ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG
LÊ VĂN THỦY
ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO
VÀO BÀI TOÁN DÒ BIÊN ẢNH
LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH
VÀ CÔNG NGHỆ THÔNG TIN
THÁI NGUYÊN - 2013
Số hóa bởi trung tâm học liệu
http://www.lrc.tnu.edu.vn/
ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG
LÊ VĂN THỦY
ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO
VÀO BÀI TOÁN DÒ BIÊN ẢNH
Chuyên ngành: Khoa học máy tính
Mã số: 60 48 01 01
LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH
VÀ CÔNG NGHỆ THÔNG TIN
Số hóa bởi trung tâm học liệu
Lê Văn Thủy
http://www.lrc.tnu.edu.vn/
1
MỤC LỤC
LỜI CAM ĐOAN ..........................................................................................................1
MỤC LỤC ......................................................................................................................2
DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT ...............................................4
MỞ ĐẦU.........................................................................................................................7
CHƢƠNG 1. GIỚI THIỆU MẠNG NƠRON TẾ BÀO .............................................9
1.1. Giới thiệu chung ....................................................................................................9
1.2. Kiến trúc mạng nơron tế bào CNN .....................................................................10
1.3. Máy tính vạn năng mạng nơron tế bào CNN ......................................................14
1.3.1. Sự phát triển của máy tính điện tử ................................................................14
1.3.2. Máy tính vạn năng mạng nơron tế bào CNN-UM (Cellular Neural Network
Universal Machine) ................................................................................................17
1.4. Công nghệ xử lý ảnh nhanh trên mạng CNN ......................................................19
CHƢƠNG 2. TÌM HIỂU CÁC PHƢƠNG PHÁP DÒ BIÊN ẢNH ........................24
2.1. Bài toán xử lý ảnh ...............................................................................................24
2.2. Biên của ảnh và các phương pháp phát hiện biên [6] .........................................25
2.2.1. Định nghĩa và khái niệm ...............................................................................25
2.2.2. Phương pháp phát hiện biên trực tiếp ...........................................................26
2.2.3. Phương pháp phát hiện biên gián tiếp ..........................................................32
2.3. Phương pháp phát hiện biên nâng cao (Canny) ..................................................36
3.2.2. EDGEGRAY CNN .......................................................................................64
3.2.2.1. Tổng quát ..............................................................................................64
3.2.2.2. Luật cục bộ ...........................................................................................65
3.2.2.3. Xét ví dụ ...............................................................................................66
3.2.2.4. Phân tích toán học ................................................................................67
3.3. Mẫu CNN đề xuất EDEG EXTRACTION .........................................................71
3.4. Cài đặt, chạy mô phỏng.......................................................................................71
3.4.1. Mô phỏng CNN với Candy...........................................................................71
3.4.2. Mô phỏng CNN với chương trình Java “CNN Simulation”.........................74
3.4.3. Chạy mô phỏng .............................................................................................75
3.4.4. Nhận xét & đánh giá .....................................................................................78
KẾT LUẬN ..................................................................................................................80
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC LIÊN QUAN ĐẾN LUẬN VĂN ..81
TÀI LIỆU THAM KHẢO...........................................................................................82
Số hóa bởi trung tâm học liệu
http://www.lrc.tnu.edu.vn/
3
DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT
1. Các ký hiệu, thuật ngữ
u, v (in đậm): Ký hiệu cho đại lượng véc tơ trong các phương trình
A: Mẫu A của mạng nơron tế bào là mẫu liên kết các trọng số hồi tiếp từ đầu ra của các
láng giềng của một tế bào. Viết Auv là các trọng số liên kết từ lớp u đến lớp v trong
kiến trúc mạng nơron tế bào đa lớp.
