DÒ TÌM ĐỐI TƯỢNG BẰNG PHƯƠNG PHÁP LOẠI BỎ NỀN

TRƯỜNG ĐẠI HỌC HỒNG ĐỨC
KHOA CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THƠNG

XỬ LÝ ẢNH
ĐỀ TÀI: NGHIÊN CỨU BÀI TỐN DỊ TÌM ĐỐI TƯỢNG BẰNG
PHƯƠNG PHÁP LOẠI BỎ NỀN

Giáo viên hướng dẫn:
Nguyễn Đình Cơng
Nhóm sinh viên thực hiện:
Nguyễn Hữu Nhân
Nguyễn Ngọc Hưng

Thanh Hoá, tháng 10 năm 2020


MỤC LỤC
Mục lục
MỤC LỤC.............................................................................................2
LỜI NÓI ĐẦU........................................................................................3
I.

GIỚI THIỆU.....................................................................................4
1.1. Giới thiệu chung.......................................................................4
1.2. Mục tiêu nghiên cứu.................................................................5

II. THUẬT TOÁN CƠ BẢN....................................................................5
2.1. Giải thuật trừ nền.....................................................................5
2.2. Phân ngưỡng ảnh.....................................................................6
2.3. Thuật toán Otsu........................................................................6
III.

CÁC KỸ THUẬT TRONG Q TRÌNH MƠ PHỎNG NỀN...................8

3.1. Sử dụng phân biệt khung.........................................................8
3.2. Lọc trung bình..........................................................................9
3.3. Chạy trung bình Gaussian........................................................9
3.4. Các mơ hình hỗn hợp nền......................................................10
IV.

THỬ NGHIỆM.............................................................................11

4.1. Đầu vào thử nghiệm...............................................................11
4.1.1. Đối với ảnh........................................................................11
4.1.2. Đối với video.....................................................................12
4.2. Kết quả thử nghiệm................................................................12
4.2.1. Đối với ảnh........................................................................12
4.2.2. Đối với video.....................................................................13
4.3. Đánh giá.................................................................................14
KẾT LUẬN..........................................................................................15
TÀI LIỆU THAM KHẢO.........................................................................16


LỜI NÓI ĐẦU
Xử lý ảnh là một phân ngành trong xử lý số tín hiệu với tín hiệu
xử lý là ảnh. Đây là một phân ngành khoa học mới rất phát triển
trong những năm gần đây. Xử lý ảnh gồm 4 lĩnh vực chính: xử lý
nâng cao chất lượng ảnh, nhận dạng ảnh, nén ảnh và truy vấn ảnh.
Sự phát triển của xử lý ảnh đem lại rất nhiều lợi ích cho cuộc sống
của con người.
Ngày nay xử lý ảnh đã được áp dụng rất rộng rãi trong đời sống

như: photoshop, nén ảnh, nén video, nhận dạng biển số xe, nhận
dạng khuôn mặt, nhận dạng chữ viết, xử lý ảnh thiên văn, ảnh y tế,
...
Background Subtraction hay Foreground Detection là một kỹ
thuật trong Xử Lý Ảnh và Thị Giác Máy Tính. Đây là phương pháp
phát hiện tiền cảnh, hiểu đơn giản là ta sẽ tách 1 đối tượng trong
ảnh ra khỏi hậu cảnh phía sau, nhằm mục đích hậu xử lý như nhận
diện đối tượng, cử chỉ, chuyển động, tracking, … Trong khuôn khổ bài
báo cáo này là giới thiệu một số kỹ thuật lọc đối tượng hiện nay mà
chúng em đã tìm hiểu được. Chúng em sẽ giới thiệu chung về một số
kỹ thuật lọc đối tượng sau đó có một số thử nghiệm nhỏ chạy trên
cơng cụ Matlab.
Chúng em cũng xin chân thành cảm ơn thầy Nguyễn Đình Cơng
đã hướng dẫn chúng em hồn thành đề tài này. Do đây là lần đầu
làm về lĩnh vực này nên dù rất cố gắng nhưng không thể tránh khỏi
những sai sót, rất mong q thầy cơ cùng các bạn bỏ qua và góp ý
để đề tài của chúng em được hoàn thiện hơn.
Em xin chân thành cảm ơn !


I.

GIỚI THIỆU

1.1. Giới thiệu chung
Trước khi tìm hiểu một số thuật tốn, chúng ta sẽ tìm hiểu một
số khái niệm cơ bản.
Ảnh số (Digital Image) có thể được xem là một tập hợp các điểm
ảnh thành phần (còn gọi là pixel) được cấu trúc thành một lưới toạ độ
về mặt không gian để mô tả hay biểu diễn các nội dung liên quan

đến sự cảm nhận trực quan của thị giác. Lưới toạ độ không gian của
các điểm ảnh thường tổ chức thành dạng trục toạ độ hai chiều, biểu
diễn vị trí vật lý của điểm ảnh. Giá trị của mỗi điểm ảnh dùng để mô
tả thông tin về độ sáng chói, cường độ mức xám (gray-level), hay giá
trị màu (color) của điểm ảnh đó. Giá trị của mỗi điểm ảnh có thể là
một giá trị đơn (ví dụ mơ tả cường dộ xám của ảnh) hoặc có thể là
một bộ gồm nhiều thành phần (ví dụ để mơ tả các thành tố khác
nhau của một màu). [1]
Một số loại ảnh như:
+ Ảnh nhị phân: 1 bit/pixel
+ Ảnh xám: 8 bits/pixel
+ Ảnh màu: 16-24 bit/pixel
+ RGB, YUV, HSL, YcbCr

Ảnh màu RGB và ảnh xám
Trong một bức ảnh được chia làm 3 phần là background, middle
ground và foreground. Trong đó background hay hậu cảnh là phần
nền sau, ở xa bức ảnh nhất, chúng thường có kích thước nhỏ, màu
sắc ít hơn và chứa ít chi tiết hơn. Foreground hay tiền cảnh còn gọi là
phần nền trước, chứa các đối tượng chủ thể của bức ảnh, nó gần với
người xem nhất. Middle ground hay trung cảnh, là phần ở giữa tiền
cảnh và hậu cảnh.


Video là một chuỗi các ảnh (khung hình hay frame), quan hệ thời
gian giữa các khung hình biểu diễn ảnh động, được đồng bộ với
nhau, được tạo ra bởi 1 chuẩn nén nào đó, như MPEG, XviD, H264,…
Các định dạng phổ biến nhất là MP4, AVI, WMV,.. và mới nhất hiện
nay là WEBM. Để xử lý hình ảnh từ video thì phải decode ra thành
những frame hình rồi mới xử lý.

Video là một chuỗi các ảnh.
Background Subtraction hay Foreground Detection là một kỹ
thuật trong Xử Lý Ảnh và Thị Giác Máy Tính. Đây là phương pháp
phát hiện tiền cảnh, hiểu đơn giản là ta sẽ tách 1 đối tượng trong
ảnh ra khỏi hậu cảnh phía sau, nhằm mục đích hậu xử lý như nhận
diện đối tượng, cử chỉ, chuyển động, tracking…
Phương pháp này dựa trên việc giả định hậu cảnh tĩnh (static
background) và thường không áp dụng trong môi trường thực (ánh
sáng tự nhiên, ngoài trời…) hoặc các thay đổi trên ảnh nền trong nhà
(như màn hình TV) hoặc ngồi trời có mưa gió, thay đổi ánh sáng.
1.2. Mục tiêu nghiên cứu
-

Nghiên cứu bài tốn dị tìm đối tượng bằng phương pháp loại bỏ
nền

II.

Sử dụng công cụ Matlab để thử nghiệm một số thuật tốn
THUẬT TỐN CƠ BẢN

2.1. Giải thuật trừ nền
Trừ nền là một cách tiếp cận được sử dụng rộng rãi để phát hiện
các đối tượng chuyển động trong video từ camera tĩnh. Cơ sở lý luận
của phương pháp này là phát hiện các đối tượng chuyển động từ sự


khác biệt giữa hệ quy chiếu hiện tại và hệ quy chiếu, thường được
gọi là "ảnh nền", hoặc "mơ hình nền". Việc trừ nền hầu hết được thực

