Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống
1
/ 56 trang
THÔNG TIN TÀI LIỆU
Thông tin cơ bản
Định dạng
Số trang
56
Dung lượng
3,2 MB
Nội dung
MỤC LỤC LỜI CẢM ƠN LỜI CAM ĐOAN DANH MỤC THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT DANH MỤC HÌNH ẢNH DANH MỤC BẢNG BIỂU MỞ ĐẦU CHƢƠNG 1: TỔNG QUAN VỀ TRÍCH CHỌN ĐẶC TRƢNG ẢNH SỐ 11 Các nội dung 11 1.1 1.1.1 Khái niệm đặc trưng ảnh số 11 1.1.2 Tại phải trích chọn đặc trưng ảnh số ? 11 Trích chọn đặc trƣng dựa điểm bật 11 1.2 Đ CHƢƠNG 2: CÁC PHƢƠNG PHÁP TRÍCH CHỌN ĐẶC TRƢNG ĐIỂM NỔI BẬT 13 Thuật tốn tìm kiếm góc Harris 13 2.1 Giới thiệu ý tưởng 13 2.1.2 Thuật toán 14 án 2.1.1 Trích chọn đặc trƣng cục bất biến SIFT 17 tố 2.2 Giới thiệu định nghĩa 17 2.2.2 Thuật toán 18 tn 2.2.1 Trích chọn đặc trƣng SURF 26 gh 2.3 Giới thiệu định nghĩa 26 2.3.2 Thuật toán 26 ỨNG DỤNG VÀO LĨNH VỰC TẠO ẢNH PANORAMA 33 p CHƢƠNG 3: iệ 2.3.1 3.1 Giới thiệu 33 3.2 Quy trình thực 34 3.3 So sánh đối chiếu điểm tƣơng đồng bật 35 3.4.1 Cơ sở ban đầu 35 3.4.2 Thực C++ OpenCV2 36 Tính ma trận Homography thuật tốn RANSAC 39 3.4 3.4.1 Vài nét Homography 39 3.4.2 Tính tốn Homography 40 3.4.3 Thực C++ OpenCV2 44 3.5 Ghép nối ảnh 44 THỰC NGHIỆM TRÊN NỀN TẢNG C++ VÀ OPENCV2 46 4.1 Một vài thông tin ban đầu 46 Trang 4.2 Giao diện chƣơng trình 46 4.3 Một số kết có đƣợc 48 4.3.1 Tìm kiếm góc Harris, trích chọn đặc trưng SIFT SURF 48 4.3.2 So sánh đối chiếu điểm đặc trưng tương đồng SIFT SURF 49 4.3.3 Tạo ảnh Panorama 51 KẾT LUẬN 54 TÀI LIỆU THAM KHẢO 55 Đ án p iệ gh tn tố Trang LỜI CẢM ƠN Trước hết, tơi xin chân thành cảm ơn q thầy cô Trường Đại Học Dân Lập Duy Tân, Khoa Điện-Điện Tử tận tình dạy bảo, truyền đạt kiến thức cho tơi suốt q trình học tập Đặc biệt Ths Nguyễn Lê Mai Duyên, người trực sát dẫn cho trình tìm hiểu thực đề tài Xin gửi lời cảm ơn đến Ban giám hiệu nhà trường, Khoa Điện – Điện tử tạo điều kiện cho học tập trau dồi kiến thức suốt thời gian qua Cũng xin cảm ơn bạn lớp có ý kiến đóng góp, giúp đỡ tơi suốt thời gian học tập vừa qua Một lần nữa, xin gửi lời cảm ơn đến tất cả! Đà Nẵng, ngày 30 tháng 11 năm 2014 Đ Sinh viên án tn tố Lê Đắc Thịnh p iệ gh Trang LỜI CAM ĐOAN Tôi xin cam đoan kết đạt đề tài sản phẩm riêng cá nhân tơi, khơng chép lại người khác Trong tồn nội dung đề tài, điều trình bày cá nhân tổng hợp từ nhiều nguồn tài liệu Tất tài liệu tham khảo có xuất xứ rõ ràng trích dẫn hợp pháp Tơi xin hồn tồn chịu trách nhiệm lời cam đoan Đà Nẵng, ngày 30 tháng 11 năm 2014 Sinh viên Đ án tố p iệ gh tn Lê Đắc Thịnh Trang DANH MỤC THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT Thuật ngữ, kí hiệu SIFT SURF DoG RANSAC SVD DLT Nghĩa Scale-Invariant Feature Transform Speed Up Robust Feature Difference of Gaussian Random Sample Consensus Singular Value Decomposition Direct Linear Transform Đ án p iệ gh tn tố Trang DANH MỤC HÌNH ẢNH Hình 2.1: Các điểm bật ảnh Hình 2.2: Cửa sổ trượt phát góc Harris Hình 2.3: Minh họa