NỀN TẢNG VÀ CƠ SỞ LÝ THUYẾT
Tổng quan về xử lý ảnh
Xử lý ảnh là gì?
Là 1 công nghệ ra đời từ những năm 1960, tuy nhiên thì vào thời điểm đó cấu hình của máy tính chưa đủ mạnh để hỗ trợ công nghệ xử lý ảnh đòi hỏi tốc độ phải cao và tốn nhiều bộ nhớ lưu trữ Vào thời điểm đó thì đã có nhiều trường đại học lớn và các viện nghiên cứu trên thế giới như MIT đã trang bị những chiếc máy tính khổng lồ để nghiên cứu về công nghệ này Từ những năm
Từ năm 1970, cấu hình máy tính đã trở nên mạnh mẽ hơn, dẫn đến sự phổ biến của các ứng dụng cải thiện và nâng cao chất lượng ảnh, cũng như lưu trữ và truyền tải hình ảnh Ngày nay, công nghệ xử lý ảnh đang đóng vai trò quan trọng trong việc thay thế thị giác của con người, mang lại những thay đổi đáng kể trong cuộc sống.
Xử lý ảnh có thể được chia ra làm 3 lĩnh vực:
Cải thiện chất lượng ảnh là quá trình làm cho hình ảnh cũ trở nên rõ nét và sống động như khi nó được chụp Điều này giúp khôi phục lại vẻ đẹp và chi tiết của những bức ảnh đã phai màu theo thời gian Việc nâng cao chất lượng hình ảnh không chỉ mang lại trải nghiệm trực quan tốt hơn mà còn giúp bảo tồn những kỷ niệm quý giá.
Lưu trữ và truyền tải hình ảnh hiệu quả là mục tiêu của các định dạng ảnh như jpg, png, và bmp, được phát triển để giảm dung lượng lưu trữ và tăng tốc độ truyền nhận khi băng thông hạn chế Những định dạng này đã giúp giảm đáng kể kích thước tệp ảnh mà vẫn giữ nguyên chất lượng hình ảnh, mang lại lợi ích lớn cho người dùng trong việc quản lý và chia sẻ nội dung hình ảnh.
Nhận diện ảnh là một ứng dụng quan trọng trong công nghiệp, thường được sử dụng trong các dây chuyền giám sát và kiểm tra chất lượng sản phẩm Ví dụ, công nghệ này giúp nhận diện biển số xe tại bãi giữ xe, kiểm tra độ chính xác của nhãn chai, và xác định vị trí lắp đặt linh kiện điện tử trên bo mạch Ngoài ra, nhận diện ảnh còn hỗ trợ robot trong việc phát hiện và chữa cháy kịp thời, cũng như theo dõi và bám đuổi mục tiêu trong các ứng dụng quân sự.
Hình 2.1 Các bước cơ bản trong xử lý ảnh
Phần thu nhận ảnh (Image Acquisition) có thể thực hiện thông qua camera màu hoặc đen trắng Thông thường, ảnh được thu nhận từ camera là ảnh tương tự, sử dụng loại camera ống chuẩn CCIR với tần số 1/25.
25 dòng), cũng có loại camera đã số hoá (như loại CCD – Change Coupled
Device) là loại photodiot tạo cường độ sáng tại mỗi điểm ảnh
Camera thường dùng là loại quét dòng ; ảnh tạo ra có dạng hai chiều
Chất lượng một ảnh thu nhận được phụ thuộc vào thiết bị thu, vào môi trường
Tiền xử lý (Image Processing)
Sau khi thu nhận, ảnh có thể bị nhiễu và có độ tương phản thấp, vì vậy cần sử dụng bộ tiền xử lý để cải thiện chất lượng hình ảnh Bộ tiền xử lý có chức năng chính là lọc nhiễu và nâng cao độ tương phản, giúp làm cho ảnh trở nên rõ ràng và sắc nét hơn.
Phân đoạn (Segmentation) hay phân vùng ảnh
Phân vùng ảnh là quá trình tách một ảnh đầu vào thành các vùng thành phần để phục vụ cho việc phân tích và nhận dạng Ví dụ, để nhận diện chữ hoặc mã vạch trên phong bì thư nhằm phân loại bưu phẩm, cần chia các thông tin như địa chỉ hoặc tên người thành từng từ, chữ, số hoặc vạch riêng biệt Đây là một trong những bước phức tạp và dễ gây lỗi nhất trong xử lý ảnh, ảnh hưởng lớn đến độ chính xác của kết quả nhận dạng.
Biểu diễn ảnh là quá trình tạo ra đầu ra ảnh sau khi phân đoạn, bao gồm các điểm ảnh của vùng ảnh đã phân đoạn và mã liên kết với các vùng lân cận Để xử lý tiếp theo bằng máy tính, cần biến đổi các số liệu này thành dạng thích hợp Việc lựa chọn các tính chất để thể hiện ảnh được gọi là trích chọn đặc trưng.
Biểu diễn và mô tả
Nhận dạng và nội suy
Cơ sở tri thức đóng vai trò quan trọng trong việc tách các đặc tính của ảnh thành thông tin định lượng, từ đó giúp phân biệt các lớp đối tượng khác nhau trong ảnh Chẳng hạn, trong quá trình nhận dạng ký tự trên phong bì thư, việc mô tả các đặc trưng riêng biệt của từng ký tự sẽ hỗ trợ hiệu quả trong việc phân biệt chúng.
Nhận dạng và nội suy ảnh (Image Recognition and Interpretation)
Nhận dạng ảnh là quá trình xác định hình ảnh bằng cách so sánh với mẫu chuẩn đã được học Nội suy là phán đoán dựa trên nhận dạng, ví dụ như chuyển đổi chữ số và nét gạch ngang trên phong bì thành mã điện thoại Có nhiều phương pháp phân loại ảnh khác nhau, và theo lý thuyết nhận dạng, các mô hình toán học về ảnh được chia thành hai loại nhận dạng cơ bản.
- Nhận dạng theo tham số
- Nhận dạng theo cấu trúc
Hiện nay, trong lĩnh vực khoa học và công nghệ, có nhiều phương pháp nhận dạng phổ biến được áp dụng, bao gồm nhận dạng ký tự (chữ in, chữ viết tay, chữ ký điện tử), nhận dạng văn bản (Text), nhận dạng vân tay, nhận dạng mã vạch và nhận dạng khuôn mặt.
