Bài Giảng Xử Lý Ảnh_Chương 6: Nhận Dạng Ảnh.

6.1 Giới thiệu. 6.2 Nhận dạng theo miền không gian. 6.3 Nhận dạng dựa theo cấu trúc. 6.4 Nhận dạng dùng mạng neural. 6.5 Các thuật toán nhận dạng ảnh.

Chương 6: Nhận Dạng Ảnh 170 Chương 6 NHẬN DẠNG ẢNH 6.1 Giới thiệu  Có 3 cách tiếp cận nhận dạng ñối tượng: o Dựa vào phân hoạch không gian o Dựa vào cấu trúc o Dựa vào kỹ thuật mạng neural (cơ chế ñoán nhận, lưu trữ, phân biệt ñối tượng, mô phỏng theo hoạt ñộng hệ thần kinh) Nhận dạng là quá trình phân loại các ñối tượng biểu diễn theo một mô hình nào ñó, gán chúng vào 1 lớp dựa theo các quy luật, các mẫu chuẩn.  Có hai loại nhận dạng: 1. Nhận dạng có thầy (học có giám sát): supervised learning. 2. Nhận dạng không có thầy (học không giám sát): non-supervised learning.  Các ứng dụng nhận dạng: o Nhận dạng chữ viết tay (Document Handling) Hình 6.1 Ảnh chữ viết tay o Nhận dạng chữ ký (Signature Verification) Chương 6: Nhận Dạng Ảnh 171 Hình 6.2 Ảnh chữ ký o Nhận dạng trong lĩnh vực sinh trắc học (Biometrics) Hình 6.3 Ảnh trong lĩnh vực sinh trắc học 6.1.1 Không gian biểu diễn và diễn dịch a. Không gian biểu diễn o X (ảnh, chữ viết, dấu vân tay,…): ñối tượng ñược biểu diễn bằng n thành phần (n ñặc trưng): o X={x 1 , x 2 ,…, x n }; mỗi x i biểu diễn 1 ñặc trưng. o Không gian biểu diễn ñối tượng gọi là không gian ñối tượng ℵ: ℵ={X 1 , X 2 ,…, X m }; X i biểu diễn 1 ñối tượng. b. Không gian diễn dịch o Không gian diễn dịch là tập các tên gọi của ñối tượng. Ω - tập tên ñối tượng. Chương 6: Nhận Dạng Ảnh 172 Ω = {w 1 , w 2 ,…, w k }. w i (i =1, 2,…) là tên các ñối tượng. o Quá trình nhận dạng ñối tượng f là 1 ánh xạ f: ℵ→Ω với f là tập các quy luật ñể xác ñịnh 1 phần tử trong ℵ ứng với một phần tử trong Ω. o Nếu tập hợp các quy luật và tập tên các ñối tượng ñược biết trước, (ví dụ như nhận dạng chữ viết, có 26 lớp từ A ñến Z), thì gọi là nhận dạng có thầy. o Ngược lại gọi là nhận dạng không có thầy (khó hơn). 6.1.2 Mô hình và bản chất của quá trình nhận dạng a. Mô hình của quá trình nhận dạng o Mô hình: Có 2 họ mô tả: 1. Mô tả theo tham số 2. Mô tả theo cấu trúc o Cách mô tả ñược chọn sẽ xác ñịnh mô hình của ñối tượng. Có 2 mô hình: 1. Mô hình theo tham số 2. Mô hình theo cấu trúc  Mô hình tham số: o Sử dụng 1 vector mô tả 1 ñặc tính của ñối tượng, ví dụ dùng các hàm cơ sở trực giao biểu diễn các ñặc trưng (ảnh ñược biểu diễn bằng 1 chuỗi của các hàm trực giao). C- ñường bao ảnh C(i,j)- ñiểm thứ i trên ñường bao (i=1,2, ,N) ; 1 ; 1 1 0 1 0 ∑∑ == == N i i N i i y N yx N x Tọa ñộ tâm ñiểm (6.0) o Nên moment trung tâm bậc p,q của ñường bao sẽ là: Chương 6: Nhận Dạng Ảnh 173 ( ) ( ) q oi N i p oiqp yyxx N −−= ∑ =1 , 1 µ (6.1) o Và vector tham số chính là các moment: µ i,j (i=1,2,…p; j=1,2,…,q) (6.2) Với các ñặc trưng hình học, thì các tham số: ñường bao, diện tích, chu tuyến,…Với nhận dạng chữ, thì tham số là các dấu hiệu: số ñiểm bậc 3, 4; số ñiểm chu trình; số ñiểm ngoặc; số ñiểm kết thúc. Hình 6.4 Mô hình tham số  Mô hình cấu trúc: o Dùng một số dạng nguyên thuỷ (ñoạn thẳng, cung,…), tập các luật sản sinh o (ví dụ 1: văn phạm G=(V t , V n , p, s): V t – bộ ký hiệu kết