Báo Cáo Chuyên Đề Nhập Môn Xử Lý Ảnh - Hệ Thống Thương Mại Điện Tử | Đại học Điện lực

lOMoARcPSD| 59629529
TRƯỜNG ĐẠI HỌC ĐIỆN LỰC
KHOA CÔNG NGHỆ THÔNG TIN
BÁO CÁO CHUYÊN ĐỀ NHẬP MÔN XỬ LÝ ẢNH ĐỀ T䄃I: IMAGE MORPHING
Sinh viên thực hiện: TỐNG SỸ AN NGUYỄN TIẾN DŨNG
Giảng viên hướng dẫn:
NGUYỄN THỊ THANH MAI Ngành:
CÔNG NGHỆ THÔNG TIN Chuyên ngành:
HỆ THỐNG THƯƠNG MẠI ĐIỆN TỬ Lớp: D15HTTMDT1 Khóa: 2020-2025 lOMoARcPSD| 59629529
Hà Nội, tháng 02 năm 2023 lOMoARcPSD| 59629529 PHIẾU CHẤM ĐIỂM
Sinh viên thực hiện : STT
Họ và tên sinh v iên Nội dung thực hiện Điểm Chữ ký 1 Giảng viên Tống Sỹ An chấm : 2 Nguyễn Tiến Dũ ng Họ và tên Chữ ký Ghi chú Giảng viên chấm 1: Giảng viên chấm 2: Mục lục lOMoARcPSD| 59629529
BÁO CÁO.....................................................................................................................................4
1. Notes.........................................................................................................................................4 1.1 Ảnh
gốc................................................................................................................................41.2 Xói
mòn................................................................................................................................4
1.3 Closing.................................................................................................................................6
1.4 Detectingblack note heads...................................................................................................7
2. Counting Circles.......................................................................................................................9 2.1 Ảnh
gốc................................................................................................................................9
2.2 Thuật toán............................................................................................................................9
3. Segmenting Occluded Objects................................................................................................10
3.1 Hình ảnh minh họa............................................................................................................10
3.2 Thuật toán.........................................................................................................................11
3.3 Sự thất bại.........................................................................................................................13
3.2. Extra Credit: Hình ảnh bổ sung.........................................................................................13 lOMoARcPSD| 59629529 BÁO CÁO 1. Note 1.1 Original Image 1.2 Xói mòn
Có thể có hai cách tiếp cận này:
Cách tiếp cận 1: Coi các Note là 0 và nền là 1. Cách này có vẻ trực quan
vì giá trị của màu đen được lấy là 0 và giá trị của màu trắng là 1 (hoặc 255).
Cách tiếp cận 2: Coi Note là 1 và nền là 0. Cách này có vẻ đúng, vì sự
giãn nở được cho là để mở rộng các đối tượng, Note trong trường hợp này. Vì
Kernel đều là 1 ( trong khối kernel), sự giãn nở sẽ chỉ mở rộng các Note nếu
chính các Note đó cũng là 1.
Báo cáo vấn đề không đề cập rõ ràng nên sử dụng phương pháp nào và do
đó chúng tôi có kết quả đính kèm tương ứng với cả hai cách tiếp cận.
1.2.1 Cách tiếp cận thứ nhất.
Hình 1.a với sự giãn nở của ảnh gốc sử dụng ma trận khối a 5 ∗ 5: lOMoARcPSD| 59629529 Hình 1.a
Tương tự, Hình 1.a tương ứng với sự giãn nở của ảnh gốc bằng cách sử
dụng ma trận dạng diamond a 5 ∗ 5:
Đầu ra được tạo ra trong trường hợp gần giống nhau vì hầu hết hình ảnh
được bao phủ bởi màu trắng tiền cảnh (rất ít phần là nền đen, về cơ bản là các
điểm có chiều dài hoặc chiều rộng của một pixel). Chúng tôi biết trong quá trình
giãn nở, phẩn tử cấu trúc được căn theo từng pixel và nếu nó giao nhau với bất
kỳ phần nào của nền trước, thì giá trị đầu ra trong pixel đó được đặt thành 1. Vì
chúng tôi có kích thước lớn các phần tử cấu trúc, ngay cả khi nó được căn chỉnh
với pixel nền, nó sẽ giao nhau với nền trước và do đó hầu hết các pixel là 1 trong
cả hai hình ảnh. Nhưng vì các yếu tố cấu trúc là khác nhau, nên có những phần
trong các hình ảnh(ví dụ: xung quanh đầu Note) nơi có sự khác biệt rõ ràng trong
cả hai hình ảnh. Do đó, mặc dù rất giống nhau nhưng kết quả đầu ra không hoàn toàn giống nhau.
