Khi thử nghiệm thử nghiệm, tham số λ1 có thể đặt giữa 0.1 và 5. Hình 3.1 cho thấy các kết quả phân vùng của một ảnh ví dụ với các giá trị khác nhau của λ1. Khi λ1 là lớn( λ1 =[3,5]), thuật toán có nhiều khả năng để mất hai miền lân cận tương ứng. Do đó có thể tạo ra các miền sát nhập quá mức. Khi λ1 nhỏ, trường hợp ngược lại và kết quả là tạo ra miền sát nhập thấp (khi λ1= [0.1, 1]).
Ảnh đầu vào Điểm ảnh lớn với đường biên
Sát nhập động, λ1=0.2 Sát nhập động, λ1=0.6
Nhiều khi phải lặp quá trình sát nhập cho đến khi đạt được kết quả mong muốn. Dưới đây là một số trường hợp thử nghiệm.
Dưới đây là kết quả thuật toán DRM trong một số ví dụ. Rõ ràng là các miền lân cận với màu sắc thống nhất được sát nhập thành một, trong khi biên cũng được nằm trên các địa điểm thích hợp. Một số miền lớn có các biến thể đáng kể bên trong. Tuy nhiên, với những thay đổi tương đối chậm của màu sắc dọc theo các biên. Điều này cho thấy rằng thuật toán DRM có thể chứa đựng một số biến thể cho các nhóm miền có nghĩa trong một ảnh.
Ảnh đầu vào Điểm ảnh lớn với đường biên
Điểm ảnh lớn Sát nhập động
Ảnh đầu vào Điểm ảnh lớn với đường biên
Điểm ảnh lớn Sát nhập động
Hình 3.3: Phân vùng “thấp” – under segment
Ảnh đầu vào Điểm ảnh lớn với đường biên
Điểm ảnh lớn Sát nhập động
Ảnh đầu vào Điểm ảnh lớn với đường biên
Điểm ảnh lớn Sát nhập động
Hình 3.5: Có thể sát nhập các miền với biên có độ tƣơng phản ngắn
Ảnh đầu vào Điểm ảnh lớn với đường biên
Điểm ảnh lớn Sát nhập động
Ảnh đầu vào Điểm ảnh lớn với đường biên
Điểm ảnh lớn Sát nhập động
Hình 3.7: Một số miền lớn có các biến thể đáng kể bên trong
Ảnh đầu vào Điểm ảnh lớn với đường biên
Điểm ảnh lớn Sát nhập động
Ảnh đầu vào Điểm ảnh lớn với đường biên
Điểm ảnh lớn Sát nhập động
Hình 3.9: Ví dụ lỗi của phƣơng pháp DRM
3.4. Đánh giá chất lƣợng phân vùng
Đánh giá chất lượng phân vùng có thể là khá khó như chính phân vùng. Trong những thập kỷ trước, nhiều nhà nghiên cứu đã tìm phương pháp đánh giá giám sát: các ảnh được phân vùng được so sánh với một ảnh nền thật. Tuy nhiên, trong phân vùng ảnh không được giám sát, thường không sẵn có nền thật.
Để xây dựng một nền tảng chung cho các nhà nghiên cứu để đánh giá các phương pháp phân vùng ảnh khác nhau, một nhóm các ảnh phân vùng con người cho mỗi mẫu thử nghiệm được cung cấp trong bộ dữ liệu phân vùng Berkeley (BSDS), và một phương pháp đánh giá dựa trên biên được đề xuất bởi Martin và cộng sự. Trong một khuôn khổ chính xác – sự phản hồi được áp dụng kết hợp với các biên được đánh dấu của con người. Độ chính xác – phản hồi là một biện pháp được đánh giá tốt trong phân vùng ảnh, trong đó xem xét hai khía cạnh của biên: phần chính xác là phần nhỏ của sự phát hiện lớn hơn lỗi, trong khi phản hồi là phần không được phát hiện chứ không phải là bị bỏ qua. Một sự kết hợp của hai đại lượng này được định nghĩa là độ đo (F):
F = PR / (tR + (1- t)P) (15) Trong đó t là một chi phí tương đối giữa P và R. Một đường cong độ đo F có thể thu được bằng cách thay đổi các thông số thuật toán. Đường cong độ đo (F) tối đa có thể được dùng như là đánh giá của hiệu suất của thuật toán.