thúc V n – bộ ký hiệu không kết thúc p – luật sản xuất s – ký hiệu bắt ñầu o Ví dụ: ñối tượng nhà gồm: mái, tường (mái là một tam giác gồm 3 cạnh là 3 ñoạn thẳng, tường hình chữ nhật 4 cạnh vuông góc từng ñôi: b. B ản chất của quá t o Quá trình nh ận d 1. L ựa chọn mô 2. L ựa chọn luậ trình học. 3. H ọc nhận dạn o Khi ñã xác ñ ịnh ñ ịnh tính: mô h o Nh ận dạng chính vào 1 l ớp, nói cá  H ọc có giám sát (supe o K ỹ thuật phân lo o ðặc ñiểm c ơ b (cánh ñ ồng lúa, c o B ằng cách thiết (bằng h àm phân  H ọc không giám sát ( o Ph ải tự ñịnh ra từng lớp. o Kỹ thuật n ày ti Chươ 174 Hình 6.5 Mô hình cấu trúc quá tr ình nhận dạng ận dạng gồm 3 giai ñoạn: ọn mô h ình biểu diễn ñối tượng ọn luật ra quyết ñịnh (ph ương pháp nh ận dạng ận dạng ịnh mô h ình biểu diễn ñối tượng (ñịnh lư ợng mô h ình cấu trúc), thì chuy ển sang giai ñoạn 3 ( chính l à tìm ra quy luật và các thu ật toán ñể có nói cách khác là gán cho ñối tượng 1 tên. t (supervised learning): hân loại nhờ kiến thức biết tr ước gọi là h ọc có g ơ b ản là có 1 thư vi ện các mẫu chuẩn ñể biết g lúa, cánh rừng, v ùng ñ ất hoang, sông, biển, ñ thiết kế 1 hệ thống ñể so sánh v à quy ết ñịnh gá phân l ớp hay hàm ra quyết ñịnh) sát (unsupervised learning): nh ra các lớp khác nhau v à xác ñ ịnh các tham ày ti ến hành mọi cách gộp nhóm có thể, v à ch hương 6 : Nhận Dạng Ảnh n dạng) v à suy diễn quá ợng: mô h ình tham số; ạn 3 (học) n ñể có thể gán ñối t ượng ọc có giám sát. ñể biết nó thuộc loại n ào iển, ñ ường ô tô,…) ịnh gán cho chúng 1 lớp c tham số ñặc tr ưng cho à ch ọn lựa cách tốt nhất. Hình 6 6.1.3 Kết nhóm ảnh a. Kết nhóm là gì? Kết nhóm l à ñi m ột nhóm sẽ giống nh b. Các ki ểu kết nhóm Kiểu nhóm l à t kiểu bậc và ki ểu phân o Ki ểu nhóm phân t ập con không c giống nhau. Chươ 175 ình 6.6 S ơ ñồ khối các giai ñoạn nhận dạng à ñi t ìm nhóm của các ñối tượng m à các ñ iống nhau v à ngược lại Hình 6.7 Kết nhóm dữ liệu ảnh nhóm à t ập của các nhóm. S ự khác biệt quan trọng u phân chia của các nhóm. phân chia: Dữ liệu trong các ñối t ượng ñư ợc p hông chồn g l ấp nhau do ñó mỗi dữ liệu trong Hình 6.8 Kết nhóm kiểu phân chia hương 6 : Nhận Dạng Ảnh ác ñ ối tượng trong cùng n trọng giữa các tập theo ợc phân chia th ành các trong một ñối t ượng là o Ki ểu nhóm dạng cây bậc c. Các cách k ết nhóm o K ết nhóm dựa v t ập hợp các ñiểm ñi ểm ở nhóm kh o K ết nhóm dựa tượng mà ñ ối t khác. Tr ọng tâm trong nhóm ñ ể ñ Chươ 176 dạng nhiều bậc: Mỗi tập của nhóm phân v ùng Hình 6.9 Kết nhóm kiểu nhiều bậc nhóm dựa v ào cách phân chia chính xác (Well- separa c ñiểm m à những ñiểm trong nhóm là gi ống nh óm khác Hình 6.10 K ết nhóm phân chia chính xác dựa v ào trọng tâm (Center-based): M ột nhó ối t ượng trong nhóm thì g ần trọng tâm nhất ng tâm của nhóm th ường là trung bình c ủa cá ể ñại diện cho các ñiểm của nhóm hương 6 : Nhận Dạng Ảnh ùng ñư ợc tổ chức dạng separated) : Một nhóm là ống nhau nhất so với các xác ột nhóm l à tập của ñối nhất so với các nhóm ủa các tất cả các ñiểm Hìn o K ết nhóm dựa v ñi ểm trong nhóm o K ết nhóm dựa v trong vùng mà n m ật ñộ cao. Khi nhau thì khi ñó s Hì o K ết nhóm dựa v các nhóm ñ ể mô