Luận văn thạc sĩ Kỹ thuật điện tử: Thiết kế lõi IP triệt nhiễu ảnh sử dụng biến đổi Contourlet

Nhờ cáctính chất này, lọc miền Contourlet có thể thực hiện dễ dàng bằng phương pháp cắtngưỡng tín hiệu lên các hệ số Contourlet [2].Sau quá trình phân tách Contourlet, ảnh sẽ được phân t

LÊ QUÓC BẢO TRÍ

THIET KE LOI IP TRIỆT NHIÊU ANH SỬ DỤNG

BIEN DOI CONTOURLET

Chuyên ngành: Kỹ Thuật Điện TửMã so: 60 52 70

TP HO CHÍ MINH, tháng 12 năm 2013

(Ghi rõ họ, tên, học hàm, học vi và chữ ký)Cán bộ chấm nhận Xét 1: - - s6 EESESEEESESEEESESEEeEseserecee

(Ghi rõ họ, tên, học hàm, học vi và chữ ký)Cán bộ chấm nhận Xét 2: - - + skE+kSkEESESEEESESEEESESEEEErkrkreree

(Ghi rõ họ, tên, học hàm, học vi và chữ ký)Luận văn thạc sĩ được bảo vệ tại Trường Dai học Bach Khoa, ĐHQGTp.HCM ngày tháng năm

Thanh phan Hội đồng đánh giá luận văn thạc sĩ gồm:(Ghi rõ họ, tên, học hàm, học vi của Hội đông cham bảo vệ luận văn thạc sĩ)

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyênngành sau khi luận văn đã được sửa chữa (nêu có).

CHỦ TỊCH HỘI ĐÔNG TRƯỞNG KHOA ĐIỆN-ĐIỆN TỬ

NHIỆM VỤ LUẬN VĂN THẠC SĨHọ tên học viên: LE QUOC BẢO TRÍ MSHV: 12140050Ngày, tháng, năm sinh: 23/07/1989 Nơi sinh: Thừa Thiên HuếChuyên ngành: Kỹ Thuật Điện Tử Mã số: 60 52 70

I TÊN DE TÀI: THIẾT KE LOI IP TRIỆT NHIÊU ANH SỬ DỤNG BIEN

DOI CONTOURLET

II NHIỆM VU VÀ NỘI DUNG ccccccssscsssecssseesseccssucccseccesuccssuccsseceusecessecssesesseressecs

Ill NGÀY GIAO NHIEM VU: (Ghi theo trong QD giao dé tài) 5- 5+:IV NGÀY HOÀN THÀNH NHIEM VU: (Ghi theo trong QD giao dé tài) V CAN BO HUONG DAN: (Ghi rõ hoc hàm, học vị, họ, tên) s5 +:

Tp HCM, ngày tháng năm 20 CÁN BỘ HƯỚNG DAN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO

(Họ tên và chữ ký) (Họ tên và chữ ký)

TRƯỞNG KHOA ĐIỆN ĐIỆN TỬ

(Họ tên và chữ ký)

LỜI CÁM ƠN

Tôi xin chân thành cắm ơn quý thay cô trường Đại Học Bách Khoa TP Hồ ChiMinh, những người đã truyền dat cho tôi những kiến thức và kinh nghiệm quý báufrong suốt khóa học cao học tại truong

Tôi xin được gửi lời cam on sâu sac đến thay — TS Truong Quang Vinh Thayđã hướng đây tận tình, tạo cho tôi cách tw duy và làm việc khoa hoc, và hướng chotôi đến các dé tài khoa học mới mẽ

Tôi xin cam ơn các ban học viên, sinh viên làm việc tại phòng Lab 116 BI đãnhiệt tình giúp đỡ tôi trong suốt quá trình thực hiện luận văn

Tôi xin gửi lời cảm ơn đến gia đình, bạn bè đã luôn động viên và ung hộ, giúptôi có thêm động lực dé hoàn thành dé tài

TP Hô Chí Minh, 28/11/2013

Hoc vién

Lé Quoc Bao Tri

TOM TAT

Nang cao chat lượng anh luôn là một vấn đề phức tạp vì các loại nhiễu ảnh rất

đa dạng như nhiễu Gauss, nhiễu xung, nhiễu hạt tiêu, nhiễu liên khung hình Thực

hiện việc lọc nhiễu và nâng cao chất lượng ảnh thời gian thực còn khó khăn hơn vìthuật toán phức tạp cho kết quả tốt thì không thể hiện thực trên phần cứng để xử lýthời gian thực.

Các phương pháp lọc nhiễu truyền thống thường dựa vào bộ lọc trong miềnkhông gian như bộ lọc Mean, Gaussian, Median, Các bộ lọc nhiễu hiện đạithường sử dụng công cụ biến đổi ảnh như FFT, DCT, hoặc Wavelet dé phân tíchhình ảnh thành các tham số thể hiện được đặc tính cả không gian và tần số Tuynhiên, van đề triệt nhiễu luôn cần được cải tiễn và nâng cao dé thỏa mãn yêu cầuchất lượng hình ảnh ở ngõ ra

Đề tài này thực hiện nghiên cứu giải thuật lọc nhiều ảnh dựa trên phép biếnđổi Contourlet, là một phép biến đổi cải tiến vượt trội hon Wavelet Phép biến đốiContourlet cho phép phân tích hình ảnh với các đặc điểm về thời gian, tần số, Vi tri,hướng va đa phan giải Nhờ tính chất này, loc nhiễu trong miền Contourlet có théthực hiện dé dàng bằng phương pháp cắt ngưỡng tín hiệu Tuy nhiên phép biến đổiContourlet rất phức tạp, khó xử lý trong thời gian thực Vì vậy, cần phải có thiết bịphân cứng để hỗ trợ xử lý trong thời gian thực

Dựa trên giải thuật lọc nhiễu anh dé nghị, dé tài thực hiện thiết kế phần cứngvà phát triển lõi IP để triệt nhiễu ảnh trong thời gian thực Lõi IP được thiết kế trênngôn ngữ Verilog với kiến trúc đường ống (pipeline) để có thể xử lý ảnh thời gianthực Việc kiểm định IP được thực hiện trên FPGA Cyclone III của hang Altera

Image enhancement is always a complex problem because the image noise isdiverse as Gaussian noise, impulse noise, pepper noise Denoising and improvingimage in the real-time is even more difficult because they require heavycomputation and they are hardly implemented on the hardware for real-timeprocessing

The traditional denoising methods are based on filters in the spatial domain asMean filter, Gaussian, Median, etc Modern noise filters usually use imagetransform tools such as FFI, DCT, or Wavelet to decompose image intocoefficients which present both the spatial and frequency characteristics However,the denoising problem always needs to be improved and enhanced to satisfy therequirements of output image quality.

This project researches image denoising algorithm using Contourlet transformwhich surpassed Wavelet transform Contourlet is a new emerging transformationmethod to decompose an image into subbands which are characterized as time,frequency, location, direction, and multi-resolution Based on these characteristics,Contourlet transform is effectively applicable for video and image desnoising.However, the heavy computation of contourlet transform makes it hard to apply forreal-time image processing Thus, hardware implementation is a solution to enhanceprocessing time of Contourlet transform.

