Nghiên cứu so sánh các thuật toán xử lý ảnh tính độ sâu ảnh stereo ứng dụng trong hệ thống camera thị giác

Nội dung text: Nghiên cứu so sánh các thuật toán xử lý ảnh tính độ sâu ảnh stereo ứng dụng trong hệ thống camera thị giác

1. Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 Nghiên cứu so sánh các thuật toán xử lý ảnh tính độ sâu ảnh stereo ứng dụng trong hệ thống camera thị giác Bạch Ngọc Minh* Trung tâm Phát triển Đại học Quốc gia Hà Nội, 144 Xuân Thủy, Hà Nội, Việt Nam Nhận ngày 16 tháng 7 năm 2014 Chỉnh sửa ngày 18 tháng 8 năm 2014; Chấp nhận đăng ngày 22 tháng 9 năm 2014 Tóm tắt: Có ba phương pháp cơ bản để so sánh sự tương hợp giữa hai ảnh là SAD, SSD và NCC. Phương pháp NCC sử dụng sự tương quan chéo giữa các điểm ảnh nên các phép toán rất phức tạp. Chúng bao gồm phép toán bình phương, tổng, tích các tổng, khai căn nên việc thực hiện chắc chắn rất tốn thời gian. Còn hai phương pháp SAD và SSD có độ phức tạp của thuật toán không khác biệt quá lớn nên chúng ta cần làm một thực nghiệm để kiểm chứng chất lượng bản đồ độ sâu và tốc độ thực hiện. Từ đó chọn ra một phương pháp thích hợp hơn So sánh thời gian chạy giữa hai giải thuật SAD và SSD cho thấy việc lựa chọn các thuật toán SAD là hợp lý hơn, bởi vì các thuật toán SSD cần gần gấp đôi thời gian chạy. Phương pháp SAD có thể giải quyết vấn đề đối với việc tìm độ sâu trong ảnh 3D. Một điểm ở không gian lấy ảnh ở hai ống kính máy tại hai vị trí khác nhau. Chính vì thế nên trước khi tìm được độ sâu của điểm ảnh, ta cần tìm được các điểm ảnh tương ứng đã. Phương pháp SAD là phương pháp đơn giản nhất để tìm được điểm ảnh đó. Phương pháp SAD lại có nhiều cách tính toán, tính theo phương pháp SAD truyền thống, phương pháp SAD điều chỉnh (dựa vào biên ảnh), phương pháp SAD phân đoạn ( phân vùng ảnh). Ở đây ta lại lựa chọn giữa 2 phương pháp SAD điều chỉnh và SAD phân đoạn giảm 20% so với SAD truyền thống. Tiếp theo chúng ta xem xét các thuật toán SAD phân vùng lai được tạo ra bởi sự kết hợp của hai kỹ thuật: Belief Propagation và các thuật toán phân đoạn Mean Shift. Cách tiếp cận này kết hợp những ưu điểm của cả hai phương pháp phân đoạn. Các thuật toán Mean Shift cho kết quả nhanh chóng và Belief Propagation thực hiện phân đoạn rất chính xác. Từ khóa: Phân vùng ảnh, Belief Propagation, Mean Shift, SAD , hình ảnh 3D. * 1. Giới thiệu giác là khó khăn hơn là dùng cảm biến nhưng bù lại thì cách thức này cung cấp cho rô bốt và Một xu hướng phát triển mới là rô bốt sử con người những dữ liệu trực quan sinh động và dụng camera thị giác để quan sát như mắt đầy đủ. người. Mặc dù việc chiết xuất dữ liệu từ ảnh thị Khi xử lý tín hiệu ảnh stereo thị giác ___ thường có hai khâu (Hình 1). * ĐT.: 84-913550789 Email:minhbn@vnu.edu.vn. 26
2. B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 27 * Khâu đầu tiên là khâu tiền xử lý có nhiệm * Khâu thứ hai các ứng dụng thị giác như vụ lấy ra các dữ liệu có chứa thông tin hữu ích ứng dụng tái tạo môi trường 3D, tìm đường, cho việc phát triển các ứng dụng thị giác stereo phát hiện đối tượng thời gian thực. Hình 1. Quá trình xử lý dữ liệu ảnh stereo thị giác. Trong khâu tiền xử lý, có một đặc điểm tiên của hệ thống. Sau đó, các kỹ thuật xử lý để chính là khối lượng dữ liệu thu thập bằng trích ra nội dung của ảnh sẽ được bàn đến. Các camera rất lớn (lớn hơn nhiều lần so với dữ liệu thuật toán cơ bản để dựa vào đó mà có các thu thập bằng cảm biến) cần được xử lý. nghiên cứu hoàn thiện hơn. Mọi cách giải quyết mới đều phải được 1.1. Ảnh 3D: Là ảnh mà bản thân nó có chứa phát triển trên một nền tảng sẵn có. Ở phần tiếp, nội dung về chiều sâu. Các điểm ảnh ngoài các các kỹ thuật cơ bản của xử lý ảnh 3D sẽ được giá trị về màu sắc, tọa độ theo hai trục cơ bản đưa ra để làm cơ sở phát triển cho các thuật còn có giá trị về chiều sâu. Để tạo nên được tấm toán về sau. Bước đầu tiên, chúng ta sẽ tìm hiểu ảnh 3D, người ta thực hiện đồng thời hai tấm về ảnh 3D và máy quay 3D, nền tảng cơ sở đầu ảnh về cùng một nội dung nhưng khác hướng. Hình 2. Một cảnh trong phim 3D.
3. 28 B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 (Hình 2) thể hiện một tấm ảnh 3D được Ảnh 3D có nhiều ứng dụng hơn là để giải theo dõi bằng mắt kính chuyên dụng. Ảnh trên trí. Nó có khả năng lưu trữ độ sâu điểm ảnh nên được cấu tạo từ hai tấm ảnh khác nhau được cũng được sử dụng cho các ứng dụng yêu cầu trộn bởi 2 dải màu khác nhau. Khi nhìn ảnh trên độ sâu điểm ảnh. Nói cách khác, từ một tấm ảnh bằng kính mắt chuyên dụng, mỗi mắt của người 3D, chúng ta có thể mô tả lại không gian hoặc xem sẽ thấy một ảnh. Sự chênh lệch vị trí trong lấy những thông tin hữu ích từ độ sâu điểm ảnh 2 tấm ảnh nhìn thấy sẽ tạo nên cảm giác về độ [1]. Các đối tượng 3D cũng có thể được trích ra sâu cho người xem. Thực tế, khi tách hai tấm từ một tấm ảnh 3D. ảnh của một ảnh 3D, chúng ta sẽ có thể nhận được những bức ảnh tương tự như trong ( Hình 3). a b Hình 3. Ảnh 3D sau khi tách ra. a: Ảnh nhìn thấy ở mắt trái; b: Ảnh nhìn thấy ở mắt phải 1.2. Stereo camera: Là thiết bị thu ảnh 3D hoặc Hình 4)[2]. Hai ống kính của một stereo-camera thu phim 3D. Về cơ bản, stereo camera cũng được sử dụng để lấy hai hình ảnh trong một ảnh giống những máy ảnh hoặc máy quay chuyên 3D. dụng khác, nhưng nó có hai ống kính mắc song song ( Hình 4. Hệ thống Stereo camera Bumblebee [3].
