thuật toán phân vùng ảnh slic bằng các superpixels

1 ĐẠI HỌC THÁI NGUN TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THƠNG Nguyễn Xn Kỳ THUẬT TỐN PHÂN VÙNG ẢNH SLIC BẰNG CÁC SUPERPIXELS LUẬN VĂN THẠC SĨ CƠNG NGHỆ THƠNG TIN Thái Ngun - 2013 Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/ ĐẠI HỌC THÁI NGUN TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THƠNG Nguyễn Xn Kỳ THUẬT TỐN PHÂN VÙNG ẢNH SLIC BẰNG CÁC SUPERPIXELS LUẬN VĂN THẠC SĨ CƠNG NGHỆ THƠNG TIN Chun ngành: Khoa học máy tính Mã số: 60480101 NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. ĐÀO NAM ANH Thái Ngun - 2013 Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/ LỜI CẢM ƠN Để hồn thành chương trình cao học và viết luận văn này, tơi đã nhận được sự hướng dẫn, giúp đỡ và góp ý nhiệt tình của q thầy cơ trường Đại học Cơng nghệ thơng tin và truyền thơng – Đại học Thái Ngun. Trước hết, tơi xin chân thành cảm ơn đến q thầy cơ trường Đại học Cơng nghệ thơng tin và truyền thơng – Đại học Thái Ngun, đặc biệt là những thầy cơ đã tận tình dạy bảo cho tơi suốt thời gian học tập tại trường. Tơi xin gửi lời biết ơn sâu sắc đến Tiến sĩ Đào Nam Anh đã dành rất nhiều thời gian và nhiệt tình hướng dẫn nghiên cứu giúp tơi hồn thành luận văn tốt nghiệp. Nhân đây, tơi xin chân thành cảm ơn Ban Giám hiệu trường Đại học Cơng nghệ thơng tin và truyền thơng – Đại học Thái Ngun cùng q thầy cơ đã tạo rất nhiều điều kiện để tơi học tập và hồn thành tốt khóa học. Mặc dù tơi đã có nhiều cố gắng hồn thiện luận văn bằng tất cả sự nhiệt tình và năng lực của mình, tuy nhiên khơng thể tránh khỏi những thiếu sót, rất mong nhận được những đóng góp q báu của q thầy cơ và các bạn. Thái Ngun, tháng 9 năm 2013 Học viên Nguyễn Xn Kỳ Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/ LỜI CAM ĐOAN Tơi xin cam đoan luận văn là kết quả nghiên cứu của tơi, khơng sao chép của ai. Nội dung luận văn có tham khảo và sử dụng các tài liệu liên quan, các thơng tin trong tài liệu được đăng tải trên các tạp chí và các trang website theo danh mục tài liệu của luận văn. Tác giả luận văn Nguyễn Xn Kỳ Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/ i MỤC LỤC Danh mục các thuật ngữ, các từ viết tắt iii Danh mục các hình vẽ, đồ thị iv Mở đầu 1 Chương 1. Tổng quan về phân vùng ảnh 3 1.1 Phương pháp phân vùng dựa vào ngưỡng 4 1.2 Phân vùng dựa vào phát triển vùng 7 1.2.1 Điểm ảnh lớn 7 1.3 Phương pháp phân vùng dựa vào cạnh 9 1.3.1 Thuật tốn phân vùng đập nước 11 1.4 Phân lớp dữ liệu 14 1.4.1 Phân lớp phân cấp 14 1.4.2 Thuật tốn phân chia thứ bậc 16 1.4.3 Phân cụm 17 1.5 Kết luận chương 1 23 Chương 2. Thuật tốn điểm ảnh lớn dựa trên lặp tuyến tính 25 2.1 Các phương pháp điểm ảnh lớn 26 2.1.1 Các thuật tốn điểm ảnh lớn dựa vào đồ thị 26 2.1.2 Các thuật tốn điểm ảnh lớn tăng dần độ dốc 27 2.2 Thuật tốn điểm ảnh lớn dựa trên lặp tuyến tính 28 2.2.1 Thuật tốn 30 2.2.2 Phép đo khoảng cách 32 2.2.3 Hậu xử lý 34 Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/ ii 2.3 Độ phức tạp giải thuật 35 2.4 Ứng dụng của thuật tốn phân vùng ảnh với điểm ảnh lớn SLIC 36 2.4.1 Xác định cơ chấn thương 36 2.4.2 Nén ảnh JPEG 39 2.5 Kết luận chương 2 40 Chương 3. Cài đặt thử nghiệm 41 3.1 Mơi trường cài đặt 41 3.2 Kết quả thực nghiệm 41 3.3 Kết luận chương 3 51 Kết luận 52 Tài liệu tham khảo 53 Error! Bookmark not defined. Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/ iii DANH MỤC CÁC THUẬT NGỮ, CÁC TỪ VIẾT TẮT CÁC THUẬT NGỮ Dendrogram Sơ đồ phân lớp Edge-Based Segmentation Method Phân vùng dựa vào cạnh Gradient Độ dốc Over-segmentation Phân vùng q Screen Resolution Độ phân giải màn hình Sensor Cảm ứng Similarity Giống nhau Superpixel Điểm ảnh lớn True Color Màu tự nhiên Under-segmentation Phân vùng chưa hết Normalized cuts algorithm Thuật tốn cắt trung bình Gradient-ascent-based algorithms Thuật tốn tăng dần độ dốc Simple linear iterative clustering Thuật tốn điểm ảnh lớn dựa trên lặp tuyến tính CÁC TỪ VIẾT TẮT XLA Xử lý ảnh SLIC Simple linear iterative clustering Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/ iv DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1: Phân vùng ảnh theo một ngưỡng 5 Hình 2: Phân vùng ảnh theo hai ngưỡng trong biểu đồ 6 Hình 3: Phân vùng ảnh theo vùng - phát triển vùng 7 Hình 4: Điểm ảnh lớn 8 Hình 5: Điểm ảnh lớn với kích thước nhỏ hơn 9 Hình 6: Phân vùng ảnh theo cạnh 10 Hình 7: Khái niệm về đập nước và dòng chảy 12 Hình 8: (a) ảnh đầu vào và (b) - kết quả áp dụng thuật tốn đập nước. 12 Hình 9: (a) Ảnh hiển thị đánh dấu nội bộ (vùng sáng) và các đanh dấu bên ngồi (dòng nước chảy).(b) Kết quả phân vùng của (a). 13 Hình 10: Mơ hình 8 nhóm thành ba cụm. 15 Hình 11: Dendrogram này tương ứng với tám mẫu trong hình 12 bằng cách sử dụng các thuật tốn liên kết đơn. 16 Hình 12: Thí dụ về thuật tốn k-means, để phân vùng ban đầu. 19 Hình 13: Kết quả phân vùng của ảnh Lena bằng cách sử dụng các thuật tốn thay đổi trung bình. 22 Hình 14: Phân vùng “q” - oversegmentation 244 Hình 15: Phân vùng ảnh kiến trúc với SLIC 245 Hình 16: Phân vùng ảnh thiên nhiên với SLIC 29 Hình 17: a. tìm kiếm k-mean trong tồn ảnh, b. SLIC tìm kiếm trong một vùng 30 Hình 18: Kết quả phân điểm ảnh lớn của SLIC cho các loại ảnh khác nhau với cùng số điểm ảnh lớn 31 Hình 19: SLIC với dãy ảnh liên tục trong video 364 Hình 20: Kết quả của SLIC với các ảnh kiến trúc 365 Hình 21: Ảnh siêu âm của (a) sợi cơ khỏe mạnh và (b) sợi cơ yếu. 366 Hình 22: Ảnh ban đầu của cơ khỏe mạnh và ảnh nâng cao cấp độ màu xám. 36 Hình 23: Kết quả phân vùng của hình 22. 37 Hình 24: Các vùng sợi cơ từ hình 22 38 Hình 25: Tìm các sợi lành mạnh hoặc bị hỏng từ hình 22. 38 Hình 26: (a) Một ví dụ về một người đàn ơng và (b) là kết quả phân chia hình thang của chiếc mũ của ơng ta. 39 Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/ v Hình 27: Kết quả tốt với i>=200 42 Hình 28: Kết quả tốt nhất với i=500, do ảnh có q nhiều chi tiết 43 Hình 29: Kết quả với i=200 có thể chấp nhận được, tuy nhiên với i=500 thì tốt hơn 444 Hình 30: Kết quả i=100 đã khá tốt 455 Hình 31: với ảnh kiến trúc, các mức độ chi tiết tương ứng với số điểm ảnh 46 Hình 32: Với ảnh kiến trúc, số điểm ảnh lớn cao phân vùng tốt hơn 47 Hình 33: Với ảnh kiến trúc có khung cảnh thiên nhiên, cần số điểm ảnh lớn 48 Hình 34: Với ảnh có kiến trúc nét, chỉ cần ít số điểm ảnh lớn 49 Hình 35: Để phân biệt các chi tiết kiến trúc cần chọn số điểm ảnh phù hợp 50 Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/ 1 MỞ ĐẦU Thơng tin ảnh