Nghiên cứu các đặc trưng và nhận dạng mẫu trong chẩn đoán bệnh trên cây bưởi

ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA

CÙ YẾN NHI

CÙ YẾN NHI

*
KHOA HỌC MÁY TÍNH

NGHIÊN CỨU CÁC ĐẶC TRƯNG VÀ NHẬN DẠNG MẪU
TRONG CHẨN ĐOÁN BỆNH TRÊN CÂY BƯỞI

LUẬN VĂN THẠC SĨ KHOA HỌC
CHUN NGÀNH KHOA HỌC MÁY TÍNH
*
KHĨA K32
Đà Nẵng - Năm 2018


BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƢỜNG ĐẠI HỌC BÁCH KHOA

CÙ YẾN NHI

NGHIÊN CỨU CÁC ĐẶC TRƢNG VÀ NHẬN DẠNG MẪU
TRONG CHẨN ĐOÁN BỆNH TRÊN CÂY BƢỞI

Chuyên ngành: Khoa học máy tính
Mã ngành: 60.48.01

LUẬN VĂN THẠC SĨ
KỸ THUẬT

NGƢỜI HƢỚNG DẪN KHOA HỌC
1. TS Huỳnh Hữu Hƣng

Đà Nẵng - Năm 2018


i

LỜI CAM ĐOAN
Tơi cam đoan đây là cơng trình nghiên cứu của riêng tôi. Các số liệu, kết quả
nêu trong luận văn là trung thực và chưa từng ai công bố trong bất kỳ cơng trình nào
khác.

Tác giả

CÙ YẾN NHI


ii

MỤC LỤC
MỞ ĐẦU ......................................................................................................................... 1
1. Lý do chọn đề tài ......................................................................................................... 1
2. Mục tiêu và nhiệm vụ nghiên cứu ............................................................................... 1
2.1 Mục tiêu nghiên cứu ............................................................................................. 1
2.2 Nhiệm vụ nghiên cứu............................................................................................ 1
3. Đối tƣợng và phạm vi nghiên cứu ............................................................................... 1

3.1 Đối tƣợng nghiên cứu ........................................................................................... 1
3.2 Phạm vi nghiên cứu .............................................................................................. 2
4. Phƣơng pháp nghiên cứu ............................................................................................. 2
4.1 Phƣơng pháp nghiên cứu lý thuyết .......................................................................2
4.2 Phƣơng pháp nghiên cứu thực nghiệm .................................................................2
5. Ý nghĩa khoa học và thực tiễn của luận văn ............................................................... 2
5.1 Ý nghĩa khoa học ..................................................................................................2
5.2 Ý nghĩa thực tiễn ..................................................................................................2
6. Bố cục luận văn: .......................................................................................................... 2
CHƢƠNG 1 - TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ CÁC KỸ THUẬT NHẬN DẠNG
1.1. Tổng quan về xử lý ảnh ........................................................................................ 4
1.1.1 Giới thiệu........................................................................................................ 4
1.1.2 Các bƣớc trong xử lý ảnh ............................................................................... 5
1.1.3 Một số khái niệm trong xử lý ảnh .................................................................. 6
1.2. Phƣơng pháp cải thiện chất lƣợng ảnh .................................................................7
1.2.1 Tăng giảm độ sáng ......................................................................................... 7
1.2.2 Cắt lớp cƣờng độ sáng ................................................................................... 7
1.2.3 Xử lý độ tƣơng phản – giãn độ tƣơng phản ................................................... 8
1.2.4 Lƣợc đồ xám (Histogram) .............................................................................. 9
1.2.5 Biến đổi âm bản ........................................................................................... 10
1.2.6 Biến đổi ảnh đen trắng ................................................................................. 10
1.2.7 Phép co và giãn ảnh nhị phân....................................................................... 10
1.2.8 Phép đóng và mở ảnh nhị phân .................................................................... 11
1.3. Trích chọn đặc trƣng ảnh .................................................................................... 12
1.3.1 Màu sắc ........................................................................................................ 13
1.3.2 Hình dáng ..................................................................................................... 14
1.3.3 Kết cấu bề mặt .............................................................................................. 15
1.4. Một số kỹ thuật nhận dạng [2] ............................................................................17
1.4.1 SVM (Support Vector Machine) .................................................................. 17
1.4.2 Mạng Nơron ................................................................................................. 18

1.4.3 K – láng giềng gần nhất (KNN – K nearest neighbors) .............................. 19


iii
1.5. Đánh giá ƣu điểm của phƣơng pháp KNN. ........................................................ 19
CHƢƠNG 2 – NHẬN DẠNG VÀ ĐÁNH GIÁ CHẤT LƢỢNG
2.1 Các c ng tr nh nghiên cứu ..................................................................................21
2.1.1 Nhận dạng trái cây ....................................................................................... 21
2.1.2 Phát hiện khuyết điểm trên bề mặt trái cây .................................................. 21
2.2 Các đặc trƣng sử dụng trong đánh giá chất lƣợng ..............................................21
2.2.1 Trích chọn đặc trƣng h nh dạng để phân biệt phần cuống và khiếm khuyết
thực trên trái cây. .................................................................................................. 21
2.2.2 Trích chọn đặc trƣng màu sắc ...................................................................... 24
2.2.3 Trích chọn đặc trƣng kết cấu ........................................................................ 25
2.3 Phƣơng pháp phân loại và đánh giá chất lƣợng..................................................26
2.3.1 Phƣơng pháp phân lớp ảnh chụp lá cây ứng dụng máy Vector h trợ ......... 26
2.3.2 Thuật toán Watershed và đối sánh mẫu để phát hiện bệnh thối trên xoài ... 30
2.3.3 Phƣơng pháp khai thác các thống kê màu sắc và đặc trƣng kết cấu để nhận
biết bệnh táo. ......................................................................................................... 34
CHƢƠNG 3– NHẬN DẠNG VÀ CHẨN ĐOÁN BỆNH TRÊN BƢỞI VỚI THUẬT
TỐN K-NEAREST NEIGHBORS
3.1 Thuật tốn K – Láng giềng gần nhất (K-Nearest Neighbors) ............................ 39
3.1.1 Thuật toán..................................................................................................... 39
3.1.2 Mơ tả thuật tốn ........................................................................................... 39
3.1.3 Khoảng cách Euclidean ................................................................................ 40
3.2 Chẩn đoán bệnh trên Bƣởi sử dụng thuật toán K-NN ........................................41
3.2.1 M tả bài toán .............................................................................................. 41
3.2.2 M h nh hệ thống ......................................................................................... 42
3.2.3 Các bƣớc thực hiện ...................................................................................... 42
3.3 Trích xuất đặc trƣng............................................................................................ 43

3.2.1 Đặc trƣng màu sắc ........................................................................................ 43
Chuyển đổi và tách các kênh màu H-S-V ............................................................. 43
3.2.2 Đặc trƣng kết cấu ......................................................................................... 44
3.2.3 Sóng con Gabor – Gabor Wavelet ............................................................... 45
3.2.4 Ma trận đồng hiện mức xám Co-occurrence ................................................ 46
3.2.5 Biến đổi Wavelet và ứng dụng ..................................................................... 48
3.4 Thực nghiệm và kết quả ..................................................................................... 49
3.4.1 Tập mẫu ảnh huấn luyện .............................................................................. 49
3.4.2 Kết quả thực nghiệm .................................................................................... 50
3.4.3 Cài đặt hệ thống ........................................................................................... 51
3.4.4 Nhận xét ....................................................................................................... 54
KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN .................................................................... 54
TÀI LIỆU THAM KHẢO ............................................................................................. 55


iv
NGHIÊN CỨU CÁC ĐẶC TRƢNG VÀ NHẬN DẠNG MẪU TRONG CHẨN
ĐOÁN BỆNH TRÊN CÂY BƢỞI
Học viên: CÙ YẾN NHI; Chuyên ngành: Khoa học máy tính
Mã số: 60.48.01; Khóa: 2016-2018 Trƣờng Đại học Bách khoa - ĐHĐN
Tóm tắt – Hiện nay n ng dân chẩn đoán bệnh, đánh giá chất lƣợng trái cây dựa vào
kinh nghiệm là chính th ng qua các h nh ảnh trên bề mặt trái, lá cây,.. mà thị giác con ngƣời
nh n thấy. Trên thực tế việc đánh giá nhƣ vậy kh ng đạt đƣợc độ chính xác cao. Chính v vậy
thị giác máy tính là một lĩnh vực đã và đang đƣợc ứng dụng rộng khắp trong nhiều mặt của
cuộc sống, đây là kỹ thuật liên quan đến việc nhận dạng và phân biệt đối tƣợng trong thực tế
th ng qua ảnh chụp của chúng. Kỹ thuật này ngày càng đƣợc áp dụng rộng rãi vào nhiều lĩnh
vực của n ng nghiệp nhƣ tự động hóa, phân loại n ng sản. Trong luận văn này tác giả sử dụng
phƣơng pháp nhận dạng mẫu trong chẩn đốn bệnh trên cây Bƣởi bằng máy tính, sử dụng các
phƣơng pháp, thuật toán K – láng giềng gần nhất (KNN) trong lĩnh vực thị giác máy tính và
xử lý ảnh số để nhận dạng, phân tích h nh ảnh nhằm chẩn đoán bệnh trên Bƣởi. Kết quả thực

nghiệm với độ chính xác phân loại trên 97% cho thấy sự thành c ng của việc áp dụng phƣơng
pháp KNN vào việc chẩn đoán bệnh trên cây Bƣởi th ng qua ảnh chụp.
Từ khóa – Xử lý ảnh, nhận dạng mẫu, các loại bệnh trên cây Bƣởi, kỹ thuật nhận dạng,
ứng dụng KNN trong nhận dạng mẫu.
Abstract – Farmers, primarily depending on their own experience, now diagnose the
disease or assess the quality of fruits through observing their surface or leaves, etc. with the
naked eyes. In fact, such an assessment does not achieve high accuracy. Therefore, computer
vision, which involves identifying and distinguishing objects in reality through their
photographs, is a field that has been applied extensively in many aspects of life. This
technique is being increasingly applied in many fields of agriculture such as automation and
classification of agricultural products. In this thesis, the author used the method of identifying
the specimens in the diagnosis of Pomelo plant disease through using computers, methods and
K algorithms – the nearest neighbor (KNN) in the field of computer vision - and digital image
processing to identify, analyze images to diagnose diseases on pomelo. Experimental results
with 97% accuracy showed the success of applying KNN method to the diagnosis of Pomelo
plant disease via the photos.
Key word- Image processing, sample identification; diseases on pomelo; identification
technique; application of KNN in sample identification.


v

DANH MỤC CÁC CHỮ VIẾT TẮT
Từ viết tắt
ANN
CM
HMM
HSV
KNN
MLP

PE
P-M
QP
RGB
SDM
SIM

Tiếng Anh
Artificial Neural Networks
Convolution Mask
Hidden Markov Models
Hue
Saturation
Value
K-Nearest Neighbors algorithm
MultiLayer Perceptron
Processing Element
McCulloch and Pitts
Quadratic Programing
Red, Green,Blue

Size-dependent
measurements
Size-independent
measurements

SOM

Self – Organizing Map

SVM
XLA

Support Vector Machine

Tiếng Việt
Mạng nơron
Mặc nạ cuộn
M h nh Markov ẩn
Vùng màu
Độ bão hòa màu
Độ sáng
K- láng giềng gần nhất
Mạng Perceptron nhiều tầng
Phần tử xử lý
McCulloch và Pitts
Quy hoạch toàn phƣơng
màu đỏ, xanh lục, xanh lơ
Đo lƣờng phụ thuộc vào kích
thƣớc
Đo lƣờng kh ng phụ thuộc vào
kích thƣớc
Kiểu học kh ng có giám sát trong
mạng nơron
Máy vectơ h trợ
Xử lý ảnh


vi

DANH MỤC CÁC BẢNG
Bảng 2. 1 ID duy nhất của m i lớp................................................................................35
Bảng 2. 2 Tính chính xác phân loại bệnh trái cây khi MSVM đƣợc huấn luyện với 70
hình ảnh m i loại ...........................................................................................................36
Bảng 2. 3 So sánh với các phƣơng pháp hiện tại........................................................... 37
Bảng 3. 1 Số lƣợng mẫu dùng trong thực nghiệm ........................................................ 51
Bảng 3. 2 Kết quả thực nghiệm với thuật toán k-NN, chọn k=1 ...................................51


vii

DANH MỤC CÁC HÌNH
Hình 1. 1 Mối quan hệ giữa xử lý ảnh, thị giác máy tính và phân tích ảnh ....................4
Hình 1. 2 Quá trình xử lý ảnh .......................................................................................... 5
H nh 1. 3 Sơ đồ tổng quát của hệ thống xử lý ảnh .......................................................... 5
Hình 1. 4 Ảnh thang giá trị mức xám ở mức 128 ............................................................ 6
Hình 1. 5 Ảnh trắng đen ..................................................................................................6
Hình 1. 6 Ảnh nhị phân ...................................................................................................6
Hình 1. 7 Ảnh màu ..........................................................................................................7
Hình 1. 8 Biểu đồ Histogram ảnh xám ............................................................................7
Hình 1. 9 Ảnh tăng/giảm độ sáng ....................................................................................7
Hình 1. 10 Biểu đồ cắt lớp cƣờng độ sáng ......................................................................8
Hình 1. 11 Biểu đồ giãn độ tƣơng phản ..........................................................................8
Hình 1. 12 Ảnh khi tăng độ tƣơng phản ..........................................................................9
Hình 1. 13 Biểu đồ lƣợc đồ xám (Histogram) của ảnh ...................................................9
Hình 1. 14 Biểu đồ cân bằng Histogram của ảnh ............................................................ 9
Hình 1. 15 Ảnh âm bản..................................................................................................10
Hình 1. 16 Ảnh trắng đen .............................................................................................. 10
Hình 1. 17 Ứng dụng của phép giãn ảnh .......................................................................11
Hình 1. 18 Ứng dụng phép co ảnh để giảm nhiễu ......................................................... 11

Hình 1. 19 A: ảnh gốc; B: co ảnh; C: giãn ảnh ............................................................. 12
Hình 1. 20 Quá trình thực hiện phép đóng ảnh nhị phân ..............................................12
Hình 1. 21 Khơng gian màu RGB và HSV ...................................................................13
Hình 1. 22 Ảnh màu RGB đổi sang màu HSV và các kênh màu H,S,V ....................... 14
H nh 1. 23 Các phƣơng pháp phân tích và đo lƣờng kết cấu ảnh ................................ 16
Hình 1. 24 H2 là mặt phẳng tốt nhất .............................................................................18
Hình 2. 1 Phân biệt phần cuống và khiếm khuyết thực tế .............................................22
Hình 2. 2 Mơ tả chuyển đổi khoảng cách cho đối tƣợng ..............................................23
H nh 2. 3 Đồ họa thể hiện vịng trùng khớp vào vùng đối tƣợng ..................................23
Hình 2. 4 Biểu diễn đồ họa các tọa độ đƣợc sử dụng để tính tốn 12 khoảng cách ......23
Hình 2. 5 Mơ hình phân lớp ảnh chụp có phải lá cây .................................................... 27
Hình 2. 6 (a) Tách lá ra khỏi nền; (b) Giao diện chƣơng tr nh.....................................28
Hình 2. 7 Tập dữ liệu của Leafsnap và dữ liệu tự thu thập để kiểm tra ứng dụng ........29
Hình 2. 8 Ảnh bị phân lớp sai trong trƣờng hợp hàm nhân RBF, C=2 và Gamma=8 ..29
Hình 2. 9 Ảnh bị phân lớp sai trong trƣờng hợp hàm nhân tuyến tính và C=2 .............30
Hình 2. 10 Cấu trúc hệ thống đề xuất ............................................................................31
H nh 2. 11 Các bệnh gây ảnh hƣởng tới xồi. ............................................................... 31
Hình 2. 12 Các hình ảnh của xồi trong bộ DB_MANGO ..........................................32
Hình 2. 13 Tính năng màu và ngƣỡng ...........................................................................33


viii
Hình 2. 14 Nhị phân và phân vùng ảnh .........................................................................33
Hình 2. 15 Phát hiện trái xoài b nh thƣờng và xoài bệnh .............................................33
H nh 2. 16 Hệ thống nhận dạng bệnh trái táo ................................................................ 34
Hình 2. 17 Một số kết quả phân đoạn khiếm khuyết ..................................................... 35
Hình 2. 18 Hình ảnh mẫu từ bộ dữ liệu .........................................................................36
Hình 3. 1 Minh họa phân lớp với thuật tốn K-NN ...................................................... 39
Hình 3. 2 Tính khoảng cách Euclidean giữa hai vector xr và xs ....................................40
Hình 3. 3 Mơ hình nhận dạng quả Bƣởi sử dụng thuật tốn k-NN ............................... 42

Hình 3. 4 Ảnh màu RGB chuyển sang HSV và các kênh màu H-S-V......................... 44
Hình 3. 5 Mơ hình trích lọc đặc trƣng kết cấu............................................................... 44
Hình 3. 6 Ảnh kênh V qua bộ lọc Gabor tạo ảnh kết cấu ..............................................45
Hình 3. 7 Các tham số của hàm Gabor Wavelet và đặc trƣng kết cấu tƣơng ứng. .......46
H nh 3. 8 H nh dáng Gabor Wavelet và các đặc trƣng ..................................................48
Hình 3. 9 Mẫu trái Bƣởi khơng bệnh.............................................................................49
Hình 3. 10 Mẫu trái Bƣởi bệnh thối do nấm .................................................................50
Hình 3. 11 Mẫu trái Bƣởi bệnh sâu đục vỏ trái ............................................................. 50
Hình 3. 12 Kết quả nhận dạng với k=2 .........................................................................51
Hình 3. 13 Giao diện nhận dạng chẩn đốn bệnh trên Bƣởi .........................................52
Hình 3. 14 Kết quả chẩn đốn Bƣởi khơng bệnh ......................................................... 53
Hình 3. 15 Kết quả chẩn đốn Bƣởi bệnh do nấm ........................................................ 53
Hình 3. 16 Kết quả chẩn đoán Bƣởi bệnh sâu đục trái ..................................................53


