Luận văn Ứng dụng xử lý ảnh để tính lưu luợng xe lưu thông trên đường (Phần 1)

Nội dung text: Luận văn Ứng dụng xử lý ảnh để tính lưu luợng xe lưu thông trên đường (Phần 1)

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC Sĩ BÙI TÁ THẠCH ỨNG DỤNG XỬ LÝ ẢNH ÐỂ TÍNH LƯU LUỢNG XE LƯU THÔNG TRÊN ÐƯỜNG NGÀNH: KỸ THUẬT ÐIỆN TỬ – 60520203 S K C0 0 5 0 6 0 Tp. Hồ Chí Minh, tháng 4/2016
2. LÝ LỊCH KHOA HỌC I. LÝ LỊCH SƠ LƯỢC: Họ & tên: Bùi Tá Thạch Giới tính: Nam Ngày, tháng, năm sinh: 20/09/1991 Nơi sinh: Quảng Ngãi Quê quán: Quảng Ngãi Dân tộc: Kinh Chỗ ở riêng: 147/1/7 Tân Lập 2, Q9, TP. HCM Điện thoại di động: 0984927677 E-mail: thachbuita@gmail.com II. QUÁ TRÌNH ĐÀO TẠO: 1. Đại học: Hệ đào tạo: Chính Quy Thời gian đào tạo từ 09/2009 đến 06/2014 Nơi học: ĐH Bách Khoa - ĐH Đà Nẵng, TP. Đà Nẵng Ngành học: Điện tử - viễn thông Tên đồ án: Nâng cao hiệu năng bảo mật lớp vật lý dùng kỹ thuật phân tập Ngày & nơi bảo vệ đồ án: 06/2014, ĐH Bách Khoa- ĐH Đà Nẵng Người hướng dẫn: TS. Nguyễn Văn Cường III. QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác Công việc đảm nhiệm 10/2014-02/2015 ĐH SPKT TP. HCM Trợ giảng 06/2015-12/2015 Mobifone Miền Đông Kỹ thuật viên i
3. LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác Tp. Hồ Chí Minh, ngày 24 tháng 03 năm 2016 ii
4. LỜI CẢM ƠN Luận văn này được thực hiện tại Trường Đại học Sư phạm kỹ thuật TP. Hồ Chí Minh. Để hoàn thành được luận văn này tôi đã nhận được rất nhiều sự động viên, giúp đỡ của nhiều cá nhân và tập thể. Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc đến Thầy TS. Nguyễn Thanh Hải đã hướng dẫn tôi thực hiện nghiên cứu của mình. Xin cùng bày tỏ lòng biết ơn chân thành tới các thầy cô giáo, người đã đem lại cho tôi những kiến thức bổ trợ, vô cùng có ích trong những năm học vừa qua. Cũng xin gửi lời cám ơn chân thành tới Ban Giám hiệu, Phòng Đào tạo sau đại học, Đại học Sư phạm kỹ thuật TP. Hồ Chí Minh đã tạo điều kiện cho tôi trong quá trình học tập. Cuối cùng tôi xin gửi lời cám ơn đến gia đình, bạn bè, những người đã luôn bên tôi, động viên và khuyến khích tôi trong quá trình thực hiện đề tài nghiên cứu của mình. Tp. Hồ Chí Minh, ngày 24 tháng 03 năm 2016 iii
5. TÓM TẮT Ngày nay dân số và số lượng phương tiện của các thành phố đang tăng lên từng ngày, ùn tắc giao thông thường xuyên xảy ra. Vì vậy nhu cầu kiểm soát mật độ phương tiện trên các tuyến đường là hết sức quan trọng. Đề tài này đã xây dựng một hệ thống phát hiện và tính lưu lượng xe lưu thông trên đường dùng xử lý ảnh với dữ liệu ngõ vào là các video thu được từ camera hoặc máy ảnh đặt trên đường. Phương pháp thực hiện là trừ nền, xử lý hình thái, phát hiện xe và tính số xe phát hiện được. Đầu tiên, sử dụng mô hình Gaussian hỗn hợp để trừ nền, chuyển ảnh màu thành ảnh nhị phân trong đó xe là các đốm trắng và nền đường là đen. Sau đó sử dụng phép xử lý ảnh hình thái để tô đầy các xe thành khối màu trắng thống nhất đồng thời loại bỏ các thành phần không mong muốn. Kết quả thu được là ảnh nhị phân hoàn chỉnh. Cuối cùng sử dụng thuật toán dán nhãn để dán nhãn và đếm số lượng xe. Kết quả mô phỏng trên phần mềm Matlab cho thấy phương pháp này tính toán số lượng xe khá chính xác trong trường hợp góc quay camera gần và đủ rõ. Việc xác định chính xác lưu lượng xe lưu thông trên một tuyến đường sẽ góp phần quan trọng trong việc đưa ra cảnh báo về mật độ phương tiện, từ đó cải thiện tình trạng ùn tắc giao thông ở các đô thị hiện nay. iv