đóng vai trò quan trọng trong hầu hết mọi lĩnh vực của cuộc sống. Ngày nay, thơng tin ảnh được xử lý bằng kỹ thuật số. Xử lý ảnh (XLA) là một trong những chun ngành quan trọng và lâu đời của Cơng nghệ thơng tin được áp dụng trong các ứng dụng khác nhau, từ truyền hình đến chụp cắt lớp, từ nhiếp ảnh đển in ấn, từ robot đến cảm biến từ xa [1,2]. Để xử lý được ảnh thì phải trải qua nhiều bước, nhưng bước quan trọng và khó khăn nhất đó là phân vùng ảnh. Nếu bước phân vùng ảnh khơng tốt thì dẫn đến việc nhận diện sai lầm về các đối tượng có trong ảnh[3,4]. Điểm ảnh lớn đang trở nên ngày càng phổ biến để sử dụng trong các ứng dụng thị giác máy tính. Superpixel là điểm ảnh lớn, hay một nhóm điểm ảnh ở cạnh nhau và có đặc tính tương đồng. Điểm ảnh lớn được dùng để đánh giá độ sâu của ảnh, phân vùng ảnh, phát hiện đối tượng trong ảnh, và thường được áp dụng cho ảnh màu. Tuy nhiên, khơng phải thuật tốn superpixel nào cũng tốt. Để hiểu những thuật tốn hiện có, cần thiết phân tích, đánh giá các ưu điểm và mặt yếu của các thuật tốn. Các yếu tố cần xem xét là khả năng phát hiện phân vùng ảnh, tốc độ tính tốn, hiệu quả sử dụng bộ nhớ. Trong các thuật tốn trên có thuật tốn đệ qui tuyến tính có tên là SLIC. Thuật tốn này có cách tiếp cận phân nhóm k-means để tạo ra các điểm ảnh lớn một các hiệu quả. Mặc dù thuật tốn đơn giản, nhưng SLIC có khả năng bám đường biên tốt. Đồng thời, thuật tốn có tốc độ nhanh và sử dụng bộ nhớ hiệu quả, cải thiện hiệu suất phân vùng ảnh. Mục đích chính của luận văn là nắm được các hướng tiếp cận chính trong phân vùng ảnh trong đó có phân vùng ảnh màu dựa trên Điểm ảnh lớn. Luận văn sẽ tập trung tìm hiểu và trình bày thuật tốn phân vùng ảnh đệ qui tuyến tính SLIC. Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/ [...]... chúng thành phân vùng nh d a vào vùng, nhóm d li u, và phân vùng nh d a vào biên (c nh) [13,14,15] Phân vùng nh r t h u ích trong nhi u ng d ng Phân vùng nh có th phát hi n nh ng vùng c n quan tâm trong m t c nh ho c chú gi i d li u Ta phân lo i thu t tốn phân vùng hi n nay thành phân vùng nh d a vào vùng, h p nhóm d li u, và phân vùng nh d a vào biên [6,7] Phân vùng nh d a vào vùng bao g m các thu t tốn... khơng mong mu n như: • Các vùng phân vùng có th là nh hơn ho c l n hơn so v i th c t • Các c nh c a vùng phân vùng có th khơng đư c k t n i • Phân vùng trên ho c dư i c a nh (phát sinh c a các c nh gi ho c thi u c nh) V sau, các phương pháp khác ch d a trên cơ s các khái ni m v c nh thay vì s d ng phương pháp phát hi n c nh, ví d , thu t tốn phân vùng đ p nư c 1.3.1 Thu t tốn phân vùng đ p nư c M c đích... thi u m t s thu t tốn phân vùng nh ph bi n, tìm hi u v nh ng đ c tính c a chúng, và ch ra các k t qu phân vùng 1.1 Phương pháp phân vùng d a vào ngư ng Phân vùng nh d a trên ngư ng nh m m c đích phân vùng m t nh đ u vào thành các đi m nh c a hai ho c nhi u hơn hai giá tr thơng qua vi c so sánh các giá tr pixel v i giá tr T ngư ng đư c xác đ nh m t cách đ c l p Khơng tìm th y các thu t tốn phù h p nh... dung các chương như sau: Chương 1: T ng quan v phân vùng nh, các thu t tốn t o superpixel Các mơ hình phân vùng nh cơ b n: theo đư ng biên, theo vùng Trong phân nh theo vùng, superpixel – đi m nh l n là m t hư ng phát