1

MỞ ĐẦU
1. Lý do chọn đề tài
Việt Nam là một quốc gia hội đủ các điều kiện thuận lợi về thổ nhƣỡng, nguồn
nƣớc, khí hậu để phát triển trồng cây ăn trái nhằm tạo nguồn n ng sản tiêu dùng và
xuất khẩu. Để trái cây Việt Nam có thể xuất khẩu ra các thị trƣờng trong khu vực và
thế giới thì cần nâng cao chất lƣợng sản phẩm theo tiêu chuẩn GAP, do đó việc chẩn
đốn trong thời gian trồng trọt là khâu cực kỳ quan trọng.
Ngày nay n ng dân tại các tỉnh đồng bằng s ng Cửu Long nói chung và tỉnh Trà
Vinh nói riêng chỉcanh tác và trồng trọt chủ yếu chỉ dựa vào kinh nghiệm mà chƣa biết
ứng dụng khoa học và c ng nghệ vào trong sản xuất để nâng cao chất lƣợng sản phẩm,
hiệu quả kinh tế nhằm giảm chi phí sản xuất.
Ở Việt Nam, các ứng dụng về xử lý ảnh đã bƣớc đầu đƣợc triển khai trên một số
lĩnh vực nhƣ hệ thống nhận dạng biển số xe ở các bãi đ xe, hệ thống nhận dạng vân

tay chấm c ng ở các c ng sở, nhận dạng và đánh giá chất lƣợng trái cây,v.v… Tuy
nhiên số lƣợng các ứng dụng đƣợc triển khai trên thực tế cịn ít, lĩnh vực này sẽ phát
triển mạnh mẽ trong tƣơng lai nếu nhƣ đƣợc quan tâm một cách nghiêm túc.
Từ hiện trạng trên, để giúp n ng dân khu vực Đồng bằng s ng Cửu Long tiết
kiệm chi phí sản xuất, nâng cao năng suất và chất lƣợng cây trồng mà cụ thể là trên
cây Bƣởi -một loại cây cho hiệu quả kinh tế cao, nên t i chọn đề tài: “Nghiên cứu các
đặc trƣng và nhận dạng mẫu trong chẩn đoán bệnh trên cây Bƣởi”
2. Mục tiêu và nhiệm vụ nghiên cứu
2.1 Mục tiêu nghiên cứu
Mục tiêu nghiên cứu của đề tài là dùng thuật toán KNN để giải quyết việc chẩn
đoán các loại bệnh trên cây Bƣởi th ng qua các đặc trƣng để nhận dạng: màu sắc, kết
cấu bề mặt, h nh dáng,…
2.2 Nhiệm vụ nghiên cứu
- Xử lý ảnh số và t m hiểu đặc trƣng, các bƣớc trong xử lý ảnh
- Các kỹ thuật nhận dạng nhƣ: SVM, Mạng Nơron, KNN. Qua đó đánh giá ƣu
điểm của phƣơng pháp KNN.
- Sử dụng các đặc trƣng màu sắc, kết cấu, h nh dạng trong đánh giá chất lƣợng
3. Đối tƣợng và phạm vi nghiên cứu
3.1 Đối tượng nghiên cứu
- Các phƣơng pháp nhận dạng nhƣ: Mạng Nơron, Thuật toán K-láng giềng gần
nhất (K-Nearest Neighbors), Thuật toán SVM.
- Các loại bệnh trên cây Bƣởi khi sử dụng thuật toán KNN để nhận dạng.


2
3.2 Phạm vi nghiên cứu
- Các loại bệnh trên cây Bƣởi dựa vào các đặc trƣng màu sắc, kết cấu, h nh dạng
- Dùng phƣơng pháp nhận dạng nhƣ: Mạng Nơron, thuật toán KNN, thuật toán
SVM để chẩn đoán bệnh trên cây Bƣởi
4. Phƣơng pháp nghiên cứu

4.1 Phương pháp nghiên cứu lý thuyết
- Đọc và tham khảo các đề tài, bài báo liên quan đến lĩnh vực nhận dạng mẫu.
- Các tài liệu về cơ sở lý thuyết: xử lý ảnh số, lọc trích ảnh số, xác định biên, các
phƣơng pháp huấn luyện mạng, nghiên cứu các kỹ thuật nhận dạng mẫu.
- Lựa chọn c ng cụ h trợ.
- Thu thập kho dữ liệu ảnh huấn luyện.
- Thu thập kho dữ liệu các loại bệnh trên cây Bƣởi.
4.2 Phương pháp nghiên cứu thực nghiệm
- Thu nhận ảnh về các loại bệnh trên cây Bƣởi ngoài thực tế
- Thực hiện các bƣớc xử lý.
- Xây dựng kho dữ liệu huấn luyện.
- So khớp các đặc trƣng của ảnh cần kiểm tra với kho dữ liệu đặc trƣng của ảnh
đã đƣợc huấn luyện.
- Cài đặt chƣơng tr nh, thực hiện chƣơng tr nh với một số mẫu dữ liệu và đánh
giá kết quả.
5. Ý nghĩa khoa học và thực tiễn của luận văn
5.1 Ý nghĩa khoa học
- Ứng dụng khoa học và c ng nghệ vào sản xuất n ng nghiệp.
- Ứng dụng ngành khoa học nhận dạng và xử lý ảnh vào việc phát hiện bệnh trên
n ng sản.
5.2 Ý nghĩa thực tiễn
Góp thêm một giải pháp để n ng dân chẩn đoán bệnh trên cây Bƣởi tại tỉnh Trà
Vinh. Qua đó giảm bớt sức lao động, tiết kiệm chi phí và nâng cao năng suất cây
trồng, tăng thu nhập cho n ng dân.
6. Bố cục luận văn:
Chƣơng 1 Tổng quan về xử lý ảnh và các kỹ thuật nhận dạng: Chƣơng này tr nh
bày tổng quan lý thuyết về xử lý ảnh số, các bƣớc trong xử lý ảnh, các trích chọn
đặc trƣng ảnh, một số phƣơng pháp nhận dạng và ƣu điểm về phƣơng pháp mà đề
tài đã chọn
Chƣơng 2 Nhận dạng và đánh giá chất lƣợng: Chƣơng này tr nh bày các cơng trình

nghiên cứu của các tác giả khác trong nhận dạng trái cây nhƣ sử dụng các đặc trƣng
trong đánh giá chất lƣợng: h nh dạng, màu sắc, kết cấu. Các phƣơng pháp phân loại
và đánh giá chất lƣợng trên táo, xoài,...