Độ đo (F) được thử nghiệm trên bộ dữ liệu BSDS. Với phân vùng băng tay, độ đo (F) trung bình là 0.79. Thuật toán DRM có độ đo (F) trung bình là 0.65.
3.5. Kết luận chƣơng 3
Phần này trình bày một khuôn khổ cho sát nhập vùng. Tín hiệu đơn giản, tức là, màu sắc miền, được sử dụng trong việc thực hiện. Đương nhiên, những tín hiệu khác nhau (ví dụ như màu sắc, kết cấu, hình dạng, vv) hoặc một sự kết hợp của chúng có thể được khám phá bằng cách thay đổi định nghĩa của xác suất có điều kiện trong SPRT (phương trình (5)). Vị từ sát nhập miền sử dụng các cạnh trọng số tối thiểu giữa hai miền để đo sự khác biệt giữa chúng. Nó được đảm bảo rằng một số tính chất toàn ảnh có thể đạt được theo vị từ này. Tuy nhiên, vị từ có thể dẫn đến
một giới hạn để chụp những khác biệt nhận thức giữa hai miền cục bộ lân cận. Một số ví dụ lỗi được đưa ra trong hình 3.9. Ta có thể thấy rằng thuật toán DRM có thể bỏ đi một số biên dài nhưng yếu, và nó cũng có thể sát nhập các miền với biên có độ tương phản ngắn.
Một vấn đề khác có thể quan tâm là bản chất ngẫu nhiên của SPRT có thể dẫn đến phân vùng không phải duy nhất tới một ảnh. Để đánh giá số lượng ảnh hưởng trên các kết quả phân vùng, ta chọn ngẫu nhiên 20 ảnh và chạy thuật toán này cho 10 lần trên mỗi một ảnh trong số chúng. Phân vùng của cùng một ảnh được so sánh bằng cách tính toán tỷ lệ khác biệt với số lượng điểm ảnh biên cho một ảnh. Kết quả là 0.88% trên trung bình chung, đã chỉ ra một sự không thích hợp của tính ngẫu nhiên của SPRT.
Có một vài khả năng mở rộng DRM để giải quyết những vấn đề trên. Ví dụ, ta có thể thêm một bước sàng lọc toàn ảnh để cho đúng các miền phân vùng có lỗi do các quyết định cục bộ. Nhiều lỗi sát nhập trong DRM là do không đủ thông tin cục bộ (nhận thức) được sử dụng để đưa ra quyết định sát nhập.
Tuy nhiên, nếu chúng ta xem các nhãn xuất ra của DRM là nhãn đầu tiên của nội dung ảnh, thì các dấu hiệu ban đầu này có thể được sử dụng để tính toán một số thống kê toàn ảnh của ảnh để một sàng lọc toàn ảnh có thể được xác định để làm chỉnh các sai số DRM theo một số tiêu chí. Một DRM với chương trình sàng lọc có thể khai thác cả tính năng ảnh toàn ảnh và cục bộ, và do đó kết quả được dự kiến có thể tốt hơn.
Mở rộng khác là việc tương tác người dùng. Với một số hướng dẫn sử dụng, nhãn ban đầu của một phần các miền ảnh có thể được chỉ định trước, sẽ cung cấp thông tin hữu ích cho quá trình sát nhập miền. Một thuật toán DRM tương tác sau đó có thể được phát triển để thực hiện các phân vùng ảnh.
KẾT LUẬN
Luận văn này mô tả lý thuyết và kết quả thử nghiệm phương pháp để phân vùng một ảnh màu thành các vùng riêng biệt. Thuật toán được đề xuất được thực hiện theo kiểu sát nhập miền. Thuật toán xác định một vị từ sát nhập P để chứng minh về việc sát nhập giữa hai miền lân cận. Vị từ này được xác định bằng cách kiểm tra tỷ lệ xác suất liên tục (SPRT) và tối đa các tiêu chuẩn. Thuật toán sát nhập miền động (DRM) đã được trình bày để tự động nhóm nhiều miền nhỏ đã được phân vùng ban đầu. Mặc dù miền được sát nhập được lựa chọn một cách cục bộ tại mỗi giai đoạn sát nhập, một số tính chất toàn ảnh được lưu giữ trong các phân vùng cuối.