4. B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 29 (Hình 5). thể hiện hoạt động của một stereo 1.3.Tính toán bản đồ chênh lệch: Là một trong camera [3]. Các chi tiết sẽ được thu vào 2 tấm những vấn đề quan trọng trong thị giác máy tính 3D. Một số lượng lớn các thuật toán đã ảnh thông qua 2 ống kính của camera cùng một được đề xuất để giải quyết vấn đề này [4],[5]. lúc. Lúc này, tọa độ của điểm ảnh thu được trên Một trong những phương pháp tương đối mới là hai tấm sẽ có một độ lệch nhất định, ta gọi độ Cải thiện tính toán Bản đồ độ sâu từ hình ảnh lệch đó là . stereo theo phương pháp lai. Đối với các cặp hình ảnh stereo đã được chỉnh sửa epipolar, mỗi điểm trong hình ảnh bên trái nằm trên đường nằm ngang ( đường epipolar ) có thể có điểm ảnh tương ứng trong hình ảnh bên phải. Cách tiếp cận này được sử dụng để làm giảm không gian tìm kiếm chiều sâu bản đồ thuật toán tính toán. Chiều sâu của một điểm ảnh là khoảng cách điểm không gian tương ứng tới trung tâm máy ảnh. Để ước tính bản đồ độ sâu và phát hiện các đối tượng 3D, các điểm ảnh tương ứng trong những ảnh trái và ảnh phải cần được phát hiện. Thuật toán này bao gồm các giai đoạn sau đây (Hình 6) : 1. Thu thập hình ảnh, 2. Hình học Epipolar và cải thiện hình ảnh, 3. Phân đoạn, 4. Thuật toán phù hợp stereo, Hình 5. Hoạt động của stereo camera. 5. Ước lượng bản đồ độ sâu. Đầu tiên, biến dạng xuyên tâm và tiếp tuyến Ta có: của ống kính được loại bỏ bằng cách hiệu chỉnh = x1 – x2 (1-1) máy ảnh bởi các thông số bên trong và bên ngoài máy ảnh. Để làm được điều này cần có sự Và khoảng cách từ điểm A đến camera sẽ hiểu biết về các thông số máy ảnh với mục đích được tính: khắc phục cả hai hình ảnh. Sau khi hiệu chỉnh, (1-2) hình ảnh được tách ra thành các khu vực bằng cách sử dụng các thuật toán phân chia lai được đề xuất. Cuối cùng, thuật toán phù hợp stereo Như vậy, từ các tọa độ ảnh thu được của được áp dụng trên các hình ảnh phân đoạn trái điểm A trên hai tấm ảnh trái phải, ta sẽ thu và phải với mục đích để tìm tất cả các tương được khoảng cách từ camera tới điểm A. quan (điểm phù hợp) và gán chiều sâu cho từng Khoảng cách này còn được gọi là độ sâu điểm phân đoạn. Đầu ra của thuật toán phù hợp ảnh ký hiệu bằng z. stereo là các bản đồ độ sâu.
5. 30 B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 Trái Hình ảnh vào Hiệu chỉnh ảnh Trái Phân khúc Ảnh stereo phù hợp Phải Phải Độ sâu Các thông số hiệu chuẩn Mô hình hiệu chuẩn Bản đồ độ sâu (Bàn cờ) Hình 6. Thuật toán SAD phân vùng [6]. Trong phần tiếp theo, mục 2.1 trình bày về được chọn để hiệu chỉnh được một cách rõ ràng tổng quan về hiệu chuẩn máy ảnh cơ bản. Hình các vị trí của chúng. Người ta thường dùng một bàn cờ đơn giản có thể đạt được mục đích này. ảnh cải tiến dựa trên phân đoạn được mô tả trong mục 2.3. Phương pháp phân đoạn Mean 2.2. Chỉnh sửa hình ảnh: Chỉnh sửa hình ảnh Shift và Belief Propagation được trình bày (Hình 7) là cần thiết để giảm độ phức tạp tính trong mục 6 và mục 7. Tại mục 8 trình bày về toán điểm ảnh tương ứng trong hình ảnh trái và thuật toán SAD phân vùng lai. Cuối cùng là kết bên phải. Mục đích của việc cải thiện hình ảnh quả thực nghiệm và kết luận được trình bày ở là để tìm đường epipolar của hai hình ảnh theo mục 9 và mục 10. liên kết chiều ngang. Điều này có thể được thực hiện bằng cách sử dụng các biến đổi tuyến tính xoay, dịch và nghiêng hình ảnh. Các thông số nội bộ camera và thông tin về định hướng và vị 2. Cải thiện hình ảnh trí máy ảnh được sử dụng trong các phép biến đổi. 2.1. Hiệu chuẩn máy ảnh: Để áp dụng các kỹ thuật khác nhau cho ảnh stereo với một mức độ Các điểm 3D được phản chiếu thành các hợp lý chính xác, điều quan trọng là để hiệu chỉnh hệ thống camera. Nó là một quá trình tìm điểm trong hình ảnh stereo trái và phải. Sau khi kiếm các thông số bên trong và bên ngoài của cải thiện theo (Hình 8), các đường epipolar của máy ảnh. Các phương pháp hiệu chuẩn cổ điển hai điểm phản chiếu là song song theo chiều dựa trên các mẫu hiệu chuẩn đặc biệt chuẩn bị, ngang và liên kết dọc theo mặt phẳng hình ảnh các đối tượng với kích thước và vị trí được biết mới. Các điểm được nằm trên cùng một đường đến trong một hệ tọa độ nhất định. Sau đó, các dây epipolar [7]. Do đó vấn đề phù hợp stereo tính năng, chẳng hạn như góc và đường, được được giảm xuống tìm kiếm một chiều dọc theo chiết xuất từ một hình ảnh của mô hình chuẩn. Đối tượng với các tính năng có ý nghĩa thường các đường ngang, thay vì tìm kiếm hai chiều như nó được hiển thị trong (Hình 8) [8],[9].
