Giới thiệu về Phát hiện Đối tượng trong Công Nghệ Thị Giác Máy Tính
Trong lĩnh vực công nghệ thị giác máy tính, phát hiện đối tượng (Object Detection) là một trong những bài toán quan trọng và phổ biến nhất. Đến hiện tại, có rất nhiều thuật toán và mô hình đã được phát triển nhằm tối ưu hóa hiệu suất của bài toán này. Trong bài viết này, chúng ta sẽ cùng nhau tìm hiểu từ những thuật toán cơ bản nhất cho đến những kỹ thuật phức tạp trong phát hiện đối tượng.
Khái niệm Về Gradient Ảnh
Trước khi đi vào chi tiết, chúng ta cần phân tích một số khái niệm cơ bản liên quan đến gradient ảnh. Các khái niệm này có vẻ tương đồng nhưng có những điểm khác biệt đáng kể:
-
Đạo Hàm (Derivative):
- Kiểu dữ liệu: Scalar
- Định nghĩa: Tốc độ thay đổi của một hàm f(x,y,z,...) tại một điểm (x0, y0, z0), được hiểu là độ dốc của đường tiếp tuyến tại điểm đó.
-
Đạo Hàm Hướng (Directional Derivative):
- Kiểu dữ liệu: Scalar
- Định nghĩa: Tốc độ thay đổi tức thời của f(x,y,z,...) theo hướng của một vector đơn vị u.
-
Gradient:
- Kiểu dữ liệu: Vector
- Định nghĩa: Vector này chỉ hướng đi đến tốc độ tăng trưởng lớn nhất của hàm, bao gồm tất cả thông tin về các đạo hàm riêng của một hàm nhiều biến.
Tính Toán Gradient trên Ảnh
Trong quá trình xử lý hình ảnh, mục tiêu của chúng ta là xác định hướng thay đổi màu sắc từ một điểm này sang một điểm khác, chẳng hạn như từ đen sang trắng trong hình ảnh thang độ xám. Để làm điều này, chúng ta cần tính toán gradient cho từng pixel màu.
Gradient ảnh là một giá trị rời rạc, có nghĩa là mỗi pixel hoạt động độc lập và không thể chia nhỏ hơn nữa. Vector gradient cho mỗi pixel sẽ chứa các thay đổi về màu sắc theo cả hai trục x và y.
Định nghĩa vector gradient của pixel tại vị trí (x, y) có thể được thể hiện như sau:
$$
abla f(x,y) = [g_x, g_y] = [\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}] = \left[ f(x+1,y) - f(x-1,y), f(x,y+1) - f(x,y-1) \right]
$$
Trong đó:
- $\frac{\partial f}{\partial x}$ là đạo hàm theo trục x, tính từ sự khác biệt về màu sắc giữa các pixel liền kề bên trái và bên phải.
- Tương tự, $\frac{\partial f}{\partial y}$ là đạo hàm theo trục y, đo sự khác biệt giữa các pixel trên và dưới.
Đặc Điểm Của Image Gradient
Có hai thuộc tính quan trọng của gradient ảnh:
- Biên độ (Magnitude): Là chuẩn L2 của vector $g = \sqrt{g_x^2 + g_y^2}$.
- Hướng (Direction): Được xác định bởi hàm arctan của tỷ lệ giữa các đạo hàm riêng, $\theta = arctan(g_y/g_x)$.
Ví Dụ Tính Toán Gradient
Giả sử chúng ta có vector gradient cho một hình ảnh chi tiết:
$$
abla f = \left[ f(x+1,y) - f(x-1,y), f(x,y+1) - f(x,y-1) \right] = \left[ 55 - 105, 90 - 40 \right] = \left[ -50, 50 \right]
$$
Từ đó, chúng ta có thể tính được:
- Biên độ: $\sqrt{50^2 + (-50)^2} = 70.71$.
- Hướng: $\arctan(-50/50) = -45^{\circ}$.
Áp Dụng Toán Tử Convolution
Thay vì tính toán gradient cho từng pixel một cách thủ công, chúng ta có thể áp dụng toán tử convolution cho toàn bộ ma trận ảnh.
Một Số Toán Tử Xử Lý Hình Ảnh Phổ Biến
Khi xử lý ảnh, các toán tử phổ biến có thể kể đến như:
- Toán tử Prewitt: Sử dụng 8 pixel xung quanh để có kết quả mượt mà hơn.
- Toán tử Sobel: Tăng trọng số cho các pixel lân cận để làm nổi bật cạnh hơn.
Từng toán tử được thiết kế cho các ứng dụng cụ thể như nhận diện cạnh, làm mờ hay làm sắc nét hình ảnh.
Thí nghiệm Với Hình Ảnh
Chúng ta có thể thực hiện một ví dụ đơn giản trên một bức ảnh đã chuyển sang thang độ xám. Các kết quả từ toán tử Sobel có thể được hiển thị bằng cách vẽ đồ thị.
Kết Luận
Phát hiện đối tượng là một lĩnh vực đầy tiềm năng trong công nghệ thị giác máy tính, và việc hiểu về gradient ảnh là cần thiết cho các kỹ thuật phức tạp hơn. Chúng ta đã khám phá các khái niệm cơ bản và ứng dụng của chúng qua các toán tử khác nhau. Trong các phần tiếp theo, chúng ta sẽ tiếp tục đi sâu vào những kỹ thuật nâng cao hơn trong phát hiện đối tượng.
Tham Khảo
Nguồn: lilianweng.github.io
source: viblo
