CHƯƠNG 2 CƠ SỞ LÝ THUYẾT
2.3. NHỮNG VẤN ĐỀ TRONG XỬ LÝ ẢNH
2.3.4. Bộ lọc nhiễu Gaussian (Gaussian Filter)
2.3.4.1.Tổng quan chung về lọc nhiễu
Ảnh thu nhận được thường sẽ bị nhiễu nên cần phải loại bỏ nhiễu. Các tốn tử khơng gian dùng trong kỹ thuật tăng cường ảnh được phân nhóm theo cơng dụng: làm trơn nhiễu, nổi biên. Để làm trơn nhiễu hay tách nhiễu, người ta sử dụng và chia ra làm 2 loại: lọc tuyến tính (lọc trung bình, lọc Gauss,..) hoặc lọc phi tuyến (trung vị, lọcBilateral,..). 4
xây dựng trên trên việc tính tốn các Kernel.
Kernel được biết đến là một ma trận lõi phục vụ cho các mục đích như làm mờ, làm sắc nét, phác thảo… Chúng cịn được sử dụng trong học máy để trích xuất các đặc trưng. Nó cịn được gọi với tên gọi ma trận tích chập hai chiều.
0 - 1 0 - 1 5 - 1 0 - 1 0 Hình 2. 16 Kernel 3x3.
Tích chập hai chiều là mơ hình tốn lọc nhiễu, được đề xuất cho dữ liệu ảnh nhằm tìm ra các bộ lọc phù hợp cho hình ảnh vào những năm 1980. Tích chập 2 chiều sẽ kết hợp ma trận ảnh đầu vào và ma trận kenel (ma trận lõi). Từ đó tính tốn lại các pixel hình ảnh và tạo ra một ảnh mới có ít nhiễu hơn.
Việc lọc nhiễu áp dụng trên ảnh xám phương pháp được sử dụng sẽ là tích chập 2 chiều đơn kênh. Để tính được giá trị đầu ra của pixel, kenel sẽ thực hiện các bước sau:
Bước 1: Kenel có f phần tử sẽ được đặt tương ứng với f phần tử đầu tiên của đầu vào.
Bước 2: Nhân từng phần tử tương ứng của kenel và pixel ảnh đầu vào cộng các giá trị đó lại và chia cho f phần tử sẽ có được một giá trị pixel tương ứng cho đầu ra.
Bước 3: Kenel lần lượt di chuyển trái sang phải trên xuống dưới và tính tốn lại ở bước 2. Đến khi hết phần tử thì dừng.
Hình 2. 17 Hình ảnh mơ tả hoạt động của kenel
Tuy nhiên việc di chuyển như vậy làm cho kích thước ảnh đầu vào và ảnh đầu ra sẽ có sự khác biệt. Để có thể giữ ngun kích thước cho hình ảnh thì khái niệm thêm lề được tạo ra. Thêm lề được định nghĩa là P hàng/ cột có giá trị bằng không sẽ được thêm vào ở lề ngang/ dọc tương ứng của ảnh đầu vào.
Hình 2. 18 Hình ảnh mơ tả hoạt động của kenel
Để hiểu rõ hơn cách hoạt động của bộ lọc, chúng ta cùng xét ví dụ sau:
Với hình ảnh đầu vào là ảnh xảm có giá trị các điểm ảnh biến thiên từ 0 đến 255 như hình dưới đây
Xét trên kernel 3x3 như sau:
0,0625 0,125 0,0625 0,125 0,25 0,125 0,0625 0,125 0,0625
Quá trình làm trơn hình ảnh được mơ tả như sau :
2.3.4.2.Theo dõi đối tượng
Phương pháp MedianFlow là thuật toán theo dõi đối tượng theo cả hướng tiến và lùi. Phương pháp này có khả năng tính tốn được quỹ đạo chuyển động của vật thể. Nhờ vào khả năng tính tốn các quỹ đạo, thuật tốn giảm thiểu được các lỗi khi bám theo vật. Đồng thời dựa vào khung hình trước và sau của video(camera) thuật tốn có thể tự chọn quỹ đạo có tính tin cậy cao để tiến hành bám theo chuyển động của vật. Nếu việc bám theo chuyển động xảy ra lỗi, thuật toán sẽ trả giá trị để báo cho người dùng.
Hình 2. 21 Lưu đồ giải thuật MedianFlow
2.3.4.3.Bộ lọc Gaussian
Bộ lọc Gauss được cho là bộ lọc hữu ích nhất, được thực hiện bằng cách nhân chập ảnh đầu vào với một ma trận lọc Gauss sau đó cộng chúng lại để tạo thành ảnh đầu ra.
Ý tưởng chung là giá trị mỗi điểm ảnh sẽ phụ thuộc nhiều vào các điểm ảnh ở gần hơn là các điểm ảnh ở xa. Trọng số của sự phụ thuộc được lấy theo hàm Gauss (cũng được sử dụng trong quy luật phân phối chuẩn).
Hình 2. 22 Biểu diễn ma trận lọc Gauss
Giả sử ảnh là một chiều. Điểm ảnh ở trung tâm sẽ có trọng số lớn nhất. Các điểm ảnh ở càng xa trung tâm sẽ có trọng số giảm dần khi khoảng cách từ chúng tới điểm trung tâm tăng lên. Như vậy điểm càng gần trung tâm sẽ càng đóng góp nhiều hơn vào giá trị điểm trung tâm. 5
Trong OpenCV chúng ta sử dụng hàm sau để lọc Gauss:
Hình 2. 23 Code thực tế lọc Gauss với Python- OpenCV
Dưới đây là kết quả lọc sử dụng phép lọc Gauss. Có thể thấy kết quả lọc (Gauss noise) rất tốt mà hình ảnh khơng bị nhịe nhiều. 5
Hình 2. 24 Kết quả sử dụng bộ lọc Gauss