Luận văn Tìm kiếm ảnh dựa vào nội dung

, để giải quyết vấn đề về màu sắc, cách tiếp cận chính vẫn là dựa vào lượt đồ màu. 2.1. Lượt đồ màu: Lượt đồ màu: Như là một bảng tóm tắt thông tin về màu sắc cho một ảnh màu bất kỳ. Và việc tính lượt đồ màu này được tiến hành một cách rất nhanh chóng trong ảnh mà chỉ qua một lần duyệt qua toàn bộ ảnh. Do đó ứng dụng vào việc tìm kiếm ảnh sẽ có lợi rất lớn về mặt tốc độ. Một số tính chất cần quan tâm của lượt đồ màu đối với vấn đề truy tìm ảnh: - Việc tính lượt đồ màu của ảnh diễn ra rất nhanh chóng trong ảnh chỉ qua một lần duyệt qua toàn bộ ảnh. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 15 - Lượt đồ màu tương đối bất biến đối với phép tịnh tiến, xoay ảnh, và nhất là sự kéo nhỏ, kéo giãn, thay đổi kích thước của ảnh. - Lượt đồ màu của một ảnh màu có thể là một cách miêu tả rất có ý nghĩa cho việc truy tìm ảnh hay nhận dạng đối tượng trong ảnh 2.1.1. Lượt đồ màu thông thường RGB: Đối với ảnh 256 màu, lượt đồ màu của ảnh tương đương với lượt đồ màu của ảnh xám. Đối với ảnh 24 bit màu, lượt đồ màu miêu tả khả năng kết nối về cường độ của ba kênh màu R, G, B. Lượt đồ màu này được định nghĩa như sau: hR,G,B[r, g, b] = N*Prob{R=r, G=g, B=b} trong đó N là số lượng điểm có trong ảnh. Lượt đồ màu ở dạng này được tính bằng cách rời rạc hoá từng màu trong ảnh, sau đó là đếm số điểm ảnh của mỗi màu. Khi mà số lượng màu là có hạn, để thuận tiện hơn, người ta thường chuyển đổi ba kênh màu thành một biến giá trị màu duy nhất. Cho một ảnh RGB, một kiểu chuyển đổi thường được sử dụng là: m= r+Nrg+NrNgb trong đó Nr,Ng là số lượng bin của màu đỏ và màu xanh lục. Điều này mang lại một lượt đồ đơn duy nhất như sau: h[m] = N*Prob{M=m} Một cách khác để tính lượt đồ màu của ảnh RGB là ta phân ra thành 3 lượt đồ riêng biệt hR[], hG[], hB[]. Khi đó, mỗi lượt đồ được tính bằng cách đếm kênh màu tương ứng trong mỗi điểm ảnh. 2.1.2. Lượt đồ màu HSI: Mô hình màu HSI có những ưu điểm lớn cho việc tìm kiếm hình ảnh dựa vào nội dung và nhất là trong công việc tìm kiếm dựa vào màu sắc. Nhưng những ảnh màu thông thường được lưu trữ ở dạng kỹ thuật số trong máy tính Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 16 thường theo chuẩn RGB, do đó để có được ảnh màu HSI ta phải qua công đoạn chuyển đổi. Chuyển từ hệ màu RGB sang hệ màu HSI là một thuật giải có rất nhiều trong hầu hết những sách về xử lý ảnh cổ điển. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 17 Gọi R,G,B là giá trị nhập của RGB với giá trị trong khoảng [0,1] hay [0,255] I : Giá trị xuất của cường độ intensity [0,1] S : Giá trị xuất của độ bảo hòa saturation [0,1] H : Giá trị xuất của màu sắc hue [0,2Π] R,G,B,H,I,S: Tất cả đều là những giá trị số thực. Procedure RGB_to_HSI(in R,G,B; out H,S,I) { I:=Max(R,G,B); Min:=Min(R,G,B); If (I>=0) then S:=(I-Min)/I; Else S:=0; If (S<=0) then { H:=-1; Return; } Diff:= I-Min; If (R=I) then H:=(Π/3)*(G-R) /Diff; Else if (G=I) then H:=(2*Π/3)+Π/3*(B-R)/diff; Else if (B=I) then H:=(4*Π/3)+Π/3*(R-G)/diff; If (H<=0) H:=H+Π/2; } Thuật toán chuyển đổi từ RGB sang HSI Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 18 Theo các phương pháp truyền thống, việc tạo lượt đồ màu chỉ đơn giản bằng cách chia không gian màu thành những ngăn riêng biệt, sau đó đếm những pixel có màu sắc phù hợp trong những ngăn này. Cách làm này rất đơn giản, nhưng không phù hợp cho việc so sánh, tìm kiếm ảnh. Vì những thay đổi nhỏ về điều kiện chiếu sáng, sự thay đổi về cường độ có thể gây nên những thay đổi lớn trong lượt đồ màu. Do đó, hai ảnh rất giống nhau về màu sắc có thể có lượt đồ màu hoàn toàn khác nhau. Ví dụ :không gian màu HSI, thành phần Hue trong nhiều trường hợp mang giá trị nhưng không thể hiện được màu sắc trong hiển thị: Khi giá trị Intensity nằm trong khoảng 0-0.2, Hue mang bất kỳ giá trị nào thì màu mà mắt người nhìn thấy vẫn là màu đen. Vì vậy đối với các cách tính lượt đồ màu thông thường, điểm ảnh A có Hue bằng 2π , Intensity bằng 0.1 và điểm ảnh B có Hue bằng π , Intensity bằng 0.1 sẽ nằm trong những bin khác nhau. Nhưng thật ra, điểm ảnh A và điểm ảnh B đều có giá trị hiển thị là màu đen. Lượt đồ HSI cải tiến: Một phương pháp được đề suất để giải quyết cho trường hợp trên là ta dựa vào Intensity để lọc trước những giá trị mà Hue không thể biểu thị được. Sau đó dùng Saturation để lọc những giá trị có sắc màu xám. Phần còn lại của không gian màu ta sẽ chia đều mỗi thành phần thành những khoảng nhất định có sự tương đồng về màu sắc. Để giá trị của lượt đồ màu HSI được tính một cách phù hợp nhất đối với việc tìm kiếm, chúng ta cần chia nhỏ không gian 24 bit màu, tương ứng với 224 màu, xuống một con số có thể chấp nhận được. Một con số được đề nghị là 5 giá trị mức xám, 162 cho giá trị sắc màu, tổng cộng là ta chỉ cần lưu trữ 167 bin màu. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 19 Hue và Saturation khi Intensity < 0.33 Hue và Saturation khi Intensity > 0.33 2.2. Các loại độ đo màu: Bước tiếp theo của quá trình tìm kiếm dữ liệu ảnh dựa vào nội dung là xác định độ trùng khớp của hai lượt đồ màu vừa tính được ở bước trên. Do đó, phát sinh ra một giá trị để biếu thị cho sự trùng khớp này, có nhiều cách để tính giá trị này. Ta gọi những giá trị được tính từ những cách khác nhau này là các loại độ đo màu. Một cách đơn giản, độ đo màu là được coi một giá trị để biểu thị cho độ so khớp sự trùng khớp của hai lượt đồ màu. Tùy theo từng trường hợp, từng loại độ đo màu giá trị này có thể âm hoặc dương lớn hoặc nhỏ tương ứng với mức độ giống nhau như thế nào của các loại lượt đồ màu. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 20 Mỗi loại độ đo màu có những ưu và khuyết điểm riêng, trong từng trường hợp cụ thể. Gọi h(I) và h(M) tương ứng là 2 lượt đồ màu của hai ảnh I và ảnh M. Khi đó các loại độ đo màu được định nghĩa là một số nguyên (hoặc số thực) theo các loại độ đo tương ứng như sau: 2.2.1. Độ đo khoảng cách min-max: Được thực hiện dựa trên ý tưởng lấy phần giao của của hai lượt đồ cần so sánh, ta sẽ được một lượt đồ, tính tổng các giá trị có được từ lượt đồ này cho ta được độ đo min-max. Đối với độ đo min: ta tính dựa vào giá trị min tại mỗi K bin. Intersection( h(I), h(M) ) = ∑ = K j 1 min{h(I)[j],h(M)[j]} Đối với độ đo max: ta tính dựa vào giá trị max tại mỗi K bin. Intersection( h(I), h(M) ) = ∑ = K j 1 max{h(I)[j],h(M)[j]} Matching ( h(I), h(M)) = ∑ ∑ i i iMhiIh MhIhtionInter ]))[(],)[(max( ))(),((sec 2.2.2. Độ đo khoảng cách euclid: Đây là cách tính khoảng cách ơclit thông thường giữa các K bin: Intersection( h(I), h(M) ) = ∑ = K j 1 2))()(( MhIh − Hoặc có thể là: Intersection( h(I), h(M) ) = ∑ = K j 1 )()( MhIh − Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 21 2.2.3. Độ đo khoảng cách toàn phương: Intersection(h(I),h(M)) = ∑∑ = = K i K j1 1 [h(i)-h(j)] aij [h(i)-h(j)] 2.2.3. Độ đo có trọng số: dhist(I, Q) = (h(I) – h(Q))TA(h(I) – h(Q)) trong đó, h(I) và h(Q) là những lượt đồ tương ứng của ảnh I và Q, và A là ma trận đồng dạng KxK. Trong ma trận này, những màu mà rất giống nhau thì gần với giá trị một, còn những màu rất khác nhau thì sẽ có giá trị gần với không. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 22 Chương 2: Tìm kiếm ảnh dựa vào vân 1. Vân 1.1. Vân là gì? 1.2. Một số loại vân tiêu biểu. 2. Tìm kiếm ảnh dựa vào vân 2.1. Mật độ của đường biên và hướng của biên 2.2. Phân hoạch vùng nhị phân cục bộ 2.3. Ma trận đồng hiện và đối tượng đồng hiện 2.4. Độ đo năng lượng của vân dựa vào luật đo 2.5. Tương quan tự động và quang phổ năng lượng Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 23 1. Vân: 1.1. Vân là gì? Vân (texture), đến này vẫn chưa có một định nghĩa chính xác cụ thể về vân, là một đối tượng dùng để phân hoạch ảnh ra thành những vùng được quan tâm và để phân lớp những vùng đó. Vân cung cấp thông tin về sự sắp xếp về mặt không gian của màu sắc và cường độ của một ảnh. Vân được đặc trưng bởi sự phân bổ không gian của những mức cường độ trong một khu vực láng giềng với nhau. Vân của ảnh màu và vân đối với ảnh xám là như nhau. Vân gồm nhiều vân gốc hay vân phần tử gộp lại, đôi khi được gọi là texel. Xét về vấn đề phân tích vân, có hai đặc trưng chính yếu nhất: - Cấu trúc vân được định nghĩa như sau: vân là tập hợp những texel được sắp xếp theo một số quy luật nhất định hay có cấu trúc không gian lặp đi lặp lại. - Sự thống kê vân được định nghĩa như sau: vân là một độ đo về số lượng của sự sắp xếp những mức xám hay cường độ sáng trong vùng. Cấu trúc vân: một vân bất kỳ có thể coi như là một tập của những texel thô trong một quan hệ không gian đặc biệt nào đó. Một cấu trúc không gian của một vân bất kỳ sau đó có thể bao gồm một sự mô tả của texel và một đặc tả về không gian. Những texel đương nhiên phải được phân đoạn và quan hệ không gian phải được tính toán một cách thật hiệu quả. Texel là những vùng ảnh có thể trích rút từ một số hàm phân ngưỡng đơn giản. Đặc điểm quan hệ không gian của chúng có thể miêu tả như sau: Giả sử rằng chúng ta có tập những texel, với mỗi phần tử của tập hợp này ta có thể đặc trưng bởi một điểm ý nghĩa nhất, điểm này gọi là trọng tâm. Đặt S là tập của những điểm này. Với mỗi cặp điểm P và Q trong tập S, ta có thể xây dựng đường phân giác trực giao nối chúng lại với nhau. Đường phân giác trực giao này chia mặt phẳng thành hai nửa mặt phẳng, một trong chúng Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 24 là tập của những điểm gần với P hơn và cái còn lại là tập những điểm gần với Q hơn. Đặt HQ(P) là nửa mặt phẳng gần P hơn. Ta có thể lặp lại quá trình này với mỗi điểm Q trong S. Đa giác Voronoi của P là vùng đa giác bao gồm tất cả những điểm gần P hơn những điểm khác của S và được định nghĩa: V(P) = ∩ HQ(P) Q∈S, Q≠P 1.2. Một số loại vân tiêu biểu: Vân giấy Vân đá Vân dệt Vân nước Vân cát Vân gỗ Vân sợiGiấy thô 5% xéo Xéo ngắn Zíc Zắc gạch lợp ván Ca rôCỏ Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 25 2. Tìm kiếm ảnh dựa vào vân: Trong hầu hết các trường hợp, phân đoạn những ảnh thật ra những texel khó hơn nhiều đối với trường hợp tự nhiên sinh ra những hoa văn thiên nhiên. Thay vì vậy, việc định lượng về số hay thông tin thống kê bằng số mô tả cho một vân có thể được tính từ chính mức xác, hay mức màu của chúng. Tuy cách tiếp cận này ít trực quan nhưng nó có hiệu suất tính toán cao, hơn nữa cách tiếp cận này cũng phù hợp với đồng thời cho việc phân đoạn vân và phân loại vân. 2.1. Mật độ của đường biên và hướng của biên: Từ khi phương pháp dò biên được phổ biến rộng và sự đơn giản trong ứng dụng vào quy trình dò đối tượng, nó trở thành là bộ dò biên như là bước tiên quyết trong việc phân tích vân. Số lượng điểm ảnh trong một vùng ảnh xác định trước về mặt kích thước cho ta thấy được một số biểu thị về mật độ điểm trong vùng ảnh đó. Hướng của những đường biên này cũng có thể hữu dụng trong việc mô tả đặc điểm hoa văn của vân. Xét khu vực gồm có N điểm ảnh. Giả sử rằng bộ dò biên dựa trên gradient áp dụng vào cho vùng ảnh này sinh ra hai kết xuất của của mỗi điểm ảnh p: 1) độ lớn gradient Mag(p) và 2) phương hướng gradient Dir(p). Một trong những đối tượng vân rất đơn giản là số đường biên trên một khu vực được định nghĩa như sau: Fedgeness = N TpMagp })(|{ ≥ với T là ngưỡng định nghĩa trước. Số đường biên trên một khu vực để đánh giá mật độ, nhưng không đánh giá được phương hướng của vân. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 26 Độ đo này có thể được mở rộng để có thể bao gồm cả mật độ và phương hướng bằng cách dùng lượt đồ cho cả độ lớn gradient và phương hướng gradient. Gọi Hmag(R) biểu thị lượt đồ bình thường của độ lớn gradient của khu vực R, và gọi Hdir biểu thị lượt đồ bình thường của phướng hướng gradient của khu vực R. Cả hai lượt đồ này có số lượng bin lớn hơn một số cố định, trình bày những nhóm độ lớn gradient và những nhóm của phương hướng gradient. Cả hai được tiêu chuẩn hóa theo kích thước NR của khu vực ảnh R. Khi đó ta có : Fmag dir = (Hmag(R), Hdir(R)) là một mô tả của vân định lượng của khu vực ảnh R. Xét hai ảnh 5x5 như sau: Ảnh bên trái có mật độ điểm cao hơn ảnh bên phải. Nó có một cạnh trong mỗi 25 điểm ảnh của nó, vì vậy số cạnh trên một đơn vị khu vực của nó là 1.0. Ảnh bên phải có 6 cạnh trên mỗi 25 điểm ảnh của nó, vì vậy số cạnh trên Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 27 một đơn vị khu vực của nó là 0.24. Đối với lượt đồ độ lớn gradient, chúng ta đề dùng hai bin trình bày cho đường biên sáng và đường biên tối. Với lượt đồ phương hướng gradient, chúng ta sẽ dùng ba bin cho đường biên ngang, đường biên dọc và đường biên xéo. Ảnh bên trái có 6 đường biên tối và 19 đường biên sáng, nên lượt đồ độ lớn gradient bình thường của nó là (0.24,0.76), nghĩa là 24 phần trăm của đường biên là đường biên tối, 76 phần trăm của đường biên là đường biên sáng. Nó cũng được xem như có 12 đường biên ngang, 13 đường biên dọc, và không có đường biên xéo, vậy lượt đồ phương hướng gradient bình thường của nó là (0.48,0.52, 0.0), nghĩa là 48 phần trăm đường biên là ngang, 52 phần trăm đường biên là dọc và 0 phần trăm đường biên xéo. Ảnh bên phải không có đường biên tối và có 6 đường biên sáng, nên lượt đồ độ lớn gradient bình thường của nó là (0.0,0.24). Nó không có đường biên ngang, không có đường biên dọc, nhưng có 6 đường biên xéo, vậy lượt đồ phương hướng gradient bình thường của nó là (0.0,0.0, 0.24). Trong trường hợp hai ảnh này, độ đo đường biên trên một đơn vị khu vực thì thích hợp để phân biệt giữa chúng, nhưng trong trường hợp tổng quát độ đo lượt đồ thường cung cấp một cơ chế mô tả mạnh hơn nhiều. Hai lượt đồ n- bin H1 và H2 có thể được so sánh bởi tính khoảng cách L1 của chúng. L1(H1,H2) = ∑ = − n i iHiH 1 21 ][][ 2.2. Phân hoạch vùng nhị phân cục bộ: Một cách khác rất đơn giản, nhưng là độ đo vân hữu dụng là độ phân hoạch vùng nhị phân cục bộ. Đối với mỗi điểm ảnh p trong ảnh, tám điểm lân cận được xem xét rằng cường độ intensity của chúng có lớn hơn của điểm ảnh p hay không. Những kết quả từ tám điểm ảnh lân cận được sử dụng để xây dựng nên một số nhị phân tám chữ số là b1b2b3b4b5b6b7b8, trong đó bi=0 nếu Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 28 cường độ intensity của láng giềng thứ i nhỏ hơn hay bằng với p và bi=1 trong trường hợp ngược lại. Một lượt đồ của những số này được dùng để biểu thị cho vân của ảnh. Hai ảnh hay hai khu vực ảnh được so sánh bởi việc tính toán độ dài L1 giữa lượt đồ của chúng được định nghĩa ở trên. 2.3. Ma trận đồng hiện và đối tượng đồng hiện: Ma trận đồng hiện là một mảng C hai chiều trong đó cả dòng và cột tương ứng với một tập các giá trị có thể có V. Ví dụ như, đối với ảnh mức xám V có thể là tập những mức xám có thể có, đối với ảnh màu V có thể là tập những màu có thể có. Giá trị của C(i,j) cho thấy rằng bao nhiêu lần giá trị i cùng xuất hiện trong với giá trị j trong một số quan hệ không gian được định nghĩa trước. Ví dụ : quan hệ không gian có thể có giá trị i xuất hiện lập tức ngay bên phải của giá trị j. Rõ ràng hơn, chúng ta sẽ xem xét trường hợp riêng trong đó tập V là tập những mức xám và quan hệ không gian được mang lại bởi vectơ d, chỉ định độ dịch chuyển giữa điểm ảnh có giá trị i và điểm ảnh có giá trị j. Gọi d là một vectơ dịch chuyển (dr,dc) ở đó dr thì thay thế cho hàng và dc thay thế cho cột. Gọi V là tập của những mức xám. Ma trận đồng hiện mức xám cho ảnh I được định nghĩa bởi: Cd[i,j]= |{[r,c] sao cho I[r,c]=i và I[r+dr,c+dc]=j}| Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 29 Minh họa nội dung này với một ảnh 4x4 I và ba ma trận đồng hiện cho I là C[0,1], C[1,0] và C[1,1]. Chú thích C[0,1] : vị trí [1,0] có giá trị 2, chỉ định rằng j=0 xuất hiện hai lần trực tiếp bên phải của i=1 trong ảnh. Tuy nhiên vị trí [0,1] có giá trị 0, chỉ định rằng j=1 không bao giờ xuất hiện trực tiếp bên phải của i=0 trong ảnh. 0 1 2 0 4 0 2 1 2 2 0 2 0 0 2 0 1 2 0 4 0 2 1 2 2 0 2 0 0 2 0 1 2 0 2 0 2 1 2 1 1 2 0 0 1 i j i j i j C[1,1]C[1,0]C[0,1] 1 1 0 0 1 1 0 0 0 0 2 2 0 0 2 2 Ảnh 1 i j Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 30 Giá trị lớn nhất trong ma trận đồng hiện là 4 tại vị trí [0,0], chỉ định rằng giá trị 0 xuất hiện 4 lần trực tiếp bên phải của giá trị 0 khác trong ảnh. Có hai biến tấu quan trọng của ma trận đồng hiện từ ma trận đồng hiện mức xám chuẩn. Đầu tiên tiêu chuẩn hoá ma trận đồng hiện mức xám Nd được định nghĩa bới: Nd[i,j]=∑ ∑i j d jiC jiCd ],[ ],[ Tiêu chuẩn hoá những giá trị của ma trận đồng hiện nằm giữa giá trị 0 và 1. Và do đó có thể xem xét chúng dưới dạng xác suất trong ma trận lớn. Thứ hai là ma trận đồng hiện mức xám đối xứng Sd định nghĩa bởi : Sd[i,j] = Cd[i,j]+C-d[i,j] thực chất là một cặp của nhóm của những đối xứng kề cận nhau. Ma trận đồng hiện nắm bắt thuộc tính của vân, nhưng chúng không hữu dụng trực tiếp cho việc phân tích sâu hơn về vân, như là so sánh hai vân. Thay vì vậy, những đối tượng số học của vân được tính toán từ ma trận đồng hiện có thể được dùng để trình bày vân chặt chẽ hơn, súc tích hơn. Dưới đây là những đối tượng chuẩn bắt nguồn từ một ma trận đồng hiện chuẩn. Energy = ∑∑ i j d jiN ],[ 2 Entropy = -∑∑ i j dd jiNjiN ],[log],[ 2 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 31 Contrast = ∑∑ − i j d jiNji ],[)( 2 Homogeneity = ∑∑ −+i j d ji jiN 1 ],[ Correlation = ji i j dji jiNji σσ µµ∑∑ −− ],[))(( Trong đó ji µµ , là giá trị trung bình và ji σσ , là độ lệch chuẩn của hàng và cột i, j. Nd[i] = ∑ j d jiN ],[ Nd[j] = ∑ i d jiN ],[ Một vấn đề với độ vân lệch từ ma trận đồng hiện là bằng cách nào để chọn véctơ d. Một giải pháp được đề nghị bởi Zucker và Terzopoulos là dùng kiểm tra bằng thống kê 2χ để chọn những giá trị của d mà vân có cấu trúc nhất; đó là, giá trị cực đại của giá trị: ∑∑ −= i j dd d jNiN jiN d 1 ][][ ],[ ()( 2 2χ ) 2.4. Độ đo năng lượng của vân dựa vào luật đo: Một cách tiếp cận khác đối với việc sinh ra những đối tượng vân là dùng những mặt nạ cục bộ để mà dò tìm những kiểu vân khác nhau. Luật đo đưa ra một cách tiếp cận dựa vào năng lượng vân, đo lường số lượng biến số lớn trong phạm vi một cửa sổ cố định kích thước trước. Một tập của Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 32 9 mặt nạ 5x5 được dùng để tính năng lượng vân, được trình bày bởi một véctơ gồm 9 giá trị cho mỗi điểm ảnh của ảnh được mang ra phân tích. Những mặt nạ được tính từ những vectơ dưới đây : L5 (Level) = [ 1 4 6 4 1] E5 (Edge) = [ -1 -2 0 2 1] S5 (Spot) = [ -1 0 2 0 -1] R5 (Ripple) = [ 1 -4 6 -4 1] Tên của những vectơ nói rõ mục đích của chúng. Vectơ L5 mang lại trọng lượng trung tâm trung bình địa phương. Vectơ E5 dò đường biên. Vectơ S5 dò điểm. Vectơ R5 dò sự gợn sóng. Mặt nạ 2 chiều được tính bằng tích những cặp vectơ tương ứng. Ví dụ như mặt nạ E5L5 được tính bằng tích của vectơ E5 và L5 như sau: Bước đầu tiên trong hàm Luật đo là loại bỏ tất cả những ảnh hưởng của sự chiếu sáng bằng cách di chuyển một cửa sổ nhỏ đi khắp trong ảnh, và trích rút ra trung bình địa phương cho mỗi điểm ảnh, để cho ra kết quả là một ảnh tiền xử lý, trong đó cường độ intensity của mỗi điểm láng giềng xấp xỉ không. Kích thước của cửa sổ phụ thuộc vào lớp ảnh loại nào; Người ta quen dùng cửa sổ kích thước 15x15 cho những khung ảnh tự nhiên. Sau quá trình tiền xử lý, mỗi 16 mặt nạ 5x5 được áp vào ảnh tiền xử lý, sinh ra 16 ảnh lọc. Gọi Fk[i,j] là kết quả lọc với mặt nạ thứ k tại điểm ảnh [i,j]. Khi đó bản đồ năng lượng vân Ek cho bộ lọc k được định nghĩa bởi: -1 -2 0 1 2 x [1 4 6 4 1 ] = -1 -4 -6 -4 -1 -2 -8 -12 -8 -2 0 0 0 0 0 2 8 12 8 2 1 4 6 4 1 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 33 Ek [r,c] = ∑ ∑+ −= + −= 7 7 7 7 ],[ c cj r ri k jiF Mỗi bản đồ năng lượng vân là một ảnh đầy đủ, trình bày ứng dụng của mặt nạ thứ k tới ảnh nhập vào. Một khi 16 bản đồ năng lượng được sinh ra, những cặp đối xứng thích hợp được nối lại để sinh ra 9 bản đồ cuối cùng, là sự thay thế mỗi cặp với giá trị trung bình của chúng. Ví dụ như: E5L5 đo được nội dung của đường biên ngang, và L5E5 đo được nội dung đường biên ngang. Trung bình cộng của hai bản đồ đo được toàn bộ nội dung của đường biên của ảnh. Có tổng cộng 9 bản đồ năng lượng tổng hợp là : L5E5/E5L5 L5S5/S5L5 L5R5/R5L5 E5E5 E5S5/S5E5 E5R5/R5E5 S5S5 S5R5/R5S5 R5R5 1.5: Tương quan tự động và quang phổ năng lượng: Hàm tương quan tự động của một ảnh có thể được dùng để dò tìm những phần tử hoa văn của vân và cũng đồng thời mô tả tính mịn/tính thô của vân. Hàm tương quan tự động ( )dcdr,ρ của một ảnh với kích thước (N+1)x(N+1) với một độ dời d = (dr, dc) là: ∑ ∑ ∑ ∑ = = = = ++= N r N c N r N c crI dccdrrIcrI dcdr 0 0 2 0 0 ],[ ],[],[ ),(ρ = ],[],[ ],[],[ croIcrI croIcrI d Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 34 Nếu vân ở dạng thô, khi đó hàm tương quan tự động sụt giảm chậm; ngược lại nó sẽ sụt giảm rất nhanh. Đối với những vân theo quy tắc, hàm tự động tương quan sẽ yếu. Khi I[r+dr, c+dc] không được xác định rõ là đường bao của ảnh, một phương pháp để tính toán những giá trị ảnh ảo phải đựợc định nghĩa. Hàm tự động tương tác liên quan với quang phổ nặng lượng của phép biến đổi Fourier. Nếu I[r,c] là hàm ảnh và F(u,v) là biến đổi Fourier của nó, 2),( vuF được coi như là quang phổ năng lượng. 2.6. Phân đoạn vân (Texture segmentation): Bất kỳ độ đo một vân nào, cung cấp một giá trị hay vectơ giá trị tại mỗi điểm ảnh, mô tả vân trong những điểm láng giềng của điểm ảnh đó, có thể được dùng để phân đoạn ảnh thành những vùng có vân giống nhau. Như những thuật toán phân đoạn ảnh khác, những thuật toán phân đoạn vân có hai loại chính: cách tiếp cận dựa vào vùng và cách tiếp cận dựa vào đường biên. Cách tiếp cận dựa vào vùng có ý tưởng chính là nhóm hay phân chia những điểm ảnh với những đặc tính vân giống nhau. Cách tiếp cận dựa vào đường biên có ý tưởng là đi tìm những đường biên vân giữa những điểm ảnh đến từ những sự phân bổ vân khác nhau. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 35 Chương 3: Tìm kiếm ảnh dựa vào hình dạng 1. Hình dạng 1.1. Khái niệm về hình dạng 1.2. Đặc điểm hình dạng đối với việc tìm kiếm ảnh 2. Tìm kiếm ảnh dựa vào hình dạng 2.1. Lượt đồ hình dạng 2.2. Độ so khớp đường biên của hình dạng 2.3. So khớp với ảnh phát họa Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 36 1. Hình dạng: 1.1. Khái niệm về hình dạng: Màu sắc và vân là những thuộc tính có khái niệm toàn cục của một bức ảnh. Trong khi đó, hình dạng không phải là một thuộc tính của ảnh. Thay vì vậy, hình dạng có khuynh hướng chỉ định tới một khu vực đặc biệt của ảnh. Hay hình dạng chỉ là biên của đối tượng nào đó trong ảnh. 1.2. Đặc điểm hình dạng với việc tìm kiếm ảnh Hình dạng là một cấp cao hơn màu sắc và vân. Nó đòi hỏi sự phân biệt giữa các vùng để tiến hành xử lý về độ đo của hình dạng. Trong nhiều trường hợp, sự phân biệt này cần thiết phải làm bằng tay. Nhưng sự tự động hóa trong một số trường hợp có thể khả thi. Trong đó, vấn đề chính yếu nhất là quá trình phân đoạn ảnh. Nếu quá trình phân đoạn ảnh được làm một cách chính xác, rõ ràng và nhất là hiệu quả thì sự tìm kiếm thông tin dựa vào hình dạng có thể có hiệu lực rất lớn. Nhận dạng ảnh hai chiều là một khía cạnh quan trọng của quá trình phân tích ảnh. Tính chất hình dạng toàn cục ám chỉ đến hình dạng ảnh ở mức toàn cục. Hai hình dạng có thể được so sánh với nhau theo tính chất toàn cục bởi những phương pháp nhận dạng theo hoa văn, mẫu vẽ. Sự so khớp hình dạng ảnh cũng có thể dùng những kỹ thuật về cấu trúc, trong đó một ảnh được mô tả bởi những thành phần chính của nó và quan hệ không gian của chúng. Vì sự hiển thị ảnh là một quá trình liên quan đến đồ thị, do đó những phương pháp so khớp về đồ thị có thể được dùng cho việc so sánh hay so khớp. Sự so khớp về đồ thị rất chính xác, vì nó dựa trên những quan hệ không gian hầu như bất biến trong toàn thể các phép biến đổi hai chiều. Tuy nhiên, quá trình so khớp về đồ thị diễn ra rất chậm, thời gian tính toán tăng theo cấp số mũ tương ứng với số lượng các phần tử. Trong việc tìm kiếm dữ liệu ảnh dựa Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 37 vào nội dung, ta cần những phương pháp có thể quyết định sự giống và khác nhau một cách nhanh chóng. Thông thường, chúng ta luôn đòi hỏi sự bất biến cả đối với kích thước của ảnh cũng như hướng của ảnh trong không gian. Vì vậy, một đối tượng có thể được xác định trong một số hướng. Tuy nhiên, tính chất này không thường được yêu cầu trong tìm kiếm ảnh. Trong rất nhiều cảnh vật, hướng của đối tượng thường là không đổi. Ví dụ như: cây cối, nhà cửa, ... Độ đo về hình dạng rất nhiều trong phạm vi lý thuyết của bộ môn xử lý ảnh. Chúng trải rộng từ những độ đo toàn cục dạng thô với sự trợ giúp của việc nhận dạng đối tượng, cho tới những độ đo chi tiết tự động tìm kiếm những hình dạng đặc biệt. Lượt đồ hình dạng là một ví dụ của độ đo đơn giản, nó chỉ có thể loại trừ những đối tượng hình dạng không thể so khớp, nhưng điều đó sẽ mang lại khẳng định sai, vì chỉ như là việc làm của lượt đồ màu. Kỹ thuật dùng đường biên thì đặc hiệu hơn phương pháp trước, chúng làm việc với sự hiện hữu của đường biên của hình dạng đối tượng và đồng thời cũng tìm kiếm những hình dạng đối tượng gần giống với đường biên nhất. Phương pháp vẽ phác họa có thề là phương pháp có nhiều đặc trưng rõ ràng hơn, không chỉ tìm kiếm những đường biên đối tượng đơn, mà còn đối với tập những đối tượng đã được phân đoạn trong một ảnh mà người dùng vẽ hay cung cấp. Ta sẽ đi vào chi tiết trong chương sau mô tả về hình dạng đối tượng. 2. Tìm kiếm ảnh dựa vào hình dạng: 2.1. Lượt đồ hình dạng: Lượt đồ hình dạng được cho rằng là dễ dàng trong tính toán và nhanh trong thi hành. Chúng sử dụng cả sự so sánh về màu sắc và vân. Vấn đề chính là định nghĩa biến cho lượt đồ hình dạng được định nghĩa. Xem như hình dạng trong ảnh là một vùng những giá trị một trong ảnh nhị phân, trong khi toàn thể những giá trị khác đều là giá trị không. Một kiểu của so khớp hình dạng ảnh là so khớp hình chiếu Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 38 thông qua hình chiếu đứng và hình chiếu nằm của hình dạng. Giả sử rằng hình dạng có n hàng và có m cột. Mỗi hàng và mỗi cột là một bin trong lượt đồ hình dạng. Tổng số được lưu trữ trong một bin là tổng số những giá trị 1 được lưu trữ trong dòng hoặc cột tương ứng đó. Điều này đưa đến một lượt đồ gồm có m+n bin, nhưng điều này cũng chỉ có ý nghĩa khi tất cả những ảnh chúng ta xem xét phải có cùng một kích thước. Để làm cho việc so khớp hình chiếu bất biến đối với kích thước, số lượng bin của dòng và số lượng bin của cột phải ổn định. Bằng cách định nghĩa những bin từ góc trái trên đến góc phải dưới của hình dạng, sự chuyển đổi bất biến đã đạt được. Việc so khớp hình chiếu không bất biến đối với phép xoay ảnh, nhưng nó có thể làm việc tốt với sự xoay nhỏ và sự thiếu chính xác thuộc về hình học ở mức độ nhỏ. Một cách khác để làm nó bất biến đối với phép quay là tính toán theo trục toạ độ êlíp vừa nhất và xoay chúng cho đến khi trục chính là trục nằm ngang. Vì chúng ta không biết nơi đâu là phía trên cùng của hình dạng, xoay hai khả năng có thể xảy ra để thử. Hơn nữa, nếu trục chính và trục phụ có cùng chiều dài, thì 4 khả năng xoay phải được xem xét. So khớp hình chiếu được sử dụng thành công trong tìm kiếm ảnh logo. Những khả năng khác để xây dựng lượt đồ thông qua góc tiếp tuyến tại mỗi điểm ảnh trên đường bao của hình dạng. Độ đo này thì hoàn toàn tự động về mặt kích thước và bất biến đối với sự dịch chuyển, nhưng nó cũng không bất biến đối với xoay đối tượng, bởi vì góc tiếp tuyến đượctính từ hình dạng đối với một hướng xác định. Có một số cách khác nhau để giải quyết vấn đề này. Cách thứ nhất là xoay hình dạng về trục chính như đã mô tả ở trên. Một cách khác đơn giản hơn là xoay lượt đồ hình dạng. Nếu lượt đồ có K bin, thì sẽ có K khả năng xoay. Những vị trí xoay không đúng có thể làm ảnh hưởng tốc độ của việc tính toán, đặc biệt là trong trường hợp lượt đồ và ảnh có kích thước lớn. Hoặc là lượt đồ có thể được tiêu chuẩn hoá bởi cách chọn bin với số đếm lớn nhất là bin đầu tiên. Một vài bin lớn nhất nên được thử vì có thể có sự tồn tại của nhiễu. 2.2. Độ so khớp đường biên của hình dạng: Thuật toán so khớp đường biên đòi hỏi sự trích rút và trình bày đường biên của cả ảnh cần truy vấn và ảnh mang ra so khớp. Đường biên có thể được trình bày bởi Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 39 một dãy những điểm ảnh hay có thể được xấp xỉ bởi một đa giác. Đối với một dãy những điểm ảnh, một loại so khớp cổ điển là dùng mô tả Fourier để so sánh hai hình dạng với nhau. Trong toán học hàm liên tục, mô tả Fourier là những hệ số của dãy triển khai Fourier của hàm mà định nghĩa đường biên của hình dạng ảnh. Trong trường hợp đặc biệt, hình dạng được trình bày bởi dãy của m điểm. Từ những dãy điểm này, một dãy của vectơ đơn vị : kk kk k VV VVv − −= + + 1 1 và một dãy của những sai phân: ∑ = −−= k i iik VVl 1 1 , k>0 00 =l có thể được tính. Mô tả Fourier {a-M,...,a0,...,aM} sau đó được xấp xỉ bởi: ∑ = − − −= m k lLjn kkn kevv L nL a 1 )/2( 1 2 )( )2( 1 π π Những mô tả này có thể được dùng để định nghĩa độ đo khoảng cách hình dạng. Giả sử Q là ảnh truy vấn và I là ảnh mang hình dạng được so sánh với Q. Gọi { Qna } là dãy của những mô tả Fourier cho ảnh truy vấn, và { Qna } là mô tả Fourier cho ảnh. Khi đó độ đo khoảng cách Fourier như sau: 2/1 2 ),(    −= ∑ −= M Mn Q n I nFourie aaQId Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 40 Như đã mô tả, khoảng cách này chỉ bất biến đối với phép tịnh tiến. Nếu mà những bất biến khác đòi hỏi, có thể dùng sự kết hợp với nhiều hàm số học thể giải quyết vấn đề tỷ lệ, xoay, và điểm bắt đầu để cực tiểu hoá ),( QId Fourier Nếu mà đường biên được trình bày dưới dạng một đa giác, chiều dài của các cạnh và góc giữa chúng có thể được tính và dùng để trình bày hình dạng. Một hình dạng có thể được trình bày bởi một dãy những