1.2.2 Cách tiếp cận thứ 2
Đối với điều này, chúng tôi lấy âm bản của hình ảnh để làm cho các
Note có giá trị 255. Sau đó, chúng tôi áp dụng hoạt động hình thái phù hợp. Cuối
cùng, chúng tôi lại lấy tiêu cực của hình ảnh để có được hình ảnh trong định
dạng cũ hơn (với các Note có giá trị 0 – hoặc ít nhất là gần 0 hơn 255) lOMoARcPSD| 59629529
Hình 2: Hình ảnh hiển thị đầu ra giãn nở cho note.jpg cho các Kernel khác nhau
Các đầu ra khác nhau vì chúng tôi đã sử dụng hai phần tử cấu trúc khác
nhau với các thuộc tính khác nhau. Đầu tiên một là blockernel tạo ra các điểm
vuông trong hình ảnh đầu ra trong khi một là diamond kernel và do đó các điểm
giống như kim cương trong hình ảnh đầu ra. 1.3 Closing
Tương tự như sự giãn nở, một lần nữa có thể có hai cách tiếp cận vấn đề này.
1.3.1 Cách tiếp cận thứ nhất
Cả hai đầu ra đều tương ứng với việc đóng với block kernel a 3*3:
Hình 3.a tương ứng với một lần lặp đóng duy nhất với kernel trên, trong khi
hình 3.b tương ứng với 3 đóng các lần lặp lại với cùng một kernel. lOMoARcPSD| 59629529
Hình 3: Hình ảnh hiển thị đầu ra đóng của note.jpg cho các kernel khác nhau
Cả hai đều giống nhau. Đó là một kết quả mong đợi vì việc mở và đóng
là các hoạt động bình bình. Ứng dụng mở/đóng nhiều lần không có bất kỳ tác
dụng nào sau lần đầu tiên bạn áp dụng
1.3.2 Cách tiếp cận thứ 2
Chúng tôi lại lấy hình ảnh âm bản, xử lý nó và hoàn về “định dạng” ban đầu.
Hình 4: Hình ảnh hiển thị đầu ra đóng của note.jpg cho các Kernel khác nhau.
Các đầu ra lại giống nhau, như đã giải thích trong tiểu mục trước ( cách tiếp cận 1).
1.4 Detectingblack note heads 1.4.1 Thuật toán
Kết thúc bằng một disk kernel có bán kinh 2. Lưu ý rằng về cơ bản nó sẽ
là một ma trận có kích thước (2r-1)*(2r-1) (hoặc 2r + 1, tùy thuộc vào cách bạn
xác nhận bán kính trong ma trận của mình – chúng tôi đã sử dụng ma trận trước). Các disk kernel là: lOMoARcPSD| 59629529
Ngưỡng đầu ra đóng bằng (40,255). 1.4.2 Giải trình
Lưu ý rằng hình dạng của đầu nốt nhạc là hình tròn. Tuy nhiên, kích thước
của hình ảnh quá nhỏ và do đó, kích thước của hình tròn đó cũng vậy. Nếu chúng
ta tăng bán kính của đĩa, sự thay đổi là quá lớn. Một số đầu ghi chú cũng trở nên
mờ cùng với nền. Mặt khác, nếu chúng ta giảm bán kính, r = 1 là khả năng duy
nhất và đối với điều đó, hình ảnh hầu như không thay đổi, vì kernel chỉ là [1].
Như vậy, bán kính 2 có vẻ là thích hợp nhất
Hình 5: Hình ảnh hiển thị đầu ra đóng cho ghi note.jpg cho các kernels khác nhau
Lưu ý rằng các đầu Note rất tối. Chỉ có một vài dòng với cường độ tương
đương. Khác với những thứ đó, mọi thứ khác trong hình ảnh đều có cường độ
cao hơn (tương ứng). Vì các dòng cũng có cường độ cao hơn dòng đó, nên có
thể ngưỡng hình ảnh thành hình ảnh nhị phân để chỉ đầu Note vẫn con và mọi
thứ khác chuyển sang nền trắng. (40,255) đạt được chính xác điều đó. Đầu ra
cuối cùng tương ứng là: lOMoARcPSD| 59629529
Hình 6: Đầu ra cuối cùng của thuật toán (đường viền được thêm vào cho rõ ràng) 2. Counting Circles 2.1 Ảnh gốc 2.2 Thuật toán
Thuật toán của chúng tôi dựa trên một thực tế đơn giản là kích thước của
các hình tròn lớn hơn kích thước của các đường thẳng/hình chữ nhật hiện có, tức
là, nếu chúng ta lấy môt hình tròn có bán kính vừa đủ, thì nó sẽ nằm hoàn toàn
bên trong tất cả các hình tròn, nhưng nó sẽ không vừa hoàn toàn bên trong bất
kỳ đường kẻ/hình chữ nhật nào.
