Một số kỹ thuật đánh giá độ tương tự trong tra cứu tàu cá trên biển

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG Ninh Thị Kim Yến MỘT SỐ KỸ THUẬT ĐÁNH GIÁ ĐỘ TƯƠNG TỰ TRONG TRA CỨU TÀU CÁ TRÊN BIỂN LUẬN VĂN THẠC SỸ KHOA HỌC MÁY TÍNH Thái Nguyên - 2016 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG Ninh Thị Kim Yến MỘT SỐ KỸ THUẬT ĐÁNH GIÁ ĐỘ TƯƠNG TỰ TRONG TRA CỨU TÀU CÁ TRÊN BIỂN Chuyên ngành: Khoa học máy tính Mã số: 60480101 LUẬN VĂN THẠC SỸ KHOA HỌC MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.TS ĐỖ NĂNG TOÀN Thái Nguyên - 2016 LỜI CAM ĐOAN Học viên xin cam đoan, toàn nội dung liên quan tới đề tài trình bày luận văn thân học viên tự tìm hiểu nghiên cứu, hướng dẫn khoa học PGS.TS Đỗ Năng Toàn Các tài liệu, số liệu tham khảo trích dẫn đầy đủ nguồn gốc Học viên xin chịu trách nhiệm trước pháp luật lời cam đoan Thái Nguyên, ngày 20 tháng năm 2016 Học viên thực Ninh Thị Kim Yến LỜI CẢM ƠN Học viên xin gửi lời cảm ơn tới thầy, cô giáo Trường Đại học Công nghệ thông tin Truyền thông - Đại học Thái Nguyên tận tình truyền đạt kiến thức, tổ chức hoạt động cho lớp Thạc sĩ chuyên ngành Khoa học máy tính, khóa học 2014-2016 Đặc biệt, học viên xin gửi lời cảm ơn biết ơn sâu sắc tới PGS.TS Đỗ Năng Tồn, thời gian qua ln tận tình bảo, giúp đỡ, kịp thời định hướng để em hồn thành luận văn Học viên xin gửi lời cảm ơn sâu sắc tới Thủ trưởng cấp - nơi học viên công tác, tạo điều kiện, giúp đỡ để học viên hồn thành chương trình học thời gian qua Đồng thời, học viên xin chân thành cảm ơn gia đình, bạn lớp người thân thiết động viên, giúp đỡ suốt trình học tập thực luận văn./ Thái Nguyên, ngày 20 tháng năm 2016 Học viên thực Ninh Thị Kim Yến i MỤC LỤC TRANG BÌA PHỤ LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC i CÁC THUẬT NGỮ, TỪ VIẾT TẮT iii DANH MỤC HÌNH MINH HỌA .iv MỞ ĐẦU .1 Chương1 KHÁI QUÁT VỀ TRA CỨU ẢNH VÀ BÀI TOÁN TRA CỨU TÀU CÁ TRÊN BIỂN 1.1 Khái quát tra cứu ảnh 1.1.1 Giới thiệu 1.1.2 Một số phương pháp tra cứu ảnh 1.2 Bài toán tra cứu tàu cá biển 21 1.2.1 Giới thiệu 21 1.2.2 Cách tiếp cận 26 Chương MỘT SỐ KỸ THUẬT ĐÁNH GIÁ ĐỘ TƯƠNG TỰ 27 2.1 Kỹ thuật theo mơ hình không gian vector (VSM) 27 2.1.1 Phép so sánh histogram 27 2.1.2 Phép so sánh qua giá trị điểm ảnh 33 2.2 Kỹ thuật theo mơ hình k-phần tử kề cận (k-NN) 40 2.2.1 Thuật toán k-NN 40 2.2.2 k-NN so khớp điểm ảnh 42 2.3 Kỹ thuật kết hợp 50 Chương CHƯƠNG TRÌNH THỬ NGHIỆM 54 3.1 Phân tích u cầu tốn .54 3.2 Phân tích lựa chọn công cụ 55 3.2.1 Mô tả liệu thử nghiệm .55 ii 3.2.2 Trích chọn đặc trưng cho tàu cá 56 3.2.3 Lựa chọn kỹ thuật đánh giá độ tương tự 56 3.3 Một số kết chương trình 57 KẾT LUẬN 61 TÀI LIỆU THAM KHẢO 62 PHỤ LỤC 64 iii CÁC THUẬT NGỮ, TỪ VIẾT TẮT STT Từ, thuật ngữ Content Base Image Retrieval Tra cứu ảnh dựa vào CBIR QBIC Ý nghĩa nội dung Query By Image Content Truy vấn theo nội dung ảnh Commission internationale de l'éclairage - Uỷ ban quốc CIE tế màu