6. B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 31 Cửa sổ tìm kiêm Điểm ảnh tương ứng Đường epipolar Trung tâm chiếu Hình 7. Ảnh stereo trước khi chỉnh sửa. Đường epipolar Hình 8. Ảnh stereo sau khi chỉnh sửa. 2.3. Phân đoạn hình ảnh màu: Trong phần này, 4. Với mọi , tồn tại hai phương pháp phân chia màu sắc được mô tả: Belief Propagation, Mean Shift. Mục tiêu của việc phân vùng ảnh là chia toàn bộ hình ảnh thành một tập hợp các phân đoạn bao gồm các trong đó R đại diện cho toàn bộ hình ảnh, Ri (i hình ảnh. Các phân đoạn cuối cùng phải đáp = 1, 2, , n) là các phân đoạn không rỗng, ứng đầy đủ bốn điều kiện sau [10]: không chung nhau của R, P(Ri) là thuộc tính giống nhau của tất cả các yếu tố trong Ri và 0 đại diện cho một tập rỗng. Tổng kết công tác 1. phân đoạn phải bao gồm tất cả các điểm ảnh 2. Với mọi i và j, , tồn tại trong hình ảnh. Đây là điều kiện tiên quyết. 3. Với thì bắt buộc Điều kiện thứ hai thể hiện các phân đoạn khác nhau không chồng chéo nhau. Điều kiện thứ ba thể hiện rằng các điểm ảnh trong cùng phân
7. 32 B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 đoạn phải có chung thuộc tính. Các thuộc tính ba phương pháp phổ biến nhất là phương pháp phải khác nhau là điều kiện cuối cùng. dựa trên sự khác biệt cường độ tuyệt đối (AD), Có một số thuật toán đã được đề xuất để phương pháp dựa trên sự khác biệt cường độ giải quyết vấn đề này. Tuy nhiên, tất cả các bình phương (SD) và phương pháp dựa trên sự thuật toán này đều sử dụng hàm chi phí kết hợp tương quan chéo chuẩn (NCC). để thiết lập sự tương ứng giữa hai điểm ảnh. Có 2.4. Các phương pháp thị giác stereo chính được thể hiện về mặt toán học như sau: 1- Phương pháp tổng sự khác biệt tuyệt đối (SAD - Sum of Absolute Differences): (2-3) Theo công thức (2-3), việc tính giá trị chênh thực tính SAD với cửa sổ 3x3, hoặc 5x5 hoặc lệch của điểm (x,y) được thực hiện bằng phép 7x7 hoặc 11x11. Phạm vi chênh lệch d thường tính hiệu trong cửa sổ W. Do đó thuật toán đơn chọn dưới 120 với các giá trị tham khảo như 16, giản. Cửa sổ W và phạm vi chênh lệch d càng 50, 128. [11-13]. lớn thì số phép tính tăng. Thông thường có thể 2- Phương pháp tổng bình phương khác biệt (SSD – Sum of Squared Differences): (2-4) Phương pháp này tính tổng của các bình nhân trước khi tính tổng. Do đó độ phức tạp phương của các hiệu nên xuất hiện thêm phép tăng lên đáng kể [19]. 3- Phương pháp dựa trên sự tương quan chéo chuẩn (NCC) (2-5) Trong đó Il, Ir là những giá trị cường độ tức là, cho mỗi điểm ảnh (x, y) và cho giá trị trong hình ảnh trái và phải, (x, y) là tọa độ của không đổi có sự khác nhau d, chi phí tối thiểu điểm ảnh, d là giá trị sai lệch được xem xét và được lựa chọn. Phương trình (2-6) được dùng W là cửa sổ phức hợp. Việc lựa chọn các giá trị cho phương pháp SAD. Tuy nhiên, trong nhiều sai lệch thích hợp cho mỗi điểm ảnh được thực trường hợp lựa chọn khác biệt là một quá trình hiện sau đó. lặp đi lặp lại, vì độ chênh lệch của mỗi điểm Phương pháp này có độ phức tạp cao nhất ảnh là tùy thuộc vào sự chênh lệch của các điểm vì xuất hiện các phép toán tiêu tốn nhiều tài ảnh lân cận [14]. nguyên của máy tính như phép bình phương, Các thuật toán phân vùng lai là một sự kết khai căn. Do đó việc ứng dụng của thuật toán hợp với phương pháp SAD được áp dụng phù này trong các hệ thống thời gian thực là không hợp với hình ảnh stereo để tinh chỉnh các bản khả thi. đồ độ sâu cuối cùng . Cả hai, các thuật toán phù hợp với âm thanh stereo dựa trên phương pháp (2-6) mà không SAD phân đoạn và cách tiếp cận lai
8. B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 33 đề xuất dựa trên phương pháp phân khúc hybrid có vẻ là thuật toán hiệu quả hơn để sản xuất là hiệu quả. tin.Tập hình ảnh đã được tính toán bản đồ chênh lệch sạch hơn với các khu vực trên 2,8 GHz bộ xử lý Intel Core i5 với 4 GB bộ đồng nhất. Mặt khác, các thuật toán phù hợp nhớ DDR3 và kit phát triển FPGA DE2 để mô với hình ảnh stereo dựa trên phương pháp SAD phỏng. sản xuất một bản đồ chiều sâu rõ ràng về hiện Kết quả thực nghiệm SAD trường. Hơn nữa, nó tạo ra một chất lượng cao Độ phân giải Cửa sổ Thời gian(s) hơn và ít lỗi gây ra bởi tắc phân đoạn hình ảnh. 400x266 3x3 46 400x266 5x5 58.5 Nó được áp dụng cho các hình ảnh stereo chụp 400x266 9x9 105 bởi máy ảnh lập thể của chúng tôi. Bộ dữ liệu thử nghiệm của chúng tôi bao gồm 25 cặp hình Kết quả thực nghiệm SSD ảnh stereo thực sự trong màu xám quy mô với kích thước 800x600 pixels. (Hình 28) Độ phân giải Cửa sổ Thời gian(s) 400x266 3x3 106.5 Kết quả là, cần thiết có nhiều lần lặp lại để 400x266 5x5 335 tìm ra các thiết lập tốt nhất của sự chênh lệch. 400x266 9x9 891 Giai đoạn này tạo nên sự khác biệt giữa thuật Thời gian tính toán cho các thuật toán SAD toán địa phương với thuật toán toàn cục. Quá là khoảng 105 giây và cho phương pháp phân trình tính toán thường thêm một bước nữa để vùng lai 29 giây, tương ứng. Các thuật toán kết quả tốt hơn gọi là khâu lọc (Hình 9). phù hợp với hình ảnh stereo dựa trên SAD lai Tập hợp Lựa chọn Tính toán chi Hình ảnh chi phí phù chênh lệch Sàng lọc Bản đồ đầu vào phí phù hợp kết quả chênh lệch hợp Hình 9. Sơ đồ khối tổng quát của một thuật toán tương ứng stereo. 3. Phương pháp SAD truyền thống: Ảnh trái Chuyển đổi Tính Bản đồ chênh lệch ảnh xám SAD Từ hệ thống camera stereo Chuyển đổi ảnh xám Ảnh phải Hình 10. Sơ đồ khối tổng quát của phương pháp SAD truyền thống.