Based on the proposal image denoising algorithm, we implemented theproposed hardware architecture in Bitec development kit using Cyclone III FPGA.The hardware architecture is described in Verilog language In order to achievehighest throughput, we design full pipeline architecture for hardware design.Eventually, the video denoising design was packaged as an IP core with Avaloninterface.

LỜI CAM ĐOAN

Tôi cam đoan các kết quả dé tài thực hiện chưa từng công bồ trong bat kỳcông trình khoa học trước đây.

Người cam đoan

Lê Quoc Bảo Tri

MỤC LỤCLOI CAM 0900 i¡90v ii

ABSTRACT ooo 2ˆ ili

LOI CAM 029000577 iv

08/9000 ố.ố.ố Vv

DANH MỤC CAC KÝ HIỆU, CAC CHỮ VIET TAT eseecseessesssessseesseesneeseeesneesssesseesnessseenneeses viiDANH SÁCH HINH VE VA BANG BIÊU -. 5+ tệ TH HH viiiCHUONG 1: TONG QUAN VE ĐỀ TÀI (5 SE S SE 9 5 1 E5 1 1 1 1 1 11111111111 1x ce 11.1 GiGi HhiGu GE 1008 |

1.2 Tinh hình nghién CỨU G5 - <5 520051169931 99300 9 0 ngờ 2

13 Mục tiêu và giới hạn để tài c5 5c 2222212152121 11 2121211121111 11 111111 re 51.4 Bố cục luận văn - c1 1911115111111 1011111 1H11 11 T110 TH HT ng ve, 6CHƯƠNG 2: GIỚI THIEU VE BIEN DOI CONTOURLUET 2-75c5cc+cccerxeerreeee 72.1 Bién d6i Contourlet 2227777 7

2.1.1 609901 7

2.1.2 Biến đổi Contourlet rời rạc (Multiscale and directional decomposifion) S

2.1.3 Phân tích mutiscale dùng Laplacian Pyrarmid - - «+ + + + + k2 eeese 92.1.4 Directional Filter Bank IDecomPOSIẨIOIN - 5 << 2c x1 1111399993111 1 9995151 rre 10

2.2 Bién di nguoc Contourlet 0207777 -‹.-1 15

2.2.1 Laplacian Pyramid ReconSfTUCfIOTI 5 55 5 3393193010111 9199910 1 ng rre 162.2.2 Directional Filter Bank ReconfTUCfIOW - 5 5< 3 3101113999931 11 99955511 rre 16

CHƯƠNG 3: GIẢI THUẬT TRIET NHIÊU ANH TRONG MIEN CONTOURLET SỬ DỤNG

PHƯƠNG PHAP PHAN LOẠI KHÔI ẢNH c5 223112115111 1512111 1111111111111 111 xe, 19

3.1 Phân tích sự tác động của việc áp dụng ngưỡng lên các băng con Contourlet với cáckhôi ảnh có hướng khác nhau - 2< 5E 11191 9319 K0 nghe 19

BLL Phan 0n cố 193.1.2 Sự tác động của việc áp dụng ngưỡng lên các băng con Contourlet với các khối ảnh

M9801)ï150 3190:0018 20

3.2 Phương pháp triệt nhiễu ảnh trong miền Contourlet dựa trên phân loại khối ảnh 253.3 Kết quả thực nghiệm - ¿2525212212331 12152121123 211111 1111111111111 263.4 {0001175 28CHƯƠNG 4: THIẾT KE LÕI IP TRIỆT NHIÊU ANH -.5-55cccccceerrersrrrerree 304.1 Thiết kế đặc tính lõi IIP - 2-2 + SE E111 T1 re 304.2 Cấu trúc phan cứng cho giải thuật triệt nhiễu ảnh sử dụng Contourlet 304.2.1 Cầu trúc phần cứng cho khối Contourlet Transform (CT) - s52 s+s55+¿ 314.2.2 Cau trúc phan cứng khối Block Classification ccccccscssescesssessssesesesesesseseseseeeeseees 34

4.2.4 Cau trúc phần cứng của khối Inverse Contourlet Transform (ICT) -. 514.3 Đóng gói lõi IP triệt nhiễu ảnh ¿-¿ ¿2-22 S2222E2EE‡ESEEEEEEEEEEEkEErrrkrrrerrres 54CHUONG 5: THÁM TRA THIET KE LOT IPueeeecccccccccccscsscsessssesesscsessesesesscseseseseescsesnessseeeeseaes 565.1 Môi trường kiểm tra lõi IP trên ModelSim và Matlab : 2 255255555552 5

5.2 Thử nghiệm 161 IP trên FPGA Cyclone [ID - 5= «<< + x ££+++ + seeesss 62

CHUONG 6: KẾT LUẬN VA HƯỚNG PHAT TRIEN - ¿22 25552222 xzxererrcree 736.1 {077 5Ö 736.2 Hướng phát triỂn - ¿52-6 SE S332 12192121211 212111 112111211111 11 1.1111 1111111T.cre 74/.88i50980:7.)),84 190 77 -:1 BS 75

PHU LLỤC 2E 2121221 12191121 21111211 1121112101111 1111111111111 1111.1111 1111111111111 Hư 77

DANH MỤC CAC KÝ HIỆU, CÁC CHỮ VIET TAT

LP : Laplacian Pyramid.DFBDEC : Direction Filter Bank Decomposition.QFBDEC : Quincunx Filter Bank Decomposition.LPR : Laplacian Pyramid Reconstruction.DFBREC : Direction Filter Bank Reconstruction.QFBREC : Quincunx Filter Bank Reconstruction.CT : Contourlet Transform.

ICT : Inverse Contourlet Transform.LP_LI : Laplacian Pyramid Decomposition Level 1.LP_L2 : Laplacian Pyramid Decomposition Level 2.DFB_L1 : Direction Filter Bank Decomposition Level 1.DFB_L2 : Direction Filter Bank Decomposition Level 2.ATD_LI : Apdaptive Threshold Denoising Level 1.ATD_L2 : Apdaptive Threshold Denoising Level 2.DFBR_L1 : Direction Filter Bank Reconstruction Level 1.DFBR_L2 : Direction Filter Bank Reconstruction Level 2.LPR_LI : Laplacian Pyramid Reconstruction Level 1.LPR_L2 : Laplacian Pyramid Reconstruction Level 2.

DANH SÁCH HÌNH VE VA BANG BIEU

?A YD

Hình 2.1: Minh hoa wavelets có hỗ trợ dang vuông chỉ có thé "bat “ được các điểm không liên

tuc,trong khi contourlets hồ trợ “bat” được các đoạn tuyên tính kéo đài nên có thê biêu

diễn đoạn biên trơn chỉ với VAI NE SỐ - «ket kề 1111111111111 1111511111111 SHình 2.2: Bộ lọc băng Contourlet: trước tiên, phân tích mutiscale vào các băng bang Laplacian

pyramid, sau đó băng lọc hướng được áp vào mỗi kênh - ¿555 c5+cececxcecxecees S

Hình 2.3: Laplacian Pyramid DeCOIDOSÍIOH SG Họ re 9

Hình 2.4: Kết qua mô phóng Laplacian Pyramid bằng Matlab - 5255555 ce+xeesrecee: 10Hình 2.5: Direction Filter Bank ở mức n=3 tạo ra 2” vùng TAN SO . 5c cc5cce+esccrececec 11

Hình 2.6: (a) Diamond-Shaped Filter, (b) Fan-Shaped Filter cccccccccssssccccceeeessnncececcesesssaeeeeceeeees 11

Hình 2.7: Sơ đồ DFBDEC level 1, level 2 vessecsssssssssssssvsssssssssecsssessesssesseesssesseesseessuessesssneeseeesueennses 12Hình 2.8: Sơ đồ DFBDEC level 3 trở len cesseecsescsvessssssesssssssssesesessessscessessscessesseesssessesssneeseseseeennees 12Hình 2.9: Sơ đồ khối QFBDEC level «<< 5< SE EEEEEEE5135 51111511 11111111 1111111110111 re 12Hình 2.10: Sơ đồ khối QFBDEC level 2 + <5 < SE SE SESk SE EEEEEEEEE351511 151111111111 11111111 111111 13Hinh 2.11: Vi du vé 2 todin tie Qo Vl Oj vescecscssssesescsvsvsvssssscscsesescssssscsssvsssvsvssssvsssssssscscscacacscatacscavenes 14Hình 2.12: Ví dụ về 4 toán tử Ro, Ry, Ro và Ry csvessssssssssssessssesssessscsssecseessecesesesesesueeseesieenssesueessetsees 14Hình 2.13: Sơ đô khối biến đổi ngược CONTOUTTEE coecececcecssessesesssssssssssessssssussesessesssesssssscsssesueseseeeees 15Hình 2.14: Sơ đô Laplacian Pyramid ReCONStruction c.ccccccccsssscsssssssssesssssssssssssssessssssssesssssssseseesees 16Hình 2.15: Khối DFBREC level 1 và level 2 «-«++ceeEEkteEthEhtrhHTg 16Hình 2.16: Khoi DFBRec level 3 trở lÊn - ce- ket HH ng 17;0./82/48.4/7289707:7.5/2727070PEẼẼ7Ẽ7588 17Hình 2.18: Khối QFBRec level 2 «+ se Set kEkEEE 1151515155111 1151 1111111111111 T111 11 kg gi I8Hinh 3.1: BOn hung v6i 0 T97 SN ga4 Ả À Ẽ 19Hình 3.2: Sự tác động của việc áp dụng ngưỡng lên từng băng con đổi với khối tron (smooth

Hình 4.15: Sơ đồ khối của khối A CC -i- ¿sec SE E181 11 1111111511 151111111 111111111151 1111111 1111k cke 42Hình 4.16: Sơ đồ khối của khối block đỉF€CfÏOH «tk te kg TH ng gxrrrrko 43Hình 4.17: Sơ đô khối của khi COMPLE .- 2c 5c St S* SE St E11 1211111111111 111111 1rrre 44Hình 4.18: Sơ đồ khối của khối ID€H(OiS6 se S311 EE SE SE 1111111111111 1511111111111 cke 45Hình 4.19: Sơ đồ khối của khối Denoise _ Ïewel2 «cv kềtEềềE kg 1xx crko 46Hình 4.20: Sơ đồ khối của khối Denoise level] Ì «sec tk TT HH ko 46Hình 4.21: Sơ đồ khối của khối Denoise level] _ 2 «sec tt ST HH 1xx eo 47Hình 4.22: Sơ đồ khối của khối Denoise level] _ Ä sec tt SE ST HH xo 47Hình 4.23: Sơ đồ khối của khối Denoise level] _ 4Ả «se sec tk k1 TT HH 1111k creo 48Hình 4.24: Sơ đô khối của khối Thresholding 1 ccccccccescsssscsvssssesssssssssssesssssssssssesssssssssssssessesssseseseeeees 49Hình 4.25: Sơ đô khối của khối ThreshioldiHi82 5c 5+5 E2 x21 E111 crrrreg 50Hình 4.26: Sơ đồ khối CUA KNOL ICTTL -c- Sex SEEE 181151 11111 1511151111111 111111111151 1111 1111k cke 51Hình 4.27: So đồ khối của khối DF BRL coccccccccccssessscssecsssescsssesesesevsvsssvsvecssscscsesenssesavavavavasacseneeens 52Hình 4.28: Sơ đồ khối của khối IDDIFTB _ LL2 - << set SE Ek SE 151 515151111111 11 1111511511111 cke 52Hình 4.29: Sơ đồ khối của khối LPR LÌ «se k1 SE T E111 TT 1111111111 crkc 53Hình 4.30: Sơ đồ khối của khối LIPI _ L/2 « sc+ksk+k St Sk SE SE 1111111111111 5115111111111 cke 53Hình 4.31: Sơ đô khối giao tiếp Avalon ŠTTL c5: S5 Set St E11 E1112121111111 112111111 1 re 54Hình 4.32: So đồ kết nói của các module Raster2block8x8, Processing, và Block&x82raster 55Hình 5.1: Mô hình thâm tra thiết kế lõi IP sử dung ModelSim và Matlab -. 5-5- 55: 56Hình 5.2: Kết qua mô phóng của khối Avalon Image Generator .- +52 5552 SS2Sece++csrscee: 57Hình 5.3: Kết qua mô phóng của khối Avalon Image Ñ€C€ÌVF - 5-55 Se Set cecrre re, 57Hình 5.4: Dữ liệu vào khối CT (block 8Xổ) - «St St kề E1 ồn 12 1111111111111 kg 58Hình 5.5: Dữ liệu ra của khối CT ( lowpass level2 và các hệ SỐ COHfOHFÏ©f) c5 cccccseseseseei 58Hình 5.6: Dữ liệu vào khối Block Classification (bloek 8X8) .ceccccsccssscssssssssssssssesssssscssesesesssseesesesees 5oHình 5.7: Dữ liệu ra khối Block Classification (hướng của khối ảnh) -cccc5ccccscccec: 59Hình 5.8: Dữ liệu vào khối Denoise (các hệ số Contourlet) cccccccccccscscssscssssersescsessssessssessnssensveeesees 60Hình 5.9: Dữ liệu ra khối Denoise (các hệ số Contourlet sau khi triệt nhiỄM) 5c scecss+ 60Hình 5.10: Dữ liệu vào khối ICT (lowpass level2 và các hệ SỐ COHfOHFÏ©F)) - c5 SeSsctstsrseseseei 61Hình 5.11: Dữ liệu ra khối ICT (DIOCK 8X8) cecccececesesescsssssssssssssssssssscsssssvsvsesssvsvsssscscscscscasscscasacscasenes 62Hình 5.12: Kit phát trién Bitec Cyclone 1] ceccccssscsssscssessssssessssessssssssssessssssssssssesacsssussesesnsssseescsesees 62Hình 5.13: Hệ thong SOPC đề thie nghiệm lõi IP triệt nhiỄu ANN .ecccceccccsccscssssessssssssesesessssessesesees 64Hình 5.14: Mô hình thu nghiệm lõi IP triệt nhiễu anh trên FPGA Cyclone ÏÏÌ ««««««<<+ 65Hình 5.15: Mô tả hệ thong SOPC trên công cụ SOPC Builder cecceccccccccsscscsssssssesssssscssesesessssessesesees 66Hình 5.16: Tông hợp hệ thong thứ nghiệm IP trên Quartus ÌI 5-5-5255 SeEEEcezteesrecee: G7Hình 5.17: Biên dịch thiết kế trên công cụ QuAfis ÌÌ 5c 5c S23 cv rttrrerererrecu G7Hình 5.18: Nạp file cấu hình cho FPGA Cyclone LID, cesesssssssssssessssssessssessssssssessssesssescssesesessssessesesees 68Hình 5.19: Kết quả tông hop thiết Ke ceccccececccccscssssssessssessssescsscsessssesessesesesssscsscsesessssesessesesesseseescsesees 68Hình 5.20: Chương trình nhúng điều khiến hệ thong hiện thực bằng công cụ NIOS II IDE 69