Hình 6 Chươ 177 Hình 6.10 K ết nhóm phân chia theo trọng tâ dựa v ào lân cận (Contiguous): Một nhóm l à t nhóm th ì g ần các ñiểm lân cận khác so với các Hình 6.11 Kết nhóm dựa vào lân cận dựa v ào mật ñộ (Density-based): M ột nhóm l g mà nó ñư ợc tách từ những vùng có m ật ñộ o. Khi sử dụng các nhóm không ñều nhau ho ñó s ẽ ảnh hưởng bởi nhiễu và tác ñộng b ên ng Hình 6.12 K ết nhóm dựa vào m ật ñộ phân b dựa v ào ñ ặc tính hay thuộc tính (Property or C ể mô tả các ñặc tính chung hoặc mô tả các li ên h 6.13 K ết nhóm theo ñặc tính và thu ộc tính hương 6 : Nhận Dạng Ảnh g tâm à t ập các ñiểm mà các ới các nhóm hóm l à mật ñộ các ñiểm ật ñộ thấp sang v ùng có au hoặc không bện v ào ên ngoài. ân bố y or C onceptual): Tìm ra ên quan ñ ặc biệt ính 6.2 Nh ận dạng theo mi 6.2.1 Phân ho ạch theo miề Nh ận dạng theo miền lượng. Mỗi ñối tượng ñư gian, hàm phân biệt.  Phân l ớp có giám sát: Chươ 178 heo miền không gian heo miền không gian miền không gian, các ñối t ượng nhận dạng l à ợc biểu diễn 1 vector 1-D. Các khái ni ệm: Hình 6.14 Mô hình phân lớp ảnh m sát: Phân lớp ảnh theo giá trị ngưỡ ng cho trư Hình 6.15 Phân lớp ảnh có giám sát hương 6 : Nhận Dạng Ảnh à các ñ ối tượng ñịnh ệm: phân hoạch không ho trư ớc  Phân l ớp không giám nó có th ể theo một qu Hìn  Phân ho ạch không gia o Không gian ñ ối t o Ρ ΡΡ Ρ -1 phân ho ạch ∪ C j =H ñây là tr o Th ực tế, chỉ tách o Phân lo ại dựa v H → →→ → Ρ ΡΡ Ρ o Phân loại bằng 6.2.2 Hàm phân lớp - hàm  Hàm phân lớp (hay hà o Xác ñ ịnh số lớp {g I } – các hàm p o Nếu ∀ i≠k; g k (X Chươ 179 g giám sát: Phân l ớp theo ñặc tính hay tích chấ ột qui luật nhất ñịnh. Hình 6.16 Phân l ớp ảnh không giám sát ng gian ối t ượng H ={X i ,i=1,2,…,m} ; X i là 1 vector ạch của H thành các lớp C i , C j ∈ H, nếu: C i ây là trư ờng hợp lý tưởng, tập H tách ñược ho àn hỉ tách ñ ược từng phần dựa v ào việc xây dựng một ánh xạ: công cụ các hàm phân biệt (disriminant fun hàm quy ết ñịnh (hay hàm ra quy ết ñịnh) ố lớp v à ranh giới giữa các lớp ñọc hàm phân l ớp (X) > g i (X), thì ra quyết ñịnh X∈ lớp k. hương 6 : Nhận Dạng Ảnh ích chất có trong ảnh m à vector ∩ C j = H, i ≠ j và C i àn toàn ant functions) [...]... d i − f  ∑ wiq z q    2 i =1   q =1    n 2 (6.30) 6.4.2 Nh n d ng các hình kh i a ð t v n ñ Bài toán ñ t ra là: S d ng m ng Back-propagation ñ th nghi m nh n d ng các hình kh i Bài toán này có ph m vi ñ i tư ng m u r t r ng, ñ ñơn gi n và vi c phân tích bài toán ñư c sâu hơn, ta s gi i bài toán nh n d ng hình kh i như sau: 1 Nh n d ng các hình kh i riêng l không l ng nhau 2 Hình nh không... ti n x lý nh th c hi n chu n hóa kích thư c nh 201 Chương 6: Nh n D ng nh − C i thi n ch t lư ng nh m c ñích làm trơn nh − Kh i tăng cư ng ch t lư ng nh th c hi n làm n i rõ ñư ng vân − Kh i ư c lư ng trư ng ñ nh hư ng − Xác ñ nh ñi m Core tìm ñ c tính vân tay − ð i chi u các tham s ñ nh n d ng nh vân tay Chu n hóa nh ñ u vào Chu n hóa nh ñ u vào là bư c c n thi t trư c khi vào bư c ti n x lý nh Do... thi n ch t lư ng nh trư c khi th c hi n các thu t toán x lý nh ti p theo nh m gia tăng hi u qu x lý Hai thu t toán s d ng ñ tăng cư ng ch t lư ng nh ñây là: histogram equalization (cân b ng lư c ñ xám) và bi n ñ i Fourier r i r c Hình 6.31 Tăng cư ng nh: a) nh ban ñ u; b) nh sau cân b ng histogram; c) nh sau bi n ñ i Fourier r i r c 203 Chương 6: Nh n D ng nh Tăng cư ng nh b ng cân b ng histogram Histogram... các rãnh ñư ng vân Trư ng ñ nh hư ng cung c p nhi u thông tin quan tr ng cho các bư c x lý ti p theo Nguyên lý th c hi n tính ñ nh hư ng: chia nh thành các kh i w w´, sau ñó kh o sát l n lư t ñ nh hư ng c c b c a ñư ng vân trong t ng kh i ñó Orientation image s ñư c ư c lư ng b ng phương pháp Gradient 204 Chương 6: Nh n D ng nh Hình 6.32 Ư c lư ng orientation image: a) nh vân tay ban ñ u; b) orientation... j =1, j ≠i i =1 i =1 (6.25) Khi hàm năng lư ng ñ t ñư c c c ti u c a nó (có th là c c ti u ñ a phương) thì m ng s n ñ nh 198 Chương 6: Nh n D ng nh e M ng Lan truy n ngư c Thu t toán này ñư c áp d ng cho các m ng nhi u l p truy n th ng (Feed Forward) g m các ph n t x lý v i hàm kích ho t liên t c Các m ng như v y k t h p v i thu t toán h c lan truy n ngư c ñư c g i là m ng lan truy n: C u trúc m ng... u) trong m i l p ñ u có phân b chu n (normal distribution) Lý thuy t Bayes: Gi s có M l p, g i x là m t vector ph c a m t pixel ñang xét, p(x,i) là xác su t ñ vector x thu c l p i Nguyên t c Maximum Likelihood là x thu c l p i n u p(x,i)>p(x,j) v i m i j ≠ i G i p(i,x) là xác su t ñ l p i hi n h u, v i x cho trư c, l p i ch a vector x ð nh lý Bayes: p(i | x)= p(x | i) p(i) / p(x) (6.5) Do ñó ñi u ki... nhi u lo i khác) 4 M c ñ xoay c a nh không quá cao 200 Chương 6: Nh n D ng nh T p d li u nh không quá ñ c bi t và không gi ng nhau, các trư ng h p như cùng c nh nhưng nh th c trong ñó quá bé so v i toàn b nh cũng có th d n ñ n k t qu không ñúng Các hình kh i ñ u vào c a h nh n d ng: Hình 6.29 Các hình kh i ñ u vào nh n d ng b Gi i quy t bài toán nh n d ng hình kh i trên cơ s m ng neural nhân t o Có... pháp parallepiped trong không gian ñ c trưng 3 chi u Hình 6.17 Phân l p nh theo phương pháp Parallepiped 183 Chương 6: Nh n D ng nh o Các giá tr Minimum và Maximum c a m i l p ñư c tính và dùng như ngư ng ñ phân l ai o Ưu ñi m: ñơn gi n, tính nhanh o Như c ñi m: có nhi u pixel s không ñư c x lý c Phương pháp Minimum Distance: Hình 6.18 Phân l p nh theo phương pháp Minimum Distance V i m i l p, tính vector... ñ sáng gi a các nh ñ u vào khác nhau Chu n hóa kích thư c nh nh chu n ñ u vào có kích thư c 256x364 pixel Các thu t toán x lý nh vân tay v sau thư ng áp d ng cho t ng block vuông trên nh (thư ng s d ng các block vuông c nh 16 pixel, 32 pixel,…) Nên kích thư c nh chu n hóa h p lý hơn là 256x352 pixel ð th c hi n ñi u này s “c t” ñi vùng d li u nh kích thư c 12x256 pixel Ph n này cũng không nh hư ng... và phát tri n m ng neural c M ng Perceptron m t l p ñơn C u trúc m ng Perceptron m t l p ñơn C u trúc c a m ng Perceptron m t l p ñơn ñ c trưng cho lo i m ng truy n th ng ñư c mô t trong hình 6. 26: 195 Chương 6: Nh n D ng nh Hình 6.26 C u t o m ng Perceptron m t l p o ð u vào c a m ng có th ñư c mô t là vector: X=[x1, x2,…,xm] T (6.17) trong ñó m là s lư ng ñ u vào Giá tr ngư ng c a các neural là các