MỤC LỤC PHẦN MỞ ĐẦU Chƣơng 1: KHÁT QUÁT VỀ TƢƠNG QUAN VÀ ĐỘ ĐỌ TƢƠNG QUAN GIỮA HAI ẢNH 1.1 Tính “ghép đúng” tính “tƣơng quan” 1.1.1 Khái niệm độ tƣơng quan hai ảnh 1.1.2 Độ đo tƣơng quan 1.2 Xác định độ đo nội dung ảnh 10 1.2.1 Độ đo thuộc tính màu sắc 11 1.2.1.1 Histogram 11 1.2.1.2 Moment màu 14 1.2.1.3 Vectơ gắn kết màu 15 1.2.1.4 Tƣơng quan màu 15 1.2.2 Độ đo thuộc tính hình dạng 16 1.2.2.1 Cơ sở vùng 16 1.2.2.2 Cơ sở biên 20 1.2.3 Độ đo thuộc tính cấu trúc bề mặt 22 1.2.3.1 Các phƣơng pháp không gian 22 1.2.3.2 Phƣơng pháp tần số 24 1.2.3.2 Phƣơng pháp moment 25 Chƣơng 2: MỘT SỐ KỸ THUẬT ĐÁNH GIÁ ĐỘ TƢƠNG QUAN 27 2.1 Mơ hình khơng gian vector VSM 27 2.1.1 Phép so sánh histogram 27 2.1.1.1 So sánh ngang bin histogram (bin-by-bin) 27 2.1.1.2 So sánh chéo bin histogram (cross-bin) 30 2.1.1.3 Phép so sánh qua giá trị điểm ảnh 32 2.2 Mô hình Vector 34 2.2.1 SVM 34 2.2.2 SVM kỹ thuật tra cứu ảnh 36 2.3 Mơ hình k-phần tử kề cận (k-NN) 39 2.3.1 Thuật toán k-NN 39 2.3.2 k-NN so khớp điểm ảnh 42 Chƣơng 3: CHƢƠNG TRÌNH THỬ NGHIỆM 44 3.1 Bài toán 44 3.2 Xây dựng chƣơng trình 44 3.2.1 Lựa chọn môi trƣờng 44 3.2.2 Phân tích lơgơ 44 3.2.3 Đánh giá độ tƣơng quan lôgô 45 3.2.3.1 Trích chọn đặc trƣng cho lơgơ 45 3.2.3.2 So sánh độ đo tƣơng quan cặp lôgô 45 3.2.4 Một số kết 46 PHẦN KẾT LUẬN 51 TÀI LIỆU THAM KHẢO 52 PHẦN MỞ ĐẦU Trong năm gần đây, lĩnh vực xử lý ảnh số ngày đƣợc nhiều ngƣời quan tâm, phát triển nhanh chóng thiết bị đồ hoạ nhƣ dung lƣợng thiết bị lƣu trữ ngày tăng nhanh nhân tố tích cực thúc đẩy nghiên cứu ứng dụng thực tế từ công nghệ xử lý ảnh Nhận dạng ảnh việc dùng chƣơng trình máy tính để phân tích nội dung ảnh Có nhiều hƣớng nghiên cứu xác định nội dung ảnh nhƣ phân định đối tƣợng thuộc ảnh Các kết đạt đƣợc phƣơng pháp đƣợc đƣa vào ứng dụng thực tiễn để giải vấn đề cụ thể Với việc khơng cịn bị hạn chế độ lớn nhớ dùng để lƣu trữ, vấn đề đặt khai thác kho liệu ảnh nhƣ cho hiệu Bằng trực quan nguời dễ dàng hiểu đƣợc nội dung ảnh, nhƣng để máy tính hiểu đƣợc nội dung thực vấn đề khó Ngay hạn chế vấn đề chỗ đem so sánh nội dung ảnh với theo góc độ đánh giá tính tƣơng quan đặt nhiều vấn đề lớn cho việc nghiên cứu: so sánh dựa đặc trƣng nào, giống hay khác mức độ bao nhiêu? Để tìm hiểu sâu vấn đề này, thực tế đặt cho toán xác định xem liệu đối tƣợng (đƣợc mô tả dƣới dạng ảnh – trích phần từ ảnh lớn hơn) có xuất ảnh tập ảnh (cơ sở liệu đầu vào) cho trƣớc hay không? Trong nghiên cứu khoa học nay, vấn đề đƣợc xếp vào nhóm kỹ thuật tra cứu ảnh theo nội dung Các kỹ thuật cho phép trích chọn đặc điểm dựa vào nội dung trực quan bao gồm màu sắc, kết cấu, hình dạng, bố cục khơng gian… ảnh, từ làm sở cho việc tra cứu, xếp, tổ chức sở liệu ảnh Nghiên cứu - tìm hiểu - đánh giá phƣơng pháp có để tìm lời giải cho tốn nội dung đề tài “Tìm hiểu tốn đánh giá tƣơng quan hai ảnh” Để đánh giá đƣợc độ tƣơng quan ảnh nhƣ phân