CHUONG 1: TONG QUAN VE ĐÈ TÀI

1.1 Giới thiệu đề tàiNâng cao chất lượng anh trong video luôn là một van dé phức tạp vì các loạinhiễu video rất đa dạng như nhiễu Gaussian, nhiễu xung, nhiễu hạt tiêu, nhiễu liênkhung hình, [1] Thực hiện việc lọc nhiễu và nâng cao chất lượng ảnh thời gianthực còn khó khăn hơn vì thuật toán phức tạp cho kết quả tốt thì không thể hiệnthực trên phan cứng dé xử lý thời gian thực

Trong quá trình thu thập và truyền dẫn, ảnh thường bị hỏng do nhiễu Và loạinhiễu phô biến trong anh là nhiễu Gaussian, thường gây ra bởi sự mất ôn định củatín hiệu điện, hoặc do thiếu ánh sáng, ảnh hưởng của quá trình biến đổi từ số sangtương tự [6].

Trên thế giới, nhiều công ty đã phát triển lõi IP cho lọc nhiễu và nâng cao chấtlượng ảnh video như Genesis Microchip, Gennum, Silicon optix, AnchorBay,Nvidia, ATI Tuy nhiên giá thành của các IP core trên rất đắt Ở trong nước, việcphát triển lõi IP dành cho xử lý video vẫn còn rất mới Những nghiên cứu về giảithuật xử lý nhiễu chỉ dừng lại ở mô phỏng phần mém, mà chưa thực hiện mô phỏngthời gian thực trên FPGA.

Triệt nhiễu ảnh luôn là một bước tiền xử lý trong lĩnh vực xử lý ảnh Mục đích

chính của các phương pháp triệt nhiễu ảnh là trong khi giảm nhiễu thì vẫn giữ được

các đặc trưng và chỉ tiết của hình ảnh Các phương pháp lọc nhiễu truyền thốngthường dựa vào bộ lọc trong miền không gian như bộ lọc Mean, Gaussian,Median, có thé loại thành phan tan số cao để nén nhiễu, nhưng đồng thời cũnglàm mất đi các cạnh và chi tiết của ảnh Một số phương pháp triệt nhiễu hiện dai sửdụng phương pháp biến đổi ảnh như Wavelet, Curvelet, và gần đây là Contourlet [2]- [5] Các phương pháp nảy phân rã hình thành những băng con với tính chất đaphân giải, đa tần số, tính địa phương hoa, tính định hướng, tính không đăng hướng.Nhờ công cụ này nhiễu Gaussian được cô lập khỏi thành phan chi tiết quan trong

của anh, vì vậy có thê loại bỏ nhiêu Gaussian dé dàng nhờ các phương pháp catngưỡng [7]-[9].

Biến doi 2-D Wavelet được xây dựng trực tiếp từ hai bộ lọc 1-D Wavelet trựcgiao, nên nó chỉ phân tích ảnh theo ba hướng cơ bản là hướng ngang, hướng dọc vàhướng chéo Do đó, biến đổi Wavelet hai chiều khó phát hiện được các đường biêntron So với biến đôi 2-D Wavelet, biến doi Contourlet được phát triển bởi Minh Dova Martin Vetterli vảo năm 2005 [2] phát triển các hướng cơ bản( ngang, dọc, vàchéo) lên thành nhiều hướng khác nhau trong từng scale và tỉ lệ khung( aspect ratio)linh hoạt Vì vậy, biến đổi Contourlet có thé biểu diễn hiệu qua các đường biên trơnvà có thé cho kết quả triệt nhiễu tốt hơn biến đối 2-D Wavelet [2] Tuy nhiên, phépbiến đổi Contourlet rất phức tạp, khó xử lý thời gian thực nên cần phải có thiết bịphân cứng hỗ trợ xử lý thời gian thực

Dựa trên giải thuật triệt nhiễu dé nghị, dé tài thực hiện thiết kế phan cứng vàphát triển lõi IP để triệt nhiễu ảnh trong thời gian thực Lõi IP được thiết kế băngngôn ngữ Verilog với kiến trúc đường ống (pipeline) để có thể xử lý thời gian thực.Việc kiểm định IP được thực hiện trên kit phát triển Bitec sử dụng FPGA CycloneLH của hang Altera.

Từ những lý do thực tế đó, trong thời gian khóa học Thạc sĩ Kỹ thuật điện tửtôi đã quyết định chọn thực hiện đề tài: “Thiết kế lõi IP triệt nhiễu ảnh sử dụng biếnđổi Contourlet” nhằm góp phan vào việc nghiên cứu trong lĩnh vực này tại ViệtNam.

Mục tiêu khi thực hiện đề tài là thiết kế thành công một lõi IP triệt nhiễu ảnhsử dụng biến đối Contourlet Dé tài sẽ được thực hiện theo 4 giai đoạn: (1) Tìmhiểu cơ sở lý thuyết về biến đối Contourlet; (2) Nghiên cứu ra giải thuật triệt nhiễuanh mới sử dụng biến đổi Contourlet , có thé xử lý hình ảnh thời gian thực; (3)Thiết kế lõi IP dựa trên thuật toán đã phát triển; (4) Thâm định lõi IP trên FPGA.1.2 Tình hình nghiên cứu

Biến đôi Contourlet là một phép biến đổi cải tiễn vượt trội hon Wavelet Phépbiến đôi Contourlet cho phép phân tích hình ảnh thành các băng con với các đặcđiểm về thời gian, tần số, vị trí, hướng, đa phân giải và không đăng hướng Nhờ cáctính chất này, lọc miền Contourlet có thể thực hiện dễ dàng bằng phương pháp cắtngưỡng tín hiệu lên các hệ số Contourlet [2].

