Thuật toán Ellipse Hough Transform: Bước 1: Xác định biên của ảnh đầu vào
Bước 2: Bản đồ khoảng cách Euclid được tạo ra từ ảnh biên. Bước 3: Tạo danh sách điểm biên từ ảnh biên.
Bước 4: Các ứng cử viên trung tâm được phát hiện bằng cách vote điểm giữa của mỗi hai điểm biên.
Bước 5: Các ứng cử viên slope được phát hiện bằng cách vote các đường phân giác vuông góc của mỗi hai điểm cạnh.
Bước 6: Mọi ứng cử viên đều được đánh giá bằng bản đồ khoảng cách Euclide.
2.4 Phân loại dựa trên phương pháp SVM
Support vector machine (SVM) là phương pháp học có giám sát do Vladimir N. Vapnik đề xuất vào năm 1995, và ngày càng được sử dụng phổ biến trong nhiều lĩnh vực, đặc biệt là lĩnh vực phân loại mẫu và nhận dạng mẫu.
SVM dạng chuẩn nhận dữ liệu vào và phân loại chúng vào hai lớp khác nhau. Do đó SVM là một thuật toán phân loại nhị phân. Ý tưởng của SVM là tìm một siêu mặt phẳng (hyperplane) để phân tách các điểm dữ liệu. Siêu phẳng này sẽ chia không gian thành các miền khác nhau và mỗi miền sẽ chứa một loại dữ liệu. SVM dựa trên cơ sở toán học vững chắc. Tuy nhiên việc huấn luyện mẫu sử dụng SVM đòi hỏi phải giải bài toán tối ưu nhiều biến. Ban đầu, SVM được phát triển để giải các bài toán phân lớp, về sau do tính ưu việt, nó còn được ứng dụng rộng rãi để giải các bài toán hồi quy.
Bài toán của SVM đặt ra như sau, cho một tập dữ liệu được biểu diễn trong một không gian nhiều chiều. Giả sử tập dữ liệu là khả tách tuyến tính. Hãy tìm ra siêu phẳng có thể chia tập dữ liệu ra làm hai phần (phân loại nhị phân) và thỏa
mãn điều kiện khoảng cách từ điểm gần nhất của mỗi tập đến siêu phẳng đó là lớn nhất. Gọi tập dữ liệu huấn luyện là (𝑥!, 𝑦!), (𝑥", 𝑦"), … , (𝑥3, 𝑦3) với x là dữ liệu và y là nhãn của dữ liệu tương ứng. Giả sử y chỉ nhận giá trị 1 hoặc -1 (bài toán phân loại nhị phân) và dữ liệu có thể biểu diễn trên một không gian hai chiều. Ta có thể hình dung dữ liệu huấn luyện như sau: