Tăng cường chất lượng ảnh tối dựa trên không gian màu HSI và tối ưu hóa bầy đàn PSO

Bài viết Tăng cường chất lượng ảnh tối dựa trên không gian màu HSI và tối ưu hóa bầy đàn PSO đề xuất một phương pháp mới tăng cường chất lượng ảnh thông qua kết hợp các phương pháp tăng cường chất lượng ảnh cơ bản. Ảnh tối ban đầu trên miền RGB được chuẩn hóa để đưa về miền, sau đó được chuyển sang miền HSI.

Tuyển tập Hội nghị Khoa học thường niên năm 2018 ISBN: 978-604-82-2548-3 TĂNG CƯỜNG CHẤT LƯỢNG ẢNH TỐI DỰA TRÊN KHƠNG GIAN MÀU HSI VÀ TỐI ƯU HĨA BẦY ĐÀN PSO Đinh Phú Hùng Khoa Công nghệ Thông tin, email: hungdp@tlu.edu.vn GIỚI THIỆU KIẾN THỨC NỀN TẢNG Tăng cường chất lượng ảnh nhiệm vụ quan trọng xử lý ảnh Nó bao gồm kỹ thuật như: tăng cường độ tương phản, khử nhiễu, làm biên Các ảnh chụp vệ tinh khơng đạt chất lượng tốt bị tối mờ trường hợp điều kiện thời tiết khơng thuận lợi có sương mù thiếu ánh sáng Bài báo đề xuất phương pháp tăng cường chất lượng ảnh thông qua kết hợp phương pháp tăng cường chất lượng ảnh Ảnh tối ban đầu miền RGB chuẩn hóa để đưa miền [0, 1], sau chuyển sang miền HSI Từ kênh cường độ sáng I, tiến hành tạo ảnh tăng cường sử dụng kĩ thuật bản: ảnh I1 sử dụng kỹ thuật cân Histogram, ảnh I2 sử dụng kỹ thuật cải thiện độ tương phản hàm logarit, ảnh I3 sử dụng kĩ thuật cải thiện độ tương phản hàm logarit ngược, ảnh I4 sử dụng kĩ thuật Laplace để tăng cường độ sắc nét Giải thuật tối ưu hóa bầy đàn PSO áp dụng để tìm tham số tối ưu:  ,  ,  , 4 tương ứng với ảnh I1, I2, I3, I4 nhằm tối ưu hóa hàm số tương phản Michelso 2.1 Giải thuật tối ưu hóa bầy đàn Phương pháp tối ưu bầy đàn đề xuất J Kennedy [1] đồng nghiệp, thuật toán xây dựng dựa khái niệm trí tuệ bầy đàn để tìm kiếm lời giải cho tốn tối ưu hóa khơng gian tìm kiếm Phương pháp tối ưu bầy đàn dạng thuật toán tiến hóa quần thể, với tương tác cá thể quần thể để khám phá khơng gian tìm kiếm PSO kết mơ hình hóa việc đàn chim bay tìm kiếm thức ăn thường xếp vào loại thuật tốn có sử dụng trí tuệ bầy đàn Thuật tốn áp dụng thành cơng nhiều lĩnh vực PSO khởi tạo nhóm cá thể ngẫu nhiên sau tìm nghiệm tối ưu cách cập nhật hệ Trong hệ, cá thể cập nhật theo hai vị trí tốt Pbest Gbest Trong đó, giá trị thứ vị trí tốt mà đạt thời điểm tại, gọi Pbest Một nghiệm tối ưu khác mà cá thể bám theo nghiệm tối ưu tồn cục Gbest, vị trí tốt trình tìm kiếm quần thể từ trước tới thời điểm Nói cách khác, 2 J  Q  H    H1  H  , với H1 entropy cá thể quần thể cập nhật vị trí  theo vị trí tốt quần thể tính ảnh trước tăng cường, 2 , , H2 lần tời