3
Chƣơng 3 Nhận dạng và chẩn đoán bệnh trên Bƣởi với thuật toán KNN: Chƣơng
này tr nh bày các bƣớc thực hiện theo phƣơng pháp nhận dạng KNN, các bƣớc xử
lý, tr nh bày kết quả đạt đƣợc, đánh giá kết quả, rút ra kết luận và hƣớng phát triển.


4

CHƢƠNG 1 - TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ
CÁC KỸ THUẬT NHẬN DẠNG
1.1. Tổng quan về xử lý ảnh
1.1.1 Giới thiệu
Xử lý ảnh bắt đầu đƣợc nghiên cứu từ đầu những năm 20 của thế kỷ trƣớc. Mục
đích ban đầu đơn thuần chỉ là gửi ảnh với các dữ liệu đã đƣợc nén từ London tới New
York qua cáp ngầm dƣới biển. Nhiều năm sau đó, vai trị của nó đƣợc nâng lên với sự
phát triển của các radar quân sự sử dụng trong thế chiến thứ 2 (1939-1945).
Con ngƣời thu nhận th ng tin qua các giác quan trong đó thị giác đóng vai trị
quan trọng nhất bởi v khoảng 80% th ng tin đƣợc thu nhận bằng mắt nghĩa là ở dạng
ảnh. V vậy, h nh ảnh đóng vai trị cực kỳ quan trọng trong nhận thức của con ngƣời.
Mặt khác, với sự phát triển mạnh mẽ của phần cứng máy tính, xử lý ảnh, đồ hoạ ngày
càng có nhiều ứng dụng thực tiễn phục vụ cuộc sống. Nhƣ vậy, xử lý ảnh đóng một vai
trị rất quan trọng trong sự tƣơng tác giữa ngƣời và máy. Cũng nhƣ xử lý dữ liệu bằng
đồ họa, xử lý ảnh số là một lĩnh vực của tin học ứng dụng. Khái niệm xử lý ảnh số
dùng để chỉ việc xử lý ảnh dựa trên một máy tính kỹ thuật số [3].
Xử lý ảnh là lĩnh vực có liên quan đến một số lĩnh vực khác nhƣ phân tích ảnh

hay thị giác máy tính. Các bƣớc xử lý ảnh của ứng dụng thực tế thƣờng thực hiện theo
thứ tự: xử lý ảnh, phân tích ảnh và thị giác máy tính. Ngƣời ta thƣờng định ra ranh giới
của từng giai đoạn dựa vào đầu vào (input) và đầu ra (output) của quá tr nh xử lý.

Hình 1. 1 Mối quan hệ giữa xử lý ảnh, thị giác máy tính và phân tích ảnh
Quá tr nh xử lý ảnh đƣợc xem nhƣ là quá tr nh thao tác ảnh đầu vào nhằm cho ra
kết quả mong muốn. Kết quả đầu ra của một quá tr nh xử lý ảnh có thể là một ảnh “tốt
hơn” hoặc một “kết luận” [3].


5

Hình 1. 2 Q trình xử lý ảnh
Ảnh có thể xem là tập hợp các điểm ảnh và m i điểm ảnh đƣợc xem nhƣ là đặc
trƣng cƣờng độ sáng hay một dấu hiệu nào đó tại một vị trí nào đó của đối tƣợng trong
khơng gian và nó có thể xem nhƣ một hàm n biến P(c1,c2,...,cn). Do đó, ảnh trong xử lý
ảnh có thể xem nhƣ ảnh n chiều [3].

Hình 1. 3 Sơ đồ tổng quát của hệ thống xử lý ảnh

1.1.2 Các bước trong xử lý ảnh
1.2.8.1 Thu nhận ảnh

Quá tr nh tiếp nhận th ng tin từ vật thể th ng qua camera màu hoặc trắng
đen, ảnh thu nhận đƣợc có thể là ảnh tƣơng tự (analog) hoặc ảnh đã số hóa
(digital).
1.2.8.2 Tiền xử lý ảnh
Ảnh sau khi thu nhận, ảnh có thể nhiễu, độ tƣơng phản thấp nên cần đƣa vào bộ
tiền xử lý để nâng cao chất lƣợng. Chức năng chính của bộ tiền xử lý là lọc nhiễu,
nâng độ tƣơng phản để làm ảnh rõ hơn, nét hơn, mịn hơn.

1.2.8.3 Phân đoạn ảnh
Tách một ảnh đầu vào thành các vùng thành phần để biểu diễn phân tích, nhận
dạng ảnh. Đây là phần phức tạp khó khăn nhất trong xử lý ảnh và cũng dễ gây l i, làm
mất độ chính xác của ảnh. Kết quả nhận dạng ảnh phụ thuộc rất nhiều vào c ng đoạn
này.
1.2.8.4 Biểu diễn ảnh
Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn)
cộng với mã liên kết với các vùng lân cận. Việc biến đổi các số liệu này thành dạng
thích hợp là cần thiết cho xử lý tiếp theo bằng máy tính. Việc chọn các tính chất để thể


6
hiện ảnh gọi là trích chọn đặc trƣng (Feature Selection) gắn với việc tách các đặc tính
củaảnh dƣới dạng các th ng tin định lƣợng hoặc làm cơ sở để phân biệt lớp đối tƣợng
này với đối tƣợng khác trong phạm vi ảnh nhận đƣợc.
1.2.8.5 Nhận dạng và nội suy ảnh
Nhận dạng ảnh là quá tr nh xác định ảnh. Quá tr nh này thƣờng thu đƣợc bằng
cách so sánh với mẫu chuẩn đã đƣợc học (hoặc lƣu) từ trƣớc. Nội suy là phán đoán
theo ý nghĩa trên cơ sở nhận dạng.

1.1.3 Một số khái niệm trong xử lý ảnh
1.1.3.1 Mức xám
- Mức xám của một điểm ảnh là cƣờng độ sáng của nó, đƣợc gán bằng giá trị số
tại điểm đó.
- Các thang giá trị mức xám th ng thƣờng: 16, 32, 64, 128, 256 (mức 256 là phổ
biến nhất, ở mức này m i pixel đƣợc mã hoá bởi 8 bit).

Hình 1. 4 Ảnh thang giá trị mức xám ở mức 128
1.1.3.2 Ảnh trắng đen: là ảnh chỉ có 2 màu trắng và đen (kh ng chứa màu
khác) với mức xám ở các điểm ảnh có thể khác nhau.

