Giáo trình nhận dạng và xử lý ảnh phần 1 ts hoàng văn dũng

GIÁO TRÌNH NHẬN DẠNG VÀ XỬ LÝ ẢNH Biên soạn: TS Hồng Văn Dũng Tháng năm 2018 Lời nói đầu Cùng với phát triển nhanh chóng khoa học cơng nghệ, kỹ thuật dựa trí tuệ nhân tạo thị giác máy tính ứng dụng hệ thống thông minh đạt kết vượt bậc, có nhiều triển vọng Cuộc cách mạng cơng nghiệp lần thứ (Industry 4.0) diễn phạm vi toàn cầu, đặc biệt nước có khoa học kỹ thuật phát triển… Industry 4.0 tập trung vào sản xuất dịch vụ thông minh chủ yếu dựa hệ thống tương tác thực ảo, hệ thống thông minh dần thay người Nền tảng hệ thống thông minh nói bắt nguồn từ lĩnh vực trí tuệ nhân tạo thị giác máy Trong đó, thị giác máy giác quan máy quan trọng giúp cho q trình thu nhận tín hiệu, xử lý, phân tích nhằm đưa tri thức phục vụ hệ thống định Trong thời gian qua, kỹ thuật lĩnh vực thị giác máy tính, mà cụ thể xử lý ảnh nhận dạng nhiều nhà khoa học, tập đoàn công nghệ trọng nghiên cứu, phát triển, làm thay đổi hướng tiếp cận truyền thống ví dụ kỹ thuật học sâu Vì thế, kiến thức xử lý ảnh, nhận dạng mẫu, trí tuệ nhân tạo, học máy trở thành môn học quan trọng sinh viên chuyên ngành liên quan đến khoa học máy tính, cơng nghệ thơng tin, tự động hóa trường đại học Việt Nam Tuy nhiên, tài liệu tiếng Việt cho sinh viên người quan tâm lại có giới hạn cập nhật cơng nghệ, kỹ thuật Giáo trình Nhận dạng xử lý ảnh nhằm cung cấp kiến thức kỹ thuật xử lý hình ảnh giới thiệu số phương pháp trí tuệ nhân tạo áp dụng phân tích hình ảnh nhận dạng mẫu Kỹ thuật học sâu hướng tiếp cận nhiều nhà khoa học nghiên cứu công ty công nghệ quan tâm khả ứng dụng cao thực tế trình bày tài liệu Nội dung giáo trình gồm chương trình bày kiến thức nhập mơn xử lý ảnh, phương pháp nâng cao phân tích, nhận dạng mẫu, kỹ thuật học sâu như: phép biến đổi, điều chỉnh nâng cao chất lượng ảnh; biến đổi ảnh màu, ảnh đa mức xám, toán tử tích chập, lọc ảnh phép biến đổi khơng gian ảnh, biến đổi hình thái học ứng dụng phân tích vùng ảnh, trích biên đối tượng; phương pháp phân đoạn ảnh theo phân ngưỡng thủ công, phân ngưỡng tự động; phương pháp phân tích ảnh phân đoạn ảnh thuật toán phân cụm k-means, Meanshift, Watershed, trích chọn đặc trưng kỹ thuật trích chọn cạnh, điểm (keypoint) mơ tả vùng đặc trưng vùng ảnh Giáo trình giới thiệu số phương pháp trích chọn đặc trưng nâng cao SIFT, SUFT, HOG, Haar-like feature; phương pháp so khớp đặc trưng ảnh phục vụ phát đối tượng tương đồng nhận dạng mẫu với kỹ thuật lọc loại trừ nhiễu so khớp ảnh Phần cuối trình bày kỹ thuật nhận dạng mẫu phân loại đối tượng từ cách tiếp cận truyền thống định, rừng ngẫu nhiên, boosting, máy phân loại hỗ trợ vector SVM, mạng neural nhân tạo đến kỹ thuật học sâu, mạng neural tích chập mạng LeNet, AlexNet, ZFNet, GooLeNet, VGGNet, R-CNN kiến trúc mạng mô tả ngữ nghĩa ảnh Tài liệu biên soạn dựa kinh nghiệm tích lũy qua q trình nghiên cứu giảng dạy tác giả liên quan đến lĩnh vực thị giác máy tính, trí tuệ nhân tạo hệ thống thơng minh Hy vọng, giáo trình tài liệu hữu ích phục vụ học tập, tham khảo cho sinh viên ngành liên quan đến khoa học máy tính, cơng nghệ thơng tin, độc giả quan tâm đến lĩnh vực nhận dạng xử lý ảnh ứng dụng trí tuệ nhân tạo nhận dạng mẫu Tác giả xin chân thành cảm ơn ý kiến đóng góp, hỗ trợ đồng nghiệp đặc biệt quan tâm Lãnh đạo Trường Đại học Quảng Bình trình biên soạn tài liệu Trong trình biên soạn, giáo trình chắn khơng thể tránh khỏi thiếu sót Tác giả mong nhận ý kiến đóng góp quý thầy cô, nhà nghiên cứu, sinh viên độc giả để tác giả điều chỉnh hợp lý, kịp thời Góp ý xin gửi về: Hồng Văn Dũng Trường Đại học Quảng Bình 312 Lý Thường Kiệt, TP Đồng Hới, Quảng Bình Email: zunghv@gmail.com Người biên soạn: Hồng Văn Dũng MỤC LỤC CHƯƠNG NHẬP MÔN XỬ LÝ ẢNH 1.1 Tổng quan xử lý ảnh 1.1.1 Các khái niệm ảnh số, điểm ảnh 1.1.2 Các thành phần hệ thống xử lý ảnh 1.1.3 Các ứng dụng 1.2 Hệ màu loại ảnh 1.2.1 Các hệ màu thông dụng 1.2.2 Một số loại ảnh thông dụng 1.3 Cấu trúc liệu ảnh 1.3.1 Cấu trúc ảnh vector 1.3.2 Cấu trúc ảnh raster 10 1.4 Một số định dạng ảnh phổ biến 10 1.4.1 Định dạng ảnh TIFF 11 1.4.2 Định dạng ảnh GIF 11 1.4.3 Định dạng hình ảnh JPG 12 1.4.4 Định dạng ảnh BMP 12 1.4.5 Định dạng ảnh PNG 13 1.4.6 So sánh chuẩn định dạng 13 Câu hỏi tập 13 CHƯƠNG BIẾN ĐỔI XỬ LÝ ẢNH 15 2.1 Khái niệm 15 2.2 Các phép biến đổi điểm ảnh 16 2.2.1 Lược đồ ảnh 16 2.2.2 Điều chỉnh mức sáng 16 2.2.3 Điều chỉnh độ tương