Để đánh giá khả năng phát hiện điểm ảnh da trong ảnh, sử dụng hai thông số đánh giá là:
Tỷ lệ các ảnh không phải “đen” được cho là “đen” Tỷ lệ các ảnh “đen” được xác định là ảnh “đen”.
Để tạo cơ sở dữ liệu học, tác giả đã xây dựng một tập hợp hơn 1.342 ảnh mẫu “đen” với tương ứng với các lớp là các bộ phận “đen” của cơ thể với các tư thế, điều kiện ánh sáng khác nhau. Tập hợp các ảnh này được sử dụng để huấn luyện mạng nơ-ron MLP.
Hệ thống phát hiện thử với 100 ảnh màu được khác nhau. Sau đây là bảng kết quả thực nghiệm:
Phát hiện đúng Phát hiện sai
Số lượng 78 22
Tỷ lệ 78% 22%
Bảng 3.1: Kết quả thử nghiệm
Có một số trường hợp bộ phân loại ảnh làm việc chưa thật tốt. Ví dụ hình 3.9
Hình 3.10: Một số hình ảnh bị phân loại sai
Trong ảnh khiêu dâm thứ nhất chứa nhiều ảnh nhỏ nối với nhau. Cửa sổ quét vùng da lớn nhất của ảnh này là rất lớn, nhưng xác suất da trung bình trong vùng da đó lại nhỏ. Ảnh thứ hai bị phát hiện sai là do ảnh có màu sắc như da và xác suất da trung
bình trong cửa sổ quét toàn bộ vùng da và vùng da lớn nhất là rất cao. Ảnh thứ ba là một ảnh chân dung nhưng bị xác định là “đen” do có quá nhiều da và quần áo có màu như da.
Kết quả thực nghiệm của giải pháp đưa ra cho thấy các hình ảnh “đen” đã được phát hiện với tỷ lệ chính xác trong phạm vi cho phép và mang lại hiệu quả rõ rệt về thời gian.
Tóm tắt chương 3
Trong chương 3 đã trình bày quá trình thu thập, xử lý dữ liệu; phân tích, thiết kế chương trình thử nghiệm và đánh giá kết quả thử nghiệm.
PHẦN KẾT LUẬN
Phát hiện hình ảnh “đen” là một bài toán khó và mới. Để đáp ứng các yêu cầu đa dạng của thực tế, một giải pháp trọn vẹn và toàn diện cho vấn đề này đòi hỏi phải có khả năng xử lý tốt đáp ứng thời gian thực và đồng thời phải có khả năng đảm bảo độ phát hiện chính xác và hiệu quả khi có sự thay đổi của môi trường và đối tượng quan sát như: điều kiện ánh sáng, hướng, tư thế, sắc thái, sự che khuất bộ phận, sự xuất hiện có hoặc không của các thành phần phụ đi kèm… Đó là tất cả vấn đề đặt ra và đồi hỏi phải tiếp tục nghiên cứu.
Luận văn này đã nghiên cứu và cài đặt chương trình phát hiện ảnh “đen” bằng việc kết hợp sử dụng đặc trưng bất biến là màu da với kỹ thuật học của mạng nơ-ron để giảm thời gian tìm kiếm các bộ phận cần nhận dạng trong ảnh, để tăng tốc độ xử lý của hệ thống. Các kết quả thực nghiệm đã cho thấy những ưu điểm chủ yếu của giải pháp đưa ra vẫn đảm bảo tỷ lệ phát hiện chính xác trong phạm vi cho phép nhưng đã giảm đáng kể thời gian thực hiện. Tuy nhiên đây mới chỉ là kết quả bước đầu cũng chưa thể đáp ứng các yêu cầu thời gian thực.
Luận văn đã làm được: Về mặt lý thuyết:
- Nắm được lý thuyết về xử lý ảnh
- Nắm được các phương pháp nhận dạng ảnh - Nắm được lý thuyết mạng nơ-ron nhân tạo
- Năm được lý thuyết nhận dạng ảnh sử dụng mạng nơ-ron nhân tạo Về mặt thực tiễn:
- Đề xuất cải tiến một số tham số khi xây dựng mạng nơ-ron (số nơ-ron lớp vào, số nơ-ron lớp ẩn, số nơ-ron lớp ra).
- Xây dựng được chương trình BlockPornImage phát hiện ảnh “đen” áp dụng các kỹ thuật xử lý ảnh số và kỹ thuật mạng nơ-ron truyền thẳng, lan truyền ngược sai số (Back-Propagation) cho kết quả nhận dạng nhanh, chính xác đáp ứng được yêu cầu đặt ra. Từ đó dễ dàng có thể tích hợp vào chương trình lọc chặn Web “đen” mà Công ty VDC đang phát triển.
Hướng nghiên cứu:
Tích hợp vào chương trình lọc chặn Web “đen” của Công ty VDC để có một sản phẩm lọc chặn web “đen” trên máy cá nhân hoàn thiện để có thể thương mại hóa được.
Phát hiện ảnh chuyển động (video, ảnh GIF, flash…)
Mở rộng nghiên cứu một số lĩnh vực liên quan: nhận dạng khuôn mặt, nhận dạng vân tay, nhận dạng mống mắt,…
TÀI LIỆU THAM KHẢO
Tiếng Việt
[1]. Nguyễn Quang Hoan (2006), Giáo trình Xử lý ảnh số. (dùng cho hệ đào tạo đại học từ xa), Học viện công nghệ bưu chính viễn thông, tr.3-11, 15-17, 24- 26, 28-31, 60-81, .
[2]. Trần Đức Minh, Luận văn Thạc sĩ (2002), Ứng dụng mạng Nơ-ron nhân tạo trong dự báo thời tiết, tr.38-39
[3]. Nguyễn Thị Hoàng Lan, Nguyễn Thành Phương (2005), “Phát hiện khuôn mặt dựa trên vùng màu da và mạng nơ-ron”, 2005, tr.6
[4]. Phạm Tiến Sơn (2007), Giáo trình Xử lý ảnh số, ĐH Đà Lạt, tr.22-24. [5]. Đỗ Năng Toàn, Phạm Việt Bình (2007),Giáo trình Xử lý ảnh, tr.7-27.
[6]. Nguyễn Thanh Thủy, Lương Mạnh Bá (2002), Nhập môn Xử lý ảnh số, NXB Khoa học và Kỹ thuật; chương 1, chương 7 (ebook theo từng chương).
[7]. Tài liệu thiết kế bộ lọc ảnh, đề tài KC.01.02/06-10 (2010), "Nghiên cứu, phát triển hệ thống lọc nội dung hỗ trợ quản lý và đảm bảo an toàn – an ninh thông tin trên mạng Internet", Hà Nội, tr.5-6
Tiếng Anh
[8]. S. T. Bow (2002), Pattern Recognition and Image Processing, University of Maryland, pp.62-82.
[9]. D. Graupe (2007), Principles of Artificial Neural Networks (2nd), World Science Publishing Co. Pte. Ltd, pp.59-94.
[10]. J. S. Leea,Y. M. Kuob, P. C. Chung, E. L. Chenc (2006), “Naked image detection based on adaptive and extensible skin color model”, pp.2-5.
[11]. S. Kasaei, A. Abadpour, “Pixel-Based Skin Detection for Pornography Filtering”.
[12]. T. Masters (1993), Practical Neural Network Recipes in C++, Academic Press, Inc, pp.50-60.
[13]. M. T. Hagan, H. B. Demuth, M. Beale (1996), Neural networks design, PWS Publishing Company, Boston, pp.2.1-2.23, 4.1-4.36, 9.1-9.39, 11.1-11.43, 12.1-12.50.
[14]. S. Haykin (1994), Neural networks, a comprehensive foundation, Macmillan New York, Ny, pp.23-32, 43-45, 56-60, 85-86, 183-195.
[15]. M. Rehg, M. J. Jones James(1998), “Statistical Color Models with Application to Skin Detection”,pp.8-13.
[16]. B. D. Ripley (1996), Pattern Recognition and Neural Networks, Cambridge university Press, pp.100-117.
[17]. J. C.Russ (1995), The Image Procesing Handbook, CRC Press, Inc, pp.178- 182.
[18]. S. Usama, S. Samy, M. Bernd (2009), “Two Phases Neural Network-Based System for Pornographic Image Classification”.
[19]. Yue Wang, Jun Li, HeeLin Wang, and ZuJun Hou, “Automatic Nipple Detection Using Shape and Statistical Skin Color Information”, Institute for Infocomm Research. Website [1]. http://wikipedia.org [2]. http://codeproject.com [3]. http://www.poesia-filter.org [4]. http://code.google.com/p/aforge/ [5]. http://www.aforgenet.com/