thời điểm Cụ thể sau cập lượt phương sai, trung bình, entropy nhật hệ, vận tốc vị trí cá ảnh sau tăng cường Tạo ảnh Ith thể cập nhật theo công thức sau: k k biểu diễn tổng hợp từ ảnh I1, I2, I3, I4 Vik 1   Vik  c1  r1   Pbest _ i  Xi  tham số tối ưu 1, 2, 3, 4 tương ứng Sau (1) kết hợp kênh H, S, Ith chuyển ngược  c2  r2   G kbest  X ki  trở lại miền RGB để thu ảnh tăng cường X ki 1  X ki  Vik 1 (2) Thực nghiệm cho thấy phương pháp đề xuất không cải thiện tốt độ tương phản mà đó: X ki : Vị trí cá thứ i hệ k cho đường biên ảnh sắc nét 142 Tuyển tập Hội nghị Khoa học thường niên năm 2018 ISBN: 978-604-82-2548-3 2.2.4 Độ sắc nét ảnh Vik : Vận tốc cá thứ i hệ k X ki 1 : Vị trí cá thứ i hệ k+1 Vik 1 : Vận tốc cá thứ i k Pbest _i : Vị trí tốt hệ k+1 cá thể thứ i Độ sắc nét ảnh tính cơng thức: G G uv G uv  u  v  M N hệ k đó: G kbest : Vị trí tốt quần thể u = I (u, v) – I (u + 1, v) hệ k v = I (u, v) – I (u, v + 1)  = 0.729 hệ số quán tính I (u, v) giá trị điểm ảnh hàng u, cột v c , c : Các hệ số gia tốc, nhận giá trị từ 1.5 ảnh đến 2.5 I (u + 1, v) giá trị điểm ảnh hàng u + 1, r1 , r2 : Các số ngẫu nhiên nhận giá trị cột v ảnh khoảng [0, 1] I (u, v + 1) giá trị điểm ảnh hàng u, cột v + ảnh 2.2 CÁC CHỈ SỐ ĐÁNH GIÁ M, N số hàng, cột ma trận I 2.2.1 Độ sáng ảnh Công thức tính giá trị trung bình (chỉ số GIẢI THUẬT ĐỀ XUẤT độ sáng) ảnh là: Đầu vào: Ảnh màu Iin M N Đầu ra: Ảnh màu tăng cường Ien  I  u, v    u  v  M N Bước 1: Ảnh màu ban đầu Iin chuẩn đó: hóa miền [0, 1] thu ảnh Is  giá trị trung bình Bước 2: Biến đổi ảnh Is từ miền RGB sang M, N tổng số hàng, cột ma miền HSI, giữ nguyên kênh H, S sử trận I dụng kênh cường độ sáng I cho bước tiếp I(u,v) phần tử hàng u, cột v ma trận theo Bước 3: Tạo ảnh tăng cường 2.2.2 Độ tương phản ảnh độ tương phản I1 , I2, I3 thông qua phương Công thức tính độ tương phản (phương pháp như: cân Histogram, biến sai) ảnh: đổi logarit, biến đổi logarit ngược Tạo ảnh tăng cường độ sắc nét I4   2  I  I         u,v u,v cách sử dụng toán tử Laplace M  N u, v  M  N u, v  Bước 4: Tạo ảnh tổng hợp Ith dựa đó: ảnh I1 , I , I3 I4 sau:  độ tương phản ảnh I th  1  I1    I  3  I3    I M, N số hàng, cột ma trận I(u,v) phần tử hàng u, cột v ma trận Bước 5: Gọi H1 H2 Entropy ảnh ban đầu I ảnh tổng hợp Ith Sử dụng 2.2.3 Nội dung thông tin giải thuật tối ưu hóa bầy đàn PSO để tìm gia Nội dung thông tin diễn tả lượng thông giá trị  1, 2 , 3,  tối ưu với hàm mục điệp mà ảnh chứa Thơng số 2 tiêu cần tối ưu hóa là: J  gọi entropy tính  H1  H   cơng thức: Bước 6: Tính I*th