B: Mẫu B của mạng nơron tế bào là mẫu liên kết các trọng số đầu vào của các láng giềng
của một tế bào; Buv là trọng số liên kết của các tế bào từ lớp u đến lớp v trong kiến trúc
Hình 1.7. Mạng CNN 2D .........................................................................................20
Hình 1.8. Mô hình kết nối mạng nơron tế bào ..........................................................20
Hình 1.9. Quá trình tính toán của mạng nơron tế bào ...............................................21
Hình 1.10. Kiến trúc bên trong của một tế bào xử lý ................................................21
Hình 1.11. Sơ đồ khối của máy tính thị giác .............................................................22
Hình 1.12. Máy tính thị giác trên PC 104 plus ..........................................................23
Hình 1.13. Máy tính thị giác trên PC để bàn .............................................................23
CHƢƠNG 2. TÌM HIỂU CÁC PHƢƠNG PHÁP DÒ BIÊN ẢNH ........................24
Hĩnh 2.1. Đường bao của ảnh ....................................................................................25
Hình 2.2. Các bước xử lý và phân tích ảnh ...............................................................25
Hình 2.3. Mặt nạ Robert ............................................................................................28
Hình 2.4. Mặt nạ Sobel ..............................................................................................28
Hình 2.5. Mặt nạ đẳng hướng....................................................................................29
Hình 2.6. Mặt nạ 4 - lân cận ......................................................................................29
Hình 2.7. Mặt nạ 8 hướng theo Kirsih .................................................................29
Hình 2.8. Ma trận 8-láng giềng kề nhau ....................................................................32
Hình 2.9. Ví dụ về chu tuyến của đối tượng ảnh .......................................................33
Hình 2.10. Chu tuyến trong, chu tuyến ngoài ...........................................................34
Hình 2.11. Đạo hàm hàm Gauss theo hai hướng (x,y) ..............................................38
Hình 2.12. Kết quả sử dụng phương pháp Canny .....................................................41
CHƢƠNG 3. ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO ..................44
Hình 3.1. Mạch thể hiện của điều kiện biên cố định (Dirichlet) ...............................45
Số hóa bởi trung tâm học liệu
http://www.lrc.tnu.edu.vn/
5
Hình 3.2. Mạch thể hiện điều kiện biên Neumann ....................................................46
6
MỞ ĐẦU
Tìm biên của một ảnh là một trong những xử lý quan trọng trong phân tích ảnh
vì các kĩ thuật phân đoạn ảnh chủ yếu dựa vào biên. Cho đến nay chưa có định nghĩa
chính xác về biên, trong mỗi ứng dụng người ta đưa ra các độ đo khác nhau về biên,
một trong các độ đo đó là độ đo về sự thay đổi đột ngột về cấp xám. Ví dụ: Đối với
ảnh đen trắng, một điểm được gọi là điểm biên nếu nó là điểm đen có ít nhất một điểm
trắng bên cạnh. Tập hợp các điểm biên tạo nên biên hay đường bao của đối tượng.
Xuất phát từ cơ sở này người ta thường sử dụng hai phương pháp phát hiện biên cơ
bản. Phương pháp phát hiện biên trực tiếp làm nổi biên dựa vào sự biến thiên mức xám
của ảnh. Kỹ thuật chủ yếu dùng để phát hiện biên ở đây là dựa vào sự biến đổi cấp
xám theo hướng. Cách tiếp cận theo đạo hàm bậc nhất của ảnh dựa trên kỹ thuật
Gradient, nếu lấy đạo hàm bậc hai của ảnh dựa trên biến đổi giá trị ta có kỹ thuật
Laplace. Phát hiện biên gián tiếp, nếu bằng cách nào đó ta phân được ảnh thành các
vùng thì ranh giới giữa các vùng đó gọi là biên. Kỹ thuật dò biên và phân vùng ảnh là
hai bài toán đối ngẫu nhau vì dò biên để thực hiện phân lớp đối tượng, mà khi đã phân
lớp xong nghĩa là đã phân vùng được ảnh và ngược lại, khi đã phân vùng ảnh đã được
phân lớp thành các đối tượng, do đó có thể phát hiện được biên. Tuy nhiên các phương
pháp xử lý ảnh truyền thống để dò biên lại đòi hỏi nhiều thời gian xử lý nhất là với
những ảnh có kích thước lớn. Để đáp ứng yêu cầu đó người ta đã và đang tìm kiếm
nhiều phương pháp xử lý ảnh song song khác nhau nhằm giảm thời gian xử lý
Năm 1988 L.O.Chua và L.Yang đã giới thiệu nguyên tắc công nghệ cho sự ra
đời của mạng nơron tế bào (Cellular Neural Network - CNN). Năm 1993 máy tính
mạng nơron tế bào đã được chế tạo ứng dụng thành công cho một số bài toán xử lý ảnh
và tính toán. Đến nay, CNN đã được nghiên cứu phát triển ứng dụng rộng rãi trên
nhiều nước với nhiều lĩnh vực như xử lý ảnh động, thị giác máy, tính toán điều
khiển...Tại Việt Nam đã có một số nghiên cứu ban đầu. Do vậy, được sự gợi ý của
người hướng dẫn khoa học và nhận thấy tính thiết thực của vấn đề này, em đã chọn đề
8
CHƢƠNG 1. GIỚI THIỆU MẠNG NƠRON TẾ BÀO
1.1. Giới thiệu chung
Năm 1988, Leon O Chua và Lin Yang đưa ra ý tưởng về kiến trúc máy tính
mạng nơron tế bào (Cellular Neural Network). Trong đó, các tác giả đã
nêu những nội dung cơ bản cho một mô hình tính toán song song, bao gồm kết cấu
mạch điện, phương trình toán học mô tả hoạt động của hệ thống. Bài báo cũng phân
tích, chứng minh sự làm việc ổn định của mạng bằng các cơ sở toán học, đưa ra mô
hình mô phỏng thuật toán với những ví dụ cụ thể. Đây là những khái niệm, nguyên
tắc cơ bản, làm nền tảng cho việc nghiên cứu về công nghệ CNN. Mô hình mạch
điện của Chua đã trở thành kiến trúc lõi cho việc thiết kế các chip CNN sau này.
Sau đó là một loạt các bài viết về việc thiết kế chip CNN ứng dụng cho bài toán xử
lý ảnh và nhận dạng là lĩnh vực đầu tiên được ứng dụng công nghệ CNN.
Năm 1993, Tamás Roska và Leon Chua lần đầu tiên giới thiệu kiến trúc của
máy tính mạng nơron tế bào (CNN-UM) với những chip analog lập trình theo
thuật toán. Các nhà nghiên cứu thuộc Office of Naval Research, National Science
Foundation, University of California (US) và Hungarian Academy of Sciences
(Hungary) đã thiết kế, chế tạo ra nền tảng phần cứng (plaform) để thực thi ý tưởng về
kiến trúc chip CNN của Roska và Chua [2], [5].
Chip CNN analog được chế tạo lần đầu tiên vào năm 1993 có tên là CNN
Universal Processor trên nguyên tắc xử lý đa lớp cho phép tính toán với dữ liệu
dạng ma trận. Chip này được thiết kế có kiến trúc 8x8 tế bào, với giao diện làm
việc, bộ nhớ analog, chuyển mạch lô gic và chương trình phần mềm. Từ đó khẳng
định tính khả thi và tiềm năng của công nghệ CNN. Đến năm 2000 có tới sáu nhà
sản xuất tham gia chế tạo chip analog dựa trên nguyên tắc đưa ra năm 1993. Hãng
AnaForcus phát triển kết quả nghiên cứu của đại học Seville bắt đầu thiết kế mô
Hình 1.1. Kiến trúc mạng CNN
Một lớp CNN kích thước MxN với các tế bào C(i,j) i=1,2,3...M, j=1,2,...N là mạng
chuẩn khi thỏa mãn các phương trình toán học sau:
1. Phương trình trạng thái (state equation)
xij
xij
R, yij
1
xij t
Rx
R và zij
B (i, j; k , l )u kl zij (1.1)
A(i, j; k , l ) ykl t
C ( k ,l ) S r ( i , j )
C ( k ,l ) S r ( i , j )
R được gọi là trạng thái: đầu ra, đầu vào, ngưỡng của tế bào C(i,j),
A(i, j; k, l) và B(i, j; k, l) được gọi là toán tử phản hồi và toán tử dẫn nhập đầu vào.
Theo Chua và Roska, 1993 [7]:
A(i, j; k , l )
B(i, j; k , l )
xij t
2
1
xij t
2
1
1
(1.2)
3. Điều kiện biên xác định và là các tế bào thuộc thuộc hiệu ứng cầu của các tế bào
cạnh nhưng nằm ngoài mảng kích thước MxN;
4. Trạng thái khởi tạo xij (0) , i 1, 2,...., M , j 1, 2,..., N;
(1.3)
5. Sr(i, j) là hiệu ứng cầu của tế bào C(i,j) có bán kính r, khi tất cả các tế bào lân cận
thỏa mãn điều kiện sau (r là một số nguyên dương);
Sr (i, j )
C k, l
max
1 k M ,1 l N
k i,l
tương tự phương trình 1.1) như sau:
A(i, j; k , l ) ykl
A(i k , j l ) ykl
C ( k ,l ) S r ( i , j )
k i r l j r
B(i, j; k , l )ukl
B(i k , j l )ukl
C ( k ,l ) S r ( i , j )
(1.1*)
k i r l j r
Phần lớn các ứng dụng của CNN chỉ sử dụng CNN chuẩn bất biến không gian
lân cận 3 X 3 (r = 1). Các cell C i, j
Sr i, j với các mẫu:
C(i-1,j-1)
C(i-1,j)
C(i-1,j+1)
A(m, n)
A(i, j; k , l ) ykl
C ( k ,l ) S r ( i , j )
a
y
1
1l
a
1,0
yi
1, j 1
1, j
a 1,1 yi
a1,0 yi
1, j
a0, 1 yi, j
(1.5)
k i r l j r
1, 1
a0, 1
a1, 1
k, j l
1
a
1,0
a0,0
a1,0
a
1,1
y
1, 1
a0,1 * y0, 1
toán tử “xoắn không gian”. Ma trận 3 X 3 Yij trong (1.7) thu được bởi việc di chuyển
một mặt nạ mờ với kích thước cửa sổ 3x3 đến vị trí (i,j) của ma trận MxN đầu ra ảnh
Y do vậy được gọi là ảnh đầu ra tại C(i,j).
Một phần tử akl là phần tử trung tâm, trọng số hoặc hệ số, của mẫu hồi tiếp A,
nếu và chỉ nếu (k,l) = (0,0). Để thuận tiện phân tích mẫu A như sau, khi đó Ao và A
lần lượt được gọi là các thành phần mẫu trung tâm và đường biên.
A0
A
A
A
0
0
0
0
a0,0
0
0
0
1
B(i k , j l )ukl
k i r l j r
ui
1
b 1,0
b 1,1
b0, 1
b1, 1
b0,0
b1,0
b0,1 * ui , j 1
ui , j
b1,1
ui 1, j 1 ui 1, j
1, j 1
bk ,l ui
k, j l
0
0
0
0
b0,0
0
0
0
0
B
b-1,-1
b-1,0
b-1,1
b0,-1
0
xij a00 f ( xij ) A*Yij B *U ij hij ( xij ;
gij xij
ij
xij ; t ;
ij
xij ; t
A * Yij
)
(1.13)
B *U ij
(1.14)
ij
hij: gọi là rate funtion (hàm tỷ lệ), gij: gọi là điểm điều khiển,
Mỗi CNN được xác định bởi 3 giá trị của các mẫu vô hướng
ij:
hàm bù.
toán theo chương trình được lưu trong bộ nhớ. Đây là loại máy tính vạn năng xử lý
trên các số nguyên (Universal Machine on Integers) hay còn gọi là máy Turing (Turing
Machine). Các phép tính cơ bản của nó là các phép số học và logic. Thuật toán
(algorithms) là các chuỗi logic của các phép tính cơ bản này. Từ năm 1960 đến năm
2000 độ tích hợp của chip IC tăng từ 1 bóng bán dẫn đến con số hàng trăm triệu bóng
bán dẫn/chip. Tuy nhiên về cấu trúc và nguyên lý hoạt động của các vi xử lý này
không có gì khác so với nguyên lý của Neumann János đưa ra từ năm 1946.
Sự ra đời của các vi mạch tích hợp rất lớn VLSI đã tạo ra các máy tính số có tính
thực tiễn cao với giá thành rẻ và hiện nay đã trở thành một loại hàng hóa thông dụng.