6. ABSTRACT Nowadays, the population and number of vehicles in the big cities are increasing day by day, so traffic jams often occur. Therefore, controlling the density of vehicles on the roads is very important. This thesis has developed a system to detect and count circulating traffic flow on the road using image processing, in which video data is obtained from cameras placed on the road. In this project, methods are background subtraction, morphological operation, vehicle detection and vehicle counting. First, Gaussian mixture model for background subtraction is used to transfer color picture into binary image, in which vehicles are white spots and roads are black. After that, the morphological operation is employed to fill the white car into an unified block and it is removed unwanted components to produce a complete binary image. Finally, the labeling algorithm is applied for labeling and counting the number of vehicles. Simulation results in Matlab software show that proposed method is quite accurate in the case of close, clear camera angles. The accuracy of vehicle traffic flow detection will contribute significantly in making warnings about the density of vehicles and improving traffic congestion in urban areas. v
7. MỤC LỤC Trang tựa Quyết định giao đề tài Lý lịch cá nhân i Lời cam đoan ii Cảm tạ iii Tóm tắt iv Mục lục vi Danh sách các chữ viết tắt ix Danh sách các hình x Danh sách các bảng xi Chương 1: TỔNG QUAN 1 1.1. Tổng quan về lĩnh vực nghiên cứu, các kết quả nghiên cứu trong và ngoài nước đã công bố. 1 1.1.1. Tổng quan về lĩnh vực nghiên cứu 1 1.1.2. Một số kết quả nghiên cứu đã công bố 3 1.2. Mục tiêu của đề tài 5 1.3. Nhiệm vụ và giới hạn của đề tài 5 1.3.1. Nhiệm vụ: 5 1.3.2. Giới hạn: 5 1.4. Phương pháp nghiên cứu 6 Chương 2: KHÁI QUÁT XỬ LÝ ẢNH 7 2.1. Xử lý ảnh 7 2.1.1. Giới thiệu 7 2.1.2.Một số ứng dụng cơ bản trong xử lý ảnh 7 2.1.3. Xử lý video 8 2.1.4. Một số vấn đề cơ bản trong xử lý video 10 vi
8. 2.2. Theo dõi đối tượng 10 2.2.1. Các thành phần trong xây dựng hệ thống theo dõi đối tượng 10 2.2.2. Các bước chính cần thực hiện trong hệ thống theo dõi đối tượng 12 Chương 3: PHƯƠNG PHÁP TRỪ NỀN 13 3.1. Giới thiệu 13 3.2. Các phương pháp cơ bản 14 3.2.1. Trừ khung 14 3.2.2. Trung bình chạy 15 3.2.3. Trung vị chạy 18 3.3. Phương pháp trừ nền cao cấp 20 3.3.1. Trung bình chạy Gaussian (Gaussian đơn) 20 3.3.2. Mô hình Gaussian hỗn hợp 20 3.4. Kết luận 24 Chương 4: PHƯƠNG PHÁP HÌNH THÁI VÀ THUẬT TOÁN DÁN NHÃN 25 4.1. Phương pháp hình thái 25 4.1.1. Phép co ảnh 26 4.1.2. Phép giãn ảnh 30 4.1.3. Phép mở ảnh 32 4.1.4. Phép đóng ảnh 33 4.1.5. Các bước xử lý hình thái 34 4.1.6. Kết luận 37 4.2. Thuật toán dán nhãn 37 4.2.1. Mục đích 37 4.2.2. Thành phần liên kết 37 4.2.3. Thuật toán dán nhãn 37 Chương 5: KẾT QUẢ 42 5.1. Sơ đồ khối 42 5.2. Trừ nền dùng mô hình Gaussian hỗn hợp 42 5.3. Chọn vùng theo dõi 44 vii
9. 5.4. Xử lý hình thái 46 5.5. Loại bỏ nhiễu 52 5.6. Phát hiện xe 53 5.7. Tính số xe 55 Chương 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 60 6.1. Kết luận 60 6.2. Hướng phát triển 60 TÀI LIỆU THAM KHẢO 61 PHỤ LỤC 63 viii
10. DANH SÁCH CÁC CHỮ VIẾT TẮT GMM: Gaussian Mixture Model BG: Background FG: Foreground EM: Expectation Maximization ROI: Region of Interest RGB: Red Green Blue image ix
11. DANH SÁCH CÁC BẢNG BẢNG TRANG Bảng 1.1: Phân loại các thuật toán phát hiện đối tượng 2 Bảng 1.2: Phương pháp trừ nền và phân tích hiệu suất 5 Bảng 4.1: Tập các nhãn thu được sau lần duyệt đầu tiên 40 Bảng 5.1: Đánh giá kết quả chạy mô phỏng 58 x
12. DANH SÁCH CÁC HÌNH HÌNH TRANG Hình 2.1: Khung hình 8 Hình 2.2: Thước đo độ xám 9 Hình 2.3: Không gian màu RGB 9 Hình 2.4: Theo dõi vi phạm giao thông qua camera 11 Hình 2.5: Các bước cần thực hiện trong quá trình theo dõi tự động 12 Hình 3.1: Kết quả trừ khung với các mức ngưỡng khác nhau 15 Hình 3.2: Ảnh nền và kết quả trừ nền trung bình chạy 17 Hình 3.3: Nền và kết quả trừ nền trung vị chạy 19 Hình 4.1: Phép xử lý hình thái cho ảnh giao thông với 2 xe di chuyển trên đường 26 Hình 4.2: Phép co ảnh 27 Hình 4.3: Phần tử cấu trúc; (a) là phần tử cấu trúc vuông, (b) là phần tử cấu trúc đường. 28 Hình 4.4: Phép co ảnh 29 Hình 4.5: Phép giãn ảnh 30 Hình 4.6: Phép giãn ảnh 31 Hình 4.7: Phép mở ảnh 32 Hình 4.8: Phép đóng ảnh 33 Hình 4.9: Phép đóng ảnh 34 Hình 4.10: Sơ đồ các bước xử lý hình thái 35 Hình 4.11: Ảnh gốc và ảnh sau khi trừ nền 35 Hình 4.12: Kết quả của các phép xử lý hình thái 35 Hình 4.13: Kết quả đếm sai, 2 xe thành 1 xe 36 xi
13. Hình 4.14: Kết quả đếm đúng 2 xe 36 Hình 4.15: Liên kết 4 và liên kết 8 37 Hình 4.16: Minh họa 4 điểm lân cận của X 38 Hình 4.17: Ảnh gốc trước khi áp dụng thuật toán 39 Hình 4.18: Ảnh sau lần duyệt đầu tiên 39 Hình 4.19: Ảnh sau lần duyệt lần 2 40 Hình 4.20: Dán nhãn liên kết 4 và liên kết 8 41 Hình 5.1: Sơ đồ khối 42 Hình 5.2: Trừ nền bằng mô hình Gaussian hỗn hợp 44 Hình 5.3: Chọn vùng theo dõi 45 Hình 5.4: Chọn vùng theo dõi 46 Hình 5.5: Các phép xử lý hình thái cho kết quả sai 47 Hình 5.6: Các phép xử lý hình thái cho kết quả đúng 48 Hình 5.7: Xử lý hình thái và kết quả đếm tương ứng 49 Hình 5.8: Xử lý hình thái và kết quả đếm tương ứng 51 Hình 5.9: Một vài kết quả xử lý hình thái khác 52 Hình 5.10: (a), (b) ảnh cần xử lý; (c), (d) là ảnh đã được loại bỏ các đốm nhỏ 53 Hình 5.11: Phát hiện đối tượng với ngưỡng khác nhau 54 Hình 5.12: Dán nhãn 55 Hình 5.13: Kết quả dán nhãn và đánh dấu hộp biên 56 Hình 5.14: Sơ đồ khối đếm tổng số xe cho nhiều khung trong video; xn và xn-1 lần lượt là số xe đếm được của khung hiện tại và khung liền kề trước đó 57 Hình 5.15 : Kết quả đếm 59 xii