Phép nội suy tín hiệu giúp phục hồi tín hiệu liên tục từ các mẫu, với nhiều ứng dụng trong việc thay đổi kích cỡ ảnh số để cải thiện chất lượng hiển thị trên thiết bị Khi xét đến ảnh số 64x64 pixel, việc hiển thị ở dạng hình bậc không sẽ làm cho từng pixel trở nên rõ ràng, tạo thành các khối Tuy nhiên, nếu sử dụng phép nội suy để tăng kích thước ảnh và lấy mẫu lại trước khi hiển thị, hình ảnh sẽ trở nên mịn màng và hấp dẫn hơn Ngoài ra, một dãy khung hình cũng có thể được nội suy theo thời gian, cho phép chuyển đổi ảnh động 24 khung hình/giây thành tín hiệu truyền hình NTSC 60 khung hình/giây Phép nội suy thời gian cũng có thể cải thiện chất lượng hiển thị của video trong các cảnh chuyển động chậm.
Phép nội suy có ứng dụng quan trọng trong mã hóa ảnh, cho phép giảm tốc độ bit bằng cách loại bỏ một số pixel hoặc khung Sau đó, các pixel và khung này có thể được tái tạo từ những dữ liệu đã mã hóa trước đó.
2.1.1 Ảnh và điểm ảnh Ảnh là hình vẽ bao gồm vô số điểm ảnh tạo nên Điểm ảnh là đơn vị nhỏ nhất tạo nên hình ảnh, thường mang một màu duy nhất (kết quả của sự pha trộn các màu cơ bản giữa các kênh màu) Để thông số điểm ảnh có ý nghĩa, người ta phải qui về một đơn vị kích thước nhất định, như inch hay cm/mm để tính và điểm ảnh thường được diễn đạt theo số lượng điểm trên một inch/cm chiều dài
Các không gian màu cơ bản
Mô hình RGB (đỏ, xanh lá, xanh dương) là một trong những mô hình màu sắc cơ bản và phổ biến nhất, thường được sử dụng cho màn hình máy tính Mô hình này rất dễ hiểu và dễ sử dụng, trong đó các thông số màu đỏ, xanh lá và xanh dương được cân bằng để tạo ra màu trắng khi tổng giá trị đạt 100%.
Trong mô hình màu 24 bit, các giá trị RGB thường được biểu diễn bằng ba số nguyên từ 0 đến 255, mỗi số tương ứng với cường độ của màu đỏ, xanh lá cây và xanh lam theo thứ tự.
Số lượng màu tối đa sẽ là:
Hình 2.6 Không gian màu RGB
CMYK là từ viết tắt tiếng Anh của cơ chế hệ màu trừ, thường được sử dụng trong in ấn Bao gồm các màu sau:
K được sử dụng để chỉ màu đen (Đen) vì ký tự B đã được dành cho màu xanh (Blue) Hơn nữa, K còn mang ý nghĩa là Key, thể hiện sự quan trọng và chủ chốt của màu này.
Nguyên lý hoạt động của hệ màu CMYK dựa trên việc hấp thụ ánh sáng Màu sắc mà con người thấy được là phần ánh sáng không bị hấp thụ, tức là các vật thể không tự phát ra ánh sáng mà chỉ phản xạ ánh sáng từ các nguồn chiếu sáng khác.
Màu CMYK dễ hiểu hơn vì nó tuân theo các quy tắc học ở trường Khi trộn màu Cyan với Magenta, ta có màu xanh dương; trộn Magenta với Yellow cho ra màu đỏ; trộn Cyan với Yellow tạo ra màu xanh lá cây Ba màu Cyan, Magenta và Yellow kết hợp lại sẽ cho ra màu đen.
Hình 2.7 Không gian màu CKMY
Các máy in ngày nay sử dụng bốn mực CMYK để tạo nội dung in màu
Do đó, đối với các nội dung mà bạn muốn in, bạn nên chọn chế độ màu CMYK
HSV và HSL là hai không gian màu phổ biến trong chỉnh sửa ảnh, phân tích ảnh và thị giác máy tính Cả hai hệ không gian này dựa vào ba thông số chính để mô tả màu sắc.
- S = Saturation: độ đậm đặc, sự bảo hòa
- V = value: giá trị cường độ sang
Hình 2.8 Không gian màu HSV
Không gian màu này thường được biểu diễn dưới dạng hình trụ hoặc hình nón
Trường biểu diễn màu sắc (Hue) được hình thành theo vòng tròn từ 0 đến 360 độ Bắt đầu từ màu đỏ (red primary) ở 0 độ, tiếp theo là màu xanh lục (green primary) trong khoảng 0-120 độ Từ 120 đến 240 độ là sự chuyển tiếp từ màu xanh lục sang màu xanh lơ (green primary - blue primary) Cuối cùng, từ 240 đến 360 độ, màu sắc chuyển từ màu xanh lơ trở lại màu đỏ, tạo thành một vòng tròn màu sắc hoàn chỉnh.
Hình 2.9 Hình tròn biểu diễn màu sắc không gian (Hue)
Trong không gian màu biểu diễn theo hình trụ, độ sáng (V) được thể hiện bằng chiều cao từ đáy lên đỉnh hình trụ, với giá trị dao động từ 0 đến 1 Tại đáy hình trụ, V = 0, biểu thị mức tối nhất, trong khi đỉnh hình trụ đạt độ sáng tối đa với V = 1 Giá trị bão hòa màu sắc (S) được xác định bằng khoảng cách từ tâm hình trụ ra mặt trụ, với S cũng nằm trong khoảng từ 0 đến 1 Tại tâm hình trụ, S = 0, là điểm mà màu sắc nhạt nhất, và S = 1 tại mặt trụ, nơi màu sắc đạt độ đậm đặc tối đa.
Mỗi giá trị (H, S, V) đều cung cấp thông tin chi tiết về màu sắc, bao gồm sắc thái, độ đậm đặc và độ sáng của màu đó.
2.2.3 Hệ màu LAB Ở chế độ LAB, màu được biểu diễn bằng một tổ hợp 3 kênh:
L (Lightness-Luminance) is the vertical axis representing the brightness level of a color, ranging from 0 (Black) to 100 (White) This channel exclusively contains information about brightness and does not convey any actual color values.
- Kênh “a”: Chứa giá trị màu từ Green (-) cho tới Red (+)
- Kênh “b”: Chứa giá trị màu từ Blue (-) tới Yellowta không làm ảnh hưởng đến mầu nguyên thủy của tấm ảnh
Hình 2.10 Mô hình CIE Lab
Mô hình CIE L*a*b* được phát triển dựa trên khả năng cảm nhận màu sắc của mắt người, với các giá trị Lab mô tả tất cả màu sắc mà mắt người bình thường có thể nhìn thấy Lab được coi là mô hình màu độc lập với thiết bị, thường được sử dụng làm cơ sở tham chiếu trong việc chuyển đổi màu sắc giữa các không gian màu khác nhau.