9. 34 B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 Như đã phân tích ở phần 2.4, phương pháp thước cửa sổ tính toán và L là khoảng cách yêu SAD là phương pháp để nhận diện rất thuận cầu tính toán. Với công thức trên, giả sử cứ mỗi tiện. Song, bên cạnh ưu điểm của phương pháp 1.5 triệu phép tính hàm chạy trong 1 giây, tấm này, nó còn có một số khuyết điểm về thời gian ảnh xử lý với kích thước 640x480 pixel, kích đáp ứng và xác suất lỗi. thước cửa sổ là 5x5 pixel và khoảng cách thực Công thức (3-7) thể hiện tốc độ của thuật hiện là 50 pixel. toán này áp dụng vào việc tính Bản đồ chênh lệch. Khi đó, thời gian phép toán là 25.6 giây. (3-7) Đây là một khoảng thời gian lớn, hay nói cách khác là tốc độ tính toán của phép toán là khá Trong công thức này, t là thời gian chạy chậm. chương trình, S là số điểm cần tính, W là kích a b c d e f Hình 11. Các kết quả tính SAD thông thường. a) Ảnh trái gốc, b) Ảnh phải gốc, c) Bản đồ chênh lệch mong muốn, d) Bản đồ chênh lệch tính bằng phương pháp SAD với cửa sổ 5x5, e) Bản đồ chênh lệch tính bằng phương pháp SAD với cửa sổ 7x7, f) Bản đồ chênh lệch tính bằng phương pháp SAD với cửa sổ 11x11. Mặc dù tốc độ tính toán rất chậm, kết quả Nhận xét, ứng với các hình trên, lỗi cục bộ tính toán lại không chính xác hoàn toàn. Lỗi xảy ra nhiều ở những thuật toán sử dụng cửa sổ của phương pháp SAD rất thường xuyên xảy ra so sánh nhỏ. Tuy nhiên, hình dáng của các vật do nhầm lẫn trong quá trình tính toán. (Hình thể trong thuật toán lại được giữ gần nhất với 11) thể hiện một số kết quả tính bản đồ sai lệch hình dáng thực của nó. Sử dụng cửa sổ lớn hơn sẽ cho lỗi cục bộ ít hơn, nhưng hình dáng của bằng phương pháp SAD với các cửa sổ 5x5, các vật thể lại bị sai sót đáng kể so với thực tế. 7x7 và 11x11 thực hiện trên ảnh Teddy [14]. Hơn thế nữa, các lỗi lớn vẫn không thể giảm thiểu trong thuật toán này.
10. B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 35 hộ thì sẽ phải tốn chi phí rất lớn về khả năng tính toán mà chưa chắc đã hiệu quả. Vì vậy, phương pháp này cần phải được cải thiện để có được kết quả tốt hơn và phù hợp hơn cho hệ thống thực. 4. Phương pháp SAD điều chỉnh: Sau khi phân tích những nhược điểm của phương pháp xác định bản đồ chênh lệch dựa Hình12. Tốc độ phép toán SAD với các kích thước trên phương pháp SAD truyền thống, tôi muốn cửa sổ khác nhau. đề xuất một phương pháp tốt hơn về chất lượng cũng như tốc độ. 12) thể hiện thời gian của thuật toán đo dựa trên đầu vào là một tấm ảnh có kích thước (Hình 13) thể hiện các bước của phương 450x375. Như vậy, tốc độ của thuật toán khá pháp mới nhằm lấy được bản đồ chênh lệch. bé, không thích hợp cho một hệ thống xử lý trên Những mục tiếp theo của chương 3 sẽ thể hiện robot, kể cả khi đã loại bỏ tất cả các lỗi. rõ từng bước của phương pháp này và ý nghĩa của chúng. Lỗi của phương pháp SAD là do đâu? Phương pháp SAD dựa trên sự so sánh độ khác 4.1. Phương pháp SAD đối với đường biên biệt giữa các cửa sổ ảnh. Theo như ý tưởng thuật toán thì ảnh của các điểm ở hai tấm ảnh là Là phương pháp dựa trên phương pháp giống nhau nhất. Như vậy, kết quả tính toán của SAD nhưng chỉ áp dụng với những điểm thuộc thuật toán này thực sự không hiệu quả cho hệ đường biên. Với cách này, tôi kỳ vọng sẽ có thống dẫn đường chạy trên robot. Nếu thực sự được kết quả chính xác hơn với tốc độ tính toán triển khai một hệ thống như vậy trên robot cứu cao hơn. Hình 13. Phương pháp SAD điều chỉnh.
