CHƯƠNG 3 DỰNG MÔ HÌNH BA CHIỀU CỦASỌ TỪ ẢNH
3.3 Thử nghiệm và đánh giá
3.3.1 Tính lỗi trượt vàđiều chỉnhđặc trưng sọba chiều
Chúng tôi tiến hành thực nghiệm dựng mô hình ba chiều của sọ,đánh giá sai số đặc trưng hai chiều và hiệu chỉnhđặc trưng ba chiều từhộp sọquét ba chiều nhưsau. Ảnh sọ hai chiều thu nhậnđược bằng cách chụp ảnh sọ quét ba chiều khi hiển thịtrong phần mềm MeshLab. Góc nhìn giữa haiảnh liên tiếp là 100(Hình3.14).Ảnh quét ba chiềuđượcđánh dấu thêm các nhãnđể tăng sốlượng điểmảnhđặc trưng khi trích chọn (Hình3.15).
Hình 3.14: Chụpảnh sọquét.
Mỗi khi thayđổi góc nhìn, kết xuất ra các thông sốtrong và ngoài của máy quay và chụpảnh ở góc độ đó, kết quảthu được 10 ảnh độ phân giải 1170 × 864 cho mỗi mẫu và các thông sốtrong/ngoài của máy quay. Thông sốtrong/ ngoài nàyđược dùng đểtính các ma trậnđồng hình H.
Chúng tôi tiến hành dùng bộtrích chọnđặc trưng SIFT và HARRIS trích chọn đặc trưng trên từng ảnh của bộ ảnh gồm 10 ảnh. Hai loại đặc trưng này được dùng bởi vì SIFT thuộc loại đặc trưng dựa trên đạo hàm, HARRIS là đặc trưng dạng điểm góc. Mục đích việc sử dụng hai bộtrích chọn đặc trưng này là để khái quát lên cho các dạng đặc trưng khác nhau và chỉ ra lỗi trượt phát sinh do chụpảnh chứkhông bị ảnh hưởng bởi bộ trích chọn đặc trưng. Các đặc trưng SIFT và HARRIS trong từng cặpảnh liên tiếpđược tiến hànhđối sánh (Hình3.16và3.17).
Hình 3.16:Đối sánhđặc trưng SIFT.
Hình 3.17:Đối sánhđặc trưng HARRIS.
Dựa vào các ma trận đồng hình H chúng tôi tính đặc trưng chuẩn trên ảnh thứ hai giữa hai ảnh liên tiếp. Từ đó, chúng tôi tính lỗi trượt củađặc trưng hai chiều bằng cách so sánhđặc trưng chuẩn vàđặc trưng trích chọn trênảnh thứhai của haiảnh liên tiếp. Hình3.18và Hình3.19 minh họa lỗi trượt khi dùng hai bộtrích chọnđặc trưng tự động SIFT và HARRIS. Dễdàng nhận thấy rằngđộ chênh lệch giữađặc trưngđối sánh và đặc trưng chuẩn hầu nhưbằng 0 theo chiều y và trung bình khoảng 0.5 pixel theo chiều x. Theo công thức3.7 các điểmđặc trưng ba chiều xây dựng lại X từcác cặpđiểmđặc trưng đối sánh trích chọn tự động sai so với đặc trưng ba chiều thực tế
X¯ một khoảng cáchđáng kểnằm trong khoảng 1.06− 1.93mm.Đối với các mô hình khung cảnh hay các vật dụng cần dựng mô hình ba chiều khác, khoảng cách
1.06−1.93mm là khôngđáng kể; tuy nhiên,đối với dựng mô hình hộp sọhay mô hình ba chiều khuôn mặt khoảng cách này là đáng kểvì nó làm thay đổi diện mạo khuôn mặt khá nhiều với lý do sau: Khi dựng mô hình ba chiều khuôn mặt từ hộp sọbằng cáchđắp thêm mô mềm từhộp sọ, người ta lựa chọn ra cácđộdày mô mềm biết trước ở một sốvịtrí nhấtđịnh làm cơ sở để đắp thêm mô mềm cho toàn bộkhuôn mặt. Giá trị trung bình của 22 độ dày mô mềm được dùngđể khôi phục lại khuôn mặt người Việt Nam là 5.90mm. Trung bình giá trịkhoảng cách bịsai lệch khi tínhđiểm ba chiều từ đặc trưng tự động chiếm khoảng 13% giá trị trung bình mô mềm này.
Hình 3.18: Lỗi trượt trênảnh của hộp sọthứnhất.
3.3.2Đánh giá hiệu quả điều chỉnhđặc trưng sọba chiều dựa trên lỗi trượt
Việcđiều chỉnhđặc trưng sọba chiềuđược tiến hành và đánh giá hiệu quảnhư sau. Từ các cặpđiểm đặc trưng của các cặp ảnh hộp sọ liên tiếp chúng tôi tiến hành xây
Bảng 3.1: Lỗi trung bình và lỗi lớn nhất của cácđiểmđặc sọ trưng ba chiều trước và sau khiđượcđiều chỉnh
Sọ Etrc Esau El.nht,trc El.nht,sau
1 0.7271 0.6271 3.1314 2,0312
2 0.7903 0.5903 2.9004 2.3032
dựng bộ điểmđặc trưng ba chiều M gồm 515 điểm. Chuẩn hóa các điểmđặc trưng này. Tiến hành so sánh tập cácđiểm đặc trưng ba chiều này với hộp sọ quét ban đầu gồm 84079điểm bằng các công thức so sánh hai tập dữliệu ba chiều không cùng lực lượng (Phụlục 3) với công thức tính lỗi trung bình6.33và công thức tính lỗi lớn nhất 6.34đểso sánh các tậpđiểm ba chiều M với hộp sọgốc. Sauđó, tiến hànhđiều chỉnh tất cảcác điểm đặc trưng ba chiều với độ dài 1.5mm giá trị trung bình trong khoảng
[1.06−1.93mm] hướng vềphía máy quayđược tậpđiểm ba chiều N. Kết quả đạtđược cũng đem so sánh với hộp sọgốc (Hình 3.20, Bảng 3.1) để đánh giá việcđiều chỉnh này có tốt hay không. Hình3.20 trái biểu diễn bảnđồmàu vềkhoảng cách giữađiểm đặc trưng so với sọquét trước và sau khiđiểmđặc trưngđượcđiều chỉnh. Trong Hình 3.20phải,điểm màu đỏlà cácđặc trưngđược xây dựng lại nhờthuật toán dựngđiểm đặc trưng ba chiều trước và sau khi cácđặc trưng nàyđược kéo lại gần (vềphía máy quay) một khoảngđồngđều 1.5mm. Bảng3.1 cho thấy lỗi trung bình và lỗi lớn nhất giảm đi khi điều chỉnh điểmđặc trưng ba chiều. Lỗi trung bình và lỗi lớn nhất giảm đi đáng kể từ 13% đến 36% sau khi tiến hành điều chỉnh các điểm đặc trưng sọ ba chiều so với cácđiểmđặc trưng sọba chiều trước khiđiều chỉnh.
Nhờ việc phân tích lỗi phát sinh khi chụpảnh dạng chuỗiđể tổng hợp lại thông tin ba chiều, ta biết được sự ảnh hưởng của nó đến kết quảthông tin ba chiều tổng hợp từ đó đưa ra công thức điều chỉnh thông tin ba chiều tăng cườngđộ chính xác của kết quả. Phần này đã phân tích và đưa các thử nghiệm minh chứng điều đó. Kết quả điểmđặc trưng sọ ba chiều xây dựng lại sau khi điều chỉnh có độ chính xác cao hơn so với trước khi điều chỉnh. Nhờ đó mô hình ba chiều của sọ xây dựng lại cũng chính xác hơn.
Hình 3.20:Đặc trưng sọba chiều trướcđiều chỉnh và sauđiều chỉnh.