tích, trƣớc hết phải xác định đƣợc độ đo nội dung cần thiết để so sánh, sau phải xây dựng đƣợc hàm đánh giá Đó hai mục tiêu đƣợc nghiên cứu đề tài Trên sở nghiên cứu đó, đề tài thử nghiệm phƣơng pháp cụ thể để xây dựng chƣơng trình phần mềm cho phép tra cứu mẫu lơgơ thƣơng mại xem có hay chƣa có kho sở liệu ảnh lôgô thƣơng mại lƣu trữ (đã đăng ký) cách liệt kê 20 mẫu lơgơ có nội dung ảnh gần giống với mẫu lôgô đƣa vào, qua cho phép ngƣời dùng quan sát định có cho đăng ký (lƣu trữ) mẫu lơgơ hay khơng Vì vậy, nội dung đồ án đƣợc trình bày bao gồm Phần mở đầu, Phần kết luận ba chƣơng nội dung, cụ thể: Chƣơng 1: KHÁT QUÁT VỀ TƢƠNG QUAN VÀ ĐỘ ĐỌ TƢƠNG QUAN GIỮA HAI ẢNH Nội dung chƣơng vào phân tích chi tiết cấu thành nội dung ảnh theo khía cạnh nhận thức thị giác ngƣời Đồ án giới thiệu phƣơng pháp nhƣ vector đặc trƣng dùng để mô tả nội dung ảnh Đây sở để thực phép tính tốn so sánh ảnh với chƣơng Chƣơng 2: MỘT SỐ KỸ THUẬT ĐÁNH GIÁ ĐỘ TƢƠNG QUAN Đƣa kỹ thuật đánh giá độ tƣơng quan ảnh dựa độ đo nội dung ảnh (vector đặc trƣng) Tính đến nay, có nhiều kỹ thuật đƣợc giới thiệu Để hệ thống hoá phân loại, kỹ thuật đƣợc trình bày theo tiêu chí phân loại mơ hình độ tƣơng quan Chƣơng 3: CHƢƠNG TRÌNH THỬ NGHIỆM Giới thiệu chƣơng trình phần mềm tự xây dựng nhằm mơ cho lý thuyết đề cập đồ án Chƣơng 1: KHÁT QUÁT VỀ TƢƠNG QUAN VÀ ĐỘ ĐỌ TƢƠNG QUAN GIỮA HAI ẢNH 1.1 Tính “ghép đúng” tính “tƣơng quan” Việc so sánh hai ảnh với không dừng lại chỗ so sánh điểm ảnh với nhau, cần phải đƣợc xem xét dựa nhìn nhận trực quan ngƣời, tức quan tâm đến nội dung trực quan ảnh Quá trình đánh giá độ tƣơng quan ảnh phân chia thành hai bƣớc Trƣớc tiên xác định định lƣợng độ đo nội dung ảnh dựa tập đặc trƣng đƣợc hình thành từ việc mã hố thuộc tính ảnh Tập đặc trƣng hình thành nên vector đặc trƣng hay độ đo nội dung ảnh không gian đặc trƣng Bƣớc thứ hai sau đánh giá so sánh độ tƣơng quan dựa định lƣợng số đo bƣớc trƣớc Nếu không gian đặc trƣng mà cho độ đo khác biệt lớn kết luận chúng không tƣơng quan hay chúng không đƣợc xếp lớp Thông thƣờng, “so sánh” hai ảnh ta quan tâm đến việc đánh giá “độ giống nhau” hay “độ tƣơng quan” chúng quan tâm đến khía cạnh hai ảnh khác biệt đến mức độ Ở ta thấy có khái niệm mang ý nghĩa hẹp hơn, sâu khái niệm “tƣơng quan”, đơi mập mờ, “khớp đúng” hay “ghép đúng”(matching) Tính tƣơng phản hai khái niệm phân biệt đƣợc qua ứng dụng chúng Các kỹ thuật ghép đƣợc phát triển chủ yếu cho ứng dụng nhận dạng đối tƣợng biến đổi hình dạng, kỹ thuật độ tƣơng quan lại thấy chủ yếu ứng dụng sử dụng sở liệu nội dung trực quan ảnh, đặc biệt ứng dụng tra cứu ảnh 1.1.1 Khái niệm độ tƣơng quan hai ảnh Gọi {F(x, y); x, y 1,2, , N} mảng hai chiều mô tả điểm ảnh ảnh Giá trị hàm F ( x, y) giá trị màu điểm ảnh có vị trí xác định toạ độ ( x, y) Giả sử ảnh xây dựng hệ màu RGB hàm F ( x, y) viết: F ( x, y ) {FR ( x, y ), FG ( x, y ), FB ( x, y )} Với ảnh đen trắng giá trị hàm F ( x, y) mơ tả giá trị xám điểm ảnh toạ độ ( x, y) Gọi f ánh xạ từ không gian ảnh vào không gian đặc trƣng N chiều ảnh, X f :F {x1 , x , , x n } tức là: X n số đặc trƣng trích chọn ảnh Sự khác biệt hai ảnh F1 F2 hiểu nhƣ khoảng khác biệt D đo đƣợc vector đặc trƣng tƣơng ứng X X Khi việc mơ tả q trình tra cứu ảnh đƣợc thể nhƣ sau: Cho biết ảnh cần tra cứu P , tra cứu ảnh M sở liệu ảnh S thoả mãn: D( f (P), f (M )) D( f (P), f (F )) với F thuộc S F khác M Hiệu hệ tra cứu ảnh phụ thuộc vào thể vector đặc trƣng cụ thể lựa chọn mơ hình đánh giá độ tƣơng quan 1.1.2 Độ đo tƣơng quan Trong phần trình bày số cách nhìn nhận ngƣời tính tƣơng quan qua số phân tích nhà tâm lý học, đề cập đến ƣu -khuyết điểm số cách tiếp cận nghiên cứu khác Các lý thuyết đƣợc gom lại theo khung nhìn thống Các tiên đề đo Một số đo độ tƣơng quan đƣa để giải thích tính tƣơng quan đƣợc coi khoảng cách khơng gian đặc trƣng đó, đƣợc coi khơng gian độ đo Nhận thức tính tƣơng quan thơng qua khoảng cách d , cịn đo tính tƣơng quan thông qua độ tƣơng quan Nếu A B đại diện cho tác nhân a b d ( A, B) khoảng cách mang tính tri giác hai tác nhân đánh giá khoảng cách (đo) là: ( A, B) g[d ( A, B)] g hàm khơng giảm đơn điệu thích hợp với tham số Lƣu ý có giá trị sử dụng đƣợc cho thực nghiệm Các tác nhân đƣợc thể điểm khơng gian độ đo, d ( A, B) hàm khoảng cách khơng gian Mơ hình thừa nhận khoảng cách tri giác d thoả mãn tiên đề độ đo Các ràng buộc mang tính kinh nghiệm đƣợc thay đổi thực tế theo số nhà nghiên cứu Tiên đề thứ hàm khoảng cách là: d ( A, A) d (B, B) tác nhân (tính thống tự tƣơng quan) Giả thiết đƣợc dùng đề kiểm tra thử việc đánh giá độ đo tƣơng quan, ngụ ý ( A, A) (B, B) Tiên đề nói nên tính thống tự tƣơng quan Tiên đề thứ hai mơ hình khoảng cách tính tối thiểu: d ( A, B) d ( A, A) Lần nữa, giả thiết đƣa cách để kiểm tra thực nghiệm Do tính quan hệ đơn điệu d , ( A, B) ( A, A) Tversky lại giả giả thiết vi phạm số thực nghiệm nhận dạng Tiên đề thứ ba nói khoảng cách tác nhân có tính đối xứng: d ( A, B) d ( A, B) Cũng nhƣ tiên đề trƣớc, mang hàm nghĩa kiểm tra thực nghiệm Cũng ngụ ý ( A, B) ( A, B) Một số nghiên cứu kiểm chứng giả thiết thực nghiệm tƣơng quan trực tiếp quan sát tính khơng đối xứng ma trận hỗn độn Hiện tƣợng thƣờng đƣợc quy kết cho tính khác biệt trội mạnh mẽ tác nhân Nói chung độ tƣơng quan tác nhân trội với tác nhân trội nhiều (nguyên hơn) lớn so với độ tƣơng quan tác nhân trội nhiều so với tác nhân trội Tiên đề cuối bất đẳng thức tam giác: d ( A, B) d ( B, S C ) d ( A, S C ) Về mặt trực quan rõ tiên đề yếu Hàm tƣơng quan d không đảm bảo đƣợc đồng ý hay bác bỏ bất đẳng thức tam giác ứng với d chuyển sang tƣơng quan cho ứng với Thứ tự quan hệ khoảng cách bất biến với tất biến đổi kiểu ( A, B) g[d ( A, B)] g tăng đơn điệu Một hệ bất đẳng thức tam giác đƣợc thử mà dựa thứ tự đo Tuy nhiên số loại tác