11. 36 B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 Ảnh trái Bản đồ Chuyển đổi Phát hiện biên chênh ảnh xám ảnh Tính lệch SAD Từ hệ thống camera stereo Chuyển đổi Phát hiện biên ảnh xám ảnh Ảnh phải Hình 14. Sơ đồ khối tổng quát của phương pháp SAD điều chỉnh. Giả sử có một cách nào đó, tôi có thể giảm toán, bước đầu ta cũng có thể tránh được sự số điểm trong tập hợp dữ liệu cần tính xuống nhầm lẫn gây ra bởi các điểm lân cận, lỗi nhiều còn 20% so với ban đầu. Như vậy, tốc độ của nhất trong những phép toán trước. thuật toán có thể sẽ tăng lên đến 5 lần hay thời Đường biên còn giúp tạo ra kết quả nội suy gian tính toán sẽ giảm xuống 5 lần. Thật vậy, chính xác hơn về sau . Như vậy, khi có được theo phương trình (3 -7) nếu S giảm đi 5 lần và toàn bộ đường bao của đối tượng và độ sâu của các giá trị khác vẫn giữ nguyên, ta sẽ có t giảm tất cả các điểm trên nó, ta có thể suy ra độ sâu 5 lần. Như vậy, tôi sẽ tìm những điểm đáng tin của những điểm còn lại. cậy nhất để tính toán bản đồ chênh lệch nhằm Dưới những lý do trên, tôi chọn đường biên giảm lỗi và tăng tốc độ. là những điểm sẽ được tính toán độ sâu trực tiếp. (Hình 16) là một sự so sánh kết quả tính bản đồ chênh lệch dựa trên đường biên là 20% bức ảnh, đường biên là 30% bức ảnh và toàn bộ bức ảnh. Với kết quả đã thể hiện trong (Hình 16), chúng ta rút ra một số nhận xét: * Kết quả của thuật toán chính xác hơn đối với những đường biên. Số đường biên tính toán càng nhỏ, độ chính xác càng cao. * Khi số điểm làm đường biên được tính toán nhỏ đến một ngưỡng nào đó thì kích thước Hình.15. Đường biên cũng là đường bao đối tượng. cửa sổ tính toán không còn ảnh hưởng đến kết quả tính toán nữa. Những điểm được chọn là những điểm Với nhận xét thứ 2, ta hiển nhiên có thể mang tính phân biệt cao, hay nói cách khác là giảm kích thước cửa sổ lấy SAD đi mà vẫn kỳ khó bị nhầm lẫn với những điểm khác. Khi vọng có được kết quả có độ chính xác cao. chọn đường biên làm tập hợp dữ liệu để tính
12. B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 37 Hình 16. Đánh giá kết quả của phương pháp SAD dựa trên đường biên. 4.2. Phương pháp trích chọn đường biên màu * Bước 2: Ứng với mỗi điểm chỉ có thể có 1 giá trị nên ta sẽ lấy giá trị đường biên của nó Phương pháp trích chọn đường biên màu là bằng giá trị lớn nhất trong 3 giá trị tính được một phương pháp cải tiến hơn so với phương trên 3 mảng màu. pháp trích chọn đường biên dựa trên ảnh xám. Sở dĩ phải trích chọn đường biên màu vì đường Tính toán SAD dựa trên 3 mảng màu sẽ biên ảnh xám không thể hiện được hết các phải tốn thời gian gấp 3 lần so với tính toán đường bao của đối tượng. Các ảnh xám không SAD dựa trên ảnh xám. Thật vậy, nếu coi mỗi thể thể hiện được hết các tính chất như đối với màu cơ bản tương đương với một ảnh xám, ta ảnh màu. (Hình 17) thể hiện sự khác biệt giữa sẽ phải tính SAD dựa trên 3 tấm ảnh so vì một đường biên được lấy từ ảnh màu và đường biên tấm. Như vậy, dựa theo công thức (3-7), kích được lấy từ ảnh xám. thước cửa sổ W sẽ tăng gấp 3 khiến thời gian (Hình 18) thể hiện lý do của sự thiếu đường thực hiện phép toán t cũng tăng gấp 3 lần, tốc biên trong đường biên ảnh xám. Trong ảnh màu độ phép toán sẽ giảm đi 3 lần. hoặc các mảng màu của ảnh gốc có những điểm Tuy nhiên, dựa vào phương pháp này, tốc có sự nhảy bậc của màu sắc hoặc đường biên, độ phép toán sẽ không bị giảm đi 3 lần như so nhưng trong ảnh xám không có. Như vậy, thực với phương pháp SAD ảnh xám thông thường. hiện bắt các đường biên bằng các mảng màu cơ Thật vậy, bởi lẽ mặc dù đường biên được lấy bản, ta sẽ có các đường biên kín hơn và đặc trưng hơn. Sau đây sẽ là các bước để xây dựng dựa trên 3 mảng màu, mỗi điểm chỉ là đường giải thuật tìm đường biên dựa trên các mảng biên của một mảng màu cơ bản. Như vậy, phép màu cơ bản: tính SAD dựa vào điểm đó cũng chỉ phải tính * Bước 1: Ta coi 3 mảng màu giống như trên một mảng màu. Và điều này khiến tốc độ những ảnh xám bình thường khác, ta tìm đường thuật toán lúc này không bị tăng gấp 3 lần. biên bằng toán tử sobel.
13. 38 B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 a b c d Hình 17. Đường biên 20% số điểm bằng phương pháp Sobel màu và xám. a) Ảnh xám b) Ảnh màu c) Đường biên ảnh xám d) Đường biên ảnh màu a b c d e Hình 18. Các mảng màu của hình gốc. a)Ảnh màu , b) Ảnh xám , c) Ảnh màu đỏ , d. Ảnh màu xanh lục e. Ảnh màu xanh lam
14. B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 39 5. Phương pháp SAD phân vùng đường biên của nó đã được xác định độ sâu. Khi đó, tồn tại một xác suất cao rằng những SAD phân vùng là kỹ thuật sử dụng để nội điểm bên trong vật thể sẽ có độ sâu trong một suy một bản đồ độ sâu bao gồm các điểm đã phạm vi nhỏ xung quanh giá trị độ sâu của các tính được chuẩn. Sử dụng kỹ thuật này trong đường biên của nó. Khi đó, sự giới hạn độ sâu trường hợp chúng ta có thể đoán được phạm vi tính toán của các điểm nội suy có thể làm mất của những điểm cần tính. Giả sử một điểm đã khả năng nhầm lẫn giữa điểm đã cho và các được xác định bên trong một vật thể mà những điểm bên ngoài. Hình 19. SAD phân đoạn. Ở (Hình 19) , giả thiết độ sâu của những giá trị độ sâu của E1 và E2 dẫn đến khả năng điểm thuộc đường biên bao gồm E1 và E2 đã tính toán độ sâu của A được nâng cao lên, mặt tính được và tính chuẩn. Khi đó, giá trị về độ khác lại không bị nhầm lẫn với một điểm cũng sâu của A chỉ có thể dao động xung quanh các có cấu trúc màu tương tự là điểm B. Ảnh trái Bản đồ Chuyển đổi Phân đoạn chênh ảnh xám Tính lệch SAD Từ hệ thống camera stereo Chuyển đổi Phân đoạn ảnh xám Ảnh phải Hình 20. Sơ đồ khối tổng quát của phương pháp SAD phân vùng.
