1. Trang chủ
  2. » Giáo Dục - Đào Tạo

Nghiên cứu phát hiện mẫu chất liệu trong ảnh

148 10 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 148
Dung lượng 11,75 MB

Nội dung

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ LÊ THỊ KIM NGA NGHIÊN CỨU PHÁT HIỆN MẪU CHẤT LIỆU TRONG ẢNH LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN HÀ NỘI – 2014 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ LÊ THỊ KIM NGA NGHIÊN CỨU PHÁT HIỆN MẪU CHẤT LIỆU TRONG ẢNH Chuyên ngành: Khoa học máy tính Mã số: 62 48 01 01 LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS ĐỖ NĂNG TOÀN PGS.TS ĐINH MẠNH TƯỜNG HÀ NỘI - 2014 Lời cam đoan Tôi xin cam đoan cơng trình nghiên cứu riêng tơi Các kết viết chung với tác giả khác đồng ý đồng tác giả trước đưa vào luận án Các kết nêu luận án trung thực chưa công bố cơng trình khác Tác giả Lê Thị Kim Nga Lời cảm ơn Luận án thực Trường Đại học Công Nghệ - Đại học Quốc Gia Hà Nội Viện Công nghệ thông tin - Viện Hàn lâm Khoa học Công nghệ Việt Nam, hướng dẫn PGS.TS Đỗ Năng Toàn PGS.TS Đinh Mạnh Tường Tơi xin bày tỏ lịng biết ơn sâu sắc đến PGS.TS Đỗ Năng Toàn PGS.TS Đinh Mạnh Tường, Thầy có định hướng giúp thành công công việc nghiên cứu Thầy động viên bảo cho tơi vượt qua khó khăn cho tơi nhiều kiến thức quý báu nghiên cứu khoa học Nhờ bảo Thầy, tơi hồn thành luận án Tơi vơ cảm ơn PGS.TS Hồng Xn Huấn GS.TS Nguyễn Thanh Thủy, Thầy nhiệt tình giúp đỡ tơi nhiều suốt q trình học tập, nghiên cứu hiệu chỉnh luận án Tôi xin gửi lời cảm ơn sâu sắc đến PGS.TS Đỗ Trung Tuấn, PGS TS Bùi Thế Duy, PGS.TS Trịnh Nhật Tiến, TS Nguyễn Văn Vinh TS Nguyễn Ngọc Hóa, Thầy giúp tơi nhiều việc hồn thiện luận án Tôi xin chân thành cảm ơn Thầy, Cô Khoa Công nghệ thông tin, Trường Đại học Công nghệ, Đại Học Quốc Gia Hà Nội, anh chị em cán phịng Cơng nghệ Thực ảo, Viện Công nghệ thông tin tạo điều kiện thuận lợi đóng góp ý kiến cho tơi q trình làm nghiên cứu sinh Đặc biệt tơi xin chân thành cảm ơn lãnh đạo Nhà trường Khoa Công nghệ thông tin, Trường Đại học Quy Nhơn tạo điều kiện thuận lợi hỗ trợ trình học tập làm luận án Cuối cùng, xin gửi lời cảm ơn sâu sắc đến gia đình bạn bè, tạo cho tơi điểm tựa vững để có thành cơng hơm MỤC LỤC Lời cam đoan Lời cảm ơn MỤC LỤC Danh mục ký hiệu chữ viết tắt Danh mục bảng Danh mục hình vẽ, đồ thị MỞ ĐẦU Chương TỔNG QUAN VỀ PHÁT HIỆN MẪU CHẤT LIỆU TRONG ẢNH 1.1 Chất liệu toán phát mẫu chất liệu ảnh 1.1.1 Chất liệu mẫu chất liệu ảnh 1.1.2 Bài toán phát mẫu chất liệu ảnh 1.1.3 Các thách thức phát mẫu chất liệu ảnh 1.2 Các cách tiếp cận phát mẫu chất liệu ảnh 1.2.1 Tiếp cận dựa vào đặc trưng địa phương 1.2.1.1 Phương pháp dựa độ cong đường biên 1.2.1.2 Phương pháp dựa cường độ ảnh 1.2.1.3 Phương pháp định hướng bất biến với phép biến đổi 1.2.1.4 Phương pháp tỉ lệ chu vi diện tích 1.2.1.5 Phương pháp cấu trúc hình học 1.2.2 Tiếp cận dựa vào đặc trưng toàn cục 1.2.2.1 Phương pháp lược đồ màu 1.2.2.2 Phương pháp ma trận đồng mức xám 1.2.2.3 Phương pháp mẫu nhị phân địa phương 1.2.2.4 Phương pháp dựa vào nhiễu chất liệu 1.2.3 Tiếp cận dựa vào mơ hình 1.2.3.1 Mơ hình SAR RISAR 1.2.3.2 Mơ hình Markov 1.2.3.3 Mơ hình hình học Fractal 1.3 Kết luận vấn đề nghiên cứu Chương PHÁT HIỆN MẪU CHẤT LIỆU DỰA VÀO ĐẶC TRƯNG BẤT BIẾN ĐỊA PHƯƠNG 2.1.Đặt vấn đề 2.2.Trích chọn đặc trưng bất biến địa phương cho mẫu chất liệu 2.2.1 Tìm điểm bất biến địa phương không gian tỉ lệ 2.2.2 Xây dựng mô tả địa phương 2.3.Phát mẫu chất liệu dựa vào đặc trưng bất biến địa phương 2.3.1 Đối sánh dựa vào phương pháp lân cận gần 2.3.2 Xác định tương ứng mẫu chất liệu ảnh 2.3.3 Phân cụm điểm ứng cử trung tâm 2.3.4 Thuật toán phát mẫu chất liệu DMBLIF 2.3.5 Thực nghiệm 2.4.Phát ảnh số giả mạo dựa vào thuật toán DMBLIF 2.4.1 Ảnh số giả mạo dạng ảnh số giả mạo 2.4.1.1 Ảnh số giả mạo 2.4.1.2 Các dạng ảnh số giả mạo 2.4.2 Thuật toán phát ảnh số giả mạo KPFImage 2.4.2.1 Thuật toán phát ảnh số giả mạo Exact Match 2.4.2.2 Thuật toán KPFImage 2.4.3 Thực nghiệm 2.5 Kết luận chương Chương 3.1 PHÁT HIỆN MẪ Biểu diễn mẫu chất liệu dựa đặc trưng nhiễu 3.1.1 Đặc trưng nhiễu chất liệu 3.1.2 Xây dựng đặc trưng nhiễu cho mơ hình mẫu chất liệu 3.1.3 Thuật toán biểu diễn mẫu chất liệu dựa vào đặc trưng nhiễu R 3.2 Phát mẫu chất liệu dựa vào đặc trưng mơ hình nhiễu chất liệu 3.2.1 Phân lớp mẫu chất liệu dựa vào hàm phân phối Gauss 3.2.2 Thuật toán phát mẫu chất liệu dựa vào nhiễu DMBNF 3.2.3 Thực nghiệm 3.3 Kết luận chương Chương PHÁT HIỆN MẪU CHẤT LIỆU DỰA VÀO HÌNH HỌC FRACTAL 4.1 Đặt vấn đề 4.2 Cơ sở toán học 4.3 Biểu diễn mẫu chất liệu dựa vào hình học Fractal 4.3.1 Đặc trưng hình học Fractal cho chất liệu 4.3.2 Xây dựng mô tả Fractal cho mẫu chất liệu 4.3.3 Thuật toán biểu diễn mẫu chất liệu dựa vào Fractal RMBF 4.4 Thuật toán phát mẫu chất liệu dựa vào Fractal DMBF 4.5 Kết luận chương .112 KẾT LUẬN 113 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN 115 TÀI LIỆU THAM KHẢO 116 PHỤ LỤC 128 Danh mục ký hiệu chữ viết tắt BRDF Bidirectional Reflectance Distribution Function (Hàm phân phối phản xạ hai chiều) BTF Bidirectional Texture Function (Hàm texture hai chiều) CBIR Content Based Image Retrieval (Tra cứu ảnh dựa nội dung) CSAR Circular Simultaneous Autoregressive Model (Mơ hình tự hồi quy đồng tâm) DMBLIF Thuật toán phát mẫu chất liệu dựa vào đặc trưng bất biến địa phương DMBNF Thuật toán phát mẫu chất liệu dựa vào đặc trưng nhiễu DMBF Thuật toán phát mẫu chất liệu dựa vào Fractal GLCM Grey Level Co–occurrence Matrix (Ma trận đồng mức xám) HMM Hidden Markov Model (Mơ hình Markov ẩn) IFS Iterated Function System (Hệ hàm lặp) ISODATA Iterative Self-Organizing Data Analysis Technique (Thuật toán phân cụm) Keypoint Điểm bất biến tỉ lệ KPFImage Thuật toán phát ảnh giả mạo dựa vào tiếp cận phát chất liệu LBP MRF PCA (ℜ ) Local Binary Pattern (Mẫu nhị phân địa phương) Markov Random Field (Trường Markov ngẫu nhiên) Principal Component Analysis (Phân tích thành phần chính) Khối bao (vị trí kích thước) vùng ảnh ℜ RMBF Thuật toán biểu diễn mẫu chất liệu dựa vào Fractal RMBN Thuật tốn mơ tả mẫu chất liệu dựa vào đặc trưng nhiễu RISAR Rotation Invariant Simultaneous AutoRegressive Model (Mơ hình tự hồi quy đồng thời bất biến quay) SAR Simultaneous AutoRegressive Model (Mơ hình tự hồi quy đồng thời) Scale Tỉ lệ SIFT Scale Invariant Feature Transform (Biến đổi đặc trưng bất biến tỉ lệ) Texture Kết cấu bề mặt 71 Micah K.J., Farid H (2006), “Exposing Digital Forgery Through Chromatic Aberration”, ACM Multimedia and Security Workshop, pp 1-8 72 Monro D.M., Dudbridge F (1995), “Rendering Algorithms for Deterministic Fractal, IEEE Computer Graphics and Applications Vol 15 (1), pp 32-41 73 Myna A.N., Venkateshmurthy M.G., Patil C.G (2007), “Detection of Region Duplication Forgery In Digital Images Using Wavelet and Log-Polar Mapping”, International Conference on Computational Intelligence and Multimedia Applications (IEEE 2007), pp 371-377 74 Nadia M., Al- Saidi G., Rush M., Sard W.W., Ainun M O (2012), “Password Authentication Based on Fractal Coding Sheme”, Hindawi Publishing Corporation Journal of Applied Mathematics, pp 1-18 75 Nadia M., Al-Saidi G (2012), “An Efficient Signcryption Method using Fractal Image Coding Scheme”, International Journal of Applied Mathematics and Information Vol 6, pp 189–197 76 Narasimhan S.G., Ramesh V., Nayar S.K (2003), “A Class of Photometric th Invariants: Separating Material from Shape and Illumination”, IEEE Transactions International Conference on Computer Vision, pp 1-8 77 Ojala T., Pietikainen M., Maenpaa T (2002), “Multiresolution Gray- Scale and Rotation Invariant Texture Classification with Local Binary Patterns”, IEEE Transactions Pattern Analysis and Machine Intelligence Vol 24 (7), pp 971-987 78 Opelt A., Fussenegger M., Pinz A., Auer P (2004), “Weak Hypotheses and Boosting for Generic Object Detection and Recognition”, Proceeding of Eighth European Conference on Computer Vision, pp 71-84 79.Perko R., Bischof H (2004), “Efficient Implementation of Higher Order Image Interpolation”, Proceeding Of the International Conference in Central Europe on Computer Graphic, Visualization and Computer Vision, pp 213-218 80 Pont S.C., Koendrink J.J (2005) “ Bidirectional Texture Contrast Function”, Journal of Computer Vision Vol 62 (1), pp 17-34 123 81 Roland W F., Heinrich H B (2005), “Low-Level Image Cues in the Perception of Translucent Materials”, ACM Transactions on Applied Perception Vol (3), pp 346-382 82.Rothganger F., Lazebnik S., Schmid C., Ponce J (2006), “3D Object Modeling and Recognition Using Local Affine-Invariant Image Descriptors and Multi - View Spatial Constraints”, International Journal of Computer Vision Vol 66 (3), pp 231-259 83 Rubner Y., Tomasi C., Guibas L (2000), “The Earth Mover’s Distance as A Metric for Image Retrieval”, International Journal of Computer Vision Vol 40 (2), pp 99–121 84 Schaffalitzky F., Zisserman A (2001), “Viewpoint invariant texture matching and wide baseline stereo”, In Procceding International Conference on Computer Vision Vol 2, pp 636–643 85 Schmid C., Mohr R (1997), “Local Grayvalue Invariants for Image Retrieval”, IEEE Transactions Pattern Analysis and Machine Intelligence Vol 19 (5), pp 530-534 86 Schmid C (2001), “Constructing Models for Content-Based Image Retrieval”, Proceeding IEEE Conference on Computer Vision and Pattern Recognition Vol 2, pp 39-45 87 Se S., Lowe D.G., Little J (2002), “Global Localization Using Distinctive Visual Features”, Proceeding of International Conference on Intelligent Robots and Systems, pp 226-231 88 Sharan B.L., Rosenholtz R., Adelson E.H (2009) “Material perception: What can you see in a brief glance?”, Journal of Vision Vol (8), pp 784-794 89 Sharan B.L., Liu C., Rosenholtz R., Adelson E.H (2013), “Recognizing Materials Using Perceptually Inspired Features”, International Journal of Computer Vision Vol 103, pp 348-371 90 Takagi M., Fujiyoshi H (2007), “Road Sign Recognition using SIFT feature”, Symposium on Sensing via Image Information, pp 1-9 124 91 Takayasu H (1990), Fractal in the Physical Science, Manchester University Press 92 Teynor A (2009), Visual Object Class Recognition using Local Descriptions, Ph.D Thesis, Freiburg University 93 Teynor A., Burkhardt H (2007), “Fast codebook generation by sequential data rd analysis for object classification”, In Proceedings of the International Symposium on Visual Computing, pp 1-8 94 Teynor A., Burkhardt H (2008), “Wavelet – based Salient Points with Scale Information for Classification”, In IEEE 2008, pp 1-4 95 Teynor A., Burkhardt H (2007), “ Patch Based Localization of Visual Object Class Instance”, MVA2007 IAPR Conference on Machine Vision Applications, pp 96 211-214 Teynor A., Kowarschik W (2005), “Compressed Domain ImageRretrieval using JPEG2000 and Gaussian Mixture Models”, In 8th International Conference on Visual Information Systems, pp 1-8 97 Thomas A., Ferrari V., Leibe B., Tuytelaars A.T., (2006), “Towards Multi-View Object Class Detection”, In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp 1-8 98 Thomas A., Ferrari V., Leibe B., Tuytelaars A.T., Gool L.V (2009), “ Using Multi-View Recognition and Meta-data Annotation to Guide a Robot’s Attention”, The International Journal of Robotics Research Vol 28 (8), pp 99 976-998 Tuytelaars A.T., Gool L.V (2004), “Matching Widely Separated Views based on Affinely Invariant Neighbourhoods”, International Journal of Computer Vision Vol 59 (1), pp 61-85 100 Tuytelaar A.T., Mikolajczyk K (2007), “Local Invariant Feature Detectors: A Survey”, Computer Graphic and Vision Vol (3), pp 177-280 125 101 Vacha P., Haindl M (2010) “Illumination Invariants Based on Markov Random Fields”, Pattern Recognition Recent Advances, Adam Herout, pp 255-272 102 Vacha P., Haindl M (2010), “Natural Material Recognition with Illumination Invariant Textural Features”, In IEEE of International Conference on Pattern Recognition, pp 858-861 103 Varma M., Ray D (2007), “Learning The Discriminative Power- Invariance Trade-Off”, In International Conference on Computer Vision, pp 1-8 104 Varma M (2004), Statistical Approaches to Texture Classification, Ph.D Thesis, University of Oxford 105 Varma M., Garg R (2007), “Locally Invariant Fractal Features for Statistical Texture Classification”, Proceeding of 11th Intelligence Conference on Computer Vision, pp 1-8 106 Varma M., Zisserman A (2003), “Texture Classification: Are Filter Banks Necessary?” , Proceeding of IEEE Conference on Computer Vision and Pattern Recognition Vol 2, pp 691-698 107 Varma M., Zisserman A (2003), “Classifying Images of Materials: Achieving Viewpoint and Illumination Independence”, Computer Vision and Pattern Recognition Vol 3, pp 255-271 108 Varma M., Zisserman A (2004), “Unifying Statistical Texture Classification Frameworks”, Image and Vision Computing Vol 22 (14), pp 1175-1183 109 Varma M., Zisserman A (2009), “A Statistical Approach to Material Classification using Image Patch Exemplars”, IEEE Transactions Pattern Analysis and Machine Intelligence Vol 31 (11), pp 2032–2047 110 Weinberger K.Q., Saul L.K (2009), “Distance metric learning for large margin nearest neighbor classification”, The Journal of Machine Learning Research Vol 10, pp 207–244 111 Welsteed S (1999), Fractal and wavelet image compression techniques, SPIE Press 126 112 Winder S., Brown M (2007), “Discriminative Learning of Local Image Descriptors”, In Computer Vision and Pattern Recognition Vol 33, pp 43-57 113 Winder S., Hua G., Brown M (2009), “Picking the best Daisy”, In Computer Vision and Pattern Recognition, pp.1-8 114 Wu C., Frahm J.M., Pollefeys M (2010), “Detecting Large Repetitive Structures with Salient Boundaries”, European Conference on Computer Vision, pp 142-155 115 Xia Y., Feng D., Zhao R.C., Zhang Y (2010), “Multifratal Signature Estimation for Textured Image”, Segmentation and Pattern Recognition Letter, pp 163-169 116 Xu Y., Huang S., Ji H., Fermuller C (2012), “Scale Space Texture Description on SIFT – Like textons”, Computer Vision and Image Understanding, Elsevier 2012 Vol 116, pp 999-1013 117 Image Yaowei W., Weigiang W., Yanfei W (2004), “ A Region based Matching Method with Regularied SAR Model”, PCM’04 Proceeding of the th Pacific Rim conference on Advances in Multimedia Information Processing, pp 263-270 118 Zhang J., Lazebnik S., Schmid C (2007), “Local Features and Kernels for Classification of Texture and Object Categories: a Comprehensive Study”, International Journal of Computer Vision Vol 73 (2), pp 213-238 119 Zhao J., Cao Z., Zhou M (2007), “ SAR Image Denoising based on Wavelet-Fractal Analysis”, System Engineer Electronic Vol 18, pp 45-48 127 PHỤ LỤC  A1 Thuật toán phát mẫu chất liệu dựa vào đặc trưng bất biến địa phương DMBLIF Algorithm DMBLIF (M, I); { Init(); Mc=(M.with/2, M.heigh/2); R=∅; Do { =∅; For each ∈ { = ( , ); If ( = ) continue; ′ ′ ∆= = If ( ( ′ ,∆) = = ∪{} _ ℎ_ ( , ) continue; } If size( )≤ break; C=ISODATA( , ); b=false; for each { if size( )≥ ); ∈ 128 { { For each 〈 R=R∪ ( } =∅; , = 〉∈ 〈 , 〉 ∪{ } ); FI=FI\FC; B=true; } } If b=false { break; } } While (FI≠ ∅) return R; }  A2 Thuật toán phát ảnh số giả mạo KPFImage KPFImage(I) { Init(); RF=∅; For each { , ∈ and size( )= ( , ) = ( , , ); R=DMBLIF( size(R)≥ , , ) If { RF=RF∪ } 129 } Return RF; }  A3 Thuật toán biểu diễn mẫu chất liệu dựa vào nhiễu RMBN Algorithm RMBN(M) { = ( ); return ∑ ( ) =1 }  A4 Thuật toán phát mẫu chất liệu dựa vào đặc trưng nhiễu DMBNF ′ { Init (); R=∅; =( ); ′ ′ For each ∈ ( ) = ); If ( < ) { ( ){= R=R∪ ( , ); = − ( ( ) } } Return R } 130  A5 Thuật toán biểu diễn chất liệu dựa vào hình học Fractal RMBF { Init=(); MF=∅; R=split(M,k); For each ∈ { for each ∈ ( )=( = ‖ − ( )‖ If ( } MF=MF∪ { , ) { = ( , ); < ) { = ; } = ( ), } } Return MF }  A6 Thuật toán phát mẫu chất liệu dựa vào hình học Fractal DMBF {Init(); = ∅; For each ∈ and size( )=size(M) { ′ =∪ [ ])}; ′ 131 =∪{ ( ( ) If ( ( , { ′ )

Ngày đăng: 09/11/2020, 09:07

w