5. Phương pháp nghiên cứu
2.6. So sánh kết cấu bề mặt
Để có thể xử lý bằng chương trình máy tính cần phải lượng hóa các đặc điểm để đánh giá chúng. Có các hướng tiếp cận phân tích kết cấu chính [15]:
Dựa trên cấu trúc, Dựa trên thống kê,
Dựa trên mô hình: Markov, fractal, stochastic,… Trên biến đổi: Fourier, Gabor, wavelet, …
Hai cách đánh giá đặc điểm được nhiều người quan tâm là của Tamura [16] và của Gabor [17].
Các đặc điểm của Tamura được đưa ra để phân biệt kết cấu bề mặt là: độ thô, độ tương phản, tính định hướng, tính giống nhau, tính quy luật và độ nhám. Trong đó ba đặc điểm đầu tiên là quan trọng hơn cả.
Hình 2.18 Một số kết cấu bề mặt
Khi mô tả các thuộc tính này có thể chỉ mô tả với hai trạng thái (0/1) chẳng hạn “1” là có tính quy luật hoặc “0” là không có quy luật hoặc mô tả “mịn” hơn với các mức ví dụ: ”không có tính quy luật”, “tính quy luật yếu”, “có tính quy luật”, …hoặc “rất mịn”, “vừa phải”, “thô vừa”, “thô”, “rất thô”, … Tương tự như vậy khi mô tả với các thuộc tính khác. Các tác giả đã đưa ra các công thức ước lượng một số đặc điểm: Chẳng hạn công thức đánh giá độ thô Cs:
(2.24) Trong đó:
Cs là con số trung bình trong hàm tự tương quan (autocorrelation function) kết cấu thô sẽ có Cs nhỏ và ngược lại. Mẫu số cho số cực đại theo hàng và cột. Số lượng maxima càng cao, độ thô thiển càng thấp và ngược lại. Để có Cs từ 0 đến 1, chúng ta sẽ chuẩn hóa độ thô (chia mỗi giá trị của độ thô cho mỗi ảnh bằng giá trị cao nhất của độ thô). Một giá trị Cs gần 1 có nghĩa là ảnh chứa trung bình một vài maxima và do đó nó có cấu trúc rất thô. Nếu độ thô Cs bằng hoặc rất gần với 1, chúng ta có thể thấy rằng ảnh chứa các hình dạng đối tượng hơn là kết cấu. Giá trị Cs gần bằng 0 có nghĩa là ảnh chứa trung bình rất nhiều maxima và do đó, nó là một kết cấu rất tốt. Nếu độ thô Cs rất gần với 0, chúng ta có thể cho rằng ảnh chứa dữ liệu nhiễu thay vì kết cấu. Công thức đánh giá độ tương phản C:
(2.25) Với:
Ma diễn tả biên độ trung bình
Nt /(n×m) diễn tả phần trăm các điểm ảnh có biên độ cao hơn ngưỡng t Cs là số đo tính toán mức thô
1/α là một thông số được sử dụng để Cs có ý nghĩa đối với (Ma × Nt) /(n × m). α thường lấy bằng bốn.
Bộ lọc Gabor: Do kỹ sư điện tử, nhà vật lý Hungary Dennis Gabor (1990- 1979) đưa ra. Ví dụ dùng Gabor filter trong matlab (mã nguồn trong phụ lục). Bộ lọc hoạt động theo phương trình như trong tài liệu [17]:
(2.26) Với phần thực:
(2.27) Và phần phức
(2.28) Khi sử dụng MATLAB: Hộp công cụ trong MATLAB đã có sẵn ba hàm phân tích kết cấu một ảnh bằng biện pháp chuẩn thống kê, đó là hàm Rangefilt được sử dụng để tính toán phạm vi cục bộ của hình ảnh. Nếu ảnh có kết cấu mịn, nó sẽ cho giá trị nhỏ, còn nếu kết cấu của ảnh là thô, giá trị thu được sẽ lớn hơn. Hàm stdfilt
được sử dụng để tính toán độ lệch tiêu chuẩn cục bộ của ảnh. Còn hàm entropyfilt
được sử dụng để tính toán các Entropy cục bộ của một ảnh xám.
Ví dụ: Cũng với bốn ảnh ‘sucsac.png’, ‘guot3.png’, ‘guot4.png’ và ‘guot5.png’ Chúng ta tính các đặc điểm của bốn ảnh này bằng đoạn chương trình Matlab image = imread('guot4.png');
gray =double(gray); % Muc xam trung binh
meanIntensityValue = mean2(gray) % range parametr
rang=mean(sum(rangefilt(gray))) % standart distorian parametr I=mean(std(gray(:)))
% entropy parametr gtentr = entropy(gray) kết quả đưa vào bảng 2.4.
Bảng 2.4 Tính tham số kết cấu của bốn ảnh
Ảnh
Rangefilt Stdfilt Entropyfilt
Giá trị tuyệt đối Sai lệch so với ảnh ‘guot5.png’ (%) Giá trị tuyệt đối Sai lệch so với ảnh ‘guot5.png ’ (%) Giá trị tuyệt đối Sai lệch so với ảnh ‘guot5.png ’ (%)
sucsac.png 3.2536e+003 >100% 77.248 58.53 1.6690e-
004 Vô cùng
guot3.png 1.7785e+004 24.19 49.794 2.19 0 0
guot4.png 1.4325e+004 0 48.725 0 0 0
guot5.png 1.4325e+004 0 48.725 0 0 0
Dựa vào các thông số này và lấy ngưỡng sai lệch là 0.7 có thể kết luận là kết cấu các ảnh ‘guot3.png’, ‘guot4.png’ và ‘guot5.png’ là giống nhau và khác với 3 ảnh này về kết cấu nhất là ảnh ‘sucsac.png’.
KẾT LUẬN CHƯƠNG 2
Chương 2 đã trình bày một số phương pháp cơ bản trong các kỹ thuật: so sánh hình dáng, so sánh màu sắc và so sánh kết cấu bề mặt của hai đối tượng cần so sánh qua ảnh của chúng. Mỗi phương pháp đều có các ưu và nhược điểm riêng. Trong ứng dụng chúng ta có thể tùy theo yêu cầu cụ thể mà áp dụng mỗi phương pháp.
CHƯƠNG 3
Trong phần thực nghiệm này em thực hiện việc so khớp trên một số ảnh test cho so khớp kinh điển đã được kiểm nghiệm qua các công bố trong chương 2. Em cũng thực hiện so khớp các logo lấy từ ảnh các logo thực. Hai đối tượng trong hai ảnh được so khớp về hình dáng, so khớp màu và so sánh kết cấu bề mặt trong hai ảnh. Với tính năng so sánh từng cặp ảnh với nhau này khi sử dụng trong thực tế có thể lấy một ảnh làm mẫu và so sánh nó với nhiều ảnh khác chứ không phải cố định chỉ so sánh ảnh mẫu với một ảnh duy nhất. Ngôn ngữ sử dụng cho thực nghiệm là Matlab.