Tiu lun: X l nh số nâng cao   Tổng quan Vật liệu trong các chương trước đã bắt đầu một quá trình chuyển đổi từ phương pháp xử lý ảnh có đầu vào và đầu ra là các ảnh, các phương pháp trong đó các yếu tố đầu vào là ảnh, nhưng các kết quả đầu ra là các thuộc tính chiết xuất từ các ảnh (theo nghĩa quy định tại Mục 1.1). Phân đoạn là một bước tiến quan trọng theo hướng đó. Phân đoạn chia nhỏ một ảnh thành các vùng thành phần hoặc các đối tượng của nó. Mức độ phân chia được thực hiện phụ thuộc vào các vấn đề được giải quyết. Đó là, phân đoạn nên dừng lại khi các đối tượng quan tâm trong một ứng dụng đã được cô lập. Ví dụ, trong việc kiểm tra tự động lắp ráp điện tử, sự quan tâm nằm trong việc phân tích ảnh của sản phẩm với mục tiêu xác định sự hiện diện hay vắng mặt của các bất thường cụ thể, chẳng hạn như thiếu các thành phần hoặc các đường kết nối bị hỏng. Không có điểm trong việc thực hiện phân đoạn qua mức độ chi tiết cần thiết để xác định những yếu tố này. Phân đoạn của ảnh không tầm thường là một trong những nhiệm vụ khó khăn nhất trong xử lý ảnh. Độ chính xác phân đoạn xác định sự thành công hay thất bại cuối cùng của các thủ tục phân tích trên máy vi tính. Vì lý do này, sự quan tâm đáng kể nên được thực hiện để cải thiện khả năng của phân đoạn không đều. Trong một số trường hợp, chẳng hạn như các ứng dụng kiểm tra công nghiệp, ít nhất một số biện pháp kiểm soát môi trường có thể vào lúc này. Người thiết kế hệ thống xử lý ảnh giàu kinh nghiệm luôn luôn quan tâm đáng kể đến cơ hội như vậy. Trong các ứng dụng khác, chẳng hạn như phát hiện mục tiêu độc lập, các nhà thiết kế hệ thống không kiểm soát môi trường. Sau đó, cách tiếp cận thông thường là tập trung vào việc lựa chọn các loại cảm biến có nhiều khả năng tăng cường các đối tượng quan tâm trong khi làm giảm bớt sự đóng góp của các chi tiết ảnh không thích hợp. Một ví dụ là việc sử dụng các ảnh hồng ngoại của quân đội để phát hiện đối tượng có chữ ký nhiệt mạnh mẽ, chẳng hạn như thiết bị và quân đội trong chuyển động. 1 Tiu lun: X l nh số nâng cao Các thuật toán phân đoạn ảnh thường được dựa trên một trong hai đặc tính cơ bản của các giá trị cường độ: gián đoạn và tương tự. Trong nhóm thứ nhất, phương pháp tiếp cận để phân vùng ảnh dựa trên những thay đổi đột ngột về cường độ, chẳng hạn như các cạnh trong một ảnh. Các phương pháp tiếp cận chính trong thể loại thứ hai được dựa trên phân vùng một ảnh thành các vùng tương tự theo một bộ tiêu chí được xác định trước. Ngưỡng, khu vực đang phát triển, và khu vực chia tách và sáp nhập là những ví dụ của phương pháp trong thể loại này. Trong chương này, chúng ta thảo luận về một số phương pháp tiếp cận của hai loại vừa được đề cập đến. Chúng ta bắt đầu phát triển với các phương pháp thích hợp cho việc phát hiện các gián đoạn mức xám như điểm, dòng, và các cạnh. Phát hiện cạnh đặc biệt đã được một yếu của thuật toán phân đoạn trong nhiều năm. Ngoài việc phát hiện cạnh theo thường lệ, chúng ta cũng thảo luận về phương pháp để kết nối các phân đoạn cạnh và " lắp ráp " cạnh vào ranh giới vùng. Thảo luận về phát hiện cạnh tiếp theo là sự ra đời của kỹ thuật ngưỡng khác nhau . Ngưỡng tuyệt nhiên cũng là một cách tiếp cận cơ bản để phân đoạn đó được hưởng một mức độ đáng kể của sự phổ biến, đặc biệt trong các ứng dụng tốc độ là một yếu tố quan trọng. Các cuộc thảo luận trên ngưỡng tiếp theo là sự phát triển của một số phương pháp tiếp cận gián đoạn theo định hướng khu vực. Chúng ta sau đó thảo luận một cách tiếp cận hình thái để phân đoạn được gọi là phân đoạn Watersheds. Cách tiếp cận này đặc biệt hấp dẫn bởi vì nó kết hợp một số các thuộc tính tích cực của phân đoạn dựa trên các kỹ thuật trình bày trong phần đầu của chương này. Chúng ta kết luận chương này với một cuộc thảo luận về việc sử dụng các dấu hiệu chuyển động cho việc phân đoạn ảnh.  !" Trong phần này chúng ta trình bày một số kỹ thuật để phát hiện ba loại cơ bản của sự gián đoạn mức xám (gray-level) trong một ảnh số: điểm, đường và các cạnh. Cách phổ biến nhất để tìm kiếm các gián đoạn là chạy một mặt nạ thông qua ảnh theo cách mô tả trong phần 3.5. Đối với mặt nạ 3x3 thể hiện trong hình 10.1, thủ tục 2 Tiu lun: X l nh số nâng cao này liên quan đến việc tính tổng của các sản phẩm các hệ số với các mức xám chứa trong khu vực bao phủ bởi mặt nạ. # Tạo mặt nạ 3x3 Đó là, với sự tham khảo phương trình (3.5-3), đáp ứng của mặt nạ tại bất kỳ điểm nào trong ảnh được cho bởi Trong đó z i là mức xám của điểm ảnh liên quan với hệ số mặt nạ . Thông thường, đáp ứng của mặt nạ được xác định liên quan tới vị trí trung tâm của nó. Các chi tiết để thực hiện các hoạt động mặt nạ sẽ được thảo luận trong phần 3.5.  !$ Việc phát hiện các điểm bị cô lập trong một ảnh về nguyên tắc là rất đơn giản. Sử dụng mặt nạ biểu diễn trong hình 10.2(a), chúng ta nói rằng một điểm đã được phát hiện tại vị trí mà trên đó mặt nạ là trung tâm nếu. Trong đó T là ngưỡng âm và R được cho bởi phương trình (10.1-1). Về cơ bản, công thức này đo lường sự khác biệt trọng số giữa điểm trung tâm và các láng giềng của 3 Tiu lun: X l nh số nâng cao nó. Ý tưởng là một điểm bị cô lập (một điểm có mức xám khác nhau đáng kể từ nền của nó và được đặt tại một khu vực đồng nhất hoặc gần đồng nhất) sẽ hơi khác môi trường xung quanh của nó, và do đó có thể dễ dàng phát hiện bằng cách loại mặt nạ. Lưu ý rằng mặt nạ trong hình 10.2(a) giống với mặt nạ thể hiện trong hình 3.39(d) trong việc kết nối với toán tử Laplacian. Tuy nhiên, sự nhấn mạnh ở đây là đúng về sự phát hiện của các điểm. Đó là, sự khác biệt duy nhất được xem xét quan tâm là những điểm đủ lớn (được xác định bởi T) được coi là điểm bị cô lập. Lưu ý rằng tổng các hệ số mặt nạ bằng 0, chỉ ra rằng đáp ứng mặt nạ sẽ là 0 trong khu vực mức xám không thay đổi. %&'( !$)*+,- Chúng ta minh họa việc phân đoạn các điểm bị cô lập từ một ảnh với sự trợ giúp của hình 10.2(b), trong đó cho thấy một ảnh tia X của một lưỡi tuabin động cơ phản lực với một độ xốp ở trên, góc phải của ảnh. Có một điểm ảnh màu đen duy nhất được nhúng trong độ xốp. Hình 10.2(c) là kết quả của việc áp dụng mặt nạ phát hiện điểm đối với ảnh tia X, và hình 10.2(d) biểu diễn kết quả của việc sử dụng phương trình (10.1-2) với T bằng 90% giá trị điểm ảnh tuyệt đối cao nhất của ảnh trong hình 10.2(c). (Lựa chọn ngưỡng được thảo luận chi tiết trong mục 10.3). Các điểm ảnh 4 Tiu lun: X l nh số nâng cao đơn giản có thể nhìn thấy trong ảnh này (các điểm ảnh được mở rộng bằng tay để nó sẽ được hiển thị sau khi in). Đây là loại quá trình phát hiện khá đặt biệt vì nó được dựa trên sự gián đoạn điểm ảnh đơn có nền đồng nhất trong khu vực của mặt nạ phát hiện. Khi đó điều kiện này là không thõa mãn, các phương pháp khác được thảo luận trong chương này phù hợp hơn để phát hiện các gián đoạn mức xám. . '/ Mức độ tiếp theo của sự phức tạp là phát hiện dòng. Xem xét mặt nạ biểu diễn trong hình 10.3. Nếu mặt nạ đầu tiên được di chuyển xung quanh một ảnh, nó sẽ đáp ứng mạnh hơn đối với các dòng (một điểm ảnh dày) định hướng theo chiều ngang. Đối với một nền ổn định, đáp ứng cực đại sẽ cho kết quả khi đường đi qua hàng giữa của mặt nạ. Điều này có thể dễ dàng xác nhận qua sự phác thảo một mảng đơn giản nếu 1 với một dòng của mức xám khác nhau (nói, 5) chạy ngang qua mảng. Kinh nghiệm tương tự sẽ tiết lộ rằng mặt nạ thứ hai trong hình 10.3 đáp ứng tốt nhất cho các dòng theo định hướng tại +45 o ; mặt nạ thứ ba với đường thẳng đứng và mặt nạ thứ tư dòng trong hướng -45 o . Những hướng dẫn này có thể được thiết lập bằng việc khẳng định hướng ưu tiên của mỗi mặt nạ được nặng với một hệ số lớn hơn (ví dụ, 2) so với hướng khác. Lưu ý rằng tổng các hệ số trong mỗi mặt nạ bằng 0, chỉ thị đáp ứng zero từ các mặt nạ trong vùng mức xám không đổi. Cho R 1 , R 2 , R 3 và R 4 chỉ thị các đáp ứng của mặt nạ trong hình 10.3, từ trái sang phải, trong đó R được cho bởi phương trình (10.1-1). Giả sử rằng bốn mặt nạ được chạy riêng qua một ảnh. Nếu tại một điểm nhất định trong ảnh, i j R R> , với mọi j ≠ i, điểm đó được cho là có nhiều khả năng liên quan với một đường theo hướng mặt nạ i. Cho ví dụ, nếu tại một điểm trong ảnh, i j R R> với k = 2,3,4, 5 Tiu lun: X l nh số nâng cao #0 Mặt nạ dòng điểm đặc biệt này được cho là có nhiều khả năng liên quan đến một đường ngang. Ngoài ra, chúng ta có thể quan tâm trong việc phát hiện dòng theo một hướng cụ thể. Trong trường hợp này, chúng ta sẽ sử dụng mặt nạ kết hợp với hướng đó và ngưỡng đầu ra của nó, như trong phương trình (10.1-2). Nói cách khác, nếu chúng ta quan tâm trong việc phát hiện tất cả các dòng trong một ảnh theo hướng xác định cho bởi mặt nạ, chúng ta chỉ chạy mặt nạ qua ảnh và ngưỡng giá trị tuyệt đối của kết quả. Các điểm bên trái đáp ứng mạnh nhất, trong đó, đối với dòng một trong những điểm ảnh dày, tương ứng với hướng gần nhất được xác định bởi mặt nạ. Ví dụ sau đây minh họa quá trình này. 6 Tiu lun: X l nh số nâng cao %&'(. '/1$23456!* Hình 10.4(a) cho thấy một phần số hóa (nhị phân) phần của một mặt nạ đường mạch in (wire-bond) cho bởi mạch điện tử. Giả sử rằng chúng ta quan tâm đến việc tìm kiếm tất cả các dòng đó là một điểm ảnh dày và được định hướng tại -45 o . Với mục đích này, chúng ta sử dụng mặt nạ cuối cùng thể hiện trong hình 10.3. Giá trị tuyệt đối của kết quả được hiển thị trong hình 10.4(b). Lưu ý rằng tất cả các thành phần dọc và ngang của ảnh đã bị loại bỏ, và các thành phần của ảnh gốc có xu hướng hướng tới một hướng -45 o tạo nên các đáp ứng mạnh nhất trong hình 10.4(b). Để xác định các dòng tốt nhất phù hợp với mặt nạ, chúng ta đơn giản ngưỡng ảnh này. Kết quả của việc sử dụng một ngưỡng tương đương