15. 40 B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 Giả thiết biện pháp này không được sử hơn các nước láng giềng gần nhất trên mạng dụng, khi đó ở ảnh đối chiếu có thể xuất hiện vuông. Tiềm năng Øi(xiyi), biểu diễn cho xác một điểm giống với điểm cần tính nằm ở lân suất cho một trạng thái nhất định xi Є Xi trong cận khoảng cách với điểm B. Khi này, thuật nút i dựa trên quan sát và tiềm năng ψij (xi,xj) toán SAD có thể đưa đến sự nhầm lẫn ở giá trị độ sâu của A. Điểm A có thể được tính nhầm và biểu thị sự phụ thuộc điều kiện giữa các nút lân ảnh hưởng trực tiếp đến các điểm nằm bên cạnh nó. cận. Biến quan sát yi hiếm khi được viết ra một cách rõ ràng [15]. Tóm lại, phương pháp SAD phân đoạn dùng tốt trong trường hợp nội suy dựa theo giá trị đã tính Thuật toán Belief Propagation (BP) thể hiện đúng. Sử dụng biện pháp này giúp giảm lỗi và tăng trong (Hình 21) các thông điệp được chuyển đi tốc độ. Tính toán bản đồ chênh lệch là một trong trong một mô hình đồ họa thông qua một loạt những vấn đề quan trọng trong thị giác máy tính các bản tin được gửi đi giữa các nút lân cận 3D. Một trong những phương pháp tương đối mới xung quanh trong một lưới hình ảnh liền kề 4. là Cải thiện tính toán Bản đồ độ sâu từ hình ảnh Bản tin được cập nhật trong các lần lặp. Trong stereo theo phương pháp lai. mỗi bước lặp, mỗi điểm ảnh của đồ thị liền kề Có nhiều phương pháp tính Bản đồ chênh tính toán thông điệp của mình, dựa trên kết quả lệch, ở đây ta nghiên cứu hai phương pháp cải của bước lặp trước, và gửi tin nhắn mới của nó thiện tốc độ tính toán ( SAD điều chỉnh và SAD tới tất cả các điểm ảnh liền kề 4 (hàng xóm) phân vùng). theo hình thức song song [15]. 6. Belief Propagation Belief Propagation là các thuật toán đã được phát triển chủ yếu là với mục đích để tìm xác suất cận biên trong mạng Bayes. Ngoài ra, các thuật toán cũng có thể xử lý các mô hình đồ họa khác như mô hình Markov Random Field (MRF), đây là mối quan tâm nhất định trong việc tối ưu hóa các hàm năng lượng toàn cục Hình 21. Mô hình cơ bản cho phân vùng ảnh. được tìm thấy trong máy tính thị giác. Mô hình MRF là mô hình đồ thị vô hướng, trong đó các Mô hình cơ bản cho phân vùng ảnh, như thể nút đại diện cho các biến ngẫu nhiên. Xác suất hiện trong (Hình ), là một đồ thị với hai loại chung P(x1, , xn) của mô hình MRF pair-wise nút: nút ẩn (vòng tròn) và các nút quan sát (hình có thể được viết phân tích như sau: vuông). Ψ là hàm chuyển trạng thái giữa một cặp nút trạng thái ẩn khác nhau và δ là hàm đo lường giữa các nút trạng thái ẩn và nút dữ liệu (6-6) quan sát được. Trong BP, mỗi nút sẽ gửi một thông điệp tới các nút láng giềng trong đó biểu Ở đây xn đại diện cho các nút của đồ thị, Z diễn phân bố xác suất [15]. là hằng số chuẩn hóa và các sản phẩm trên ij là
16. B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 41 7. Phương pháp Mean Shift: Thuật toán Mean Shift [16]đã được đề xuất (7-13) bởi Fukunaga và Hostetler. Các thuật toán dựa trên mật độ ước lượng hạt nhân [17]. Thuật toán này là thuật toán lặp phi tham số. Cho một tập hợp các điểm dữ liệu d-chiều được đại diện bởi các giá trị xi, i = 1, 2, , n trong d-chiều không gian Rd. Số lượng của điểm xi thuộc khu vực d- Sử dụng phương trình (7-13) thay đổi trung chiều xung quanh x với cạnh dài h được cho bình được xác định: bởi: (7-7) (7-14) trong đó h xác định bán kính của hạt nhân và K (x) là hạt nhân hoặc hàm cửa sổ. Như vậy, Các thuật toán Mean Shift dựa trên việc tính ước tính mật độ hạt nhân được cho bởi: toán lặp đi lặp lại vector dịch trung bình và thay đổi có ý nghĩa và liên tục hiện thực hóa vị trí hạt nhân bằng phương trình [15],[16]. xk +1 = (7-8) xk + m (XK). (7-15) Trong đó là hạt nhân đối xứng xuyên tâm, là hồ sơ hạt 8. Thuật toán SAD phân vùng lai: nhân và được chuẩn hóa liên tục.Sau đó, Trong phân vùng ảnh, phương pháp lai kết phương trình (7-10) có thể được viết lại để: hợp hai hoặc nhiều hơn các thuật toán phân vùng ảnh khác nhau [18]. Ở đây chúng ta xem xét các thuật toán lai được tạo ra bởi sự kết hợp của hai kỹ thuật: Belief Propagation và các (7-9) thuật toán phân đoạn Mean Shift nhanh chóng Ước tính này có thể được xem như là và rất chính xác. gradient của xấp xỉ mật độ: Đầu tiên, chúng tôi áp dụng cách lọc hình ảnh bằng thuật toán Mean Shift. Bước này rất (7-10) hữu ích cho việc loại bỏ tiếng ồn, làm mịn và Một hạt nhân mới được định nghĩa là phân vùng ảnh. Đối với mỗi điểm ảnh của một , trong đó hình ảnh, tập hợp các pixel lân cận được xác là hàm hạt nhân mới và là định. Cho Xi là đầu vào và Yi hình ảnh lọc, trong đó i = 1, 2, , n. Các thuật toán lọc bao hằng số được chuẩn hóa. Sau khi thay thế trong gồm các bước sau đây [19],[20],[21]: phương trình (7-12):
17. 42 B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 * Khởi tạo , , . sử dụng thuật toán phím Mean Shift. Trong bước thứ ba, thực hiện sấp xỉ đường bao của * Tính toán thông qua Shift bình chế độ, nơi các phân đoạn. Thứ tư, các phân đoạn nhỏ được hội tụ điểm ảnh. sáp nhập với nhau thành những đoạn tiếp giáp * Lưu trữ các thành phần của mức xám của tương tự như hầu hết các phương pháp Belief các giá trị tính toán tại , Propagation. Cuối cùng, chúng ta tích hợp thuật toán phân đoạn lai đề xuất với thuật toán phù nơi là thành phần không gian và , là hợp stereo SAD. Phương pháp này SAD lai có thành phần phạm vi. thể cung cấp kết quả bản đồ độ sâu chính xác cao. Thứ hai, hình ảnh được chia thành các đoạn Hình 22. Thuật toán SAD lai. Tính toán độ lệch: Trong mục này, chúng ta lượng tọa độ 3D còn trên ảnh phẳng bên trái và diễn tả quá trình của sự so sánh chênh lệch nơi bên phải là IL và IR . ảnh được đưa vào là nhưng mảnh (đoạn) lần đầu tiên và sau đó những điểm có cùng điều (8-16) kiện ở bên trái và bên phải ảnh được tìm thấy. Đây là một ý tưởng được giải thích cho vùng 3D duy nhất điểm P trên (hình 23). Để (8-17) đưa ra khoảng cách của vật được quan sát bởi 2 Khi bên trái và bên phải của ảnh phẳng máy quay cùng nhìn theo một hướng hướng quay được có cùng vị trí phẳng, tọa độ y của 2 nhưng khoảng cách khác nhau được biết (định ảnh là bằng nhau (yL = yR) và có độ chênh lệch nghĩa) là đường cơ bản. Sau đó, vật thể xuất tọa độ ngang (trục x) là (xL - xR).[22] hiện ở vị trí tương tự trong cả hai ảnh 3chiều. Điều này có nghĩa là độ chênh lệch được Khoảng cách giữa vật ở bên trái và bên phải tính toán, cường độ có thể thay đổi được khi ảnh được biết (định nghĩa) là khoảng chênh thay đổi thông số của máy quay: chiều dài tiêu lệch d bởi (8-16). XL và XR là tọa độ x của ước cự f và khoảng cách của đường cơ sở B = 2l.