Theo mô hình Lab, tất cả các màu có cùng độ sáng nằm trên một mặt phẳng hình tròn theo hai trục a* và b* Màu có giá trị a* dương mang sắc đỏ, trong khi giá trị a* âm thể hiện sắc lục Tương tự, b* dương thể hiện màu vàng, còn b* âm thể hiện màu lam Độ sáng của màu thay đổi theo trục dọc.
Biên
Điểm biên là một điểm ảnh có sự thay đổi nhanh hoặc đột ngột về mức xám hoặc màu, ví dụ như trong ảnh nhị phân, điểm đen được coi là điểm biên nếu xung quanh nó có ít nhất một điểm trắng Đường biên, hay còn gọi là đường bao, là tập hợp các điểm biên liên tiếp tạo thành một đường Trong xử lý ảnh, đường biên là đặc trưng cục bộ quan trọng, giúp phân tích và nhận dạng ảnh bằng cách tách biệt các vùng xám hoặc màu khác nhau Đồng thời, ảnh cũng được sử dụng để xác định đường phân tách này.
Mô hình biểu diễn đường biên: điểm ảnh có độ thay đổi mức xám một cách đột ngột
Hình 2.11 Đường biên của ảnh
Các phương pháp phát hiện,nhận dạng biên
Gradient là một vector thể hiện tốc độ thay đổi giá trị của điểm ảnh theo hai hướng x và y, đại diện cho sự biến đổi về hướng và độ lớn trong một vùng ảnh.
Các thành phần của gradient được tính như sau:
𝑑𝑦 (2) Như vậy ta có ta có vector gradient là G(𝑓 ′ 𝑥, 𝑓 ′ 𝑦)
Do tính chất phức tạp trong việc tính toán với phương pháp Gradient trong xử lý ảnh, kỹ thuật Gradient thường sử dụng cặp mặt nạ Hx và Hy trực giao, hoạt động theo hai hướng vuông góc.
Nếu định nghĩa 𝑔 1 (𝑓 ′ 𝑥), 𝑔 2 (𝑓 ′ 𝑦) là Gradient (vector gradient thành G(𝑔 1 , 𝑔 2 )) theo hai hướng x, y tướng ứng thì biên độ (tức độ lớn) g(m,n) và hướng của biên tại điểm (m,n) được tính như sau:
𝑔 1 ) (4) Để giảm độ phức tạp tính toán, A0 được tính gần đúng như sau:
Để tính xấp xỉ đạo hàm bậc nhất (𝑓 ′ 𝑥 và 𝑓 ′ 𝑥 tương ứng với g1 và g2) theo các hướng x và y, ta sử dụng hai mặt nạ nhân chập (toán tử đạo hàm) Các mặt nạ này cho phép phát hiện biên khác nhau tùy thuộc vào loại mặt nạ được áp dụng, như Roberts, Sobel, và Prewitt.
Bộ tách biên Sobel sử dụng các mặt nạ để xấp xỉ đạo hàm bậc nhất, cho phép tính toán gradient tại điểm tâm trong một lân cận.
Bộ tách biên Sobel được thực hiện bằng cách lọc ảnh f với hai mặt nạ khác nhau, sau đó bình phương giá trị pixel của mỗi ảnh đã lọc, cộng hai kết quả và tính căn bậc hai Hàm edge đơn giản hóa các toán tử thành một hàm gọi, đồng thời bổ sung các tính năng như chấp nhận giá trị ngưỡng hoặc xác định ngưỡng tự động Ngoài ra, edge cũng tích hợp các kỹ thuật tách biên không thể thực hiện trực tiếp bằng imfilter.
Cú pháp gọi bộ tách Sobel tổng quát là:
Trong đó, f là ảnh đầu vào, T là ngưỡng chỉ định và dir xác định hướng tách biên: ‘ngang’, ‘dọc’ hoặc cả hai G là ảnh logic chứa giá trị 1 tại những vị trí biên được tách và giá trị 0 tại những vị trí không được tách Tham số t trong ngõ ra là tùy chọn, với giá trị ngưỡng được sử dụng bởi edge; nếu T được chỉ định, thì t = T, ngược lại nếu T không được chỉ định.
Hàm edge trong MATLAB cho phép tách biên bằng cách tự động xác định ngưỡng t, mà có thể được gán giá trị khởi tạo cho tham số ngõ ra Nếu sử dụng cú pháp g = edge(f), hàm sẽ áp dụng bộ tách Sobel mặc định Ngoài ra, cú pháp [g, t] = edge(f) cũng cho phép trả về giá trị ngưỡng t cùng với kết quả tách biên g.
2.4.3 Các mặt nạ dùng phát hiện biên
Toán tử Sobel được Duda và Hart đặt ra năm 1973 với các mặt nạ tương tự như của Robert nhưng cấu hình khác như sau:
Toán tử được Prewitt đưa ra vào năm 1970 có dạng:
Histogram và cân bằng Histogram
Phương pháp cân bằng Histogram được sử dụng để tăng cường độ tương phản toàn cục của bức ảnh, đặc biệt hữu ích khi dữ liệu đầu vào có giá trị điểm ảnh co cụm và độ tách bạch hình ảnh thấp Biểu đồ histogram cho thấy nếu giá trị điểm ảnh không phân tán đều trong khoảng [0-255] mà chỉ tập trung trong một phân đoạn ngắn, thì ảnh có độ tương phản thấp Mục tiêu của cân bằng Histogram là biến đổi bức ảnh có độ tương phản thấp thành bức ảnh có độ tương phản cao hơn bằng cách trải đều giá trị pixel, giúp chúng phân tán trên vùng giá trị rộng hơn mà vẫn giữ được nội dung của bức ảnh.
Phương pháp này nổi bật với sự đơn giản và tính toán nhẹ nhàng, cho phép phục hồi trạng thái ban đầu của ảnh khi cần thiết Tuy nhiên, nó cũng có nhược điểm quan trọng là dễ làm tăng độ tương phản của nhiễu trong nền ảnh, dẫn đến việc giảm thiểu các chi tiết hữu ích trong ảnh.
2.5.2 Cân bằng histogram Ảnh I được gọi là cân bằng lý tưởng nếu với mọi mưc xám g, g’ ta có h(g) = h(g’) [2]
- New_level: số mức xám cúa ảnh cân bằng
- Số điểm ảnh trung bình của mỗi mức xám của ảnh cân bằng
- Số điểm ảnh có mức xám ≥ g
Cân bằng ảnh sau với New_level= 4
Hình 2.12 Cân bằng histogram (a) Ảnh gốc (b) Ảnh sau khi cân bằng.
