Chúng ta so sánh giữa phương pháp được miêu tả trong phần này với các phương pháp phát hiện biên. Các ảnh kết quả chính xác thu được bằng cách bắt đầu từ các ảnh gốc và được đánh dấu các cạnh bằng tay bởi con
người. Do đó có 556 điểm ảnh chính xác trong Hộp đơn(Simple_box), 3309
điểm ảnh chính xác trong ảnh Con chó nằm bậc thang (Dog on Porch) và 2924 điểm ảnh chính xác trong Filopodia. Tất cả các tỉ lệ được lấy từ các
điểm ảnh chính xác này. Sự quyết định được tốc độ là rất chi tiết bởi vì chúng ta cần các thông tin thừa hơn là thiếu thông tin. Bất cứ thông tin kết quả này thừa bên ngoài ảnh có thể cực tiểu hóa bằng cách định vị nhiễu và loại bỏ nó. Chúng ta sẽ không đổ lỗi cho thuật toán khi kết quả tìm được không nằm trong vùng mà chúng ta mong muốn. Hình ảnh Phương pháp % đạt được Sobel 50.36 Prewitt 49.64 LOG 0.00 Canny 72.48 D.Octave 1 100 D.Octave 2 51.98 D.Octave 3 79.69 B.Octave 1 100 B.Octave 2 100 Hộp đơn B.Octave 3 73.20 Sobel 20.79 Prewitt 20.82 LOG 25.45 Canny 39.77 Con chó nằm bậc thang D.Octave 1 52.16
D.Octave 2 41.04 D.Octave 3 36.66 B.Octave 1 46.63 B.Octave 2 43.67 B.Octave 3 35.27 Sobel 0.47 Prewitt 0.43 LOG 2.66 Canny 14.58 D.Octave 1 86.99 D.Octave 2 81.50 D.Octave 3 75.71 B.Octave 1 73.98 B.Octave 2 82.13 Nuerite B.Octave 3 86.83
Bảng 3-1: Chỉ ra giá trị trung bình chỉ số của các phương pháp đối với ảnh. Ta tìm thấy mối tự liên kết trong các octave 1-3 đưa ra các kết quả dò tìm biên tốt với giá trị trung bình là 90.73%(Daubechies) và 90.20%(Biorthogonal Spline).
* Đánh dấu đường biên
Như đã trình bày, phát triển một chương trình sử dụng DWT để tìm biên của một ảnh. Do đó, như kết quả của công việc này, một thuật toán đánh giấu đường biên được phát triển để thiết lập biên xung quanh đối tượng. Sau
ngưỡng). Một số điểm nhỏ được tìm thấy và chương trình sẽ đánh dấu một cách cẩn thận theo các biên. Khi một điểm được đánh dấu xong, mối liên hệ
kích cỡ của đối tượng được xác định từ đường biên này. Một vòng tròn nhỏ
xuất hiện để so sánh với neurite do đó ranh giới của vòng tròn đó được loại bỏ. Việc đánh dấu ranh giới được lặp lại cho đến khi tìm ra được đối tượng quan trọng và phù hợp với neurite.
Hình 3-12: Đường biên được tìm thấy.
Hình 3-12 chỉ ra việc tìm biên cho một ảnh ví dụ neurite. Để biết được ranh giới chúng ta tính tâm của đối tượng bằng cách đánh trọng số các điểm ranh giới bằng nhau. Từ tâm của đối tượng ta tìm khoảng cách radial của ranh giới (được thể hiện ở hình 3-13)
Hình 3-13 chỉ ra ranh giới của các thành phần mà chúng ta định vị là cực đại từ tâm. Phương pháp này làm giảm các vấn đề về kích cỡ và mở ra hướng cho việc nhận dạng được dễ dạng.
Cuối cùng ta nhận thấy rằng, mỗi thuật toán trả lại kết quả như trong bảng 3-1. Trong bảng đó ta thấy biến đổi Wavelet rời rạc rất thàng công trong xác định biên của ảnh, nó bao gồm tập hợp các phương thức với tỷ lệ thành công lớn và kết quả chính xác cao. Biến đổi Wavelet rời rạc có thể lặp đi lặp lại thành ảnh nhỏ xấp xỉ, về mặt lý thuyết việc lặp đến khi thành một điểm
đơn. Thực thi bộ lọc thêm vài hệ số với mỗi phép lặp và cuối cùng nó trở
thành điều đó, nhưng tại điểm ở đó mà tiếp tục phân chia với WDT sẽ không cho kết quả tốt. Điều này không có gì ngạc nhiên vì chi tiết octave thứ ba ít hơn octave thứ hai và thứ nhất. Chi tiết octave thứ nhất và octave thứ hai bao gồm nhiều thông tin biên và kể cả chi tiết không quan trọng. Có bao nhiêu chi tiết quan trọng của biên ảnh gốc sẽ giữ lại trong octave thư ba, như đã đề cập
ở phần 3.2 ta cần thêm tất cả các chi tiết (chiều ngang, chiều dọc và đường chéo) cùng với việc tạo ra tất cả các chi tiết đó.
KẾT LUẬN
Tóm lại, với đề tài “Phương pháp phát hiện biên ảnh”, luận văn đã tập chung tìm hiểu một số phương pháp phát hiện biên truyền thống cơ bản như: Phương pháp tuyến tính, phương pháp phi tuyến, phương pháp Canny, phương pháp Sobel và áp dụng biến đổi Wavelet để phát hiện biên. Trên cơ sở đó, việc cài đặt thử nghiệm các thuật toán trên bằng ngôn ngữ C++ đã được thực hiện bước đầu cho kết quả tốt.
Đây là giai đoạn rất quan trọng trong phân tích ảnh vì các kỹ thuật phân
đoạn ảnh chủ yếu dựa vào giai đoạn này. Các phương pháp trên đều thiết lập giá trị của đường biên vào một cấp xám để có thể dễ dàng nhận ra chúng. Kết quả là ta thu được tập hợp đại diện cho các đối tượng. Dựa vào đó, ta có thể
tính kích thước của một đối tượng, nhận dạng, phân lớp các đối tượng...
Mặc dù với phương pháp sử dụng Wavelet và sự kết hợp giữa chúng đã phần nào đạt kết quả tốt hơn trong việc phát hiện biên nhưng chúng vẫn còn bộc lộ một số nhược điểm cần phải khắc phục.
Trong tương lai tác giả sẽ tiếp tục nghiên cứu để giảm độ phức tạp tính toán của phương pháp Wavelet. Vấn đề này có thể được giải quyết bởi việc sử dụng việc phân chia và những cặp điểm liên quan nhất trong quá trình so sánh để đánh dấu. Tiếp tục nghiên cứu các chi tiết về hình dạng, các chi tiết màu sắc và kết cấu để tăng hiệu quả cho đánh dấu tìm đường biên.
TÀI LIỆU THAM KHẢO
Tiếng việt
[1]. Lương Mạnh Bá - Nguyễn Thanh Thuỷ. Nhập môn xử lý ảnh số. Nhà xuất bản khoa học và kỹ thuật, 1999.
[2]. Đặng Văn Đức - Lê Quốc Hưng. Lập trình Windows bằng Visual c++. Nhà xuất bản giáo dục, 1999.
Tiếng Anh
[3]. J. M. S. Prewitt, “Object Enhancement and Extraction,” in Picture Processing and Psychopictorics, B. S. Lipkin and A. Rosenfeld, Eds., Academic Press, New York. 1970, 108.
[4]. L. G. Roberts, “Machine Perception of Three-Dimensional Solids,” in
Optical and Electro-Optical Information Processing, J. T. Tippett et al., Eds., MIT Press, Cambridge, MA, 1965, 159–197.
[5]. W. Frei and C. Chen, “Fast Boundary Detection: A Generalization and a New Algorithm,” IEEE Trans. Computers, C-26, 10, October 1977, 988–998.
[6]. I. Abdou, “Quantitative Methods of Edge Detection,” USCIPI Report 830, Image Processing Institute, University of Southern California, Los Angeles, 1973.
[7]. E. Argyle, “Techniques for Edge Detection,” Proc. IEEE, 59, 2, February 1971, 285–287.
[8]. I. D. G. Macleod, “On Finding Structure in Pictures,” in Picture Processing and Psychopictorics, B. S. Lipkin and A. Rosenfeld, Eds., Academic Press, New York, 1970.
[9]. I. D. G. Macleod, “Comments on Techniques for Edge Detection,” Proc. IEEE, 60, 3, March 1972, 344.
[10]. J. Canny, “A Computational Approach to Edge Detection,” IEEE Trans. Pattern Analysis and Machine Intelligence, PAMI-8, 6, November 1986, 679–698.
[11]. D. Demigny and T. Kamie, “A Discrete Expression of Canny’s Criteria for Step Edge Detector Performances Evaluation,” IEEE Trans. Pattern Analysis and Machine Intelligence,
[12]. R. Kirsch, “Computer Determination of the Constituent Structure of Biomedical Images,” Computers and Biomedical Research, 4, 3, 1971, 315–328.
[13]. G. S. Robinson, “Edge Detection by Compass Gradient Masks,”
Computer Graphics and Image Processing, 6, 5, October 1977, 492– 501.
[14]. D. Marr and E. Hildrith, “Theory of Edge Detection,” Proc. Royal Society of London,