phản 17 2.2.4 Cân lược đồ ảnh 18 2.2.5 Biến đổi ảnh màu đa mức xám 20 2.3 Các phương pháp xử lý ảnh thông dụng 22 2.3.1 Phương pháp tích chập 22 2.3.2 Các kỹ thuật lọc thông dụng 23 2.4 Các phép biển đổi toàn cục 28 2.4.1 Biến đổi cosin rời rạc 28 2.4.2 Biến đổi Fourier rời rạc 31 2.5 Biến đổi hình thái học 34 2.5.1 Phần tử cấu trúc 34 2.5.2 Phép co ảnh – Erosion 35 i 2.5.3 Phép giãn ảnh – Dilation 36 2.5.4 Phép mở ảnh – Openning 36 2.5.5 Phép đóng ảnh- Closing 37 2.5.6 Phép biến đổi "Hit or miss" 37 2.5.7 Ứng dụng kỹ thuật hình thái học 39 Câu hỏi tập 43 CHƯƠNG PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH 46 3.1 Tổng quan phân đoạn ảnh 46 3.2 Phân đoạn ngưỡng 47 3.2.1 Phân ngưỡng thủ công 48 3.2.2 Phân đoạn ngưỡng tự động 48 3.2.3 Phân đoạn kỹ thuật Otsu 53 3.3 Phân đoạn k-means 55 3.4 Kỹ thuật phân đoạn MeanShift 58 3.5 Phân đoạn kỹ thuật Watershed 59 3.6 Phân đoạn phân cấp 62 Câu hỏi tập 63 CHƯƠNG TRÍCH CHỌN ĐẶC TRƯNG CƠ BẢN 65 4.1 Các khái niệm 65 4.1.1 Đặc trưng trích chọn đặc trưng ảnh 65 4.1.2 Đặc trưng mức thấp 66 4.1.3 Đặc trưng mức cao 67 4.2 Kỹ thuật trích chọn đặc trưng cạnh 67 4.2.1 Trích chọn biên tốn tử Sobel 68 4.2.2 Trích chọn biên toán tử Prewitt 69 4.2.3 Trích chọn biên tốn tử Robert 70 4.2.4 Trích chọn biên phương pháp Canny 70 4.3 Kỹ thuật trích chọn đặc trưng điểm 72 4.3.1 Trích xuất điểm góc 72 4.3.2 Trích xuất đặc trưng đốm 77 Câu hỏi tập 80 CHƯƠNG ĐẶC TRƯNG NÂNG CAO VÀ SO KHỚP ẢNH 83 5.1 Giới thiệu chung 83 5.2 Mô tả đặc trưng SIFT 83 5.2.1 Đặc trưng SIFT 83 5.2.2 Quá trình xử lý SIFT 84 5.3 Mô tả đặc trưng SURF 89 ii 5.3.1 Giới thiệu đặc trưng SURF 89 5.3.2 Phát keypoint 90 5.3.3 Mô tả đặc trưng SURF 92 5.4 Mô tả đặc trưng Haar 94 5.4.1 Đặc trưng Haar 94 5.4.2 Trích xuất đặc trưng Haar 94 5.4.3 Mở rộng đặc trưng Haar 95 5.5 Mô tả đặc trưng HOG 97 5.5.1 Đặc trưng HOG 97 5.5.2 Quá trình trích rút đặc trưng HOG 98 5.5.3 Các biến thể biểu diễn đặc trưng HOG 101 5.6 So khớp ảnh 102 5.6.1 Giới thiệu so khớp ảnh 102 5.6.2 Thuật toán Brute- Force 103 5.6.3 So khớp ảnh dùng mô tả SIFT 103 5.6.4 So khớp ảnh dùng mô tả SURF 104 5.6.5 So khớp dựa vào điểm góc Harris 105 5.7 Kỹ thuật lọc nhiễu so khớp ảnh 106 5.7.1 Lọc theo bình phương tối thiểu 106 5.7.2 Phương pháp đồng thuận ngẫu nhiên 107 5.8 Ví dụ áp dụng nhận dạng 110 Câu hỏi tập 112 CHƯƠNG KỸ THUẬT NHẬN DẠNG 114 6.1 Giới thiệu chung 114 6.2 Cây định 115 6.2.1 Khái niệm 115 6.2.2 Thuật toán ID3 xây dựng định 115 6.2.3 Thuật toán C4.5 xây dựng định 118 6.2.4 Rừng ngẫu nhiên 119 6.3 Kỹ thuật Boosting 120 6.4 Máy phân loại vector hỗ trợ 122 6.4.1 Giới thiệu 122 6.4.2 Phân loại tuyến tính 123 6.4.3 Phân loại tuyến tính lề mềm 125 6.4.4 Hàm nhân 126 6.4.5 Tuyến tính hóa phân loại phi tuyến 127 6.5 Mạng neural nhân tạo 128 iii 6.6 Kỹ thuật trượt window nhận dạng 131 6.6.1 Vấn đề trượt window 131 6.6.2 Gom mẫu nhận dạng chồng lấp 132 6.6.3 Huấn luyện mơ hình 133 6.6.4 Nhận dạng đối tượng ảnh 134 Câu hỏi tập 135 CHƯƠNG KỸ THUẬT HỌC SÂU 137 7.1 Tổng quan học sâu 137 7.2 Mạng neural sâu 139 7.3 Mạng neural tích chập 140 7.3.1 Lớp tích chập 141 7.3.2 Lớp pooling 142 7.3.3 Lớp hiệu chỉnh 144 7.3.4 Lớp chuẩn hóa 145 7.3.5 Lớp kết nối đầy đủ: 145 7.3.6 Lớp Dropout: 146 7.3.7 Lớp đầu 146 7.3.8 Tạo mạng học sâu với Matlab 147 7.4 Một số kiến trúc mạng tích chập học sâu 150 7.4.1 Mạng LeNet 150 7.4.2 Mạng AlexNet 151 7.4.3 Mạng ZFNet 153 7.4.4 Mạng GoogLeNet 154 7.4.5 Mạng VGGNet 156 7.4.6 Mạng R-CNN 157 7.5 Mô tả ngữ nghĩa ảnh với học sâu 159 7.5.1 Bộ mô tả ảnh 159 7.5.2 Mơ hình suy diễn mối liên kết 160 7.5.3 Mơ hình sinh diễn tả ảnh 161 Câu hỏi tập 161 Tài liệu tham khảo 163 iv CHƯƠNG NHẬP MÔN XỬ LÝ ẢNH Chương giới thiệu kiến thức nhập môn xử lý ảnh như: Những khái niệm liên quan đến ảnh kỹ thuật số, thành phần hệ thống xử lý ảnh, loại hệ màu bản, loại ảnh thông dụng, cấu trúc liệu ảnh kiểu định dạng phổ biến ảnh số 1.1 Tổng quan xử lý ảnh 1.1.1 Các khái niệm ảnh số, điểm ảnh 1.1.1.1 Ảnh số Ảnh số (digital image) xem biểu diễn liệu rời rạc thể thông tin không gian cường độ màu) Ảnh số gồm tập hợp hữu hạn phần tử biểu diễn giá trị số Ảnh số biểu diễn dạng ma trận hai chiều, phần tử ảnh số gọi điểm ảnh (pixel)[1] Tùy thuộc vào độ phân giải cố định hay biến đổi mà điểm ảnh biểu diễn dạng vector dạng bitmap Ảnh số xác định theo mảng hai chiều biểu diễn cường độ sáng điểm ảnh với giá trị cố định, xác định theo hàm hai chiều f(x, y), x y tọa độ không gian độ lớn (amplitude) hàm f gọi độ sáng (intensity) hay độ xám (gray level) ảnh điểm Ảnh rời rạc hai chiều, I(m,n) biểu diễn thông tin thu từ cảm biến chuỗi vị trí cố định (m = 1, 2, , M; n= 1, 2, , N) tọa độ Cartesian hai chiều biến đổi từ tín hiệu liên tục khơng gian chiều thơng qua q trình xử lý tần số liên tục sang miền rời rạc 1.1.1.2 Điểm ảnh Thuật ngữ điểm ảnh dịch từ thuật ngữ gốc pixel (viết tắt cụm từ picture element) nghĩa phần tử ảnh[1] Phần tử ảnh xác định theo toạ độ (x, y) tương ứng với số thứ tự cột hàng ảnh Giá trị phần tử ảnh xác định giá trị cường độ mức xám màu định Kích thước khoảng cách điểm ảnh biểu diễn thích hợp cho mắt người cảm nhận liên tục không gian mức xám (màu) ảnh số gần với hình ảnh khơng gian thật Số điểm ảnh diện tích biểu diễn xác định độ phân giải ảnh số Ảnh có độ phân giải cao thể rõ nét đặc điểm hình ảnh, làm cho hình ảnh trở nên gần với thực tế thực sắc nét hơn, 1.1.1.3 Các dạng ảnh Nội dung thơng tin điểm ảnh xem xét nhiều khía cạnh khác tùy thuộc vào dạng ảnh Ví dụ ảnh màu (colour image), ảnh đa mức xám (grey image), ảnh nhị phân (binary image), ảnh hồng ngoại (infrared image), – Ảnh màu: Ảnh màu thường ảnh chứa thông tin đối tượng biểu diễn dạng màu sắc mà mắt thường quan sát Mỗi điểm ảnh có cấu trúc gồm nhiều kênh màu khác nhau, thơng thường máy tính, biểu diễn ba lớp màu RGB, gồm màu đỏ (red), xanh (green) xanh lam (blue) – Ảnh đa mức xám: Ảnh đa mức xám thường biểu diễn thông tin liên quan đến cường độ đa mức xám đối tượng không gian mà màu sắc thực - Ảnh nhị phân: Ảnh biểu diễn đối tượng hai mức 1, thường dùng để biểu diễn, phân biệt xuất đối tượng ảnh - Ảnh hồng ngoại: Biểu diễn trực quan quang phổ, liên quan đến phổ điện từ Ảnh hồng ngoại cung cấp thông tin ảnh dựa phản xạ ánh sáng hồng ngoại xạ hồng ngoại mà đối tượng khung nhìn phát Dựa vào khả thu nhận phản xạ xạ hồng ngoại mà loại camera hồng ngoại thu hình ảnh điều kiện khơng có ánh sáng nhìn thấy ánh sáng 1.1.1.4 Mức xám Giá trị mức xám kết ánh xạ giá trị độ sáng điểm ảnh màu không gian thực với giá trị số nguyên dương thể mức độ sáng tối điểm ảnh Các thang giá trị mức xám thường dùng 2, 16, 32, 64, 128, 256 Ảnh đa mức xám thường dùng 256, mức xám thường xác định khoảng [0, 255] tuỳ thuộc vào giá trị mà điểm ảnh biểu diễn 1.1.1.5 Độ phân giải ảnh Kính thước lưới pixel hai chiều với kích thước liệu lưu trữ cho pixel xác định độ phân giải không gian chất lượng màu ảnh[1] Xét mặt khơng gian độ phân giải số cột số hàng ảnh xác định số lượng pixel sử dụng để biểu diễn hình ảnh thu từ giới thực Như vậy, độ phân giải không gian (spatial resolution) ảnh mật độ pixel xác định ảnh số Một số độ phân giải thông thường sử dụng thiết bị hiển thị lĩnh vực xử lý ảnh 640× 480, 800 × 600, 1024 × 768 (HD), 192 × 1080 (full HD), 3840 × 2160 (UHD),… Độ phân giải bit liên quan đến chất lượng ảnh, định nghĩa số lượng giá trị khác biểu diễn cường độ sáng màu sắc Ví dụ ảnh nhị phân biểu diễn hai trạng thái giá trị khác (đen trắng) pixel loại dùng bit, ảnh đa mức xám dùng 8bit cho pixel, biểu diễn 256 giá trị khác từ màu đen (giá trị 0) đến trắng (giá trị 255), ảnh màu RGB dùng 24 bit biểu diễn 16 triệu màu (224=16.777.216) Độ phân giải bit ảnh không thiết phải tương ứng với độ phân giải hệ thống ảnh Thông thường máy ảnh đại ngày tự động điều chỉnh để đáp ứng tối đa tối thiểu trường ảnh thu nhận phạm vi chia tự động thành số lượng phù hợp bit, ví dụ chia thành N mức Trong trường hợp vậy, độ phân giải bit ảnh thường thấp độ xác thiết bị 1.1.2 Các thành phần hệ thống xử lý ảnh Một hệ thống xử lý ảnh thường bao gồm thành phần thiết bị phần cứng (máy ảnh) để chụp hình lưu trữ liệu, công cụ phần mềm phục vụ xử lý giải yêu cầu chức hệ thống đề Trong lĩnh vực khoa học máy tính, hệ thống xử lý ảnh đối tượng nghiên cứu liên quan đến kỹ thuật thị giác máy (computer vision), trình biến đổi từ ảnh ban đầu thu nhận từ thiết bị sang không gian cho làm bật đặc tính liệu, thuận lợi cho q trình xử lý thơng tin nâng cao độ xác[2] Một hệ thống xử lý ảnh thường gồm số thành phần sau: Thu Tiền Trích chọn Phân loại, nhận nhận xử lý đặc trưng dạng mẫu Ra Biểu diễn định tri thức Hình 1.1 Sơ đồ tổng quát hệ thống xử lý ảnh Thu nhận ảnh việc hình ảnh giới thực thu nhận chuyển qua tín hiệu ảnh rời rạc thông qua máy ảnh kỹ thuật số thiết bị thu hình ảnh khác Tiền xử lý bước xử lý ảnh đầu vào