Sau quá trình phân tách Contourlet, ảnh sẽ được phân tích thành các băng conchứa các hệ số Contourlet Các thành phan nhiều sẽ được chứa trong các hệ SỐContourlet có giá trị nhỏ trong thành phân tần số cao trong khi các đặc trưng và chỉtiết của ảnh sẽ được chứa trong các hệ số Contourlet có giá trị lớn, nên quá trìnhgiảm nhiều là quá trình loại trừ các hệ số Contourlet có giá trị nhỏ Vì vậy, mộtngưỡng (threshold) được thiết lập để phân biệt thành phần nhiễu và thành phần đặctrưng của ảnh trong một số phương pháp triệt nhiễu sử dụng Contourlet [10, 11]

Hiện nay có nhiễu phương pháp triệt nhiễu ảnh trong miền Contourlet tậptrung vào việc cải thiện ngưỡng dé phân biệt nhiễu và chi tiết ảnh tốt hơn Tác giảKang Li đã dé xuất một phương pháp triệt nhiễu mới trong miền Contourlet là “ANew Local Adaptive Shrinkage Denoising Method” dựa trên các đặc điểm lận cậncủa các hệ số Contourlet Phương pháp “ Classical Contourlet shrinkage denoising”xử lý các hệ số Contourlet với một ngưỡng có định trong mỗi băng con, mà khôngxem xét các hệ số lận cận với hệ số Contourlet cần xét Phương pháp triệt nhiễu củatác giả Kang Li xác định ngưỡng Skrinkage của mỗi hệ số Contourlet theo các hệ sốContourlet lan cận, quy mô ( scale) của từng hệ số và mức độ nhiễu [12] Công thứctính ngưỡng của hai phương pháp “Classical Contourlet shrinkage denoising” va“Local adaptive shrinkage denoising” được cho như sau:

Classical Shrinkage Threshold:

T,(s, d, Mm, n) — kG, 4Ø (1)

Trong đó: 6,4 là sự phân bố năng lượng trung bình của ảnh bị nhiễu trangtrong miền Contourlet 6 scale s và hướng d, o là độ lệch chuẩn của nhiễu trang, k làhệ số phụ thuộc scale (k=4 với scale tốt nhất và k=3 với các scale còn lại)

Local adaptive shrinkage threshold:

(E (s,d) — M(s,d))log (a-1)

T(s,d,m,n) = la- e- AGdzmm)~ Ms.) )ka.o (2)

1

A(s,d,m,n) = T3⁄m=)ep|C(s, d,m,n)| (3)Trong đó: A(s, d, m, n) được tạo ra bởi một bộ lọc trung bình trên giá tri tuyệtđối của các hệ số Contourlet, B là toán tử cửa số vuông lân cận của hệ số ContourletC(s, d,m, n) (chon cửa số 3x3), N là số hệ số trong cửa số B, E(s, d) là giá tri trungbình cua ham A(s, d, m, n), M(s, d) là giá trị nhỏ nhất của hàm A(s,d, m,n), 4 làmột hệ số thỏa điều kiện 1< 4< 2 (thường chon 4=1.06)

Tác giả Quiqi Ding đã đề xuất phương pháp xác định ngưỡng Shrinkage mới[15] dựa trên các đặc điểm lân cận của các hệ số Contourlet và kỹ thuật “cyclespinning”[I3, 14] Ngưỡng shrinkage được xác định theo công thức sau:

: —_ Emea Œ,k)— Mmea Gk) ) ;

TAY, k,m,n) = (= 0kma)— Mua, 029) 2k9 4)

Imea Ợ, k, Tn, n) = — Yvon neBll G, k, Tn, n)| (5)

Trong đó: I G, k, m ,n) được tạo ra bởi một bộ lọc trung bình trên giá tri tuyệtđối của các hệ số Contourlet, B là toán tử cửa số vuông lân cận của hệ số ContourletI(j, k, m, n), N là số hệ số trong cửa số B, Emeg Uj, k) là giá trị trung bình của hàmIG, k,m,n),Mineq (j, k) là giá trị nhỏ nhất của hàm I(j, k, m, n)

Tác giả S.Satheesh đã định nghĩa một ngưỡng dựa trên thông số phương sainhiều (noise variance) [16] Thông số noise variance được tính bang cach su dungphương pháp “mean absolute deviation (MAD)” và được cho bởi công thức sau:

median (ci) 2

On — ( 0.6745 ) (6)

Trong đó: cơ; là các hệ sô Contourlet của ảnh nhiêu.Ngưỡng T cho các hệ sô Contourlet của các hệ số Contourlet cua ảnh nhiêuđược cho bởi công thức sau:

Trong luận văn này, tác động của việc áp dụng ngưỡng lên từng hệ sốContourlet với các khối ảnh có hướng khác nhau sẽ được phân tích Do đó, tôi đề

nghị một phương pháp triệt nhiễu ảnh mới, đó là phương pháp áp dụng ngưỡng lên

các hệ số Contourlet dựa trên việc phân loại các khối ảnh (image blockclassification).

1.3 Mục tiêu và giới hạn đề tàiMục tiêu đề tài:

“+ Nghiên cứu và phát triển giải thuật triệt nhiễu mới sử dụng biến đổiContourlet

e Tìm hiệu về biên đôi Contourlet.

e Nghiên cứu giải thuật triệt nhiễu ảnh mới sử dụng biến đổiContourlet, có thé xử lý ảnh thời gian thực.

* Thiết kế lõi IP dựa trên thuật toán phát triển

e_ Thiết kế cấu trúc phan cứng cho biến đối Contourlet.e Thiết kế cấu trúc phần cứng cho cho giải thuật triệt nhiễu dé

nghị.e Mô tả cấu trúc phan cứng bằng ngôn ngữ Veriloge Mô phỏng và kiểm tra trên phần mềm ModelSim-Altera 6.4a.“+ Tham tra hoạt động của lõi IP trên kit phát triển Bitec sử dụng FPGA

Cyclone HI cua hãng Altera.s* Hoàn thiện lõi IP và viết báo cáo.Giới hạn đề tài:

“* Chức năng lõi IP là tập trung triệt nhiễu Gaussian trên ảnh

* Lõi IP được hiện thực trên FPGA, không thực hiện thiết kế chip ASIC.1.4B6 cục luận văn

Nội dung của luận văn chia thành 6 chương:Chương 1: Giới thiệu tong quan về dé tài, tình hình nghiên cứu, mục tiêu vàgiới hạn đề tài

Chương 2: Giới thiệu về biến đôi Contourlet.Chương 3: Giải thuật triệt nhiễu ảnh trong miền Contourlet sử dụng phươngpháp phân loại khối ảnh

Chương 4: Thiết kế lõi IP triệt nhiễu ảnh.Chương 5: Thâm tra thiết kế lõi IP.Chương 6: Kết luận và hướng phát triển

CHUONG 2: GIỚI THIEU VE BIEN DOI CONTOURLET

2.1 Biến đối ContourletBiến đổi Contourlet được phát triển bởi Minh Do va Martin Vetterli vào năm2005 [2] Biến đổi Contourlet là mở rộng của biến đối Wavelet 2 chiều dùngmultiscale và các băng lọc hướng Contourlet phát triển các hướng phân tích cơ bancủa ảnh (đối với Wavelet 2 chiều là theo các hướng: ngang, dọc và chéo) lên thànhnhiều hướng khác nhau trong từng scale, với tỉ lệ khung (aspect ratio) linh hoạt (vớiWavelet là những khung vuông ,còn Contourlet có thé kéo dài khung cho phù hợpđộ trơn của đường biên ảnh) Vì thế Contourlet có thé biểu diễn hiệu quả các đườngbiên tron (đây cũng chính là những đặc điểm nổi bật thường thấy trong ảnh tựnhiên).

2.1.1 ContourletMục đích chính của việc xây dựng Contourlet là để biểu diễn được thông tincác đoạn tron (piecewise smooth) trong anh còn được xem là các đoạn biên trơn(smooth contours) Biến đôi wavelets 2 chiều sử dụng các tensor ( ô vuông) của cáchàm cơ sở, thiếu thông tin mô tả về hướng và chỉ thể hiên được tốt các điểm khôngliên tục (point discontinuities), không thé hiên được thông tin trơn về mặt hình họccủa các đường biên (contours).

Từ đó, Contourlet được phát triển nhăm cải thiện các hạn chế của Wavelet.Contourlet cũng có đặc điểm đa tỉ lệ (multiscale) và các tính chất về thời gian- tầnsố - vị trí (time — frequency — localization) như Wavelet, nhưng hơn nữa nó hỗ trợ ởmức cao về hướng (directionality) và không đăng hướng (anisotropy- khả năng biểu

diễn các đoạn biên trơn trong ảnh có các hình dạng kéo dài thông qua các hàm cơ sở

với các ti lệ khung (aspect ratios) khác nhau) Đặc biệt Contourlet bao gồm các hàmcơ sở thé hiện hướng (với bất ky số hướng có thé biểu diễn dưới ham mũ của 2)theo tỉ lệ khung linh hoạt Với một tap hàm cơ sở phong phú, Contourlet có thé biểudiễn một đoạn biên trơn chỉ với vài hệ sô so với Wavelet.

te sangLEffri—

[ Wr}

E4

VVavelet ContourletHình 2.1: Minh hoa wavelets có hỗ trợ dang vuông chỉ có thé "bắt “ được

các điểm không liên tục,trong khi contourlets hô trợ “băt” được các đoạntuyên tính kéo dai nên có thê biêu điên đoạn biên trơn chỉ với vài hệ số.2.1.2 Biến đối Contourlet rời rac (Multiscale and directional decomposition)

Biến đối Contourlet rời rac là sự kết hợp giữa Laplacian pyramid (multiscale)và băng lọc hướng (Directional filter bank) (multidirection).

Laplacian Pyramid °

DactteobMlnà ẤT* Low Pass Output

Low Pass Output

> Band Pass Ouput+ Contourlet

Low Pass Output | [ut] tH | - UX! Coefficients

j ~

IHL| HH: |" al eS oi 2

-Band Pass Output Directional Filter

Bank DecompositionLaplacian Pyramid

Decompostion

Hình 2.2: Bộ lọc bang Contourlet: trước tiên, phán tích mutiscale vào các bangbang Laplacian pyramid, sau đó băng lọc hướng được áp vào môi kênh.Biến đối Contourlet được thực thi thông qua bộ băng lọc hai chiều để phântích ảnh vào một số băng con định hướng ở nhiều scale Điều này được thực hiệnbang cách kết hợp Laplacian pyramid (LP) với 1 băng lọc hướng ở mỗi scale Do

cấu trúc theo tầng này, mỗi tầng phân tích multiscale và hướng trong biến đổiContourlet độc lập lẫn nhau Mỗi tầng có thể phân tích mỗi scale thành một sốhướng theo hàm mũ của 2 tùy ý, nên các scale khác nhau có thể phân tích thành sốcác hướng khác nhau Đặc điểm này làm cho Contourlet là biến đôi duy nhất có thểđạt được mức độ linh hoạt cao trong phân tích ảnh.

2.1.3 Phân tích mutiscale ding Laplacian Pyramid

Phan tích multiscale sử dung Laplacian Pyramid (LP) được giới thiệu boi Burtva Adelson Phân tích LP ở mỗi mức sé tao ra phan lowpass của ảnh gốc va sự khácnhau giữa phan lowpass và ảnh gốc là ảnh bandpass

: H iM tM) G

Hinh 2.3: Laplacian Pyramid Decompostion.

a: coarse image at half sizeb: detail image at full sizeY tưởng cơ bản của LP: Đâu tiên, ta lay xấp xi thô của tín hiệu ban dau bangcách lọc thông thấp và hạ mẫu Dựa trên phiên bản thô, chúng ta dự đoán tín hiệuban dau bang cách tăng mẫu và lọc thông thấp, sau đó tính toán chênh lệch giữa tínhiệu ban đầu và tín hiệu dự đoán ta có được phan chi tiết của ảnh Thông thường déxây dung lại tín hiệu gốc, ta kết hợp phan chỉ tiết với phần xấp xi thô

Hình 2.3 mô tả quá trình phân tích LP, trong đó H là bộ lọc thông thấp dùng déphân tích, G là bộ lọc thông thấp dùng để tổng hợp và M là ma trận lẫy mẫu Và quátrình này được lặp đi lặp lại với tín hiệu thô (downsampled lowpass signal) (ở đây làtín hiệu a).

Chú ý rang trong bộ lọc đa chiều, người ta lẫy mẫu bằng cách sử dung ma trậnlay mẫu Vi du: Hạ mau x[n] bang M thì xg[n] = x[M.n], trong đó M la ma trận cácsô nguyên.

Nhược điểm của LP là lay mẫu ngầm Tuy nhiên trái ngược với lay mẫu trongWavelet, LP có tính năng phân biệt từng cấp Pyramid (kim tự tháp) và tạo ra chỉmột “bandpass image” (ngay cả với trường hợp đa chiều) Và hình anh này khôngcó “sự tranh chấp” tần số Sự tranh chấp tần số này xảy ra trong bộ lọc Wavelet khiở kênh thông cao Trong LP, sự tranh chấp này được tránh bằng cách chỉ hạ mẫukênh thông thấp

coarss image at half size

decomposition reconstruction

Hình 2.4: Kết quả mô phỏng Laplacian Pyramid bằng Matlab.2.1.4 Directional Filter Bank Decomposition

a Tong quat:Nam 1992, Bamberger va Smith đã đưa ra bộ lọc hướng 2 chiều (2-DDirection Filter Bank (DFB)) Bộ lọc này có thé tốn hao tín hiệu tối đa nhưng vẫnkhôi phục tín hiệu một cách hoàn hảo DFB được thực hiện một cách hiệu quả thông

qua cây phân hủy n mức tạo ra 2° băng con như hình 2.5.

—=|=.=- —7 4

Đối với DFBDec mức | và 2, ta có sơ đồ DFBDec là:

Hình 2.7: Sơ dd DFBDEC level 1, level 2.Đối với DFB từ mức 3 trở lên, DFB là sự kết hop giữa 2 khối:Khối 1: khối QFBDec (mức 1)

Khối 2: Shearing by resampling (dùng các toán tử shear R)

DFBDec

eeemeweeeweeeee ee eee e2eee ewe ew ww © @ @ = @ 2

Hình 2.8: Sơ đô DFBDEC level 3 trở lên.b Quincunx Filter Bank Decomposition

Hình 2.10: So đô khối OFBDEC level 2.c Quincunx Downsampling

%œ=({ “y)@=(4 3)

Ở level 1, ta xem ma trận lây mẫu Quincunx Q là một trong hai QO hoặc QI.Các ma trận lẫy mẫu này sinh ra các mạng con (sub-lattice) Những toán tử giảmmẫu này quay ảnh đầu vào | góc 45° hoặc—45°

Ma trận quincunx còn được biểu diễn ở dạng Smith:

Q 0 200

50

Q1 NE 4

150200250

400 500

Hình 2.12: Ví dụ về 4 toán tử Ro, Ry, R› và R3

2.2 Biến đối ngược Contourlet

a > > HL HH i

` HL HHBank Reconstruction Laplacian Pyramid

Reconstiuction

Hình 2.13: So đô khối biến đổi ngược Contourlet.Sau quá trình phân tách, các hệ số contourlet (các băng con hướng) và phầnLow Pass sẽ được qua khối xử lý (tùy theo mong muốn của chúng ta)

Sau đó các hệ số contourlet (các băng con hướng) sẽ được qua khốiDirectional Filter Bank Reconstruction (DFBRec) dé tổng hợp lại thành các thànhphân Band Pass Các thành phần Band Pass (mức cao) và Low Pass (mức thấp) tiếptục được đưa qua khối Laplacian Pyramid Reconstruction (LPRec) để tái tạo LowPass (mức thấp hơn) Quá trình cứ tiếp tục lặp đi lặp lại như vậy cho đến khi ta cóLow Pass (mức thấp nhất), Band Pass (mức thấp nhất) và cuối cùng 2 thành phân đóđược qua khối LPRec để tái tạo lại ảnh ban đầu

2.2.1 Laplacian Pyramid Reconstruction

Hình 2.14: So đô Laplacian Pyramid Reconstruction.Trong đó: a: coarse image at half size (low pass), b: detail image at full size(band pass), G la bộ lọc thông thấp để tong hop, va M la ma tran lay mau, M =

eee e eee ewe ew ew ewe ew ew we ew ew ew ew ew ew ew ew ew ew ew ew ew ew ew

Hình 2.16: Khối DFBRec level 3 trở lên.b Quincunx Filter Bank Reconstruction:

Hình 2.18: Khối OFBRec level 2.

CHUONG 3: GIẢI THUẬT TRIỆT NHIÊU ANH TRONGMIỄN CONTOURLET SỬ DỤNG PHƯƠNG PHÁP PHAN

LOẠI KHOI ANH

3.1 Phân tích sự tác động của việc áp dung ngưỡng lên các bang con

Contourlet với các khối ảnh có hướng khác nhau3.1.1 Phân loại khối

Một ảnh gốc sẽ được phân chia thành các khối ảnh có kích thước 8x8 pixels,và các khối ảnh này được phân loại thành các loại khối sau: khối trơn (smoothblock), khối có hướng (directional block), và khối chi tiết (texture block).Directional block bao gồm 2" hướng, được mô tả trong hình 3.1

Hình 3.1: Bon hướng với n = 2.Thông tin hướng của mỗi điểm ảnh (pixel) được xác định bằng toán tử Sobel.Toán tử Sobel sẽ tạo ra hai gradients bao gồm gradient theo chiều ngang Gx vàgradient theo chiều dọc Gy Nếu cả hai giá tri Gx và Gy cùng đồng thời nhỏ hơnmột ngưỡng T, đã xác định trước, thi điểm ảnh này thuộc miền trơn (smoothregion) Ngược lại, điểm anh này thuộc miền cạnh (edge region) hay miễn chi tiết(texture region) Sau đó, chúng tôi tính toán giá trị góc của hướng của điểm ảnh đó.Hướng của một điểm ảnh được xác định bởi Ø và @ được xác định bang công thức

(8)

8= arctani(—) (8)

x

Do đó, khi chúng ta áp dụng toán tử Sobel cho tất cả các điểm ảnh trong khốianh 8x8 thì chúng ta sẽ có một ma trận hướng 8x8 chứa thông tin hướng của từngđiểm ảnh Trong ma trận hướng này, hướng chính của khối ảnh 8x8 sẽ được xácđịnh băng phương pháp “Voting”, được cho bởi các công thức (9) và (10).

D = argmax,{d;}, ¡ = 0,1,2, , 2" (9)

_ œ2" ldp-di|

A= XU se (10)Trong đó, n là mức của hướng, d; là số lượng điểm anh theo hướng i Nếu Alớn hơn hoặc bang một cái ngưỡng T¿ đã xác định trước, thì hướng D là hướngchính của khối ảnh 8x8 Ngược lại, khối ảnh 8x8 là texture block

Tóm lại, hướng của một khối anh 8x8 được xác định bởi các điều kiện đượcđưa ra bởi bang |.

BANG 1 PHAN LOAI KHOIDac trưng hướng Loại khôi

D=0, A > Tụ Smooth block

D=1:2", A>T, Directional block

Khac Texture block

3.1.2 Sự tác động cua việc áp dụng ngưỡng lên các bang con Contourlet với

các khối anh có hướng khác nhauTheo lý thuyết chương 2, biến đối Contourlet phân hủy ảnh đầu vào thành cácbăng con hướng Trong phân này, chúng ta sẽ phân tích sự tác động của việc ápdụng ngưỡng vào các băng con hướng Contourlet với các khối ảnh có hướng khácnhau.

Chúng tôi lần lượt xem xét sự tác động của việc áp dụng ngưỡng lên từng băngcon hướng Contourlet Quá trình phân tích này được mô tả như sau:

1 Anh nhiễu đầu vào sẽ được chia thành các khối anh 8x8

2 Áp dụng phương pháp phân loại khối (block classification) lên các khốiảnh 8x8 này Kết quả là chúng ta sẽ có được thông tin hướng của từngkhối ảnh Cùng lúc, biến đổi Contourlet sẽ phân tách từng khối ảnhthành các băng con hướng.

3 Lan lượt áp dụng các ngưỡng cứng khác nhau lên các hệ số Contourletcủa moi băng con, theo công thức (11):

4 Sau đó tat cả các băng con được tái tạo lại bằng cách áp dụng biến doingược Contourlet Cuối cùng ta có khối anh 8x8 đã triệt nhiễu

5 Tính toán các giá trị PSNR cua từng khối ảnh triệt nhiễu với cácngưỡng khác nhau.

6 Tính toán giá trị trung bình của các giá trị PSNR của các khối ảnh cócùng hướng với mỗi ngưỡng Các giá trị PSNR trung bình này chỉ ra sựtác động của việc áp dụng ngưỡng lên các khối ảnh có hướng đã đượcphân loại.

Kết quả là chúng ta sẽ có mối quan hệ giữa các giá trị PSNR, các băng con, vàcác giá trị ngưỡng Các mối quan hệ nay được biểu diễn băng các dé thị, như trongcác hình 3.2, hình 3.3, hình 3.4, hình 3.5, hình 3.6, và hình 3.7 Trục Z đại diện chocác giá trị PSNR, trục Y đại diện cho các băng con, và trục X đại diện cho các giátri ngưỡng.

Trong biến đổi Contourlet, chúng tôi sử dụng bộ loc Haar cho LaplacianPyramid và Fan Filter Chúng tôi sử dụng 2 tầng LP và mỗi tầng LP sử dụng bộ lọchướng 2 mức (level2), thì mỗi tầng LP chúng tôi có 4 băng con hướng Và chúng tôithiết lập ngưỡng T=32*p với p=0, 1, 2, 16 Do đó, biến đổi Contourlet phân tíchkhối ảnh đầu vào thành các thành phan bao gồm lowpass level 2, 4 băng con hướngở LP level I (cO_I1, cl_l1, c2_l1, c3_11), và 4 băng con hướng ở LP level 2 (c0_12,

cl_12, c2_12, c3_12) Trong phân loại khối, chúng tôi thiết lập n=2 như trong hình3.1.

Đồ thị ở hình 3.2 biểu diễn các giá trị PSNR của khối trơn đã triệt nhiễu(denoised smooth block) sau khi các ngưỡng khác nhau được áp dụng lên từng bangcon Đồ thị này chỉ ra rằng các giá trị PSNR tăng lên khi các giá trị ngưỡng từ 0 đến

512 được áp dụng lên mỗi băng con Việc áp dụng ngưỡng lên 4 băng con level-1

cho giá tri PSNR lớn hon 4 băng con level-2 Nguyên nhân là các băng con level-1chứa nhiều thông tin nhiễu hơn hơn là các băng con level-2

smooth

1.2

-==

| mm

F—

0.60.4

Hình 3.2: Sự tác động của việc áp dụng ngưỡng lên từng băng con đối với khối

tron (smooth block).Cac dé thi ở các hình 3.3, hình 3.4, hình 3.5, va hình 3.6 biểu diễn các giá triPSNR của các khối có hướng đã triệt nhiễu (denoised directional block) sau khi cácgiá trị ngưỡng khác nhau được áp dụng lên từng băng con Các đồ thị này chỉ rarằng các giá trị PSNR của khối đã triệt nhiễu luôn luôn tăng khi các ngưỡng cứng từ0 đến 512 được áp dụng lên 1 băng con có hướng tương ứng với thông tin hướngcủa khôi anh dau vào.

direction 1

i VỚIOHình 3.3: Su tác động của việc áp dung ngưỡng lên từng băng con d

Lá

khôi anh có hướng | (direction-l block).

đirection 2

i VỚIôHình 3.4: Su tác động của việc áp dung ngưỡng lên từng băng con đ

Lá

khôi anh có hướng 2 (direction-2 block).

GVAD: TS Trương Quang Vinh

i VỚIô

i VỚIô

Đồ thị ở hình 3.7 biểu diễn giá trị PSNR của khối texture đã triệt nhiễu(denoised texture block) sau khi các ngưỡng khác nhau được áp dụng lên từng băngcon Đồ thị này chi ra rang các giá trị PSNR luôn luôn giảm khi các ngưỡng cứng từ0 đến 512 được áp dụng lên từng băng con Nguyên nhân là do các băng con hướngcủa khối texture chứa nhiều thông tin đặc trưng của anh.

Hình 3.7: Sự tác động của việc áp dụng ngưỡng lên từng băng con doi với

khối texture (texture block).3.2 Phương pháp triệt nhiễu anh trong miền Contourlet dựa trên phân loại

khối ảnhDựa theo phân tích sự tác động của việc áp dụng ngưỡng lên các băng conContourlet với các khối ảnh có hướng khác nhau, chúng tôi đề nghị một phương

pháp triệt nhiễu ảnh mới Phương pháp này áp dụng ngưỡng lên các các băng

Contourlet dựa trên phân loại khối ảnh Và quá trình áp dụng ngưỡng này được môtả trong bảng 2.

BANG 2 QUÁ TRÌNH ÁP DỤNG NGƯỠNG DỰA TREN

PHAN LOẠI KHOILoại khối Quá trình áp dụng ngưỡngSmooth block Ap dụng ngưỡng lên tat cả băng con hướngDirectional block | Áp dụng ngưỡng lên một băng con hướng có

hướng tương ứng với thông tin hướng củakhôi ảnh đầu vào

Texture block Không áp dụng ngưỡng lên bất kỳ băng con

hướng nào

Tóm lại, phương pháp triệt nhiễu dé nghị được mô tả như sau:1) Anh nhiễu được chia thành các khối ảnh 8x8 nhiễu.2) Ap dụng” phân loại khối ” lên các khối ảnh này, chúng ta sẽ có thông

tin hướng của từng khối ảnh Cùng lúc, biến đồi Contourlet phân táchtừng khối ảnh thành các băng con hướng

3) Áp dụng một ngưỡng cứng lên các hệ số Contourlet của từng băng condựa trên phân loại khối, như bảng 2

4) Sau đó các băng con được tái tạo lại thành khối ảnh đã triệt nhiễu bằngcách sử dụng biến đồi ngược Contourlet

5) Cuối cùng, ảnh đã triệt nhiễu sẽ được phục hôi từ các khối ảnh 8x8 đãtriệt nhiễu

3.3 Kết quả thực nghiệmGiải thuật đề nghị được mô phỏng trên phan mềm MATLAB 7.7 R2008b Dékiểm tra giải thuật, tôi chọn 4 ảnh 8-bit có kích thước 512x512, đó là : Lena,Barbara, Peppers, và Cameraman Tôi thêm nhiễu Gaussian vào ảnh ban dau I đượcảnh nhiễu J bằng cách sử dụng công thức “J = 1 + sigma*randn(size(1))”, trong đósigma là độ lệch chuẩn của nhiễu (ví dụ sigma = 5, 10, 15, 20, ) Trong tất cả các

trong các bộ lọc Quincunx trong bộ lọc hướng (DFB) Tôi sử dụng 2 tầng LP vàmỗi tầng LP dùng 2 tầng bộ lọc hướng (DFB) và thiết lập giá trị n=2, T,=50, Ty=15.Ngưỡng T phụ thuộc vào sigma (T = a * sigma) Tôi so sánh phương pháp dé nghịvới hai phương pháp là “hard-thresholding shrinkage denoising method withclassical shrinkage threshold (CT)” va “the local adaptive shrinkage threshold(LAS)” [12] Hình 3.8 và 3.9 cho thay kết quả kiểm tra giải thuật trên anh Lena và

Barbara Nhiễu Gaussian ở vùng tron (smooth regions) như vùng vai trong ảnh

Lena và vùng nên nhà trong ảnh Barbara bị triệt tiêu Ở các vùng cạnh như là vùng

vai trong ảnh Lena và Barbara, thông tin cạnh của ảnh được giữ lại trong khi nhiễu

Gaussian bị triệt tiêu Ở vùng texture như là vùng tóc trong ảnh Lena và Barbara, dođài giải thuật dé nghị không áp dung bộ loc nên giữ được chi tiết của ảnh Giải thuậtdé nghị cải thiện thêm 0.5-1.5dB so với các phương pháp khác, như trong bảng 3.Vì vậy, phương pháp đề nghị hơn các phương pháp khác vẻ cả trực quan lẫn giá trịPSNR.

Hình 3.8: Kết quả kiểm tra của anh Lena

BANG 3 GIÁ TRI PSNR CUA ANH SAU KHI TRIỆT NHIÊU

VỚI SIGMA=10.Image Noise | CT LAS | The proposed

image methodLena 29.99 | 31.35 | 31.96 32.68

Barbara 29.98 | 30.82 | 31.20 31.63Peppers 30.02 | 31.88 | 32.17 32.85

Cameraman 30.05 | 32.30 | 33.49 34.96

3.4 Kết luậnChương này trình bày giải thuật triệt nhiễu trong miền Contourlet sử dụngphân loại khối ảnh Tôi sử dụng phân loại khối ảnh để xác định đặc trưng hướng củakhối ảnh đầu vào và phân tích tác động của việc áp dụng ngưỡng lên các băng con