hiện nếu hình ảnh được đề cập là một phần của luồng video. Phép
trừ nền cung cấp các dấu hiệu quan trọng cho nhiều ứng dụng trong
thị giác máy tính, ví dụ theo dõi giám sát hoặc ước tính tư thế con
người.
Phép trừ nền thường dựa trên giả thuyết nền tĩnh thường không
áp dụng được trong môi trường thực. Với các cảnh trong nhà, phản
chiếu hoặc hình ảnh động trên màn hình dẫn đến thay đổi
nền. Tương tự, do gió, mưa hoặc sự thay đổi ánh sáng do thời tiết
mang lại, các phương pháp nền tĩnh gặp khó khăn với các cảnh ngồi
trời.
2.2. Phân ngưỡng ảnh
Phân ngưỡng là kỹ thuật biến đổi ảnh đa cấp xám thành ảnh nhị
phân. Trong nhiều ứng dụng, ảnh nhị phân đóng vai trị quan trọng
trong xử lý và nhận dạng đối tượng (nhận dạng ký tự, chữ viết tay,
dấu vân tay, bài toán gán nhãn, các phép tốn hình thái,…). Mục
đích của kỹ thuật phân ngưỡng ảnh là tút gọn thông tin trong ảnh về
dạng nhị phân (chỉ có 2 giá trị: đen và trắng) mà khơng làm mất mát
nhiều thông tin của ảnh gốc. Thông thường, kỹ thuật phân ngưỡng
hình ảnh cần một tham số đầu vào là giá trị ngưỡng T. Khi đó, thuật
tốn phân ngưỡng được thực hiện như sau:

Trong đó: L(i,j) là giá trị pixel tại toạ độ i, j.
T là ngưỡng để phân (T có giá trị từ 0 – 255).
2.3. Thuật toán Otsu
Việc xác định tự động tham số ngưỡng cho các ảnh khác nhau là
rất cần thiết và có ý nghĩa quan trọng trong phân ngưỡng ảnh. Thuật
toán Otsu ra đời theo tên một nhà nghiên cứu người Nhật đã nghĩ ra
ý tưởng cho việc tính ngưỡng một cách tự động dựa vào giá trị điểm
ảnh của ảnh đầu vào nhằm thay thế cho việc sử dụng ngưỡng cố
định.

Kỹ thuật Otsu là một trong những thuật toán hiệu quả nhất để
xác định tự động giá trí ngưỡng thích nghi cho các ảnh được thu


nhận trong các ngữ cảnh khác nhau. Mặc dù vậy, thuật toán này yêu
cầu ảnh đầu vào chỉ chứa hai thành phần chính (bi-class): đối tượng
(foreground) và nền (background). Ý tưởng cơ bản thuật tốn Otsu
đó là tìm giá trị ngưỡng tối ưu mà sau khi phân ngưỡng thì các điểm
ảnh bên trong mỗi lớp sẽ gần nhau nhất có thể (mật độ các điểm
ảnh trong mỗi lớp khá dày đặc), nói cách khác phương sai trung bình
của các điểm ảnh bên trong mỗi lớp sẽ đạt giá trị cực tiểu (weighted
within-class variance).[1]
Đầu tiên sử dụng lược đồ Histogram biểu diễn tần suất xuất hiện
mức xám:

Trong đó: ni là số lượng điểm ảnh của giá trị i.
L: 1, 2, 3, …256.
po + p1 + p2 +…+ pL-1 = 1
Chọn một ngưỡng Tk = k, (02 lớp C1 (tập hợp các điểm ảnh có giá trị ≤k) và C 2 (tập hợp các điểm
ảnh có giá trị lớn hơn k). Tỉ lệ lớp C 1 với số lượng điểm ảnh k với tổng
số lượng điểm ảnh được ký hiệu P1(k), tương tự C2 ký hiệu là P2(k).

Sau đó ta tính giá trị trung bình m1 của lớp C1:

Tương tự tính m2:

Theo Otsu, ta sẽ tính ngưỡng mà giá trị tại đó sự chênh lệch
giữa hai đoạn (màu nền và màu ký tự) đạt giá trị cực đại, ký hiệu ,
được tính:

Trong đó là phương sai hai lớp C1 và C2. Ta có:


Từ cơng thức trên ta suy ra:

Trong đó: - mG là giá trị trung bình của ảnh.
hoặc
- mk là giá trị trung bình đến ngưỡng k.

