3 Phương pháp đề xuất và kết quả thử nghiệm
3.2Kết quả thử nghiệm
3.2.1 Các tập dữ liệu thử nghiệm
Tập dữ liệu Trunk12 [11] bao gồm 393 ảnh của vỏ cây thuộc về 12 loại cây khác nhau được tìm thấy ở Slovenia. Số ảnh trên từng lớp dao động giữa
30 và 45 ảnh dưới định dạng JPEG với độ phân giải là 3000 × 4000 pixels. Tất cả các ảnh được chụp bởi máy ảnh Nikon COOLPIX S3000 trong cùng điều kiện như khoảng cách là 20 cm, nhiều cây trong cùng một lớp, tránh các thành phần gây nhiễu như rêu, được chụp trong cùng điều kiện ánh sáng, chụp ở tư thế thẳng đứng.
Hình 3.4: Một số ảnh vỏ cây của tập Trunk12
Tập dữ liệu AFF [8] được cung cấp bởi Osterreichische Bundesforste. Tập dữ liệu gồm có 1182 bức ảnh thuộc về 11 lớp, số lượng của một lớp dao động rất lớn, ít nhất là 7 bức ảnh và nhiều nhất là 213 bức ảnh. Đây là một tập dữ liệu khá thách thức bởi ảnh vỏ cây được chụp với nhiều kích thước khác
Báo cáo tổng kết . . . .Mã số: T2018.07.02
nhau, và dưới các điều kiện chiếu sáng khác nhau.
Hình 3.5: Một số ảnh vỏ cây của tập AFF
Tập dữ liệu BarkTex [4] gồm có 408 ảnh với tất cả 6 lớp, có nghĩa là 68 ảnh trên một lớp. Các ảnh có độ phân giải khá nhỏ 256× 384 pixels, đặc biệt ảnh được chụp dưới điều kiện chiếu sáng tự nhiên và tỉ lệ là khác nhau.
3.2.2 Kết quả thử nghiệm
Hầu hết các nghiên cứu gần đây phát triển từ LBP gốc thì sẽ khai thác thông tin giá trị điểm ảnh, tuy nhiên thông tin hướng và độ lớn gradient đóng một vai trò quan trọng trong quá trình trích xuất và mã hóa thông tin đặc trưng vân của ảnh vỏ cây. Từ đó, đề tài đã đề xuất hai phương pháp để khai thác cả thông tin giá trị điểm ảnh cũng như thông tin gradient với tên gọi lần lượt là phương pháp kết nối trực tiếp và gradient local binary pattern
Hình 3.6: Một số ảnh vỏ cây của tập BarkTex
(GLBP).
Để đánh giá hiệu quả của hai phương pháp mã hóa thông tin ảnh vân, đề tài đã sử dụng bộ phân lớp k-Nearest-Neighbor (kNN), sử dụng chiến lược leave-one-out để tạo tập huấn luyện và tập kiểm tra từ bộ dữ liệu.
Các ảnh trong tập dữ liệu Trunk12 có độ phân giải cao vì thế chi phí tính toán cho các ảnh này sẽ cao hơn. Và để giảm chi phí tính toán trong quá trình huấn luyện cũng như kiểm tra, đề tài đã giảm kích thước xuống còn một phần tám so với kích thước ảnh ban đầu có nghĩa là vào khoảng 375 × 500 pixels. Còn đối với tập dữ liệu AFF, với những bức ảnh lớn hơn 500 pixels, sẽ tiến hành giảm xuống dưới 500 pixels.
Với phương pháp đề xuất thứ nhất (phương pháp kết nối trực tiếp), LBP cho giá trị điểm ảnh, độ lớn gradient, hướng gradient được tính cho từng kênh màu và sau đó sẽ được nối lại với nhau. Độ dài lược đồ sau khi nối lại là 2p×3× trong đó P là 8 điểm lân cận. Ngược lại, phương pháp GLBP tuy lược đồ có chiều dài ngắn hơn nhưng lại cho kết quả tốt hơn (bảng 3.1).
Báo cáo tổng kết . . . .Mã số: T2018.07.02
nhau. Trong các thử nghiệm của đề tài thấy rằng khoảng hướng mà đạt hiệu quả nhất là 20 độ trên hai tập dữ liệu Trunk12, AFF và khoảng hướng cho kết quả tốt nhất đối với tập BarkTex là 30 độ.
0 5 10 15 20 25 30 35 40 Orientation range 50 55 60 65 70 75 80 85 90 95 100
Average class accuracy
The Average class accuracy with different orientation ranges
Barktex dataset Trunk12 dataset AFF dataset
Hình 3.7: Kết quả thử nghiệm với các khoảng hướng khác nhau.
Bảng 3.1: Kết quả phân lớp trên ba tập dữ liệu của hai phương pháp đề xuất
Proposed Methods Concatenation GLBP
Trunk12 73.45% 78.39%
AFF 71.33% 72.21%
Barktex 91.33% 94.39%
Bảng 3.1 thống kê độ chính xác trên ba tập dữ liệu. Kết quả từ bảng cho thấy, phương pháp GLBP cho kết quả phân lớp rất tốt. Cụ thể tỷ lệ phân lớp tăng từ 73.45% lên 78.39% với tập dữ liệu Trunk12, từ 71.33% lên 72.21% với tập dữ liệu AFF và từ 91.33% lên 94.39% với tập dữ liệu BarTex. Cải thiện độ chính xác hơn 1% đối với tất cả các tập dữ liệu, điều này cho thấy GLBP
Bảng 3.2: So sánh với một số nghiên cứu hiện tại
Datasets/Method Fiel et al., 2011 [8] Boudra et al., 2017[16] GLBP
Trunk12 - 62.80% 78.39%
AFF 69.70% 60.50% 72.21%
Barktex - 84.60% 94.39%
rất phù hợp cho việc mã hóa thông tin vân cục bộ của ảnh vỏ cây.
Đồng thời, đề tài cũng thực hiện so sánh kết quả với một số nghiên cứu gần đây như trong bảng 3.2. Từ bảng so sánh cho thấy phương pháp đề xuất đã khai thác thông tin gồm giá trị điểm ảnh và gradient một cách hiệu quả để mô tả cho ảnh vân vỏ cây.
Kết luận
Trong đề tài này, chúng tôi đã đề xuất hai phương pháp để trích xuất và mã hóa đặc trưng vân của ảnh vỏ cây nhằm nâng cao chất lượng phân lớp trong bài toán nhận dạng loại cây một cách tự động từ các ảnh vỏ cây. Phương pháp thứ nhất (kết hợp trực tiếp các lược đồ của giá trị điểm ảnh và lược đồ gradient) tuy dễ cài đặt nhưng chiều dài của lược đồ kết quả sẽ dài hơn và chi phí tính toán sẽ cao hơn. Vấn đề này được giải quyết trong đề xuất thứ hai GLBP. Trong đề xuất này, vân ảnh cục bộ được mã hóa một cách hiệu quả bởi sự kết hợp độ lớn điểm ảnh và thông tin gradient. Kết quả thử nghiệm cho thấy, GLBP mang lại độ chính xác cao hơn so với phương pháp kết hợp trực tiếp cũng như một vài nghiên cứu trước đó.
Bên cạnh đó, chúng ta cũng thấy rằng độ chính xác phân lớp hiện nay chưa đạt đến tỷ lệ tuyệt đối do nhiều nguyên nhân như ảnh vỏ cây sẽ thay đổi theo từng độ tuổi, màu sắc ảnh vỏ cây có thể bị ảnh hưởng bởi môi trường xung quanh, đặc biệt tuy cùng một loại cây nhưng ảnh vỏ cây cũng vô cùng phong phú. Trong các nghiên cứu tương lai, chúng tôi sẽ tiếp tục nghiên cứu và xây dựng mô hình học tổng quát hơn để có thể cải thiện độ chính xác của hệ thống phân lớp.
Tài liệu tham khảo
[1] Phan Thị Thu Hồng và các tác giả, Ứng dụng phân lớp ảnh chụp lá cây bằng phương pháp máy vector hỗ trợ, tạp chí Khoa học và Phát triển, 2013. [2] N. S. Altman,An introduction to kernel and nearest-neighbor nonparamet-
ric regression, The American Statistician, 46(3), 175-185, 1992).
[3] C. Cortes, V. Vapnik,Support-vector networks, Machine learning , 273-97, 1995.
[4] R. Lakmann, Statistische Modellierung von Farbtexturen, F¨olbach,s 1998. [5] A. Oliva and A. Torralba, Modeling the Shape of the Scene: A Holistic
Representation of the Spatial Envelope, IJCV 42, 2001.
[6] T. Ojala and M. P. inen, Multiresolution Gray-Scale and Rotation Invari- ant Texture Classification with Local Binary Patterns, IEEE TRANSAC- TIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. 24, no. 7, p. 17, 2002.
[7] M. Douze, H. Jégou, H. Sandhawalia, L. Amsaleg, and C. Schmid, Evalu- ation of GIST descriptors for web-scale image search, International Con- ference on Image and Video Retrieval - CIVR ’09, 2009.
[8] S. Fiel, R. Sablatnig,Automated identification of tree species from images of the bark, leaves or needles, na, 2010.
[9] H. Go¨eau, P. Bonnet., A. Joly, N. Boujemaa, D. Barthélémy, J. F. Molino, ... M. Picard, The ImageCLEF 2011 plant images classi cation task, In ImageCLEF, 2011.
Báo cáo tổng kết . . . .Mã số: T2018.07.02
[10] N. Kumar et al., Leafsnap: A Computer Vision System for Automatic Plant Species Identification, Computer Vision – ECCV 2012, 2012.
[11] M. ˇSvab. Computer-vision-based tree trunk recognition, 2014.
[12] S. Boudra, I. Yahiaoui, and A. Behloul,A Comparison of Multi-scale Lo- cal Binary Pattern Variants for Bark Image Retrieval, in Advanced Con- cepts for Intelligent Vision Systems, vol. 9386, S. Battiato, J. Blanc-Talon, G. Gallo, W. Philips, D. Popescu, and P. Scheunders, Eds. Cham: Springer International Publishing, pp. 764–775, 2015.
[13] L. J. Blaanco, C. M. Travieso, J. M. Quinteiro, P. V. Hernandez, M. K. Dutta, and A. Singh, A bark recognition algorithm for plant classification using a least square support vector machine, in 2016 Ninth International Conference on Contemporary Computing (IC3), Noida, India, 2016. [14] C. H. Arun and D. Christopher Durairaj, Identifying Medicinal Plant
Leaves using Textures and Optimal Colour Spaces Channel, Jurnal Ilmu Komputer dan Informasi, vol. 10, no. 1, p. 19, Feb. 2017.
[15] S. Bertrand, G. Cerutti, and L. Tougne, Bark Recognition to Im- prove Leaf-based Classification in Didactic Tree Species Identification, pp. 435–442, 2017.
[16] S. Boudra, I. Yahiaoui, and A. Behloul,Statistical Radial Binary Patterns (SRBP) for Bark Texture Identification, in Advanced Concepts for Intel- ligent Vision Systems, vol. 10617, J. Blanc-Talon, R. Penne, W. Philips, D. Popescu, and P. Scheunders, Eds. Cham: Springer International Pub- lishing, pp. 101–113, 2017.
[17] S. H. Lee, C. S. Chan, S. J. Mayo, and P. Remagnino, How deep learning extracts and learns leaf features for plant classification, Pattern Recogni- tion, vol. 71, pp. 1–13, Nov. 2017.
[18] S. Bertrand, R. Ben Ameur, G. Cerutti, D. Coquin, L. Valet, and L. Tougne, Bark and leaf fusion systems to improve automatic tree species recognition, Ecological Informatics, vol. 46, pp. 57–73, Jul. 2018.