nhằm khử nhiễu, làm bật số tính chất ảnh nhằm nâng cao chất lượng bước xử lý sau Trích chọn đặc trưng q trình biến đổi liệu ảnh đầu vào thành tập đặc trưng Các đặc trưng thường có đặc tính phân biệt cao mẫu đầu vào giúp cho việc phân biệt mẫu liệu ảnh dễ dàng nhằm nâng cao chất lượng phân loại mẫu so với xử lý liệu thô giá trị pixel ảnh Việc trích chọn đặc trưng làm giảm kích thước thể thơng tin ảnh liệu đặc trưng ảnh có tính phân biệt cao Phân loại, nhận dạng mẫu trình xử lý liệu kỹ thuật, phương pháp phân tích đặc trưng để phân loại mẫu nhóm có số tính chất chung Các phương pháp phân loại, nhận dạng mẫu thường liên quan đến kỹ thuật học máy, bao gồm học có giám sát học khơng có giám sát Biểu diễn tri thức bước thể mức cao biểu diễn liệu, mẫu liệu sau phân loại, nhận dạng biểu diễn dạng tri thức giúp hệ thống có khả “hiểu biết” ngữ nghĩa theo kiểu ứng dụng khác hệ thống trí tuệ nhân tạo hệ thống thơng minh trưng mức thấp[18] Có nhiều cách tiếp cận khác để biểu diễn ảnh, phân tích, “hiểu” ảnh dựa đường biên từ việc phân tích trích xuất cạnh Cạnh thường nhạy cảm với thay đổi ánh sáng thay đổi hướng nhìn Phát cạnh thường dựa vào tương phản cường độ sáng đối tượng ảnh, độ tương phản cao thể qua khác biệt lớn cường độ sáng, làm bật đặc trưng đường biên đối tượng ảnh Điều tương tự với thị giác người việc trực quan “cảm nhận” đường biên bao quanh đối tượng từ xác định đối tượng khác cách rõ ràng Về bản, ranh giới đối tượng xác định bước thay đổi cường độ sáng đột ngột Vị trí đường biên vị trí xảy thay đổi ngược cường độ sáng Để phát vị trí cạnh, phép biến đổi vi phân bậc thực để làm bật thay đổi ngược qua giá trị đạo hàm bậc để tìm cực trị Bài toán phát đường biên đối tượng ảnh liên quan đến toán phân loại nhận dạng đối tượng có ảnh Do vậy, nhiệm vụ phát đường biên xem nhiệm vụ quan trọng xác định việc liệu đối tượng có tồn hay khơng, có đối tượng có thành phần nhỏ đối tượng lớn Phát đường biên đối tượng làm giảm không gian liệu cần xử lý loại bỏ phần liệu không cần thiết đảm bảo thuộc tính quan trọng cấu trúc đối tượng ảnh Có nhiều phương pháp phát biên khác nhau, phương pháp thường hiệu cao loại đường biên cụ thể Các phương pháp phát đường biên liên quan đến kỹ thuật lọc ảnh Để lọc đường biên, người ta thường sử dụng lọc kích thước n×n với giá trị khởi tạo lọc xác định theo phương pháp định Một lọc biết đến sử dụng nhiều lọc Roberts, Sobel, Prewitt kết phép lọc tiếp tục nhị phân ngưỡng để phân loại 4.2.1 Trích chọn biên tốn tử Sobel Để lọc cạnh theo kỹ thuật mặt nạ Sobel, cần sử dụng hai mặt nạ có kích thước 3×3 để lọc cạnh theo hướng ngang hướng dọc Hai mặt nạ đơn quay mặt nạ góc /2 1 1  1  Px   2 2 Py   0   1  -1 -2 -1 4.1 Để thực phát cạnh theo hướng, ta thực phép tích chập (convolution) ảnh đầu vào với mặt nạ để thu bảng gradient theo chiều dọc Gy chiều ngang Gx Như vậy, sau tích chập ảnh gốc với mặt nạ Sobel theo hướng ta thu gradient theo hướng tương ứng Cuối để trích 68 chọn biên ta sử dụng thêm phép lọc dựa vào ngưỡng để phân loại điểm ảnh thuộc biên điểm ảnh không thuộc đường biên Toán tử Sobel thiết kế để đáp ứng tối đa cạnh theo chiều dọc chiều ngang liên quan đến lưới điểm ảnh Nó giúp phân tích cạnh theo hướng vng góc với (a) (b) (c) (d) Hình 4.3 Trích chọn cạnh phương pháp Sobel: (a) ảnh gốc, (b) lọc theo chiều y, (c) lọc theo chiều x (d) kết cuối 4.2.2 Trích chọn biên tốn tử Prewitt Tương tự trích chọn đường biên mặt nạ Sobel, phương pháp sử dụng hai mặt nạ có kích thước 3×3 để lọc cạnh theo hướng ngang hướng dọc với trọng số theo đề xuất Prewitt sau: 1 1  1 1 Px   1 1 Py   0  -1 -1 -1  1 1 4.2 Hai mặt nạ phép quay góc /2 phép tích chập ảnh đầu vào với mặt nạ Prewitt để thu bảng giá trị gradient theo chiều dọc Gy chiều ngang Gx Để thu kết cuối cùng, ngưỡng sử dụng để lọc trích chọn cạnh đối tượng Hình 4.4 Trích chọn cạnh phương pháp Prewitt 69 4.2.3 Trích chọn biên tốn tử Robert Tương tự phương pháp trích chọn biên Sobel Prewwitt, phương pháp Robert sử dụng hai mặt nạ có kích thước 2×2 để lọc cạnh theo hướng chéo hướng chéo phụ R1  1  R1    0 1  1  4.3 Hình 4.5 Trích chọn cạnh phương pháp Robert Trích chọn cạnh theo tốn tử Robert thực nhanh kích thước lọc nhỏ Quá trình thực tương tự Sobel tốn tử Robert thiết kế để tập trung vào cạnh theo hướng vng góc 45 độ với theo đường chéo chéo phụ (a) (b) (c) (d) Hình 4.6 Trích chọn cạnh: (a) ảnh gốc, (b) Sobel, (c) Prewitt (d) Robert 