14. Chương 1 TỔNG QUAN 1.1. Tổng quan về lĩnh vực nghiên cứu, các kết quả nghiên cứu trong và ngoài nước đã công bố. 1.1.1. Tổng quan về lĩnh vực nghiên cứu Việc theo dõi trực tiếp bằng các thiết bị theo dõi hiện đại (camera) là một trong những chủ đề được phát triển và nghiên cứu rất nhiều trong những năm gần đây. Dựa vào sự phát triển không ngừng của kĩ thuật xử lý hình ảnh đã giúp cho con người dễ dàng hơn trong việc triển khai các hệ thống theo dõi tự động thông minh hơn điển hình như nó có phát hiện đối tượng chuyển động, phân loại đối tượng, bám đối tượng chuyển động, dự đoán các hành vi của đối tượng Vì những lý do đó mà các hệ thống theo dõi được ứng dụng ngày một rộng rãi hiện nay trong nhiều lĩnh vực của đời sống xã hội. Một trong những hệ thống theo dõi được sử dụng khá phổ biến hiện nay là hệ thống theo dõi camera giao thông. Hệ thống này có thể nhận về mật độ các phương tiện lưu thông trên một tuyến đường từ đó hệ thống sẽ đưa ra các tín hiệu cảnh báo cho các tài xế. Điều này góp phần không nhỏ trong việc điều tiết giao thông, nhất là với tình hình giao thông của nước ta hiện nay. Việc phát hiện đối tượng chuyển động không chỉ giúp ích trong việc theo dõi các đối tượng chuyển động để phát hiện mật độ xe trên một hệ thống giám sát trực tiếp mà còn mang lại nhiều ứng dụng trong cuộc sống. Các đối tượng được phát hiện nhờ những thông tin trong một khung ảnh. Có rất nhiều hướng tiếp cận để giải quyết vấn đề trên sử dụng nhiều thuật toán và phương pháp khác nhau. Theo nhóm tác giả Alper Yilmaz, Omar Javed và Mubarak Shah [1], họ đã phân loại các hướng tiếp cận này thành những loại như bảng 1.1. Trang 1
15. Bảng 1.1: Phân loại các thuật toán phát hiện đối tượng Loại Những nghiên cứu liên quan Moravec’s detector Harris detector Point detectors Scale Invariant Feature Transform Affine Invariant Point Detector Mean-shift Segmentation Graph-cut Active contours Mixture of Gaussians Eigenbackground Background Modeling Wall flower Dynamic texture background Support Vector Machines Supervised Classifier Neural Networks Adaptive Boosting Qua bảng trên ta thấy có nhiều hướng tiếp cận để xử lý vấn đề phát hiện đối tượng. Tuy nhiên việc lựa chọn phương pháp áp dụng thì dựa vào tình huống cụ thể. Đối với trường hợp có ảnh nền không thay đổi thì việc phát hiện đối tượng chuyển động có thể được thực hiện bằng các phương pháp trừ nền. Chi tiết về các giải thuật này sẽ được trình bày ở phần sau. Hướng giải quyết thường gặp là xây dựng mô hình nền, sau đó sử dụng mô hình này cùng với khung (frame) hiện tại để từ đó rút ra được các đối Trang 2
16. tượng (foreground) chuyển động. Ưu điểm của giải thuật này là đơn giản. Để có thể tiếp cận theo hướng này thì ta cần phải xây dựng được mô hình nền (background). Có rất nhiều phương pháp xây dựng mô hình nền như: Anurag Mittal dùng adaptive kernel density estimation để xây dựng mô hình nền [2]. Phương pháp này cho kết quả tốt tuy nhiên gặp khó khăn về không gian lưu trữ, tính toán phức tạp, tốc độ không đáp ứng thời gian thực. Stauffer sử dụng Mixture of Gaussian [3] để xây dựng mô hình nền Sau khi đã phát hiện ra được các đối tượng chuyển động thì việc xác định xem những đối tượng này có đúng là những đối tượng ta cần phát hiện hay không cũng là một khó khăn lớn phải đối mặt. 1.1.2. Một số kết quả nghiên cứu đã công bố Năm 2009 Serap Kazan và Musa Balta [4] đã