Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến

Mục lục

Đánh giá post

Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến. Bạn đang chuẩn bị làm bài báo cáo thực tập nghề nghiệp, hay bạn đang làm đồ án tốt nghiệp, nhưng các bạn lại chưa biết lựa chọn đề tài nào cho phù hợp với trường hợp của bạn, giờ đây các bạn không còn phải lo lắng về vấn đề đó nữa, vì dưới đây Dịch Vụ Hỗ Trợ Viết Luận Văn sẽ chia sẻ đến các bạn sinh viên một bài Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến các bạn có thể tham khảo thử nhé.

MỞ ĐẦU

Xử lý ảnh số có nhiều ứng dụng trong thực tế. Một trong những ứng dụng sớm nhất là xử lý ảnh từ nhiệm vụ Ranger 7 tại phòng thí nghiệm Jet Propulsion vào những năm đầu của thập kỷ 60. Hệ thống chụp hình gắn trên tàu vũ trụ có một số hạn chế về kích thước và trọng lượng, do đó ảnh nhận được bị giảm chất lượng như mờ, méo hình học và nhiễu nền. Các ảnh đó được xử lý thành công nhờ máy tính số. Hình ảnh của mặt trăng và sao hỏa mà chúng ta thấy trong các tạp chí đều được xử lý bằng máy tính số. (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

Bên cạnh ngôn ngữ giao tiếp, các thông tin dưới dạng hình ảnh đóng một vai trò rất quan trọng trong việc trao đổi thông tin. Trong công nghệ thông tin, xử lý ảnh và đồ họa đã chiếm một vị trí rất quan trọng bởi vì các đặc tính đầy hấp dẫn đã tạo nên một sự phân biệt với các lĩnh vực khác. Ta biết rằng phần lớn các thông tin mà con người thu thập được qua thị giác đều bắt nguồn từ các ảnh. Do đó việc xử lý ảnh và đồ họa là một bộ phận quan trọng trong việc trao đổi thông tin giữa người và máy.

Trong cuộc sống hiện đại ngày nay, người máy càng đóng vai trò quan trọng trong công nghiệp và gia đình. Chúng sẽ thực hiện những công việc rất nhàm chán hoặc nguy hiểm, và những công việc mà tốc độ và độ chính xác vượt quá khả năng của con người. Khi người máy trở nên tinh vi hơn, thị giác máy tính sẽ đóng vai trò ngày càng quan trọng. Người ta sẽ đòi hỏi người máy không những phát hiện và nhận dạng các bộ phận công nghiệp, mà còn hiểu được những gì chúng thấy và đưa ra những hành động phù hợp. Xử lý ảnh sẽ tác động lớn đến thị giác máy tính.

Những ứng dụng khác của xử lý ảnh là vô cùng đa dạng. Ngoài những ứng dụng đã thảo luận ở trên, còn bao gồm cả các lĩnh vực khác như điện tử gia đình, thiên văn học, sinh vật học, vật lý, nông nghiệp, nhân chủng học, …

Đặc biệt, xử lý ảnh còn được ứng dụng trong ghép ảnh để tạo ra những bức ảnh có chiều rộng và chiều sâu mà khi chụp máy ảnh không cho phép góc nhìn rộng như thế.

Ngày nay, hầu hết các loại máy ảnh thông thường dù độ phân giải cao nhưng cũng chỉ có thể ghi lại được một phần của những đối tượng có kích thước lớn như công viên hay một thành phố. Do vậy yêu cầu được đặt ra là phải làm như thế nào để có thể ghép được các tấm ảnh nhỏ đó thành một tấm ảnh lớn hiển thị đầy đủ các đối tượng có kích thước lớn đó. Đây cũng chính là lý do mà em chọn chủ đề ghép ảnh panorama dựa trên đối sánh đặc trưng trong đồ án.

CHƯƠNG 1: TỔNG QUAN VỀ ĐỐI SÁNH ẢNH (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

1.1 Tổng quan về ảnh số

1.1.1 Khái niệm về ảnh số

Ảnh số là tập hợp hữu hạn các điểm ảnh với mức xám phù hợp dùng để mô tả gần nhất với ảnh thật. Số điểm ảnh xác định độ phân giải của ảnh, độ phân giải càng cao thì càng thể hiện rõ nét các đặc điểm của tấm hình, càng làm cho tấm ảnh trở nên thực và sắc nét hơn.