điểm nối liền nhau (Xi, Yi, iα ), với cặp đường thẳng giao nhau tại điểm (Xi, Yi) với góc lớn iα . Cho một dãy Q = Q1, Q2, ..., Qn của những điểm nối liền nhau trình bày đường biên của đối tượng truy vấn Q và một dãy tương tự I=I1, I2, ..., Im trình bày đường biên của đối tượng I, mục tiêu là tìm một ánh xạ từ Q tới I mà ánh xạ từ dãy phân đoạn của ảnh truy vấn tới dãy có chiều dài tương tự phân đoạn của ảnh và sao cho cặp của dãy phân đoạn truy vấn gần kề mà gặp tại một góc đặc biệt α nên ánh xạ tới một cặp những dãy phân đoạn gần kề mà gặp nhau tại một góc 'α tương tự. Một kỹ thuật so khớp đường biên khác là so khớp mềm dẻo (elastic matching) trong đó hình dạng truy vấn được làm biến dạng để trở nên càng giống với hình dạng ảnh mẫu càng tốt. Sự cách biệt giữa hình dạng ảnh truy vấn và hình dạng của ảnh mẫu dựa vào hai thành phần chính: (1) năng lượng đòi hỏi trong quá trình biến dạng từ hình dạng ảnh truy vấn tới mức độ phù hợp nhất với hình dạng trong ảnh mẫu. Và (2) sự đo lường về độ giống nhau giữa hình dạng ảnh truy vấn sau khi bị biến dạng khớp với hình dạng trong ảnh mẫu. 2.3. So khớp ảnh phát họa : Hệ thống so khớp phát họa cho phép người dùng nhập vào một bản phát họa của những đường biên chính trong một ảnh và sau đó hệ thống sẽ tìm kiếm những ảnh màu hay ảnh xám mà có đường biên khớp nhất. Những ảnh màu được tiền xử lý như sau để đạt được một dạng trung gian gọi là ảnh được trích rút (abstract image). - Áp dụng phép biến đổi affine để giảm kích thước ảnh về kích thước chỉ định trước. Dùng một mặt nạ trung vị để lọc nhiễu. Kết quả của bước này cho ra một ảnh được tiêu chuẩn hóa Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 41 - Dò biên sử dụng thuật toán dò tìm đường biên dựa trên gradient. Dò biên được tiến hành qua hai bước: những biên toàn cục sẽ được tìm thấy trước tiên với một ngưỡng toàn cục dựa trên giá trị trung bình và biến đổi của gradient; sau đó, những đường biên cục bộ sẽ được chọn từ toàn cục theo những ngưỡng cục bộ. Kết quả của bước này cho ra ảnh gọi là ảnh đã được lọc biên (refined edge image). - Tiến hành làm mảnh và rút ngắn trên ảnh đã được lọc biên. Kết quả cuối cùng được gọi là ảnh được trích rút. Khi người sử dụng nhập vào một bức ảnh phát họa ở dạng thô như là một ảnh truy vấn, nó cũng lần lượt được đưa qua các giai đoạn chuẩn hóa kích thước, nhị phân hóa, làm mảnh hoá, và rút gọn. Kết quả của quá trình xử lý này cho ra một ảnh gọi là bản phát họa đều nét. Giờ đây, bản phát họa đều nét phải được so khớp với những ảnh được trích rút ở trên. Thuật giải so khớp là thuật giải dựa vào mối tương quan. Hai ảnh sẽ được chia ra làm những hệ thống lưới ô vuông. Đối với mỗi hệ thống lưới ô vuông của ảnh truy vấn, tương quan cục bộ với hệ thống lưới ô vuông tương ứng của ảnh cơ sở dữ liệu sẽ được tính. Để thiết thực hơn, tương quan cục bộ được tính cho một vài những dịch chuyển khác biệt trong vị trí trong hệ thống ô lưới trên những ảnh cơ sở dữ liệu và giá trị tương quan cực đại qua tất cả những dịch chuyển là kết quả của cho hệ thống ô lưới đó. Độ đo sự giống nhau cuối cùng là tổng của mỗi tương quan cục bộ. Độ đo khoảng cách là nghịch đảo của độ đo sự giống nhau này. Từ những chú giải trên, nó có thể được biểu diển lại dưới dạng sau: ))]()),(((ˆ[ 1),( 1 gLgAshiftdaxm QId Q nncorrelationg sketch ∑= trong đó AI(g) quy cho hệ thống ô lưới g của ảnh được trích rút được tính từ ảnh cơ sở dữ liệu I, shift(AI(g)) quy cho phiên bản được dịch chuyển của hệ thống lưới g Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 42 của cùng ảnh được trích rút, và LQ(g) quy cho hệ thống ô lưới g của bản họa đều nét có kết quả từ ảnh truy vấn Q. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 43 PHẦN 3 CÀI ĐẶT VÀ KẾT QUẢ THỬ NGHIỆM Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 44 Chương 1: Cài đặt 1. Chương trình 2. Phần Màu sắc 3. Phần Vân 4. Phần Hình dạng Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 45 1. Chương trình: - Chương trình gồm 3 mođun riêng cho mỗi phần: màu sắc, vân và hình dạng. - Mỗi phần của chương trình được lập trình trên môi trường Visual C++ 7.0, với sự hỗ trợ của thư viện lập trình MFC, một thư viện liên kết tĩnh .dll của intel hỗ trợ cho việc truy xuất ảnh jpeg. - Mỗi phần là một bản demo cho cơ sở lý thuyết đã được nêu ở phần 2. - Phần màu sắc, chương trình demo tập chung vào phần màu sắc là nhiều nhất, vì đây là phần khả thi và có thể ứng dụng được liền vào thực tế với tốc độ và kết quả chấp nhận được. - Phần vân: chương trình làm phần tìm và so sánh vân dựa vào kỹ thuật ma trận đồng hiện và thống kê khác biệt ở lượt đồ xám. - Phần hình dạng: chương trình làm phần so khớp ảnh phát họa kết hợp với lượt đồ hình dạng. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 46 2. Phần màu sắc: Quy trình thực hiện như sau: Bước 1: Nhận vào ảnh mẫu, tính lượt đồ màu HSI cho ảnh mẫu Bước 2: Đọc ảnh từ cơ sở dữ liệu: Nếu còn ảnh: Tính lượt đồ màu của ảnh, qua Bước 3 Nếu hết ảnh: Kết thúc Bước 3: So sánh 2 lượt đồ màu vừa tính được dựa vào độ đo nào đó. Bước 4: So sánh kết quả độ đo với ngưỡng, thông báo kết quả. Quay lại bước 2. Tính lượt đồ màu: Mô hình màu được ứng dụng vào việc cài đặt là mô hình màu HSI. Cấu trúc của lượt đồ màu như sau: struct ColorHistogram { unsigned int grey[5]; (1) unsigned int val[18][3][3]; } Quá trình tính lượt đồ màu HSI cho việc tìm kiếm: Bước 1: Nhận vào ảnh RGB, đổi sang ảnh HSI Bước 2: Đọc giá trị điểm tiếp theo Nếu không có điểm thì kết thúc. Nếu tồn tại điểm, qua bước 3. Bước 3: Đọc thành phần intensity. Nếu intensity < 0.3 thì cho đây là điểm màu đen. Quay lại bước 2 Nếu intensity>=0.3, qua bước 4 Bước 4: Đọc thành phần Saturation Nếu Saturation <0.08 thì cho đây là điểm ảnh xám, gán giá trị tương ứng cho lượt đồ màu. Quay lại bước 2. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 47 Nếu Saturation>=0.08 thì cho đây là điểm ảnh màu, gán giá trị tương ứng cho lượt đồ màu dựa vào thành phần Hue, Saturation, và Intensity. Quay lại bước 2. 