TỔNG LIÊN ĐOÀN LAO ĐỘNG VIỆT NAM

TRƯỜNG ĐẠI HỌC TÔN ĐỨC THẮNG

BÁO CÁO GIỮA KÌ

MÔN HỌC: XSTK Ứng dụng cho CNTT

Họ và tên sinh viên: Trần Gia Bảo

Mã số sinh viên: 52100771

Ngành học: Kĩ thuật phần mềm

Email: 52100771@student.tdtu.edu.vn

TP. HỒ CHÍ MINH, THÁNG 10 NĂM 2022

2022
Lời cảm ơn :
Chúng em xin gửi lời cảm ơn chân thành đến
Khoa Công Nghệ Thông Tin, Trường Đại học Tôn Đức Thắng đã tạo
điều kiện thuận lợi cho chúng em học tập và hoàn thành đề tài nghiên
cứu này. Đặc biệt chúng em xin bày tỏ lòng biết ơn sâusắc đến thầy
đã dày công truyền đạt kiến thức và hướng dẫn chúng em trong quá
trình làm bài.Em đã cố gắng vận dụng những kiến thức đã học được
trong học kỳ qua đế hoàn thành bài giữa kì này . Nhưng do kiến thức
hạn chế và không có nhiều kinh nghiệm thực tiễn nên khó tránh khỏi
những thiếu sót trong quá trình nghiên cứu và trình bày. Rất
kính mong sự góp ý của quý thầy cô để bài tiểu luận của em được
hoàn thiện hơn.Một lần nữa, em xin trân trọng cảm ơn sự quan tâm
giúp đỡ của các thầy cô đã giúp đỡ em trong quá trình thực hiện bài
giữa kì này.
Xin trân trọng cảm ơn!

Phần 1 : Thư viện Statistics

Hàm mean() :
+ Cách dùng : Dùng để tính giá trị trung bình cho các phần tử nằm ở trong một mảng một
chiều

+ Đầu vào : Là mảng một chiều hoặc danh sách của các phần tử số
+ Trả về : Là giá trị trung bình của các phần tử trong mảng

Hàm fmean() :
+ Cách dùng : Tương tự như hàm mean() , hàm fmean() có sự khác biện là dữ liệu được
chuyển thành kiểu float và kiểu dữ liệu trả về cũng là số thực

+ Đầu vào : Danh sách hoặc bộ số của tập hợp số

+ Trả về : Gía trị trung bình của các phần tử trong đầu vào và kết quả có kiểu dữ liệu là số
thực
Hàm geometric_mean() :
+ Cách dùng : Dùng để tính giá trị trung bình hình học của một danh sách tích lũy
+ Đầu vào : Danh sách hoặc bộ số của tập hợp số
+ Trả về : Giá trị trung bình hình học của danh sách , mảng hoặc một bộ tập hợp số
Hàm harmonic_mean() :
+ Cách dùng : Dùng hàm này để tính được trung bình hài hòa (có thể gọi là trung bình trái
ngược) , thường được sử dụng để tính tỷ giá trung bình cộng nghịch đảo của một tập hợp mà
chúng ta quan sát nhất định
+ Đầu vào : Danh sách hoặc bộ hoặc bộ lặp của các số thực có giá trị
+Trả về : Trả về giá trị trung bình hài hòa của danh sách hay bộ các số thực đã cho
Hàm median() :
+Cách dùng : Dùng để tính trung vị của một danh sách hay mảng một chiều , … . Hàm có ưu
điểm là danh sách dữ liệu không cần phải được sắp xếp trước khi được gửi dưới dáng tham số
cho hàm .
+ Đầu vào : Danh sách hoặc bộ số có giá trị
+ Trả về : Trả về giá trị trung vị của danh sách hay bộ số đầu vào
Hàm median_low() :
+ Cách dùng : Dùng để tính giá trị trung bình thấp của tập dữ liệu và cũng có thể dùng để sắp
xếp dữ liệu theo thứ tự tang dần trước khi tính giá trị trung vị thấp
+ Đầu vào : Đưa vào danh sách , bộ dữ liệu hoặc bộ dữ liệu hoặc tập hợp số có thể lặp lại
+ Trả về : Trả về giá trị trung bình thấp của dữ liệu
Hàm median_high() :
+ Cách dùng : pháp tính giá trị trung bình cao của tập dữ liệu đã cho và cũng có thể dùng để
sắp xếp dữ liệu theo thứ tự tăng dần trước khi tính giá trị trung bình cao.
+ Đầu vào : Đưa vào danh sách , bộ dữ liệu hoặc tập hợp số có thể lặp lại
+ Trả về : Trả về giá trị trung bình cao của dữ liệu số
Hàm median_grouped() :
+ Cách dùng : giá trị trung bình của tập dữ liệu là thước đo xu hướng trung tâm mạnh mẽ,
ít bị ảnh hưởng bởi sự hiện diện của các giá trị ngoại lai trong dữ liệu

