Che khuất là gì? Các bài báo nghiên cứu khoa học liên quan

Định nghĩa và khái niệm cơ bản

Che khuất (occlusion) là hiện tượng trong trường nhìn khi một vật thể hoặc phần của vật thể này bị vật cản khác chắn mất, không thể quan sát hoặc chỉ quan sát được một phần. Hiện tượng này xảy ra tự nhiên trong môi trường 3D, khi các đối tượng có vị trí sâu khác nhau so với góc nhìn của người quan sát hoặc cảm biến.

Trong thị giác sinh học, che khuất giúp não bộ xác định mối quan hệ về độ sâu và vị trí tương đối của các vật thể, hình thành nhận thức tiền cảnh – hậu cảnh (foreground – background). Khi một vật A che khuất một phần của vật B, não sẽ hiểu rằng A nằm gần hơn B.

Trong thị giác máy tính và đồ họa máy tính, xử lý che khuất (occlusion handling) là kỹ thuật cần thiết để xác định phần nào của cảnh quan cần được vẽ, phần nào cần bị bỏ qua để tối ưu hóa tài nguyên tính toán và đảm bảo kết quả hình ảnh trung thực.

Phân loại che khuất

Che khuất có thể được phân thành ba loại chính dựa trên mối quan hệ giữa vật thể và vật cản:

• Self-occlusion: Một phần của vật thể che khuất chính nó. Ví dụ, cánh tay che khuất thân người khi nâng lên ngang ngực.
• Inter-occlusion: Vật thể này che khuất một phần hoặc toàn bộ vật thể khác. Ví dụ, một chiếc ô tô chắn trước mặt một chiếc xe khác.
• Background occlusion: Vật cản không phải đối tượng chính che lấp đối tượng cần quan sát. Ví dụ, cây cỏ che khuất tòa nhà phía sau.

Mỗi loại che khuất đặt ra những thách thức khác nhau trong việc xác định chiều sâu (depth) và tái tạo hình ảnh hoàn chỉnh. Self-occlusion thường gây khó khăn cho việc nhận dạng hình dáng, trong khi inter-occlusion và background occlusion ảnh hưởng đến phân khúc (segmentation) và theo dõi (tracking).

Mô hình hình học và toán học của che khuất

Trong hình học máy tính, che khuất được mô hình hóa thông qua bản đồ chiều sâu (depth map) hoặc bản đồ ẩn (visibility map). Với mỗi pixel (x, y) trong hình ảnh, ta lưu giá trị độ sâu Z(x,y). Khi hai vật thể cùng chiếu lên một pixel, vật thể có giá trị Z nhỏ hơn (gần hơn camera) sẽ che khuất vật thể xa hơn:

$Z_{\text{fore}}(x,y) < Z_{\text{back}}(x,y)$

Hệ phương trình ray-casting xác định giao điểm giữa tia nhìn (ray) xuất phát từ camera và bề mặt vật thể trong không gian 3D. Với mỗi tia:

$\text{ray}(t) = \mathbf{o} + t\mathbf{d},\quad t>0$

trong đó \(\mathbf{o}\) là gốc tia, \(\mathbf{d}\) là hướng, và \(t\) là thông số khoảng cách. Giao điểm nhỏ nhất (t_min) cho biết vật thể che khuất đầu tiên:

$t_{\min} = \min\{t_i : \text{intersection}(\text{ray}, S_i)\}$

Với \(S_i\) là bề mặt của vật thể i. Cơ chế này là nền tảng cho thuật toán z-buffer trong đồ họa máy tính, lưu trữ giá trị \(t_{\min}\) cho mỗi pixel để so sánh và quyết định pixel nào được hiển thị.

Phương pháp phát hiện che khuất

Phát hiện che khuất trong hình ảnh có thể sử dụng nhiều kỹ thuật:

• Stereo matching: So sánh hai ảnh từ hai camera lệch nhau, vùng mất tương quan (disparity holes) cho biết pixel bị che khuất (OpenCV).
• Depth sensor (RGB-D): Cảm biến như Kinect hoặc RealSense cho bản đồ độ sâu trực tiếp, pixel không có giá trị hoặc giá trị vô cùng lớn được xem là che khuất.
• CNN-based segmentation: Mạng nơ-ron sâu phân khúc foreground/background, học đặc trưng che khuất từ dữ liệu có chú thích (CVPR).

Kết hợp thông tin màu sắc, gradient, texture và chiều sâu giúp cải thiện độ chính xác phát hiện vùng che khuất. Ví dụ, thuật toán bên OpenCV kết hợp stereo và optical flow để xử lý che khuất động trong video.

Ảnh hưởng tới thị giác máy tính

Che khuất làm giảm độ chính xác trong các bài toán nhận dạng và theo dõi đối tượng. Khi một phần hoặc toàn bộ vật thể bị che khuất, các đặc trưng hình học và màu sắc quan trọng không thể thu nhận đầy đủ, dẫn đến sai lệch trong bước phân đoạn (segmentation) và nhận diện (recognition).

Trong theo dõi chuyển động (tracking), che khuất tạm thời (temporary occlusion) khiến thuật toán mất dấu vật thể hoặc nhầm lẫn với đối tượng khác. Các phương pháp dựa trên bounding box thường thất bại khi che khuất quá 50 % diện tích vật thể, trong khi các kỹ thuật dựa trên điểm đặc trưng (feature-based) có thể duy trì theo dõi nếu đủ điểm không bị che.

• Giảm độ tin cậy trong nhận dạng khuôn mặt và biển số phương tiện.
• Thất bại trong theo dõi đa đối tượng khi che khuất chéo giữa các vật thể.
• Gia tăng tỷ lệ false positive/false negative do mất mát thông tin đặc trưng.

Kỹ thuật khôi phục thông tin che khuất

Inpainting là phương pháp phổ biến để khôi phục vùng ảnh bị che khuất hoặc hỏng. Thuật toán inpainting lan truyền thông tin từ vùng lân cận dựa trên texture và cấu trúc biên, tái tạo pixel mất mát một cách tự nhiên (IEEE T-PAMI).

Đối với dữ liệu 3D hoặc đa góc (multi-view), kỹ thuật tái tạo bề mặt (surface reconstruction) và stereo fusion kết hợp nhiều hình ảnh khác nhau để lấp đầy vùng che. Thuật toán Poisson reconstruction và volumetric fusion thường dùng trong các bộ KITTI và Middlebury (Middlebury).

Ứng dụng trong đồ họa máy tính và thực tế ảo

Trong đồ họa, xử lý che khuất tối ưu hóa quá trình render bằng thuật toán z-buffer, chỉ vẽ pixel không bị che. Kỹ thuật culling và occlusion queries trong OpenGL/DirectX loại bỏ những đối tượng nằm sau bề mặt, giảm đáng kể khối lượng tính toán (OpenGL).

Trong VR/AR, occlusion handling nâng cao tính thực tế bằng cách che lồng vật thể ảo và thực, hỗ trợ tương tác tự nhiên. Khi người dùng di chuyển, hệ thống lập tức tính toán vùng che ảo để phủ đúng phần màn hình, tránh cảm giác “ma” (ghosting).

• Occlusion culling giảm lần vẽ các đối tượng ẩn sau bề mặt khác.
• Depth occlusion trong AR giúp vật thể ảo chui vào sau vật thật.
• Hybrid rendering kết hợp ray tracing và rasterization để che khuất chính xác.

Ứng dụng trong xử lý ảnh y sinh

Trong y khoa, che khuất xuất hiện khi xương hoặc mô cứng cản trở tia X, làm mất thông tin mạch máu trong ảnh angiography. Kỹ thuật digital subtraction angiography (DSA) loại bỏ cấu trúc nền bằng cách trừ ảnh trước và sau tiêm thuốc cản quang (NCBI).

Trong siêu âm, mô mềm có thể che khuất cấu trúc sâu hơn, gây artifact shadowing. Giải pháp sử dụng beamforming và tissue harmonic imaging cải thiện khả năng xuyên thấu và tái tạo hình ảnh các cấu trúc bị che khuất (ASE).

Thách thức và giới hạn

Xác định che khuất chính xác trong cảnh phức tạp với nhiều vật thể là bài toán NP-hard. Sự đa dạng về hình dạng và vật liệu của vật thể làm cho việc mô hình hóa 3D và depth estimation gặp khó khăn.

Kết hợp đa nguồn dữ liệu (RGB, depth, thermal) giúp cải thiện độ chính xác nhưng đòi hỏi đồng bộ cao về thời gian và không gian. Ngoài ra, xử lý thời gian thực trên thiết bị nhúng (mobile, AR glasses) còn hạn chế về tài nguyên tính toán và năng lượng.

• Độ phức tạp tính toán cao cho cảnh nhiều vật thể.
• Giới hạn sensor depth với ánh sáng yếu và bề mặt phản xạ thấp.
• Yêu cầu đồng bộ và calibrate đa cảm biến.

Triển vọng nghiên cứu tương lai

Sự phát triển của LiDAR và time-of-flight camera cung cấp bản đồ độ sâu chính xác hơn trong thời gian thực, hứa hẹn cải thiện khả năng phát hiện che khuất (Intel RealSense).

Hybrid deep learning models kết hợp CNN và transformer sẽ xử lý đồng thời thông tin hình ảnh và chiều sâu, tự động phân đoạn và tái tạo vùng che. Các kiến trúc như Swin Transformer đã chứng minh ưu thế trong nhiều bài toán segmentation (arXiv).

Trong robotics và autonomous driving, real-time occlusion handling với SLAM và object permanence modeling giúp robot và xe tự hành nhận biết vật thể chuyển động ngay cả khi tạm thời mất dấu, nâng cao an toàn và hiệu quả vận hành.

Danh mục tài liệu tham khảo

1. Szeliski, R. (2010). Computer Vision: Algorithms and Applications. Springer.
2. Hartley, R., & Zisserman, A. (2004). Multiple View Geometry in Computer Vision. Cambridge University Press.
3. OpenCV Documentation. “Depth Map and Stereo Matching”. Retrieved from https://docs.opencv.org/
4. Geiger, A., Lenz, P., & Urtasun, R. (2012). “Are we ready for Autonomous Driving? The KITTI Vision Benchmark Suite”. CVPR.
5. IEEE T-PAMI. “Image Inpainting Techniques: A Survey”. Retrieved from https://ieeexplore.ieee.org/document/8019402
6. NCBI Bookshelf. “Digital Subtraction Angiography”. Retrieved from https://www.ncbi.nlm.nih.gov/books/NBK532249/
7. ASE. “Tissue Harmonic Imaging”. American Society of Echocardiography, 2023. Retrieved from https://www.asecho.org/
8. Intel RealSense. “RealSense Depth Camera”. Retrieved from https://www.intelrealsense.com/
9. Liu, Z., et al. (2021). “Swin Transformer: Hierarchical Vision Transformer using Shifted Windows”. arXiv. Retrieved from https://arxiv.org/abs/2103.14030