nhưng tại sao phải xét vùng lân cận? Ta phải xét các vùng lân cận
vì một vùng thường bị ảnh hưởng bởi các vùng xung quanh nó. Bạn xem ví dụ hình 8
để thấy mối quan hệ khắng khít giữa một vùng và các vùng lân cận nó, cùng một vùng

25