Dƣới đây là một số kết quả chạy chƣơng trình đƣợc cài đặt bằng VC++ 6.0 với các module tính LBP8,1 , 2
1 , 8
rui
LBP và file dữ liệu mẫu data.avi (25 khung hình /1s, kích thƣớc 160 x 128). Độ đo tƣơng tự tính theo L(S,M) của công thức về phân loại đối tƣợng trong phần 3.2.2. Mô hình mẫu M (lớp đối tƣợng chuẩn) đƣợc định nghĩa từ trƣớc dựa vào 4 khung hình đại diện là 3,4,5,6 với trọng số giữa các mẫu LBP đƣợc chuẩn hóa tính cho mỗi khung là 0.25. Nhƣ vậy trong thí
nghiệm này ta coi đối tƣợng nền là kết hợp của 4 khung, hay mẫu M đƣợc tính bằng :
M = 0.25*LBP(khung 3)+0.25*LBP(khung 4)+0.25*LBP(khung 5)+0.25 *LBP(khung 6).
Mỗi khi đọc 1 khung hình mới, LBP (khung mới) sẽ đƣợc tính, hệ số phân loại đƣợc chọn là Td = 2.7 cho cả hai giải thuật LBP8,1, 2
1 , 8
rui
LBP áp dụng từ 3.2.2. Dƣới đây là kết quả khung hình bị lỗi do vết rách trên vải sợi đƣợc liệt kê cho hệ thống với tập số liệu trên:
Hình 3.7: Các khung vải bị lỗi khi sử dụng LBP8,1
KẾT LUẬN
Luận văn này trình bày một cách tổng quan về các hệ thống phát hiện đối tƣợng và cách thức áp dụng thông tin về kết cấu cho yêu cầu phát hiện đối tƣợng ảnh. Kể từ khi có những định nghĩa chính thức về kết cấu của bề mặt vật thể (theo [1] là của Haralick, 1973), có rất nhiều công trình nghiên cứu các phƣơng pháp biểu diễn kết cấu và các ứng dụng của kết cấu. Thông tin về kết cấu của đối tƣợng là thông tin mà rất dễ đƣợc quan sát bởi con ngƣời nhƣng lại rất khó thể hiện chính xác bằng máy tính. Có bốn phƣơng pháp biểu diễn kết cấu chính thƣờng đƣợc sử dụng trong thực tế là biểu diễn theo phương pháp hình học, biểu diễn theo phương pháp thống kê, biểu diễn dựa vào mô hình và biểu diễn dựa trên những kỹ thuật xử lý tín hiệu số. Cũng nhƣ tính đa dạng của kết cấu tự nhiên, các phƣơng pháp này đƣợc áp dụng linh hoạt tùy vào từng ứng dụng cụ thể sử dụng thông tin kết cấu. Kết cấu ngẫu nhiên thích hợp cho những biểu diễn thông kê. Kết cấu động thƣờng thích hợp với các biểu diễn dựa vào phổ hay các phƣơng pháp dựa vào kỹ thuật xử lý tín hiệu số. Kết cấu xác định thƣờng thích hợp với cách biểu diễn theo cấu trúc hay phƣơng pháp hình học.
Phát hiện đối tƣợng là một chức năng thƣờng gặp rất nhiều trong các hệ thống thị giác máy tính. Ngƣời ta thƣờng coi phát hiện đối tƣợng là một dạng của nhận dạng mẫu. Về cơ bản phát hiện đối tƣợng là xây dựng một bộ phân loại để xác định xem lớp đối tƣợng quan sát có nằm trong một phần của ảnh hay không. Chức năng chính của một hệ thống phát hiện đối tƣợng gồm hai phần là xác định và biểu diễn đặc trƣng của đối tƣợng và bộ phân loại đối tƣợng vào các lớp đã đƣợc định nghĩa từ trƣớc.
