Le Qui Don PhD

Các đề tài luận văn chuyên đề Xử lý ảnh

dành cho Nghiên Cứu Sinh

Học viện Kỹ thuật Quân sự / Đại học Kỹ thuật Lê Quí Đôn

Image and Video Processing themes for 2013 PhD students

of the LeQuiDon Technology University

NCS-01. PHÁT HIỆN ĐỐI TƯỢNG HIỆU QUẢ

VỚI CÁC ĐẶC ĐIỂM ỔN ĐỊNH VÙNG

Phát hiện và theo vết đối tượng trong camera là một phần quan trọng của hệ thống giám sát [V1,V2,V3,V4]. Mặc dù đã có số lượng lớn các công trình nghiên cứu [E1,E2,E3,E9] nhưng vẫn còn nhiều khó khăn để có phương pháp theo dõi mạnh, có thể xử lý với các khả năng xảy ra trong thiên nhiên như thay đổi hình dạng, tư thế, thay đổi ánh sáng và góc quan sát.

Hơn nữa, các thuật toán cần đáp ứng với tốc độ của đối tượng theo dõi, do đó sự hiệu quả thuật toán có tầm quan trọng đáng kể. Nhiều phương pháp khác nhau đã được đề xuất, từ các thuật toán phân tích toàn bộ hình ảnh [E4,E5,E8] đến các thuật toán dựa trên các vùng ảnh [E4,E7]. Thuật toán phân tích toàn bộ hình ảnh có thể xử lý các mẫu phức tạp, tuy nhiên thường có vấn đề với khi đối tượng quan sát có biến đổi phức tạp hoặc thay đổi ánh sáng. Các thuật toán dựa trên các vùng ảnh có thể là giải pháp thích hợp theo vết trong môi trường thay đổi.

Sự kết hợp thông tin của toàn ảnh với vùng ảnh có thể giúp định vị vùng và theo vết vùng. Tuy nhiên, việc trao đổi các thông tin có thể làm suy giảm hiệu suất phát hiện và theo dõi, nếu phát hiện sai đối tượng sẽ dẫn đến sai vị trí vùng. Và ngược lại, định vị sai vùng ảnh có thể tạo ra đối tượng sai.

Gần đây xu hướng phân tích dựa vào đặc điểm ổn định [E6] được áp dụng cả cho các thuật toán đối với toàn ảnh và vùng ảnh. Các đặc điểm được lựa chọn sử dụng phù hợp với từng hướng phân tích: toàn ảnh hay vùng ảnh. Các đặc điểm này giúp cho việc vấn đề phân loại trong việc phát hiện và theo dõi đối tượng, tránh được những lỗi trong trao đổi các thông tin của toàn ảnh với vùng ảnh nêu trên.

Đề tài hướng tới phân tích khả năng xác định các đặc điểm ổn định của các vùng ảnh, phối hợp với thông tin toàn ảnh tạo ra một số đề xuất tin cậy về phát hiện và theo vết đối tượng.

Hình 1: Theo vết người đi bộ [E9]

Tài liệu tham khảo

Tiếng Việt (V)

1. Lương Mạnh Bá, Nguyễn Thanh Thủy. Nhập môn xử lý ảnh số, Nhà xuất bản Khoa học kỹ thuật, Hà Nội.
2. Đỗ Năng Toàn, Phạm Việt Bình (2007). Giáo trình xử lý ảnh, Nhà xuất bản Đại học Hà nội.
3. Võ Đức Khánh, GS.TSKH. Hoàng Kiếm (2007). Giáo trình xử lý ảnh. Nhà xuất bản Đại học Quốc Gia TP Hồ Chí Minh.
4. Nguyễn Kim Sách (1977). Xử lý ảnh và video số, Nhà xuất bản Khoa học kỹ thuật, Hà Nội.