sắc Geographic Information System - Hệ thống thông tin GIS địa lý iv DANH MỤC HÌNH MINH HỌA Hình 1.1 Mơ hình hệ thống Tra cứu ảnh theo nội dung Hình 1.2 Khơng gian màu RGB trực quan hố hình khối Hình 1.3 Mơ tả khơng gian màu HSV Hình 1.4 Ví dụ số loại kết cấu 12 Hình 1.5 Mơ hình tàu làm nghề lưới kéo 22 Hình 1.6 Mơ hình tàu làm nghề lưới vây 22 Hình 1.7 Mơ hình tàu làm nghề lưới rê 23 Hình 1.8 Mơ hình tàu làm nghề câu 23 Hình 1.9 Mơ hình tàu làm nghề chụp mực .23 Hình 1.10 Tàu cá lưới kéo 41,38 mét .24 Hình 1.11 Tàu chụp mực, dùng đèn vỏ thép dài 43,6 m 25 Hình 1.12 Tàu lưới vây dùng đèn 37,8m 25 Hình 1.13 Tàu lưới kéo hai boong vỏ thép 25 Hình 1.14 Tàu câu mực xa bờ 65m 25 Hình 2.1 Độ tương tự a) b) phải lớn a) c) 28 Hình 2.2 Khoảng cách đường tiếp tuyến 34 Hình 2.3 Ảnh histogram ảnh 36 Hình 2.4 (a) Ảnh gốc; (b) Histogram gốc; (c) Ảnh cân ; (d) Histogram cân 37 Hình 2.5 Khoảng cách Euclidean khơng gian 2D 41 Hình 2.6 1-NN 2-NN 42 Hình 2.7 So khớp điểm “quan trọng” (matching) 43 Hình 2.8 Mơ tả điều kiện “ghép đúng” theo phần tử kề cận .43 Hình 2.9 Sơ đồ thuật tốn dị biên Canny 50 Hình 2.10 Hàm xấp xỉ Gaussian rời rạc với   1.4 (cửa sổ W kích cỡ 5x5) 51 Hình 2.11 Cặp mặt lạ tính tốn gradient 51 Hình 3.1 Giao diện chương trình thử nghiệm 58 Hình 3.2 Chọn ảnh cần truy vấn .58 Hình 3.3 Biểu đồ Histograms ảnh .59 Hình 3.4 Xác định giá trị ngưỡng ảnh xử lý 59 Hình 3.5 Giao diện hiển thị kết cuối 60 MỞ ĐẦU Lý chọn đề tài Nhận dạng xử lý ảnh lĩnh vực có nhiều ứng dụng thực tiễn như: Hệ thống thông tin địa lý, quân sự, y học, vv Đối với lĩnh vực khoa học quân sự, thập kỷ vừa qua, công nghệ xử lý ảnh thực trở thành lĩnh vực mũi nhọn thiếu Thời gian gần đây, tình trạng tàu cá nước ngồi có hành động xâm phạm chủ quyền vùng biển Việt Nam ngày nhiều phức tạp Tàu cá nước ngồi khơng khai thác trái phép hải sản, đưa phương tiện vào thăm dò tài nguyên biển nước ta, mà xuất hành động mang tính chất đặc biệt nguy hiểm, dễ gây xung đột vũ trang biển uy hiếp, vô cớ trấn cướp tài sản ngư dân Việt Nam Một số hình ảnh tàu cá Việt Nam bị tàu cá nước uy hiếp biển Trong lực lượng thực thi pháp luật biển Việt Nam nói riêng giới nói chung, tốn nhận dạng loại tàu cá biển đặt cấp thiết từ nhiều năm qua, giải tốt tốn giúp cho việc quản lý tình hình an ninh mặt biển nhanh chóng, xác, hiệu Nhằm đáp ứng toán nhận dạng tàu cá, luận văn tập trung nghiên cứu số kỹ thuật đánh giá độ tương tự tra cứu tàu cá biển Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu luận văn ảnh/video có chứa tàu bao gồm loại tàu cá nước ngoài, tàu cá Việt Nam đặc điểm hình dạng chúng Phạm vi nghiên cứu ảnh mặt biển vào ban ngày có chứa tàu Những nội dung nghiên cứu Luận văn trình bày chương, có phần mở đầu, phần kết luận, phần mục lục, phần tài liệu tham khảo Các nội dung luận văn trình bày theo cấu trúc sau: Chương - Khái quát tra cứu ảnh toán tra cứu tàu cá biển Chương - Một số kỹ thuật đánh giá độ tương