2.1. Tìm kiếm theo tỉ lệ phần trăm về màu sắc: - Người dùng xác định tỉ lệ phần trăm một số màu cần tìm kiếm, nhưng không quan tâm đến vị trí xuất hiện của những màu này. Chúng có thể xuẩt hiện khắp nơi trong ảnh hoặc tập chung tại một khu vực nào đó. Ví dụ: Tìm kiếm những bức ảnh có chứa khoảng 20-30% màu đỏ, 30-50% màu trắng, 10-40% màu đen. - Cách tiến hành: Không cần phải tính lượt đồ màu mà chỉ cần đếm số lượng những màu được chọn để tìm kiếm. + Màu được tìm kiếm được xếp vào một trong 167 bin của (1) + Trong quá trình tìm kiếm, nếu điểm ảnh nào nằm trong bin có màu được chọn thì số lượng trong bin đó tăng thêm 1. + Nếu tỉ lệ tổng số điểm ảnh trong từng bin được chọn trên tổng số lượng điểm ảnh của ảnh nằm trong khoảng được đặt ra thì ảnh đó thỏa mãn yêu cầu tìm kiếm. 2.2. Tìm kiếm theo lượt đồ màu toàn cục dựa trên ảnh mẫu: - Người dùng chọn một ảnh, những ảnh tìm được là những ảnh có sắc màu gần giống với ảnh cần tìm nhất theo một ngưỡng tự chọn trước. - Các tiến hành: Ý tưởng cách làm là so sánh lượt đồ màu toàn cục của ảnh với những ảnh khác trong cơ sở dữ liệu. Nếu ảnh trong cơ sở dữ liệu có lượt đồ màu phù hợp với độ đo theo một ngưỡng nhất định sẽ được chọn. + Tính lượt đồ màu của ảnh gốc như (1). + Trong quá trình tìm kiếm, tính lượt đồ màu của từng ảnh. Sau đó so sánh những lượt đồ này với nhau theo các loại độ đo được chọn. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 48 + Những ảnh thỏa mãn nhu cầu tìm kiếm là những ảnh có sự giao nhau của 2 lượt đồ đạt giá trị thỏa mãn ngưỡng. Độ đo được dùng : Min-Max, Euclid, độ đo khoảng cách toàn phương. 2.3. Tìm kiếm theo màu chỉ định dạng lưới: - Người dùng xác định vị trí những khoảng màu sẽ xuất hiện trong tấm ảnh. Những vùng màu được chọn dưới dạng ô lưới. Người dùng có thể xác định độ chia nhỏ của từng ô lưới. - Cách tiến hành : Dựa vào những ô lưới của người dùng đã ấn định, tiến hành chia ảnh trong cơ sở dữ liệu cần theo những ô lưới. Dùng mỗi màu đại diện cho một ô lưới, tiến hành so sánh ô lưới mà người dùng ấn định với ô lưới trong những ảnh vừa xác lập cho ra được theo một ngưỡng định trước. + Xác định mức độ chia nhỏ của mức lưới. Đồng thời xác định những màu được chọn trong các mắt lưới. + Tương tự như trên, màu trong những mắt lưới này sẽ được xếp vào 1 trong 167 bin như trong (1). + Trong quá trình tìm kiếm, ảnh tìm kiếm sẽ được chia theo đúng tỉ lệ của ô lưới xác lập ở trên. + Ứng với những ô lưới có màu được chọn, tính lượt đồ màu của ô lưới tương ứng trên ảnh. Tính màu đại diện trong ô lưới của ảnh. Sau đó tiến hành so sánh màu này với màu được chọn trong ô lưới ban đầu. + Tổng những so sánh ô lưới trên so với một ngưỡng sẽ cho được kết quả ảnh có phù hợp hay không. 2.4. Tìm kiếm toàn cục theo dạng so sánh lưới dựa trên ảnh mẫu: - Người dùng chỉ định ảnh mẫu với yêu cầu là: Tìm những ảnh có sắc màu gần giống với ảnh này. Cách tìm kiếm này khác với cách tìm kiếm dựa trên lượt đồ màu là nó quan tâm đến vị trí của những khoảng màu trong ảnh. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 49 Cách tìm kiếm này không những tìm ra những ảnh có sắc màu gần giống với ảnh mẫu mà còn giống nhau ở ví trí tương ứng những sắc màu đó. - Cách tiến hành: Ý tưởng phương pháp này giống như phương pháp so sánh lưới cục bộ có tương tác với người dùng. + Chia lưới cho ảnh mẫu. Tính những màu đại diện cho từng ô lưới. Tạo thành một mảng những màu đại diện. + Trong quá trình tìm kiếm ảnh, mỗi ảnh tìm kiếm ta cũng tiến hành chia thành những ô lưới và tính màu đại diện cho mỗi ô lưới. Ta cũng được một mảng những màu đại diện. + Tiến hành so sánh mảng màu đại diện với ngưỡng cho trước. 2.5.Tìm kiếm kết hợp giữa màu chỉ định dạng lưới và toàn cục theo một ảnh mẫu: - Đây là sự kết hợp giữa phương pháp tìm toàn cục theo dạng lưới và tìm cục bộ theo dạng lưới. Tương tự như tìm toàn cục theo dạng lưới nhưng còn cho phép người dùng thay đổi khoảng màu của từng ô lưới. Những ô lưới không bị thay đổi khoảng màu sẽ dùng khoảng màu của ảnh mẫu đã được chọn. - Cách tiến hành: + Tương tự như trên, tiến hành chia lưới trên ảnh mẫu. + Nhận những giá trị của màu đã bị thay đổi trên lưới. Được mảng những màu đại diện. + Trong quá trình tìm kiếm, mỗi ảnh tìm kiếm được chia lưới theo tỉ lệ tương ứng như trên. Sau đó, tính mảng màu đại diện. + Tiến hành so sánh mảng màu đại diện này với nhau để tìm ra được ảnh phù hợp với yêu cầu tìm kiếm Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 50 3. Phần vân: Quy trình thực hiện như sau: Bước 1: Nhận vào ảnh mẫu, tính vectơ vân đặc trưng cho ảnh mẫu Bước 2: Đọc ảnh từ cơ sở dữ liệu: Nếu còn ảnh: Tính vectơ của ảnh, qua Bước 3 Nếu hết ảnh: Kết thúc Bước 3: So sánh 2 vectơ vân vừa tính được dựa vào độ đo nào đó. Bước 4: So sánh kết quả độ đo với ngưỡng, thông báo kết quả. Quay lại bước 2. 3.1. Tìm kiếm ảnh dựa vào ma trận đồng hiện: Kỹ thuật dùng ma trận đồng hiện đối với việc tìm kiếm ảnh, qua đó, vân của mỗi ảnh được đặt trưng bởi một vectơ vân, vectơ này có 5 thành phần, giá trị của mỗi thành phần tương ứng với những thành phần của các công thức dưới đây. Công thức được áp dụng: Energy = ∑∑ i j d jiN ],[ 2 Entropy = -∑∑ i j dd jiNjiN ],[log],[ 2 Contrast = ∑∑ − i j d jiNji ],[)( 2 Homogeneity = ∑∑ −+i j d ji jiN 1 ],[ Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 51 Correlation = ji i j dji jiNji σσ µµ∑∑ −− ],[))(( Các bước tính ma trận đồng hiện như sau: Bước 1: Ảnh màu nhận vào được chuyển sang ảnh xám (intensity) Bước 2: Tính ma trận đồng hiện trên ảnh mức xám này. Sau bước này có thể có thêm bước 2’. Bước 2’: Chuẩn hoá ma trận đồng hiện. Bước 3: Tính các giá trị Energy, Entropy, Constrast, Homogeneity, Correlation. Bước 4: Gán các giá trị vừa tính được cho vectơ vân đặt trưng. 