Bài giảng Xử lý ảnh số: Chương 6 (phần 1) – ThS. Võ Quang Hoàng Khang

Chương 6 trang bị cho người học những kiến thức chủ yếu về phân đoạn ảnh. Nội dung chính của chương này giới thiệu bài toán phân đoạn và trình bày các phương pháp phân đoạn như: gray-level thresholding, edge-based, region-based, Probabilistic: xác suất. Mời các bạn cùng tham khảo.

Chương 6: PHÂN ĐOẠN ẢNH (P1) Võ Quang Hoàng Khang TPHCM - 2016 Giới thiệu toán phân đoạn Các phương pháp phân đoạn  gray-level thresholding  edge-based  region-based  Probabilistic: xác suất  Mục đích phân đoạn ảnh  Áp dụng kỹ thuật phân đoạn ảnh dựa ngưỡng*  Giải thích kỹ thuật phân đoạn ảnh dựa cạnh  Giải thích kỹ thuật phân đoạn ảnh dựa vùng  Áp dụng phương pháp region growing*  Áp dụng phương pháp Watershed*  Giải thích kỹ thuật phân đoạn ảnh dựa matching  Phân đoạn nhằm chia ảnh thành vùng đối tượng xử lý  Nếu phân đoạn tốt, contours đối tượng xuất trích để sử dụng  Có thể xác định hình dáng đối tượng  Dựa màu sắc, texture, xác định rõ đối tượng  Phân đoạn ảnh sử dụng nhiều tìm kiếm tương tự (similarity searches)  Phân đoạn ảnh tốn khó xử lý ảnh  Vẫn chủ đề quan trọng hội thảo/hội nghị liên quan đến thị giác máy tính, xử lý ảnh  Phân đoạn cho phép trích xuất đối tượng ảnh  Các thuật toán phân đoạn dựa tính chất bản: màu sắc, giá trị xám, hay texture: discontinuity similarity  Phân chia ảnh dựa thay đổi độ sáng đột ngột, nhằm phát biên ảnh Tuy nhiên, không xác định biên để tạo vùng  Phân chia ảnh thành vùng tương tự theo tiêu chuẩn xác định (mức xám, texture, color,…)  Dựa tương tự pixel kề nhằm xây dựng đối tượng  Kiểu phân đoạn phụ thuộc vào ứng dụng  Có nhiều thuật giải phân đoạn   Phân đoạn dựa đường viền vùng (edge detection)  Phân đoạn dựa clustering (hoặc grouping)  Phân đoạn dựa phân hoạch (partition) đồ thị Ứng dụng: finding people, summarizing video, annotation figures, background subtraction, finding buildings/rivers in ảnh vệ tinh 1 for f i, j   T gi, j   0 for f i, j  T 1 for f i, j   T gi, j   0 for f i, j  T f i, j for f i, j  T gi, j   for f i, j  T 0  Phương pháp làm việc tốt với ảnh có bi-model histogram, nhiễu  ngưỡng T Có thể dùng nhiều ngưỡng Ti (xem xét sau)  Các tiêu chuẩn lựa chọn ngưỡng T:  Xác suất lỗi cực tiểu  Giá cực tiểu  Phương sai nhóm cực tiểu  Kiểm tra mắt  Ngưỡng toàn cục T xác định sau: Chọn ngưỡng ban đầu T Ví dụ: chọn trung bình mức xám tất pixel Phân đoạn với ngưỡng T tạo nhóm: G1 gồm pixels với mức xám >T G2 gồm pixel với mức xám ≤ T Tính mức xám trung bình pixel G1 μ1 G2 μ2 Tính ngưỡng mới: T 1  2 Lặp lại bước - thay đổi T so với T lần trước nhỏ giá trị cho trước  Một ngưỡng làm việc hiệu ảnh có bimodal histogram  Với ảnh có biểu đồ cần nhiều ngưỡng Ví dụ: trích xuất nước chai Suy nghĩ biểu đồ Histogram cho loại ảnh này? Điều xảy sử dụng ngưỡng  Bài tập: Tìm hiểu kỹ thuật phân đoạn Otsu ... Phân đoạn ảnh sử dụng nhiều tìm kiếm tương tự (similarity searches)  Phân đoạn ảnh tốn khó xử lý ảnh  Vẫn chủ đề quan trọng hội thảo/hội nghị liên quan đến thị giác máy tính, xử lý ảnh  Phân... Áp dụng phương pháp Watershed*  Giải thích kỹ thuật phân đoạn ảnh dựa matching  Phân đoạn nhằm chia ảnh thành vùng đối tượng xử lý  Nếu phân đoạn tốt, contours đối tượng xuất trích để sử dụng... Probabilistic: xác suất  Mục đích phân đoạn ảnh  Áp dụng kỹ thuật phân đoạn ảnh dựa ngưỡng*  Giải thích kỹ thuật phân đoạn ảnh dựa cạnh  Giải thích kỹ thuật phân đoạn ảnh dựa vùng  Áp dụng phương pháp