+ Đầu vào : Đưa vào danh sách , bộ dữ liệu hoặc tập hợp số có thể lặp lại
+ Trả về : Trả về giá trị trung bình của dữ liệu liên tục được nhóm lại được tính bằng phân
vị thứ 50
Hàm mode() :
+ Cách dùng : là giá trị mà dữ liệu có nhiều khả năng lấy mẫu nhất . Bất kì giá trị nào mà
tại đó hàm mật độ xác suatas của nó có giá trị cực đại cục bộ .

+ Đầu vào : là một bộ , danh sách hoặc tập hợp số có thể lặp lại
+ Trả về : trả về giá trị dữ liệu phổ biến nhất từ dữ liệu rời rạc
Hàm multimode() :
+ Cách dùng : sử dụng để lấy danh sách chứa các dữ liệu phổ biến nhất hay còn được gọi là
có tần suất xuất hiện lớn nhất .

+ Đầu vào : Là một danh sách hay bộ chứa các giá trị số hoặc có thể là một chuỗi các kí tự
bằng chữ

+ Trả về : Trả về danh sách chứa các phần tử xuất hiện với tần suất lớn nhau và được sắp
xếp theo thứ tự .
Hàm quantiles() :
+ Cách dùng : Hàm trả về các lượng tử tương ứng với các số có trong dữ liệu có thể lặp lại ,
nó chia dữ liệu thành các khoảng với xác suất bằng nhau . n đóng vai trò là giá trị mà hàm sẽ
trả về với các phân vị từ 1 đến n

+ Đầu vào : Là danh sách hay một bộ hoặc tập hợp số và giá trị n bằng giá trị nào mà chúng
ta muốn , cuối cùng là phương thức mà đề bài yêu cầu

+ Trả về : Trả về danh sách các lượng từ có độ dài là n-1

Hàm pstdev() :
+ Cách dùng : là phương pháp để chúng ta tính độ lệch chuẩn từ toàn bộ tập hợp , độ lệch
chuẩn là thước đó mức độ dàn trải của các con sô có trong dữ liệu

+ Đầu vào : Là danh sách hay là tập hợp hay bộ số

+ Trả về : là một giá trị thực đại diện cho độ lệch chuẩn tổng thể của dữ liệu đã cho
Hàm pvariance() :
+ Cách dùng : Hàm dung để tính toán phương sai của toàn bộ tập hợp. Phương sai thể hiện
được dữ kiệu được trải rộng như thế nào . Một phương sai nhỏ cho thấy được dữ liệu được
nhóm chặt chẽ xung quanh giá trị trung bình .

+ Đầu vào : là danh sách hay tập hay là bộ số có thể chưa các phần tử lặp
+ Trả về : Trả về phương sai tổng thể của các giá trị được truyền dưới dạng tham số
Hàm stdev() :
+ Cách dùng : dung để tính độ lệch chuẩn của bộ dữ liệu . Ngoài ra chúng ta có thể tính độ
lệch chuẩn bằng cách bình phương phương sai của bộ dữ liệu . Độ lệch chuẩn chỉ rả dữ liệu
được trải rộng như thế nào hay cũng thể hiện dữ liệu được phân bộ xung quanh giá trị trung
bình .

