UBND TỈNH BÌNH DƯƠNG TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT
TRỊNH VĂN DŨNG
ÁP DỤNG ĐỘ ĐO ENTROPY CHO BÀI TOÁN TÁCH ĐẶC TRƯNG CỦA BỌT KHÍ TRÊN VIDEO VÀ ĐỀ XUẤT KẾT HỢP SVM CHO VẤN ĐỀ TỰ ĐỘNG THEO DÕI SỤC KHÍ TẠI TRẠM QUAN TRẮC MÔI TRƯỜNG
CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN
Mã ngành: 8480104
Có thể bạn quan tâm!
-
Áp dụng độ đo entropy cho bài toán tách đặc trưng của bọt khí trên video và đề xuất kết hợp SVM cho vấn đề tự động theo dõi sục khí tại trạm quan trắc môi trường - 2 -
Minh Hoạ Các Bước Cơ Bản Trong Một Hệ Thống Xử Lý Và Nhận Dạng Ảnh. -
Ví Dụ Về Các Hàm Thuộc Khác Nhau Số Tập Mờ Số Gần 2
Xem toàn bộ 69 trang tài liệu này.
LUẬN VĂN THẠC SỸ
BÌNH DƯƠNG – NĂM 2019
UBND TỈNH BÌNH DƯƠNG TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT
TRỊNH VĂN DŨNG
MSHV: 1694801040007
ÁP DỤNG ĐỘ ĐO ENTROPY CHO BÀI TOÁN TÁCH ĐẶC TRƯNG CỦA BỌT KHÍ TRÊN VIDEO VÀ ĐỀ XUẤT KẾT HỢP SVM CHO VẤN ĐỀ TỰ ĐỘNG THEO DÕI SỤC KHÍ TẠI TRẠM QUAN TRẮC MÔI TRƯỜNG
CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN
Mã ngành: 8480104
LUẬN VĂN THẠC SỸ NGƯỜI HƯỚNG DẪN KHOA HỌC:
TS. HOÀNG MẠNH HÀ
BÌNH DƯƠNG – NĂM 2019
LỜI CAM ĐOAN
Tôi xin cam đoan luận văn “Áp dụng độ đo entropy cho bài toán tách đặc trưng của bọt khí trên video và đề xuất kết hợp SVM cho vấn đề tự động theo dõi sục khí tại trạm quan trắc môi trường” là công trình nghiên cứu của riêng tôi dưới sự định hướng của và hướng dẫn của Thầy TS Hoàng Mạnh Hà.
Mọi thông tin và dữ liệu được sử dụng trong luận văn đều có nguồn gốc rõ ràng, tuân thủ đúng nguyên tắc.
Các kết quả nghiên cứu được trình bày trong luận văn được là hoàn toàn trung thực, không vi phạm bất cứ điều gì trong luật sở hữu trí tuệ và pháp luật Việt Nam. Nếu sai, tôi hoàn toàn chịu trách nhiệm trước pháp luật.
Thủ Dầu Một, ngày … tháng … năm 2019
Tác giả luận văn:
Trịnh Văn Dũng
LỜI CẢM ƠN
Luận văn này được hoàn thành tại Trường Đại học Thủ Dầu Một dưới sự hướng dẫn tận tình của Thầy TS Hoàng Mạnh Hà.
Lời đầu tôi xin bày tỏ lòng biết ơn đến Thầy TS Hoàng Mạnh Hà, Giảng viên Trường Đại học Thủ Dầu Một đã tâm giảng dạy, hướng dẫn và đưa ra những góp ý, điều chỉnh vô cùng xác thực cho luận văn, đồng thời Thầy cũng cho tôi những lời động viên quý báu giúp tôi có những định hướng đúng đắn để hoàn thành luận văn này.
Tôi cũng xin gửi lời cảm ơn chân thành đến toàn thể quý Thầy, Cô là giảng viên giảng dạy tại Trường Đại học Thủ Dầu Một đã tận tình giảng dạy, truyền đạt những kiến thức quý báu và tạo điều kiện thuận lợi cho tôi trong suốt quá trình học tập, nghiên cứu và khi thực hiện luận văn.
