Chia sẻ bài báo qua Email PHƯƠNG PHÁP DỰA TRÊN HỌC SÂU TRONG PHÂN LOẠI HÌNH ẢNH MỜ SỬ DỤNG KIẾN TRÚC DENSENET-121
Thông tin bài báo
Ngày nhận bài: 15/11/24 Ngày hoàn thiện: 18/12/24 Ngày đăng: 18/12/24Các tác giả
1. Nguyễn Quang Thi
, Trường Đại học Kỹ thuật Lê Quý Đôn2. Nguyễn Hữu Hùng, Trường Đại học Kỹ thuật Lê Quý Đôn
3. Hà Thị Hiền, Trường Đại học Kỹ thuật Lê Quý Đôn
4. Lê Văn Nhu, Trường Đại học Kỹ thuật Lê Quý Đôn
Tóm tắt
Phân loại ảnh mờ đóng vai trò quan trọng trong các ứng dụng thị giác máy tính, bao gồm các hệ thống đánh giá chất lượng hình ảnh, giám sát và hình ảnh y tế. Nghiên cứu này đề xuất một phương pháp để phân loại các loại mờ khác nhau: ảnh sắc nét, mờ Gaussian, mờ chuyển động và mờ do mất nét, bằng cách sử dụng kiến trúc DenseNet-121. Phương pháp này khai thác các lớp tích chập kết nối dày đặc của DenseNet-121 để trích xuất đặc trưng nhiều mức một cách hiệu quả, điều này rất quan trọng cho việc phân biệt các loại mờ. Kỹ thuật tăng cường dữ liệu cũng được áp dụng để tạo ra các mẫu mờ đa dạng, và mô hình được tinh chỉnh trên một tập dữ liệu chuyên biệt để đảm bảo đạt hiệu suất cao. Các lớp chuyển tiếp và lớp global average pooling với bộ phân lớp softmax được tích hợp để tối ưu hóa quản lý đặc trưng và đưa ra xác suất phân lớp. Thực nghiệm cho thấy phương pháp này đạt độ chính xác cao (97,8%), tốt hơn so với các mô hình cơ bản khác trong phân loại ảnh mờ. Nhìn chung, phương pháp dựa trên DenseNet-121 này cải thiện đáng kể độ chính xác phân loại và cung cấp một giải pháp hiệu quả, có khả năng mở rộng cho các tác vụ xử lý ảnh yêu cầu nhận diện mờ chính xác.
Từ khóa
Toàn văn:
PDF (English)Tài liệu tham khảo
[1] R. Wang, W. Li, R. Qin, and J. Wu, "Blur image classification based on deep learning," 2017 IEEE International Conference on Imaging Systems and Techniques (IST), 2017, pp. 1-6.
[2] R. Wang, W. Li, and L. Zhang, "Blur image identification with ensemble convolution neural networks," Signal Processing, vol. 155, pp. 73-82, 2019.
[3] P. Hsu and B.-Y. Chen, "Blurred image detection and classification," International Conference on Multimedia Modeling, Berlin, Heidelberg: Springer, 2008, pp. 277-286.
[4] B. Su, S. Lu, and C. L. Tan, "Blurred image region detection and classification," Proceedings of the 19th ACM international conference on Multimedia, 2011, pp. 1397-1400.
[5] R. Huang, M. Fan, Y. Xing, and Y. Zou, "Image blur classification and unintentional blur removal," IEEE Access, vol. 7, pp. 106327-106335, 2019.
[6] R. Yan and L. Shao, "Image Blur Classification and Parameter Identification Using Two-stage Deep Belief Networks," British Machine Vision Conference, 2013, doi: 10.5244/C.27.70.
[7] B. Polavarapu and H. Mamidipaka, "Blur Image Detection and Classification using Resnet-50," i-manager's Journal on Image Processing, vol. 9, no. 2, 2022, doi: 10.26634/jip.9.2.18875.
[8] R. Yan, and L. Shao, "Blind image blur estimation via deep learning," IEEE Transactions on Image Processing, vol. 25, no. 4, pp. 1910-1921, 2016.
[9] S. Tiwari, "A blur classification approach using deep convolution neural network," International Journal of Information System Modeling and Design (IJISMD), vol. 11, no. 1, pp. 93-111, 2020.
[10] F. Bozkurt, "Classification of blood cells from blood cell images using dense convolutional network," Journal of Science, Technology and Engineering Research, vol. 2, no. 2, pp. 81-88, 2021.
[11] T. Zeng and C. Diao, "Single image motion deblurring based on modified DenseNet," 2nd International Conference on Machine Learning, Big Data and Business Intelligence (MLBDBI), IEEE, 2020, pp. 521-525.
[12] K. Ma, H. Fu, T. Liu, Z. Wang, and D. Tao, "Deep blur mapping: Exploiting high-level semantics by deep neural networks," IEEE Transactions on Image Processing, vol. 27, no. 10, pp. 5155-5166, 2018.
[13] M. Lébl, F. Šroubek, and J. Flusser, "Impact of image blur on classification and augmentation of deep convolutional networks," Scandinavian Conference on Image Analysis, Cham: Springer Nature Switzerland, 2023, pp. 108-117.
[14] A. Jayavel, S. Gopinath, P. P. Angamuthu, F. G. Arockiaraj, A. Bleahu, A. P. I. Xavier, and V. Anand, "Improved classification of blurred images with deep-learning networks using lucy-richardson-rosen algorithm," Photonics, vol. 10, no. 4, 2023, Art. no. 396.
[15] L. Yuan, J. Sun, L. Quan, and H. Y. Shum, "Image deblurring with blurred/noisy image pairs," ACM Transactions on Graphics (TOG), vol. 26, no.3, 2007, doi: 10.1145/1276377.1276379.
[16] R. M. Chong and T. Tanaka, "Image extrema analysis and blur detection with identification," IEEE International Conference on Signal Image Technology and Internet Based Systems, 2008, pp. 320-326.
[17] R. Liu, Z. Li, and J. Jia, "Image partial blur detection and classification," IEEE Conference on Computer Vision and Pattern Recognition, 2008, pp. 1-8.
[18] G. Huang, Z. Liu, L. V. D. Maaten, and K. Q. Weinberger, "Densely connected convolutional networks," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 4700-4708.
DOI: https://doi.org/10.34238/tnu-jst.11560
Các bài báo tham chiếu
- Hiện tại không có bài báo tham chiếu