Hình 1. 5 Ảnh trắng đen
1.1.3.3 Ảnh nhị phân: là ảnh có 2 mức trắng đen phân biệt, tức là dùng 1 bit
m tả 21 mức khác nhau. Nói cách khác: m i bit điểm ảnh nhị phân chỉ có thể là 0
hoặc 1.

Hình 1. 6 Ảnh nhị phân


7
1.1.3.4 Ảnh màu: trong lý thuyết 3 màu (Red, Green, Blue) để tạo nên thế giới
màu, ngƣời ta thƣờng dùng 3 byte để m tả mức màu, khi đó các giá trị màu: 2 8*3 =
22416,7 triệu màu.

Hình 1. 7 Ảnh màu
1.1.3.5 Ảnh xám: là trƣờng hợp đặc biệt của ảnh màu khi giá trị màu Red,
Green, Blue bằng nhau.

Hình 1. 8 Biểu đồ Histogram ảnh xám
1.2. Phƣơng pháp cải thiện chất lƣợng ảnh
1.2.1 Tăng giảm độ sáng
Giả sử ta có ảnh đầu vào I ~ kích thƣớc (m x n) và số nguyên c
Nếu c > 0: ảnh sáng lên.
Nếu c < 0: ảnh tối đi.

Hình 1. 9 Ảnh tăng/giảm độ sáng

1.2.2 Cắt lớp cường độ sáng
Cho phép phân tách các mức xám trong một miền với các phần cịn lại.
Thích hợp khi ảnh có nhiều chi tiết nằm trên những vùng mức xám khác nhau

Cắt lớp lấy nền:


8

Cắt lớp kh ng lấy nền:

Hình 1. 10 Biểu đồ cắt lớp cƣờng độ sáng

1.2.3 Xử lý độ tương phản – giãn độ tương phản
Độ tƣơng phản biểu diễn sự thay đổi độ sáng của đối tƣợng so với nền, hay độ
tƣơng phản là độ nổi của điểm ảnh hay vùng ảnh so với nền. Nếu ảnh có độ tƣơng
phản kém, ta có thể thay đổi theo các hàm.

Hình 1. 11 Biểu đồ giãn độ tƣơng phản
-

Việc xác định các tham số α, β, γ xác định các vùng ảnh sẽ đƣợc tăng cƣờng
Nếu β>1, độ tƣơng phản trong vùng II[a, b] đƣợc tăng cƣờng
Nếu α<1, độ tƣơng phản trong vùng I[0,a] đƣợc giảm
Nếu γ<1, độ tƣơng phản trong vùng III[b,L-1] đƣợc giảm
Việc lựa chọn các giá trị a, b phụ thuộc vào biểu đồ mức đơn sắc (histogram)


9

Hình 1. 12 Ảnh khi tăng độ tƣơng phản

1.2.4 Lược đồ xám (Histogram)
1.3.3.1 Hiển thị lược đồ xám của ảnh

Hình 1. 13 Biểu đồ lƣợc đồ xám (Histogram) của ảnh
Lƣợc đồ xám là một c ng cụ hữu hiệu dùng trong nhiều c ng đoạn của tăng
cƣờng xử lý ảnh.
1.3.3.2 Cân bằng lược đồ xám
Với một ảnh tự nhiên đƣợc lƣợng hóa một cách tuyến tính, phần lớn các điểm
ảnh có giá trị thấp hơn độ sáng trung b nh. Trong miền tối, ta khó có thể cảm nhận các
chi tiết của ảnh. Thực tế cần phải khắc phục nhƣợc điểm này bằng cách biến đổi lƣợc
đồ xám. Ngƣời ta biến đổi lƣợc đồ sao cho tiến gần tới lƣợc đồ định trƣớc. Có nhiều
phƣơng pháp, trong đó phƣơng pháp phổ dụng nhất là san bằng lược đồ.
Nếu ảnh có kích thƣớc (p x p) và ảnh kết quả đƣợc mã hóa trên N F mức xám th
số điểm ảnh cho một mức xám trong lƣợc đồ cân bằng lý tƣởng sẽ là hằng số và bằng
P 2 / N F ( N F là số mức xám đầu xa). Trên thực tế, N F thƣờng nhỏ hơn N I (số mức
xám ban đầu).

Hình 1. 14 Biểu đồ cân bằng Histogram của ảnh


10

1.2.5 Biến đổi âm bản
Chuyển đổi ảnh dƣơng thành âm bản:
Dùng để tăng cƣờng các chi tiết trắng hoặc xám trên nền tối.

Hình 1. 15 Ảnh âm bản

1.2.6 Biến đổi ảnh đen trắng
Để chuyển đổi một ảnh màu sang ảnh đen trắng ta dùng kĩ thuật tách ngƣỡng.

Hình 1. 16 Ảnh trắng đen

1.2.7 Phép co và giãn ảnh nhị phân
3.4.1.1 Phép giãn ảnh (Dilation)
Gọi A là ảnh gốc, B là một phần tử cấu trúc. Phép giãn nhị phân của ảnh A với
phần tử cấu trúc B đƣợc kí hiệu A  B và chúng ta có thể biểu diễn phép toán giãn ảnh
dƣới dạng phép toán tổ hợp nhƣ sau:
   


A  B   z |  B   A   A 

   z


Nhƣ vậy, phép giãn ảnh nhị phân của tập A bởi phần tử cấu trúc B là tập hợp của
các điểm z (z là tâm của phần tử cấu trúc B trên tập A) sao cho phản xạ của Bz giao
với tập A tại ít nhất một điểm.
Tổng quát hơn, nếu A là một h nh ảnh và B là phần tử cấu trúc có tâm điểm nằm
trên h nh ảnh A, khi đó phép giãn của h nh ảnh A bởi phần tử cấu trúc B có thể đƣợc
hiểu nhƣ quỹ tích của các điểm đƣợc phủ bởi phần tử cấu trúc B khi tâm điểm của B di
chuyển trên cạnh của h nh ảnh A.