ước lượng mật độ giao thông sử dụng hệ thống quan sát máy tính thời gian thực. Phương pháp được sử dụng là tìm sự khác nhau giữa 2 khung sau đó xử lý ngưỡng, chọn ngưỡng tối ưu để nhị phân ảnh. Sử dụng phép xử lý hình thái để loại bỏ nhiễu và lấp đầy các khe hở. Cuối cùng phương pháp tìm số thành phần kết nối lân cận được sử dụng để tính số xe trong ảnh nhị phân. Phương pháp này cho kết quả tốt trong trường hợp góc quay của camera gần và rõ nhưng gặp thách thức khi camera đặt ở vị trí không thuận lợi. Năm 2012 G. SalviAn [5] dựa trên phân tích Blob để tính xe tự động trong hệ thống giám sát giao thông. Phương pháp thực hiện là trừ nền, phát hiện Blob, phân tích Blob dùng phương pháp k-means clustering, theo vết Blob và tính số phương tiện. Hệ thống cho kết quả chính xác cao và đảm bảo tính thời gian thực. Tuy nhiên hạn chế của hệ thống này là chưa phân loại được xe (xe máy, xe tải, xe ôtô ) di chuyển trên đường. Năm 2012 Pejman Niksaz [6] đã nghiên cứu và thực thi hệ thống ước lượng mật độ phương tiện trên đường cao tốc dùng xử lý ảnh. Phương pháp nghiên cứu là chuyển ảnh RGB thành ảnh xám, tăng cường ảnh và xử lý hình thái. Phương pháp này được thực thi trên phần mềm Matlab nên chi phí thấp nhưng vẫn cho kết quả chính xác ở tốc độ Trang 3
17. cao. Ưu điểm của phương pháp này là không sử dụng cảm biến. Tuy nhiên nhược điểm lớn nhất của nó là rất nhạy với ánh sáng. Năm 2013 P. Srinivas và Y.L. Malathilatha [7] cũng đã đề xuất để thực thi một hệ thống đèn giao thông thông minh trong thời gian thực dùng xử lý ảnh. Phương pháp thực hiện là trừ nền, cập nhật nền, phương pháp phát hiện biên và tính số phương tiện dùng thuật toán Moore-neighborhood. Kết quả cho thấy phương pháp phát hiện biên Canny cho kết quả tốt hơn so với hai phương pháp phát hiện biên khác là Boolean và Marr-Hildreth. Năm 2015 Mrs. Muth Sebastian, Anisha Ann Sam và một số cộng sự [8] cũng đã thảo luận phương pháp để giảm được tần suất tai nạn ở những đoạn đường quanh co bằng cách chỉ ra số lượng xe và tốc độ các xe đang đến gần trên màn hình. Phương pháp được sử dụng là mô hình Gaussian hỗn hợp (GMM), lọc nhiễu cho mô hình GMM, phát hiện Blob, phân tích Blob, tính số phương tiện và tốc độ của nó. Trong đó tốc độ được giám sát bằng cách phát hiện vị trí của xe di chuyển và vị trí điểm tham chiếu, giá trị này được so sánh với số khung đã biết trước. Một số công trình nghiên cứu khác [9-10]. Qua những nghiên cứu đã trình bày ở trên ta có thể nhận thấy rằng hầu hết các bài báo đều phát hiện đối tượng (xe) bằng phương pháp trừ nền. Phương pháp trừ nền được sử dụng nhiều vì nền (đường) trong camera giao thông thường là nền tĩnh. Một số phương pháp trừ nền đã được Massimo Piccardi [11] tổng hợp lại như bảng 1.2. Trang 4