trường hợp Hình 2.4: Kết tìm kiếm góc Harris C++ OpenCV2 Hình 2.5: Đỉnh tịa nhà VTV Đà Nẵng góc Harris Hình 2.6: Mơ tả khơng hồn thiện thuật tốn Harris Hình 2.7: Q trình tính khơng gian đo (L) hàm sai khác D Hình 2.8: Quá trình tìm điểm cực trị hàm sai khác DoG Hình 2.9: Minh họa bước trình lựa chọn điểm bật Đ Hình 2.10: Mơ tả tạo mơ tả cục án Hình 2.11: Kết tìm kiếm đặc trưng SIFT C++ OpenCV2 Hình 2.12: Đỉnh tịa nhà VTV Đà Nẵng điểm đặc trưng SIFT(1) tố Hình 2.13: Đỉnh tịa nhà VTV Đà Nẵng điểm đặc trưng SIFT(2) tn Hình 2.14: Xấp xỉ đạo hàm cấp hàm Gaussian hộp lọc Hình 2.15: Các điểm quan tâm phát gh Hình 2.16: Lọc Haar wavelet để tính ảnh hưởng hai hướng x y iệ Hình 2.17: Vùng hình tròn xung quanh hướng đại diện cho điểm đặc trưng p Hình 2.18: 4x4 hình vng xung quanh điểm đặc trưng Hình 2.19: Ví dụ đốm sáng tối đốm tối sáng Hình 2.20: Kết tìm kiếm đặc trưng SURF C++ OpenCV2 Hình 2.21: Đỉnh tịa nhà VTV Đà Nẵng điểm đặc trưng SURF(1) Hình 2.22: Đỉnh tòa nhà VTV Đà Nẵng điểm đặc trưng SURF (2) Hình 3.1: Một ảnh Panorama Hình 3.2: Minh họa bước thực thuật toán ghép nối ảnh\ Hình 3.3: Hai hình ảnh sử dụng so sánh đối chiếu Hình 3.4: Kết sau lấy đặc trưng SIFT Hình 3.5: Kết sau so sánh đối chiếu điểm đặc trưng SIFT Trang Hình 3.6: Kết sau lấy đặc trưng SURF Hình 3.7: Kết sau so sánh đối chiếu điểm đặc trưng SIFT Hình 3.8: Kết sau so sánh đối chiếu điểm đặc trưng SIFT hình Hình 2.11 Hình 2.12 mục 2.2.3 Hình 3.9: Kết sau so sánh đối chiếu điểm đặc trưng SIFT hình Hình 2.11 Hình 2.12 mục 2.2.3 Hình 3.10: Phép chiếu Homography Hình 3.11: Phép tính Homography từ điểm đặc trưng SIFT Hình 3.12: Phép tính Homography từ điểm đặc trưng SURF Hình 3.13: Minh họa ghép nối ảnh Hình 3.14: Kết cuối phép tạo ảnh Panorama Đ Hình 4.1: Giao diện chương trình thực nghiệm án Hình 4.2: Hình ảnh cầu Rồng, Tp Đà Nẵng Hình 4.3: Hình ảnh cầu Rồng sử dụng thực nghiệm tố Hình 4.4: Kết so sánh đối chiếu từ điểm đặc trưng SIFT tn Hình 4.5: Kết so sánh đối chiếu từ điểm đặc trưng SURF Hình 4.6: Kết tính tốn ma trận Homography gh Hình 4.7: Kết phép tạo ảnh Panorama Hình 4.9: Một kết hồn hảo p iệ Hình 4.8: Hình ảnh Panorama sử dụng hàm chức OpenCV2 Trang DANH MỤC BẢNG BIỂU Bảng 4.1: So sánh kết trích chọn điểm bật Bảng 4.2: So sánh kết so sánh đối chiếu điểm đặc trưng tương đồng Đ án p iệ gh tn tố Trang MỞ ĐẦU Ngày nay, với phát triển vượt bậc xã hội lĩnh vực khoa học kĩ thuật, nhu cầu xử lý hình ảnh máy tính hay rộng nhu cầu có liên quan đến thị giác máy (Computer Vision) lại trở nên cấp thiết hết Nhưng dù nhận hỗ trợ mạnh mẽ từ đổi nhanh chóng tảng công nghệ mới, việc xử lý lượng thơng tin chứa đựng hình ảnh nói chung thực tốn khơng dễ dàng, bối cảnh yêu cầu đặt cần thực cách nhanh chóng xác Một số vấn đề trọng lĩnh vực là: Làm để nhận biết ảnh số vật thể có ảnh? Đ Thực tế, khác với đơi mắt người, máy tính khơng làm việc với hình ảnh cách tổng quát trực quan, mà trái lại, chúng tiếp cận hình ảnh