Mặc dù vậy các máy tính hiện đại ngày nay còn gặp nhiều khó khăn trong một số
bài toán mà các sinh vật sống xử lý rất đơn giản như kiểm soát đi lại, ăn uống và tìm
mồi vv... Do vậy cần phải có một nguyên lý tính toán mới, cấu trúc mới để tiếp tục
nâng cao được khả năng tính toán và giải quyết được những vấn đề mà máy tính điện
tử hiện hành chưa giải quyết được.
Sự ra đời của mạng nơron tế bào CNN đã mở ra một hướng mới cho sự phát triển
của khoa học tính toán tiếp cận đến các phương thức xử lý cũng như phương thức cảm
nhận và hành động của các tổ chức trong cơ thể sinh vật sống.
Năm 1993 Giáo sư Roska Tamás ở Viện Nghiên cứu Máy tính và Tự động hóa
Hungary và Giáo sư L. O. Chua ở đại học Berkeley Mỹ đã công bố nguyên lý máy tính
CNN mới này tại Viện Hàn lâm khoa học Hungary. Không lâu sau giáo sư Angel
Rodriguer Vazquez ở Seville Tây Ban Nha cùng hợp tác với nhóm CNN BudapestBerkeley và cho ra đời Chip CNN CP400 đầu tiên năm 1995, đánh dấu một hướng
phát triển mới của máy tính điện tử .
Với chip mạng nơron tế bào CNN-UM chương trình vẫn được lưu trong bộ nhớ
nhưng các phép tính đã được thực hiện song song trong môi trường tín hiệu tương tự.
Năm 1999 chip CNN với đầu vào quang học đầu tiên đã ra đời với 4096 CPU có khả
năng xử lý đến SO OOOảnh/giây. Tốc độ xử lý này tương đương với 9200 bộ vi xử lý
Pentium. Chip CNN 256x256 CPU đang được thiết kế có tới 64000 CPU, có khả năng
xử lý các chức năng mà hiện nay chỉ được ứng dụng trong các máy bay quân sự hoặc
có thể hoạt động và có khả năng lập trình thay đổi các trọng liên kết, ở mỗi tế bào đều
có bộ nhớ, các thanh ghi, các khối vào ra và truyền thông cục bộ. Ngoài ra toàn mạng
còn có khối lập trình toàn cục GAPU (Global Analogic Program Unit) phục vụ cho
điều hành toàn mạng.
Hình 1.5. Cấu trúc máy tính CNN-UM
Số hóa bởi trung tâm học liệu
http://www.lrc.tnu.edu.vn/
17
Khối OPT (Optical Sensor) ở mỗi tế bào làm chức năng thu nhận tín hiệu (điểm
ảnh) đầu vào trực tiếp cho tế bào mà không cần bộ chuyển đổi A/D. Bộ nhớ cục bộ
analog (LAM) và logic (LLM) lưu trữ các giá trị analog và logic của tế bào. Khối xử
lý logic cục bộ (LLU) và khối xử lý đầu ra tương tự cục bộ (LAOU) thực hiện các
phép tính toán logic và tương tự cho mỗi tế bào của mình. Các kết quả của mỗi tế bào
được lưu giữ trong các bộ nhớ cục bộ. Khối điều khiển và truyền thông cục bộ
(LCCU) thực hiện chức năng điều khiển và trao đổi thông tin giữa các tế bào lân cận
và tới khối lập trình toàn cục (GAPU). Khối lập trình tương tự - số toàn cục GAPU có
các thanh ghi và khối điều khiển toàn cục. Thanh ghi chương trình analog APR lưu trữ
các trọng số của tế bào mạng CNN. Trong trường hợp r = 1 tổng số trọng lưu trữ là 19
số thực. Thanh ghi chương trình logic (LPR) chứa các lệnh logic cần thực hiện cho các
tế bào. Thanh ghi cấu hình chuyển mạch (SRC) chứa các thông số khởi động và các
tham số cho các chức năng hoạt động của các tế bào. Khối điều khiển tương tự số toàn
cục (GACU) lưu các lệnh tuần tự của chương trình chính (analogic) và thực hiện các
chức năng điều khiển toàn cục khác. Một thuật toán chạy trong CNN-UM có thể được
tuần tự thực hiện qua các lệnh analog và logic. Mức độ kết quả trung gian có thể được
tổ hợp và lưu trữ cục bộ. Các phép tính analog (analog operations) được định nghĩa
chuẩn (CNN Physic Interface- CPI). Hệ điều khiển trên PC có thể tích hợp trên
mainboard của máy PC gọi là PCS (CNN Prototyping System Board).
