Phân vùng ảnh nhờ sát nhập các miền động

ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ––––––––––––––––––––––––––– NGUYỄN THANH TÙNG PHÂN VÙNG ẢNH NHỜ SÁT NHẬP CÁC MIỀN ĐỘNG Chuyên ngành: Khoa học máy tính Mã số: 60.48.01.01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Ngƣời hƣớng dẫn khoa học: TS ĐÀO NAM ANH Thái Nguyên - 2013 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ i LỜI CAM ĐOAN Tôi xin cam đoan luận văn kết nghiên cứu tôi, không chép Nội dung luận văn có tham khảo sử dụng tài liệu liên quan, thông tin tài liệu đăng tải tạp chí trang website theo danh mục tài liệu luận văn Tác giả luận văn Nguyễn Thanh Tùng Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ ii LỜI CẢM ƠN Lời đầu tiên, Em xin chân thành cảm ơn đến Thầy môn trực tiếp dạy dỗ Em Thầy PGS.TS Ngô Quốc Tạo, PGS.TSKH Nguyễn Xuân Huy, PGS.TS Đỗ Năng Tồn,…đã giúp Em có kiến thức ý tưởng cho luận văn Em xin cảm ơn Thầy hội đồng bảo vệ đề cương góp ý, giúp Em có thay đổi phù hợp luận văn Em xin cảm ơn trường đại học công nghệ thông tin truyền thông - Đại học Thái Nguyên tạo nhiều điều kiện thuận lợi cho Em Đặc biệt, Em xin cảm ơn Thầy TS Đào Nam Anh trực tiếp hướng dẫn, giúp đỡ tận tình bảo Em suốt thời gian từ có ý tưởng cho luận văn đến hồn thành luận văn Tác giả luận văn Nguyễn Thanh Tùng Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ iii MỤC LỤC Lời cam đoan i Lời cảm ơn ii Mục lục iii Danh mục thuật ngữ, từ viết tắt v Danh mục hình vẽ, đồ thị vi MỞ ĐẦU Chƣơng 1: TỔNG QUAN VỀ PHÂN VÙNG ẢNH, CÁC THUẬT TOÁN PHÁT TRIỂN VÙNG 1.1 Tổng quan phân vùng ảnh 1.1.1 Phương pháp phân vùng theo ngưỡng 1.1.2 Phương pháp phân vùng dựa vào cạnh 1.1.3 Kỹ thuật phân cụm 1.1.4 Phương pháp dựa vào vùng 1.2 Các thuật toán dựa vào vùng 1.2.1 Phát triển vùng từ hạt 1.2.2 Phát triển vùng không dùng hạt 1.2.3 Tách sát nhập vùng 1.3 Phân vùng ảnh không giám sát vùng màu 10 1.3.1 Tiêu chí phân vùng ảnh 10 1.3.2 Thuật toán JSEG 12 1.3.4 Thuật toán quét nhanh 14 1.4 Kết luận chương 16 Chƣơng 2: THUẬT TOÁN PHÂN VÙNG ẢNH SÁT NHẬP CÁC MIỀN ĐỘNG 18 2.1 Phân vùng ảnh cách sát nhập miền động 18 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ iv 2.1.1 Bước chuẩn bị trước sát nhập miền 21 2.1.2 Kiểm tra tính tương đồng đặc tính superpixel 24 2.1.3 Sát nhập miền động 27 2.2 Tăng tốc thuật toán đồ thị lân cận gần 32 2.3 Độ phức tạp thuật toán DRM 34 2.4 Ứng dụng thuật toán DRM 35 2.5 Kết luận chương 35 Chƣơng 3: CÀI ĐẶT THỬ NGHIỆM 36 3.1 Môi trường cài đặt 36 3.2 Lựa chọn thông số 36 3.3 Kết thực nghiệm 37 3.4 Đánh giá chất lượng phân vùng 43 3.5 Kết luận chương 43 KẾT LUẬN 45 TÀI LIỆU THAM KHẢO 46 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ v DANH MỤC CÁC THUẬT NGỮ, CÁC TỪ VIẾT TẮT Boundary-based methods Phương pháp biên Clustering Phân nhóm/cụm Dissimilarity Khác biệt Dynamic region merging DRM Sát nhập miền động Edge-Based Segmentation Method Phân vùng dựa vào cạnh Gradient Độ dốc Grow region Phát triển vùng ảnh Over-segmentation Phân vùng Region splitting and merging Tách vùng sát nhập vùng Region-based methods Phương pháp miền Screen resolution Độ phân giải hình Seeded region growing SRG Phát triển vùng từ hạt Sensor Cảm ứng Similarity Giống Superpixel Điểm ảnh lớn Unseed region growing Số hóa trung tâm học liệu URG Phát triển vùng không dùng hạt http://www.lrc.tnu.edu.vn/ vi DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1: Các kiểu kỹ thuật phân vùng Hình 1.2: Biểu đồ xám ngưỡng T Hình 1.3: (a) Cấu trúc lược đồ hình cây, R đại diện cho tồn vùng ảnh (b) Phân vùng ảnh tương ứng Hình 1.4: Một ví dụ lớp đồ khác giá trị J tương ứng chúng "+", "O", "#" đại diện cho ba lớp điểm liệu 11 Hình 1.5: Sơ đồ luồng bước JSEG 12 Hình 1.6: Phân vùng ảnh ảnh mức xám sử dụng JSEG 14 Hình 2.1: Một ví dụ phân vùng đồ thị liền kề miền tương ứng (RAG) 22 Hình 2.2: Một ví dụ mà P vị từ R1 R2 phù hợp 23 Hình 2.3: Quá trình sát nhập miền động đường ngắn đồ thị phân lớp 30 Hình 2.4: Một NNG RAG hình 2.1 chu kỳ NNG 32 Hình 2.5: Một ví dụ NNG sửa đổi Đường đứt nét đại diện cho cạnh RAG, đường kẻ trực tiếp đại diện cho cạnh NNG 34 Hình 3.1: Phân vùng với sát nhập động với lamda = 0.2, 0.6 37 Hình 3.2: Các miền lân cận với màu sắc thống sát nhập 38 Hình 3.3: Phân vùng “thấp” – under segment 39 Hình 3.4: Biên nằm địa điểm thích hợp 39 Hình 3.5: Có thể sát nhập miền với biên có độ tương phản ngắn 40 Hình 3.6: DRM bỏ số biên dài yếu 40 Hình 3.7: Một số miền lớn có biến thể đáng kể bên 41 Hình 3.8: Phân vùng với sát nhập động, Phân vùng “thấp” – under segment 41 Hình 3.9: Ví dụ lỗi phương pháp DRM 42 Hình 3.10: So sánh với số phương pháp 42 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ MỞ ĐẦU Thơng tin ảnh đóng vai trò quan trọng hầu hết lĩnh vực sống Ngày nay, thông tin ảnh xử lý kỹ thuật số Xử lý ảnh (XLA) chuyên ngành quan trọng lâu đời Công nghệ thông tin áp dụng ứng dụng khác nhau, từ truyền hình đến chụp cắt lớp, từ nhiếp ảnh đến in ấn, từ robot đến cảm biến từ xa Để xử lý ảnh phải trải qua nhiều bước, bước quan trọng khó khăn phân vùng ảnh Nếu bước phân vùng ảnh khơng tốt dẫn đến việc nhận diện sai lầm đối tượng có ảnh Hiện có nhiều thuật tốn đề xuất để giải toán phân vùng ảnh Các thuật tốn hầu hết dựa vào hai thuộc tính quan trọng điểm ảnh so với điểm lân cận nó, là: khác biệt (dissimilarity) giống (similarity) Các phương pháp dựa khác điểm ảnh gọi phương pháp biên (boundary-based methods), phương pháp dựa giống điểm ảnh gọi phương pháp miền (regionbased methods) Phát triển vùng ảnh cách tiếp cận để phân vùng ảnh, điểm ảnh lân cận kiểm tra gán vào vùng ảnh không phát biên Quá trình lặp cho điểm ảnh nằm biên vùng ảnh Nếu tìm thấy vùng lân cận, thuật toán sát nhập vùng áp dụng, đường biên yếu giải thể đường biên mạnh giữ lại Phát triển vùng ảnh (grow region) có số lợi kỹ thuật phân vùng thông thường Không giống phương pháp gradient Laplacian, đường biên vùng ảnh tìm thấy cách phát triển vùng mỏng kết nối Thuật toán ổn định nhiễu ảnh Phương pháp phát triển vùng ảnh thường sử dụng vùng bước tiền xử lý cho phân vùng ảnh Vùng điểm ảnh thơng thường mà điểm ảnh lớn - Superpixels Điểm ảnh lớn nhóm điểm ảnh cạnh có đặc tính tương đồng Superpixels dùng để đánh giá độ sâu ảnh, phân vùng ảnh, phát đối tượng ảnh, thường áp dụng cho ảnh màu Luận văn tập trung hướng việc phân vùng ảnh thành đối tượng lớn thuật toán sát nhập vùng động, mà vùng động ban đầu điểm ảnh lớn Phương pháp phân vùng có hai lợi Trước tiên, miền tiếp tục có thêm thơng tin mơ tả chất đối tượng Thứ hai, số lượng vùng số điểm ảnh ảnh làm tăng tốc độ sát nhập miền Bắt đầu từ tập hợp vùng đầu tiên, phân vùng thực việc tiếp tục sát nhập miền lân cận tương tự theo điền kiện xác định Đó ý tưởng thuật toán phân vùng ảnh cách sát nhập miền động (Dynamic Region Merging – DRM) Mục đích luận văn nắm hướng tiếp cận phân vùng, đặc biệt phân vùng theo cách phát triển vùng Luận văn tập trung tìm hiểu trình bày thuật tốn phân vùng ảnh màu cách sát nhập miền động, có khả tăng tốc độ tính tốn Ngồi phần mở đầu kết luận, luận văn chia làm chương, cụ thể nội dung chương sau: Chương 1: Tổng quan phân vùng ảnh, thuật toán phát triển vùng: Các khái niệm xử lý ảnh, Ảnh điểm ảnh, Quan hệ điểm ảnh, Mức xám ảnh Các mơ hình phân vùng ảnh: theo ngưỡng, theo biên theo vùng Trong nhóm phân vùng theo miền, thuật toán phát triển vùng phân tích kỹ Chương 2: Thuật toán phân vùng ảnh sát nhập miền động: Phương pháp phát triển vùng ảnh thường sử dụng vùng bước tiền xử lý cho phân vùng ảnh Một thuật toán hiệu phát triển vùng sử dụng điểm ảnh lớn làm vùng ban đầu mơ tả phân tích Các vùng ảnh phát triển lớn lên cách sát nhập vùng liền kề với Chương 3: Kết thực nghiệm Cài đặt thuật toán phân vùng ảnh màu, sát nhập miền động ngôn ngữ C++ 33 Hình 2.4 cho thấy ví dụ NNG RAG hình 2.1 Từ định nghĩa ta thấy ngồi mức độ nút tương đương với số cạnh NNG | | V | | Cạnh điểm nút tới hầu hết nút lân cận tương tự Đối với chuỗi nút đồ thị, nút bắt đầu kết thúc trùng nhau, ta gọi chu kỳ (xem hình 2.4) NNG có thuộc tính sau: (1) NNG chứa chu kỳ (2) Số lượng tối đa chu kỳ V/2 Từ định nghĩa việc sát nhập vị từ phương trình (3), ta thấy giá trị vị từ hai miền đúng, xác có chu trình chúng Điều cho thấy tiêu chí dừng cho thuật tốn DRM đề xuất, tức là, khơng có chu trình NNG, việc sát nhập miền dừng lại Nói cách khác, trước q trình dừng lại, ta ln có cặp miền kết hợp theo tài nguyên (3) Điều cho thấy ta giữ cho chu trình NNG trình sát nhập miền thay tìm kiếm tồn RAG Các RAG ban đầu xây dựng từ ảnh phân vùng trên, NNG hình thành cách tìm kiếm cho hầu hết lân cận tương tự nút đồ họa Các chu trình NNG xác định cách quét NNG Quá trình sát nhập miền tăng tốc Trong lý thuyết đồ thị, NNG gọi bao trùm tối thiểu (MST) Đối với thuật tốn MST chung chung, chi phí cạnh xác định đồ thị số liệu thống kê mà chi phí tối thiểu chọn cho nút đường Trong đó, đường ngắn dựa "đồ thị thay đổi tự động", cạnh đồ thị tính lại lần lặp Bây ta có định lý sau để chứng minh trình sát nhập miền tiếp tục vị từ sai cho tất cặp miền ảnh Trong thuật tốn DRM, có cặp miền sát nhập lần lặp trước tiêu chí dừng lại thỏa mãn 34 Thuật tốn 3: Đẩy nhanh q trình sát nhập miền động Đầu vào: RAG ban đầu NNG ảnh Đầu ra: Kết sát nhập miền (trong biểu mẫu RAG) Bƣớc Thiết lập i = Bƣớc Cho NNG lớp biểu đồ thứ i, tìm cạnh trọng số nhỏ RAG sử dụng chu trình Bƣớc Sử dụng thuật tốn để kiểm tra giá trị vị từ P Nếu P nằm chu trình đúng, sát nhập cặp miền tương ứng Bƣớc Cập nhật RAG, NNG chu trình Bƣớc Thiết lập i = i +1 Bƣớc Quay lại bước chu trình tìm thấy Bƣớc Trả giá trị RAG (a) NNG (b) NNG sửa đổi sát nhập Hình 2.5: Một ví dụ NNG sửa đổi Đƣờng đứt nét đại diện cho cạnh RAG, đƣờng kẻ trực tiếp đại diện cho cạnh NNG 2.3 Độ phức tạp thuật toán DRM Nếu sử dụng RAG trình sát nhập, cập nhật RAG yêu cầu thời gian tìm kiếm O (||V||) Việc tính tốn tốn có số lượng lớn nút RAG Trong thuật toán 3, sau nút chu trình sát nhập, trọng số RAG lân cận cấu trúc NNG sửa đổi Có nhận xét chu trình hình thành lân cận bậc hai nút 35 sát nhập, điều minh họa hình 2.5 Sau nút hai sát nhập, lân cận gần nút trở thành nút 4, nút trở thành nút Một chu trình hình thành nút 5, khơng có nghĩa nút Theo cách vậy, ngun nhân chu trình NNG phát lân cận bậc hai nút sát nhập Do đó, nỗ lực tính tốn để cập nhật NNG sát nhập cặp miền phụ thuộc vào phân bố theo kích thước lân cận bậc thứ hai RAG Thời gian tính tốn cho sát nhập chu trình NNG O (γ(2) +1), γ(2) kích thước lân cận bậc hai nút Trong hầu hết trường hợp, γ(2) so với | | V | |, cho biết việc giảm thời gian tính tốn thuật tốn tăng tốc 2.4 Ứng dụng thuật toán DRM Phân vùng ảnh thao tác cần thiết tồn q trình xử lý ảnh Quá trình thực việc phân vùng ảnh thành vùng rời rạc đồng với hay nói cách khác xác định biên vùng ảnh Phân vùng ảnh, có thuật tốn DRM, đóng vai trị quan trọng nhiều ứng dụng thực tế khoa học kĩ thuật sống thường ngày như: sản xuất kiểm tra chất lượng, di chuyển robot, phương tiện tự động di chuyển, công cụ hướng dẫn cho người mù, ứng dụng an ninh giám sát, nhận dạng đối tượng, nhận dạng mặt, ứng dụng y học, sản xuất, hiệu chỉnh video 2.5 Kết luận chƣơng Phần trình bày đánh giá thuật toán phân vùng ảnh cách sát nhập miền động (Dynamic Region Merging – DRM) Bắt đầu từ tập hợp vùng đầu tiên, phân vùng thực việc tiếp tục sát nhập miền lân cận tương tự theo điền kiện xác định Đó ý tưởng thuật tốn DRM Chương sau thử nghiệm thuật tốn DRM với số ví dụ tiêu biểu 36 Chƣơng CÀI ĐẶT THỬ NGHIỆM 3.1 Mơi trƣờng cài đặt Chương trình cài đặt Môi trường Microsoft Windows Ultimate Edition 32-bit Service Pack 1, sử dụng ngôn ngữ C++ MS visual studio với máy tính có cấu sau: CPU: Intel(R) Core(TM) i3 CPU - M 370@ 2.40 GHz Memory Type: DDR3 Memory Size: 4096 Mbytes (4 GB) HDD: 320 GB Mã nguồn có Department of Computing, HK Polytechnic University 3.2 Lựa chọn thông số Trong phương pháp DRM đề xuất, có năm tham số tự do{m, λ1, λ2, α, β} để kiểm soát việc đánh giá giả thuyết thống Khi thực hiện, ta cố định bốn tham số số chúng (ví dụ, m, λ2, α, β) khơng đổi Tuy nhiên, giá trị điều tra tác động ổn định vững mạnh tồn q trình phân vùng Trong SPRT, m sử dụng để định chất lượng liệu chọn cho thử nghiệm ngẫu nhiên Ta chọn nửa kích thước vùng, thí nghiệm ta thấy kết phân chia không nhạy cảm với thay đổi vừa phải m Sau đó, ta kiểm tra lựa chọn thông số α β, để đại diện cho khả chấp nhận mơ hình "khơng phù hợp" "phù hợp" từ chối mơ hình "phù hợp" "khơng phù hợp", tương ứng Trong việc thực này, α β thiết lập để giá trị cố định 0.05 Về mặt lý thuyết, giá trị α β ảnh hưởng đến số lần kiểm tra cần thiết cho SPRT, thể phương trình (9) đề xuất Wald Ràng buộc số lượng kiểm tra N0 thiết lập dựa SPRT Các thử nghiệm cuối thực để kiểm tra lựa chọn tham số λ1, mà người sử dụng tham số đầu vào việc thực Theo định nghĩa phương trình (4) phương trình (5), ta đặt λ2 = 1, λ1 sử 37 dụng để cân trọng số tương đối P0 P1 để λ1 cần phải điều chỉnh Đối với giá trị nhỏ λ1, địi hỏi phải có chứng minh thuyết phục cho biên Nói cách khác, sát nhập khơng có khả xảy với giá trị nhỏ λ1 Nói chung, làm giảm giá trị λ1 tạo nhiều miền kết phân vùng Việc kiểm soát tham số dẫn đến hệ thống phân vùng quy mô khác Khi λ1 tăng, số lượng miền có xu hướng giảm Trong thí nghiệm, giá trị λ1 chọn từ 0.1 đến Chú ý khó để tìm thấy λ1 phù hợp nói chung cho tất ảnh, đa dạng giải thích đa hình nội dung ảnh 3.3 Kết thực nghiệm Khi thử nghiệm thử nghiệm, tham số λ1 đặt 0.1 Hình 3.1 cho thấy kết phân vùng ảnh ví dụ với giá trị khác λ1 Khi λ1 lớn( λ1 =[3,5]), thuật tốn có nhiều khả để hai miền lân cận tương ứng Do tạo miền sát nhập mức Khi λ1 nhỏ, trường hợp ngược lại kết tạo miền sát nhập thấp (khi λ1= [0.1, 1]) Ảnh đầu vào Điểm ảnh lớn với đường biên Sát nhập động, λ1=0.2 Sát nhập động, λ1=0.6 Hình 3.1: Phân vùng với sát nhập động với lamda = 0.2, 0.6 38 Nhiều phải lặp trình sát nhập đạt kết mong muốn Dưới số trường hợp thử nghiệm Dưới kết thuật tốn DRM số ví dụ Rõ ràng miền lân cận với màu sắc thống sát nhập thành một, biên nằm địa