3.2. Tìm kiếm ảnh dựa vào thống kê khác biệt ở lượt đồ xám: Kỹ thuật này cũng tương tự như đối với ma trận đồng hiện, nhưng nó thường mang lại kết quả tìm kiếm khả quan hơn nhiều, tốc tộ cũng nhanh hơn đối với ma trận đồng hiện. Vectơ vân của trường hợp này cũng có 5 thành phần chính, mỗi thành phần tương ứng với các giá trị của công thức dưới đây: Gọi h[I] là lượt đồ xám của ảnh. Mean = ∑ = 255 1 ][* i ihi Variance = ∑ = − 255 1 2 ][*)( i ihmeani Skewness = 3 255 1 3 )var( ][*)( iance ihmeani i ∑ = − Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 52 Kurtosis = 3 4 ][*)( 255 1 4 − −∑ =i ihmeani Entropy = ∑ = − 255 1 ])[ln(*][ i ihih Các bước tính thống kê khác biệt ở lượt đồ xám như sau: Bước 1: Ảnh màu được chuyển sang ảnh dạng xám Bước 2: Tính lượt đồ xám cho ảnh xám vừa tính được Bước 3: Tính các giá trị mean, variance, skewness, kurtosis, entropy dựa vào các biểu thức ở trên. Bước 4: Gán các giá trị vừa tính được vào vectơ Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 53 4. Phần hình dạng: Quy trình thực hiện như sau: Bước 1: Nhận vào ảnh mẫu phát thảo. Phân đoạn ảnh bằng ngưỡng. Tính lượt đồ hình dạng cho ảnh vừa phân đoạn Bước 2: Đọc ảnh từ cơ sở dữ liệu: Nếu còn ảnh: Phân đoạn ảnh, tính lượt đồ hình dạng, qua Bước 3 Nếu hết ảnh: Kết thúc Bước 3: So sánh 2 lượt đồ hình dạng vừa tính được dựa vào độ đo nào đó. Bước 4: So sánh kết quả độ đo với ngưỡng, thông báo kết quả. Quay lại bước 2. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 54 Chương 2: Kết quả thử nghiệm 1. Phần Màu sắc 2. Phần Vân 3. Phần Hình dạng Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 55 1.Phần màu sắc: Một số kết quả thử nghiệm một số chức năng chính của chương trình. Cơ sở dữ liệu thử nghiệm: hơn 800 ảnh đủ mọi thể loại. 1.1.Tìm kiếm với chức năng tìm kiếm dựa trên lượt đồ toàn cục: Ảnh đưa vào tìm kiếm: Ngưỡng ban đầu được chọn là 50, cho ra kết quả tìm kiếm như sau: Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 56 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 57 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 58 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 59 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 60 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 61 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 62 Sau khi đổi ngưỡng lại là 60, và tìm kiếm trong kết quả vừa tìm được, lặp lại quá trình tìm kiếm, ta thu được kết quả như sau: Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 63 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 64 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 65 1.2.Tìm kiếm với chức năng tìm kiếm dựa trên phần trăm màu: Nhập vào: Chọn màu xanh blue (128,128,255), với tỉ lệ phần trăm xuất hiện trong ảnh là từ 20-40%. Kết quả thu được như sau: Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 66 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 67 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 68 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 69 1.3.Tìm kiếm với chức năng tìm kiếm dựa vị trí màu sắc trong không gian: Chọn ngưỡng là 70, vị trí màu sắc : nữa trên của ảnh là màu trắng Kết quả thu được như sau: Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 70 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 71 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 72 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 73 2. Phần vân: 2.1. Ma trận đồng hiện: Vân được đưa vào kiểm tra: Với mức ngưỡng là 0.06 Kết quả thu được là: Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 74 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 75 2.1. Thống kê khác biệt với lượt đồ xám: Vân được đưa vào kiểm tra: Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 76 Với mức ngưỡng là 0.06 Kết quả thu được là: Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 77 3. Phần hình dạng: Rất tiếc là kết quả thu được không khả quan lắm. Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 78 PHẦN 4 KẾT LUẬN Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 79 Đánh giá kết quả đạt được Người dùng có thể dùng chương trình này để tìm kiếm ảnh theo màu sắc, vân, và hình dáng. Việc tìm kiếm ảnh với tiêu chí màu có kết quả tốt. Phù hợp với thị giác người. Việc sử dụng sáng tạo một hệ thống tính toán lượt đồ màu HSI mới đã làm cho việc tìm kiếm ảnh dựa vào màu sắc đạt kết quả tốt. Có thể tìm kiếm theo màu với rất nhiều tiêu chí đặt ra. Tìm kiếm ảnh theo vân và hình dạng, chương trình còn sơ sài, chưa đáp ứng được. Vì thực sự đây là hai mảng đề tài rất khó, cần có nhiều sự đầu tư nghiên cứu hơn. Hướng phát triển - Kết hợp các chức năng màu sắc, vân, hình dạng lại với nhau để giúp việc tìm kiếm được hiệu quả hơn. Sự kết hợp giữa các chức năng này với nhau sẽ mang lại kết quả khả quan hơn nhiều, vì nó làm tăng khả năng tìm kết quả chính xác, theo như mong muốn. - Tổ chức thành database ảnh đối với những số lượng ảnh lớn cố định. Điều này sẽ giúp cho tốc độ tìm kiếm đạt giá trị cực tiểu. - Có thể phát triển thêm để ứng dụng được vào thực tế: o Giúp tìm hàng hoá trong siêu thị dựa vào hình ảnh. o o Tìm ảnh trên mạng. o .... Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 80 Tài liệu tham khảo [1] Linda G.Shapiro, George C.Stockman COMPUTER VISION Upper Saddle River, New Jersey Prentice-Hall, Inc 2001 [2] Ratael C.Gonzalez, Richard E. Woods DIGITAL IMAGE PROCESSING Addison-Wesley Publishing Company, Inc 1993 [3] Marius Tico, Taneli Haverinen, Pauli Kuosmanen A METHOD OF COLOR HISTOGRAM CREATION FOR IMAGE RETRIEVAL Signal Processing Laboratory Digital Media Institute Tampere University of Technology P.O. BOX 553, FIN-33101, Tampere, FINLAND, tico@cs.tut.fi [4] Charles E. Jacobs, Adam Finkelstein, David H. Salesin FAST MULTIRESOLUTION IMAGE QUERYING Department of Computer Science and Engineering University of Washington Seattle, Washington 98195 Kh oa C NT T - Ð H KH TN TP .H CM Luận văn tốt nghiệp đại học 81 [5] Alberto Del Bimbo VISUAL INFORMATION RETRIEVAL Department of Science of Information University of Fizenze Finenze, Italy MORGAN KAUFMANN, 1999