11

Hình 1. 17 Ứng dụng của phép giãn ảnh
Một trong các ứng dụng đơn giản nhất của phép giãn ảnh nhị phân là nối các nét
đứt trong quá tr nh nâng cao chất lƣợng ảnh. Nh n chung, phép giãn ảnh nhị phân
thƣờng làm to đối tƣợng.
3.4.1.2 Phép co ảnh (Erosion)

Xét tập hợp A và tập hợp B (Phần tử cấu trúc) trong , th phép co ảnh nhị phân
của tập hợp A bởi phần tử cấu trúc B đƣợc kí hiệu A B và viết dƣới dạng c ng thức
nhƣ sau:
A B = z | ( B) Z  A
Phép co ảnh của tập hợp A bởi phần tử cấu trúc B là tập hợp các điểm z (z nằm ở
tâm điểm của phần tử cấu trúc B) sao cho Bz là tập con của A.
Một ứng dụng quan trọng của phép co ảnh nhị phân là dùng để loại trừ các chi
tiết kh ng cần thiết trên h nh ảnh ví dụ nhƣ nhiễu hay các thành phần dƣ thừa. Và nó
thƣờng làm mỏng đối tƣợng trong ảnh nhị phân.

Hình 1. 18 Ứng dụng phép co ảnh để giảm nhiễu

1.2.8 Phép đóng và mở ảnh nhị phân
Phép mở ảnh và phép đóng ảnh là hai phép tốn đƣợc mở rộng từ hai phép toán
h nh thái cơ bản là phép co và phép giãn ảnh nhị phân. Phép mở ảnh thƣờng làm trơn
biên của đối tƣợng trong ảnh, nhƣ loại bỏ những phần nh ra có kích thƣớc nhỏ. Phép
đóng ảnh cũng tƣơng tự làm trơn biên của đối tƣợng trong ảnh nhƣng ngƣợc với phép
mở.
1.2.8.1 Phép mở ảnh (Opening)


12
Gọi A là đối tƣợng trong h nh ảnh và B là phần tử cấu trúc, () là ký hiệu của
phép mở ảnh giữa tập hợp A và phần tử cấu trúc B, phép mở ảnh đƣợc xác định bởi
c ng thức:
AB = (A ⊖ B)⊕B
Nhƣ vậy, phép mở ảnh phải trải qua hai giai đoạn là co ảnh và giãn ảnh. Đầu tiên
sử dụng phép co với phần tử cấu trúc có kích thƣớc tƣơng ứng để tác động lên đối
tƣợng trong ảnh. Sau đó áp dụng phép giãn ảnh cho kết quả đó th chúng ta sẽ thu
đƣợc kết quả.

Hình 1. 19 A: ảnh gốc; B: co ảnh; C: giãn ảnh
1.2.8.2 Phép đóng ảnh (Closing)
Tƣơng tự nhƣ phép mở ảnh, nhƣng quá tr nh thực hiện phép đóng ảnh có xu
hƣớng ngƣợc lại, với mục đích lắp đầy những ch thiếu hụt của đối tƣợng trên ảnh dựa
vào các phần tử cơ bản ban đầu.
Với tập hợp A là đối tƣợng trong ảnh, B là phần tử cấu trúc.    là ký hiệu phép
đóng ảnh. Khi đó phép đóng ảnh của tập hợp A bởi phần tử cấu trúc B, kí hiệu là
( A  B) , xác định bởi:

( A  B ) = ( A  B)

B

Nhƣ vậy, phép đóng ảnh phải trải qua hai giai đoạn là giãn ảnh và co ảnh. Đầu
tiên sử dụng phép giãn với phần tử cấu trúc có kích thƣớc tƣơng ứng để tác động lên
đối tƣợng trong ảnh. Sau đó áp dụng phép co ảnh cho kết quả đó th chúng ta sẽ thu
đƣợc kết quả.

Hình 1. 20 Q trình thực hiện phép đóng ảnh nhị phân
1.3. Trích chọn đặc trƣng ảnh
Trích chọn đặc trƣng đóng vai trò quan trọng trong một hệ thống nhận dạng, để
giảm độ phức tạp và tăng độ chính xác các thuật tốn phân lớp địi hỏi các đặc trƣng


13
đƣợc trích chọn phải rút gọn càng nhỏ càng tốt sau cho m i lớp có thể phân biệt đƣợc
với lớp khác. Các đặc trƣng có thể bao gồm cả các đặc trƣng trực quan nhƣ kích thƣớc,
màu sắc, kết cấu và h nh dạng.
Mục đích chính của việc trích chọn đặc trƣng là lựa chọn một tập đặc trƣng phục

vụ cho việc phân lớp sao cho hệ thống nhận dạng đạt độ chính xác cao nhất với số
lƣợng phần tử đƣợc trích chọn ít nhất.
Cuối cùng, mục đích chính của việc trích chọn đặc trƣng là lựa chọn một tập đặc
trƣng phục vụ cho việc phân lớp sao cho hệ thống nhận dạng đạt độ chính xác cao nhất
với số lƣợng phần tử đƣợc trích chọn ít nhất.
1.3.1 Màu sắc
1.3.1.1 Không gian màu
Không gian màu là sự biểu diễn tập hợp các màu, một số kh ng gian màu đƣợc
sử dụng rộng rãi trong đồ hoạ máy tính. Những m h nh kh ng gian màu có thể đƣợc
phân biệt thành hƣớng phần cứng và hƣớng ngƣời sử dụng. Mơ hình khơng gian màu
hƣớng phần cứng bao gồm: RGB, IYQ, CMY dựa trên học thuyết 3 màu. M h nh
kh ng gian màu hƣớng ngƣời sử dụng gồm: HLS, HCV, HSV,…dựa trên 3 tỷ lệ phần
trăm của màu đó là: sắc màu, độ bão hoà, cƣờng độ sáng.
Nếu chúng ta coi th ng tin màu của một ảnh nhƣ tín hiệu một, hai, hoặc ba
chiều, phân tích tín hiệu bằng việc sử dụng ƣớc lƣợng mật độ xác suất là cách đơn giản
nhất để m tả th ng tin màu của ảnh.

Hình 1. 21 Khơng gian màu RGB và HSV
1.3.1.2 Lược đồ màu
Lƣợc đồ màu là một tập hợp các mức, m i mức biểu thị xác suất của những
điểm ảnh trong ảnh. Một biểu đồ màu trong ảnh đƣợc định nghĩa là một vecto:
H={H[0],H[1],H[2],…,H[i],…,H[N]}
Trong đó :
 i là một màu trong biểu đồ màuvà tƣơng ứng với một h nh lập phƣơng
nhỏ của kh ng gian màu RGB.
 H[i] là số lƣợng điểm ảnh có màu i trong ảnh.
 N là số mức trong biểu đồ màu.


14

Trong biểu đồ màu, giá trị của m i mức sẽ là tổng số điểm ảnh có cùng màu
tƣơng ứng. Để so sánh những ảnh có kích thƣớc khác nhau,biểu đồ màu cần phải
chuẩn hoá và đƣợc định nghĩa nhƣ sau:
H‟={H‟[0],H‟[1],H‟[2],…,H‟[i],…,H‟[N]}
Trong đó : H ' i  

H i 
P

với P tổng số điểm ảnh trong ảnh.

Lƣợc đồ màu là dễ dàng để tính tốn và hiệu quả trong m tả cả phân bố màu
toàn cục và cục bộ trong ảnh. Hơn nữa, nó mạnh với quay và dịch chuyển về trục quan
sát và thay đổi chậm với tỷ lệ và góc quan sát.

Hình 1. 22 Ảnh màu RGB đổi sang màu HSV và các kênh màu H,S,V
1.3.2 Hình dáng
Trong nhiều ứng dụng đƣờng viền hoặc đƣờng biên của đối tƣợng thƣờng đƣợc
sử dụng để m tả h nh dáng của đối tƣợng nhƣ: phƣơng pháp phát hiện biên Sobel,
Prewitt, Canny, ..., và h nh dáng cũng là một trong những tham số quan trọng trong
việc phân lớp đối tƣợng.
Có rất nhiều phƣơng pháp khác nhau để đo lƣờng h nh dáng đƣợc áp dụng trong
lĩnh vực xử lý ảnh trái cây, bao gồm hai loại: đo lƣờng phụ thuộc vào kích thƣớc SMD và đo lƣờng kh ng phụ thuộc vào kích thƣớc - SIM.
Phƣơng pháp SDM có đặc điểm là dễ hiểu, và tính tốn đơn giản. Độ rắn chắc
(compactness) là một trong những giải pháp tốt trong SDM để m tả và đo lƣờng h nh
dáng của đối tƣợng. Ý tƣởng của nó là đo tỉ lệ giữa diện tích trên b nh phƣơng chu vi
của đối tƣợng.
Tuy nhiên, trong thực tế h nh dáng của các đối tƣợng là kh ng đồng nhất (Russ,
1999) do đó, phƣơng pháp đo lƣờng SDM kh ng đo lƣờng đƣợc tất cả h nh dáng của
mọi sản phẩm trái cây bởi v h nh dáng của trái cây thƣờng kh ng tuân theo một quy

luật chung nào. Để khắc phục hai điểm yếu trên, phƣơng pháp SIM đƣợc đề xuất và
đƣợc sử dụng rộng rãi hơn. SIM bao gồm các phƣơng pháp: phƣơng pháp dựa trên


15
vùng (region-based methods) và phƣơng pháp dựa trên đƣờng biên (boundary-based
methods).

1.3.3 Kết cấu bề mặt
Kết cấu của ảnh m tả các thuộc tính của các yếu tố cấu thành nên bề mặt đối
tƣợng, do đó các phép đo kết cấu đƣợc cho là một bƣớc quan trọng để trích lọc đƣợc
những th ng tin quan trọng phục vụ cho việc nhận dạng đối tƣợng.
Kết cấu của ảnh là sự kết hợp của một số thuộc tính nguyên thủy trong ảnh, bao gồm
mịn, th , phẳng, hạt, ngẫu nhiên, đƣờng kẻ, nhấp nh , ... Do đó, kh ng có một phƣơng
pháp lý tƣởng cho việc đo lƣờng kết cấu trong ảnh (Haralick, 1979).
1.3.3.3 Các phương pháp phân tích đặc trưng kết cấu
Hiện nay, có rất nhiều phƣơng pháp đƣợc đề xuất để phân tích và đo lƣờng kết
cấu trong ảnh nhƣng có thể phân chúng thành 4 loại:
Phƣơng pháp thống kê – Statistical methods
Phƣơng pháp cấu trúc – Structural methods
Phƣơng pháp dựa trên biến đổi – Transform-based methods
Phƣơng pháp dựa trên m h nh hóa – Model-based methods
- Phương pháp thống kê
Phƣơng pháp này sử dụng một ma trận đƣợc xây dựng từ các giá trị cƣờng độ
sáng của các điểm ảnh và các điểm ảnh lân cận của nó. Các phần tử trong ma trận này
chính là các tham số để đo lƣờng kết cấu của ảnh. Có thể kể đến một số phƣơng pháp
thống kê tiêu biểu nhƣ: Ma trận đồng hiện mức độ xám Co-occurrence do Haralick đề
xuất năm 1973, ma trận chạy dài do Galloway đề xuất năm 1975, và ma trận phụ thuộc
hàng xóm do Sun và Wee đề xuất năm 1983.
- Phương pháp cấu trúc

Trong phƣơng pháp này, kêt cấu đƣợc xem nhƣ đƣợc tạo nên từ nhiều phần tử
kết cấu nguyên thủy, thƣờng đƣợc gọi là texel, chúng đƣợc sắp xếp theo một quy luật
xác định trong ảnh. Con ngƣời có thể thấy đƣợc một số đặc tính cấu trúc kết cấu.
Phƣơng pháp phân tích phổ Fourier truyền thống thƣờng đƣợc sử dụng để xác định
tính nguyên thủy và quy tắc dịch chuyển của kết cấu.
- Phương pháp dựa trên phép biến đổi
Đo lƣờng các đặc trƣng kết cấu từ ảnh bằng phƣờng pháp này đƣợc thực hiện
th ng qua việc sử dụng mặt nạ cuộn (Convolution Mask - CM), biến đổi Fourier, và
biến đổi sóng con (Wavelet transform). Tuy nhiên, điểm yếu của phƣơng pháp phân
tích kết cấu bằng phƣơng pháp dựa trên biến đổi là sự tính tốn tăng lên và yêu cầu lƣu
trữ trong quá tr nh xử lý ảnh, điều này sẽ giảm tốc độ phân tích đi rất nhiều.
- Phương pháp dựa trên mơ hình hóa
Trong phƣơng pháp dựa trên m h nh, một m h nh với các hệ số chƣa biết
phỏng đoán sự phụ thuộc giữa các điểm ảnh với hàng xóm của nó đƣợc xây dụng. Các