Nếu có nhiều giá trị lớn nhất bằng nhau, ta sẽ chọn k có giá trị
lớn nhất làm ngưỡng k*, sau đó ta thực hiện nhị phân biển số theo
ngưỡng.
g(x,y) = 1 if f(x,y) < k*
và g(x,y) = 0 if f(x,y) > k*
Trong đó: g(x,y) là đầu ra, f(x,y) là đầu vào.
x, y là toạ độ của điểm ảnh.
III. CÁC KỸ THUẬT TRONG QUÁ TRÌNH MÔ PHỎNG NỀN
Giải thuật trừ nền là dùng ảnh chứa đối tượng để trừ đi ảnh chỉ
có nền, từ đó ta sẽ thu được đối tượng. Vì vậy, chúng ta cần phải xác
định được nền của ảnh hoặc video. Như đã giới thiệu, video là một
chuỗi các khung hình nối tiếp nhau, nên ta sẽ sử dụng các khung
hình này để tìm ra nền. Dưới đây là một số kỹ thuật dùng trong việc
mô phỏng nền của một video bằng cách sử dụng các frame hình của
video.
3.1. Sử dụng phân biệt khung
Một thuật toán phát hiện chuyển động bắt đầu bằng các phân
đoạn nơi mà tiền cảnh hoặc đối tượng chuyển động đã được phân
đoạn ra khỏi hậu cảnh. Cách đơn giản nhất để thực hiện là lấy một
ảnh như là nền và các khung ảnh thu được tại thời điểm t, ký hiệu là

I(t) để do sánh với hậu cảnh, ký hiệu là B. Ở đây ta sử dụng các
phương pháp tính đơn giản, ta có thể tách đối tượng một cách tương
đối dễ dàng bằng cách sử dụng kỹ thuật trừ ảnh (image subtraction)
của Computer Vision cho mỗi điểm ảnh tại thời điểm t – I(t), lấy điểm


giá trị điểm ảnh – ký hiệu P[I(t)] và trừ cho điểm ảnh tương ứng cùng
vị trí trên hậu cảnh, ký hiệu là P[B].
Ta có phương trình:
P[F(t)] = P[I(t) – P[B]
Hậu cảnh (nền) được giả định là một khung hình tại thời điểm t.
Hình ảnh khác biệt này – P[F(t)] sẽ chỉ hiển thị cường độ cho các
điểm ảnh đã thay đổi trong 2 khung hình. Vì vậy, ta thấy gần như
hậu cảnh đã bị xoá đi. Cách thực hiện này sẽ chỉ làm việc trong
trường hợp các tiền cảnh, đối tượng là di chuyển và hậu cảnh là tĩnh
(static background). Việc tạo ngưỡng ảnh sẽ được đưa vào hình ảnh
khác biệt – P[F(t)] để tăng hiệu quả của việc trừ nền.
| P[F(t)] – P[F(t+1)] | > Threshold
Có nghĩa rằng cường độ trong các điểm ảnh của hình ảnh khác
biệt đã bị nhị phân hoá (bằng việc tạo ngưỡng) hay được lọc bằng
giá trị của Nhị phân hoá (Ngưỡng nhị phân, giá trị T). Sự chính xác
của phương pháp này phụ thuộc vào tốc độ di chuyển trong khung
cảnh (scene). Các chuyển động nhanh hơn thì cần tạo ngưỡng cao
hơn.[3]
3.2. Lọc trung bình
Để tính tốn ảnh chỉ chứa nền, một loạt các ảnh trước đó sẽ
được tính trung bình. Để tính tốn nền ở thời điểm t, ta có cơng thức.

Trong đó N là số lượng ảnh trước đó dùng để tính trung bình. Giá
trị trung bình này là trung bình giá trị của các điểm ảnh trong ảnh

được cho. N phụ thuộc vào tốc độ Video – số lượng ảnh mỗi giây và
lượng di chuyển của đối tượng trong ảnh. Sau khi tính tốn nền B(x,
y, t) ta có thể trừ nó từ ảnh V(x, y, t) tại thời điểm t và tạo ngưỡng
nhị phân cho nó. Sau đó, tiền cảnh sẽ như sau:
| V(x, y, t) – B(x, y, t) | > Th
Trong đó Th là ngưỡng nhị phân, tương tự ta có thể sử dụng
Median (trung tuyến) hay cho Mean (trung bình) để tính giá trị B(x, y,
t). Nếu sử dụng cùng một ngưỡng cho tất cả các điểm ảnh với thời
gian độc lập có thể giảm độ chính xác của 2 phương pháp trên.[3]