Lấy ngưỡng THRESHOLD
Ngưỡng (Threshold) là một khái niệm quan trọng trong xử lý ảnh và nhiều thuật toán khác, được sử dụng để xác định một giá trị phân chia tập hợp thành các miền khác nhau.
Trong một lớp học với 40 học sinh, thang điểm đánh giá được sử dụng là từ 1 đến 10 Để phân loại học sinh, người ta chia thành hai miền: miền đạt yêu cầu và miền không đạt yêu cầu Giá trị 5 điểm được chọn làm ngưỡng để xác định sự phân loại này.
Ngưỡng (threshold) được sử dụng để phân loại học sinh, trong đó học sinh có điểm dưới 5 được xem là không đạt, còn những học sinh có điểm từ 5 trở lên được coi là đạt yêu cầu Giá trị ngưỡng thường được xác định dựa vào các điểm đặc biệt như điểm trung bình, cùng với kinh nghiệm khảo sát Có thể phân loại các phương pháp áp dụng ngưỡng thành ngưỡng đơn, ngưỡng kép, hoặc đa ngưỡng, tùy thuộc vào số lượng ngưỡng áp dụng cho một tập dữ liệu Ngoài ra, dựa vào sự biến thiên của giá trị ngưỡng, có thể phân chia thành ngưỡng cố định (Constant|Fixed Threshold) và ngưỡng không cố định (Adaptive Threshold), trong đó ngưỡng không cố định thay đổi theo biến thiên của tập dữ liệu theo không gian và thời gian Giá trị ngưỡng này thường được xác định thông qua khảo sát dữ liệu bằng phương pháp thống kê Để minh họa ứng dụng của ngưỡng, chúng ta sẽ xem xét một ví dụ về bộ lọc ngưỡng (Threshold Filter) trong xử lý ảnh.
Hình 2.13 Ảnh xám đồng xu
Trong hình đa mức xám, mỗi pixel có giá trị từ 0 đến 255 Nếu giá trị pixel lớn hơn ngưỡng 120, chúng ta gán giá trị đen (0); ngược lại, gán giá trị trắng (255) Kết quả được thể hiện trong hình 2.14.
Hình 2.14 Ảnh threshould đồng xu
Thuật toán MORPHOLOGY
Hình thái học toán học là lý thuyết và kỹ thuật quan trọng trong phân tích và xử lý cấu trúc hình học, dựa trên lý thuyết tập hợp và lưới Phương pháp này thường được áp dụng cho hình ảnh kỹ thuật số, nhưng cũng có thể sử dụng hiệu quả trên đồ thị, bề mặt mắt lưới, chất rắn và nhiều cấu trúc không gian khác.
Hình thái học toán học đã được phát triển cho hình ảnh nhị phân và sau đó mở rộng cho ảnh đa mức xám, đóng vai trò quan trọng trong giai đoạn tiền xử lý Hai phép toán cơ bản thường được sử dụng là phép giãn nở (Dilation) và phép co (Erosion) Từ hai phép toán này, người ta phát triển thêm các phép toán như phép đóng (Closing) và phép mở (Opening).
Phần tử cấu trúc (Structuring element)
Phần tử cấu trúc ảnh là một hình khối được định nghĩa sẵn để tương tác với ảnh, nhằm kiểm tra xem ảnh có thỏa mãn các tính chất nhất định hay không Nó được biểu diễn dưới dạng một ma trận nhỏ với hai giá trị 0 và 1, trong đó các giá trị 0 sẽ bị bỏ qua trong quá trình tính toán Một số hình dáng phổ biến của phần tử cấu trúc thường được sử dụng trên ảnh nhị phân bao gồm hình tròn, hình vuông và hình chữ nhật.
- Dạng đường theo chiều ngang và dọc
Có hai thao tác Morphology cơ bản: Erosion và Dilation a Phép toán giãn nở (Dilation)
Phép toán giãn nở là một trong những hoạt động cơ bản trong hình thái học toán học, có tác dụng làm tăng kích thước của đối tượng ban đầu, khiến nó giãn nở ra.
Phép giãn nở trên ảnh nhị phân (Binary operator)
- A: Ma trận điểm ảnh của ảnh nhị phân
- B: là phần từ cấu trúc
Ma trận điểm ảnh ban đầu Isrc, ma trận điểm ảnh sau phép giãn nở Idst và phần tử cấu trúc B
Theo công thức đã nêu, tiến hành đặt các phần tử cấu trúc vào các điểm ảnh có giá trị 1 trong ma trận điểm ảnh Isrc Kết quả thu được là ma trận điểm ảnh Idst.
Phép giãn nở trên ảnh đa mức xám (Grayscale dilation)
- A: Ma trận điểm ảnh của ảnh xám
- DB: Là không gian ảnh của phần tử cấu trúc không phẳng B
Ma trận điểm ảnh ban đầu Isrc, ma trận điểm ảnh sau phép giãn nở Idst và phần tử cấu trúc B
Một số điểm ảnh Isrc trong tính toán ở trên có giá trị khác nhau Với các điểm ảnh đó, lúc này chỉ việc lấy giá trị lớn nhất (Max)
Kết quả giãn nở của ảnh đa mức xám Isrc thành Idstnhư sau:
Phép toán co (Erosion) là một trong hai hoạt động cơ bản trong hình thái học, bên cạnh phép giãn nở Phép toán này có ứng dụng quan trọng trong việc giảm kích thước của đối tượng, tách rời các đối tượng gần nhau, làm mảnh và tìm xương của đối tượng.
Phép co trên ảnh nhị phân (Binary operator)
- A: Ma trận điểm ảnh của ảnh nhị phân
- B: Là phần tử cấu trúc
Phép co ảnh sẽ cho ra một tập điểm ảnh c thuộc A, nếu bạn đi chuyển phần tử cấu trúc B theo c, thì B nằm trong đối tượng A
Ma trận điểm ảnh ban đầu Isrc được chuyển đổi thành ma trận điểm ảnh sau phép giãn nở Idst bằng cách áp dụng phần tử cấu trúc B vào các điểm ảnh có giá trị 1 trong ma trận Isrc Kết quả của quá trình này là ma trận điểm ảnh Idst.