thơng tin chứa hình ảnh cách hạn chế dạng ma trận điểm ảnh án Vì vậy, để thực nhiệm vụ “Nhận biết ảnh số vật thể có ảnh”, máy tính thiết bị kĩ thuật số phải tìm điểm đặc trưng ảnh để từ đưa biện pháp so sánh, đối chiếu hay biến đổi nhằm thực yêu cầu đặc tố iệ gh tn Trong phạm vi đề tài này, tơi xin trình bày nội dung liên quan đến khái niệm “Trích chọn đặc trưng ảnh số” sâu khái niệm “Trích chọn đặc trưng ảnh số dựa điểm bật” nhằm đưa câu trả lời cho vấn đề đề xuất ứng dụng mang tính thực tiễn phát triển tương lai p Trên sở đó, đề tài vào triển khai ứng dụng “Tạo ảnh Panorama” vấn đề xung quanh để làm rõ thêm vấn đề trình bày thơng qua ngơn ngữ C++, thư viện mã nguồn mỡ OpenCV2 công cụ lập trình Visual Studio 2012 Cấu trúc đề tài gồm phần sau: Chương trình bày khái niệm “Trích chọn đặc trưng ảnh số” giới thiệu phương pháp “Trích chọn đặc trưng ảnh số dựa điểm bật” Chương giới thiệu thuật tốn “Tìm kiếm góc Harris”, phép “Trích chọn đặc trưng cục bất biến SIFT”, phép “Trích chọn đặc trưng SURF” Chương giới thiệu lĩnh vực “Tạo ảnh Panorama”, phương pháp tạo ảnh dựa phương pháp tìm điểm bật trình bày Chương 2, vấn đề xung quanh ma trận Homography cách tính Trang Chương bao gồm hình ảnh chương trình ứng dụng nhằm đưa kết mặt hình ảnh số vấn đề trình bày chương Kết luận nêu kết đạt đề tài, mặt hạn chế hướng phát triển tương lai Đ án p iệ gh tn tố Trang 10 biến đổi tương tự, affin Do vậy, Hartley Zisserman [8] đưa bước chuẩn hóa để đảm bảo kết thuật tốn cho kết xác Các ảnh cần phải chuẩn hóa phép biến đổi quay dịch chuyển 3.4.2.3 Thuật toán RANSAC RANSAC [24], đại diện cho cụm từ “Random Sample Consensus”, tức “đồng thuận mẫu ngẫu nhiên”, thuật tốn khử nhiễu cơng bố Fischler Bolles vào năm 1981 Ý tưởng RANSAC sau: Từ tập liệu ban đầu, ta có hai loại liệu nhiễu khơng nhiễu (outlier inlier), ta phải tính tốn để tìm mơ hình tốt cho tập liệu Việc tính tốn chọn mơ hình tốt lặp lặp lại lần, với giá trị chọn cho đủ lớn để đảm báo xác suất (thường rơi vào giá trị ) tập liệu mẫu ngẫu nhiên không chứa liệu nhiễu ước lượng liệu khơng nhiễu ước lượng số lượng liệu đầu vào cần xây dựng mơ hình Khi ta có: Đ Nếu gọi liệu nhiễu ( ) (3.4.12) án tính theo cơng thức: tố ( ( ) ( ) ) (3.4.13) tn gh Kết thu mơ hình cần xây dựng phù hợp với liệu đầu vào, tập liệu nhiễu tập liệu khơng nhiễu Q trình thực thuật tốn RANSAC mơ tả đây: iệ liệu ngẫu nhiên, p Từ tập liệu đầu vào gồm có nhiễu khơng nhiễu ta chọn tối thiểu để xây dựng mơ hình: - Tiến hành xây dựng mơ hình với kiểm chứng mơ hình liệu đó, sau đặt ngưỡng dùng để - Gọi tập liệu ban đâu trừ tập liệu để xây dựng mơ hình tập liệu kiểm chứng Sau đó, tiến hành kiểm chứng mơ hình xây dựng tập liệu kiểm chứng Nếu kết thu từ mơ hình vượt q ngưỡng, điểm nhiễu, cịn khơng ngược lại - Quá trình lặp lặp lại lần Với Tại vòng lặp giá trị tính lại tính theo cơng thức - Kết mơ hình có số liệu khơng nhiễu nhiều chọn mơ hình tốt Trang 42 3.4.2.4 Tính ma trận