Lib4U

‎"Behind every stack of books there is a flood of knowledge."

Quan hệ giữa các điểm ảnh

images-neibour

Một bức ảnh được tạo ra từ các điểm ảnh, tại mỗi điểm ảnh có thể chứa nhiều loại thông tin khác nhau, trong đó có vị trí của nó trong bức ảnh (x, y), màu sắc, … Vị trí, hay tọa độ (coordinate) của một điểm ảnh trong bức ảnh là thông tin liên quan tới mối quan hệ không gian (spatial), rất quan trọng trong các xử lý cấp cao cũng như tiền xử lý với một bức ảnh. Điều này không khó hiểu vì bên cạnh các thuật toán xử lý đối xử một cách độc lập với từng điểm ảnh (pixel level) thì còn có rất nhiều các thuật toán, quá trình xử lý dựa trên vùng (region level, window level, local) hoặc có sử dụng thông tin trên toàn bộ ảnh (frame level, global). Chính vì lẽ đó mà trong bài viết này Bioz sẽ giới thiệu tới các bạn những kiến thức, khái niệm nền tảng liên quan tới mối liên hệ về mặt không gian giữa các pixel trong ảnh với hy vọng các bạn sẽ không thấy bỡ ngỡ khi đối diện với các thuật toán cụ thể có đề cập tới những ý niệm này.
  1. Hàng xóm (Neighbors): cho điểm ảnh P có tọa độ (x, y)
    • 4 điểm ảnh hàng xóm theo cột và hàng với tọa độ lần lượt là (x+1, y), (x-1, y), (x, y+1), (x, y-1) ký hiệu là tập N4(p).
    • 4 điểm ảnh hàng xóm theo đường chéo có tọa độ lần lượt là (x+1, y+1), (x+1, y-1), (x-1, y+1), (x-1, y-1) ký hiệu là tập ND(p).
    • Tập 8 điểm ảnh hàng xóm là hợp của 2 tập trên: N8(p) = N4(p) + ND(p)
  2. Lân cận (Adjacency): có lẽ các bạn sẽ băng khoăn lân cận với hàng xóm thì về mặt ngôn ngữ hình như có cái gì đó giống nhau, vâng đúng như vậy tuy nhiên trong tình huống này khi ta nói tới lân cận (adjacency) thì bên cạnh xem xét quan hệ qua yếu tố tọa độ ta còn xét thêm cái sự bà con thông qua giá trị khác ví dụ như phổ biến là cường độ điểm ảnh (intensity). Để có căn cứ kiểm tra quan hệ mới này người ta định ra một tập giá trị tham chiếu mà các điểm ảnh gọi là lân cận phải có giá trị cùng thuộc về tập đó. Ví dụ với một ảnh nhị phân ta có thể đặt V={1}, có nghĩa là ta xét các điểm lân cận với giá trị tham chiếu là 1 (cường độ điểm ảnh đã gọi là lân cận với nhau thì phải cùng có giá trị 1). Trong ảnh đa mức xám, ta có thể đặt V chứa nhiều giá trị hơn như V={ a >= 200 & a <= 255 }. Cho p có tọa độ (x, y)
    • Lân cận 4 (4 – adjacency): hai điểm ảnh p và q có giá trị thuộc về tập V được gọi là lân cận 4 của nhau nếu q thuộc về tập N4(p) (đã trình bày ở trên).
    • Lân cận 8 (8 – adjacency): hai điểm ảnh p và q có giá trị thuộc về tập V được gọi là lân cận 8 của nhau nếu q thuộc về tập N8(p) (đã trình bày ở trên)
    •  Lân cận M (M – adjacency hay Mixed – Adjacency): hai điểm ảnh p và q có giá trị thuộc về tập V được gọi là lân cận M của nhau nếu thõa 1 trong 2 điều kiện sau:
      • q thuộc về tập N4(p).
      • q thuộc về tập ND(p) và giao của hai tập N4(p), N4(q) không chứa điểm ảnh nào có giá trị thuộc V.
    • Sự khác biệt giữa lân cận M và lân cận 8 là lân cận M chính là lân cận 8 sau khi đã loại bỏ những liên kết phát sinh vòng (so sánh hai hình phía trên và phía dưới để thấy rỏ hơn).

