Ở phần này, chúng tôi sử dụng thuật toán mà Park và Han đã đề xuất, đó
là sử dung các thành phan của không gian màu YC;C, cho việc phát hiện hình ảnh ngược sáng. Cu thể, ta dùng độ chói và hai thành phan sắc độ là C, và C,
Hình|4.2| so sánh đặc điểm sắc độ giữa hình ảnh ánh sáng bình thường và hình
ảnh ngược sáng, sự phân bố của độ chói của hình ảnh ánh sáng bình thường phân
25
NormalLight image
3500 Jụ0ooo JI0000
3000
8000 8000
2500
„ 2
2000 & | 6000 % | 60009 9
a a
s kì
1500 * | 4000 * | 4000
1000
2000 2000 500
o4 0 0
0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250
Luminance Cb cr
B5000 5000
B0000 4
0000 bs000
4 4
s . 9
š h500o = Ƒoooo
E © hsooo
* hoooo -
0000
5000
5000
0 0
100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250
Luminance Cb cr
Hình 4.2: Phân bố các thành phan luminance, C,, C; của hình ảnh ngược sáng và sáng
bình thường
bố điều hơn so với ảnh ngược sáng. Đồng thời, sự phân bố của cả sắc độ Cb và sắc độ Cr của hình ảnh ánh sáng bình thường có phần trải rộng hơn so với hình
ảnh ngược sáng. Nghĩa là, các pixel của hình ảnh ngược sáng được định vị chặt
chẽ quanh giá trị 128 trong cả hai biểu đồ sắc độ Cb và Cr trong phạm vi [0, 255]. Theo như thuật toán chúng ta chia biểu đồ của của C; và C, thành 3 phần: [0-1 12), [112-143], (143, 255]. Dựa vào các phân đoạn này, chúng tôi tính tổng sắc độ pixel
theo công thức sau:
So = fofal number of pixels in chrominance,
Si =) aacizta(xoo);
So = ¥ p-8>143 Ia (xc),
83 = VY aacii2ta(xer),
(4.1)
S4=Y¥ p-8>1431a(Xcr),
S5=S8,+S4,
So = S24+ 83,
S7 =S, +52,
Sg = S3+S4,
trong đó A va B là tập số nguyên từ 0 đến 255 và xcp và xc; là giá tri pixel của sắc
độ Cy và sắc độ C,, J là hàm chỉ thị. Một hình anh có cả hai tỷ lệ Ss / So va So /
26
So đều nhỏ hơn 0,012 có thé là ứng cử viên cho hình ảnh ngược sáng. Nếu không, hình ảnh phải đáp ứng ít nhất một trong các yêu cầu sau để trở thành ứng cử viên
cho hình ảnh ngược sáng:
Š;/S%o<0.008 va S,-S2=0
Sg /So < 0.008 va S3-S4=0 (4.2)
S,-S2=0 và S3-S4=0
Đồng thời ta cũng phân tích độ chói khi ít nhất một trong các tỷ lệ Ss / So và S6 / So lớn hơn hoặc bằng 0,012. Để xác định ảnh có được chụp trong điều kiện ánh sáng yếu hay không.
So = total number of pixels in luminance,
Sig = 3 _`c.c<32 Ic(xy), (4.3)
Sir = Y p:ps159Ip(ayv),
trong đó C và D là các tập hợp số nguyên từ 0 đến 255 va xy là giá tri pixel của độ chói Y. Hình anh không đáp ứng điều kiện đầu tiên (5s / So và % / So < 0,012) phải thỏa mãn rang tỷ lệ Š¡o / So > 0.4 để được coi là ứng cử viên. Cuối cùng, qua thực nghiệm của chúng tôi, ảnh được xác định là ảnh ngược sáng nếu tỷ lệ S11 / S9 <
0.5
(a) Ngược sáng: 20,89% (b) Ngược sáng: 86,04%
Hình 4.3: Kết của của mô hình phát hiện ngược sáng
Đầu ra này đơn giản chỉ ảnh ảnh có ngược sáng hay không, chưa định lượng được mức độ ngược sáng của hình ảnh. Vì vậy tiếp theo chúng tôi sẽ cải tiễn thay
27
thế mô hình này thành một mô hình máy học, chứ không phải chỉ áp dụng các thuật
toán. Và đầu ra của bài toán này sẽ là xác suất hình ảnh ngược sáng (hình|4.3).
Ở phía trên chúng tôi đã trình bày một phương pháp sử dụng các thành phần sắc
độ của Park và Han [23]. Tuy nhiên, phương pháp này khá đơn giản chưa tận dụng được nhiều đặc trưng của ảnh và thuật toán thì thiết kế dựa trên kinh nghiệm của con người, mà trong những năm gần đây các mô hình máy học hay học sâu đang trở nên phổ biến bởi vì hiệu năng vượt trội của nó, cũng như là khả năng học của bản thân máy tính. Tuy nhiên, mô hình học sâu thì cần lượng dữ liệu rất lớn để có thể đạt được hiệu năng tốt. Vì vậy chúng tôi đề xuất mô hình máy học kết hợp với
kỹ thuật đặc trưng để giải quyết bài toán này.
ở ở! 3t B2 Bát S2 =4 —i@ (nh Ú ®> (Ca Ea I2 hJ —i CÔ LÔ
`... =<. ôam s
0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14
Permutation Importance
Hình 4.4: Mức độ quan trong của các đặc trưng
Đầu tiên, chúng tôi sử dụng các S; trong phương trinh|4.1|nhu là các đặc trưng,
đồng thời chúng tôi cũng tạo thêm các đặc trựng mới bằng cách sử dụng giá trị tối đa, trung bình và phương sai của các thành phần độ chói, C, và C,. Tiếp theo,
chúng tôi lựa chọn các đặc trưng quan trọng và loại bỏ đi các đặc trưng thừa thải
bằng ki thuật lựa chọn đặc trưng. Hình|4.4|các đặc trưng từ 1 đến 9 sẽ được giữa lại
và các đặc trưng từ 10 trờ đi sẽ bị loại bỏ. Sau đó, cho mô hình học các đặc trưng
đó. Sau khi cải tiến bằng cách sử dụng mô hình máy học, độ chính xác tăng đáng
kể từ 0.64 đến 0.74 trên tập kiểm tra.