Phép giãn nở trên ảnh đa mức xám (Grayscale erosion)
- A: Ma trận điểm ảnh của ảnh xám
- B: Là phần tử cấu trúc
- DB: Là không gian ảnh của phần tử cấu trúc
Ma trận ảnh đa mức xám Isrc (Image grayscale)
Trừ các giá trị phần tử trong cấu trúc cho 10 và loại bỏ những điểm ảnh không phù hợp với hình dạng của phần tử cấu trúc.
Sau khi loại bỏ các điểm ảnh không phù hợp, chúng ta cần sử dụng giá trị còn lại để thay thế những điểm ảnh này Theo công thức, điểm ảnh sẽ được thay bằng giá trị nhỏ nhất trong tập điểm ảnh đang xem xét cùng với các điểm lân cận.
Thực hiện erosion trước, dilation sau
- Phép co giúp xóa các điểm nền không mong muốn
- Làm co toàn ảnh Dùng phép giãn để giãn lại ảnh
- Phép toán mở được ứng dụng trong việc loại bỏ các phần lồi lõm và làm cho đường bao đối tượng trong ảnh trở nên mượt mà hơn
Hình 2.15 Phép mở (a) Ảnh gốc (b) Ảnh sau khi openning d Phép đóng (Closing)
Thực hiện dilation trước, erosion sau
- Phép giãn có thể dùng để xóa các khe hở, khoảng trống ảnh hưởng toàn ảnh Dùng phép co để lấy lại cấu trúc ban đầu
Phép toán đóng được sử dụng để làm mịn đường bao của đối tượng, lấp đầy các khoảng trống trên biên và loại bỏ những hố nhỏ bằng cách xử lý các pixel đứng thành cụm độc lập.
Hình 2.16 Phép đóng (a) Ảnh gốc (b) ảnh sau khi closing
Trong OpenCV, các phép toán hình thái học được thực hiện thông qua hàm cv::morphologyEx Đặc biệt, phép giãn nở và phép co có thể được gọi trực tiếp bằng các hàm cv::dilate và cv::erode.
MorphologyEx(const Mat& src, Mat& dst, int op, const Mat& element,
- src, dst: ảnh đầu vào và ảnh sau phép xử lý hình thái học
- op: là kiểu lựa chọn phép hình thái học, chẳng hạn như phép giản nở là MORPH_DILATE, phép đóng là MORPH_OPEN …
- Element: là cấu trúc phần tử ảnh, có ba cấu trúc cơ bản là theo khối hình vuông, hình chữ thập và hình elip
- anchor: có ý nghĩa tương tự
- iterations là số lần lặp lại của phép toán hình thái
- BorderType, Scalar& borderValue: giới hạn biên của những điểm ảnh nằm ngoài kích thước ảnh trong quá trình tính toán.
Phép biến đổi HOUGH
Phép biến đổi Hough là một công cụ mạnh mẽ để phát hiện các hình dạng khác nhau trong hình ảnh Trong OpenCV, HoughCircles được sử dụng để nhận diện đường tròn và elip, trong khi HoughLines giúp phát hiện các đường thẳng HoughLinesP là phiên bản tối ưu hóa của HoughLines, với ít tính toán hơn và tốc độ nhanh hơn Tất cả các thuật toán này đều được đặt theo tên của Paul Hough.
Thuật toán tìm đường thẳng có thể hoạt động hiệu quả ngay cả khi hình ảnh bị đứt đoạn Trong hình học, đường thẳng được mô tả bằng phương trình y = m.x + c hoặc ρ = x.cosθ + y.sinθ, trong đó ρ (rho) là khoảng cách từ đường thẳng đến gốc tọa độ, và θ (theta) là góc giữa trục hoành và đoạn thẳng ngắn nhất nối đến gốc tọa độ, với đơn vị đo là radian.
Hình 2.17 Hình minh họa sử dụng tọa độ đề cát
Hình 2.18 Hình minh họa sử dụng opencv
MÔ TẢ CÁCH HOẠT ĐỘNG CỦA THUẬT TOÁN:
Vì mỗi đường thẳng được xác dịnh bởi 2 giá trị (ρ, θ) nên thuật toán tạo
Mảng 2 chiều, hay còn gọi là accumulator, có dòng tương ứng với ρ và cột tương ứng với θ Kích thước của mảng phụ thuộc vào lựa chọn của bạn; mảng lớn mang lại độ chính xác cao hơn nhưng thời gian tính toán lâu hơn, trong khi mảng nhỏ tính toán nhanh hơn nhưng độ chính xác kém hơn.
Hàm houghlines sử dụng ảnh nhị phân để xử lý:
Void HoughLines(InputArray image, OutputArray lines, douple rho, double theta, int threshold, double srn= 0,double stn= 0)
- image: Ảnh input nhị phân (ảnh có thể bị thay đổi khi tính toán)
- lines: Output là vector chứa các đường thẳng Mỗi đường thẳng chứa 2 giá trị (ρ, θ)
- rho: Khoảng cách của các đường thẳng tính bằng pixels
- theta: Khoảng cách góc của các đường thẳng tính bằng radians
- threshold : Đường thẳng nào có số pixel lớn hơn threshold mới lấy
- srn: Dùng cho multi-scale
- stn: Cũng dùng cho multi-scale
So khớp mẫu
Khớp mẫu (Template Matching) là một tập hợp các kỹ thuật được sử dụng để phân loại đối tượng bằng cách so sánh mức độ tương đồng giữa các đối tượng cần phân tích và mẫu đã được xác định trước.
Quá trình matching được thực hiện bằng cách quét hình mẫu từ trái sang phải và từ trên xuống dưới, đảm bảo tâm của hình mẫu di chuyển qua tất cả các vị trí có thể trong hình được xem xét Tại mỗi vị trí, giá trị của tham số phân loại được tính toán để đánh giá mức độ khớp của mẫu với đối tượng tại vị trí tương ứng Điều này đảm bảo rằng hình mẫu luôn nằm trong khuôn hình được xem xét, và quá trình so sánh hoàn tất dựa trên tọa độ từng điểm ảnh.
Bằng cách so sánh giá trị tham số phân loại của từng pixel với một giá trị ngưỡng K được chọn dựa trên kinh nghiệm và yêu cầu, chúng ta có thể xác định xem vị trí đó có tồn tại một đối tượng tương tự có thể chấp nhận với mẫu hay không.
