Đồ án: Tìm hiểu phương pháp BPR - Bending Potential Ratio cho bài toán tìm xương của ảnh
Đồ án Tìm hiểu phương pháp BPR - Bending Potential Ratio cho bài toán tìm xương của ảnh giới thiệu tổng quan về xử lí ảnh; tìm hiểu về xương và các thuật toán tìm xương, kỹ thuật cắt tỉa xương dựa vào độ uốn; trình bày kết quả thực nghiệm.
Mục lục nội dung
1. Mở đầu
Xương được coi như hình dạng cơ bản của một đối tượng, với số ít các điểm ảnh cơ bản và nó là cách biểu diễn đối tượng một cách cô đọng. Ta có thể lấy được các thông tin về hình dạng nguyên bản của một đối tượng thông qua xương. Vị trí, sự định hướng, độ dài của một đoạn xương đặc trưng cho đoạn ảnh đó. Vì thế mà xương được ứng dụng trong rất nhiều lĩnh vực như đồ họa máy tính, tra cứu ảnh, nhận dạng ký tự,... Các thuật toán tìm xương đã được đưa ra nhưng đều gặp phải những hạn chế tương tự nhau đó là có độ nhạy cảm cao đối với nhiễu đường biên, những biến đổi nhỏ trên đường biên của đối tượng có thể làm thay đổi đáng kể xương nhận được ảnh hưởng tới độ chính xác của xương. Để giải quyết được những hạn chế và khó khăn trên. Đồ án trình bày kỹ thuật cắt tỉa xương của ảnh bằng phương pháp BPR (Bending Potential Ratio) để làm mịn xương và cho ra hình dạng xương phù hợp với cấu trúc của đối tượng.
2. Nội dung
2.1 Tổng quan về xử lí ảnh
Các khái niệm cơ bản trong xử lý ảnh
- Xử lý ảnh là gì?
- Ảnh và điểm ảnh
- Độ phân giải
- Mức xám
Các phép toán cơ bản trên ảnh nhị phân
- Phép toán logic trên ảnh nhị phân
- Các phép toán hình thái trên ảnh nhị phân
Các giai đoạn cơ bản của Xử lý ảnh
Một số ứng dụng cơ bản của xử lý ảnh
2.2 Xương và các thuật toán tìm xương
Khái niệm xương
Các hướng tiếp cận trong việc tìm xương
- Phương pháp tìm xương dựa trên làm mảnh
- Tìm xương không dựa trên làm mảnh
Cắt tỉa xương của ảnh
- Khái niệm cắt tỉa xương
- Kỹ thuật cắt tỉa xương với DCE
2.3 Kỹ thuật cắt tỉa xương dựa vào độ uốn
Giới thiệu
Phương pháp cắt tỉa xương theo BPR (Bending Potential Ratio)
- Định nghĩa cơ bản
- Tỷ lệ uốn (BPR – Bending Potential Ratio)
- Đề xuất cho phát triển cắt tỉa xương
- Kết luận
2.4 Kết quả thực nghiệm
Môi trường cài đặt
Một số kết quả thử nghiệm
- Giao diện chương trình
- Một số kết quả tìm xương khác nhau của các phương pháp
- Hiệu quả của việc sử dụng ngưỡng t
3. Kết luận
Về lý thuyết, đồ án của em đã trình bày và hiểu được:
- Tổng quan về xử lý ảnh số.
- Môt số hướng tiếp cận trong tìm xương của ảnh.
- Tìm hiểu thuật toán cắt tỉa xương của ảnh dựa vào BPR (Bending Potential Ratio) do Wei Shena và các cộng sự đề xuất
Về thực nghiệm, em đã cài đặt thử nghiệm chương trình tìm xương và cắt tỉa xương dựa vào độ đo BBR và so sánh với kết quả tìm xương theo hàm tìm xương của matlab.
4. Tài liệu tham khảo
Đỗ Năng Toàn, Phạm Việt Bình (2007), Giáo trình xử lý ảnh, Nhà xuất bản Đại học Thái Nguyên.
Lương Mạnh Bá, Nguyễn Thanh Thủy(2007), Nhập môn xử lý ảnh số, Nhà xuất bản KHKT.
Nguyễn Thị Hoa (2010), Đồ án Tốt Nghiệp, Trường ĐHDL Hải Phòng
Wei Shena, Xiang Bai, Rong Hu, Hongyuan Wang, Login Jan Latec ki(2010), Skeleton Growing and Prunning with Bending Potential Ratio, CVPR....
--- Nhấn nút TẢI VỀ hoặc XEM ONLINE để tham khảo đầy đủ nội dung Đồ án trên ---
Tham khảo thêm
- pdf Đồ án: Xây dựng, triển khai và quản lý mô hình mạng
- pdf Đồ án: Mạng riêng ảo
- pdf Luận văn: Nghiên cứu mô hình MVC trong lập trình NET để xây dựng website đăng ký mua giáo trình qua mạng
- pdf Luận văn: Nghiên cứu xây dựng giải pháp quản trị tập trung các phòng máy tính
- pdf Đồ án: Tìm hiểu phương pháp phân đoạn ảnh y học
- pdf Đồ án: Tìm hiểu mạng neural và ứng dụng của nó
- pdf Đồ án: Tìm hiểu phương pháp trích chọn dấu hiệu của ảnh dựa vào đặc trưng hình dạng
- pdf Đồ án: Tìm hiểu phương pháp DSE - Discrete Skeleton Evolution cho bài toán tìm xương của ảnh
- pdf Đồ án: Tìm hiểu chuẩn IEEE 802.15.4 và các ứng dụng
- pdf Đồ án: Tìm hiểu phương pháp phát hiện biên cho ảnh đa cấp xám và ảnh màu
- pdf Đồ án: Nghiên cứu bảo mật Web Service
- pdf Đồ án: Tìm hiểu bài toán khai phá dữ liệu văn bản
- pdf Đồ án: Tìm hiểu về Support Vector Machine cho bài toán phân lớp quan điểm
- pdf Đồ án: Khai phá dữ liệu với R