3.3. Chạy trung bình Gaussian
Chạy trung bình Gaussian (Running Gaussian Average) - đây là
một phương pháp mà Wren et Al đề xuất phù hợp với một hàm mật
độ xác suất Gaussian - Gaussian probabilistic density function (pdf)
trên n khung. Để tránh chỉnh sửa pdf từ đầu mỗi khung giờ mới t,
trung bình đang chạy được tính.
Các pdf của mỗi điểm ảnh được đặc trừng bởi trung bình

và

phương sai . Một số điều kiện ban đầu có thể có:

= (một số giá trị mặc định)
là giá trị cường độ của pixel tại thời điểm t. Ví dụ, để khởi tạo
phương sai, chúng ta có thể sử dụng phương sai theo x và y từ một
cửa sổ nhỏ xung quanh mỗi pixel.
Nền có thể thay đổi theo thời gian (ví dụ: do thay đổi ảnh sáng,
hoặc không phải nền tĩnh). Để đáp ứng sự thay đổi đó, ở mọi khung
hình t, giá trị trung bình và phương sai của mọi pixel phải được cập

nhật, như sau:

Trong đó I t là giá trị cường độ của pixel tại thời điểm t
p là xác định định kích thức của cửa sổ tạm thời, thường
p = 0.01
d là khoảng cách Euclide giữa giá trị trung bình và giá
trị pixel
Bây giờ ta có thể phân loại một pixel làm nền nếu cường độ
dịng điện của nó nằm trong khoảng tin cậy nào đó của giái trị trung
binh của phân phối:

> k -> (foreground)
k -> (background)


k là giá trị ngưỡng (thường k = 2.5). Giá trị lớn hơn của k cho
phép nền động hơn. Trong khi k tăng xác suất chuyển đổi từ hậu
cảnh sang tiền cảnh do những thay đổi tinh vi hơn.
Trong một biến thể của phương pháp này, phân phối của pixel
chỉ được cập nhật nếu nó được phân loại là nền. Điều này là để ngăn
các đối tượng tiền cảnh mới được đưa vào mờ dần vào hậu cảnh.
Công thức cập nhật cho giá trị trung bình cũng được thay đổi tương
ứng:

M = 1 khi được coi là tiền cảnh và M = 0 khi được xem là hậu
cảnh. Khi M=1, nghĩa là pixel được phát hiện là tiền cảnh, giá trị
trung bình sẽ giữ ngun. Do đó, một pixel, một khi nó đã trở thành
nền trước, chỉ có thể trở thành nền trở lại khi giá trị ccường độ gần
với giái trị trước khi chuyển sang nền trước.[3]
Tuy nhiên, phương pháp này có một số vấn đề là nó chỉ hoạt

động nếu tất cả các pixel ban đầu là pixel nền. Ngồi ra, nó khơng
thể đối phó với những thay đổi nền dần dần: nếu một pixel được
phân loại là nền trước trong một khoảng thời gian quá dài, cường độ
nền ở vị trí đó có thể đã thay đổi (vì độ sáng đã thay đổi, …). Do đó,
khi đối tượng nền trước biến mất, cường độ nền mới có thể khơng
được nhận dạng như vậy nữa.[3]
3.4. Các mơ hình hỗn hợp nền
Phương pháp hỗn hợp Gaussian tiếp cận bằng cách mơ hình hố
mỗi pixel như một hỗn hợp của Gausian và sử dụng một phép gần
đúng để cập nhật mơ hình. Trong kỹ thuật này giả định rằng mọi giá
trị cường độ của pixel trong video có thể được mơ hình hố bằng mơ
hình hỗn hợp Gaussian. Một heuristic đơn giản xác định cường độ
nào có thể là của nền. Sau đó, các pixel khơng khớp với chúng được
gọi là pixel tiền cảnh. Các pixel tiền cảnh được nhóm lại bằng cách
xử dụng phân tích thành phần được kết nối 2D.
Phép gần đúng K-mean được sử dụng để cập nhật Gaussian.
Nhiều cải tiến của phương pháp ban đầu này là do Stauffer và
Grimson phát triền đã được đề xuất và có thể tìm thấy một cuộc
khảo sát đầy đủ trong Bouwmans et al. Một phương pháp tiêu chuẩn
của nền thích ứng là tính trung bình các ảnh theo thời gian, tạo ra


giá trị xấp xỉ nền tương tự như cảnh tĩnh hiện tại ngoại trừ trường
hợp này xảy ra chuyển động.[3]
IV.