điểm thích hợp Một số miền lớn có biến thể đáng kể bên Tuy nhiên, với thay đổi tương đối chậm màu sắc dọc theo biên Điều cho thấy thuật tốn DRM chứa đựng số biến thể cho nhóm miền có nghĩa ảnh Ảnh đầu vào Điểm ảnh lớn với đường biên Điểm ảnh lớn Sát nhập động Hình 3.2: Các miền lân cận với màu sắc thống đƣợc sát nhập 39 Ảnh đầu vào Điểm ảnh lớn với đường biên Điểm ảnh lớn Sát nhập động Hình 3.3: Phân vùng “thấp” – under segment Ảnh đầu vào Điểm ảnh lớn với đường biên Điểm ảnh lớn Sát nhập động Hình 3.4: Biên đƣợc nằm địa điểm thích hợp 40 Ảnh đầu vào Điểm ảnh lớn với đường biên Điểm ảnh lớn Sát nhập động Hình 3.5: Có thể sát nhập miền với biên có độ tƣơng phản ngắn Ảnh đầu vào Điểm ảnh lớn với đường biên Điểm ảnh lớn Sát nhập động Hình 3.6: DRM bỏ số biên dài nhƣng yếu 41 Ảnh đầu vào Điểm ảnh lớn với đường biên Điểm ảnh lớn Sát nhập động Hình 3.7: Một số miền lớn có biến thể đáng kể bên Ảnh đầu vào Điểm ảnh lớn với đường biên Điểm ảnh lớn Sát nhập động Hình 3.8: Phân vùng với sát nhập động, Phân vùng “thấp” – under segment 42 Ảnh đầu vào Điểm ảnh lớn với đường biên Điểm ảnh lớn Sát nhập động Hình 3.9: Ví dụ lỗi phƣơng pháp DRM Hình 3.10: So sánh với số phƣơng pháp 43 3.4 Đánh giá chất lƣợng phân vùng Đánh giá chất lượng phân vùng khó phân vùng Trong thập kỷ trước, nhiều nhà nghiên cứu tìm phương pháp đánh giá giám sát: ảnh phân vùng so sánh với ảnh thật Tuy nhiên, phân vùng ảnh khơng giám sát, thường khơng sẵn có thật Để xây dựng tảng chung cho nhà nghiên cứu để đánh giá phương pháp phân vùng ảnh khác nhau, nhóm ảnh phân vùng người cho mẫu thử nghiệm cung cấp liệu phân vùng Berkeley (BSDS), phương pháp đánh giá dựa biên đề xuất Martin cộng Trong khuôn khổ xác – phản hồi áp dụng kết hợp với biên đánh dấu người Độ xác – phản hồi biện pháp đánh giá tốt phân vùng ảnh, xem xét hai khía cạnh biên: phần xác phần nhỏ phát lớn lỗi, phản hồi phần không phát bị bỏ qua Một kết hợp hai đại lượng định nghĩa độ đo (F): F = PR / (tR + (1- t)P) (15) Trong t chi phí tương đối P R Một đường cong độ đo F thu cách thay đổi thơng số thuật tốn Đường cong độ đo (F) tối đa dùng đánh giá hiệu suất thuật toán Độ đo (F) thử nghiệm liệu BSDS Với phân vùng băng tay, độ đo (F) trung bình 0.79 Thuật tốn DRM có độ đo (F) trung bình 0.65 3.5 Kết luận chƣơng Phần trình bày khn khổ cho sát nhập vùng Tín hiệu đơn giản, tức là, màu sắc miền, sử dụng việc thực Đương nhiên, tín hiệu khác (ví dụ màu sắc, kết cấu, hình dạng, vv) kết hợp chúng khám phá cách thay đổi định nghĩa xác suất có điều kiện SPRT (phương trình (5)) Vị từ sát nhập miền sử dụng cạnh trọng số tối thiểu hai miền để đo khác biệt chúng Nó đảm bảo số tính chất tồn ảnh đạt theo vị từ Tuy nhiên, vị từ dẫn đến 44 giới hạn để chụp khác biệt nhận thức hai miền cục lân cận Một số ví dụ lỗi đưa hình 3.9 Ta thấy thuật tốn DRM bỏ số biên dài yếu, sát nhập miền với biên có độ tương phản ngắn Một vấn đề khác quan tâm chất ngẫu nhiên SPRT dẫn đến phân vùng tới ảnh Để đánh giá số lượng ảnh hưởng kết phân vùng, ta chọn ngẫu nhiên 20 ảnh chạy thuật toán cho 10 lần ảnh số chúng Phân vùng ảnh so sánh cách tính tốn tỷ lệ khác biệt với số lượng điểm ảnh biên cho ảnh Kết 0.88% trung bình chung, khơng thích hợp tính ngẫu nhiên SPRT Có vài khả mở rộng DRM để giải vấn đề Ví dụ, ta thêm bước sàng lọc toàn ảnh miền phân vùng có lỗi định cục Nhiều lỗi sát nhập DRM không đủ thông tin cục (nhận thức) sử dụng để đưa định sát nhập Tuy nhiên, xem nhãn xuất DRM nhãn nội dung ảnh, dấu hiệu ban đầu sử dụng để tính tốn số thống kê tồn ảnh ảnh để sàng lọc tồn ảnh xác định để làm chỉnh sai số DRM theo số tiêu chí Một DRM với chương trình sàng lọc khai thác tính ảnh tồn ảnh cục bộ, kết dự kiến tốt Mở rộng khác việc tương tác người dùng Với số hướng dẫn sử dụng, nhãn ban đầu phần miền ảnh định trước, cung cấp thơng tin hữu ích cho q trình sát nhập miền Một thuật tốn DRM tương tác sau phát triển để thực phân vùng ảnh 45 KẾT LUẬN Luận văn mô tả lý thuyết kết thử nghiệm phương pháp để phân vùng ảnh màu thành vùng riêng biệt Thuật toán đề xuất thực theo kiểu sát nhập miền Thuật toán xác định vị từ sát nhập P để chứng minh việc sát nhập hai miền lân cận Vị từ xác định cách kiểm tra tỷ lệ xác suất liên tục (SPRT) tối đa tiêu chuẩn Thuật toán sát nhập miền động (DRM) trình bày để tự động nhóm nhiều miền nhỏ phân vùng ban đầu Mặc dù miền sát nhập lựa chọn cách cục giai đoạn sát nhập, số tính chất tồn ảnh lưu giữ phân vùng cuối Tuy nhiên trình thực hiện, với thời gian khơng có nhiều, lực chun mơn, điều kiện thực nghiệm cịn hạn chế, nên việc đánh giá tổng hợp phương pháp khiếm khuyết Tơi mong nhận đóng góp ý kiến Thầy Cô bạn bè đồng nghiệp 46 TÀI LIỆU THAM KHẢO I Tiếng Việt Đỗ Năng Tồn, Phạm Việt Bình (2007) Giáo trình xử lý ảnh, Nhà xuất Đại học Hà nội Lương Mạnh Bá, Nguyễn Thanh Thủy Nhập môn xử lý ảnh số, Nhà xuất Khoa học kỹ thuật, Hà Nội Nguyễn Kim Sách (1977) Xử lý ảnh video số, Nhà xuất Khoa học kỹ thuật, Hà Nội Võ Đức Khánh, GS.TSKH Hồng Kiếm (2007) Giáo trình xử lý ảnh Nhà xuất Đại học Quốc Gia TP Hồ Chí Minh II Tiếng Anh B Paul, L Zhang and X Wu, “Canny edge detection enhancement by scale multiplication,” IEEE Trans on Pattern Analysis and Machine Intelligence, vol 27, pp 1485-1490, Sept 2005 Bo Peng, Lei Zhang, Zhang D Automatic Image Segmentation by Dynamic Region Merging, Page (s): 3592 - 3605 2011 D.A Forsyth and J Ponce, Computer Vision: A Modern Approach Prentice Hall, 2002 F, Lecumberry, A, Pardo and G Sapiro Simultaneous object classification and segmentation with high-order multiple shape models IEEE Transactions on Image Processing pp: 625 - 635, 2010 H D Cheng, Y Sun A hierarchical approach to color image segmentation using homogeneity IEEE Transactions on Image Processing Volume: 9, Issue: 12, page (s): 2071-2082, 2000 10 Shilpa Kamdi, R.K.Krishna, “Image Segmentation and Region Growing Algorithm”, International Journal of Computer Technology and Electronics Engineering (IJCTEE), Volume 2, Issue 1, 103, 2012 11 J Canny A Computational Approach to Edge Detection, IEEE Trans Pattern Analysis and Machine Intelligence, vol 8, pp 679-698, 1986 47 12 J Shi and J Malik Normalized Cuts and Image Segmentation IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI) 2000 13 L Ladicky, C Russell, P Kohli, P Torr Associative Hierarchical CRFs for Object Class Image Segmentation In: ICCV 2009 14 Luis Garcia Ugarriza, Eli Saber, Sreenath Rao Vantaram, Vincent Amuso, Mark Shaw, and Ranjit Bhaskar, “Automatic Image Segmentation by Dynamic Region Growth and Multiresolution Merging”, 2009, IEEE 15 L Zhang, B Paul, et al, “Edge detection by scale multiplication in wavelet domain,” Pattern Recognition Letters, vol 23, pp 1771-1784, 2002 16 Moore, S J D Prince, J Warrell, U Mohammed, and G Jones Superpixel lattices CVPR, 2008 17 Moore, S J D Prince, J Warrell, U Mohammed, and G Jones Scene shape priors for superpxiel segmentation ICCV, 2009 18 Moore, S Prince."Lattice Cut" - Constructing superpixels using layer constraints CVPR 2010 19 R.C Gonzalez and R.E Woods Digital Image Processing Addison Wesley, Reading, MA, 1992 20 S Lee; M.M Crawford Unsupervised multistage image classification using hierarchical clustering with a bayesian similarity measure IEEE Transactions on Image Processing Page (s): 312 -320, 2005 21 S Wang, J M Siskind Image Segmentation with Ratio Cut, IEEE Transactions on Pattern Analysis and Machine Intelligence, 25 (6):675-690, 2003 22 X Munoz, J.freixenet, X Cufi, J Marti, Strategies for image segmentation combining region and boundary information, Pattern Recognition Letters 24, 2003 23 Z Wu and R Leahy An optimal graph theoretic approach to data clustering Theory and its application to image segmentation IEEE Transactions on Pattern Analysis and Machine Intelligence November 1993 ... vấn đề phân vùng 18 Chƣơng THUẬT TOÁN PHÂN VÙNG ẢNH SÁT NHẬP CÁC MIỀN ĐỘNG 2.1 Phân vùng ảnh cách sát nhập miền động Phân vùng ảnh vấn đề đầy thách thức cách hiển thị máy tính xử lý ảnh Đặc... TOÁN PHÂN VÙNG ẢNH SÁT NHẬP CÁC MIỀN ĐỘNG 18 2.1 Phân vùng ảnh cách sát nhập miền động 18 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ iv 2.1.1 Bước chuẩn bị trước sát nhập miền. .. ngặt cách phân vùng ảnh [1,2,3,4] Các loại phương pháp phân vùng ảnh sau hay sử dụng: Phân vùng dựa vào ngưỡng Phân vùng dựa vào cạnh Phân vùng dựa vào phát triển vùng Kỹ thuật phân nhóm Các mục