tối ưu dựa giá trị E    p i  log p i i tối ưu 1* , *2 ,  3* , *4 : đó, pi tần suất xuất điểm I*th  1* * I1   *2 * I  *3 * I  *4 * I ảnh thứ i 143 Tuyển tập Hội nghị Khoa học thường niên năm 2018 ISBN: 978-604-82-2548-3 Gọi Ii1 , Ii2, Ii3 ảnh ban đầu, ảnh Bước 7: Chuyển đổi kênh H, S I*th sau sử dụng giải thuật Himanshu [2], miền RGB thu ảnh Ien tăng ảnh sau sử dụng phương pháp đề xuất cường ảnh thực nghiệm thứ i (Xem Hình 1) Khởi tạo tham số sau: KẾT QUẢ THỰC NGHIỆM - Số lượng cá thể: n = 500 Dữ liệu thực nghiệm gồm ảnh A: ảnh - Hệ số: c = c = màu đuợc lấy từ thu viện ảnh: NASA - Hệ số quán tính  = 0.729 Visible Earth Home1 , Gallery | SATPALDA2 , Kết đo độ sáng () độ tương phản CRISP-WorldView Các ảnh ( ), lượng thơng tin entropy (E), độ sắc nét chuyển kích thước 256256 để tiến hành (G) ảnh mô tả Bảng Các thực nghiệm giá trị bôi đậm Bảng cho thấy I11 I12 I13 phương pháp đề xuất cho kết tốt Bảng Bảng kết thực nghiệm STT Ảnh I21 I21 I21 I31 I32 I33 I41 I42 I43 I11 I12 I13 I21 I22 I23 I31 I32 I33 I41 I42 I43 I51 I52 I53  0.1725 0.2870 0.4786 0.1306 0.3320 0.4909 0.3513 0.3807 0.5011 0.1539 0.3032 0.4936 0.2101 0.3437 0.4799 Chỉ số đánh giá 2 E 0.0266 0.0334 0.1100 0.0063 0.0256 0.0883 0.0168 0.0260 0.0805 0.0092 0.0219 0.0872 0.0191 0.0314 0.0883 6.6005 7.1632 7.6069 5.9470 6.5321 7.8254 6.9618 7.1551 7.9338 5.9383 6.5363 7.5980 6.6816 7.1435 7.8027 G 0.0687 0.0963 0.2166 0.0472 0.1114 0.2283 0.0429 0.0536 0.1038 0.0357 0.0662 0.1528 0.0528 0.0704 0.1408 TÀI LIỆU THAM KHẢO I51 I52 I53 Hình Các ảnh trước sau tăng cường [1] J Kennedy, R Eberhart, 1995, Particle swarm optimization, IEEE International Conference on Neural Networks [2] Himanshu Singh, Anil Kumar, L.K Balyan, G.K Singh, 2017, Swarm intelligence optimized piecewise gamma corrected histogram equalization for dark image enhancement, Computers and Electrical Engineering ht tp://visibleearth.nasa.gov/ ht tp://www.satpalda.com/gallery/ ht tp://www.crisp.nus.edu.sg/ 144 ... I ảnh tổng hợp Ith Sử dụng 2.2.3 Nội dung thông tin giải thuật tối ưu hóa bầy đàn PSO để tìm gia Nội dung thơng tin diễn tả lượng thông giá trị  1, 2 , 3,  tối ưu với hàm mục điệp mà ảnh. .. màu Iin M N Đầu ra: Ảnh màu tăng cường Ien  I  u, v    u  v  M N Bước 1: Ảnh màu ban đầu Iin chuẩn đó: hóa miền [0, 1] thu ảnh Is  giá trị trung bình Bước 2: Biến đổi ảnh Is từ miền RGB... ảnh chứa Thơng số 2 tiêu cần tối ưu hóa là: J  cịn gọi entropy tính  H1  H   công thức: Bước 6: Tính I*th tối ưu dựa giá trị E    p i  log p i i tối ưu 1* , *2 ,  3* , *4 : đó,