Có hai công thức để tính tham số phân loại :
Thứ nhất là dựa vào khoảng cách Euclidean (Euclidean distance)
- G: Là mẫu có kích thước n x m
- (r,c) : Tọa độ vị trí góc cao bên trái của mẫu g trên hình I Thứ hai là dựa vào độ tương tự (Correlation)
- 𝑥̅: Là giá trị mức xám trung bình của hình mẫu
- y : Là cùng đang tính toán tương ứng với hình mẫu trên hình được cho
- y: Là trung bình mức xám của y
- N : Số điểm ảnh trong vùng đang tính toán N= kích thước mẫu n x m
Giá trị của hệ số tương quan (cor) dao động từ -1 đến +1, với giá trị càng gần +1 cho thấy mức độ tương đồng với mẫu tại vị trí tính toán càng cao Ví dụ, trong một thử nghiệm thực nghiệm, hệ số tương quan đạt K = 0.8, cho thấy sự tương đồng đáng kể.
Hình 2.19 Mẫu và ảnh mẫu
Hình 2.20 Vị trí tìm thấy mẫu (a) Biểu đồ toán cor (b) Vị trí tìm thấy.
Phiên bản OpenCV 1 và OpenCV 2
Tính đến nay, sau hơn 9 năm từ khi phiên bản OpenCV đầu tiên được ra mắt, đã có nhiều phiên bản OpenCV được phát triển Tuy nhiên, thư viện này có thể được chia thành hai nhóm chính dựa trên những đặc điểm khác biệt lớn: phiên bản OpenCV thế hệ thứ nhất (OpenCV 1.x) và phiên bản OpenCV thứ hai (OpenCV 2.x) Dưới đây là một số điểm khác biệt cơ bản giữa hai phiên bản này.
OpenCV 1.x (bao gồm bản 1.0 và bản pre-release 1.1) dựa trên giao diện
C, cấu trúc của một ảnh số dựa trên cấu trúc của IplImage, trong khi thư OpenCV 2.x dựa trên giao diện C++, cấu trúc của ảnh số, ma trận dựa trên cấu trúc của cv::Mat
Trong OpenCV 1.x, người dùng phải tự quản lý bộ nhớ cho các đối tượng, cần giải phóng bộ nhớ khi không còn sử dụng để tránh tràn bộ nhớ Ngược lại, OpenCV 2.x đã cải thiện việc quản lý bộ nhớ, với các hàm hủy tự động giải phóng bộ nhớ khi đối tượng không còn được sử dụng.
Việc viết lệnh trong OpenCV 2.x đơn giản hơn nhiều so với OpenCV 1.x, nhờ vào giao diện C++ dễ hiểu hơn so với C Hơn nữa, các hàm trong OpenCV 2.x đã được tối ưu hóa, loại bỏ nhiều bước trung gian không cần thiết, cải thiện trải nghiệm người dùng.
// Phát hiện đường tròn trong ảnh Opencv 1.x
IplImage* src = cvLoadImage(“image.jpg”);
IplImage* gray = cvCreateImage( cvGetSize(src), IPL_DEPTH_8U, 1) cvCvtClolor( src, gray, CV_BGR2GRAY); cvCanny( gray, gray, 10, 30, 3);
CvSeq* circles = cvHoughCircles( gray, storage, CV_HOUGH_GRADIENT, 1,
//Phát hiện đường tròn trong ảnh Opencv 2.x
Mat src = imread(“image.jpg”);
CvtColor( src, gray, CV_BGR2GRAY);
HoughCircles(gray, circles, CV_HOUGH_GRADIENT, 1, 50, 100, 50) trong OpenCV 2.x không yêu cầu khởi tạo đối tượng ảnh gray, cũng như không cần khởi tạo đối tượng storage, điều này giúp giảm bớt công việc quản lý bộ nhớ.
Thư viện OpenCV 1.x mặc dù có nhiều hàm và thuật toán xử lý, nhưng vẫn còn sơ khai Với OpenCV 2.x, thư viện này đã được cải tiến đáng kể với nhiều hàm và thuật toán mới, đặc biệt trong các lĩnh vực phát hiện, nhận dạng và theo dõi đối tượng Ngoài ra, mặc dù giao diện chính là C++, OpenCV 2.x vẫn duy trì một phần giao diện C để tương thích với các phiên bản trước đó.
Thư viện OpenCV phiên bản 2.x nổi bật hơn so với phiên bản 1.x, nhưng trong một số trường hợp, đặc biệt là trên các hệ thống nhúng với trình dịch chỉ hỗ trợ ngôn ngữ C, phiên bản 1.x vẫn có giá trị sử dụng Chương này sẽ trình bày nội dung cài đặt, thuật toán và ứng dụng của OpenCV phiên bản 2.x trên hệ điều hành Windows.
NỐI TRONG CÔNG NGHIỆP DÙNG XỬ LÝ ẢNH
Yêu cầu thiết kế
Một mô hình phân loại cáp dùng kỹ thuật xử lý ảnh phải thõa các yêu cầu sau:
Mô hình thiết kế cần được tối ưu hóa để nhỏ gọn, phù hợp với nhu cầu học tập và nghiên cứu Các thiết bị nên được lắp đặt một cách thuận tiện nhằm dễ dàng cho việc bảo trì, thay thế và nâng cấp trong tương lai.
- Môi trường xử lý phải tạo được ánh sáng nhân tạo có độ sáng phù hợp, giảm tối thiểu nhiễu từ ánh sáng môi trường tự nhiên
Các thiết bị điều khiển cần đảm bảo độ chính xác cao và thời gian tác động nhanh, đồng thời phải phổ biến trên thị trường để thuận tiện cho việc sửa chữa và nâng cấp.
- Giao diện điều khiển đơn giản, dễ vận hành nhưng phải đầy đủ các tính năng cho các chế độ và điều khiển.
Quy Trình Thực Hiện
Bước 1: Thiết lập thuật toán tìm số dây và xác định màu dây Bước 2: Lấy ảnh mẫu dây ban đầu
Bước 3: Lấy ảnh dây cần kiểm tra đưa đi so sánh và xuất ra kết quả.
Thuật toán và kết quả cụ thể từng bước
SO SÁNH DÂY ẢNH KIỂM TRA XOAY ẢNH
CẮT VÙNG DÂY KHÔNG XOẮN
TÍNH SỐ DÂY, TÍNH MÀU DÂY KIEMTRA.XML
NỐI TRONG CÔNG NGHIỆP DÙNG XỬ LÝ ẢNH Bước 1: Thuật toán tìm số dây và xác định màu dây
3.3.1 Chuyển ảnh màu sang ảnh gray
Hình 3.1 Ảnh trước và sau khi gray (a) ảnh RGB (b) ảnh gray ẢNH
CẮT ẢNH GỐC VÙNG CÓ DÂY KHÔNG XOẮN
LƯU VÀO FILE XML GRAY
Để chuyển đổi ảnh màu sang ảnh xám trong công nghiệp xử lý ảnh, ta sử dụng công thức tính độ sáng của điểm ảnh: Độ sáng điểm ảnh = Red*0.1140 + Green*0.5870 + Blue*0.2989.