Tiếng Anh (E)

1. Zulaikha Kadim, Marizuana Md. Daud, Syaimaa Solehah M. Radzi, Norshuhada Samudin, Hon Hock Woon, Method to Detect and Track Moving Object in Non-static PTZ Camera, Proceedings of the International MultiConference of Engineers and Computer Scientists 2013 Vol I, IMECS 2013,
2. Tandra Ghose, Zili Liu, Generalization between canonical and non-canonical views in object recognition, Journal of Vision, 2013
3. Sanjivani Shantaiya, Kesari Verma, Kamal Mehta, Study and Analysis of Methods of Object Detection in Video, International Journal of Soft Computing and Engineering (IJSCE) 2013
4. Lee, Jin-Seok; Cho, Shung-Han; Oh, Seong-Jun; Hong, Sang-Jin, Local and Global Information Exchange for Enhancing Object Detection and Tracking, KSII Transactions on internet and information vol.6; no.5; page.1400-1420; 2012
5. Stefanos Stefanou and Antonis A. Argyros, Efficient Scale and Rotation Invariant Object Detection based on HOGs and Evolutionary Optimization Techniques, Advances in Visual Computing, Lecture Notes in Computer Science Volume 7431, pp 220-229, 2012
6. Michael Grabner Helmut Grabner Horst Bischof, Learning Features for Tracking, IEEE Conference Computer Vision and Pattern Recognition, 2007.
7. Chen, W.Y, Howe, P.D., & Holcombe, A.O., Resource demands of object tracking and differential allocation of the resource. Attention, Perception, & Psychophysics. 2013
8. Xi Li, Weiming Hu, Chunhua Shen, Zhongfei Zhang, Anthony Dick, Anton van den Hengel, A Survey of Appearance Models in Visual Object Tracking, Computer Vision and Pattern Recognition, 2013
9. Laura Leal-Taix´e, Gerard Pons-Moll, and Bodo Rosenhahn, Exploiting pedestrian interaction via global optimization and social behaviors, ACM DL, 2012

NCS-02. PHÂN VÙNG ẢNH BẰNG PHÂN LỚP

TRONG KHÔNG GIAN ĐẶC ĐIỂM ĐA KÊNH

Chế độ đa kênh của hình ảnh hiện nay được sử dụng rộng rãi trong nhiều ứng dụng. Ảnh viễn thám đa kênh đa lớp là một ví dụ dùng trong phân tích bề mặt Trái đất. Dữ liệu đa chiều của của ảnh đa kênh cung cấp thông tin hữu ích và đáng tin cậy hơn trong đánh giá các thuộc tính đối tượng, từ đó tính chính xác hơn sự tương đồng và sự khác biệt cho các thành phần của ảnh [E1, E2].

Tuy nhiên với sự gia tăng số kênh dữ liệu, các thuật toán đa kênh như tiền sử lý, lọc, phân loại, phân vùng ảnh, phát hiện đối tượng trở nên khá phức tạp. Đó là lý do có sự đa dạng các phương pháp phân loại, phân vùng ảnh, phát hiện đối tượng và đòi hỏi sự quan tâm nghiên cứu lớn. Mặc dù đã có nỗ lực đáng kể và nghiên cứu chuyên sâu trong lĩnh vực này vẫn còn rất nhiều việc phải làm. Kỹ thuật phân loại Bayes, phân tích thành phần độc lập và phần phương pháp tiếp cận dựa trên phân tích chính, mạng lưới thần kinh và gần đây là máy hỗ trợ vector - là một số các phương tiện khác nhau [E3, E4] đã được thử nghiệm để giải quyết bài toán phân lớp hình ảnh đa kênh.

Phân vùng ảnh là chủ đề quan trọng trong xử lý ảnh với mục đích phát hiện các vùng cần quan tâm ra khỏi vùng nền ảnh [V1, V2, V3, V4]. Trong những năm gần đây đã có nhiều thuật toán phân vùng ảnh với các ứng dụng đa dạng. Quan tâm chủ yếu vẫn là phân vùng lớp xám của ảnh. Ngày nay ảnh màu đa kênh đã chiếm ưu thế do đã có công nghệ phần mềm và phần cứng mạnh xử lý các phép tính.

Hiện nay xu hướng sử dụng không gian đặc tính ảnh đang được quan tâm. Việc phân lớp trong không gian đặc tính đa lớp ảnh [E5, E6, E7, E8, E9] góp phần phát hiện các lớp từ thông tin đặc điểm đa chiều, chính xác hơn là lấy thông tin từ không gian đơn chiều.

Đề tài chọn phương pháp phân lớp trong không gian đặc điểm đa kênh làm hướng nghiên cứu giải quyết bài toán phân vùng ảnh. Luận văn sẽ nghiên cứu tổng quan về các hướng tiếp cận chính cho lĩnh vực phân lớp trong không gian đặc điểm ảnh đa kênh. Luận văn sẽ đề xuất và áp dụng thử nghiệm một thuật toán phân vùng ảnh bằng phân lớp trong không gian đặc điểm ảnh đa kênh.

Hình 2: Phân vùng ảnh màu [E9]

Tài liệu tham khảo

Tiếng Việt (V)

1. Lương Mạnh Bá, Nguyễn Thanh Thủy. Nhập môn xử lý ảnh số, Nhà xuất bản Khoa học kỹ thuật, Hà Nội.
2. Đỗ Năng Toàn, Phạm Việt Bình (2007). Giáo trình xử lý ảnh, Nhà xuất bản Đại học Hà nội.
3. Võ Đức Khánh, GS.TSKH. Hoàng Kiếm (2007). Giáo trình xử lý ảnh. Nhà xuất bản Đại học Quốc Gia TP Hồ Chí Minh.
4. Nguyễn Kim Sách (1977). Xử lý ảnh và video số, Nhà xuất bản Khoa học kỹ thuật, Hà Nội.

Tiếng Anh (E)

1. M. Sivalingamaiah , B. D. Venakramana Reddy, Texture Segmentation Using Multichannel Gabor Filtering, IOSR Journal of Electronics and Communication Engineering (IOSRJECE) ISSN : 2278-2834 Volume 2, Issue 6, 2012
2. M.Anitha, P.Tamije Selvy, Dr. V. Palanisamy, WML Detection of Brain Images Using Fuzzy and Possibilistic Approach in Feature Space, WSEAS Transactions On Computers E-ISSN: 2224-2872 180 Issue 6, Volume 11, 2012
3. Anita Khanna, Meenakshi Sood, and Swapna Devi, US Image Segmentation Based on Expectation Maximization and Gabor Filter, International Journal of Modeling and Optimization vol. 2, no. 3, pp. 230-233, 2012
4. Tetyana Ivanovska, Efficient Multichannel Image Partitioning: Theory and Application, A thesis of Doctor of Philosophy, Jacobs University, 2009
5. Virginia Estellers, Dominique Zosso, Xavier Bresson and Jean-Philippe Thiran, Harmonic Active Contours For Multichannel Image Segmentation International Conference on Image Processing, 2011
6. Vladimir V. Lukina, Nikolay N. Ponomarenkoa, Alexander A. Zelenskya,Karen O. Egiazarianb, Jaakko T. Astolab, Object classification, segmentation and parameter estimation in multichannel images by classifier learning with clustering of local parameters, Image Processing: Algorithms and Systems, 2007
7. Xiangyun Hu, C. Vincent Tao, and Björn Prenzel, Automatic Segmentation of High-resolution Satellite Imagery by Integrating Texture, Intensity, and Color Features, Photogrammetric Engineering & Remote Sensing, 2005
8. Anthony P. Doulgeris, A Simple And Extendable Segmentation Method For Multi-Polarisation Sar Images, Proc. POLinSAR 2013, Frascati, Italy, 8 pp., 28 January - 1 February, 2013
9. Claudia Nieuwenhuis and Daniel Cremers, Spatially Varying Color Distributions for Interactive Multilabel Segmentation, IEEE Transactions On Pattern Analysis And Machine Intelligence, Vol. 35, 2013