- Nền tảng kết cấu vật lý (platform) cho CNN-UM: Cũng như máy tính PC, mỗi
xử lý đều được xây dựng nên từ các câu lệnh, có thể đóng gói thành các hàm thư viện.
CNN UM cũng cung cấp cho người dùng một tập thư viện các mẫu và ngày càng
được bổ sung thêm.[5]
1.4. Công nghệ xử lý ảnh nhanh trên mạng CNN
Máy tính xử lý ảnh nhanh CNN
a. Chip tế bào thị giác
Mạng nơron tế bào được thiết kế giống như mạng lưới gồm có số lượng lớn các
tế bào xử lý tương tự giống hệt nhau. Những tế bào xử lý này được sắp xếp trong một
Số hóa bởi trung tâm học liệu
http://www.lrc.tnu.edu.vn/
19
cấu trúc đều (thường là hình chữ nhật hoặc lục giác) và được kết nối cục bộ (liên kết với
tế bào bên cạnh gần nhất) để tạo ra mối liên kết trên mạch bán dẫn.[1][5]
Mô hình trọng số của các liên kết là
một không gian bất biến, nghĩa là mạng chỉ
có một số thông số tự do (khoảng vài chục
thông số). Mỗi tế bào xử lý được gắn với
một cảm biến ánh sáng và có thể xử lý các
điểm ảnh có giá trị mức xám (grayscale)
hoặc nhị phân. Trên cơ sở cấu trúc bên trong
và chức năng của các phần tử xử lý, mô hình
liên kết các tế bào và trọng số của các liên
kết, một số lượng lớn các kiểu mạng tế bào
cục khác. Giáo sư Tamás Roska từ Viện
MTA SzTAKI Budapetst, Hungary và
giáo sư Leon O. Chua từ Đại học
Berkeley Caliornia USA đã đưa ra giải
pháp để chuyển đổi cấu trúc mảng gồm
các tế bào xử lý sang kiến trúc chíp xử lý
có khả năng lập trình theo thuật toán.
Hình 1.9. Quá trình tính toán của mạng
nơron tế bào
Hai giáo sư đã đề xuất giải pháp tạo ra sự liên kết các trọng số khả trình và thực
hiện trong các vùng nhớ ảnh xám và ảnh nhị phân. Họ cũng đề xuất thêm thuật toán
khả trình và các đơn vị xử lý logic ở mỗi tế bào.
Hình 1.10. Kiến trúc bên trong của một tế bào xử lý
Việc lập trình các trọng số và tích hợp việc xử lý và lưu giữ các khối đã tạo ra
chíp xử lý ảnh trên nền mạng CNN. Một ảnh với kích thước mảng (array-sized image)
(mỗi tế bào xử lý tương ứng với một điểm ảnh - image pixel) có thể nạp (download) và
lưu trữ trong chíp và thực hiện tuần tự những phép tính trên chíp. Những kết quả bên
Số hóa bởi trung tâm học liệu
http://www.lrc.tnu.edu.vn/
21
trong có thể được lưu trữ và dùng trong thuật toán đang thực hiện. Ví dụ một vài thuật
toán xử lý ảnh thay đổi những ảnh có giá trị mức xám gốc thành ảnh nhị phân. Sau khi
chuyển đổi, ảnh có thể được lưu trữ trong bộ nhớ nhị phân, phân tán trong chip (onchip) và các phép toán logic cũng có thể được chấp nhận.
nghiệm hoặc phòng sạch, hệ thống có thể cài vào máy tính để bàn.
Hình 1.12. Máy tính thị giác trên PC 104 plus Hình 1.13. Máy tính thị giác trên PC để bàn
Số hóa bởi trung tâm học liệu
http://www.lrc.tnu.edu.vn/
23
Copyright: Tài liệu đại học ©