4.2.4 Trích chọn biên phương pháp Canny Khác với phương pháp trích chọn biên trước, phương pháp Canny thực nhiều bước phức tạp để đạt kết tốt Phương pháp Canny đề xuất năm 1986 John Canny [20] Ngày nay, Canny dùng phổ biến nhiều lĩnh vực khác thị giác máy tính 70 Thuật tốn Canny gồm bước mơ tả sau: 1) Sử dụng lọc Gaussian để làm trơn ảnh nhằm khử nhiễu tác động nhiễu Bước thực tính tích chập ảnh đầu vào với mặt nạ trọng số theo phân phối Gaussian (gọi mặt nạ Gaussian) Mặt nạ Gaussian H khởi tạo theo công thức: H ij   (i  (k  1))2  ( j  (k  1))2  exp   where  i, j  (2k  1) 2 2   4.4 Ví dụ mặt nạ Gaussian xấp xỉ theo phân phối với độ lệch chuẩn =1.4, kích thước 5×5 để tích chập với ảnh đầu vào I sau: 2 2  12 4 IS   12 15 12   I 159  12 4   4.5 2) Tính gradient ảnh dựa vào cường độ sáng điểm ảnh (thường áp dụng ảnh đen trắng đa mức xám) Bước thực cách tích chập ảnh kết bước với hai toán tử Sobel theo hướng dọc (trục tung) hướng ngang (trục hoành) để xấp xỉ với đạo hàm bậc theo hướng dọc Gy ngang Gx Sau tính độ lớn hướng gradient theo công thức Độ lớn gradient G M  G x  G y 4.6 Hướng gradient GO  atan  G y , G x  4.7 3) Thực loại bỏ điểm không cực đại (non-maximum suppression) nhằm khử giá trị thuộc cạnh giả tạo thuộc cạnh khơng bền vững Sau tính giá trị hướng độ lớn gradient, thực quét qua toàn ảnh để loại bỏ điểm không mong muốn (những điểm khơng tạo thành cạnh) Để thực điều này, điểm đánh dấu lại có giá trị cực đại cục vùng láng giềng theo hướng gradient hành, hình minh họa: A B C A B Hướng gradient C Hướng gradient Cạnh Hình 4.7 Minh họa tìm cực đại cục theo hướng gradient14 Trong minh họa này, điểm B nằm cạnh theo chiều dọc Hướng gradien vector pháp tuyến cạnh Điểm A điểm C thuộc hướng gradient điểm B Do đó, điểm 14 https://docs.opencv.org/3.3.1/da/d22/tutorial_py_canny.html 71 B đánh dấu cực đại so với điểm A điểm C có giá trị cực đại cục (cực đại so với điểm A điểm C) Nghĩa điểm A C hai điểm ứng viên không cực đại nên bị loại bỏ Nếu đánh dấu lại tiếp tục thực bước tiếp theo, ngược lại điểm bị xóa bỏ khơng xử lý bước sau Kết bước cho kết ảnh (ma trận) nhị phân với điểm ảnh thuộc cạnh “làm mỏng” Tập gồm tập điểm đánh dấu điểm điểm cịn lại (khơng đánh dấu) 4) Sử dụng ngưỡng kép để phát đường biên tiềm Bước cho kết điểm tiềm (ứng cử viên) thuộc đường biên Thay sử dụng ngưỡng, Canny dùng hai ngưỡng t1, t2 để lọc điểm ảnh thuộc cạnh cạnh không Tại vị trí có giá trị gradient lớn t1 xem chắn điểm thuộc cạnh Những điểm thuộc miền t1 t2 khơng chắn thuộc cạnh, thuộc cạnh khơng, điểm xem điểm có tiềm thuộc cạnh tùy thuộc vào liên kết với cạnh Những điểm cịn lại có giá trị bé t2 khơng thuộc cạnh loại trực tiếp 5) Liên kết điểm tiềm với điểm thuộc cạnh Nếu điểm tiềm liên kết với điểm chắn thuộc cạnh trở thành phần cạnh Nghĩa điểm tiềm lân cận điểm xác định thuộc cạnh (ở bước 4) điểm đánh dấu điểm thuộc cạnh Hình 4.8 Kết trích xuất cạnh dùng thuật tốn Canny 4.3 Kỹ thuật trích chọn đặc trưng điểm 4.3.1 Trích xuất điểm góc Điểm góc (corner point) dạng đặc trưng ảnh, gọi điểm góc đặc trưng (interest point point like feature) Điểm góc đặc trưng có nhiều 72 ứng dụng lĩnh vực xử lý ảnh, thị giác máy tính có nhiều ý nghĩa việc phân tích hình khối đối tượng so khớp ảnh Đặc trưng góc ban đầu xuất phát từ thuật tốn phát cạnh đặc trưng, sau kết đặc trưng cạnh sử dụng để phân tích tìm điểm góc Những thuật tốn sau phát triển độc lập khơng dựa việc phát cạnh để tìm điểm góc mà theo hướng phân tích trực tiếp tìm kiếm mức cao đường cong dựa vào biến đổi gradient ảnh từ ước lượng điểm góc 4.3.1.1 Phương pháp Harris Một phương pháp tiếng phát góc kỹ thuật Harris Phương pháp phát góc Harris (Harris corner detection) đề xuất Harris Stephens năm 1988 [21] sở phát triển phương pháp phát góc Moravec Nguyên lý hoạt động phương pháp tìm kiếm điểm góc sử dụng cửa sổ để quét qua ảnh nhằm tính biến đổi giá trị độ sáng hình minh họa với trường hợp sau: + Trường hợp cửa sổ dịch chuyển vùng nền: Vùng thường có cường độ sáng tương đối đồng nhất, mức độ giá trị sai khác nhỏ dịch chuyển cửa số theo hướng (hình a) + Trường hợp dịch chuyển đường biên đối tượng: giá trị sai khác nhỏ dịch chuyển cửa sổ theo hướng đường biên, có giá trị sai khác lớn dịch chuyển cửa sổ theo hướng trực giao với đường biên đối tượng (hình b) + Trường hợp dịch chuyển qua góc giá trị sai khác lớn cửa sổ dịch chuyển theo hướng khác (hình