18. B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 43 Hình 23. Một hệ thống stereo đơn giản . 9. Nhận xét và đánh giá: 9.1. Phương pháp SAD truyền thống a) b) c) Hình 24. Một số kết quả Bản đồ chênh lệch SAD truyền thống. a .Bản đồ chênh lệch với cửa sổ 5x5; b. Bản đồ chênh lệch với cửa sổ 7x7; c. Bản đồ chênh lệch với cửa sổ 11x11; Hình 25. Đồ thị thời gian, độ phủ và độ chính xác.
19. 44 B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 9.2. Phương pháp SAD có điều chỉnh: a) b) c) Hình 26. Một số kết quả thực hiện tìm SAD trên đường biên. Hình 27. Đồ thị thời gian, độ phủ và độ chính xác. Thời gian thực hiện tính bản đồ chênh lệch tìm kiếm các khối ứng cử viên tương ứng của theo phương pháp SAD điều chỉnh đã giảm rất hình ảnh bên phải. Bản đồ chênh lệch cuối cùng nhiều so với phương pháp SAD thông thường. của bốn hình ảnh lập thể thử nghiệm, cụ thể là sách, vợt, khối lập phương và tòa được thể hiện c.Phương pháp SAD phân vùng: trong (Hình 28). Cụ thể, các (Hình 28-b) cho thấy các bản đồ khác biệt được tạo ra bởi thuật Trong cuộc thử nghiệm tiếp theo, các toán SAD mà không phân đoạn và hình. (Hình phương pháp lai đề xuất được thử nghiệm trên 28-c) kết quả theo thuật toán phân chia lai. Bản bốn hình ảnh stereo thực tế được thực hiện bởi đồ chênh lệch sản xuất bởi máy ảnh nổi hệ thống camera stereo. Thuật toán này được áp Bumblebee được hiển thị trong (Hình 28-d). dụng để ước tính sự chênh lệch của các khối 9x9 từ hình ảnh bên trái tham chiếu bằng cách
20. B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 45 a) b) c) d) Hình 28. Kết quả thực nghiệm trên bốn ảnh thử nghiệm màu xám. a) Hình ảnh tham khảo, b) Bản đồ chênh lệch sau khi sử dụng thuật toán SAD mà không phân đoạn c) Kết quả của thuật toán SAD lai, d) Hệ thống camera Bumblebee. Chất lượng của các bản đồ khác biệt được nghịch đảo của khoảng cách thật mặt đất. biểu diễn như là tỷ lệ phần trăm của các điểm Phương trình (9-19) cho thấy làm thế nào để ảnh với các lỗi sai lệch này (pixel có sự phù tính toán bản đồ chênh lệch sự thật mặt đất từ hợp xấu) [6]: bản đồ độ (9-19) (9-18) với D là sự thật bản đồ độ sâu mặt đất, h là trong đó X * Y đại diện cho kích thước của T chiều cao từ mặt phẳng đất, DT * h là khoảng hình ảnh, dC là bản đồ chênh lệch tính của hình cách thật mặt đất, B là cơ sở giữa các máy ảnh, ảnh thử nghiệm và dT là bản đồ chênh lệch sự I có độ phân giải hình ảnh và f là tiêu cự. thật. Sự thật chênh lệch bản đồ mặt đất là RES
21. 46 B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 Bảng 1. So sánh kết quả của các giải thuật tính bản Bumblebee, từ kết quả thí nghiệm ta có thể tìm đồ chênh lệch một bản đồ chênh lệch, mà dịch chuyển chênh Ảnh SAD SAD Hệ thống lệch giữa hai hình ảnh và cuối cùng là được sử kiểm tra thông phân camera dụng để ước tính giá trị chiều sâu. Dựa trên các thường vùng lai Bumblelee thuật toán tổng bình phương khác biệt (SSD) Quyển 9,64% 4,12% 3,59% và tổng sự khác biệt tuyệt đối (SAD) có thể tìm sách Cái vợt 8,48% 4,72% 3,83% thấy bản đồ độ sâu trực tiếp. Tùy thuộc vào các kỹ thuật phù hợp dựa trên các thuật toán SAD Rubic 9,26% 4,37% 3,51% và SSD một nguyên tắc giữa thời gian chạy và Tòa nhà 9,91% 4,21% 3,65% chất lượng cần phải được lựa chọn. Cuối cùng, Các bản đồ chênh lệch thu được từ việc đề thuật toán SAD phù hợp hình ảnh stereo được xuất lai phân đoạn dựa trên thuật toán SAD lựa chọn để thực hiện các thí nghiệm tiếp theo, phân vùng lai được so sánh với các phương bởi vì các thuật toán SSD đòi hỏi gần như tăng pháp khác (sử dụng hệ thống camera gấp đôi thời gian. Kết quả thí nghiệm được Bumblebee và phương pháp SAD mà không trình bày trong (Hình 28) cho thấy thuật toán phân đoạn). Trong ( bảng 1), sự khác biệt giữa SAD phân vùng lai cho kết quả tốt hơn hơn tỷ lệ phần trăm điểm ảnh lỗi chênh lệch được thuật toán SAD mà không cần sử dụng pjaan trình bày. Như có thể thấy trong (hình 28), các vùng và SAD điều chỉnh nhưng hơi kém hơn so thuật toán SAD phân vùng lai tạo ra kết quả với máy ảnh nổi của hệ thống Bumblebee. Các chính xác hơn so với thuật toán SAD mà không thuật toán SAD phân vùng lai được đề xuất phân đoạn. Ngoài ra, hiệu suất của phương cũng cho thấy hiệu suất cao hơn. Trong tương pháp là gần đạt đến hiệu suất của hệ thống lai, tôi dự định thực hiện nghiên cứu và cũng camera Bumblebee. kiểm tra các thuật toán phức tạp hơn. Cuối cùng, các thuật toán phân đoạn lai đã tận dụng được lợi thế nhanh chóng của thuật Tài liệu tham khảo: toán Mean Shift và chính xác từ thuật toán Belief Propagation. Lợi thế lớn của một thuật [1] Dorit Borrmann, Jan Elseberg, Kai Lingemann, toán SAD lai là bất kỳ phân đoạn đều được phát Andreas Nüchter (2011), “ The 3D Hough hiện được nhận dạng tự động. Thuật toán này transform for plane detection in point clouds: A Review and a new Accumulator Design”, đã đạt được một hiệu suất phân đoạn gần thời Received: 13 January 2011 / Revised: 13 February gian thực và kết quả chính xác cao. 2011 / Accepted: 10 March 2011, © 3D Research Center and Springer 2011 [2] Yedida, J. S, Freeeman, W. T, Weiss, Y. Understanding belief propagation and it is 10. Kết luận: genneralizstions. Exploring Artificial Intellrgence in the New Millennium, 2003, Chap.8, p, 236 – Bài viết nghiên cứu so sánh cho việc khôi 239. phục bản đồ độ sâu dựa trên các thuật toán phân [3] POINT GREY, Bumblebee Stereo Vision Camera Sytems. BB2 – 08S2 (datasheet). 2 pages. vùng lai được đề xuất sử dụng quá trình lọc. [Online] Cited 2011-10-23. Advailable at: Các thuật toán đã được thử nghiệm trên thực tế với cảnh phức tạp và tình trạng ánh sáng kém _datasheet.pdf dựa trên hệ thống camera stereo công nghiệp từ [4] Scharstein, D, Szeliski,R, A taxonomy and evaluation of dense two frame stereo