Trong thư viên OPENCV ta có thể thực hiện nhờ hàm hỗ trợ cvtColor()
3.3.2 Chuyển ảnh Gray sang Threshold (Lấy Ngưỡng )
Hình 3.2 Ảnh gray sang threshold (a) Ảnh gray (b) Ảnh threshold
Threshold là công cụ chuyển đổi ảnh xám thành ảnh nhị phân, trong đó các điểm ảnh chỉ có hai giá trị: 0 (đen) và 255 (trắng).
Trong opencv để sử dụng Threshold ta có thể sử dụng hàm threshold()
3.3.3 Vẽ đường bao từ ảnh Threshold
Hình 3.3 Ảnh vẽ đường bao (a) Ảnh threshold (b) Ảnh đường bao
Xác định đường biên bằng cách chênh lệch giá trị điểm ảnh và loại bỏ vùng có số điểm ảnh nhỏ
Vẽ lại biên với giá trị màu (B, G, R)= (255,255,255)
NỐI TRONG CÔNG NGHIỆP DÙNG XỬ LÝ ẢNH 3.3.4 Xác định 2 điểm rìa đầu cáp
Hình 3.4 Xác định 2 điểm rìa (a) Ảnh đường bao (b) 2 điểm rìa
Xác định điểm 2 điểm ảnh rìa giá trị điểm ảnh lớn hơn 200(vì ảnh được vẽ lại với giá trị (B, G, R)= (255,255,255)
Dựa vào giá trị Xmax ta tìm đc 1 điểm rìa( điểm nằm bên phải ở hình đã được khoanh tròn)
Từ điểm vừa tìm suy ra được điểm còn lại dựa vào 1 số yếu tố như: Ymax, Ymin, khoảng cách đầu cáp…
Để đọc giá trị BGR tại tọa độ (x, y) trong ảnh, ta sử dụng đoạn mã `Vec3b intensity = drawing.at(x, y);` Giá trị màu xanh được lấy từ kênh màu BGR tương ứng với `uchar blue = intensity.val[0];`, trong khi các giá trị cho kênh màu đỏ và xanh lá lần lượt nằm ở `intensity.val[2]` và `intensity.val[1]`.
Hình 3.5 Xoay ảnh (a) Ảnh 2 điểm rìa (b) Xoay ảnh
NỐI TRONG CÔNG NGHIỆP DÙNG XỬ LÝ ẢNH
Dựa vào 2 điểm rìa vừa tìm được tính góc xoay bằng:
Chọn tâm xoay bằng điểm giữa a và b
Tìm được chiều dài các cạnh: C=|x-x1|, D=|y-y1|
Opencv hỗ trợ các hàm như: abs là trị tuyệt đối, atan là arctan
Để chuyển đổi ảnh màu sang ảnh xám, ta sử dụng công thức tính độ sáng điểm ảnh: Độ sáng điểm ảnh = Red*0.1140 + Green*0.5870 + Blue*0.2989 Hình 3.6 minh họa quá trình này với ảnh xoay và ảnh xám sau khi xoay.
Trong thư viên OPENCV ta có thể thực hiện nhờ hàm hỗ trợ cvtColor()
3.3.7 Chuyển ảnh Gray sang Threshold (Lấy Ngưỡng )
Hình 3.7 Threshold ảnh xoay (a) Gray ảnh xoay (b) Ảnh threshold
Threshold có chức năng chuyển ảnh Gray xám thành ảnh nhị phân
Trong công nghiệp xử lý ảnh, ảnh nhị phân là loại ảnh mà giá trị của các điểm ảnh chỉ được biểu diễn bằng hai màu cơ bản: 0 (đen) và 255 (trắng).
Trong opencv để sử dụng Threshold ta có thể sử dụng hàm threshold()
3.3.8 Loại bỏ vùng ảnh không chứa đầu cáp
Hình 3.8 Xác định đầu cáp (a) Ảnh threshold (b) Ảnh threshold đầu cáp
Để loại bỏ các điểm ảnh không mong muốn, sử dụng một hình chữ nhật có chiều dài cạnh x và y chạy toàn bộ ảnh Khi gặp giá trị có số điểm ảnh lớn hơn một ngưỡng C (do người dùng tự định nghĩa), xác định vị trí đầu cáp và loại bỏ toàn bộ điểm ảnh nằm ngoài vùng hình chữ nhật đã chỉ định Các giá trị x, y và C cần được xác định qua nhiều lần thực nghiệm.
Morphology là một phương pháp quan trọng trong phân tích hình ảnh, chủ yếu được sử dụng để nhận dạng đối tượng, tô kín các vùng đối tượng và lọc nhiễu ảnh Hình 3.9 minh họa các khía cạnh của morphology, bao gồm ảnh threshold đầu cáp và ảnh morphology.
NỐI TRONG CÔNG NGHIỆP DÙNG XỬ LÝ ẢNH
Phép toán giãn nở (Dilation)
Trong opencv để sử dụng thuật toán Mophology có thể sử dụng hàm MorphologyEx()
3.3.10 Xác định vị trí chính xác đầu cáp
Hình 3.10 Vị trí đầu cáp (a) Ảnh morphology (b) Khoanh vùng
Khoanh vùng đầu cáp để sử dụng cho việc cắt đoạn có dây
3.3.11 Cắt đoạn có dây không xoắn
Hình 3.11 Cắt dây (a) Khoanh vùng (b) Cắt vùng dây không xoắn
Khi xác định vị trí và khoanh vùng đầu cáp, cần cắt một đoạn hình chữ nhật với chiều rộng 3 pixel và chiều dài tương ứng với chiều dài đầu cáp để tránh tình trạng dây bị xoắn gần đầu cáp.
NỐI TRONG CÔNG NGHIỆP DÙNG XỬ LÝ ẢNH
Vì ảnh được cắt quá nhỏ nên đổi size ảnh bằng cách phóng to ảnh để dễ đếm dây
Opencv có hỗ trợ đổi size ảnh bằng hàm resize()
Hình 3.12 Cắt dây (a) Resize ảnh cắt (b) Chuyển sang Gray
Sau khi chuyển sang gray, làm trơn ảnh bằng cách nhân chập với bộ lọc Gause
Hình 3.13 Normalize (a) Ảnh gray (b) Ảnh sau khi Normalize
Normalize ảnh gray để làm sáng màu nền, tăng độ tương phản mức xám giữa sợi dây và nền
NỐI TRONG CÔNG NGHIỆP DÙNG XỬ LÝ ẢNH
Hình 3.14 Threshold (a) Ảnh Nomalize (b) Ảnh sau khi Threshold Ảnh sau khi cắt được đưa qua threshold để tìm được vị trí của các sợi dây
Mỗi tâm dây tạo ra một histogram với màu xám khác biệt so với nền, giúp xác định vị trí chính xác của sợi dây Sau đó, số lượng dây được đếm và lưu trữ vào file XML.