+ Đầu vào : là danh sách hay tập hay là bộ số có thể chưa các phần tử lặp
+ Trả về : Trả về giá trị độ lệch chuẩn của các bộ dữ liệu đầu vào .
Hàm variance() :
+ Cách dùng : Dùng để tính phương sai của một mẫu cần được tính toán . Cũng như là nó
sẽ tính phương sai của tập hợp con của bộ dữ liệu mà phần tử trong đó phổ biến

+ Đầu vào : là danh sách hay tập hay là bộ số có thể chưa các phần tử lặp
+ Trả về : Gía trị phương sai của mẫu dữ liệu
Hàm covariance() :
+ Cách dùng : Hàm để tính hiệu phương sai của dữ liệu . Hiệu phương sai thể hiện được
hướng di chuyển của các giá trị . Nếu hiệu phương sai dương thì chiều hai biến di chuyển các
phần tử di chuyển theo cùng một hướng . Nếu hiệu phương sai âm thì hai biến có hướng di
chuyển ngược lại . Còn nếu hiệu phương sai âm thì hai biến ngẫu nhiên độc lập với nhau .

+ Đầu vào : là danh sách hay tập hay là bộ số có thể chưa các phần tử lặp
+ Trả về : Gía trị phương sai đại diện cho dữ liệu đầu vào
Phần 2 : Histogram Equalization
+Vấn đề : Có nhiều bức ảnh chúng ta cần xử lí vì nó được chụp trong các điều kiện thiếu
ánh sáng , khoảng cách quá xa hay là ánh sáng không hài hòa cũng như nhu cầu phân tích và
nghiên cứu qua các bức ảnh qua các ngành khoa học cũng như y học còn nhiều .

+Phương pháp : Thuật toán xử lí hình ảnh giúp điều chỉnh giá trị pixel của hình ảnh . Mục
đích là để nâng cao độ tương phản bằng cách làm cho các cường độ đó đồng đều hơn .
Thường thì biểu đồ của một hình ảnh nào đó sẽ gần với phân phối chuẩn , và việc cân bằng
nhằm mục đích phân phối đồng đều làm cho bức ảnh trở nên hài hòa hơn .
+Cân bằng biểu đồ hoạt động bao gồm 3 bước chính :
-Thứ nhất : Tính toán biểu đồ về cường độ pixel của hình ảnh
-Thứ hai : Trải đều và phân phối các gái trị pixel thường xuyên nhất hay là những giá trị
pixel có số lượng cũng như tần suất xuất hiện lớn nhất trong biểu đồ
-Thứ ba : Đưa ra xu hướng tuyến tính cho hàm phân phối tích lũy
Cân bằng biểu đồ là quá trình làm cho giá trị cường độ của hình ảnh điều chỉnh để tạo ra độ
tương phản tổng thể cao hơn .
Biểu đồ hình ảnh được sử dụng để thu thập thông tin về các thuộc tính của hình ảnh
+Ý nghĩa : Nó là một khía cạnh cực kỳ quan trọng của khoa học dữ liệu. Ngoài ra cũng áp
dụng vào y học hay ngành vũ trụ khi chụp x quang hay chụp các hành tinh ở xa . Ảnh sẽ dễ
dàng cho con người quan sát cũng như nghiên cứu .
+Có nhiều thuật toán để cân bằng biểu đồ và đây là một thuật toán điển hình :

Phần code :

Các thư viện hỗ trợ giúp cho phần sử dụng được đơn giản hóa cũng như dễ để dung hơn .
Đây là kết quả mà chúng ta thu được trước và sau . Nó cho thấy rõ được công dụng cũng như
sự hiệu quả to lớn của kĩ thuật cân bằng biểu đồ này
Tài liệu tham khảo :
Em có tham khảo qua hai website chính này để học về thư viện và các hàm cũng như về thuật
cân bằng biểu đồ :
https://opencv.org/
https://www.w3schools.com/
https://www.geeksforgeeks.org/