Do đó, ghi nhớ trên thực tế ở trên, chúng tôi thực hiện mở bằng cách sử
dụng hạt nhân đĩa có bán kính 6. Chúng tôi thực hiện mở vì nó bị xói mòn theo
sau là sự giãn nở. Mặc dù không thể xảy ra, nhưng trong một số trường hợp
(hình ảnh), có thể xảy ra rằng các lá xói mòn đã ngắt kết nối các vòng tròn trên lOMoARcPSD| 59629529
đường. Mở ngăn chặn điều đó xảy ra, vì sự giãn nở được thực hiện sau khi xói
mòn, việc lấp đầy bất kỳ khoảng trống nào như vậy trong hình ảnh. Hình 7: Hình
ảnhđầu ra sau khi mở bằng kernel disk có bánkính 6 Sau khi mở,chúng tôi đếm số lượng các thành
phầnđược kết nối trong hình ảnh đầu ra. Câu
trảlời được đưa ra là 31, đó là #Circles +1,
vìnền cũng là một thành phần được kết nối. Như vậy #Circles = 30
3. Segmenting Occluded Objects
3.1 Hình ảnh minh họa 3.2 Thuật toán
• Trực giác cơ bản của thuật toán của chúng tôi đứng trên quan sát rằng 2
“disks” khác có kích thước khác nhau, do đó chúng ta có thể tách chúng
ra bằng cách sử dụng mở hoặc xói mòn
• Đầu tiên, chúng tôi sử dụng thao tác ngưỡng với các tham số (0,255, nhị phân nghịch đảo) lOMoARcPSD| 59629529
Sau đó, ta thực hiện mở disk kernel có bán kính 4 để loại bỏ hình tròn nhỏ hơn.
Sau đó, chúng tôi tăng kích thước của vòng tròn thu được để “hoàn thành” nó
bằng cách sử dụng phép giãn nở với disk kernel có bán kính 4.
Tuy nhiên, lưu ý rằng điều này cũng làm tăng kích thước của vòng tròn trong
các phần không bị chăn. Để giới hạn mức tăng này chỉ ở phần bị che, chúng tôi
lấy giao điểm của hình ảnh được xây dựng với hình ảnh gốc để có được các chi
tiết tốt hơn của vòng tròn lớn trong các phần không bị che. lOMoARcPSD| 59629529
Sau đó, chúng tôi lấy sự khác biệt hình ảnh của hình ảnh ban đầu với hình ảnh
được xây dựng cho đến nay để phân chia vòng tròn nhỏ hơn.
Xói mòn vòng tròn lớn với nhân hình elip có tham số (3,3) để giảm kích thước
vòng lớn sao cho giao của cả hai vòng tròn không trùng nhau.
Nối hình tròn lớn với hình nhỏ để tìm hình cuối cùng có vạch phân cách. lOMoARcPSD| 59629529 3.3 Sự thất bại
Như đã đề cập ở trên, thuật toán của chúng tôi dựa trên quan sát rằng cả hai đối
tượng (hình tròn) đều có kích thước khác nhau. Do đó, thuật toán của chúng tôi
có thể thất bại khi đối tượng được phân tách có cùng kích thước vì trong trường
hợp đó, chúng tôi sẽ không thể tách các đối tượng đó bằng thao tác mở.
3.4 Extra Credit: Hình ảnh bổ sung
3.4.1 Hình ảnh minh họa
3.4.2 Hình ảnh đầu ra 3.4.3 Observation
Chúng ta có thể thấy rằng thuật toán của chúng ta đã thực hiện tốt việc tách ba
vòng tròn có cùng tham số được sử dụng với hình ảnh trước đó. Vì kích thước
của hình tròn ở giữa và 2 hình tròn ở hai bên là khác nhau nên thuật toán của
chúng tôi đã thành công trong việc phân đoạn các đối tượng bị che khuất.