Ảnh có thể được biểu diễn theo một trong hai mô hình: mô hình Vector hoặc mô hình Raster.

Mô hình Vector: Ngoài mục đích tiết kiệm không gian lưu trữ, dễ dàng hiển thị và in ấn, các ảnh biểu diễn theo mô hình vector còn có ưu điểm cho phép dễ dàng lựa chọn, sao chép, di chuyển, tìm kiếm… Trong mô hình này, hướng vector của các điểm ảnh lân cận được sử dụng để mã hóa và tái tạo lại hình ảnh ban đầu. Các ảnh vector được thu nhận trực tiếp từ các thiết bị số hóa như Digitalize hoặc được chuyển đổi từ các ảnh Raster thông qua các chương trình vector hóa.
Mô hình Raster: là mô hình biểu diễn ảnh thông dụng nhất hiện nay. Ảnh được biểu diễn dưới dạng ma trận các điểm ảnh. Tùy theo nhu cầu thực tế mà mỗi điểm ảnh có thể được biểu diễn bởi một hay nhiều bit. Mô hình Raster thuận lợi cho việc thu nhận, hiển thị và in ấn. Các ảnh được sử dụng trong phạm vi của đề tài này cũng là các ảnh được biểu diễn theo mô hình Raster. (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

1.1.2 Điểm ảnh

Điểm ảnh (Pixel) là một phần tử của ảnh số tại tọa độ (x, y) với độ xám hoặc màu nhất định. Kích thước và khoảng cách giữa các điểm ảnh đó được chọn thích hợp sao cho mắt người cảm nhận được sự liên tục về không gian và mức xám (hoặc màu) của ảnh số gần như ảnh thật. Mỗi phần tử trong ma trận được gọi là một phần tử ảnh.

1.1.3 Mức xám của ảnh

Là kết quả của sự biến đổi tương ứng một giá trị độ sáng của một điểm ảnh với một giá trị nguyên dương. Thông thường nó xác định trong khoảng từ 0 đến 255 tùy thuộc vào giá trị mà mỗi điểm ảnh được biểu diễn.

1.1.4 Lược đồ mức xám

Lược đồ mức xám (Histogram) hay còn gọi là lược đồ xám của một ảnh là một hàm cung cấp tần suất xuất hiện của mỗi mức xám (grey level).

Lược đồ xám của một ảnh có các mức xám trong khoảng [0, L-1] là một hàm rời rạc p(r_k)=n_k/n. Trong đó n_k là số pixel mức xám thứ r_k, n là tổng số pixel của ảnh và k = 1, 2, 3, …, L-1. Vẽ hàm này với tất cả các giá trị của k sẽ biểu diễn khái quát sự xuất hiện các mức xám của một ảnh. Lược đồ mức xám của ảnh có thể được biểu diễn thông qua tần suất xuất hiện mỗi mức xám trên hệ tọa độ vuông góc Oxy. Trong đó, trục hoành biểu diễn số mức xám từ 0 đến N (số bit của ảnh xám), trục tung biểu diễn số pixel của mỗi mức xám.

Nhìn vào biểu đồ có thể biết được phân bố cường độ sáng của một ảnh, với những ảnh mà phân bố histogram lệch về bên phải thì ảnh đó là một ảnh có độ sáng tốt, ngược lại thì ảnh đó là một ảnh tối.

1.1.5 Độ phân giải của ảnh

Độ phân giải (Resolution) của ảnh là mật độ điểm ảnh được ấn định trên một ảnh số được hiển thị. Như trình bày ở trên, khoảng cách giữa các điểm ảnh phải được chọn sao cho mắt người vẫn thấy được sự liên tục của ảnh. Việc lựa chọn khoảng cách thích hợp tạo nên một mật độ phân bổ, đó chính là độ phân giải và được phân bố theo trục x và y trong không gian hai chiều.

CÓ THỂ BẠN QUAN TÂM ĐẾN DỊCH VỤ:

===>>> Viết Thuê Đồ Án Tốt Nghiệp

1.2 Một số vấn đề trong xử lý ảnh (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

1.2.1 Biến đổi ảnh

Thuật ngữ biến đổi ảnh thường được dùng để nói tới một lớp các ma trận đơn vị và các kỹ thuật dùng để biến đổi ảnh. Cũng như các tín hiệu một chiều được biểu diễn bởi một chuỗi các hàm cơ sở, ảnh cũng có thể được biểu diễn dưới một số chuỗi rời rạc các ma trận cơ sở gọi là ảnh cơ sở. Phương trình ảnh cơ sở có dạng: A *_k _,1 = a_k a_l *^T

Với a_k là cột thứ k của ma trận A. A là ma trận đơn vị. Có nghĩa là AA*^T=1. Các A*_{k, l} được định nghĩa ở trên với k, l = 0, 1, 2, …, N-1 là ảnh cơ sở. Có nhiều loại biến đổi được dùng như:

Biến đổi Fourier, Sin, Cosin, Hadamard….
Tích Kronecker.
Biến đổi KL (Krhumen loeve).

Do phải xử lý nhiều thông tin, các phép toán nhân và cộng trong khai triển là quá lớn, nên các phép biến đổi trên nhằm giảm thứ nguyên của ảnh để việc xử lý ảnh được hiệu quả hơn.

1.2.2 Biểu diễn ảnh

Trong biểu diễn ảnh, người ta thường dùng các phần tử đặc trưng của ảnh là pixel. Các mô hình biểu diễn ảnh cho thấy một mô tả logic hay định

lượng các tính chất của hàm này. Trong biểu diễn ảnh cần chú ý đến tính trung thực của ảnh hoặc các tiêu chuẩn để đo chất lượng ảnh hoặc tính hiệu quả của các kỹ thuật xử lý. (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

Việc xử lý ảnh số yêu cầu ảnh phải được mẫu hóa và lượng tử hóa. Việc lượng tử hóa ảnh là chuyển đổi tín hiệu tương tự sang tín hiệu số của một ảnh đã lấy mẫu sang một số hữu hạn mức xám.

Một số mô hình thường được dùng trong biểu diễn ảnh: Mô hình toán, mô hình thống kê. Trong mô hình toán, ảnh hai chiều được biểu diễn nhờ các hàm hai biến trực giao gọi là các hàm cơ sở. Với mô hình thống kê, một ảnh được coi như một phần tử của một tập hợp đặc trưng bởi các đại lượng như: kỹ vọng toán học, hiệp biến, phương sai, moment.

1.2.3 Phân tích ảnh

Phân tích ảnh liên quan đến việc xác định các độ đo định lượng của một ảnh để đưa ra một mô tả đầy đủ về ảnh. Các kỹ thuật được sử dụng nhiều nhất là các kỹ thuật phát hiện biên của ảnh, ví dụ như lọc vi phân hay dò theo quy hoạch động. Bên cạnh đó, người ta cũng có thể dùng các kỹ thuật để phân vùng ảnh. Từ ảnh thu được tiến hành kỹ thuật tách (split) hay hợp (fusion) dựa theo các tiêu chuẩn đánh giá như: màu sắc, cường độ, vv… Các phương pháp được biết đến như Quad-Tree, mảnh hóa biên, nhị phân hóa đường biên. Cuối cùng, phải kể đến các kỹ thuật phân lớp dựa theo cấu trúc.

1.2.4 Nhận dạng ảnh

Nhận dạng ảnh là quá trình liên quan đến các mô tả đối tượng mà người ta muốn đặc tả nó. Quá trình nhận dạng thường đi sau quá trình trích chọn các đặc tính chủ yếu của đối tượng:

Mô tả tham số (nhận dạng theo tham số).
Mô tả theo cấu trúc (nhận dạng theo cấu trúc).

Trên thực tế, con người đã áp dụng kỹ thuật nhận dạng khá thành công với nhiều đối tượng khác nhau như: nhận dạng ảnh vân tay, nhận dạng chữ (chữ cái, chữ số, chữ có dấu). (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

1.2.5 Nén ảnh

Dữ liệu ảnh cũng như các dữ liệu khác cần phải lưu trữ hay truyền đi trên mạng. Như đã nói ở trên, lượng thông tin để biểu diễn cho một ảnh là rất lớn. Do đó làm giảm lượng thông tin hay nén dữ liệu là một nhu cầu cần thiết.

Phân loại phương pháp nén bao gồm:

Dựa vào nguyên lý nén:
Nén không mất thông tin: Sau khi giải nén ta thu được chính xác dữ liệu gốc.
Nén có mất thông tin: Sau khi nén ta không thu được dữ liệu như bản gốc.
Dựa vào cách thức thực hiện nén:
Phương pháp không gian: Tác động trực tiếp lên việc lấy mẫu của ảnh trong miền không gian.
Phương pháp sử dụng biến đổi: Tác động lên sự biến đổi của ảnh gốc.
Dựa vào triết lý của sự mã hóa:
Các phương pháp nén thế hệ thứ nhất: Gồm các phương pháp mà mức độ tính toán là đơn giản.
Các phương pháp nén thế hệ thứ hai: Dựa vào độ bão hòa của tỷ lệ nén.

1.3 Các đặc trưng của ảnh số

Trong phạm vi xử lý ảnh, đặc trưng ảnh số là một phần thông tin ảnh số thích hợp cho các nhiệm vụ tính toán liên quan đến một ứng dụng nhất định. (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

Những đặc trưng đó có thể là kết cấu đặc biệt trong ảnh số như các điểm, các cạnh của một đối tượng hoặc một đối tượng nào đó trong ảnh. Mặt khác, các đặc trưng của ảnh số cũng có thể là kết quả của một phép biến đổi toàn diện hoặc là các phương pháp phát hiện điểm đặc trưng được áp dụng trên toàn bộ ảnh đó.

Điểm đặc trưng trong ảnh là một điểm ảnh có chứa nhiều thông tin hơn các điểm ảnh lân cận. Biểu diễn ảnh theo điểm đặc trưng sẽ cô đọng hơn, giảm được không gian tìm kiếm trong các bài toán ứng dụng.

1.3.1 Đặc trưng về màu sắc

Là một đặc trưng nổi bật và được sử dụng phổ biến nhất trong các ứng dụng xử lý ảnh [3]. Mỗi một điểm ảnh (thông tin màu sắc) có thể biểu diễn trong không gian màu sắc 3 chiều. Các không gian màu sắc thường dùng là: RGB, CIE, HSV …

Hiện nay các công cụ tìm kiếm như google, yahoo, bing … đều dựa theo đặc trưng về màu sắc để tìm kiếm ảnh liên quan kết hợp với đặc trưng kết cấu và đặc trưng hình dạng.

1.3.2 Đặc trưng kết cấu

Kết cấu cung cấp thông tin về sự sắp xếp về mặt không gian của màu sắc và cường độ một ảnh. Kết cấu được đặc trưng bởi sự phân bố không gian của những mức cường độ trong một khu vực lân cận với nhau. Kết cấu gồm các kết cấu gốc hay nhiều kết cấu gộp lại đôi khi gọi là texel.

Đặc trưng kết cấu được sử dụng rộng rãi và rất trực quan nhưng không có định nghĩa chính xác bởi tính biến thiên rộng của nó. Có rất nhiều cách để mô tả kết cấu: Những phương pháp thống kê thường sử dụng tần số không gian, ma trận biến cố, tần số biên, … (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

1.3.3 Đặc trưng hình dạng

Hình dạng của một ảnh hay một vùng là một đặc trưng quan trọng trong việc xác định và phân biệt ảnh trong nhận dạng mẫu. Định nghĩa hình dạng của đối tượng thường là rất khó. Hình dạng thường được biểu diễn bằng lời nói hoặc hình vẽ, và mọi người thường sử dụng thuật ngữ như là tròn, méo. Xử lý hình dạng dựa trên máy tính đòi hỏi rất phức tạp, trong khi rất nhiều phương pháp mô tả hình dạng thực tế đang tồn tại nhưng không có một phương pháp chung nào cho mô tả hình dạng. Có hai kiểu đặc trưng hình dạng chính thường được sử dụng:

Những đặc trưng dựa trên biên: chỉ sử dụng đường bao ngoài của hình dạng.
Những đặc trưng vùng: sử dung toàn bộ vùng của hình dạng.

Mục tiêu chính của biểu diễn hình dạng trong nhận dạng mẫu là đo thuộc tính hình học của một đối tượng được dùng trong phân lớp, so sánh và nhận dạng đối tượng. (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

Độ đo về hình dạng có rất nhiều trong phạm vi lý thuyết xử lý ảnh. Chúng trải rộng từ những độ đo toàn cục dạng thô sơ trợ giúp cho việc nhận dạng đối tượng, cho tới những độ đo chi tiết tự động tìm kiếm những hình dạng đặc biệt.

1.3.4 Đặc trưng cục bộ bất biến

Là những điểm đặc trưng không thay đổi khi xoay ảnh, co giãn ảnh hay thay đổi cường độ sáng của ảnh. SIFT là đặc trưng bất biến được sử dụng rộng rãi:

SIFT: Là viết tắt của cụn từ Scale-Invariant Feature Transform, là một trong những thuật toán nổi tiếng nhất hiện nay dùng để phát hiện và mô tả các đặc trưng ảnh số. Thuật toán này được công bố bởi David Lowe vào năm 1999.
SURF: Là viết tắt của cụm từ Speeded Up Robust Features, được giới thiệu vào năm 2006 bởi nhóm các nhà nghiên cứu bao gồm Herbert Bay, Tinne Tuytelaars và Luc Van Gool. Được phát triển dựa trên thuật toán SIFT nhưng được cải tiến để cho tốc độ xử lý nhanh hơn giải thuật SIFT.
thuật toán SIFT, việc tìm scale-space dựa trên việc tính gần đúng LoG(Laplace of Gaussion) dùng DoG (Difference of Gaussion), trong khi đó SURF sử dụng Box Filter, tốc độ xử lý sẽ được cải thiện đáng kể với việc dùng ảnh tích phân (integral image). Ở bước xác định hướng, SURF sử dụng wavelet response theo hai chiều dọc và ngang, sau đó tình hướng chính bằng cách tính tổng các response đó.

1.4 Đối sánh ảnh (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

1.4.1 Giới thiệu về đối sánh ảnh

Đối sánh ảnh là một bài toán đã và đang thu hút được sự quan tâm của các nhà nghiên cứu và phát triển[1]. Mỗi khi bài toán này được giải quyết, nó mở ra rất nhiều các ứng dựng hữu ích như: tìm kiếm ảnh, nhận dạng, theo dõi và phát hiện đối tượng, ghép ảnh, vv. Đối sánh hai ảnh là tìm ra những vùng giống nhau trên hai ảnh.

Thông thường, để đối sánh ảnh cần so sánh các phần tử cơ bản cấu thành nên nó. Đơn giản nhất là so sánh các điểm ảnh (pixel). Tuy nhiên phép so sánh này đòi hỏi nhiều thời gian tính toán và thường không đạt được độ chính xác như mong muốn.

Giải pháp đầu tiên cho vấn đề đối sánh ảnh được đề xuất bởi Hobrough vào cuối những năm 1950. Hệ thống tự động tìm kiếm các điểm liên hợp đầu tiên được giới thiệu bởi công ty Wild Heerbrugg năm 1964 nhưng lại không được sử dụng phổ biến. Tuy nhiên, ý tưởng của Hobrough áp dụng mối tương quan chéo lại được nhiều người sử dụng. Từ những năm 1970, việc tập trung phát triển đối sánh ảnh và đối sánh tương quan gặt hái được nhiều thành công và được áp dụng trong hệ thống đo độ tương tự cho ảnh (Helava, 1978). Ngày nay, công nghệ đối sánh ảnh được tính hợp trong nhiều phần mềm xử lý ảnh được sử dụng như là một công cụ tính toán. Có rất nhiều nghiên cứu được thực hiện với mong muốn tìm hai điểm tương đồng trên hai bức ảnh. Thuật toán tìm kiếm điểm tương đồng có thể thực hiện được trên ảnh 2D. (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