THỬ NGHIỆM
Với chương trình thử nghiệm trên Matlab, do một số hạn chế nên

chúng em chỉ sử dụng một số thuật toán để tách đối tượng như thuật

toán phân ngưỡng thủ cơng, thuật tốn phân ngưỡng tự động Otsu
và giải thuật trừ nền.
4.1. Đầu vào thử nghiệm
4.1.1.

Đối với ảnh

Đầu vào là ảnh xám hoặc ảnh RGB. Ảnh màu sẽ được chuyển về
ảnh xám.
4.1.2. Đối với video


Đầu vào là một video với camera tĩnh.
4.2. Kết quả thử nghiệm
4.2.1. Đối với ảnh

Sau khi sử dụng phân ngưỡng ảnh thủ cơng, với T = 90, ta được
một hình ảnh với các đối tượng là đồng xu.


Đây là kết quả sử dụng thuật toán Otsu để lấy ngưỡng tự động
trong Matlab. Ta cũng thu được các đối tượng là những đồng xu, hoặc
đối tượng người.
4.2.2. Đối với video


Sau khi qua xử lý, thuật toán cơ bản đã khoanh vùng được các
đối tượng dựa trên giải thuật trừ nền. Tuy nhiên vẫn còn khoanh
vùng đối tượng chưa đúng do một số hạn chế của thuật tốn như
khơng xác định được đối tượng khi nó khơng di chuyển, xác định

nhầm nền là đối tượng hoặc chỉ xác định được một phần của đối
tượng do những điểm ảnh tại đó có sự thay đổi về độ sáng, ...
4.3. Đánh giá
Phân ngưỡng thủ cơng hoặc phân ngưỡng tự động bằng thuật
tốn Otsu đều cho kết quả tốt nếu màu nền là đồng nhất và các đối
tượng có sự khác biệt rõ ràng với nền. Trong trường hợp màu nền có
sự tương quan với màu của các đối tượng, hoặc nền không đồng màu
hoặc chính đối tượng cũng khơng đầu màu thì thuật tốn khơng thực
sự hiệu quả hoặc sai sót.
Với giải thuật trừ nền, video đưa vào phải là cam tĩnh. Với các
cảnh trong nhà, phản chiếu hoặc hình ảnh động trên màn hình dẫn
đến thay đổi nền thì thuật tốn có thể dẫn đến sai lệch. Tương tự, do
gió, mưa hoặc sự thay đổi ánh sáng do thời tiết mang lại, các phương
pháp nền tĩnh gặp khó khăn với các cảnh ngoài trời.


KẾT LUẬN
Xử lý ảnh là một khoa học còn tương đối mới mẻ so với nhiều
ngành khoa học khác, nhất là trên quy mô công nghiệp. Việc xử lý
loại bỏ nền để tìm đối tượng giúp tìm ra các dấu hiệu quan trọng cho
nhiều ứng dụng trong thị giác máy tính, từ đó ứng dụng vào cuộc
sống. Ví dụ theo dõi giám sát giao thông, bảo đảm an ninh, ...
Với một số kỹ thuật loại bỏ nền đã được giới thiệu, chúng ta có
thể lọc đối tượng khỏi nền một cách hiệu quả với đầu vào tiêu chuẩn.
Tuy nhiên, vẫn còn rất nhiều hạn chế ở những kỹ thuật trên. Chẳng
hạn phương pháp trừ nên dựa trên việc giả định hậu cảnh tĩnh (static
background) và thường không áp dụng trong mơi trường thực (ánh
sáng tự nhiên, ngồi trời…) hoặc các thay đổi trên ảnh nền trong nhà
(như màn hình TV) hoặc ngồi trời có mưa gió, thay đổi ánh sáng.

TÀI LIỆU THAM KHẢO
[1]. PGS. TS. Phạm Thế Anh (chủ biên), PGS. TS. Nguyễn Mạnh An,
PGS. TS. Đỗ Năng Toàn (2017), Giáo trình xử lý ảnh, Nhà xuất bản
Giáo dục Việt Nam, Hà Nội.
[2]. GV. Nguyễn Đình Cơng, Slide xử lý ảnh, Khoa Công nghệ thông
tin & Truyền thông, Đại học Hồng Đức
[3].

Foreground

/>[4]. Một số nguồn tài liệu online khác.

Detection: