Tổng quan về bài toán trích chọn đặc trưng và phân tích ảnh Xquang nha khoa; cơ sở lý thuyết; phương pháp phân cụm với nhiều trọng số mũ ngôn ngữ dựa trên đại số gia tử; trích chọn đặc trưng răng từ ảnh XQuang nha khoa.
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Trích chọn đặc trưng phân tích ảnh X-Quang nha khoa NGUYỄN ĐỨC VƯỢNG ducvuong.hv@gmail.com Ngành: Công nghệ thông tin Giảng viên hướng dẫn: PGS.TS Trần Đình Khang Viện: Công nghệ thông tin Truyền thông HÀ NỘI, 2020 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Trích chọn đặc trưng phân tích ảnh X-Quang nha khoa NGUYỄN ĐỨC VƯỢNG ducvuong.hv@gmail.com Ngành: Công nghệ thông tin Giảng viên hướng dẫn: PGS.TS Trần Đình Khang Chữ ký GVHD Viện: Công nghệ thông tin Truyền thơng HÀ NỘI, 2020 CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn : Nguyễn Đức Vượng Đề tài luận văn: Trích chọn đặc trưng phân tích ảnh X-quang nha khoa Chun ngành: Cơng nghệ thơng tin Mã số SV: CA180147 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 27 tháng năm 2020 với nội dung sau: STT Nội dung chỉnh sửa Mục lục Trang Đề cập so sánh khác biệt thuật toán phân cụm mờ cải tiến tác giả với ý tưởng cải thiện hệ số mũ Chương phân cụm thuật toán FCM trước (thuật Chương toán HAm-FCM tác giả Lê Thái Hưng, Trần Đình Khang), tài liệu tham khảo [15] Đổi tên thuật toán phân cụm mờ cải tiến từ HAm-FCM Tồn thành XHAm-FCM có trùng lặp, khó phân biệt ~ luận văn với thuật tốn cơng bố trước Việc đánh giá so sánh kết phân cụm chương thực theo phương pháp randomsplit với độ đo (chỉ số Rand Index), tác giả sử dụng 70% liệu để tiến hành phân cụm đánh giá Chương 30% liệu cịn lại thay sử dụng tất tồn liệu cho vào phân cụm trước Update toàn bảng kết Đã cập nhật kết khảo sát ảnh hưởng tham số Chương tới hiệu thuật toán phân cụm XHAm-FCM Phần ~ Được cập nhật bảng kết Chương 3.2.3.3 Việc sử dụng tham số step phần 3.1 cập nhật Chương Phần 3.1 29 Đã thêm trích dẫn tài liệu tham khảo cho thuật toán Chương FCMT2I Chương 11 27-28 ~ Bảng kết đánh giá Chương sửa lại theo Chương format table ~ Luận giả tường minh thách thức việc lựa chọn phân cụm mờ làm cách tiếp cận giải toán Chương 4-5 19 Đã giải thích việc sử dụng thuật toán phân cụm FCMT2I để tiến hành mở rộng Chương Chương 10 Ý nghĩa việc xác định trục số nha khoa Chương trình bày rõ Chương 42 11 Lỗi soạn thảo, tả ~ ~ Ngày tháng năm 2020 Tác giả luận văn Giáo viên hướng dẫn CHỦ TỊCH HỘI ĐỒNG LỜI CẢM ƠN Đầu tiên, xin gửi lời cảm ơn sâu sắc tới Thầy giáo – PGS.TS Trần Đình Khang, Giảng viên trường Đại học Bách Khoa Hà Nội hướng dẫn cho lời khuyên quý báu trình thực luận văn Tiếp theo, tơi xin chân thành cảm ơn thầy cô Viện Công nghệ thông tin truyền thông, Viện Đào tạo sau đại học, Trường Đại học Bách Khoa Hà Nội tạo điều kiện cho tơi suốt q trình học tập nghiên cứu trường Cuối cùng, xin bày tỏ lòng cảm ơn tới người thân gia đình, đồng nghiệp, bạn bè động viên giúp đỡ để tơi hồn thành luận văn HỌC VIÊN Nguyễn Đức Vượng MỤC LỤC MỤC LỤC i DANH MỤC HÌNH VẼ iii DANH MỤC BẢNG BIỂU iv MỞ ĐẦU CHƯƠNG 1: GIỚI THIỆU BÀI TỐN TRÍCH CHỌN ĐẶC TRƯNG VÀ PHÂN TÍCH ẢNH X-QUANG NHA KHOA 1.1 Đặt vấn đề 1.2 Hướng tiếp cận luận văn CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Bài toán phân cụm liệu 2.2 Phân cụm mờ thuật toán FCM 2.3 Thuật toán phân cụm FCMT2I 11 2.3.1 Ý tưởng thuật toán FCMT2I 11 2.3.2 Thuật toán FCMT2I 16 2.4 Tổng quan đại số gia tử 19 2.4.1 Đại số gia tử 19 2.4.2 Đại số gia tử đối xứng tuyến tính 20 2.4.3 Đại số gia tử hữu hạn 22 2.5 Các số đánh giá mức độ hiệu thuật toán phân cụm 23 2.5.1 Davies-Bouldin 23 2.5.2 Alternative Silhouetee 23 2.5.3 PBM 24 2.5.4 Rand Index 24 CHƯƠNG 3: PHƯƠNG PHÁP PHÂN CỤM VỚI NHIỀU TRỌNG SỐ MŨ NGÔN NGỮ DỰA TRÊN ĐẠI SỐ GIA TỬ 26 3.1 Điều chỉnh trọng số mũ theo cụm – thuật toán XHAm-FCM1 27 3.1.1 Phương pháp 27 3.1.2 Chi tiết thuật toán 28 3.1.3 Kết thử nghiệm 29 3.2 Điều chỉnh trọng số mũ theo phần tử - thuật toán XHAm-FCM2 31 3.2.1 Phương pháp 31 3.2.2 Chi tiết thuật toán 33 i 3.2.3 Thử nghiệm, kết đánh giá 34 3.3 Nhận xét đánh giá thuật toán 39 CHƯƠNG 4: TRÍCH CHỌN ĐẶC TRƯNG RĂNG TỪ ẢNH 40 X-QUANG NHA KHOA 40 4.1 Bài toán 40 4.2 Cấu trúc ảnh X-quang nha khoa 40 4.3 Phương pháp 41 4.3.1 Bước tiền xử lý ảnh 42 4.3.2 Bước phân cụm ảnh 43 4.3.3 Bước xác định trục 45 4.4 Cấu trúc chương trình 51 4.5 Kết quả, nhận xét đánh giá 52 KẾT LUẬN 54 TÀI LIỆU THAM KHẢO 56 PHỤ LỤC 58 ii DANH MỤC HÌNH VẼ Hình 2.1 Mơ tốn phân cụm hình ảnh Hình 2.2.Sự khác biệt phân cụm rõ phân cụm mờ Hình 2.3.“Khoảng mờ tối đa” trường hợp phân cụm rõ 12 Hình 2.4.Mối quan hệ khoảng cách tương đối độ thuộc theo tham số m 13 Hình 2.5.Mối quan hệ vùng mờ tối đa tham số mũ m(a) m nhỏ, (b) m lớn 13 Hình 2.6.Vùng mờ tối đá thích hợp với trường hợp hai cụm có cấu trúc bán kính giống 14 Hình 2.7.Vùng mờ tối đa trường hợp (a) m nhỏ, (b) m lớn với hai cụm có bán kính cấu trúc khác 14 Hình 2.8.“Vùng mờ tối đa” mong muốn trường hợp hai cụm có bán kính cấu trúc khác 15 Hình 3.1.Ví dụ minh họa cho việc xác định “có nhiều điểm gần hơn” hai điểm A,B 32 Hình 4.1.Một ảnh X-quang nha khoa 41 Hình 4.2.Các bước thực trích xuất trục số 42 Hình 4.3.Vùng ảnh lấy để tiến hành phân tích 43 Hình 4.4.Ảnh “aug (3).jpg” sau tiến hành crop 43 Hình 4.5.Kết sau phân cụm với ảnh đầu vào “aug (3).jpg” 44 Hình 4.6.Ảnh canny thu với thresh_hold = 120 46 Hình 4.7.Vùng chưa thơng tin cần thiết vùng nhiễu (màu vàng) 46 Hình 4.8.Kết sau loại nhiễu 47 Hình 4.9.Ảnh gốc sau sử dụng thuật toán Canny 48 Hình 4.10.Điểm tìm với số 49 Hình 4.11.Mơ phương pháp tìm trục 49 Hình 12.Một ví dụ minh họa kết đạt với ảnh “aug (3).jpg” 50 Hình 4.13.Kết đạt khơng sử dụng thuật toán phân cụm với ảnh “aug (3).jpg” 50 Hình 4.14.Giao diện chương trình 51 iii DANH MỤC BẢNG BIỂU Bảng 2.1.Bảng quan hệ SIG 21 Bảng 2.Giá trị fm(.), v(.) với cá tham số cho trước 22 Bảng 3.1.Chi tiết liệu IRIS, HEART GLASS 29 Bảng 3.2.Kết thử nghiệm thuật toán FCMT2I XHAm-FCM1 với liệu IRIS 30 Bảng 3.3.Kết thử nghiệm thuật toán FCMT2I HAmFCM với liệu HEART 30 Bảng 4.Kết thử nghiệm thuật toán FCMT2I HAmFCM với liệu GLASS 31 Bảng 5.Chi tiết liệu đươc sử dụng việc phân tích độ hiệu thuật toán XHAm-FCM2 35 Bảng Bảng kết ảnh hưởng tham số m1, m2 tới kết phân cụm với liệu IRIS 36 Bảng Bảng đánh giá so sánh thuật toán phân cụm với liệu IRIS 36 Bảng Bảng kết ảnh hưởng tham số m1, m2 tới kết phân cụm với liệu WINE 37 Bảng Bảng đánh giá so sánh thuật toán phân cụm với liệu WINE 37 Bảng 10 Bảng kết ảnh hưởng tham số m1, m2 tới kết phân cụm với liệu WDBC 37 Bảng 11 Bảng đánh giá so sánh thuật toán phân cụm với liệu WDBC 37 Bảng 12 Bảng kết ảnh hưởng tham số m1, m2 tới kết phân cụm với liệu HEART 38 Bảng 3.13.Bảng đánh giá so sánh thuật toán phân cụm với liệu HEART 38 Bảng 14 Bảng kết ảnh hưởng tham số m1, m2 tới kết phân cụm với liệu ECOLI 38 Bảng 15.Bảng đánh giá so sánh thuật toán phân cụm với liệu ECOLI 38 Bảng 4.1.Kết chạy chương trình với liệu gồm 40 ảnh X-quang 53 iv MỞ ĐẦU Trong năm gần đây, phát triển khoa học thơng tin máy tính đem lại nhiều thành tựu to lớn mặt đời sống kĩ thuật, kinh tế xã hội Khi mà đời sống người nâng cao, vấn đề chăm sóc sức khỏe ngày trọng Một lĩnh vực sức khỏe mà người quan tâm bệnh liên quan tới miệng Ảnh X-quang nguồn thông tin cần thiết cho nha sĩ xác định triệu chứng bệnh tổn thương miệng cách xác Nếu trước kia, cần có bác sĩ đọc ảnh X-quang để xác định dấu hiệu cho việc chuẩn đốn điều trị bệnh, ngày nay, với phát triển khoa học kĩ thuật, đặc biệt lĩnh vực trí tuệ nhân tạo, nghĩ tới việc làm chương trình máy tính huấn luyện “đọc” ảnh X-quang phát dấu hiệu bệnh ban đầu thay nha sĩ Đã có số cơng trình nghiên cứu phân tích ảnh X-quang việc trích chọn số đặc trưng ảnh Local Patterns Binary feature (LBP), Entropy, Gradient feature (GRA)… Từ liệu trích chọn đó, người ta dùng phương pháp học máy khác để huấn luyện mơ hình chuẩn đốn bệnh Tuy nhiên, đặc trưng trích chọn chủ yếu thiên việc trích chọn đặc trưng ảnh mà khơng có đặc trưng liên quan tới Hướng tiếp cận luận văn đưa phương pháp tường minh, sử dụng thuật toán phân cụm cải tiến các kĩ thuật xử lý ảnh để xác định đặc trưng ảnh X-quang nha khoa Cụ thể, luận văn này, đặc trưng tìm trục khơn (răng số 8), đặc trưng quan trọng việc xác định khơn có bị mọc lệch hay không Bố cục luận văn bao gồm Chương sau: Chương 1: Giới thiệu tốn trích chọn đặc trưng phân tích ảnh X-quang nha khoa Chương 2: Trình bày sở lý thuyết sử dụng luận văn Chương 3: Trình bày ý tưởng, nội dung, kết thử nghiệm thuật toán phân cụm cải tiền từ thuật toán phân cụm mờ truyền thống Fuzzy C-means Clustering – FCM sử dụng nhiều trọng số mũ ngôn ngữ dựa đại số gia tử, thuật tốn XHAm-FCM Chương 4: Trình bày phương pháp trích chọn đặc trưng ảnh Xquang nha khoa, có sử dụng phương pháp phân cụm đề xuất Chương 4.3.3 Bước xác định trục Để xác định trục răng, cần tiến hành bước sau: • Bước 1: Sử dụng công cụ thư viện OpenCV để lấy ảnh canny với thresh_hold = 120 Đầu ảnh với cạnh tơ viền trắng hình 14 đây, thơng tin viên cạnh ảnh Snip code: Về tổng quan giải thuật Canny gồm bước chính: o Noise reduction: giảm nhiễu o Finding intensity Gradient of the image: tính Gradient hướng Gradient ảnh o Non-maximum Suppression: loại bỏ pixel vị trí khơng phải cực đại toàn cục o Hysteresis Thresholding: lọc ngưỡng Chi tiết thuật tốn xem tại: “https://docs.opencv.org/master/da/d22/tutorial_py_canny.html” 45 Hình 4.6.Ảnh canny thu với thresh_hold = 120 • Bước 2: Tiến hành khử nhiễu với vùng không liên quan tới số nét bị thừa làm thơng tin trích trọn bị sai lệnh Hình 4.7.Vùng chưa thông tin cần thiết vùng nhiễu (màu vàng) 46 Trong hình 4.7, vùng màu trắng vùng cần xử lý liệu, vùng màu vàng vùng mà không cần thiết nhiễu cần phải loại bỏ Kết đạt sau loại bỏ nhiễu thể qua hình 4.8 đây: Hình 4.8.Kết sau loại nhiễu Ở đây, làm phép so sánh ảnh canny không dùng phân cụm có sử dụng phân cụm để bước đầu thấy hiệu việc phân cụm mang lại Hình 18 ảnh canny đạt dùng ảnh gốc với thông số tương tự với ảnh phân cụm 47 Hình 4.9.Ảnh gốc sau sử dụng thuật tốn Canny Chúng ta thấy rằng, vùng nhiễu nét dài liên nhau, nét đứt đoạn, ngắn ảnh canny ảnh sau phân cụm Điều gây khó khăn cho việc xóa vùng nhiễu ảnh nét dài dễ nhầm với cạnh • Bước 3: Xác định điểm số Do khơng có phương pháp xác để xác định điểm răng, luận văn sử dụng phương pháp heuristics với độ xác chấp nhận để tìm điểm nằm số Phương pháp thực sau: * Đối với bên trái, dò từ góc bên trái dịch dần vào tâm ảnh Tại điểm, ta kẻ đoạn ngang dọc qua điểm đó, đường kẻ ngang cắt viền ảnh canny trái phải, đường kẻ dọc cắt khơng cắt phía viền ảnh canny điểm coi điểm * Đối với góc khác hồn tồn tương tự với phương pháp Dưới ví dụ kết đạt với phương pháp tìm điểm với ảnh “aug (3).jpg” 48 Hình 4.10.Điểm tìm với số • Bước 4: Vẽ viền xác định trục Sau có điểm răng, tiến hành tìm trục theo phương pháp heuristic với nhận xét rằng: có hình dạng chữ U, tìm hai đỉnh hai đầu chữ U (ta gọi điểm A, B), ta kẻ thêm đường thẳng song song với đoạn thẳng AB mà cắt cạnh Giả sử ta đoạn thẳng CD EF (ví dụ minh họa hình 19) Khi đó, gọi M, N, P trung điểm AB, CD EF Nối M với trung điểm Q NP, ta đường thẳng “khá gần” với trục (đường thẳng màu xanh) Hình 4.11.Mơ phương pháp tìm trục Nhận thấy rằng, U lý tưởng, điểm M, N, P thẳng hàng trục cần tìm đó, nhiên nhiều trường hợp có viền khơng hình thành chữ U cân xứng, đó, tiến hành theo phương pháp Heuristic để trích trọn đăng trưng trục răng, kết đạt tương đối tốt 49 Ví dụ minh họa kết đạt với ảnh “aug (3).jpg”: Hình 12.Một ví dụ minh họa kết đạt với ảnh “aug (3).jpg” Hình 4.12: Một ví dụ minh họa kết đạt với ảnh “aug (3).jpg” Chúng ta tiến hành so sánh chút kết đạt với kết đạt thực thuật tốn với ảnh gốc khơng sử dụng phân cụm Hình 4.13.Kết đạt khơng sử dụng thuật tốn phân cụm với ảnh “aug (3).jpg” Nhìn vào kết ta thấy rằng, không sử dụng phân cụm thì: o Trục khơn góc bên trái bị nhận nhầm sang số o Trục khơn góc trái bên bị sai lệch góc o Trục khơn bên phải góc góc có kết tương đương Như bước đầu ta thấy hiệu việc áp dụng thuật toán phân cụm ảnh vào việc trích trọn đặc trưng 50 Sau đây, vào phần 4.4, xây dựng chương trình demo để tìm trục số 4.4 Cấu trúc chương trình Chương trình xây dựng sau: • Phần tiền xử lý ảnh, phân cụm hiển thị kết quả: o Ngôn ngữ : C# o IDE: Visual studio 2013 o Chương trình: Winform o Framework : NET Framework 3.5 • Phần xử lý ảnh xây dựng trục răng: o Ngôn ngữ: Python o IDE: Visual code o Các thư viện sử dụng: OpenCV, numpy o Framework: Python 3.6 • Giao diện chương trình: Chương trình có giao diện sau: Hình 4.14.Giao diện chương trình 51 Ở đây: • Vùng 1: vùng hiển thị ảnh gốc sau crop • Vùng 2: vùng chứa bảng điều khiển thông số thuật tốn phân cụm • Vùng 3: vùng hiển thị kết ảnh phân cụm • Vùng 4: vùng hiển thị kết sau trích chọn đặc trưng • Vùng 5: process bar status chương trình 4.5 Kết quả, nhận xét đánh giá Sử dụng chương trình trên, sau chạy với 40 ảnh ta thu kết sau: Số xác Số số ảnh thực tế Ảnh gốc Ảnh sử dụng phân cụm aug (3) aug (4) aug (5) 4 aug (6) 3 aug (7) aug (8) 2 aug (12) 4 aug (13) aug (14) 3 aug (16) aug (17) 3 aug (18) 3 aug (19) aug (21) 2 aug (22) 3 aug (23) aug (24) 3 aug (25) 2 aug (28) aug (29) aug (30) 2 aug (31) 2 File name 52 aug (33) 2 aug (34) 1 aug (35) 4 aug (36) aug (37) aug (39) 2 aug (40) 4 aug (41) aug (42) 2 aug (43) 2 aug (44) 2 aug (45) 2 aug (47) aug (48) 2 aug (49) 4 aug (52) 3 aug (54) aug (60) 4 aug (61) 4 Total 85 107 150 Bảng 4.1.Kết chạy chương trình với liệu gồm 40 ảnh X-quang Ta thấy rằng, kết thu khoảng 71% xác dùng ảnh phân cụm để tiến hành trích chọn đặc trưng Trong 57% độ xác sử dụng ảnh gốc Như vậy, từ bảng số liệu trên, ta có vài kết luận sau: • Kết ban đầu phương pháp trích chọn đặc trưng ảnh X-quang nha khoa chấp nhận được, bước đầu trích chọn đặc trưng riêng đặc trưng ảnh nói chung • Độ xác tăng lớn với việc sử dụng phương pháp phân cụm cải tiến vào q trình trích chọn đặc trưng ảnh Bước đầu cho thấy hiệu thuật tốn phân cụm XHAm-FCM • Do phương pháp trích chọn đặc trưng sử dụng luận văn dựa vài thuật tốn heuristic nên tiềm cải tiến cao 53 KẾT LUẬN Như vậy, luận văn đề xuất phương pháp tường minh để trích xuất đặc trưng ảnh X-quang nha khoa, trục số nhờ thư viện openCV phương pháp phân cụm mờ cải tiến XHAm-FCM, hàng loạt phương pháp heuristics khác nhau… Trên sở đó, luận văn đạt số kết sau: • Đề xuất phương pháp phân cụm cải tiến xuất phát từ thuật toán phân cụm mờ loại II khoảng , thuật toán phân cụm XHAm-FCM với kết thử nghiệm khả quan liệu chuẩn UCI gán nhãn • Trích xuất đặc trưng mà đặc trưng riêng ảnh mà đặc trưng riêng từ ảnh X-quang nha khoa phương pháp tường minh với độ xác chấp nhận trình thử nghiệm Tuy nhiên, bên cạnh kết đạt được, nghiên cứu luận văn cịn hạn chế như: • Thuật tốn XHAm-FCM ngồi hai tham số mũ 𝑚𝑚1 , 𝑚𝑚2 cịn bao gồm tham số đại số gia tử Do đó, cần thử nghiệm nhiều trường hợp để đưa kết tối ưu cho toán xét đến • Các tâm cụm ban đầu khởi tạo cách ngẫu nhiên, tồn trường hợp xấu, toán rơi vào trường hợp hội tụ điểm cực tiểu địa phương nên kết khơng mong đợi • Thuật tốn XHAm-FCM sử dụng thuật toán heuristic để xác định số mũ thích hợp cho phần tử, thuật tốn xác định ảnh sử dụng hai thuật toán heuristic để xác định điểm xác định trục răng, điểm cải thiện nhờ thuật toán tốt mặt độ xác hay tốt mặt thời gian tính tốn Qua ưu nhược điểm luận văn, hường nghiên cứu luận văn tập trung vào điểm sau: • Áp dụng kết đạt vào giai đoạn tiền xử lý ảnh răng, từ giúp nha sỹ chuẩn đoán dấu hiệu bệnh ban đầu bệnh khơn mọc lệch • Phát triển tìm hiểu thêm thuật tốn phân tích ảnh dựa vào kết ảnh phân cụm đạt được, từ đưa nhiều phương pháp để trích xuất thêm đặc trưng từ ảnh X-quang nha khoa khác sâu răng, viêm lợi… 54 • Tìm hiểu nghiên cứu phương pháp heuristic tốt để thay phương pháp sử dụng luận văn nhằm tăng hiệu suất độ xác chương trình 55 TÀI LIỆU THAM KHẢO [1] M Pagola, A Jurio, E Barrenechea, J Fernández, H Bustince, Interval-valued fuzzy clustering, Proceedings of 16th World Congress of the International Fuzzy Systems Association (IFSA), and 9th Conference of the European Society for Fuzzy Logic and Technology (EUSFLAT), 2015, pp 1288-1294 [2] Ondrej Linda, Milos Manic, General Type-2 Fuzzy C-Means Algorithm for Uncertain Fuzzy Clustering, IEEE Transaction on Fuzzy Systems, Volume: 20 , Issue: , Oct 2012, pp 883 – 897 [3] Cheul Hwang, Frank Chung-Hoon Rhee, Uncertain Fuzzy Clustering: Interval Type-2 Fuzzy Approach to C-Means, IEEE Transaction on Fuzzy Systems,, Volume: 15 , Issue: , Feb 2007, pp 107-120 [4] Zexuan Ji, Yong Xia, Quansen Sun, Guo Cao, Interval-valued possibilistic fuzzy C-means clustering algorithm, Fuzzy Sets and Systems, Volume 253, 16 October 2014, Pages 138-156 [5] Cat Ho Nguyen, Dinh Khang Tran, Van-Nam Huynh, Chau Hai Nguyen, Hedge Algebras, Linguistic-Valued Logic and Their Application to Fuzzy Reasoning, International Journal of Uncertainty Fuzziness and KnowledgeBased Systems 7, pages 347-361, August 1999 [6] Nguyen Cat Ho, Wolfgang Wechler, Hedge algebras: An algebraic approach to structure of sets of linguistic truth values, Fuzzy Sets and Systems, Volume 35, Issue 3, 10 May 1990, Pages 281-293 [7] Tran Dinh Khang, Phan Anh Phong, Dinh Khac Dong, Cao Minh Trang, Hedge Algebraic Type-2 Fuzzy Sets, Proceedings of Conference: FUZZ-IEEE 2010, IEEE International Conference on Fuzzy Systems, Barcelona, Spain, 1823 July, 2010 [8] Phan Anh Phong, Tran Dinh Khang, Dinh Khac Dong, A fuzzy rule-based classification system using Hedge Algebraic Type-2 Fuzzy Sets, Proceedings of the Annual Conference of the North American Fuzzy Information Processing Society (NAFIPS), 2016 [9] Lucas Vendramin, Ricardo J G B Campello and Eduardo R Hruschka, Relative Clustering Validity Criteria: A Comparative Overview, Wiley InterScience, 30 June, 2010 [10] Dongrui Wu and Jerry M Mendel, Enhanced Karnik-Mendel Algorithms for Interval Type Fuzzy Sets and Systems, Fuzzy Information Processing Society, 2007 NAPIPS’07 Annual Meeting of the North American 56 [11] Long Thanh Ngo, Dinh Sinh Mai, Witold Pedrycz, Semi-supervising Interval Type-2 Fuzzy C-means clustering with spatial information for mutil-spectral satellite image classification and change detection, Computers and Geoscieneces 83 (2015) 1-16 [12] Tran Dinh Khang, Ứng dụng đại số gia tử đối sanh giá trị ngôn ngữ, Tạp chí tin học Điều khiển học, T.14, S.3(1998) (35-41) [13] M.Pagola, A.Jurio, E.Barrenechea, J.Fenandez, H.Bustince, Interval-valued fuzzy clustering, Processing of 16th World Congress of the International Fuzzy Systems Association (IFSA), 2015, pp 1288-1294 [14] Ondrej Linda, Milos Manic, General Type-2 Fuzzy C-means Algorithm for Uncertain Fuzzy Clustering, IEEE Transaction on Fuzzy Systems, Volume: 20, Issue: 5, Oct.2012 pp.883-987 [15] Lê Thái Hưng, Trần Đình Khang, Phân cụm mờ với trọng số ngôn ngữ, FAIR 2015 [16] UCI Machine Learning Repository, ,Center for Machine Learning and Intelligent Systems, https://archive.ics.uci.edu/ml/index.php 57 PHỤ LỤC Các hàm sử dụng thuật tốn XHAm-FCM • Hàm cập nhật vector tâm cụm public new void UpdateC() { //tinh mau so for (int j = 0; j < C; j++) { //c_j double sum = 0; double[] subSum = new double[M]; for (int i = 0; i < N; i++) { sum += Math.Pow(U[i, j], HaM[i]); for (int k = 0; k < M; k++) subSum[k] += Math.Pow(U[i, j], HaM[i]) * mData[i].Elememts[k]; } for (int i = 0; i < M; i++) mClusters[j].Elememts[i] = subSum[i] / sum; } } • Hàm cập nhật ma trận thuộc private new void UpdateU() { for (int i = 0; i < N; i++) { for (int k = 0; k < C; k++) { double TS = 0.0; double MS = 0.0; if(D[i,k]==0) { for (int j = 0; j < C; j++) U[i, j] = 0; U[i, k] = 1; break; } else 58 TS = / (Math.Pow(D[i, k], / (HaM[i] - 1))); for (int j = 0; j < C; j++) { if(D[i,j]==0) { for (int t = 0; t < C; t++) U[i, t] = 0; U[i, j] = 1; break; } else MS += / (Math.Pow(D[i, j], / (HaM[i] - 1))); } U[i, k] = TS / MS; } } StandardizedU(); 59 ... grayscale, tức ảnh x? ?m Với nhận x? ?t vậy, tiến hành x? ?? lý ảnh, x? ?? lý với ảnh x? ?m convert từ ảnh gốc mà khơng tính x? ?c mặt thơng tin ảnh 40 Dưới hình ảnh ảnh X- quang nha khoa liệu, tên ảnh “aug (3).jpg”... trúc ảnh X- quang nha khoa Bộ liệu ảnh X- quang nha khoa thu thập từ phòng khám địa bàn thành phố Hà Nội Các thông số kĩ thuật ảnh X- quang nha khoa sau: • Dimensions: 2444 x 1292 • Width: 2444 pixels... toán phân cụm cải tiến XHAmFCM kĩ thuật x? ?? lý ảnh dựa thư viện OpenCV để đưa phương pháp tường trích chọn đặc trưng trục khôn từ ảnh X- quang nha khoa 39 CHƯƠNG 4: TRÍCH CHỌN ĐẶC TRƯNG RĂNG TỪ ẢNH