với giá trị lớn nhất trong ảnh biểu diễn trong hình 10.4(c). Giá trị cực đại là một lựa chọn tốt cho một ngưỡng trong các ứng dụng như thế này bởi vì ảnh đầu vào là nhị phân và chúng ta đang tìm các đáp ứng mạnh nhất. Hình 10.4(c) cho thấy trong tất cả các điểm trắng được thông 7 Tiu lun: X l nh số nâng cao qua việc kiểm tra ngưỡng. Trong trường hợp này, các thủ tục trích xuất các đoạn thẳng duy nhất là một điểm ảnh dày và định hướng tại -45 o (các thành phần khác của ảnh được định hướng theo hướng này ở phía trên, góc phần tư bên trái không phải là một điểm ảnh dày). Các điểm bị cô lập thể hiện trong hình 10.4(c) là những điểm mà cũng đã có đáp ứng mạnh tương tự như mặt nạ. Trong ảnh gốc, các điểm này và các điểm láng giềng của nó được định hướng như cách mà mặt nạ tạo đáp ứng tối đa tại các vị trí bị cô lập. Các điểm bị cô lập này có thể được phát hiện bằng cách sử dụng mặt nạ trong hình 10.2(a) và sau đó đã bị xóa, hoặc họ có thể xóa việc sử dụng xói mòn hình thái, như đã thảo luận trong chương cuối. 0 " Mặc dù việc phát hiện điểm và đường chắc chắn rất quan trọng trong bất kỳ cuộc thảo luận về sự phân đoạn, phát hiện cạnh đến nay là phương pháp phổ biến nhất để phát hiện các gián đoạn có ý nghĩa ở mức xám. Trong phần này, chúng tôi thảo luận cách tiếp cận để thực hiện các dẫn xuất số bậc một và bậc hai phát sinh cho việc phát hiện các cạnh trong ảnh. Chúng ta giới thiệu các phát sinh trong phần phần 3.7 trong nội dung nâng cao hình ảnh. Trọng tâm ở phần này là các đặc điểm của chúng cho việc phát hiện cạnh. Một số khái niệm giới thiệu trước đây được trình bày lại một thời gian ngắn vào đây để liên tục vì lợi ích trong cuộc thảo luận. 7+89) Các cạnh đã được giới thiệu chính thức tại mục 3.7.1. Trong phần này, chúng ta xem xét các khái niệm về cạnh số gần hơn một chút. Trực giác, một cạnh là một tập hợp các điểm ảnh kết nối nằm trên ranh giới giữa hai khu vực. Tuy nhiên, chúng ta đã đi qua một số chiều dài tại phần 2.5.2 để giải thích sự khác biệt giữa một cạnh và một đường biên. Về cơ bản, như chúng ta sẽ thấy ngay, một cạnh là một khái niệm "cục bộ" trong khi một vùng đường biên, do theo cách nó được định nghĩa, là một ý tưởng toàn cục. Một định nghĩa hợp lý "cạnh" đòi hỏi khả năng đo quá trình chuyển đổi mức xám theo một cách có ý nghĩa. 8 Tiu lun: X l nh số nâng cao Chúng ta bắt đầu bằng cách mô hình một cạnh trực giác. Điều này sẽ dẫn chúng ta đến một hình thức trong đó "có ý nghĩa" quá trình chuyển đổi ở mức xám có thể được đo. Trực giác, một cạnh lý tưởng có đặc tính của mô hình thể hiện trong hình 10.5(a). Một cạnh lý tưởng theo mô hình này là một tập hợp các điểm ảnh được kết nối (ở đây theo hướng thẳng đứng), mỗi trong số đó nằm ở một bước chuyển đổi trực giao ở mức xám (thể hiện bởi mặt ngang trong hình vẽ). Trong thực tế, quang học, lấy mẫu, và hình ảnh thu thập được không hoàn hảo tạo ra cạnh bị mờ, với mức độ làm mờ được xác định bởi các yếu tố như chất lượng của các hệ thống thu thập ảnh, tỷ lệ lấy mẫu, và dưới các điều kiện chiếu sáng mà ảnh được thu thập . Kết quả là, các cạnh được mô hình chặt chẽ hơn như có một mặt "đoạn đường nối", chẳng hạn như thể hiện trong hình 10.5(b). Độ dốc của đoạn đường nối tỉ lệ nghịch với mức độ mờ ở cạnh. Trong mô hình này, chúng ta không còn có một (một điểm ảnh dày) phần mỏng. Thay vào đó, một điểm cạnh bây giờ là điểm bất kỳ có trong đoạn đường nối, và một cạnh sau đó sẽ là một tập hợp các điểm như vậy đã được kết nối. "Độ dày" của cạnh được xác định bởi chiều dài của đoạn đường nối, như nó chuyển từ mức ban đầu đến một mức xám cuối cùng. Chiều dài này được xác định bởi độ dốc, mà đến lượt nó, được xác định bởi mức độ làm mờ. Điều này có ý nghĩa: các cạnh mờ có xu hướng dày và các cạnh sắc nét có xu hướng mỏng. 9 Tiu lun: X l nh số nâng cao Hình 10.6(a) biểu diễn ảnh từ cận cảnh trong hình 10.5(b) được lấy ra, Hình 10.6(b) cho thấy một trắc đồ mức xám ngang của cạnh giữa hai vùng. Con số này cũng cho thấy các dẫn xuất thứ nhất và thứ hai của trắc đồ mức xám. Dẫn xuất thứ nhất là dương tại các điểm chuyển tiếp vào và ra khỏi đoạn đường nối như chúng ta di chuyển từ trái sang phải dọc theo trắc đồ, nó là hằng số cho các điểm trong đoạn đường nối, và là số không trong vùng mức xám không đổi. Dẫn xuất thứ hai là dương tại quá trình chuyển đổi kết hợp với mặt tối của các cạnh, âm tại các quá trình chuyển đổi kết hợp với phía ánh sáng của cạnh, và zero dọc theo đoạn đường nối và trong khu vực mức xám không đổi. Dấu hiệu của các dẫn xuất trong hình 10.6(b) sẽ được đảo ngược cho một cạnh đó là quá trình chuyển đổi từ sáng đến tối. Chúng ta kết luận từ các quan sát rằng biên độ của dẫn xuất đầu tiên có thể được sử dụng để phát hiện sự hiện diện của một cạnh tại một điểm trong một ảnh (ví dụ , để xác định một điểm trên một đoạn đường nối). Tương tự, các dấu hiệu của dẫn xuất thứ hai có thể được sử dụng để xác định xem một điểm ảnh cạnh nằm trên mặt 10 [...]... duy nhất Phân đoạn ảnh ở phía trên, bên trái là nhiễu tự do Ba ảnh khác trong cột đầu tiên của Hình 10.7 bị hỏng bởi cộng nhiễu Gaussian với zero mean và độ lệch tiêu chuẩn 0.1, 1.0, và 10.0 mức xám tương ứng Đồ thị dưới đây mỗi ảnh là một trắc đồ mức xám của một đường quét ngang qua ảnh 11 Tiểu luận: Xử lý ảnh số nâng cao Các ảnh trong cột thứ hai của hình 10.7 là các dẫn xuất bậc một của ảnh bên... luận: Xử lý ảnh số nâng cao 28 Tiểu luận: Xử lý ảnh số nâng cao Xử lý toàn cục thông qua biến đổi Hough Trong phần này, điểm được liên kết bằng cách xác định đầu tiên nếu chúng nằm trên một đường cong hình dạng xác định Không giống như các phương pháp phân tích cục bộ thảo luận trong phần 10.2.1, bây giờ chúng ta xem xét mối quan hệ toàn cầu giữa các điểm ảnh Cho n điểm trong ảnh, giả sử rằng... phía bên phải của bức hình Ảnh gốc có độ phân giải tương đối cao (1200 x 1600 pixel) và, tại khoảng cách hình ảnh được chụp, góp phần tạo nên ảnh chi tiết bởi những viên gạch tường vẫn còn đáng kể Mức độ chi tiết thường là không mong muốn, và một trong những cách để giảm bớt nó là làm mịn ảnh Hình 10.11 cho thấy trình tự của các hình ảnh như trong hình 10.10, nhưng với hình ảnh ban đầu được làm mịn đầu... ta thảo luận tính toán các dẫn xuất ảnh thứ nhất và thứ hai ở phần sau) Xem xét, cho ví dụ, ảnh trung tâm ở phía trên Như đã thảo luận kết nối với hình 10.6(b), các dẫn xuất là zero trong các vùng màu đen và trắng không đổi Đây là hai vùng màu đen hiển thị trong ảnh dẫn xuất Dẫn xuất của một đoạn đường nối không đổi là một hằng số, bằng với độ dốc của đoạn đường nối Khu vực không đổi này trong ảnh dẫn... Gaussian trong công thức LoG là để làm mịn ảnh, và mục đích của toán tử Laplacian là cung cấp một ảnh với zero crossings được sử dụng để thiết lập vị trí của các cạnh Làm mịn ảnh làm giảm ảnh hưởng của nhiễu và, về nguyên lý, nó tính toán sự gia tăng ảnh hưởng của nhiễu gây ra bởi các dẫn xuất thứ hai của Laplacian Nó là quan tâm đến việc lưu ý rằng các thí nghiệm sinh lý thần kinh thực hiện trong đầu những... kết như là trung tâm của khu phố được di chuyển từ điểm ảnh đến điểm ảnh Một thủ tục kế toán đơn giản là chỉ định một mức độ xám khác nhau cho mỗi tập các pixel cạnh liên kết Ví dụ 10.6 Liên kết điểm – cạnh dựa vào xử lý vị trí 26 Tiểu luận: Xử lý ảnh số nâng cao Để minh họa các thủ tục nêu trên, xét hình 10.16(a), trong đó cho thấy hình ảnh của phía sau của một chiếc xe Mục tiêu là để tìm hình... mang lại các dòng dọc Tiếp tục xử lý bao gồm các liên kết các phân đoạn cạnh tách nhau bằng vết vỡ nhỏ và xóa các đoạn ngắn bị cô lập Như hình 10.16(d) cho thấy, hình chữ nhật tương ứng với biển số xe là một trong số ít các hình chữ nhật được phát hiện trong ảnh Nó sẽ là một vấn đề đơn giản để xác định vị trí biển số xe dựa trên những hình chữ nhật (tỷ lệ chiều rộng và chiều cao của biển số xe hình chữ... của nó cho việc phát hiện cạnh vì nhiều lý do: như dẫn xuất bậc hai, Laplacian thường không thể chấp nhận nhạy cảm với nhiễu (hình 10.7) Độ lớn của Laplacian tạo ra cạnh đôi (xem hình 10.6 và 10.7), ảnh hưởng không mong muốn bởi vì nó phân đoạn phức tạp Cuối cùng, Laplacian không thể phát hiện hướng cạnh Với những lý do này, vai trò của Laplacian trong việc phân đoạn bao gồm: (1) sử dụng tính chất zero-crossing... lý ảnh số nâng cao 3 Kiểm tra số lượng của các cell bình xạc điện cho việc tập trung điểm ảnh cao 4 Kiểm tra các mối quan hệ (chủ yếu để liên tục) giữa các điểm ảnh trong một cell được lựa chọn Các khái niệm về tính liên tục trong trường hợp này thường được dựa trên việc tính toán khoảng cách giữa các điểm ảnh bị ngắt kết nối được xác định trong lúc mâu thuẫn của việc thiết lập các điểm ảnh tương ứng... không gian được sử dụng để thực hiện phương trình (10,1-15) Hình 10.15(e) là ảnh 23 Tiểu luận: Xử lý ảnh số nâng cao LoG thu được bằng cách làm mịn ảnh gốc với mặt nạ làm mịn Gaussian, tiếp theo là ứng dụng của mặt nạ Laplacian (ảnh này được cắt để loại bỏ các hiệu ứng biên giới được tạo ra bởi mặt nạ làm mịn) Như đã nói ở đoạn trên, có thể được tính bằng cách áp dụng (c) tiếp theo (d) Sử dụng phương . hiện phân đoạn qua mức độ chi tiết cần thiết để xác định những yếu tố này. Phân đoạn của ảnh không tầm thường là một trong những nhiệm vụ khó khăn nhất trong xử lý ảnh. Độ chính xác phân đoạn. ảnh tuyệt đối cao nhất của ảnh trong hình 10.2(c). (Lựa chọn ngưỡng được thảo luận chi tiết trong mục 10.3). Các điểm ảnh 4 Tiu lun: X l nh số nâng cao đơn giản có thể nhìn thấy trong ảnh. số nâng cao Các thuật toán phân đoạn ảnh thường được dựa trên một trong hai đặc tính cơ bản của các giá trị cường độ: gián đoạn và tương tự. Trong nhóm thứ nhất, phương pháp tiếp cận để phân