Homography RANSAC Trong toán tạo ảnh Panorama, ma trận Homography tính từ tập cặp điểm bật tương ứng hai ảnh ban đầu so sánh đối chiếu bước hai Khi có bốn cặp điểm bật tương ứng khơng thẳn hàng, phương trình theo phương pháp DLT chuẩn hóa trình bày phần Trong đó, ma trận có kích thước Từ đó, ta xác đinh ma trận Với ma trận Homography tính từ bốn căp điểm ngẫu nhiên, ta có khoảng cách đo mức độ gần cặp điểm so sánh đối chiếu Với cặp điểm bật tương đồng ( ) (⃗ ⃗ ) khoảng cách hai vector, ta có cơng thức khoảng cách sau: ⃗⃗⃗ ) (⃗ (⃗⃗⃗ ⃗) (3.4.14) Thuật toán chi tiết[18]: - Khởi tạo số vòng lặp , ngưỡng Đ ), thực bước sau: ( - , , án Chọn cặp điểm bật tương đồng ngẫu nhiên tố Kiểm tra xem điểm có nằm đường thẳng khơng, có, quay lai bước từ điểm sử dụng phương pháp DLT chuẩn Tính khoảng cách (⃗ Nếu Tính (⃗⃗⃗ ⃗) cặp điểm khơng nhiễu (inlier) thỏa điều kiện: p Tính số lượng ⃗⃗⃗ ) cặp điểm bật tương đồng iệ gh tn Tính ma trận Homography hóa , ma trận Homography theo cơng thức với ( ( ) ( ) ) (3.4.15) - Tiếp tục tính lại ma trận cho tất cặp điểm tương đồng coi không nhiễu (inlier) phương pháp DLT Trang 43 3.3.3 Thực C++ OpenCV2 Từ kết so sánh đối chiếu điểm đặc trưng SIFT mục (3.4.2), ta thực phép tính Homogaphy C++ OpenCV2 kết sau: Đ Hình 3.11: Phép tính Homography từ điểm đặc trƣng SIFT Đối với điểm đặc trưng SURF, ta có kết Homography sau: án p iệ gh tn tố Hình 3.12: Phép tính Homography từ điểm đặc trƣng SURF 3.5 Ghép nối ảnh Sau ma trận Homography tính tốn, bước cuối việc tạo ảnh Panorama hòa trộn hai ảnh lại với Ý tưởng bước sử dụng ảnh làm trung tâm, sau sử dụng ma trận Homography để chiếu ảnh lại tới mặt phẳng ảnh trung tâm Trang 44 Hình 3.13: Minh họa ghép nối ảnh Đ Trong hình trên, bên trái ảnh trung tâm sử dụng mặt phẳng chiếu Bên phải ảnh chiếu lên mặt phẳng ảnh thứ sử dụng ma trận Homography Phần màu xám phần riêng ảnh, phần màu đen phần chung hai ảnh án p iệ gh tn tố Từ kết mục (3.4.3), phép ghép nối ảnh C++ OpenCV2 cho kết sau: Hình 3.14: Kết cuối phép tạo ảnh Panorama Trang 45 CHƢƠNG 4: THỰC NGHIỆM TRÊN NỀN TẢNG C++ VÀ OPENCV2 4.1 Một vài thơng tin ban đầu Chương trình sau viết công cụ Visual Studio 2012 dựa ngôn ngữ C++ thư viện Open CV2 phiên 2.4.9 với mục đích triển khai kĩ thuật, thuật tốn trình bày chương 2, 3, Trong đó, OpenCV (Open Source Computer Vision) thư viện mã nguồn mở thị giác máy với 500 hàm 2500 thuật toán tối ưu xử lý ảnh, vấn đề liên quan tới thị giác máy OpenCV chạy nhiền tảng khác nhau, bao gồm hệ điều hành Window, Linux, Mac, iOS, Android… Đ Dự án OpenCV khởi động từ năm 1999, đến năm 2000 giới thiệu hội nghị IEEE vấn đề thị giác máy nhận dạng, nhiên OpenCV 1.0 tới tận năm 2006 thức cơng bố năm 2008 1.1 (pre–release) đời án Tháng 10 năm 2009, OpenCV hệ thứ hai đời (thường gọi phiên 2.x), phiên có giao diện C++ (khác với phiên trước có giao diện C) có nhiều điểm khác biệt so với phiên thứ Hiện, hệ thứ ba OpenCV phát triển p iệ gh tn