  3. Đường (Path): một đường nối 2 điểm p (x0, y0) với điểm q (xn, yn) là một tập tuần tự các điểm ảnh có tọa độ lần lượt là (x0, y0), (x1, y1), (x2, y2),…, (xn, yn) trong đó
    • Hai điểm liền kề (xi, yi), (xi-1, yi-1) với (1 <= i <= n) có quan hệ lân cận, tùy theo loại quan hệ lân cận được xem xét mà ta có các loại đường 4 (4 Path), đường 8 (8 Path) hay đường M (M Path).
    • n được gọi là độ dài của đường.
    • Nếu hai điểm đầu và cuối của đường trùng nhau, (x0, y0) = (xn, yn) thì ta gọi đó là đường khép kín (Closed Path).
  4. Kết nối (Connectivity): Gọi S là một nhóm, tập các điểm ảnh nào đó trong một hình (S có thể là toàn bộ ảnh).
    • Hai điểm ảnh p và q được gọi là kết nối với nhau qua S nếu tồn tại đường giữa chúng được thiết lập bởi các điểm ảnh thuộc S.
    • p nằm trong S, tập các điểm ảnh kết nối với p và thuộc S được gọi là thành phần được kết nối (connected component).
    • Nếu S chỉ có 1 thành phần kết nối, có nghĩa là mỗi điểm ảnh thuộc S thì kết nối với tất cả các điểm ảnh còn lại. ta gọi S là tập kết nối (Connected Set).
  5. Vùng (Region of Image):
    • Gọi R là một tập điểm ảnh nào đó trong hình, R được gọi là vùng ảnh nếu nó là một tập kết nối thỏa định nghĩa ở trên.
    • Hai vùng Ri và Rj được coi là lân cận (Adjacency) nếu hợp của chúng là một tập kết nối.
    • Các vùng không lân cận (not adjacent) thì gọi là disjoint.
    • Cũng tương tự như với điểm ảnh việc xét vùng lân cận cũng cần sự chỉ định kiểu 4, 8 hay M.
  6. Đường bao (boundary)
    • Là tập các điểm có quan hệ liên kết với điểm nằm trong tập bù của vùng R.
    • Sự khác biệt giữa đường bao và cạnh (edge) nằm ở chổ, trong khi đường bao là đường khép kín (closed path) bao quanh vùng (region) với một ý nghĩa toàn cục thì viền hay cạnh lại được xem xét là tập hợp những điểm ảnh mà tại đó xảy ra sự biến động về giá trị cường độ, mang tính cục bộ.

Source:

http://www.ieev.org/2012/03/quan-he-giua-cac-iem-anh.html

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

Virtual Fashion Technology

Virtual Fashion Education

toitocuaanhem

"chúng tôi chỉ là tôi tớ của anh em, vì Đức Kitô" (2Cr 4,5b)

VentureBeat

News About Tech, Money and Innovation

digitalerr0r

Modern art using the GPU

Theme Showcase

Find the perfect theme for your blog.

lsuvietnam

Learn to Learn

Gocomay's Blog

Con tằm đến thác vẫn còn vương tơ

Toán cho Vật lý

Khoa Vật lý, Đại học Sư phạm Tp.HCM - ĐT :(08)-38352020 - 109

Maths 4 Physics & more...

Blog Toán Cao Cấp (M4Ps)

Bucket List Publications

Indulge- Travel, Adventure, & New Experiences

Lib4U

‎"Behind every stack of books there is a flood of knowledge."

The WordPress.com Blog

The latest news on WordPress.com and the WordPress community.

%d bloggers like this: