Tra cứu ảnh dựa trên nội dung sử dụng đặc trưng kết cấu

MỤC LỤC MỤC LỤC LỜI CẢM ƠN LỜI MỞ ĐẦU CHƢƠNG 1: TỔNG QUAN VỀ TRA CỨU ẢNH DỰA TRÊN NỘI DUNG .1 1.1 Giới thiệu 1.2 Tra cứu thông tin thị giác 1.2.1 Những thành phần hệ thống tra cứu ảnh 1.2.2 Cơng nghệ tự động trích chọn metadata 1.2.3 Giao diện để lấy yêu cầu truy vấn người sử dụng 1.2.4 Phương pháp để so sánh độ tương tự ảnh 1.2.5 Công nghệ tạo số lưu trữ liệu hiệu 1.3 Đặc điểm tra cứu ảnh 1.4 Những ứng dụng tra cứu ảnh 1.5 Tra cứu ảnh dựa nội dung 1.5.1 Những phương pháp quản lý liệu ảnh truyền thống 1.5.2 Các chức hệ thống tra cứu ảnh dựa nội dung 1.5.3 Trích chọn đặc điểm 11 1.5.4 Những khoảng cách tương tự 13 1.6 Các phương pháp tra cứu ảnh dựa nội dung 16 1.6.1 Tra cứu ảnh dựa màu sắc 16 1.6.2 Tra cứu ảnh dựa kết cấu 16 1.6.3 Tra cứu ảnh dựa hình dạng 17 1.6.4 Tra cứu ảnh đặc điểm khác 18 CHƢƠNG 2: TRA CỨU ẢNH DỰA TRÊN KẾT CẤU .19 2.1 Giới thiệu 19 2.2 Kết cấu theo nhận thức người 19 2.3 Phương pháp cho phân tích kết cấu 21 2.3.1 Tiêu chuẩn kết cấu thống kê 21 2.3.2 Mơ hình kết cấu ước lượng (Stochastic) 21 2.3.3 Tiêu chuẩn kết cấu cấu trúc 21 2.3.4 Những đặc điểm kết cấu 22 2.4 Những phương pháp phân tích kết cấu 23 2.4.1 Phương pháp Gause Markov Random Field (GMRF) 23 2.4.2 Phương pháp Gray-Level Co-occurrence Matrices 23 2.4.3 Phương pháp Gray-Level Difference (GLD) 25 2.4.4 Phương pháp phân bố kết cấu (Texture spectrum) 25 2.5 Mơ hình hình dạng chung dùng kết cấu (GS-Gross Shape) 27 2.5.1 Phương pháp Autocorrelation 27 2.5.2 Phương pháp Tamura 28 2.6 Những phương pháp Primitive 29 2.6.1 Phương pháp Primitive (Early primitive) 30 2.6.2 Phương pháp Gabor 30 CHƢƠNG 3: PHƢƠNG PHÁP PHÂN TÍCH KẾT CẤU MẦU 32 3.1 Phương pháp Color auto-corrlegram 32 3.1.1 Giới thiệu: 32 3.1.2 Thước đo khoảng cách điểm ảnh 33 3.1.3 Những đặc điểm thước đo khoảng cách 33 3.2 Phương pháp ma trận đồng mức xám Co-occurrence Matrix 34 3.2.1 Mô tả đặc điểm 34 3.2.2 Thực cải tiến việc tính tốn ma trận Co-occerrence 36 CHƢƠNG 4: CÀI ĐẶT CHƢƠNG TRÌNH THỬ NGHIỆM 38 4.1 Môi trường thực nghiệm 38 4.2 Kết thử nghiệm 38 4.2.1 Giao diện chương trình 38 4.2.2 Chọn ảnh cần tìm kiếm 39 4.2.3 Kêt tìm kiếm ảnh hồn thiện 39 KẾT LUẬN 40 TÀI LIỆU THAM KHẢO 41 LỜI CẢM ƠN Trước tiên em xin gửi lời cảm ơn chân thành tới thầy giáo hướng dẫn Ngô Trường Giang, người định hướng nghiên cứu tận tình bảo, giúp đỡ em trình thực tập làm đồ án, giúp em hoàn thành báo cáo thực tập kế hoạch Em xin chân thành cảm ơn thầy cô Khoa, Trường ĐHDL Hải Phịng tận tình giảng dạy, truyền đạt kiến thức kinh nghiệm vô quý báu năm học vừa qua Cho em gửi lời cảm ơn chân thành đến trường ĐH Công Nghiệp TP Hồ Chí Minh đào tạo từ xa Trường Trung Cấp Nghề Việt Đức giảng dạy truyền đạt kiến thức giúp đỡ em năm học Cao Đẳng Sau lòng biết ơn sâu sắc đến bố mẹ, anh, chị, bạn bè động viên, giúp đỡ, ủng hộ suốt tháng năm ngồi ghế giảng đường Hà Nội, ngày 25 tháng 10 năm 2010 Sinh viên thực Đổng Nam Hà LỜI MỞ ĐẦU Sự mở rộng đa phương tiện (multimedia), với khối lượng hình ảnh, phim lớn, phát triển xa lộ thông tin thu hút ngày nhiều chuyên gia vào nghiên cứu công cụ cung cấp cho việc lấy thông tin từ liệu ảnh, từ nội dung chúng Lấy thông tin từ liệu ảnh liên quan đến nhiều lĩnh vực khác, từ phòng trưng bày tranh nghệ thuật nơi lưu trữ tranh nghệ thuật lớn như: Viện bảo tàng, kho lưu trữ ảnh chụp, kho lưu trữ ảnh tội phạm, sở liệu ảnh địa lý, y học… điều làm cho lĩnh vực nghiên cứu phát triển nhanh công nghệ thông tin Lấy thông tin từ liệu ảnh đặt nhiều thách thức nghiên cứu cho nhà khoa học kỹ sư Phân tích ảnh, xử lý ảnh, nhận dạng mẫu, giao tiếp người máy lĩnh vực nghiên cứu quan trọng góp phần vào phạm vi nghiên cứu Khía cạnh tiêu biểu lấy thơng tin từ liệu ảnh dựa cơng bố có sẵn đối tượng nhận thức màu sắc, vân (texture), hình dáng, cấu trúc, quan hệ khơng gian, hay phụ thuộc ngữ nghĩa như: đối tượng, vai trò hay kiện hay liên quan đến thông tin ngữ nghĩa quan hệ cảm giác, cảm xúc, nghĩa ảnh Thật phân tích ảnh, nhận dạng mẫu, hay xử lý ảnh đóng vai trị hệ thống lấy thông tin từ ảnh Chúng cho phép trích rút tự động hầu hết thơng tin nhận thức, thơng qua phân tích phân bố điểm ảnh phân tích độ đo Tìm kiếm theo cách thơng thường dựa văn bổ sung truy vấn vào nội dung, nhằm vào khía cạnh nhận thức thơng tin Thực truy vấn mức nhận thức đòi hỏi phương thức mới, cho phép định đến thuộc tính liên quan đến thị giác cần tìm Khi người dùng vịng lặp, mơ hình giao diện cho người dùng truy cập vào giống đối tượng CHƢƠNG 1: TỔNG QUAN VỀ TRA CỨU ẢNH DỰA TRÊN NỘI DUNG 1.1 Giới thiệu Bên cạnh kho liệu văn bản, kho liệu ảnh ngày trở nên khổng lồ vượt q kiểm sốt người Khi nhu cầu tìm kiếm vài ảnh sở liệu hàng trăm ngàn ảnh, điều khó thực ta tìm kiếm tay theo cách thơng thường, nghĩa xem ảnh tìm thấy ảnh có nội dung cần tìm Song song với phát triển phương tiện kỹ thuật số, tương lai số lượng ảnh tăng nhanh nữa, nhiều Do đó, nhu cầu thật địi hỏi phải có cơng cụ hỗ trợ cho việc tìm kiếm sớm tốt Vì đề tài tra cứu ảnh dựa nội dung sở liệu cần thiết Tra cứu ảnh theo nội dung thức xuất năm 1992, đánh dấu Hội thảo hệ thống quản lý thông tin trực quan Quỹ Khoa học Quốc gia Hoa Kỳ Tra cứu ảnh theo nội dung trình tìm kiếm sở liệu ảnh ảnh thỏa mãn yếu cầu Những tìm kiếm đặc thù tiêu biểu cho hệ thống dạng là: QBIC, VIR Image, Engine, VisualSEEK, NeTrA, MARS, Viper Tra cứu ảnh sử dụng nhiều lĩnh vực khác nhau: y tế, khoa học, hình sự, bảo tồn, ngân hàng Tra cứu ảnh nhận quan tâm nhiều nhà nghiên cứu việc tìm kiếm Wikipedia: Hệ thống tra cứu ảnh hệ thống máy tính sử dụng để duyệt, tìm kiếm tra cứu ảnh từ sở liệu ảnh số lớn 1.2 Tra cứu thông tin thị giác Thuật ngữ “Tra cứu thông tin” đưa vào năm 1952 dành quan tâm đặc biệt hội nhà nghiên cứu từ năm 1961 [Jones and Willet, 1977] Chúng ta dễ dàng mơ tả hệ thống tra cứu thông tin hệ thống lưu trữ tra cứu thông tin Như hệ thống, gồm tập hợp thành phần tương tác lẫn nhau, thành phần thiết kế cho chức riêng, có mục đích riêng tất các thành phần có quan hệ với để đạt mục đích tìm kiếm thơng tin phạm vi Trước đây, tra cứu thơng tin có nghĩa tra cứu thơng tin theo kết cấu, định nghĩa giữ ứng dụng vào việc tra cứu thông tin thị giác (VIRVisual Infomation Retrieval) Mặc dù có phân biệt kiểu thông tin nét tự nhiên tra cứu văn đối tương trực quan Thông tin kết cấu tuyến tính ảnh hai chiều video ba chiều Một cách xác văn cung cấp với điểm bắt đầu kết thúc vốn có với chuỗi phân tích cú pháp tự nhiên Chiến lược phân tích cú pháp tự nhiên khơng thích hợp với ảnh video Có hai phương pháp chung để giải tốn tra cứu thông tin thị giác (trực quan) dựa thơng tin trực quan là: Phương pháp dựa thuộc tính phương pháp dựa đặc điểm Phương pháp dựa thuộc tính dựa vào tra cứu thông tin kết cấu truyền thống phương pháp quản lý sở liệu dựa lý trí can thiệp người để trích chọn metadata đối tượng trực quan thích kết cấu Thật khơng may việc phân tích kết cấu nhiều thời gian tốn nhiều cơng sức Hơn lời thích phụ thuộc nhiều vào cảm nhận chủ quan người, mà cảm nhận chủ quan giải thích mơ hồ nguyên nhân ghép đơi khơng cân xứng q trình xử lý Vấn đề truy cập ảnh video dựa text thúc đẩy quan tâm đến phát triển giải pháp dựa đặc điểm Đó thay giải thích thủ cơng từ khố dựa văn bản, ảnh trích chọn cách sử dụng số đặc điểm thị giác màu sắc, kết cấu, hình dạng đánh số dựa đặc điểm thị giác Phương pháp chủ yếu dựa kết của đồ hoạ máy tính Trong luận văn này, tập trung vào số đặc điểm cụ thể đặc biệt đặc điểm dựa màu sắc kết cấu ứng dụng cho tra cứu ảnh nói chung cho tra cứu ảnh dựa nội dung Mặc dù khơng có đặc điểm riêng lẻ tốt cho kết xác thiết lập chung Một kết hợp thông thường đặc điểm cần thiết để cung cấp kết tra cứu thích đáng ứng dụng tra cứu ảnh dựa nội dung 1.2.1 Những thành phần hệ thống tra cứu ảnh Một hệ thống tra cứu ảnh đòi hỏi thành phần hình 1.1: Image Fectures Extraction Color Shape Color Sensation Spatial Relation Query Interface User Drawing Query Query by Color Server Indexing & Filtering Internet or Intranet or Extranet Image Database Query by Color Sensation Query by Images Query by Shape Query by Spatial Relation Similarity Measure Color Color Sensation Shape Spatial Relation Learning Weight of Features Mechanism Server Client Hình 1.1 Kiến trúc tổng quan hệ thống tra cứu ảnh 1.2.2 Công nghệ tự động trích chọn metadata Mỗi đặc điểm nguyên thủy ảnh có định dạng đặc trưng biểu đồ màu sử dụng rộng rãi để biểu thị đặc điểm màu sắc Một ví dụ khác đặc điểm hình dạng biểu thị tập đoạn biên liền Với metadata thích hợp hệ thống tra cứu ảnh dựa nội dung tra cứu ảnh màu sắc, hình dạng, kết cấu kết hợp đặc tính 1.2.3 Giao diện để lấy yêu cầu truy vấn ngƣời sử dụng Trong hệ thống tra cứu trình tra cứu yêu cầu tra cứu Vì vậy, vấn đề cốt yếu để lấy yêu cầu truy vấn người sử dụng cách xác dễ dàng Tra cứu dựa text sử dụng rộng rãi hệ thống tra cứu, ví dụ tìm sách mà mong muốn với từ khóa thư viện Với hệ thống tra cứu ảnh dựa nội dung trình tra cứu thường thực thơng qua hình ảnh mẫu cung cấp người sử dụng gọi truy vấn mẫu Mặc dù người sử dụng luôn đưa ảnh mẫu cho hệ thống tra cứu Hệ thống tra cứu ảnh dựa nội dung giải vấn đề cách đưa giao diện để định chọn số đặc điểm cho việc cung cấp ảnh mẫu Chẳng hạn sử dụng hệ thống QBIC IBM người sử dụng định truy vấn đặc điểm màu sắc cách chọn số lượng thành phần RED, BLUE, GREEN liên quan lựa chọn màu sắc ảnh mong muốn từ bảng màu, đồng thời người sử dụng chọn kết cấu mong muốn cho đặc điểm kết cấu vẽ phác họa cho truy vấn đặc điểm hình dạng 1.2.4 Phƣơng pháp để so sánh độ tƣơng tự ảnh Hệ thống tra cứu ảnh dựa nội dung yêu cầu phương pháp dựa đặc điểm nguyên thủy để so sánh độ tương tự ảnh mẫu tất hình ảnh tập ảnh Mặc dù tương tự khác gữa ảnh không xác định theo cách Số lượng ảnh tương tự thay đổi yêu cầu truy vấn thay đổi Chẳng hạn trường hợp hai tranh, biển xanh mặt trời mọc trường hợp khác núi xanh với mặt trời mọc Khi mặt trời xem xét độ tương tự hai ảnh cao đối tượng quan tâm biển xanh độ tương tự hai ảnh thấp Như khó khăn để tìm phương pháp đo độ tương tự hai hình ảnh cách xác tất kiểu yêu cầu truy vấn Hay nói cách khác phương pháp tra cứu có giới hạn Ví dụ khó cho cơng nghệ tra cứu dựa màu sắc để tìm điểm khác ảnh bầu trời màu xanh với ảnh mặt biển xanh Vì đánh giá công nghệ tra cứu ảnh dựa nội dung cần phải biết hiệu cơng nghệ phụ thuộc vào kiểu yêu cầu tra cứu mà người dùng sử dụng 1.2.5 Công nghệ tạo số lƣu trữ liệu hiệu Đối với tập liệu ảnh lớn khơng gian lưu trữ cho metadata cần thiết Một hệ thống tra cứu ảnh dựa nội dung phải có cơng nghệ hiệu để quản lý metadata đồng thời phải có chuẩn để mơ tả Chuẩn MP7 chuẩn quan trọng để mô tả metadata cho liệu ảnh liệu video Khi truy vấn xử lý sở liệu lớn, việc so sánh độ tương tự ảnh truy vấn tất hình ảnh cặp khơng thể thực người dùng cần ảnh có độ tương tự cao so với ảnh mẫu Những số cấu trúc giúp tránh việc tìm kiếm cải thiện truy vấn cách hiệu nên sử dụng hệ thống tra cứu ảnh dựa nội dung Hơn với sở liệu ảnh thường xuyên thay đổi số cấu trúc động cần thiết Khi nội dung ảnh thể vector low dimension khoảng cách ảnh định nghĩa (chẳng hạn khoảng không gian tính tốn khoảng cách Euclidean) R thành phần sử dụng để đánh số cho ảnh Khi khoảng cách không định nghĩa không gian vector không gian vector Hight dimension mà có hàm khoảng cách tức khoảng khơng metric phương pháp để đánh số ảnh dựa hàm khoảng cách không gian metric thích hợp 1.3 Đặc điểm tra cứu ảnh Kiểu truy vấn thích hợp để người sử dụng đưa vào sở liệu ảnh? Để trả lời câu hỏi cách sâu sắc đòi hỏi phải có hiểu biết chi tiết nhu cầu người sử dụng: Tại người dùng lại tìm kiếm ảnh, họ sử dụng chúng để làm gì, họ đánh giá lợi ích hình ảnh mà họ tìm Cảm giác chung gợi ảnh tĩnh yêu cầu loạt lý gồm: Minh họa báo, truyền đạt thơng tin cảm xúc khó mơ tả từ Hiển thị liệu chi tiết cho phân tích Ghi lại liệu thiết kế cho việc sử dụng sau Truy cập tới ảnh yêu cầu từ kho liệu ảnh liên quan đến việc tìm kiếm ảnh mơ tả kiểu đặc biệt đối tượng đơn giản bao gồm kết cấu mầu đặc biệt Vì ảnh có nhiều thuộc tính sử dụng cho việc tra cứu bao gồm: Sự kết hợp đặc biệt đặc tính màu sắc, kết cấu, hình dạng (ví dụ mà xanh) Sự xắp xếp kiểu riêng biệt đối tượng (ví dụ ghế xung quanh bàn) Sự mô tả kiểu kiện ( Trận bóng đá) Tên cá nhân , vị trí, kiện( ví dụ Nữ hồng đón nhận vương miện) Những cảm xúc chủ quan kết hợp với hình ảnh( ví dụ niềm hạnh phúc) Metadata giống tạo ảnh, đâu, nào? Mỗi kiểu truy vấn liệt kê bên miêu tả mức trừu tượng cao mức trước Và mức khó để trả lời mà khơng tham khảo thêm tri thức bên Điều dẫn đến kiểu truy vấn phân làm ba mức tăng dần theo độ phức tạp Mức 1: Gồm tra cứu đặc điểm nguyên thủy màu sắc, kết cấu, hình dạng vị trí đặc biệt phần tử ảnh Ví dụ “Tìm tranh với đối tượng dài , màu xám đỉnh góc trái”, “ Tìm ảnh chứa ngơi màu vàng xếp thành dãy” “Tìm tranh giống này” Mức tra cứu sử dụng đặc điểm từ ảnh mà khơng cần tham khảo tri thức bên ngồi Nó thường ứng dụng lĩnh vực chuyên gia việc đăng kí thương hiệu, nhận dạng sưu tập thiết kế Mức 2: Gồm tra cứu đặc điểm biến đổi liên quan đến số kết luận logic đồng đối tượng mơ tả ảnh Nó chia thành: a) Khôi phục đối tượng theo kiểu định( ví dụ tìm ảnh xe bt tầng b) Tra cứu đối tượng đặc biệt người (ví dụ tìm ảnh tháp Eiffel) Để trả lời truy vấn mức cần phải tham khảo số tri thức bên ngoài, đặc biệt truy vấn mức 2b Trong ví dụ hiểu biết trước tiên cần thiết để xác định đối tượng xe buýt xe tải Trong ví dụ thứ cần tri thức cấu trúc có tên “tháp Eiffel” Truy vấn mức thường gặp so với mức Mức 3: Gồm tra cứu thuộc tính trừu tượng liên quan đến số lượng đáng kể suy luận mức cao ý nghĩa mục đích đối tượng Mức chia làm: a) Tra cứu tên gọi kiện kiểu hành động (ví dụ Tìm tranh điệu nhảy dân gian Scottish) b) Tra cứu ảnh với cảm xúc (“Tìm tranh mơ tả đau khổ”) Những thành công trả lời truy vấn mức đòi hỏi vài tinh tế cơng cụ dị tìm Để tạo kết nối nội dung ảnh khái niệm trừu tượng cần phải có lập luận phức hợp ý kiến chủ quan để minh họa Nhưng truy vấn mức độ phổ biến mức độ thường gặp báo chí thư viện nghệ thuật Chúng ta nhận thấy phân lớp kiểu truy vấn có lợi cho việc minh họa điểm mạnh hạn chế công nghệ tra cứu ảnh khác Khoảng cách đáng kể nằm gữa mức mức Một số tác giả đề cập Ví dụ Ngưỡng 1 LBP=1+8-32+128 = 169 0 Trọng số 32 0 0 128 C=(6+7+9+7)/4-(5+2+1+3)/4 = 4,5 Hình 2.2: Tính tốn thước đo mẫu nhị phân cục tương phản Một lớp khác phương pháp phân bố kết cấu gồm phương pháp Ntuple Trong đơn vị kết cấu phương pháp mô tả sử dụng tất điểm vùng lân cận nhỏ phương pháp sử dụng tập điểm từ vùng lân cận lớn Điển hình tập đến 10 điểm sử dụng từ vùng lân cận x tới vùng 10 x 10 Những tập nhỏ lựa chọn ngẫu nhiên; kiểu nhớ thuật toán N-tuple phải có 30 đơn vị Ntuple, đơn vị có tập ngẫu nhiên phân biệt điểm lân cận Biểu đồ đơn vị kết cấu thông tin lớp kết cấu tính tốn độc lập đơn vị Ntuple Thông tin lớp kết cấu từ đơn vị N-tuple kết hợp để tạo thơng tin lớp nhớ N-tuple Tóm lại, phương pháp phân bố kết cấu nhạy cảm với tương tác cao điểm ảnh Điều thực cách giảm kích thước khơng gian cường độ việc lượng tử hố Thậm chí khơng gian giảm số lượng giới hạn điểm ảnh, điển hình 10, với đặc điểm véc tơ để tạo lên đặc tính kết cấu 2.5 Mơ hình hình dạng chung dùng kết cấu (GS-Gross Shape) 2.5.1 Phƣơng pháp Autocorrelation Một thuộc tính quan trọng nhiều kết cấu lặp lại tự nhiên phần kết cấu ảnh Hàm tương quan tự động ảnh sử dụng để truy cập số lượng lớn tính đặn độ mịn, độ thô kết cấu xuất ảnh Hàm tương quan tự động P ảnh I định nghĩa sau: 27 P(x,y) = ∑Nu=0∑Nr=0 I(u,v)I(u+x,v+y) / ∑Nu=0∑Nr=0 I2(u,v) Ví dụ hàm tương quan tự động số kết cấu rõ hình 2.3 Những hàm tương quan tự động kết cấu khơng tuần hồn bao qt chóp đơn Bề rộng bề dài chóp xác định độ thô hướng kết cấu Trong kết cấu mịn mặt hình 3.a, hàm tương quan tự động giảm nhanh chóng tạo hình nhọn Mặt khác, kết cấu thơ hình 4.3 hàm tương quan tự động giảm chậm hơn, tạo đỉnh rộng Một kết cấu hướng hình 3.c tạo đỉnh thon dài, với kết cấu cân đối hình 3.d hàm tương quan tự động biểu thị đỉnh rãnh Hình 2.3: Hàm tương quan tự động tính tốn cho kết cấu Sự phân biệt khả phương pháp tương quan tự động so sánh với phương pháp khác, theo thí nghiệm Wesszka mặt lý thuyết Harlow hai cơng trình nghiên cứu nhận thấy phương pháp tương quan tự động phân biệt yếu phương pháp GLC Họ giải thích điều khơng thích hợp mơ hình kết cấu 2.5.2 Phƣơng pháp Tamura Tamura đề xướng phương pháp tiếp cận với đặc điểm kết cấu dựa nhận thức tri giác người, xác định sáu đặc điểm kết cấu là: (độ thô, độ tương phản, hướng, đường nét(line-likeness), trạng thái đặn độ ráp) so sánh chúng với thước đo tâm sinh lý người Ba đặc điểm thu kết thành công sử dụng rộng rãi 28 Độ thô có quan hệ trực tiếp tới phạm vi tỷ lệ lặp coi đặc điểm kết cấu Một ảnh chứa kết cấu nhiều phạm vi, độ thô nhằm xác định kích thước lớn mà tồn kết cấu, chí kết cấu nhỏ Đầu tiên tính trung bình điểm với lân cận có kích thước luỹ thừa Sau toạ độ lấy khác cặp trung bình tương ứng vùng lân cận không trùng Ek,h(x,y) = |Ak(x+2k-1,y) – Ak(x – 2k-1,y)| Với điểm chọn kích thước tốt với k cho E lớn hai hướng Thước đo độ thơ trung bình Sopt (x,y) = 2opt khắp ảnh Độ tương phản nhằm đạt vùng động mức xám ảnh khác biệt phân bố màu đen trắng Trước tiên đo độ lệch tiêu chuẩn mức xám, sau kurtosis Thước đo tương phản định nghĩa sau: n Fcon = /( Ở đây: 4) = 4/ moment thứ tư giá trị trung bình giá trị biến thiên Qua thực nghiệm n=1/4 cho thoả thuận chặt chẽ với thước đo người Hướng thuộc tính tồn vùng Đặc điểm mô tả không nhằm mục đích phân biệt hướng mẫu khác tổng độ hướng Hai mặt nạ đơn giản sử dụng để phát biên ảnh, với điểm góc độ lớn tính tốn Một biểu đồ Hd xác suất biên sau tính tốn cách tính tất toạ độ với đọ lớn lớn ngưỡng lượng tử hố góc biên Biểu đồ phản ánh góc độ hướng Để rút thước đo từ H d, đỉnh cao độ tính tốn từ moment thứ hai chúng Ảnh tamura khái niệm mà ta tính tốn giá trị cho ba đặc điểm điểm ảnh xử lý chúng phân bố không gian khớp nối độ thô, độ tương phản hướng, ảnh xem phân bố không gian RGB đặc điểm kiểu biểu đồ màu sử dụng Nét độc đáo kết cấu giá trị điểm tính tốn thơng qua cửa sổ 2.6 Những phƣơng pháp Primitive Phần đề cập tới phương pháp gồm kết cấu biên phương pháp hình thái học Một số kết cấu ban đầu sử dụng phương pháp có 29 phạm vi hướng đặc trưng Ví dụ đường thẳng biên có hướng xác định tốt phạm vi đường thẳng xác định chiều rộng Như thấy, phương pháp điều hoà đồng thời đo phạm vi đặc điểm đặc trưng hướng, đặc biệt có mối quan hệ chặt chẽ phương pháp Gabor biến đổi Fourie Về bản, Gabor phần biến đổi Fourie Mặc dù vậy, phân biệt phương pháp rõ ràng Những phương pháp Primitive đo đặc điểm cục bộ, phương pháp điều hoà lại đo đặc điểm rời rạc thuộc không gian Những phương pháp Primitive liên quan tới phương pháp kết cấu cấu trúc phương pháp kết cấu cấu trúc có khuynh hướng tạo nên độ phức tạp phương pháp Primitive lấy mẫu kết cấu đơn giản 2.6.1 Phƣơng pháp Primitive (Early primitive) Những lọc không gian cách trực tiếp để đạt thuộc tính kết cấu ảnh Những cố gắng trước định nghĩa phương pháp tập trung vào đo mật đọ biên đơn vị diện tích Những kết cấu mịn có xu hướng có mật độ biên đơn vị diện tích cao kết cấu thơ Thước đo biên thường tính tốn mặt nạ biên đơn giản Robert Lplace Thước đo biên tính tốn khắp vùng ảnh việc tính tốn độ lớn từ đáp ứng mặt nạ Robert Laplace Hsu đưa phương pháp khác, đo cường độ điểm khác điểm lân cận với cường độ không đổi, khoảng cách sử dụng thước đo mật độ biên Malik Peroma đưa lọc không gian để làm mẫu trước cảm nhận kết cấu hệ thống thị giác người Những lọc cân xứng thường sử dụng bao gồm khác độ lệch hàm Gauss Những phương pháp khơng tuyến tính cần thiết để phân biệt cặp kết cấu với độ sáng trung bình số liệu thống kê thứ hai giống hệt nhau.Sự khám phá đường ranh giới kết cấu thực phương pháp phát biên đơn giản Những phương pháp làm việc mẫu kết cấu khác phân biệt nét tự nhiên tốt kết cấu nhân tạo 2.6.2 Phƣơng pháp Gabor Một số phương pháp dựa xử lý tín hiệu số cho việc trích chọn đặc điểm kết cấu trở thành tác dụng cho lọc Gabor Chúng lọc miền tần số khơng gian Bộ lọc Gabor sử dụng để tạo mẫu cho câu trả lời hệ thống thuộc tri giác người Turner trước tiên sử dụng 30 danh sách lọc Gabor để phân tích kết cấu Các lọc phạm vi khác hướng khác cho phép lọc đa kênh ảnh để trích chọn thơng tin tần số hướng Sau lọc sử dụng để phân tích hình ảnh đặc điểm kết cấu Đặc điểm tính tốn cách lọc ảnh với dãy lọc hướng tính tốn độ lệch chuẩn độ lệch trung bình đầu phạm vi tần số Việc lọc ảnh I(x,y) với lọc Gabor phác hoạ sau: Wmn(x,y) = ∫I(x,y)gmn * (x - x1,y – y1)dx1dy1 Độ lệch chuẩn độ lệch trung bình đại lượng |Wmn| sử dụng cho đặc điểm véc tơ Đầu lọc phạm vi khác cho vùng khác Vì lý mà thành phần đặc điểm véc tơ chuẩn hoá cách sử dụng độ lệch chuẩn 31 CHƢƠNG 3: PHƢƠNG PHÁP PHÂN TÍCH KẾT CẤU MẦU 3.1 Phƣơng pháp Color auto-corrlegram 3.1.1 Giới thiệu: Như trình bày phần trên, biểu đồ màu kỹ thuật quan trọng việc tra cứu ảnh dựa nội dung Biểu đồ màu đại diện cho xác suất điểm ảnh ảnh thuộc màu Ci tính sau: Pr(P є Ci) = hi /m*n Biểu đồ màu dễ tính tốn, cần duyệt qua ảnh lần độ phức tạp O(n2) Màu sắc số đặc điểm trực quan nhất, số trường hợp hiệu việc sử dụng biểu đồ màu để tìm kiếm tra cứu tốt Tuy nhiên điểm hạn chế phương pháp biểu đồ màu truyền thống khơng có thơng tin không gian, cho dù biểu đồ màu cục cải tiến phần Có số kỹ thuật đưa để tích hợp thơng tin khơng gian với biểu đồ màu, color auto-Correlogram kỹ thuật Chúng ta xem xét vấn đề sau: Lấy điểm ảnh P1có màu Ci ảnh, với khoảng cách K tính từ P1 lấy điểm ảnh P2, xác suất để P2 có màu Ci gì? Auto-Correlogram ảnh I cho mà Ci với khoảng cách k định nghĩa: Y(k)c (I) ≡ Pr[| p1 – p2| = k,p2є Ici | p1є Ici] Vì vậy, auto-Correlogram mối tương quan tự động không gian màu thay đổi so với khoảng cách Ví dụ ta xét ảnh hình 5.1: Hình 3.1: Hai ảnh tương tự Dễ nhận thấy biểu đồ ảnh giống hoàn toàn, autocorrelogram chúng khác hình 3.2 32 Hình 3.2: Auto-Correlogram hai ảnh hình 3.1 Auto-Correlogram tích hợp thơng tin màu thông tin không gian Đối với điểm ảnh, phương pháp cần phải duyệt qua tất láng giềng điểm ảnh Vì độ phức tạp tính tốn O(k*n2) với k số điểm ảnh láng giềng, phụ thuộc vào lựa chọn khoảng cách Độ phức tạp tính tốn tăng nhanh k lớn (k