tố 4.2 Giao diện chƣơng trình Hình 4.1: Giao diện chƣơng trình thực nghiệm Trang 46 Giao diện chương trình chia thành phần chính: Bên trái danh sách phím chức năng, bên phải cửa sổ hình ảnh Trong đó: Phần phím chức từ xuống bao gồm: - Open Image 1: Cho phép tải hình ảnh thứ lên chương trình - Open Image 2: Cho phép tải hình ảnh thứ lên chương trình - Crop Image: Cho phép cắt hình ảnh - Harris Corners: Thực thuật tốn Harris hình ảnh - SURF Features: Thực thuật toán SURF hình ảnh - SIFT Features: Thực thuật tốn SIFT hình ảnh - SURF Matcher and Homography: Đối sánh tính Homgrapy ảnh dựa đặc trưng SURF Đ - SIFT Matcher and Homography: Đối sánh tính Homgrapy ảnh dựa đặc trưng SIFT án - Warp Image: Ghép nối ảnh để tạo ảnh Panorama dựa đặc trưng SURF tố - Clear Image: Xóa ảnh khỏi chương trình tn - Exit: Thốt chương trình gh Phần cửa sổ hình ảnh từ xuống bao gồm: - Khung đen 1: Thể hình ảnh thứ tải lên iệ - Khung đen 2: Thể hình ảnh thứ tải lên p Trang 47 4.3 Một số kết có đƣợc 4.3.1 Tìm kiếm góc Harris, trích chọn đặc trưng SIFT SURF Trong phần này, đề tài trình bày kết có từ việc trích chọn điểm bật thơng qua thuật tốn tìm kiếm góc Harris, thuật tốn trích chọn đặc trưng SIFT SURF ảnh cho trước Đ án Hình 4.2: Hình ảnh cầu Rồng, Tp Đà Nẵng p iệ gh tn tố Hình 4.2: Kết trích chọn điểm bật Trong hình trên, từ trái qua kết thuật tốn tìm kiếm góc Harris, trích chọn đặc trưng SIFT trích chọn đặc trưng SURF Để so sánh số lượng điểm nhận thời gian xử lý, ta có bảng sau: Harris Corner Detector SIFT SURF Số điểm 534 500 330 Thời gian (s) 0.08 0.42 0.14 Bảng 4.1: So sánh kết trích chọn điểm bật Trang 48 Dễ dàng nhận thấy, thuật tốn tìm kiếm góc Harris phương pháp có tốc độ xử lý nhanh Về phần SURF SIFT, SURF cho số điểm bật so với SIFT lại có tốc độ xử lý nhanh nhiều 4.3.2 So sánh đối chiếu điểm đặc trưng tương đồng SIFT SURF Tiếp theo, luận văn tiến hành so sánh đối chiếu hai hình ảnh cho trước điểm bật SIFT SURF Ta có hai hình ảnh sử dụng bước sau: Đ án p iệ gh tn tố Hình 4.3: Hình ảnh cầu Rồng đƣợc sử dụng thực nghiệm Trang 49 Hình 4.4: Kết so sánh đối chiếu từ điểm đặc trƣng SIFT Đ án Hình 4.5: Kết so sánh đối chiếu từ điểm đặc trƣng SURF tn tố Cần lưu ý rằng, để tiện việc quan sát xác phép so sánh đối chiếu, thuật toán chọn 25 điểm đặc trưng tương đồng ảnh để vẽ đường nối Thực tế, thực bước tạo ảnh Panorama đây, số lượng điểm đặc trưng tương đồng sử dụng lớn phụ thuộc vào thuật toán RANSAC gh Từ kết so sánh đối chiếu, ta có bảng sau: Số điểm nối 500 472 p Số điểm (Hình 2) 500 500 472 454 iệ SIFT SURF Thời gian (s) 0.78 0.35 Bảng 4.2: So sánh kết so sánh đối chiếu điểm đặc trƣng tƣơng đồng Trang 50 4.3.3 Tạo ảnh Panorama Sau thực so sánh đối chiếu điểm đặc trưng tương đồng, bước ta thực tính tốn ma trận Homography Kết có sau: Đ án p iệ gh tn tố Hình 4.6: Kết tính tốn ma trận Homography Trong hình trên, vịng trịn trắng biểu thị cho điểm đặc trưng tương đồng nằm ma trận Homography ảnh Trang 51 Từ kết này, ta dễ dàng có kết ảnh Panorama sau phép ghép nối ảnh: Hình 4.7: Kết phép tạo ảnh Panorama Đ Dễ thấy rằng, dù kết ghép nối ảnh hoàn chỉnh, khác biệt nước màu hai ảnh làm cho kết cuối không ý muốn Muốn có kết tốt hơn, chụp ảnh, ta cần phải có đồng phương ngang camera chế độ ánh sáng.Ví dụ kết sau: án Lý lớn điều giải thuật đề tài áp dụng bản, chưa kèm giải thuật hiệu chỉnh tinh vi khác màu sắc, nén ảnh hay chồng ghép p iệ gh tn tố Hình 4.8: Hình ảnh Panorama sử dụng hàm chức OpenCV2 Hiện nay, thư viện OpenCV2 tích hợp hàm chức cho phép cải tiến mạnh mẽ phép tạo ảnh Panorama, cho phép người lập trình dễ dàng tạo ảnh Panorama đẹp mắt Kết thực hàm chức OpenCV2 hỉnh Trang 52 Áp dụng lại thuật toán với số lượng ảnh đầu vào nhiều vài cơng cụ cắt sửa hình ảnh, ta kết sau: Hình 4.9: Một kết hồn hảo Đ án p iệ gh tn tố Trang 53 KẾT LUẬN Kết đạt đƣợc Đề tài xem xét tầm quan trọng cơng việc “Trích chọn đặc trưng ảnh số” thuộc lĩnh vực xử lý ảnh thị giác máy Trong đề tài có nêu hướng phương pháp “Trích chọn đặc trưng ảnh số dựa điểm bật” thuật toán Harris, SIFT SURF, triển khai phương pháp thực nghiệm tảng C++ OpenCV2 Mặt khác, đề tài ứng dụng nội dung “Trích chọn đặc trưng ảnh số dựa điểm bật” vào quy trình tạo ảnh Panorama từ hai ảnh đầu vào, nêu bước quy trình triển khai thực nghiệm Trong đó, bước nêu lên sở phương pháp luận, kĩ thuật liên quan sâu vào kĩ thuật tiêu biểu đối sánh điểm đặc trưng tương đồng giải thuật Brute-Force tính ma trận Homography giải thuật RANSAC Đ Hạn chế đề tài Có nhiều kĩ thuật, phương pháp giải vấn đề bước tốn trích chọn ảnh đặc trưng từ video chưa xét đến, kĩ thuật đề tài chưa phải tối ưu Như việc tìm kiếm đặc trưng ngồi phương pháp tìm kiếm góc Harris cịn có phương pháp khác SIFT hay SURF, toán đối sánh án tố iệ gh tn Ngồi thuật tốn Harris, SIFT SURF, cịn tồn nhiều phương pháp trích chọn đặc trưng ảnh số từ điểm bật chưa xét đến Mặt khác, giải thuật Harris, SIFT, SURF hay cách thực toán so sánh đối chiếu điểm đặc trưng tương đồng, tính ma trận Homogpaphy chưa phải phương pháp tối ưu độ xác lẫn tốc độ p Mặt khác, đặc trưng ảnh số chia thành nhiều loại với thuật toán khác loại Trong đề tài nghiên cứu sử dụng giải pháp “Trích chọn đặc trưng dựa điểm bật” để phân tích Cuối cùng, ứng dụng tạo ảnh Panorama phát triển cho kết hạn chế không ảnh đầu vào khơng có đồng cao màu sắc, góc quay theo phương ngang camera Định hƣớng phát triển Tối ưu kĩ thuật bước đề tài nhằm cải tiến thời gian tính tốn đưa kết xác ứng dụng vào tốn tìm kiếm, so sánh, theo dõi… Tìm hiểu, nghiên cứu sử dụng phương pháp, kĩ thuật tốt nhằm tối ưu, hoàn thiện toán tạo ảnh Panorama Triển khai ứng dụng tạo ảnh Panorama lên thiết bị chụp hình kĩ thuật số chạy hệ điều hành Android, iOS hay Windows Phone Trang 54 TÀI LIỆU THAM KHẢO Tiếng Anh L Kitchen and A Rosenfeld (1982), “Gray - Level corner detection Patten Recognition Letters”, pp 95-102 [2] H P Moravec (1979), “Visual mapping by a robot rover”, Proc of the 6th International Joint Conference on Artificial Intelligent, pp 589-600, [3] H P Moravec (1977), “Towards automatic visual obstacle avoidance”, Proc of the International Joint Conference on Artificial Intelligent, pp 584 [4] C Harris and M Stephens (1988), “A combined corner and edge detector”, Fourth Alvey Vision Conference, pp 147-151 [5] C Schmid, R Mohr, and C Bauckhage (2000) “Evaluation of interest point detectors”, International Journal of Computer Vision, pp.151–172 [6] Thomas Melzer (2004), “SVD and its Application to Generalized Egienvalue problems”, pp 1-15 [7] William H Press, Saul A Teukolsky, William T Vertterling, Brian P Flannery Numerical (1988-1992), “The Art of Sientific computing Second Edition”, Cambridge University Pres, chapter 15 [8] R Hartley and A Zisserman (2003), “Multiple View Geomerty in Computer Vision”, Cambridge University Press, second edition Elan Dubrofsky (2007), “Homography Estimation”, Carleton University Đ [1] án tn tố [9] M.A Fischler and R.C Bolles (1981), “Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography”, Communications of the ACM, pp.381–395 [11] Zhengyou Zhang, Rachid Deriche, Olivier Faugeras and Quang Tuan Luong (2004), “A Robust technique for matching two uncalibrated Images through the Recovery of the Unknown Epipolar Geometry” [12] David G Lowe (2004), “Distinctive Image Features from Scale-Invariant Keypoints”, International Journal of Computer Vision [13] P Viola, M Jones (2001), “Rapid object detection using a boosted cascade of simple features”, Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition [14] P Y Simard, L Bottou, P Haffner, Y Lecun (1998), "A fast convolution algorithm for signal processing and neural networks", In Proceedings of the 1998 conference on Advances in neural information processing systems II [15] H Bay, A Ess, T Tuytelaars, L.V Gool (2008), “SURF - Speeded Up Robust Features”, Computer Vision and Image Understanding (CVIU), Vol 110, No 3, pp 346–359 p iệ gh [10] Trang 55 [16] Robert Laganière (2011), “OpenCV Computer Vision Application Programming Cookbook”, chapter 8-9 Tony Lindeber (1994), “Scale-space theory: a basic tool for analyzing structures at different scales” [18] Rong Zhang, “Automatic Computation of a Homography by RANSAC Algorithm” [19] http://en.wikipedia.org/wiki/Blob_detection#Lindeberg.27s_watershedbased_grey-level_blob_detection_algorithm [20] http://en.wikipedia.org/wiki/Panorama [21] http://en.wikipedia.org/wiki/Panorama _Mesdag [22] http://en.wikipedia.org/wiki/Corner_detection [23] http://en.wikipedia.org/wiki/Homography [24] http://en.wikipedia.org/wiki/RANSAC [25] http://en.wikipedia.org/wiki/Feature_detection_(computer_vision) [26] http://docs.opencv.org/ [27] http://en.wikipedia.org/wiki/Interest_point_detection [28] http://en.wikipedia.org/wiki/Brute_force Đ [17] án p iệ gh tn tố Trang 56