tri n Chương 2: Thu t tốn phân vùng nh SLIC Trong chương này m t s thu t tốn t o superpixel – đi m nh l n s đư c t p trung phân tích Sau đó trình bày chi ti t thu t tốn xây d ng các đi... chương sau s phân tích các k thu t đi m nh l n hi n đ i Các thu t tốn đư c phân tích v s tn th đư ng biên, t c đ phân vùng, và hi u su t khi s d ng như là m t bư c ti n x lý trong ph m vi phân vùng nh 1.3 Phương pháp phân vùng d a vào c nh Trong k thu t này, các c nh đư c phát hi n trong nh đư c cho là đ i di n cho đư ng biên đ i tư ng, và đư c s d ng đ xác đ nh các đ i tư ng này Thu t tốn Phân vùng theo... v phân vùng nh đã đư c đưa ra nh m phân vùng nh trư c khi nh n di n ho c nén Phân vùng nh là phân lo i ho c nhóm nh thành nhi u ph n (vùng) tuỳ theo đ c tính c a nh, ví d , giá tr đi m nh hay mi n t n s Cho t i nay, có r t nhi u thu t tốn v phân vùng nh v n t n t i và đư c ng d ng r ng rãi trong khoa h c và trong cu c s ng thư ng ngày Tuỳ theo phương pháp phân vùng nh, có th phân lo i chúng thành phân. .. mơ hình nh phân đư c hi n th trong hình 8, có v n đ nh y c m v i các phân vùng ban đ u N u ta b t đ u v i các m u A, B, và C là ba tr ng tâm ban đ u, thì phân vùng cu i cùng s đư c {{A}, {B, C}, {D, E, F, G}} đư c hi n th b ng hình elip Giá tr các l i bình phương cho phân vùng này là l n hơn nhi u hơn so v i các phân vùng t t nh t {{A, B, C}, {D, E}, {F, G}} đư c hi n th theo hình ch nh t Các gi i pháp... nh (a) Hình 3: Phân vùng nh theo vùng - phát tri n vùng 1.2.1 Đi m nh l n Các thu t tốn đi m nh l n nhóm các đi m nh thành các vùng nh có ý nghĩa Cách ti p c n này có th thay th các c u trúc lư i đi m nh (Hình 4), lo i b t thơng tin th a, t o nên cơ s thu n ti n tính tốn các đ c đi m c a nh, và gi m đ ph c t p c a các th t c x lý nh sau đó Đi m nh l n đã tr thành cơ s quan tr ng cho các thu t tốn quan... c ti u ti m năng (các chi ti t khơng liên quan) ngun nhân phân vùng q nêu trên Các đ nh nghĩa là c a đánh d u n i b : • M t vùng đư c bao quanh b i các đi m c a"đ cao" • Các đi m trong vùng t o thành các thành ph n k t n i • T t c các đi m trong thành ph n k t n i có giá tr cư ng đ như nhau Sau khi nh đư c làm m n, đánh d u n i b có th đư c xác đ nh b i các đ nh nghĩa như m c xám, các blob như trong... hình dư i (a) Do đó, các thu t tốn đ p nư c đư c áp d ng cho nh đã m n, v i ràng bu c đó các đánh d u n i b ch đư c phép c c ti u vùng Hình18 (a) cho th y các dòng nư c ch y, là các đánh d u bên ngồi Các đi m c a dòng nư c ch y d c theo các đi m cao nh t gi a các đánh d u lân c n Hình 9: (a) nh hi n th ánh d u n i b (vùng sáng) và các anh d u bên ngồi (dòng nư c ch y).(b) K t qu phân vùng c a (a) 13 Số . giống nằm chính giữa ảnh (a) Hình 3: Phân vùng ảnh theo vùng - phát triển vùng 1.2.1 Điểm ảnh lớn Các thuật tốn điểm ảnh lớn nhóm các điểm ảnh thành các vùng ảnh có ý nghĩa. Cách tiếp cận này. pháp phân vùng ảnh, có thể phân loại chúng thành phân vùng ảnh dựa vào vùng, nhóm dữ liệu, và phân vùng ảnh dựa vào biên (cạnh) [13,14,15]. Phân vùng ảnh rất hữu ích trong nhiều ứng dụng. Phân. hình 12 bằng cách sử dụng các thuật tốn liên kết đơn. 16 Hình 12: Thí dụ về thuật tốn k-means, để phân vùng ban đầu. 19 Hình 13: Kết quả phân vùng của ảnh Lena bằng cách sử dụng các thuật