nhân, bất đẳng thức tam giác không ổn Tversky Krantz chứng minh tiên đề khoảng cách đƣợc kiểm chứng khoảng cách dƣơng dọc theo đƣờng thẳng không gian đặc trƣng, chẳng hạn d khoảng cách Minkowski, có dạng: d p ( A, B) ( Ai Bi ) p p i A { A1 , , AN }, B {B1 , , B N } p số đặc trƣng cho hàm khoảng cách Tập lý thuyết độ tƣơng quan Trong báo công bố năm 1977, Amos Tvesky giới thiệu mô hình độ tƣơng phản đặc trƣng tiếng Thay vào việc xem xét tác nhân nhƣ điểm không gian độ đo, Tvesky đặc trƣng hố tác nhân nhƣ tập đặc trƣng nhị phân Nói cách khác tác nhân tập đặc trƣng thân tác nhân Nghĩa là, tập đặc trƣng tập hợp dự đoán logic đƣợc xem tác nhân Gọi a, b tác nhân A, B đặc trƣng tƣơng ứng chúng s(a, b) mức độ giống a b Lý thuyết Tvesky dựa giả thuyết sau: Hình 1.1 Bất đẳng thức tam giác Hình 1.1 cho thấy đƣờng dẫn từ góc x1 y1 x1 y1 x2 y x y1 x y dài từ x3 y x y nằm hình chữ nhật Tính ghép đúng: s(a, b) F ( A B, A B, B A) Tính đơn điệu: s(a, b) s(a, c) mà A B A B, A B A C, B A C A Một hàm mà thoả tính ghép tính đơn điệu đƣợc gọi hàm ghép Biểu thức F ( X , Y , Z ) đƣợc xác định có A, B mà X A B, Y A B, Z B A Xác định V W tồn X , Y , Z mà biểu thức sau đúng: F (V , Y , Z ) F (W, Y, Z) F ( X ,V , Z ) F (Z , W, Z) F ( X , Y ,V ) F ( X , Y , W) Các cặp tác nhân (a, b) (c, d ) đƣợc gọi đồng (hai, ba) thành phần (tƣơng ứng, hai, ba) biểu thức sau đúng: (A B) (C ( A B) (C (B D) D) A) ( D C) Dựa định nghĩa này, Tvesky thừa nhận thuộc tính thứ độ đo tƣơng quan, tính độc lập Tính độc lập: Giả sử cặp (a, b) (c, d ) tựa cho cặp (a' , b' ) (c' , d ' ) đồng thành phần cặp (a, b) (a' , b' ) tựa cho (c, d ) (c' , d ' ) đồng thành phần thứ cịn lại, đó: s(a, b) s(a' , b' ) s(c, d ) s(c' , d ' ) Một ví dụ tính độc lập đƣợc cho Trong trƣờng hợp thuộc tính độc lập cho thấy (a, b) “gần đúng” (c, d ) (a' , b' ) “gần đúng” (c' , d ' ) Giả thuyết (với số kiện biêt trƣớc lựa chọn đặc trƣng) kiểm tra qua thực tế Hình 1.2 Ví dụ tính độc lập Hình 1.2 cho thấy, a b đƣợc coi tƣơng quan so với a' b' c d tƣơng quan so với c' d ' 1.2 Xác định độ đo nội dung ảnh Để đánh giá độ tƣơng quan ảnh, trƣớc hết phải xác định độ đo nội dung ảnh Các đặc trƣng đƣợc trích chọn để xác định nên nội dung cần phải lựa chọn giống nhƣ giai đoạn nhận thức tâm ngƣời Cảm nhận giác quan rộng lớn, thuộc tính chia thành mức thấp cao Các thuộc tính mức thấp bao gồm màu sắc, cấu trúc, hình dạng, bố cục khơng gian cịn mức cao - mức ngữ nghĩa khái niệm, từ khố Việc sử dụng đặc trƣng mức thấp không đƣa đƣợc kết nhƣ ý muốn, đƣa thêm ngữ nghĩa mức cao vào để nâng cao kết việc xác định nội dung ảnh Ngữ nghĩa ghi thủ công, đƣợc cấu trúc tự động từ đặc trƣng mức thấp Trong phạm vi nghiên cứu tập trung vào việc xác định độ đo dựa đặc trƣng dạng mức thấp thuộc tính ảnh 10 Hình 2.7 Tra cứu ảnh dựa phản hồi mẫu dƣơng Hình 2.7 20 kết từ truy vấn ảnh mang nội dung hoa xanh, kết đƣợc xếp theo thứ tự từ trái sang phải, từ xuống dƣới Phƣơng pháp sử dụng cách truy cứu phản hồi mẫu dƣơng, số lƣợng mẫu dƣơng bao gồm ảnh (1, 2, 6) Hình 2.8 đƣa kết phép tra cứu dựa phƣơng pháp sử dụng SVM Vẫn sử dụng mẫu dƣơng trên, chọn thêm mẫu âm mà mẫu mẫu (19) 0, mẫu cịn lại khơng nhìn thấy hình mẫu dƣơng (3 6) mẫu âm đƣợc lựa chọn vector hỗ trợ (support vector), trọng số đƣợc chọn dựa tính tốn khoảng cách đầu máy huấn luyện SVM Mẫu ảnh (1) có khoảng cách tới siêu phẳng lớn nhất, chúng đƣợc gán giá trị trọng số lớn 100 Các mẫu (3 6) đƣợc lựa chọn vector hỗ trợ nên đƣợc gán giá trị trọng số nhỏ 10 Kết cho thấy số lƣợng ảnh có bơng hoa xanh đƣợc tìm thấy nhiều 38 Hình 2.8 Tra cứu ảnh dựa SVM 2.3 Mơ hình k-phần tử kề cận (k-NN) 2.3.1 Thuật toán k-NN Xét không gian n chiều R n Khái niệm phần tử kề cận đƣợc mơ tả chuẩn hình học Euclidean (khoảng cách điểm không gian n chiều) Cụ thể hơn, x thuộc R n đƣợc mơ tả vector đặc trƣng a1 ( x), a ( x), , a n ( x) ar (x) giá trị đặc trƣng thứ r x Khi khoảng cách hai điểm x i x j đƣợc qua công thức: n d ( xi , x j ) a r ( xi ) a r ( x j ) r Trong cách học huấn luyện phần tử kề cận, hàm mục tiêu rời rạc liên tục Hàm rời rạc có dạng f : R n V V v1 , v , , v s tập hữu hạn R n không gian thực n chiều Khi thuật tốn k-phần tử kề cận hay viết tắt thuật toán k-NN đƣợc mô tả nhƣ sau: 39 Huấn luyện: Với mẫu x, f ( x) , đƣa mẫu vào tập ví dụ huấn luyện Phân lớp: Cho phần tử x q cần đƣợc phân lớp Bƣớc 1: Xét danh sách x1 x , , x k k phần tử thuộc tập ví dụ huấn luyện mà gần với x q Bƣớc 2: Thực k ^ f ( xq ) arg max v V (v, f ( xi )) i 1 if (a b) , (argmax hàm cực đại) if (a b) Đối với hàm liên tục, thuật toán tƣơng quan nhƣ ngoại trừ bƣớc đƣợc thay biểu thức: k ^ f ( xq ) f ( xi ) i k ví dụ tập khơng gian Euclidean chiều, đó: A=(1,6), B=(4,3) khoảng cách A B đƣợc xác định: d ( A, B) (4 1) (3 6) 4,24 40 Hình 2.9 Khoảng cách Euclidean khơng gian 2D Hình 2.10 1-NN 2-NN Dựa vào cách tính khoảng cách điểm việc phân lớp (tra cứu) phần tử x q tập {A, B, C, D} theo thuật tốn k-NN đƣợc mơ tả Với k=1 ta có 1NN đƣợc biểu diễn hình trịn nhỏ; k=2 ta có 2-NN đƣợc biểu diễn hình trịn lớn (2 vịng trịn đồng tâm x q ) 41 2.3.2 k-NN so khớp điểm ảnh Sử dụng khoảng cách trọng số k NN Để xếp hạng cho ảnh i xác định ảnh từ ảnh dƣơng (P) âm (N ) mà theo k phần tử láng giềng kề cận i (kề cận đƣợc xác định theo chuẩn l1 ) Sử dụng phần tử láng giềng xác định độ khác biệt: d (i ) n N p P dist (i, n) dist (i, P) Trong thực tế, ngƣời ta cộng lƣợng nhỏ vào khoảng cách có cơng thức để tránh phép chia cho Trong tất thực nghiệm số k đƣợc chọn 5, số ảnh tích cực khơng tích cực tƣơng ứng đƣợc chọn 10 Hình 2.11 So khớp điểm “quan trọng” (matching) Hãy xem Hình 2.11, có đƣợc tập điểm ảnh quan trọng, ý tƣởng nảy sinh cần thiết phải “so khớp đỉnh góc tƣơng quan từ cặp ảnh cảnh nhằm đạt đƣợc thể 3D khung cảnh” Công việc đƣợc thực đƣợc cách dựa vào tính ràng buộc cục điểm ảnh lân cận Cặp điểm “khớp” đƣợc với tất điểm lân cận xung quanh cặp khớp với nhau, đồng thời phải thoả thêm điều kiện có tƣơng quan cặp khoảng cách tỉ lệ khoảng cách (Hình 2.12) 42 Hình 2.12 Mơ tả điều kiện “ghép đúng” đƣợc theo phần tử kề cận 43 Chƣơng 3: CHƢƠNG TRÌNH THỬ NGHIỆM 3.1 Bài toán Trong bối cảnh kinh tế phát triển nay, số lƣợng doanh nghiệp, công ty ngày nhiều Hàng ngày ln có hồ sơ xin đăng ký cấp giấy phép mở công ty kèm theo việc đăng ký lơgơ cho hoạt động thƣơng mại cơng ty Bài tốn đặt phải kiểm tra xem mẫu lôgô mà cơng ty đƣa đăng ký có phải mẫu hay khơng, hay có gần giống (tƣơng quan) với mẫu lôgô doanh nghiệp hay công ty đăng ký trƣớc hay khơng? Giả thiết trƣớc đến công đoạn kiểm tra tính tƣơng quan này, lơgơ đƣợc qua khâu kiểm tra đảm bảo khơng vi phạm tính pháp lý, nói cách khác phạm vi tốn giới hạn sâu mặt phân tích nội dung dựa đặc trƣng tuý có ảnh lấy có thuộc tính màu sắc, hình dạng, cấu trúc Mơ tả cách đầy đủ cho toán “xây dựng chƣơng trình phần mềm quản lý việc đăng ký cho mẫu lôgô thƣơng mại cách liệt kê hiển thị hình khoảng 20 mẫu lôgô sở liệu lôgô đăng ký trƣớc, đƣợc xếp theo thứ tự giảm dần độ tƣơng quan tính dựa nội dung trực quan ảnh lôgô để ngƣời dùng kiểm tra lại lần cuối trƣớc đến kết luận có cho đăng ký hay từ chối mẫu lôgô đƣa Nếu việc đăng ký cho phép, lơgơ đƣợc nhập vào sở liệu lơgơ đăng ký.” 3.2 Xây dựng chƣơng trình 3.2.1 Lựa chọn môi trƣờng OS: Windows XP Ngôn ngữ: Visual C++ 6.0 3.2.2 Phân tích lơgơ Theo nhìn nhận trực quan ảnh lơgơ nói chung yếu tố thuộc tính màu sắc hình dạng mang nhiều thơng tin so với thuộc tính khác nhƣ cấu 44 trúc bề mặt, tƣơng quan không gian Cả thuộc tính đề mang thơng tin dàn trải tồn lơgơ (tính tổng thể) Do việc trích chọn vector đặc trƣng đƣợc ấn định dùng mô tả vector đặc trƣng tổng thể (descriptor of global feature) dựa màu sắc hình dạng Nội dung phong phú đa dạng lơgơ địi hỏi chƣơng trình phải ổn định trƣớc biến đổi góc xoay, tỉ lệ co giãn (các bất biến hình dạng) Để đảm bảo cho bất biến phƣơng pháp chung việc trích chọn màu sắc hình dạng dùng histogram Ngồi kích cỡ lơgơ cần đƣợc qui chuẩn trƣớc, chẳng hạn sử dụng kích thƣớc chuẩn chung 256x256 điểm ảnh Hệ màu sử dụng lựa chọn hệ RGB 3.2.3 Đánh giá độ tƣơng quan lơgơ 3.2.3.1 Trích chọn đặc trƣng cho lơgơ Trích chọn màu sắc theo histogram Với kích thƣớc ảnh 256x256 màu RGB (3 kênh màu) lựa chọn số bin kênh màu 16, tức ta chia giải giá trị từ – 255 thành 16 phân đoạn tƣơng ứng với 16 bin, giá trị kênh màu thuộc phân đoạn thuộc bin Trích chọn hình dạng theo histogram Để tính đƣợc histogram hình dạng lơgơ, trƣớc tiên phải xác định biên cho đối tƣợng ảnh lơgơ Hiện có nhiều thuật tốn dị biên mà thuật tốn dựa phƣơng pháp riêng Trƣớc ảnh đƣa vào dò biên ngƣời ta biến đổi ảnh ảnh mức xám Ở ta lựa chọn thuật toán Canny edge 3.2.3.2 So sánh độ đo tƣơng quan cặp lơgơ Có thể dùng phƣơng pháp tính tốn khoảng cách nhƣ Euclidean, Mahalanobis, đặc biệt bƣớc xây dựng vector đặc trƣng sử dụng phƣơng pháp histogram thuộc tính màu sắc hình dạng cách tính tốn độ tƣơng quan theo histogram Euclidean giới thiệu chƣơng trƣớc lựa chọn Lựa chọn 1- độ đo tƣơng quan qua histogram intersection Nhƣ giới thiệu chƣơng trƣớc, giả sử ta có thành phần I R , I G , I B histogram màu chuẩn hố ảnh ảnh lơgơ có sở liệu 45 tƣơng ứng ta phải tính thành phần QR , QG , QB histogram màu chuẩn hố ảnh lơgơ đƣa vào kiểm tra Độ tƣơng quan ảnh lôgô SHI C ( I , Q ) đƣợc tính theo công thức sau: SHI C ( I , Q) r min( I R (r ), QR (r )) g min( I G ( g ), QG ( g )) b min( I B (b), QB (b)) min(| I |, | Q |) * Các giá trị đo độ tƣơng quan nằm khoảng [0,1] Lựa chọn - độ đo tƣơng quan qua khoảng cách Euclidean Tƣơng quan theo phƣơng pháp Euclidean độ tƣơng quan ảnh lôgô SEDC ( I , Q ) đƣợc tính theo công thức sau: SEDC ( I , Q ) 1.0 r ( I R (r ) Q R (r )) g ( I G ( g ) QG ( g )) b ( I B (b) Q B (b)) 2*3 Và giá trị đo độ tƣơng quan SEDC ( I , Q ) nằm khoảng [0,1] 3.2.4 Một số kết Lựa chọn tham số Vào menu Image Retrieval -> Method’s Option (0) Các tham số lựa chọn bao gồm: + Similarity Method: Lựa chọn phƣơng pháp đo độ tƣơng quan cho màu sắc hình dạng + Các lựa chọn cho tra cứu theo: By Color (màu sắc), By Shape (hình dạng), By Both (màu sắc hình dạng) + Top N Result: N số kết hiển thị (có độ tƣơng quan lớn nhất) + Kích cỡ ảnh chuẩn: Widht (rộng), Height (cao) + Threshold: giá trị ngƣỡng cho phép biến đổi ảnh xám + Canny: tham số cho việc thực dị biên theo thuật tốn Canny (xem phần thuật tốn Canny) Cách sử dụng chƣơng trình số kết 46 Thứ tự trình bày hình dƣới rõ bƣớc sử dụng chƣơng trình số hình kết Vào menu Image Retrieval -> Method’s Option Hình 3.1 Màn hình lựa chọn tham số cho chƣơng trình Hình 3.2 Màn hình lựa chọn menu mở file ảnh lôgô đƣa vào tra cứu 47 Hình 3.3 Màn hình hiển thị ảnh lơgơ đƣa vào histogram màu hình dạng Hình 3.4 Lựa chọn menu Image Retrieval -> By Color (tra cứu theo màu sắc) 48 Hình 3.5 Màn hình hiển thị kết 10 ảnh lôgô gần giống theo màu sắc Hình Lựa chọn menu Image Retrieval -> By Shape để tra cứu theo hình dạng 49 Hình 3.7 Màn hình hiển thị kết 10 ảnh lơgơ gần giống theo hình dạng 50 PHẦN KẾT LUẬN Mô tả nội dung ảnh nhƣ trực quan cảm nhận ngƣời thông qua tri giác thực mong muốn ngành khoa học máy tính Đây chủ đề lớn tƣơng đối rộng, tất khía cạnh đƣợc quan tâm nghiên cứu dự án, cơng trình khoa học Với mối quan tâm nhƣ trên, nội dung đồ án nhấn mạnh đến vấn đề nhƣ sau: Một là: tìm hiểu phƣơng pháp trích chọn đặc tính dựa thuộc tính ảnh bao gồm màu sắc, hình dạng, cấu trúc… làm sở để mơ tả nội dung ảnh Tiêu chí chung cách trích chọn đặc tính bám sát vào thực tế nhận thức tri gác ngƣời đối tƣợng ảnh Kết phép trích chọn đƣợc mô tả dƣới dạng vector đặc trƣng ngắn gọn phù hợp với việc lƣu trữ khai thác thông tin đứng góc độ quản trị sở liệu hình ảnh Hai là: tìm hiểu giới thiệu số mơ hình đánh giá độ tƣơng quan đƣợc giới khoa học nghiên cứu ứng dụng Nhìn chung chất kỹ thuật đánh giá - so sánh độ tƣơng quan hay độ khác biệt dựa hàm đánh giá ƣớc lƣợng “khoảng cách” vector đặc trƣng mô tả nội dung ảnh Tuy nhiên, nhƣ nhiều vấn đề khác, để đƣa vào ứng dụng thực tế khơng có phƣơng pháp tuyệt đối Trên sở kiến thức tìm hiểu đƣợc em phát triển chƣơng trình ứng dụng để tra cứu quản lý ảnh lôgô thƣơng mại, dừng lại góc độ trình diễn cho nghiên cứu tiến hành, song mong muốn có điều kiện phát triển, trở thành sản phẩm thực mang tính thƣơng mại 51 TÀI LIỆU THAM KHẢO [1] Đỗ Năng Toàn, Phạm Việt Bình (2008), Giáo trình xử lý ảnh – ĐH Thái Nguyên, Nhà xuất KH&KT, 2008 [2] Mari Partio, “Content-based Image Retrieval using Shape and Texture Attributes”, Master of Science Thesis,Tampere University of Technology, April 2002 [3] S M Lee, J H Xin, S Westland, “Evaluation of Image Similarity by Histogram Intersection”, Hong Kong Polytechnic University, January 2005 [4] Konstantinos G Derpanis, “The Harris Corner Detector”, kosta@cs.yorku.ca, October 2004 [5] Anil K Jain, Aditaya Vailaya, “Image retrieval using color and shape”, Department of Computer Science Michigan State University East Lansing, May 1995 [6] V Gouet N Boujemaa, “Object-based queries using color points of interest”, Valerie.Gouet@inria.fr, Nozha.Boujemaa@inria.fr, April 2001 [7] Chaur-Chin Chen, Hsueh-Ting Chu, “Similarity Measurement Between Images”, Department of Computer Science National, Tsing Hua University, Taiwan, 2003 [8] Norio Katayama and Shin’ichi Satoh, “Similarity Image Retrieval with Significane-Sensitive Nearest-Neighbor Search”, National Institute of Informatics, 2004 [9] Pengyu Hong, Qi Tian, Thomas S Huang, “Incorporate Support Vector Machine to Content-Based Image Retrieval With Relevant Feedback”, IFP Group, Beckman Institute - University of Illinois at Urbana-Champaign, Urbana, USA, 2000 [10] Kerry Rodden, Wojciech Basalaj,David Sinclair, Kenneth Wood, “A comparison of measures for visualising image similarity”, University of Cambridge Computer Laboratory [11] Pinar Duygulu, “Interest Points”, Computer Vision, Bilkent University, Spring 2006 52 ... ba chƣơng nội dung, cụ thể: Chƣơng 1: KHÁT QUÁT VỀ TƢƠNG QUAN VÀ ĐỘ ĐỌ TƢƠNG QUAN GIỮA HAI ẢNH Nội dung chƣơng vào phân tích chi tiết cấu thành nội dung ảnh theo khía cạnh nhận thức thị giác... hình độ tƣơng quan Chƣơng 3: CHƢƠNG TRÌNH THỬ NGHIỆM Giới thiệu chƣơng trình phần mềm tự xây dựng nhằm mô cho lý thuyết đề cập đồ án Chƣơng 1: KHÁT QUÁT VỀ TƢƠNG QUAN VÀ ĐỘ ĐỌ TƢƠNG QUAN GIỮA HAI. .. tƣơng quan hay chúng không đƣợc xếp lớp Thông thƣờng, “so sánh” hai ảnh ta quan tâm đến việc đánh giá ? ?độ giống nhau” hay ? ?độ tƣơng quan? ?? chúng quan tâm đến khía cạnh hai ảnh khác biệt đến mức độ