tự Chương - Chương trình thử nghiệm Do thời gian thực hiểu biết học viên hạn chế nên luận văn không tránh khỏi thiếu sót nội dung hình thức trình bày Học viên mong nhận cảm thông, góp ý, nhận xét q thầy người đọc để học viên hồn thiện tiếp tục theo hướng nghiên cứu sau 51 Thuật tốn dị biên Canny sơ đồ Hình 2.9 gồm bước sau: Bước 1: Làm mịn (smoothing) Sử dụng lọc Gaussian để làm mịn ảnh Tính tốn lựa chọn mặt lạ (cửa sổ W) thích hợp (ví dụ Hình 2.10), sau sử dụng phép nhân chập chuẩn ảnh I với cửa sổ W Kết cửa sổ W trượt hết qua ảnh I tạo vùng vuông xung quanh điểm ảnh (nhiễu) Kích thước cửa sổ W lớn cảm nhận nhiễu thấp Hình 2.10 Hàm xấp xỉ Gaussian rời rạc với   1.4 (cửa sổ W kích cỡ 5x5) Bước : Tính tốn Gradient Sau ảnh I làm mịn ước lượng nhiễu, bước tìm điểm nhiễu mạnh cách thực gradient Lựa chọn cặp mặt lạ (cửa sổ Gx Gy) kích cỡ 3x3 Hình 2.11, để tính tốn gradient theo phương trục x, để tính cho phương trục y Hình 2.11 Cặp mặt lạ tính tốn gradient 52 Tổng hợp kết đơi phép tính thu ảnh có đường biên nơi có nhiễu mạnh Gradient kết hợp tính sau: G  Gx  Gy (2.30) Một biết hướng theo đường trục x y việc xác định hướng cho đường biên trở nên thực đơn giản Góc xác định hướng đường biên tính theo lượng giác:  Gy    Gx    arctan (2.31) Bước : Loại trừ khơng cực đại Sau có hướng đường biên tạo từ nhiễu mạnh, phép loại trừ không cực đại áp dụng để bỏ điểm nhiễu không đủ mạnh (không xem đường biên) Kết tạo ảnh có đường đậm nét mảnh Bước : Dùng ngưỡng loại trừ đường trễ Cuối sử dụng cách loại trừ đường trễ (giống làm ba via) Hiện tượng có nguyên nhân tính tốn dao động ngưỡng ngưỡng bước Để tránh điều này, sử dụng ngưỡng T1 T2 (cao thấp) Bất giá trị điểm ảnh mà lớn T1 coi điểm biên, đánh dấu Sau tất điểm kế cận điểm đánh dấu có giá trị lớn T2 đánh dấu điểm đường biên ► Thuật tốn dị tìm điểm góc quan trọng Harris Thuật tốn có số ý tưởng gần giống với thuật toán Canny, bước thực sau [9]: Bước : Tính tốn đạo hàm theo phương x y cho ảnh xám Sử dụng toán tử Prewitt Bước : Làm mịn ảnh gradient 53 Gọi I I ảnh gradient có từ bước trước x y Tính tốn giá trị sau :  I  A      x   I  B      y   I I  C      x y  Với ma trận Gaussian 3x3 để làm mịn sau : Bước : Với điểm ảnh, xây dựng ma trận 2x2 Tính giá trị tương ứng với vị trí điểm x,y : (2.32) k = 0,04 Bước : Loại trừ không cực đại Sử dụng cửa sổ 3x3 để loại trừ điểm không cực đại Nếu giá trị R điểm ảnh cực đại phạm vi cửa sổ 3x3 đánh dấu điểm góc Bước : Xác định điểm góc thực quan trọng Ấn định số điểm góc thực quan trọng có ảnh số tỉ lệ phần trăm so với tổng số điểm ảnh (từ thực nghiệm, tỉ lệ 1:15) 54 Chương CHƯƠNG TRÌNH THỬ NGHIỆM 3.1 Phân tích u cầu tốn Q trình nhận diện tàu ảnh phân biệt tàu loại gì, tàu cá Việt Nam hay tàu cá nước ngồi tốn lớn Để làm việc này, phải xây dựng sở liệu với đặc trưng chủng loại tàu, nghề khai thác, thông tin tàu Q trình địi hỏi cần nhiều thời gian, cơng sức, vấn đề cốt lõi nhằm giúp tra cứu tàu thuộc chủng loại gì, tàu cá Việt Nam hay tàu cá nước Sau có sở liệu hình ảnh chủng loại tàu với đầy đủ đặc trưng nhận dạng, bước cần phải xây dựng chương trình có chức phát hình dạng tàu ảnh, đưa thơng tin tàu, cuối kết luận tàu cá Việt Nam hay tàu cá nước Phạm vi nghiên cứu toán ảnh mặt biển vào ban ngày có chứa tàu Bài toán tra cứu tàu cá biển cụ thể hóa sau: Bước 1: Xây dựng sở liệu chủng loại tàu, nghề khai thác, thơng tin tàu Xây dựng chương trình phát tàu ảnh Bước 2: Tìm tàu ảnh, thông tin cụ thể tàu, từ kết luận tàu cá Việt Nam hay tàu cá nước Dữ liệu Input (đầu vào) Output (đầu ra) sau: Quá trình thu thập liệu: - Input: Ảnh tàu cá, thông tin tương ứng loại tàu cá biển - Output: Ảnh loại tàu cá có chứa thơng tin lưu CSDL 55 Q trình tra cứu: - Input: Ảnh mặt biển vào ban ngày có chứa tàu - Output: Hiển thị ảnh tương tự có chứa thơng tin CSDL 3.2 Phân tích lựa chọn cơng cụ Chương trình viết ngôn ngữ MATLAB, chạy hệ điều hành Window XP 3.2.1 Mơ tả liệu thử nghiệm Theo nhìn nhận trực quan ảnh tàu cá nói chung yếu tố thuộc tính màu sắc hình dạng mang nhiều thông tin so với thuộc tính khác cấu trúc bề mặt, tương quan khơng gian Cả thuộc tính mang thơng tin dàn trải tồn tàu cá (tính tổng thể) Do việc trích chọn vector đặc trưng ấn định dùng mô tả vector đặc trưng tổng thể (descriptor of global feature) dựa màu sắc hình dạng Nội dung chủng loại phong phú đa dạng tàu cá đòi hỏi chương trình phải ổn định trước biến đổi góc xoay, tỉ lệ co giãn (các bất biến hình dạng) Để đảm bảo cho bất biến phương pháp chung việc trích chọn màu sắc hình dạng dùng histogram Ngồi kích cỡ ảnh tàu cá cần qui chuẩn trước, chẳng hạn sử dụng kích thước chuẩn chung 256x256 điểm ảnh Hệ màu sử dụng lựa chọn hệ RGB * Mơ tả q trình tra cứu ảnh tàu cá - Lựa chọn thư mục chứa loại tàu cá thông tin tương ứng - Lựa chọn ảnh cần tra cứu - Chuẩn hóa ảnh kích thước 256x256 - Tính tốn thơng tin ảnh vừa lựa chọn - Thực tính tốn độ tương tự thơng tin ảnh vừa lựa chọn với ảnh thư mục CSDL (database) 56 - Chọn ảnh giống - Nếu độ tương tự vượt qua ngưỡng cho trước Hiển thị kết - Kết luận tàu cá Việt Nam hay tàu cá Nước ngồi 3.2.2 Trích chọn đặc trưng cho tàu cá a) Trích chọn màu sắc theo histogram Với kích thước ảnh 256x256 màu RGB (3 kênh màu) lựa chọn số bin kênh màu 16, tức ta chia giải giá trị từ – 255 thành 16 phân đoạn tương ứng với 16 bin, giá trị kênh màu thuộc phân đoạn thuộc bin Sơ đồ histogram tàu cá có dạng “Hình 1.1” b) Trích chọn hình dạng theo histogram Để tính histogram hình dạng tàu cá, trước tiên phải xác định biên cho đối tượng ảnh tàu cá Hiện có nhiều thuật tốn dị biên mà thuật tốn dựa phương pháp riêng Trước ảnh đưa vào dò biên người ta biến đổi ảnh ảnh mức xám Ở ta lựa chọn thuật toán Canny edge Mơ tả thuật tốn trình bày chương (phần “một số thuật toán sử dụng chương trình”) 3.2.3 Lựa chọn kỹ thuật đánh giá độ tương tự a) So sánh độ đo tương tự cặp tàu cá Có thể dùng phương pháp tính tốn khoảng cách Euclidean, Mahalanobis, đặc biệt bước xây dựng vector đặc trưng sử dụng phương pháp histogram thuộc tính màu sắc hình dạng cách tính tốn độ tương tự theo histogram, Euclidean giới thiệu chương trước lựa chọn 57 ► Lựa chọn 1- độ đo tương tự qua histogram intersection Như giới thiệu chương trước, giả sử ta có thành phần I R , I G , I B histogram màu chuẩn hố ảnh tàu cá có sở liệu tương ứng ta phải tính thành phần Q R , QG , Q B histogram màu chuẩn hoá ảnh tàu cá đưa vào kiểm tra Độ tương tự ảnh tàu cá SHI C ( I , Q) tính theo cơng thức sau : SHIC (I , Q)   min(I r R (r),QR (r))  g min(I G (g),QG (g))  b min(I B (b),QB (b)) min(|I |,| Q |) * Các giá trị đo độ tương tự nằm khoảng [0,1] ► Lựa chọn - độ đo tương tự qua khoảng cách Euclidean Tương tự theo phương pháp Euclidean độ tương tự ảnh tàu cá SEDC ( I , Q) tính theo cơng thức sau : SEDC (I, Q) 1.0   (I r R (r)  QR (r))2 g (IG (g)  QG (g))2 b (I B (b)  QB (b))2 *3 Và giá trị đo độ tương tự SEDC ( I , Q) nằm khoảng [0,1] b) Một số thuật toán sử dụng chương trình Như giới thiệu chương trước, ta sử dụng thuật tốn là: ► Thuật tốn dị tìm biên Canny ► Thuật tốn dị tìm điểm góc quan trọng Harris 3.3 Một số kết chương trình Chạy chươngtrình cửa sổ ban đầu xuất với giao diện sau: 58 Hình 3.1 Giao diện chương trình thử nghiệm Sau nhấn "chọn file ảnh", đường dẫn mở ra, ta chọn ảnh cần truy vấn Hình 3.2 Chọn ảnh cần truy vấn Sau ảnh truy vấn mở ra, cho biết thơng tin ảnh mức xám (graycase) hay ảnh màu (truecolor) Nếu ảnh màu hiển thị 03 biểu đồ 59 Histograms kênh màu (đỏ, xanh cây, xanh da trời) (Hình 3.3), ảnh mức xám hiển thị biểu đồ Histograms mức xám Hình 3.3 Biểu đồ Histograms ảnh Nhập giá trị ngưỡng ảnh, kéo thả slider để chọn ngưỡng nằm khoảng [0,1] lưu ảnh xử lý (nếu cần) Hình 3.4 Xác định giá trị ngưỡng ảnh xử lý 60 Khi nhấn nút "Tra cứu", ảnh kết kèm thông tin tàu, thông tin giúp người sử dụng hiểu biết thêm tàu cá cần tra cứu  đưa "Kết luận" "Tàu cá Việt Nam" "Tàu cá nước ngồi" Đối với trường hợp khơng có ảnh tương tự độ tương tự nhỏ, chương trình kết luận "Chưa rõ" Hình 3.5 Giao diện hiển thị kết cuối Đánh giá kết đạt Trong khuôn khổ ứng dụng minh họa, nguồn liệu đặc trưng tàu cá không đầy đủ Tuy nhiên ứng dụng thể cách đầy đủ độ mạnh đánh giá độ tương tự xử lý dùng ứng dụng thực tế Kết chương trình thử nghiệm: - Chương trình phát hình dạng tàu ảnh, hiển thị thông tin tàu - Thời gian xử lý nhanh, đáp ứng yêu cầu toán thực tế - Độ xác chưa thực cao, đặc biệt biến đổi góc xoay, tỉ lệ co giãn 61 KẾT LUẬN Đề tài bước đầu đưa giải pháp tra cứu, nhận dạng tàu cá biển Từ ảnh mặt biển có chứa tàu với thông tin kèm chương trình phát hình dạng tàu, thơng tin thực tàu, xác định tàu cá Việt Nam hay nước Các kết nghiên cứu ứng dụng bước đầu thực mục đích đề tài Chương trình thử nghiệm xây dựng nhằm chứng minh tính khả thi kết nghiên cứu Chương trình hồn thiện cần có đầu tư nhiều mặt thời gian công sức Đề tài tiếp tục phát triển để đem lại ứng dụng đáp ứng yêu cầu thực tế Luận văn đạt kết sau:  Trình bày khái quát tra cứu ảnh toán tra cứu tàu cá biển Giới thiệu đầy đủ kiến thức tảng sử dụng khóa luận bao gồm kiến thức tra cứu ảnh giới thiệu toán tra cứu tàu cá biển  Hệ thống hóa số kỹ thuật đánh giá độ tương tự kỹ thuật theo mô hình khơng gian vector (VSM), kỹ thuật theo mơ hình k-phần tử kề cận (k-NN) kỹ thuật kết hợp  Cài đặt thử nghiệm chương trình tra cứu tàu cá biển dựa vào kỹ thuật đánh giá độ tương tự hệ thống hóa Hướng phát triển đề tài: Các kết đề tài áp dụng công tác quản lý an ninh biển Học viên mong muốn tiếp tục nghiên cứu, tìm hiểu nhiều kỹ thuật đánh giá độ tương tự công bố giới, tổng hợp, phân tích làm thêm thuật toán để cải thiện, tăng cường hiệu ứng dụng thực tế 62 TÀI LIỆU THAM KHẢO Tiếng Việt Đỗ Năng Tồn, Phạm Việt Bình (2008), Giáo trình Xử lý ảnh, Nhà xuất Khoa học Kỹ thuật, Hà Nội Tổng cục Thủy sản (2013), Kế hoạch hành động quản lý lực khai thác hải sản Việt Nam, Bộ NN&PTNT, Hà Nội, tr.10-11 Tiếng Anh F Cao, J Delon, A Desolneux, P Musé, F.Sur (2005), “A unified framework for detecting and application to shape recognition” Dengsheng Zhang (2002), Image Retrieval Based on Shape, Monash University Frédéric Cao, “An a contrario decision method for shape elemet recognition” Anil K.Jain (2002), Fundamentals of Digital Image Processing G.Dudek, J.k.Tsotsos (1997) Shape Representation and Recognition from multiscale Curvature S M Lee, J H Xin, S Westland (2005), Evaluation of Image Similarity by Histogram Intersection, Hong Kong Polytechnic University Konstantinos G Derpanis (2004), “The Harris Corner Detector”, kosta@cs.yorku.ca 10 Anil K Jain, Aditaya Vailaya (1995), Image retrieval using color and shape, Department of Computer Science Michigan State University East Lansing 11 V Gouet N Boujemaa (2001), “Object-based queries using color points of interest”, Valerie.Gouet@inria.fr, Nozha.Boujemaa@inria.fr 63 12 Chaur-Chin Chen, Hsueh-Ting Chu (2003), Similarity Measurement Between Images, Department of Computer Science National, Tsing Hua University, Taiwan 13 Amos Storkey (2004), Nearest Neighbour Classifcation 14 Thomas Deselaers (2003), Features for Image Retrieval, Master of Science Thesis, Technische Hochschule Aachen 15 Pinar Duygulu (2006), Interest Points, Computer Vision, Bilkent University 64 PHỤ LỤC ẢNH TÀU CÁ TRONG CƠ SỞ DỮ LIỆU Tàu cá Nghề Dài (m) Rộng Cao mạn Công suất (m) (m) (CV) Tàu cá Việt Nam Lưới kéo 13.4-25 3.5-6.9 2.0-3.5 90-400 Lưới vây Lưới rê 12-25 3.0-6.0 2.0-3.0 90-300 8-20 3.5-5.9 2.0-3.5 90-350 Câu 16-20 4.8-6.0 1.9-3.5 90-150 Mành chụp 15-25 4.0-6.9 3.0-3.5 90-450 65 Tàu cá Nghề Dài (m) Rộng Cao mạn Công suất (m) (m) (CV) Lưới kéo boong 41.38 7.2 4.0 1200 Mành chụp 43.6 7.6 4.1 950 Lưới vây 37.8 6.3 3.35 1200 Lưới kéo boong 36.8 6.2 3.5 950 Câu mực 65.53 9.8 6.2 1250 Tàu cá nước