c) (a) (b) (c) Hình 4.9 Phát điểm góc dựa thay đổi cường độ sáng Phương pháp Harris triển khai sau: Giả sử ta có ảnh đa mức xám I, vị trí điểm ảnh ký hiệu I(x,y) độ dịch chuyển (x, y) ta tính tốn tổng sai khác dịch chuyển cửa sổ từ vị trí (x,y) tới vị trí (x +x, y + y) là: f ( x, y )    I (x ( xk , yk )W k , yk )  I ( xk  x , yk   y )  4.8 Trong f(x,y) tổng bình phương giá trị khác vùng ảnh cửa sổ W vị trí (x,y) vị trí (x +x, y + y) Ký hiệu W cửa sổ vùng ảnh xem xét Ta 73 xấp xỉ I(x +x, y + y) triển khai Taylor Với Ix Iy đạo hàm cục I xác định: I ( x  x, v  y )  I (x, y )  I x (x, y )x  I y (x, y )y 4.9 Do đó, giá trị f(x, y) xấp xỉ theo công thức: f ( x, y )   I ( x , y )W x ( x , y ) x  I y ( x , y ) y  4.10 Ta viết lại công thức dạng ma trận: f ( x, y )   x   y  M x y 4.11 Với ma trận M (là ma trận moment bậc 2) xác định theo công thức:  I2 M   x ( x , y )W  I x I y  I x2 I x I y   ( x , y )W  I y2    I x I y  ( x, y )W  II  I ( x , y )W x y ( x , y )W y     4.12 Quá trình thực thuật tốn Harris chia thành bước chính: 1) Chuyển đổi ảnh màu thành ảnh đa mức xám: Thuật toán Harris thực ảnh đa mức xám, để xử lý ảnh màu cần phải chuyển ảnh màu qua ảnh đa mức xám để giảm độ phức tạp tính tốn (tính lớp màu thay lớp màu R-G-B) 2) Tính đạo hàm riêng: Tính đạo hàm riêng theo hai hướng Ix(x,y) Iy(x,y) 3) Thiết lập ma trận moment bậc hai M: Ma trận M tính dựa tập giá trị đạo hàm riêng bậc Ix(x,y) Iy(x,y) Hình 4.10 Tìm điểm góc dựa vào giá trị riêng M 15 4) Tính giá trị phản hồi Harris: Bước tính giá trị riêng nhỏ M cách xấp xỉ theo công thức:  det ( M ) min   4.13 (1  2 ) trace(M ) Với trace (M )  m11  m22 Một phương pháp phổ biến khác sử dụng tính giá trị phản hồi Harris thực theo công thức sau: 15 http://opencv-python-tutroals.readthedocs.io 74 R  det ( M )  k (trace(M ))2  12  k (1  2 )2 4.14 Với k số xác định theo kinh nghiệm, thường hệ số k thiết lập khoảng 0.04 đến 0.06 5) Loại trừ giá trị không cực đại: Bước thực trích xuất giá trị tối ưu thể cho điểm góc Những điểm cực đại cục tìm điểm góc, q trình thực cách sử dụng cửa sổ 3×3 quét qua tồn ảnh để tìm điểm cực đại Hình 4.11 Kết trích xuất điểm góc dùng phương pháp Harris Đặc điểm phương pháp Harris bất biến với phép quay bất biến với thay đổi cường độ sáng ảnh Tuy nhiên, khơng bất biến với phép tỷ lệ, phụ thuộc vào tỷ lệ đối tượng ảnh Một vị trí đối tượng điểm góc kích thước đối tượng thay đổi khơng cịn điểm góc Sau này, thuật tốn Harris cải tiến thành phương pháp Harris-Laplace[22] (b) (a) Hình 4.12 Phát điểm góc dùng phương pháp Harris với (a) dùng giá trị riêng nhỏ min=det(M)/trace(M), (b) dùng giá trị phản hồi R=det(M)-k(trace(M))2 4.3.1.2 Phương pháp Forstner Trong số trường hợp, cần xác định vị trí điểm góc với độ xác đến siêu điểm ảnh (mức nhỏ điểm ảnh- subpixel) Phương pháp Forstner đề xuất Forstner cộng năm 1987 [23] Phương pháp có ý nghĩa trường hợp phát điểm góc đối tượng có hình dạng cong độ phân giải ảnh thấp Phương pháp Forstner cho phép phát điểm đặc trưng xấp xỉ điểm góc Để xấp xỉ điểm 75 góc, phương pháp Forstner thực giải tốn tìm tất điểm gần đến đường thẳng tiếp tuyến góc cửa sổ cho trước tìm bình phương nhỏ Ý tưởng dựa thực tế góc trường hợp lý tưởng đường tiếp tuyến cắt điểm Hình 4.13 Ý tưởng phát điểm góc theo Forstner Công thức đường tiếp tuyến Tx'(x) điểm x' xác định bởi: 4.15 Tx (x)  I (x) (x  x)  Với I (x)  [ I x , I y ] vector gradient ảnh I x' Điểm x gần đến tất đường tiếp tuyến cửa sổ N xác định cực tiểu diện tích: x0  argmin x 21  4.16 Tx (x )2 dx xN Khoảng cách từ x0 đến đường tiếp tuyến Tx' gán trọng số độ lớn gradient Điều quan trọng để tiếp tuyến qua điểm ảnh với gradient lớn Giải tốn tìm điểm x0 điểm góc tối ưu quy giải toán sau: x0  arg x 21  (I ( x ) ( x  x ))2 dx   arg xN  arg min( x  Ax  2x b  c ) x 21  ( x  x )I ( x )I ( x ) ( x  x)dx x N 4.17 x 21 Với A   22 , b   21 , c   xác định sau: A   I ( x)I ( x)  dx 4.18 b   I ( x)I ( x) xdx 4.19 A   xI ( x)I ( x) xdx 4.20 Cực tiểu hóa cơng thức thực đạo hàm theo x giải toán 2Ax-2b=0 tương ứng với Ax=b 76 Lưu ý với A  22 cấu trúc tensor (hay ma trận moment bậc hai) Để phương trình có nghiệm, A phải khả nghịch, nghĩa A phải có hạng đầy đủ bậc Nghiệm phương trình x0=A-1b Nghiệm tồn góc thực tế có cửa sổ N Một phương pháp để thực lựa chọn tự động vị trí góc cách cực tiểu hóa theo cơng thức: T 1 cb A b dmin  traceA 4.21 Bên cạnh đó, phương pháp có khả đáp ứng tự động mức độ tỷ lệ để tính gradient ảnh nhiễu cách chọn thô mức tỷ lệ cho liệu ảnh nhiễu cân mức tỷ lệ cho gần giống với cấu trúc thực tế góc Hệ số c xem phần dư việc tính nghiệm bình phương nhỏ c=0 điểm ước lượng khơng có lỗi Thuật tốn điều chỉnh để tính tâm đặc trưng cung (đường tròn) cách thay đổi đường tiếp tuyến đường pháp tuyến 4.3.2 Trích xuất đặc trưng đốm Các phương pháp trích xuất đặc trưng đốm (blob detection) thường tập trung vào việc phát vùng có tính chất khác biệt độ sáng, màu sắc so với vùng xung quanh Nói cách khác, đốm hiểu vùng ảnh có tính chất khơng đổi tương đối ổn định khác biệt với vùng khác Tất điểm ảnh đốm xem tập điểm ảnh có số ý nghĩa, ngữ cảnh giống Phương pháp phổ biến để phát đốm dựa vào tích chập Tìm kiếm trích xuất đặc trưng đốm có nhiều ý nghĩa ứng dụng thực tế Một mục tiêu phát đốm cung cấp thông tin bổ sung vùng mà nhận dạng phương pháp phát đường biên góc Nhận dạng đốm thường sử dụng để phát vùng quan trọng ảnh, đầu dùng để phục vụ cho nhiệm vụ xử lý để phân tích hình ảnh Các vùng đốm tín hiệu xuất đối tượng quan trọng phần đối tượng quan tâm Trong nhận dạng theo vết đối tượng (object tracking), phát đốm nhằm mục đích so khớp để biết đối tượng dịch chuyển dãy ảnh (các frames video) Đốm cịn ứng dụng tốn khác phân tích lược đồ ảnh (histogram), nhận dạng đỉnh phân đoạn ảnh, phân tích kết cấu nhận dạng kết cấu đối tượng Đốm thường bị thay đổi, biến dạng thay đổi góc nhìn khoảng cách, biến đổi môi trường điều kiện sáng Trong nghiên cứu gần đây, mô tả đốm nghiên cứu, phát triển ứng dụng thực tế nhiều mơ tả điểm (keypoint) so khớp ảnh đôi, biểu diễn đặc trưng ảnh liên quan đến nhận dạng đối tượng dựa vào bề mặt, giao diện 77 Hình 4.14 Ý tưởng phát đốm tham số nó[24] Một số phương pháp nhận dạng mơ tả đốm điển sau: 4.3.2.1 Phát đốm theo LoG Một kỹ thuật phát đốm phổ biến sử dụng nhiều phương pháp LoG (Laplace of Gaussian) Quá trình phát đốm mô tả sau: Cho ảnh đầu vào I, ảnh tích chập với mặt nạ lọc theo phân phối Gaussian G(x,y,) sinh công thức sau: G ( x, y ,  )  2 e  x2  y 2 4.22 Hàm Laplace đạo hàm bậc hai hai chiều, công thức hàm Laplace f(x,y) hàm LoG xác định sau:  2G   G  2G  x y 4.23 Như vậy, hàm LoG đạo hàm riêng bậc hàm Gaussian Tại giá trị tỷ lệ , ta tính tích chập theo cơng thức: 4.24 L( x, y ,  )  g ( x, y,  )  I (x , y ) Khi giá trị hàm LoG xác định theo công thức: 4.25  L  Lxx  Lyy Với Lxx L yy đạo hàm riêng bậc L Một vấn đề áp dụng tốn tử mức tỷ lệ đơn giá trị phản hồi phụ thuộc lớn vào mối quan hệ kích thước cấu trúc đốm miền không gian ảnh với kích thước mặt nạ lọc Gaussian cho bước tiền xử lý làm mờ ảnh Để tự động trích xuất đốm với kích thước khác (khơng biết trước), phương pháp xử lý nhiều mức tỷ lệ kích thước ảnh (image pyramids, multiple scales) sử dụng Do vậy, cách đơn giản để xử lý nhận dạng đốm nhiều mức scale với lựa chọn mức tỷ lệ tự động sử dụng toán tử Laplace chuẩn tỷ lệ (scale-normalized Laplacian) 4.26  2norm L  t ( Lxx  Lyy ) 78 Để phát điểm cực trị không gian tỷ lệ đồng thời điểm cực trị (cực đại cực tiểu) địa phương tương ứng với hai miền không gian tỷ lệ Cho ảnh đầu vào hai chiều f(x, y), tính khơng gian Laplacian rời rạc ba chiều L(x, y, t) điểm tương ứng đốm giá trị lớn (hoặc nhỏ hơn) giá trị phần tử láng giềng (ví dụ 26 láng giềng) Việc ước lượng đồng thời điểm quan tâm ( xˆ, yˆ) tỷ lệ tˆ thực sau: ( xˆ , yˆ ; tˆ)  arg max local( x , y ;t ) (( norm L)( x, y; t)) 4.27 4.3.2.2 Phát đốm theo DoG Công thức biểu diễn không gian tỷ lệ L( x, y , t ) thỏa mãn biểu thức  t L  2 L 4.28 Theo đó, tốn tử Laplacian Gaussian  L( x, y, t ) tính trường hợp giới hạn khác hai lần làm mờ ảnh Gaussian, gọi sai khác Gaussian (Difference of Gaussians), cơng thức tính sai khác hai lần làm mờ xác định theo công thức sau: 2norm L( x, y; t )  t  L( x, y; t  t )  L( x, y; t )  t 4.29 Phép toán tương tự Laplacian xem xấp xỉ phép tính Laplacian Tương tự việc nhận dạng đốm Laplacian, phương pháp sai khác Gaussian tính dựa vào giá trị cực trị không gian tỷ lệ thể mối quan hệ rõ ràng toán tử DoG toán tử Laplacian chuẩn hóa tỷ lệ Phương pháp phát đốm DoG sử dụng để khởi tạo đốm ứng cử viên q trình trích xuất điểm (keypoint) phương pháp SIFT Hình 4.15 Tính DoG từ kết lọc Gaussian với giá giá trị phương sai khác [25] Hình 4.16 Phát đóm DoG [25] 79 4.3.2.3 Phát đốm theo DoH Phần giới thiệu phương pháp phát đốm thực dựa vào định thức Hessian (determinant of Hessian) theo công thức: det H norm L  t ( Lxx Lyy  L2xy ) 4.30 Trong đó, H ký hiệu ma trận Hessian biểu diễn khơng gian tỷ lệ L sau xác định cực đại khơng gian tỷ lệ cho tốn tử Có cách xác định đốm đơn giản khác cách lựa chọn tỷ lệ tự động tương ứng với phản hồi điểm yên ngựa Việc ước lượng đồng thời điểm quan tâm ( xˆ, yˆ ) tỷ lệ tˆ thực sau[26]: ( xˆ , yˆ ; tˆ)  argmaxlocal ( x , y ;t ) ((det H norm L)( x, y; t )) 4.31 Các đốm ( xˆ, yˆ) tỷ lệ tˆ định nghĩa từ định nghĩa hình học vi phân dẫn đến mơ tả đốm hiệp phương sai với thành phần biến đổi tịnh tiến, quay co dãn miền xác định ảnh Trong lựa chọn tỷ lệ, đốm định nghĩa từ điểm cực trị không gian tỷ lệ định thức Hessian có thuộc tính chọn tỷ lệ với biến đổi affine phi Euclidean tốt so với phép biến đổi Laplacian[27] Định thức chuẩn tỷ lệ Hessian tính từ Haar wavelet sử dụng bước để phát điểm quan tâm sử dụng phương pháp mô tả đặc trưng SURF ứng dụng so khớp ảnh nhận dạng đối tượng[28] Câu hỏi tập Viết đoạn chương trình đọc vào ảnh ngoại cảnh sau sử dụng tốn tử Sobel, Prewitt, Robert để trích biên so sánh kết Viết đoạn chương trình đọc vào ảnh ngoại cảnh sau sử dụng phương pháp Canny để trích biên hiển thị kết bước trình thực thuật toán Canny So sánh kết với phương pháp trích biên sử dụng tốn tử Sobel, Prewitt, Robert Cài đặt thuật tốn phát điểm (keypoint) phương pháp Laplacien of Gaussian (LoG) Difference of Gaussian (DoG) đánh giá, so sánh khả thực phương pháp Cài đặt thuật tốn phát điểm (keypoint) phương pháp Forstner, Harris Hessian đánh giá, so sánh khả thực phương pháp Viết đoạn chương trình đọc vào ảnh có chứa tịa nhà, sau sử dụng phương pháp Harris để phát điểm góc hiển thị vị trí điểm góc ảnh đầu vào màu đỏ Viết chương trình để nhận dạng cạnh theo phương pháp học sau đánh giá, so sánh khả thực phương pháp 80 Viết chương trình thực nhận dạng cạnh theo subpixel thực theo bước[13]: - Đọc vào ảnh; - Làm mờ ảnh đầu vào theo công thức B(x)=G(x)I(x) theo giá trị  - Xây dựng nhiều mức tỷ lệ lọc Gaussian, biểu diễn P=Pyramid{B(x)} - Thực xây dựng mức scale ảnh từ ảnh gốc lọc Gaussian theo công thức S(x)=B(x)-P*InterpolatedLevel(L) - Với bốn điểm ảnh {(i,j), (i+1,j), (i,j+1), (i+1,j+1)}, đếm số phần tử qua dọc theo cạnh (edgel-cạnh điểm xử lý subpixel) - Với vị trí có xác hai phần tử qua, tính vị trí sử dụng cơng thức Xz= xz  xi S ( x j )  x j S ( xi ) S ( x j )  S ( xi ) lưu điểm kết thúc cạnh với điểm cấu trúc điểm-cạnh (edgel) struct SEdgel { float e[2][2]; // điểm cuối (zero crossing) float x, y; // vị trí điểm subpixel (midpoint) float n_x, n_y; // hướng theo vector pháp tuyến float theta; // hướng theo góc float length; // độ dài cạnh float strength; //độ lớn độ dốc(gradient magnitude) }; struct SLine : public SEdgel { float line_length; // độ dài đường thẳng float sigma; // tham số lước lượng nhiễu float r; // Công thức đướng: x * n_y - y * n_x = r }; - Với điểm-cạnh, tính gradient cục cách tính tốn dựa khác biệt giá trị S chiều dọc ngang dọc theo cạnh không cắt ngang - Lưu độ lớn gradient độ mạnh cạnh hướng phân đoạn nối điểm kết thúc điểm-cạnh hướng cạnh - Thêm điểm-cạnh vào danh sách điểm-cạnh lưu trữ dạng mảng hai chiều (theo địa tọa độ pixel) Viết đoạn chương trình đọc vào ảnh có chứa tịa nhà, sau sử dụng phương pháp Forstner để phát điểm góc hiển thị vị trí điểm góc ảnh đầu vào màu xanh dương Viết đoạn chương trình đọc vào ảnh, sử dụng phương pháp biến đổi LoG ảnh tỷ lệ nhiều mức để phát vị trí đốm (blob) hiển thị vị trí đốm cách vẽ vịng trịn quanh vị trí đốm màu đỏ 81 10 Viết đoạn chương trình đọc vào ảnh, sử dụng phương pháp biến đổi DoG ảnh tỷ lệ nhiều mức để phát vị trí đốm (blob) hiển thị vị trí đốm cách vẽ vịng trịn quanh vị trí đốm màu xanh dương 11 Viết đoạn chương trình đọc vào ảnh, sử dụng phương pháp biến đổi DoH ảnh tỷ lệ nhiều mức để phát vị trí đốm (blob) hiển thị vị trí đốm cách vẽ vịng trịn quanh vị trí đốm màu xanh da trời 12 Viết đoạn chương trình đọc vào ảnh, sử dụng phương pháp định thức Hessian (DoH) ảnh tỷ lệ nhiều mức để phát vị trí đốm (blob) hiển thị vị trí đốm cách vẽ vịng trịn quanh vị trí đốm màu tím 13 Viết đoạn chương trình đọc vào ảnh thực lọc cạnh phương pháp Canny 14 Viết chương trình đọc vào ảnh thực trích đường biên đối tượng 15 Viết đoạn chương trình đọc vào ảnh trích chọn đốm theo phương pháp học, sau đối chiếu, phân tích cho biết nhận xét kết theo quan sát mắt thường 82