Vấn đề chính của việc đối sánh ảnh là việc chọn một đối tượng phù hợp và cách thức để so sánh nó. So sánh theo từng pixel sẽ không khả thi với những ảnh có kích thước lớn vì nó sẽ cần tính toán nhiều hơn, mất nhiều thời gian hơn, hoặc muốn rút ngắn thời gian thì cần có phần cứng xử lý mạnh hơn. Hơn nữa dẫn đến sự không chính xác vì sự lặp đi lặp lại của các màu có cùng giá trị mức xám và nhiễu của ảnh. Để giải quyết vấn đề đó, thay vì đối sánh từng pixel một dẫn đến dữ liệu đầu vào quá lớn thì ta sẽ giảm dữ liệu đầu vào bằng cách đưa vào các đặc trưng của cả hai ảnh rồi tiến hành đối sánh trên các đặc trưng đó.

1.4.2 Các phương pháp đối sánh ảnh

1.4.2.1 Đối sánh dựa theo vùng

Phương pháp này còn được gọi là phương pháp tương quan hay đối sánh mẫu. Phương pháp này kết hợp giữa đối sánh đặc trưng và đối sánh thành phần. Cường độ xám của ảnh được sử dụng làm cơ sở cho việc đối sánh ảnh. Do việc đối sánh từng pixel của cả hai ảnh là một việc bất khả thi nên thay vào đó, ta sẽ đối sánh một tập các điểm ảnh lân cận nhau để giảm số lần tính toán. Tại ảnh thứ nhất sử dụng một cửa sổ có kích thước m*n (thông thường là m=n để có thể dễ dàng tìm được tọa độ điểm trung tâm của cửa sổ) đem so sánh với một “mẫu” cũng là cửa sổ có kích thước tương tự ở ảnh thứ hai. Các phép so sánh được thực hiện trên cửa sổ. Trong phép đo ảnh thì tương quan chéo và đối sánh bình phương tối thiểu là những kỹ thuật được sử dụng nhiều trong đối sánh ảnh dựa theo vùng. (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

Kích thước mẫu càng lớn thì yêu cầu về tính đặc trưng của thực thể được đối sánh càng cao. Mặt khác sự biến dạng hình học gây ra bởi hiện tượng xoay ảnh cũng sẽ ảnh hưởng tới kết quả đối sánh của các mẫu có kích thước lớn. Yêu cầu về tính đặc trưng của thực thể cũng không được thỏa mãn nếu vùng đó bị lặp đi lặp lại hoặc độ tương phản và cấu trúc thấp (Ví dụ: cát sa mạc, nước biển). Những vùng bị che khuất bởi các đối tượng khác cao hơn cũng nên bị loại bỏ. Để có được kết quả chấp nhận được, kích thước của mẫu phải nhỏ hoặc hình dạng phải thích nghi với biến dạng hình học.

Để tránh sai lệch về kết quả đối sánh, vị trí của cửa sổ tìm kiếm phải được xác định chính xác trong đối sánh dựa theo vùng. Kích thước của cửa sổ tìm kiếm phụ thuộc vào vị trí chính xác và về độ biến dạng do hướng của ảnh.

Sau khi tìm ra vị trí phù hợp nhất thì cần đánh giá độ chính xác và độ tin cậy của kết quả đổi sánh tìm được. Thiết lập ngưỡng cho các phép đối sánh là một biện pháp để giảm thiểu việc đối sánh bị sai lệch. Ngoài biện pháp sử dụng ngưỡng thì có thể sử dụng phương pháp điều chỉnh hình học để tính toán và loại trừ những kết quả đối sánh sai.

1.4.3 Đối sánh dựa theo đặc trưng

Trái ngược với phương pháp đối sánh dựa theo vùng phương pháp đối sánh dựa trên đặc trưng sử dụng sự biến đổi đột ngột về các giá trị mức xám tương ứng với các đặc trưng của ảnh làm cơ sở để đối sánh như cạnh, góc, hoặc điểm đặc trưng của ảnh. Kỹ thuật đối sánh dựa theo đặc trưng vượt trội hơn so với kỹ thuật đối sánh dựa theo vùng. Kỹ thuật đối sánh dựa vào đặc trưng của ảnh về cơ bản gồm 3 bước chính: (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

Chọn các điểm là điểm đặc trưng của ảnh (cạnh, góc, điểm) trong mỗi ảnh độc lập.
Xây dựng danh sách các cặp điểm có thể là tương đồng.
Tiến hành đối sánh và trả về kết quả tập các điểm tương.

Thông thường người ta sẽ tích hợp cả đối sánh vùng và đối sánh điểm đặc trưng vào các phần mềm ghép ảnh để đạt được kết quả chính xác nhất và tốc độ xử lý nhanh hơn, tốn ít thời gian hơn. Với sự phát triển của công nghệ như hiện tại thì thực hiện đối sánh trên những ảnh cỡ nhỏ thì thời gian thực hiện không đáng kể, nhưng đối với ảnh có kích thước lớn thì việc tối ưu thuật toán, cải thiện tốc độ thực hiện thuật toán cũng là một vấn đề cần được quan tâm.

1.4.3.1 Điểm quan tâm (Interest points)

Đối sánh dựa trên đặc trưng của ảnh áp dụng tốt nhất trên các khu vực ảnh có độ tương phản cao. Những điểm có thể được mô tả bằng sự chênh lệch cao về giá trị mức xám hoặc có gradient dốc được gọi là điểm quan tâm. Các điểm quan tâm nên có sự khác biệt, bất biến đối với sự biến dạng hình học và chất lượng của bức ảnh và có tính ổn định. Việc tìm kiếm điểm quan tâm trong ảnh được thực hiện qua hai bước:

Tính toán các đặc trưng ở mỗi cửa sổ của ảnh được chọn.
So sánh giá trị vừa tìm được với một ngưỡng cho trước.

Đặc trưng khác nhau với mỗi toán tử khác nhau, nhưng về cơ bản đều dựa trên giá trị mức xám bên trong mỗi cửa sổ trượt. Chỉ có những cửa sổ mà có giá trị lớn hơn hoặc nhỏ hơn ngưỡng mới được chấp nhận là điểm quan tâm. Một danh sách các điểm quan tâm của mỗi ảnh được đối sánh với tọa độ điểm ảnh của nó (điểm trung tâm của mỗi cửa sổ trượt) và mô tả của chúng là kết quả của quá trình xử lý. (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

1.4.3.2 Cạnh và vùng

Cạnh có thể mô tả như là việc thay đổi đột ngột giá trị mức xám trong một vùng nhỏ. Cạnh thường tương ứng với biên của đối tượng trong ảnh. Quá trình trích xuất cạnh rất phức tạp và trải qua 3 bước bao gồm:

Xác định các điểm ảnh nằm trên cạnh, giá trị mức xám bị ngắt quãng sẽ được xác định bằng trung bình cộng của các toán tử cạnh. Điểm đó có được xác định là điểm nằm trên cạnh hay không dựa vào kết quả so sánh giá trị mức xám với một ngưỡng cho trước.
Nối các điểm ảnh với nhau và làm liền biên.
Nhóm các cạnh với nhau, phân đoạn.

Toán tử cạnh sẽ phát hiện ra sự thay đổi của giá trị mức xám trong ảnh, dựa trên phép đạo hàm bậc nhất để tìm ra cực trị và định vị điểm cạnh. Một số toán tử cạnh có thể dùng như toán tử Robert (Robert Cross), toán tử Sobel (Sobel Operator), toán tử Prewitt (Prewitt Operator). Toán tử Sobel sẽ ít bị ảnh hưởng bởi nhiễu của ảnh vì bao gồm cả những điểm ảnh lân cận.

Toán tử Laplacion dựa trên phép đạo hàm bậc hai. Để không bị ảnh hưởng bởi nhiễu thì nó được kết hợp với toán tử Gaussion để làm mịn ảnh, khử nhiễu. (Đồ án: Ghép ảnh Panorama dựa trên đối sánh đặc trưng bất biến)

Dịch Vụ Viết Luận Văn 24/7 Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn 24/7 luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website: https://hotrovietluanvan.com/ – Hoặc Gmail: hotrovietluanvan24@gmail.com

Post Views: 304