2.2. Phát hiện xe từhình ảnh viễn thám
2.2.3 Kết quả vàphân tích
Trong phần này, chúng tôi hiển thị kết quả thu được bằng cách áp dụng các thuật toán được đề xuất cho một sốhình ảnh trong cơ sở dữ liệu của chúng tôi. Các phương tiện sáng được phát hiện bằng cách áp dụng cả hai kỹ thuật:
Ngưỡng và Otsu và kết quả được so sánh. Các phương tiện tối được phát hiện bằng OtsuNgưỡng.
2.2.3.1 Hình ảnh: Phoenix
Hình2.21 cho thấy một đường cao tốc ở Phoenix, Arizona. Khu vực được đánh dấu bằng hình chữ nhật màu đỏ làkhu vực đang nghiên cứu. Hình2.22 cho thấy khu vực được chọn (đường cao tốc một chiều). Vùng đã chọn nàychứa 9 xe sáng và 5 xe tối.
Hình2.22. Khu vực đã chọn (đường cao tốc một chiều)
Các phương tiện sáng được phát hiện bởi Nhiều ngưỡng
Hình2.23 cho thấy ba hình ảnh nhị phân thu được bằng cách áp dụng các ngưỡng khác nhau T1, T2và T3. Ba giá trị ngưỡng này được tính bằng phương pháp Nhiều ngưỡng. TừHình2.23, chúng ta có thể quan sát thấy T1 và T3 phát hiện tất cả các phương tiện sáng ngoại trừ các phương tiện được đánh dấu trongmàu đỏ. Chú ý rằng T2 đã phát hiện tất cả các phương tiện sáng. Trong ví dụ này, khơng có ngưỡng nào được phát hiệnđối tượng khơng liên quan (vạch kẻ đường).
Hình2.23. Hình ảnh nhị phân thu được bằng cách sử dụng T1, T2 và T3
Để tránh bị phát hiện các vạch kẻ làn đường và các đối tượng không mong muốn khác, chỉ các đối tượng phổ biến làđược lấy từ mỗi sự kết hợp của ba ảnh nhị phân này. Hình2.24 cho thấy các đối tượng chung củamỗi tổ hợp. Trong quá trình loại bỏ các vạch kẻ làn đường và dải phân cách, có mộtkhả năng bị mất một số phương tiện. Từ hình2.23 và2.24, chúng ta có thể quan sát thấy điều đó trong khi cố gắngloại bỏ vạch phân làn, chúng tôi bị mất hai xe sáng (đánh dấu màu đỏ).
Hình2.24. Các đối tượng chung
Trong hình2.24, ba ảnh nhị phân có tất cả các phương tiện sáng có mặt trong phép thửhình ảnh, ngoại trừ hai, các phương tiện được đánh dấu bằng hộp màu đỏ trong hình2.23. Lưu ý rằng khơng có dấu hiệu làn đường hoặcdải phân cách đường có trong bất kỳ hình ảnh nào trong ba hình ảnh. Để có được tất cả các phương tiện sáng sủa, nhị phânhình ảnh (New_Image1, New_Image2, New_Image3) được thêm vào. Hình2.25 cho thấy các phương tiện sángđược phát hiện bởi phương pháp Nhiều ngưỡng.
Hình2.25. Các phương tiện sáng được phát hiện bằng kỹ thuật nhiều ngưỡng
Lưu ý rằng từ 9 phương tiện sáng có mặt trong hình ảnh thử nghiệm, 7 phương tiện được phát hiện sử dụngKỹ thuật nhiều ngưỡng. Từ ví dụ này, chúng ta có thể thấy rằng kỹ thuật Nhiều ngưỡng có thểchỉ phát hiện những xe sáng hơn nhiều so với nền. Xe có cường độtương tự như các điểm đánh dấu làn đường không được phát hiện bởi kỹ thuật Nhiều ngưỡng.
Xe sáng được phát hiện bằng ngưỡng Otsu
Hình2.26 cho thấy hình ảnh thử nghiệm, hình ảnh sau khi vận hành vùng lân cận trượt và cuối cùnghình ảnh nhị phân thu được bằng cách sử dụng ngưỡng Otsu. Bằng cách áp dụng thao tác trượt vùng lân cận để kiểm tra hình ảnh,xe được làm rất sáng. Trong hình ảnh thứ hai, các phương tiện giao thông sáng hơn khi so sánh với các phương tiện trong thử nghiệmhình ảnh. Hình ảnh thứ ba hiển thị các
phương tiện được phát hiện bởi Ngưỡng Otsu. Otsu Threshold đã phát hiện tất cảcác phương tiện sáng sủa có mặt trong hình ảnh thử nghiệm. Nó đã phát hiện ra các phương tiện (được đánh dấu màu đỏ) đãkhông được phát hiện bởi Nhiều ngưỡng. Khi Otsu phát hiện bất kỳ pixel nào sáng hơn nền, tất cảcác phương tiện đã được phát hiện.
Hình2.26: Hình ảnh Thử nghiệm, Hình ảnh có Vùng lân cận Trượt và Kết quả Cuối cùng
Phương tiện tối được phát hiện theo ngưỡng Otsu
Hình2.27 cho thấy kết quả thu được sau khi áp dụng Ngưỡng Otsu để phát hiện bóng tốixe cộ. Từ hình vẽ, chúng ta có thể quan sát thấy rằng tất cả các phương tiện tối đã được phát hiện. Như nó đã được giải thích trongphần2.2.4, bước tiền xử lý được áp dụng trước tiên, nghĩa là, hoạt động Vùng lân cận trượt áp dụnghàm cường độ tối thiểu thành hàng xóm 3 x 3 của mỗi pixel.
Hình2.27. Phương tiện tối được phát hiện bằng ngưỡng Otsu
Phát hiện tất cả các phương tiện
Để có được hình ảnh kết quả hiển thị tất cả các phương tiện, hình ảnh nhị phân chứa các phương tiện sáng,và hình ảnh nhị phân chứa các phương tiện tối
được thêm vào. Hình2.28b) cho thấy kết quả thu được bởiáp dụng kỹ thuật Nhiều ngưỡng để phát hiện các phương tiện sáng và Ngưỡng Otsu để phát hiệncác phương tiện tối. Hình2.28 c) trình bày kết quả thu được bằng cách áp dụng Ngưỡng Otsu để phát hiệncả hai loại phương tiện, sáng và tối. So sánh Hình2.28b) và2.28c), chúng ta có thể thấy rằngKỹ thuật Nhiều ngưỡng chỉ có thể phát hiện 7 phương tiện trong số 9 phương tiện. Hai trong số các phương tiện(được đánh dấu bằng hộp màu đỏ) khơng được phát hiện vì chúng có cường độ rất giống với nềncường độ. Từ Hình2.28c) có thể thấy rằng kỹ thuật Ngưỡng Otsu đã phát hiện tất cả cácxe cộ. Cũng lưu ý rằng ngưỡng Otsu đang nhóm ba phương tiện khác nhau (hình chữ nhật màu đỏ trong Hình2.28c) và điều này sẽ gây ra lỗi trong số lần cuối cùng.
Hình2.28. Phát hiện tất cả các phương tiện. a) Hình ảnh thử nghiệm b) Xe sáng theo Nhiều ngưỡng vàxe tối của Otsu c) Xe sáng và xe tối của Otsu
Các kết quả
Hai thuật tốn chính được phát triển để phát hiện và phân loại các phương tiện. Đầu tiênthuật toán sử dụng Nhiều ngưỡng để phát hiện các phương tiện sáng và phương pháp Otsu chophát hiện các phương tiện tối. Thuật toán thứ hai sử dụng phương pháp Otsu để phát hiện cả hai xe sáng và tối. Cả hai thuật toán đã được thử nghiệm trên một số hình ảnh trong cơ sở dữ liệu. Đo lường hiệu suất của các thuật toán, kết quả thu được từ mỗi thuật toán được so sánh với đếm thủ công các phương tiện, điều này là kiểm tra trực quan khu vực đang nghiên cứu.
Từ kết quả, chúng tơi có thể nói rằng các thuật tốn đã cho kết quả rất tốt trong việc phát hiện vàphân loại phương tiện. Tuy nhiên, như trong tất cả các thuật tốn xử lý hình ảnh, hiệu suất mạnh mẽphụ thuộc vào ứng dụng cụ thể và sẽ có trường hợp thuật tốn sẽ khơng hiển thịkết quả mong muốn.
Từ các thử nghiệm đã thực hiện, chúng tôi phát hiện ra rằng để có được kết quả chấp nhận được (sai số ít hơn10% trong việc phát hiện và đếm các phương tiện) trong việc áp dụng các thuật toán, các khu vựcđang nghiên cứu nên đáp ứng các điều kiện nhất định. Ví dụ: khu vực được nghiên cứu chỉ nên bao gồmcác đoạn đường cao tốc một chiều, vai đường và đường dốc nên tránh. Sự hiện diện của bụi câyvà cây cối làm giảm độ chính xác của kết quả vì những vật thể đó có thể được phát hiện là phương tiện. Chocác trường hợp có giao thơng đơng đúc, các thuật tốn sẽ nhóm các phương tiện rất gần với mỗikhác, gây ra lỗi trong số lượng cuối cùng của các phương tiện.
Đếm và phân loại
Dưới đây chúng tơi trình bày hai bảng hiển thị số lượng sáng và tối theo cách thủ công và tự độngphương tiện được phát hiện bằng cả hai phương pháp. Bảng Đếm thủ công cung cấp số lượng thủ cơng của các phương tiện từhình ảnh kiểm tra và hình ảnh kết quả cuối cùng thu được từ các kỹ thuật Nhiều ngưỡng và Ngưỡng Otsu.Bảng Đếm tự động cung cấp số lượng xe thu được bằng cách sử dụng thuật toán ĐếmPhương tiện được định nghĩa trong phần2.2.6
Đếm thủ công
Bảng 2.1. Kết quả đếm xe thủ công
ĐếmThực tế NhiềuNgưỡng Ngưỡng Otsu
Ơ tơ 7 7 7
Xe tải 7 5 7
Toàn bộ 14 12 14
Đếm tự động
Bảng 2.2. Kết quả đếm xe tự động
Kỹ thuật Nhiều ngưỡng đã phân loại và đếm đúng các phương tiện được phát hiện. Ngưỡng Otsuđã phát hiện tất cả các phương tiện có mặt trong hình ảnh thử nghiệm. Vì kích thước của các phương tiện sángđược phát hiện bởi Ngưỡng Otsu lớn hơn Nhiều Ngưỡng, trong khi kết hợp các hình ảnh nhị phân củacác phương tiện tối và sáng để có được hình ảnh nhị phân cuối cùng với tất cả các phương tiện, một số màu trắng và tốicác phương tiện được kết hợp như một phương tiện. Do đó, số lượng xe tải, ô tô con và tổng số tự độngđã được thay đổi cho Ngưỡng Otsu.
2. 2.3.2 Hình ảnh: Đường cao tốc I10
Hình2.29 mơ tả đường cao tốc I10. Hình ảnh kiểm tra có 8 xe sáng và 0 xe tối.Hình2.30 cho thấy các phương tiện sáng và phương tiện tối được phát hiện bởi Ngưỡng Otsu. Thuật toán nàyphát hiện tất cả các phương tiện sáng. Vì khơng có xe và bóng tối trong hình ảnh thử nghiệm, hình ảnh tốicác phương tiện được phát hiện bởi ngưỡng Otsu đều trống. Vì khơng có xe và bóng tối, tổngcác phương tiện được phát hiện bằng tổng số phương tiện sáng được phát hiện.
Hình2.29. Hình ảnh thử nghiệm I10
Hình2.30. Phương tiện sáng và tối được phát hiện bằng ngưỡng Otsu
Ơ tơ 7 4
Xe tải 5 7
Các ngưỡng T1, T2 và T3 thu được bằng thuật toán Nhiều ngưỡng là 206,33, 114 và160,166 tương ứng. Hình2.31 cho thấy các phương tiện sáng được phát hiện bằng thuật toán Nhiều ngưỡngvà các phương tiện tối được phát hiện bởi Otsu Threshold. Trong trường hợp này, cả 8 xe sáng đều được phát hiện.Vì khơng có xe tối và bóng tối nên tổng số xe bằng số vân sángphương tiện được phát hiện.
Hình2.31. Phương tiện sáng được phát hiện bằng nhiều ngưỡng và phương tiện tối được phát hiện bằngNgưỡng Otsu
Hình2.32 cho thấy sự so sánh giữa hình ảnh thử nghiệm, các phương tiện được phát hiện bởi Otsu Thresholdvà các phương tiện được phát hiện bởi MultipleThresholds.
Đếm và phân loại Đếm thủ công
Bảng 2.3. Kết quả đếm xe thủ công
Đếm Thực tế Nhiều Ngưỡng Ngưỡng Otsu
Ơ tơ 5 5 5
Xe tải 3 3 3
Toàn bộ 8 8 8
Đếm tự động
Bảng 2.4. Kết quả đếm xe tự động
Trong Hình2.32, các phương tiện được đánh dấu bằng màu sắc là xe tải. Các phương tiện được đánh dấu đỏ làxe tải được phát hiện bởi Otsu Threshold và xe được đánh dấu màu xanh lam là xe tải được phát hiện bởi NhiềuCác ngưỡng. Trong ví dụ cụ thể này, kết quả của tính tốn thủ cơng và tự động là giống nhau.Vì khơng có bóng, khơng có xe tối, khơng có vạch đánh dấu làn đường và vì tất cả các phương tiện đều được đặt cách xa nhau nên kết quả thu được rất chính xác.