Nhân đây tôi cũng xin gửi lời cảm ơn đến bạn bè cùng khóa, bạn bè cùng chuyên môn, đồng nghiệp đã nhiệt tình hỗ trợ những thông tin, chia sẻ những kiến thức cũng như kinh nghiệm giúp cho việc thực hiện luận văn.
Trân trọng!
Tác giả luận văn:
Trịnh Văn Dũng
TÓM TẮT
Ngày nay, để có được môi trường trong sạch mà đặc biệt là môi trường nước, ngành công nghiệp xử lý nước sạch đang được nhà nước và cộng đồng quan tâm sâu sắc. Để có được nguồn nước sạch, người ta cần cải tạo môi trường và hệ sinh thái bằng cách nuôi những con vi sinh trong những cái bể lớn nhằm cung cấp vi sinh cho những chỗ nước bị nhiễm bẩn, hệ sinh thái bị biến đổi. Trong quá trình nuôi vi sinh người ta cần phải sục khí liên tục vào bể để cung cấp đủ oxi để nuôi sống vi sinh, nếu không được sục khí thường xuyên thì những con vi sinh sẽ không thể sống được do thiếu oxi.
Xuất phát từ thực tế này, chúng ta cần có những phần mềm để theo dõi và giám sát xem bể nuôi vi sinh có được sục khí liên tục hay không. Trong đó, vấn đề liên quan đến xử lý video, xử lý frame ảnh và nhận dạng frame ảnh trong video sẽ phục vụ cho nhu cầu phát hiện và cảnh báo vấn đế không có bọt khí (khi bể không được sục khí) thông qua việc giám sát tự động bởi các camera. Với nhu cầu trên, được sự hướng dẫn của Thầy TS. Hoàng Mạnh Hà, tôi tiến hành nghiên cứu và thực nghiệm đề tài “Áp dụng độ đo entropy cho bài toán tách đặc trưng của bọt khí trên video và đề xuất kết hợp SVM cho vấn đề tự động theo dõi sục khí tại trạm quan trắc môi trường”.
Trong khuôn khổ của luận văn này, tôi đã tìm hiểu, nghiên cứu một số phương pháp xử lý trích chọn đặc trưng, đồng thời cài đặt thử nghiệm và đề xuất theo hai hướng sau:
- Hướng thứ nhất: Trích chọn đặc trưng bằng việc xác định độ đo Entropy cho các điểm ảnh (pixel) để xác định độ bất định cho các điểm ảnh có khả năng là bọt khí hay không bọt khí cho ảnh. Đồng thời kết hợp Fuzzy Logic để khử những pixel ảnh không rõ ràng là bọt khí hay không (trường hợp Entropy gần bằng 0). Sau đó sử dụng phép biến đổi Wavelet Haar để thu gọn kích thước dữ liệu ảnh về một dạng nhỏ mà tại đây vẫn giữ lại đủ các thông tin quan trọng cho các điểm ảnh. Từ đây, có được những tập ảnh mang đặc trưng tốt nhất để phục vụ cho huấn luyện phân lớp mẫu ảnh phục vụ cho bài toán nhận dạng ảnh bọt khí.
- Hướng thứ hai: Trích chọn đặc trưng bằng việc sử dụng kỹ thuật tìm biên ảnh Gradient (sử dụng một số toán tử như: Roberts, Prewitt, Sobel, Canny) dựa vào tính giá trị cực đại và cực tiểu của đạo hàm bậc nhất của ảnh. Từ đó so sánh, đánh giá các kết quả và chọn ra phương pháp tìm biên phù hợp nhất là Canny (còn gọi là bộ lọc Canny), mang lại những ảnh có chất lượng biên tốt nhất để huấn luyện phân lớp.
Với ảnh đã trích chọn đặc trưng ở 2 hướng trên, tôi đã tiến hành cài đặt thực nghiệm và tiếp cận phương pháp học SVM để huấn luyện phân lớp mẫu. Đồng thời kiểm thử phân lớp và nhận dạng với frame ảnh từ 4 video clip (trên dưới 10.000 frame ảnh cho mỗi clip) tương ứng 4 trạm từ đơn vị quan trắc môi trường Bình Dương, cụ thể như sau:
- Đối với hướng thứ nhất: Huấn luyện cho 80 tập (mỗi tập là 100 ảnh) dữ liệu ảnh (40 tập cho ảnh bọt khí và 40 tập cho ảnh không bọt khí) lấy đều theo thời gian và số lượng, trích xuất từ 4 video clip trên. Đồng thời cũng thử nghiệm test kiểm thử cho các tập ảnh không được huấn luyện cũng từ 4 video clip ở 4 trạm khác nhau và đạt được kết quả phân loại với độ chính xác cao.
- Đối với hướng thứ hai: Huấn luyện cho 200 ảnh (100 ảnh có bọt khí và 100 ảnh không có bọt khí) lấy đều theo thời gian và số lượng, trích xuất từ 4 video clip trên. Đồng thời cũng thử nghiệm test nhận dạng cho 4 video clip ở 4 trạm khác nhau (tương ứng 8805 frame ảnh cho mỗi clip) và đạt được kết quả nhận dạng đúng 100%.
Như vậy, qua quá trình nghiên cứu và kết quả thực nghiệm tôi đề xuất với hai phương pháp trích chọn đặc trưng: Một là ứng dụng độ đo Entropy kết hợp Fuzzy Logic và Wavelet Haar để đưa ra những ảnh có đặc trưng tốt nhất cho huấn luyện phân lớp; Hai là ứng ứng dụng bộ lọc Canny để tìm ra những đường biên tốt nhất cho ảnh cho huấn luyện phân lớp. Từ đó có thể huấn luyện phân lớp và có được mô hình phân lớp mẫu tốt nhất nhằm sử dụng cho bài toán nhận dạng ảnh bọt khí
/không bọt khí ứng dụng cho việc quản lý, giám sát quá trình sục khí cho các bể nuôi vi sinh. Đồng thời có thể giúp cho các đơn vị quan trắc môi trường hay các công ty sản xuất có nước xả thải có thể xử lý tốt hơn trước khi xả thải ra môi trường. Đặc biệt là đối với hướng ứng dụng bộ lọc canny được cài đặt trên Visual Studio C++ và sử dụng thư viện mã nguồn mở OpenCV có kết quả nhận dạng với độ chính xác rất cao (100%) và thuận tiện cho việc xây dựng ứng dụng người dùng, có thể đưa vào ứng dụng thực tế được ngay cho các camera giám sát bể nuôi vi sinh.
MỤC LỤC
LỜI CAM ĐOAN i
LỜI CẢM ƠN ii
TÓM TẮT iii
MỤC LỤC v
DANH MỤC CÁC HÌNH VÀ ĐỒ THỊ viii
DANH MỤC CÁC BẢNG ix
PHẦN MỞ ĐẦU 1
Chương 1: TỔNG QUAN VỀ XỬ LÝ VÀ NHẬN DẠNG ẢNH 3
1.1. CÁC KHÁI NIỆM CƠ BẢN VỀ ẢNH 3
1.1.1. Khái niệm về ảnh (Image) 3
1.1.2. Điểm ảnh (Picture element hay Pixel) 3
1.1.3. Độ phân giải ảnh (Image resolution) 4
1.1.4. Cường độ sáng của một ảnh tại một điểm ảnh (Brightness intensity) 4
1.1.5. Mức xám của ảnh (Gray image) 4
1.1.6. Ảnh nhị phân (Binary image) 5
1.1.7. Ảnh màu (Color image) 5
1.1.8. Quan hệ giữa các điểm ảnh 5
1.1.9. Biên ảnh (Image boundary) 6
1.2. GIỚI THIỆU CHUNG VỀ XỬ LÝ VÀ NHẬN DẠNG ẢNH 6
1.2.1. Thu nhận ảnh (Image acquisition) 7
1.2.2. Số hóa ảnh (Image digitalizer) 7
1.2.3. Tiền xứ lý ảnh (Image processing) 7
1.2.3.1. Lọc nhiễu 8
1.2.3.1. Mức xám đồ 9
1.2.4. Phân tích và trích chọn đặc trưng ảnh (Image analysis and Feature extraction). 10 1.2.4.1. Giới thiệu chung về phân tích ảnh 10
1.2.4.2. Tiêu chuẩn hoá và trích chọn đặc trưng ảnh 10
1.2.4.3. Kỹ thuật tìm biên ảnh (Image boundary) 11
1.2.4.4. Độ đo Entropy 15
1.2.4.5. Fuzzy Logic 18
1.2.4.6. Phép biến đổi Wavelet 21
1.2.5. Phân lớp (Classfication) 22
1.2.6. Nhận dạng và nội suy ảnh (Image recognition and Interpretation) 22
1.2.6.1. Giới thiệu chung về nhận dạng 23
1.2.6.2. Phương pháp số nhận dạng ảnh 23
Chương 2: NGHIÊN CỨU PHƯƠNG PHÁP GIẢI QUYẾT BÀI TOÁN NHẬN DẠNG BỌT KHÍ 25
2.1. XÂY DỰNG BÀI TOÁN NHẬN DẠNG BỌT KHÍ 25
2.1.1. Quá trình xử lý ảnh 25
2.1.2. Quá trình huấn luyện phân lớp mẫu 27
2.1.3. Quá trình nhận dạng 27
2.2. VẤN ĐỀ TRÍCH CHỌN ĐẶC TRƯNG CHO ẢNH BỌT KHÍ 28
2.2.1. Sử dụng Entropy kết hợp Fuzzylogic và Wavelet 28
2.2.2. Sử dụng phương pháp tìm biên ảnh 29
2.3. VẤN ĐỀ PHÂN LỚP CHO DỮ LIỆU ẢNH BỌT KHÍ 30
2.3.1. Huấn luyện mô hình phân lớp dữ liệu ảnh 30
2.3.2. Phân lớp dữ liệu ảnh – Thử nghiệm mô hình 30
2.4. PHƯƠNG PHÁP SVM CHO BÀI TOÁN NHẬN DẠNG BỌT KHÍ 31
2.4.1. Giới thiệu chung về SVM 31
2.4.2. SVM cho bài toán 2 lớp 32
2.4.3. Xây dựng bài toán tối ưu cho SVM 2 lớp bọt khí 34
2.4.4. Ưu điểm của SVM cho phân lớp ảnh bọt khí 35
Chương 3: THỰC NGHIỆM VÀ ĐỀ XUẤT ỨNG DỤNG PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH CHO BÀI TOÁN NHẬN DẠNG ẢNH BỌT KHÍ 36
3.1. MÔI TRƯỜNG CÀI ĐẶT VÀ CÔNG CỤ SỬ DỤNG 36
3.2. DỮ LIỆU VÀ XÂY DỰNG TẬP DỮ LIỆU ẢNH BỌT KHÍ 36
3.3. ỨNG DỤNG ĐỘ ĐO ENTROPY KẾT HỢP FUZZY LOGIC VÀ WAVELET CHO TRÍCH CHỌN ĐẶC TRƯNG BỌT KHÍ 37
3.4. ỨNG DỤNG BỘ LỌC CANNY CHO TRÍCH CHỌN ĐẶC TRƯNG ẢNH BỌT KHÍ
............................................................................................................................................. 39
Chương 4: THỰC NGHIỆM ÁP DỤNG PHƯƠNG PHÁP SVM VÀO BÀI TOÁN THEO DÕI VẤN ĐỀ SỤC KHÍ CHO BỂ NUÔI VI SINH 43
4.1. MÔI TRƯỜNG CÀI ĐẶT VÀ CÔNG CỤ SỬ DỤNG 43
4.2. ÁP DỤNG SVM TRÊN ẢNH ĐƯỢC TRÍCH CHỌN ĐẶC TRƯNG DỰA TRÊN ĐỘ ĐO ENTROPY KẾT HỢP FUZZY LOGIC VÀ WAVELET 43