18. Bảng 1.2: Phương pháp trừ nền và phân tích hiệu suất Method Speed Memory Accuracy Running Gaussian average L L L/M Temporal median filter ns ns L/M Mixture of Gaussians m m H Kernel density estimation (KDE) n n H Sequential KD approximation m+1 m M/H Cooccurence of image variations 8n/N2 nK/N2 M Eigenbackgrounds M n M 1.2. Mục tiêu của đề tài Mục tiêu của đề tài là xây dựng hệ thống tính lưu lượng xe trên một tuyến đường từ camera giao thông, từ đó đưa ra cảnh báo về mật độ phương tiện, góp phần vào việc điều tiết giao thông, giảm tình trạng kẹt xe ở các đô thị hiện nay. 1.3. Nhiệm vụ và giới hạn của đề tài 1.3.1. Nhiệm vụ: - Nghiên cứu các thuật toán trừ nền cơ bản, xây dựng mô hình Gaussian để tách các xe di chuyển ra khỏi nền đường. - Tìm hiều về phép xử lý ảnh hình thái, phương pháp dán nhãn để tính số xe trong một khung ảnh và tổng số xe trong video thu được từ camera giao thông. 1.3.2. Giới hạn: - Xử lý video không trực tuyến - Chưa phân loại được xe Trang 5
19. 1.4. Phương pháp nghiên cứu Phương pháp nghiên cứu tài liệu: thu thập thông tin tài liệu, sách báo điện tử liên quan đến lĩnh vực nghiên cứu, xử lý các thông tin cùng với việc quan sát và thực hiện mô phỏng trên phần mềm Matlab. Trang 6
20. Chương 2 KHÁI QUÁT XỬ LÝ ẢNH 2.1. Xử lý ảnh 2.1.1. Giới thiệu Xử lý ảnh là một lĩnh vực mang tính khoa học và công nghệ. Nó là một ngành khoa học mới mẻ so với nhiều ngành khoa học khác nhưng tốc độ phát triển của nó rất nhanh, kích thích các trung tâm nghiên cứu, ứng dụng, đặc biệt là máy tính chuyên dụng riêng cho nó. Quá trình xử lý ảnh được xem như là quá trình thao tác ảnh đầu vào nhằm cho ra kết quả mong muốn. Kết quả đầu ra của một quá trình xử lý ảnh có thể là một ảnh “tốt hơn” hoặc một kết luận [12]. 2.1.2.Một số ứng dụng cơ bản trong xử lý ảnh Xử lý ảnh là một trong những ngành khoa học mới nhưng có những thành tựu và khả năng ứng dụng trong nhiều lĩnh vực [13]. - Công việc văn phòng: nhận dạng ký tự quang học, xử lý tài liệu, nhận dạng kịch bản, nhận dạng logo và biểu tượng, xác định vị trí địa chỉ trên phong bì tài liệu và một số ứng dụng khác. - Công nghiệp tự động hóa: Công nghệ chế tạo rô-bốt, máy công nghiệp, sản xuất. - Xử lý ảnh y tế: Phân tích ảnh điện tâm đồ ECG- Electrocardiogram, điện não đồ EEG- Electroencephalogram, đo điện cơ EMG- Electromyography, phân tích ảnh X-quang và nhiều ứng dụng quan trọng khác. - Remote sensing: Nghiên cứu và quản lý tài nguyên thiên nhiên, kiếm soát ô nhiễm môi trường và các nghiên cứu khác. Trang 7
21. - Kiểm soát tội phạm (Criminology): nhận dạng vân tay, đối sánh mặt người, giám định pháp y. - Ứng dụng trong khoa học vũ trụ: phân tích ảnh viễn thám. - Khí tượng học: dự báo thời tiết, xác định thay đổi thời tiết dựa vào ảnh thu nhận từ vệ tinh, phân tích mẫu mây. - Công nghệ thông tin: truyền tín hiệu fax, hội thảo từ xa Và nhiều ngành khoa học khác như giải trí, in ấn, nghệ thuật. 2.1.3. Xử lý video Video là một tập hợp các khung hình (frames). Mỗi khung hình là một hình ảnh, là đơn vị dữ liệu cơ bản nhất của video. Video có thể được hiểu là một chuỗi các hình ảnh liên tiếp. Để mắt người có thể cảm nhận được sự chuyển động của các hình ảnh thì các khung hình phải được phát liên tục với một tốc độ nhất định. Thông thường, tốc độ đó là 25 hình/giây hoặc 30 hình/giây. Hình 2.1: Khung hình Không gian độ xám chỉ có một thành phần, biến đổi từ đen đến trắng. Không gian độ xám thường được sử dụng trong hiển thị và in trắng đen. Trang 8