Tuy nhiên trong quá trình thực hiện, với thời gian không có nhiều, năng lực chuyên môn, điều kiện thực nghiệm còn hạn chế, nên việc đánh giá tổng hợp các phương pháp còn khiếm khuyết. Tôi rất mong nhận được sự đóng góp ý kiến của các Thầy Cô cùng bạn bè đồng nghiệp.
TÀI LIỆU THAM KHẢO I. Tiếng Việt
1. Đỗ Năng Toàn, Phạm Việt Bình (2007). Giáo trình xử lý ảnh, Nhà xuất bản Đại học Hà nội.
2. Lương Mạnh Bá, Nguyễn Thanh Thủy. Nhập môn xử lý ảnh số, Nhà xuất bản Khoa học kỹ thuật, Hà Nội.
3. Nguyễn Kim Sách (1977). Xử lý ảnh và video số, Nhà xuất bản Khoa học kỹ thuật, Hà Nội.
4. Võ Đức Khánh, GS.TSKH. Hoàng Kiếm (2007). Giáo trình xử lý ảnh. Nhà xuất bản Đại học Quốc Gia TP Hồ Chí Minh.
II. Tiếng Anh
5. B. Paul, L. Zhang and X. Wu, “Canny edge detection enhancement by scale
multiplication,” IEEE. Trans. on Pattern Analysis and Machine Intelligence, vol.
27, pp. 1485-1490, Sept. 2005
6. Bo Peng, Lei Zhang, Zhang D. Automatic Image Segmentation by Dynamic
Region Merging, Page (s): 3592 - 3605. 2011
7. D.A. Forsyth and J. Ponce, Computer Vision: A Modern Approach. Prentice Hall, 2002
8. F, Lecumberry, A, Pardo and G. Sapiro. Simultaneous object classification and
segmentation with high-order multiple shape models. IEEE Transactions on
Image Processing. pp: 625 - 635, 2010
9. H. D Cheng, Y. Sun. A hierarchical approach to color image segmentation using
homogeneity. IEEE Transactions on Image Processing. Volume: 9, Issue: 12,
page (s): 2071-2082, 2000
10.Shilpa Kamdi, R.K.Krishna, “Image Segmentation and Region Growing
Algorithm”, International Journal of Computer Technology and Electronics
Engineering (IJCTEE), Volume 2, Issue 1, 103, 2012
11.J. Canny. A Computational Approach to Edge Detection, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 8, pp. 679-698, 1986
12.J. Shi and J. Malik. Normalized Cuts and Image Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI) 2000
13.L. Ladicky, C. Russell, P. Kohli, P. Torr. Associative Hierarchical CRFs for
Object Class Image Segmentation. In: ICCV 2009
14.Luis Garcia Ugarriza, Eli Saber, Sreenath Rao Vantaram, Vincent Amuso, Mark Shaw, and Ranjit Bhaskar, “Automatic Image Segmentation by Dynamic Region
Growth and Multiresolution Merging”, 2009, IEEE
15.L. Zhang, B. Paul, et al, “Edge detection by scale multiplication in wavelet
domain,” Pattern Recognition Letters, vol. 23, pp. 1771-1784, 2002
16.Moore, S. J. D. Prince, J. Warrell, U. Mohammed, and G. Jones. Superpixel
lattices. CVPR, 2008
17.Moore, S. J. D. Prince, J. Warrell, U. Mohammed, and G. Jones. Scene shape
priors for superpxiel segmentation. ICCV, 2009
18.Moore, S. Prince."Lattice Cut" - Constructing superpixels using layer
constraints. CVPR 2010
19.R.C. Gonzalez and R.E. Woods. Digital Image Processing. Addison Wesley, Reading, MA, 1992
20.S. Lee; M.M. Crawford. Unsupervised multistage image classification using hierarchical clustering with a bayesian similarity measure. IEEE Transactions on Image Processing. Page (s): 312 -320, 2005
21.S. Wang, J. M. Siskind. Image Segmentation with Ratio Cut, IEEE Transactions on Pattern Analysis and Machine Intelligence, 25 (6):675-690, 2003
22.X. Munoz, J.freixenet, X. Cufi, J. Marti, Strategies for image segmentation
combining region and boundary information, Pattern Recognition Letters 24, 2003
23.Z. Wu and R. Leahy. An optimal graph theoretic approach to data clustering
Theory and its application to image segmentation. IEEE Transactions on Pattern