22. B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 47 correspondence algorithms. International Jounrnal [14] Christor Georgoulas, Georgios CH, Real-time of Computer Vision, 2003, vol, 47, no. (1/2/3), stereo vision applicasions.Laboratory of p.& - 42 Electronics,Democritris University of Thrace [5] Brown, M, Z, Burschka, D, Hager, G, D, Bhartia, Xanthi, Greece p.267-292. P. Advances in computional stereo. IEEE [15] Guan, S, Klette, R, Belief Propagation on edge Transactions on Pattenrn Analysis and Machine image sequences. InmProceedingx Robot Vision Itelligence, 2003, vol, 25, no.8. LNCS 4931, 2006, p. 291 – 302. [6] KUHL, A. Comparison of stereo matching [16] Siqiang, L., Wei, L, Image segmentation basedon algorithms for mobile robots. Centre for the Mean – Shift in the HSV space. In 26th Intelligent Information Processing Sytem 2005, Chinese Control Conference, 2007. [Online], p. University of Western Australia, p. 4 – 24. 476 – 479. [7] Cao, X., Foroosh, H, H. Camera calibration using [17] Benco, M., Hudec, R, The advances image symmetric objects. Image Processing IEEE segmentation techniques for broadly useful Transactions, 2006, vol, 15, no. 11, p.3614 – retrieval in large image database. In NSSS IX, 3619. Tatranske Zruby (Slovakia), 2006, p. 40 – 44. [8] Shimizu, M., Okutomi, M, Calibration and [18] He, R, Zhu, Y. A hybrid image segmentation rectification for reflection stereo. In IEEE approach based on Mean Shift and fuzzy C – Conference on Computer Vision and Pattern Means. In Asia Pacific Conference on Information Recognition CVPR Anchorage ( USA), 2008, p.1 Processing. [Online], 2009. – 8. [19] Comaniciu, D., Meer, P. Mean Shift: A robust [9] Hartley, R, Zisserman, A, Multiple View approach toward feature space analysis IEEE Geometry in Computer Vision 2nd ed. Cambridge: Transaction on Pattern Analysis and Machine University Press, 2005. Intel., 2002, vol. 24, no. 5, p. 1 – 18. [10] Zhang, Y. J. Advance in Image and Video [20] Rodriguez, R., Suarez, A. G. An image Segmentation. 1nd ed. USA: IRM Press, 2006. segmentation algorithm using interatively the [11] Wang, G, JU, H, A disparity map extraction Mean Shift. Progress in Pattern Recognition, algorithm for lunar rover BH 2. In IEEE Image Analysis and Appliscations. 2006, LNCS International Conference on Intelligent 4225, Berlin Heidelberg: Springer, vol. Computing and Intelligent Sytems ICIS 2009. 4225/2006, p. 326 – 335. Shanghai, 2009, vol. 4, p. 385 – 389. [21] Hudec, R. Adaptive Order – statistics L – filters, st [12] Mckinnon, B., Baltes, J. Practical region – based 1 ed. University of Zilina: EDIS Press, 155 matching for stereo vision. In IWCIA, 2005, vol. pages, ISBN 978 – 80 – 554 – 0248 – 2, 2011 (in 3322 of Lecture Notes in Computer Science, Slovak). Springer, p. 726 – 738. [22] Rostam Affendi Hamzah, Hasrul Nisham Rosly, [13] Craig Watman, “Fast Sum of Absolute “An Obstacle Detection and Avoidance of A Differences Visual Landmark Detector”, Robotic Mobile Robot with Stereo Vision Camera” , Systems Laboratory Department of Systems Faculty of Electronics & Computer Engineering, Engineering, RSISE, Australian National UTeM, Malaysia. rostamaffendi@utem.edu.my University, Canberra, ACT 0200 Australia, Email: d.austin@computer.org
23. 48 B.N. Minh / Tạp chí Khoa học ĐHQGHN: Khoa học Tự nhiên và Công nghệ, Tâp̣ 30, Số 3 (2014) 26-48 Comparative Study of Image Processing Algorithms Calculate Depth Stereo Image Camera Applications in the Visual System Bạch Ngọc Minh Centre Development Vietnam National University, Hanoi, 144 Xuân Thủy, Hanoi, Vietnam Abstract: There are three basic methods to compare the similarity between two images, which is SAD, SSD and NCC. NCC method is using cross- correlation between the pixels so the calculations are complex . These include the arithmetic average, total, multiplication total, square root should this method definitely perform very time consuming. Both SAD method and SSD method does’nt much difference the complexity of the algorithm so we need to do an experiment to verify the quality of the depth maps and the speed of execution. From the results that we choose a more appropriate method Comparison of running time between SAD and SSD algorithms show that the choice of the SAD algorithm is more reasonable, because the SSD algorithm needs nearly twice the time to run. SAD method can solve the problem of finding depth in 3D images. A point in space to acquire images of two lenses in two different locations. Therefore so before finding the depth of the pixel, we need to find the corresponding pixels. SAD method is the easiest method to find the pixel . SAD method has many calculate ways, calculate by traditional methods SAD, adjustment SAD method (based on the image border) , segmentation SAD method (image segmentation). In Here we choose between two methods of adjustment SAD method and segment SAD method decreased 20 % compared with traditional SAD. Then we consider the hybrid algorithm SAD partition is created by the combination to two techniques: Belief Propagation and the Mean Shift segmentation algorithm. This approach combines the advantages of both methods segment. Mean Shift algorithm is fast results and Belief Propagation perform very accurate segmentation. Keywords: Image segmentation, Belief Propagation, Mean Shift, SAD, 3D image.