Hình 3.16 Kết quả kiểm tra số dây
Số dây được đếm từ các dây xanh đã được vẽ ở hình 3.16
NỐI TRONG CÔNG NGHIỆP DÙNG XỬ LÝ ẢNH 3.3.17 Màu dây
Hình 3.17 Số liệu file XML
Từ các đường dây trong hình, chúng ta trích xuất giá trị điểm ảnh cho từng kênh màu theo hệ màu HSV và lưu trữ vào file XML để phục vụ cho việc so sánh Màu sắc của mỗi sợi dây được lưu dưới dạng ma trận (1x3), trong đó các giá trị được biểu diễn theo thứ tự H (Hue: màu sắc), S (Saturation: độ đậm đặc, sự bảo hòa) và V (Value: giá trị cường độ sáng).
Mẫu được đưa vào trước camera để chụp
Camera được điều khiển chụp để lấy ảnh mẫu và đưa ảnh mẫu đến công đoạn tìm dây và xác định màu
Các thông số: số lượng dây, vị trí và hệ số màu của dây mẫu được lưu trữ lại
Kết quả sau khi lấy trung bình được lưu trong file MAU.XML
NỐI TRONG CÔNG NGHIỆP DÙNG XỬ LÝ ẢNH
Bước 3: Kiểm tra so sánh và đưa ra kết quả:
TÌM SỐ DÂY XÁC ĐỊNH MÀU
THÔNG SỐ LƯU TRỮ MẪU.XML
TÌM SỐ DÂY XÁC ĐỊNH MÀU
NỐI TRONG CÔNG NGHIỆP DÙNG XỬ LÝ ẢNH Đưa ảnh cần kiểm tra phần cứng , trước camera
Camera được điều khiển chụp để lấy ảnh kiểm tra và đưa ảnh kiểm tra đến công đoạn tìm dây và xác định màu
Các thông số: số lượng dây, vị trí và hệ số màu của dây cần kiểm tra được lưu trữ lại trong KIEMTRA.XML
Sử dụng thuật toán để so sánh hai tệp thông số, MAU.XML và KIEMTRA.XML, nhằm kiểm tra tính chính xác của dữ liệu Nếu hai tệp khớp nhau, hệ thống sẽ thông báo không có lỗi Ngược lại, nếu phát hiện sai sót, sẽ có thông báo về lỗi thiếu dây hoặc sai màu dây.
KẾT QUẢ THỰC NGHIỆM
Cấu trúc phần cứng hệ thống
Chất liệu bằng giấy bìa cứng ba lớp bên trong nền trắng, bên ngoài phủ giấy
Kích thước : chiều dài 30cm , chiều rộng 20cm , chiều cao 30cm
Trong đề tài này nhóm sử dụng đèn led (như hình 5) Số lượng sử dụng
10 led được phân bố chiếu sáng đều trên vùng làm việc nhằm giảm độ chói và xuất hiện bóng mờ giữa các sợi dây
Hinh 4.1 Hình tiêu biểu của một đèn led
- Nhiệt độ hoạt động -20 đến 60 độ C
4.1.3 Nguồn Để hệ thống hoat động ổn định, cần thiết kế nguồn vào cung cấp sao cho phù hợp với yêu cầu hoạt động
- Điện áp đầu vào: 220VAC
- Điện áp đầu ra :0 - 12VDC
4.1.4 Camera Để đáp ứng yêu cầu kỹ thuật xử lý ảnh màu với độ nhạy cao, nhóm đã chọn webcam với các thông số đáp ứng được phần nào yêu cầu đặt ra
- Tên gọi : Webcam WC S11 BlueLover
- Khoảng cách sử dụng 0.5m đến 5m
Mô hình sản phẩm
Sau khi tính toán thiết kế và lựa chọn các thiết bị Mô hình sản phẩm được thiết kê và thi công như hình 4.4
Hình 4.4 Mô hình sản phẩm
- Khoảng cách từ Webcam tới vùng làm việc 12cm.
Cơ sở dữ liệu
Hình 4.5 Các mẫu tiêu biểu.
Giao diện làm việc
Giao diện cung cấp đầy đủ các chức năng để người vận hành điều khiển hệ thống một cách hiệu quả Chi tiết về chức năng của các nút được mô tả trong bảng 4.1.
Hình 4.6 Giao diện làm việc
Bảng 4.1 Chức năng các phím điều khiển
STT BIỂU TƯỢNG CHỨC NĂNG
Xoay ảnh mẫu và cắt phần dây không xoắn
Xoay ảnh kiểm tra và cắt phần dây không xoắn
6 Xử lý xác định số dây và màu dây của ảnh mẫu
Xử lý xác định số dây và màu dây của ảnh mẫu
8 Hiển thị số dây ảnh mẫu
9 Hiển thị số dây ảnh kiểm tra
Kết quả thực nghiệm
Để đánh giá kết quả, ta dựa theo tiêu chuẩn TPR và ACC, cụ thể như sau:
- TPR: độ chính xác khi nhận dạng sản phẩm không lỗi
- ACC: độ chính xác của toàn hệ thống
Bảng 4.2 Kết quả thống kê
Bảng 4.3 Kết quả đạt được
Đánh giá hệ thống
1 Độ chính xác Độ chính xác ACC:
Mặt sau 86% Độ chính xác TPR:
2 Sai số khi nhận dạng dây: thường sai dây màu trắng và màu vàng vì trùng màu background, có bóng ở hai màu gần, lý do chênh lệch màu thấp và camera độ phân giải thấp và bình thường khó nhận dạng khi xuất hiện bóng giữa các dây
3 Ánh sáng tượng đối ổn định nhưng vẫn còn nhiễu bên ngoài có thể làm thay đổi màu sắc dây
4 Ở thuật toán xoay ảnh do tìm hai điểm rìa chỉ tương đối chính xác nên đôi lúc xoay đầu cáp không được thẳng làm cho phần cắt dây không xoắn bị dính một phần đầu cáp nên khó nhận dạng.