Thông tin của đối tƣợng dùng để biểu diễn đặc trƣng tùy vào từng ứng dụng rất đa dạng và phong phú. Tuy nhiên về cơ bản các thông tin về màu sắc, hình dạng và kết cấu của đối tƣợng đƣợc sử dụng nhiều nhất để mô tả đối tƣợng. Trong đa số các trƣờng hợp ngƣời ta sử dụng kết hợp các thông tin này với nhau để phát hiện ra đối tƣợng. Trong một số trƣờng hợp khác, thông tin về kết cấu là gần nhƣ một thành phần bắt buộc để phát hiện đối tƣợng. Điển hình là các hệ
thống sinh trắc học trong bảo mật, hay các hệ thống cảnh báo hỏa hoạn, hệ thống kiểm tra chất lƣợng sản phẩm,…
Trong vài năm gần đây việc áp dụng thông tin kết cấu cho các hệ thống hình dung máy tính đƣợc xem nhƣ là hƣớng đi mới cho việc nâng cao độ chính xác và hiệu suất làm việc của hệ thống thị giác máy tính. Do đó cũng có rất nhiều các phƣơng pháp biểu diễn thông tin kết cấu cho xử lý bằng máy tính đã và đang đƣợc đề cập đến. Trên cơ sở của các nghiên cứu về kết cấu đƣợc công bố và sự cấn thiết của việc áp dụng thông tin kết cấu trong một hệ thống thị giác máy tính nói chung và phát hiện đối tƣợng nói riêng. Luận văn này đƣợc thực hiện nhằm mục đích làm rõ thêm vai trò của thông tin kết cấu trong các ứng dụng máy tính. Một số vấn đề chính thực hiện đƣợc trong luận văn là:
Trình bày một cách tổng quan về kết cấu và vai trò của nó cho một hệ thống phát hiện đối tƣợng
Sơ lƣợc về các thành phần cơ bản của một hệ thông phát hiện đối tƣợng, qua đó tìm ra các khía cạnh để có thể áp dụng thông tin kết cấu cho xử lý. Hệ thống hóa các phƣơng pháp biểu diễn kết cấu, phân loại theo các ứng
dụng và tổng hợp một số so sánh, đánh giá đƣợc tiến hành.
Xây dựng một ứng dụng đơn giản phát hiện đối tƣợng vải sợi lỗi, thƣờng gặp cho các ứng dụng điều khiển chất lƣợng công nghiệp. Bằng cách biểu diễn kết cấu theo toán tử không gian LBP, một phƣơng pháp hay đƣợc lựa chon cho các ứng dụng thời gian thực cũng nhƣ độ chính xác khi làm việc với các kết cấu xác định, và phần tử cơ bản nhỏ. Qua đó minh họa đƣợc cách áp dụng thông tin kết cấu cho một hệ thống thị giác máy tính.
[1]. Mäenpää Topi (2003) “The local binary pattern approach to texture
analysis – extensions and applications”. Infotech Oulu and Department of
Electrical and Information Engineering, University of Oulu
[2]. Rami Al-Tayeche, Ahmed Khalil “Content Based Image Retrieval”. Department of Systems and Computer Engineering Faculty of Engineering Carleton University
[3]. Timo Ojala, M. Pietik¨ainen, Mäenpää Topi(2002) “Multiresolution Gray- Scale and Rotation Invariant Texture Classification with Local Binary
Patterns”. IEEE Transactions on Pattern Analysis and Machine Intelligence,
Vol. 24, No. 7
[4]. Hongjiang Zhang, Fuhui Long, David Dagan Feng “Fundamentals of Content-Based Image Retrieval”
[5]. Manjunath, W.Y.Ma (1996) “Texture Features for Browsing and
Retrieval of Image Data”. IEEE Transactions on Pattern Analysis and Machine
Intelligence, Vol.18, No.8.
[6] . Pravi Techasith(2002) “Image Search Engine”. Imperial College, London, UK (http://km.doc.ic.ac.uk/pr-p.techasith-2002/Docs/OSE.doc)
[7]. Bjorn Johansson (2002) “QBIC (Query By Image Content)”
[8]. CBVIR: Texture Features
(http://www.cs.auckland.ac.nz/compsci708s1c/lectures/Glect-html)
[9]. M. Heikkil¨a, M. Pietik¨ainen and J. Heikkil¨a “A Texture-based Method
for Detecting Moving Objects”. Department of Electrical and Information
[10]. Ojala Timo, Pietikäinen Matti, Soriano Maricor “Robust Texture
Classification by Subsets of Local Binary Patterns”. University of Oulu,
Finland
[11]. Topi M¨aenp¨a¨a, Markus Turtinen, Matti Pietik¨ainen“Real-Time Surface Inspection by Texture”
[12]. Optimizing color and texture features for real time visual inspection
[13]. Empirical Evaluation of MPEG-7 Texture Descriptors with a large- scale Experiment.
[14]. Anil K. Jain “Fundamentals of Digital Image Processing”
[15]. http://www.cs.auckland.ac.nz/~georgy/research/texture
[16] Object Recognition, Chapter 8
[17] Cheng Chang, Liu Wenyin, Hongjiang Zhang (2001) “Image retrieval based on region shape similarity”
www.eecs.berkeley.edu/~cchang/docs/Spie01.pdf
[18] http://wwwghcc.msfc.nasa.gov/land/ncrst/infoextract.html
[19] Image Texture Analysis.
[20] Wavelet for kids, A Tutorial Introduction.
[21] http://www.evs.co.il/html/products_itex_2000.asp
[22] http://www.wisdom.weizmann.ac.il/~vision/Irregularities.html
[23] Cem Ünsalan, Aytül Erçil, Bebek “Automated Inspection of Steel Structures”
