Một giải pháp lọc nhiễu ảnh siêu âm dùng bộ lọc NLM thích nghi

Bài viết này đề xuất một giải pháp khử nhiễu trong ảnh siêu âm dùng bộ lọc NLM thích nghi (BBA-NLM) dựa trên thuật toán tối ưu bầy dơi nhị phân (BBABinary Bat Algorithm) và chỉ số đánh giá không dùng tham chiếu Q-Metric. Bộ lọc đề xuất có thể khử nhiễu Gaussian mà không cần ảnh tham chiếu, đồng thời vẫn giữ được các chi tiết ảnh, cạnh và kết cấu tốt.

Kỹ thuật điều khiển & Điện tử MỘT GIẢI PHÁP LỌC NHIỄU ẢNH SIÊU ÂM DÙNG BỘ LỌC NLM THÍCH NGHI Bồ Quốc Bảo1*, Tống Văn Luyên1, Tạ Chí Hiếu2, Nguyễn Hải Dương2 Tóm tắt: Phương pháp lọc trung bình không cục NLM (Non-Local Mean Filter) cung cấp công cụ mạnh để khử nhiễu ảnh số Tuy nhiên, số tham số lọc phụ thuộc liệu đầu vào (ảnh nhiễu) cần điều chỉnh thích nghi Bài báo đề xuất giải pháp khử nhiễu ảnh siêu âm dùng lọc NLM thích nghi (BBA-NLM) dựa thuật tốn tối ưu bầy dơi nhị phân (BBABinary Bat Algorithm) số đánh giá không dùng tham chiếu Q-Metric Bộ lọc đề xuất khử nhiễu Gaussian mà khơng cần ảnh tham chiếu, đồng thời giữ chi tiết ảnh, cạnh kết cấu tốt Chúng thực thi số mơ với ảnh có nhiễu Gaussian với phương sai khác để chứng minh hiệu suất phương pháp đề xuất vượt trội so với cơng bố trước Từ khóa: Ảnh siêu âm; Nhiễu Gaussian; Lọc không cục NLM; Q-Metric; Thuật toán dơi BA ĐẶT VẤN ĐỀ Siêu âm chẩn đoán (US-Ultrasound) thường ưu tiên phương pháp chẩn đoán y tế khác kỹ thuật chẩn đốn y học an tồn, sử dụng rộng rãi, tính chất khơng xâm lấn, chi phí thấp, khả tạo ảnh thời gian thực cải tiến liên tục chất lượng ảnh [1] Nhược điểm lớn y tế siêu âm chất lượng ảnh kém, chủ yếu loại nhiễu trình xử lý khôi phục ảnh Nhiễu ảnh siêu âm gồm: (i) Nhiễu xung: nhiễu muối tiêu (salt and pepper); (ii) Nhiễu cộng: nhiễu Gauss trắng (AWGN) (iii) Nhiễu nhân: nhiễu đốm (Speckle Noise) [2] Một sáng kiến quan trọng năm gần việc khử nhiễu đời phương pháp lọc trung bình khơng cục (NLM: Non-Local Mean Filter) Buades cộng đề xuất [3-5] NLM thuật tốn khử nhiễu, có giá trị trung bình tất pixel vùng xác định đo tương đồng điểm ảnh so với điểm ảnh tham chiếu Cách tiếp cận dựa quan sát ảnh tự nhiên thể tự tương đồng cách rõ ràng [6] So với lọc thơng thường, NLM thể tính rõ ràng cao bảo toàn chi tiết tinh xảo ảnh Tuy nhiên, phương pháp NLM tiêu chuẩn, việc tính tốn khoảng cách Euclide điểm ảnh vùng lân cận thường phức tạp làm cho thời gian xử lý chậm; ra, tham số lọc thường phụ thuộc vào liệu đầu vào khó lựa chọn điều chỉnh, việc lựa chọn tham số tối ưu cho lọc chủ yếu dựa vào kinh nghiệm Chính vậy, có nhiều đề xuất cơng bố nhằm khắc phục hạn chế Azzabou cộng [7] đề xuất ý tưởng sử dụng phân tích thành phần (PCAPrincipal Component Analysis) để giảm thời gian tính tốn NLM Abrahim cộng [8] đề xuất phiên lọc NLM thích nghi cho ảnh siêu âm dựa chức tương đồng phụ thuộc vào đặc điểm cụ thể nhiễu biến dạng ảnh siêu âm W.Sun M.Han [9] đề xuất giải pháp thích nghi cửa sổ tìm kiếm để điều chỉnh thông số lọc NLM Salmon [10] nghiên cứu ảnh hưởng hai tham số: cửa sổ tìm kiếm trọng số cửa sổ vá lỗi trung tâm Trong thời gian gần đây, kỹ thuật tối ưu dùng thuật tốn tối ưu có nguồn gốc từ thiên nhiên giải thuật di truyền (Genetic Algorithm-GA), kỹ thuật tối ưu bầy đàn (Particle Swarm Optimization-PSO) chứng minh giải pháp linh hoạt tốt so với kỹ thuật tối ưu truyền thống L.Y.Hsu cộng [11] đề xuất 36 Đ Q Bảo, …, N H Dương, “Một giải pháp lọc nhiễu ảnh … lọc NLM thích nghi.” Nghiên cứu khoa học cơng nghệ giải pháp TPNLM để lọc nhiễu Gaussian cách kết hợp lọc NLM với thuật toán tối ưu bầy đàn TPSO Tuy nhiên, thuật toán BA (Bat Algorithm) thực tối ưu sử dụng trí tuệ bầy dơi đề xuất Xin-She Yang [12] chứng minh thuật toán mạnh mẽ hiệu nhiều so với thuật toán GA, PSO [13-15] Thuật tốn Binary Bat (BBA) [16] trình bày vào năm 2013 coi công cụ tối ưu hóa mạnh mẽ nhất, thuật tốn đề xuất dựa thuật toán BA để giải tốn tối ưu khác khơng gian tìm kiếm rời rạc Trong nội dung báo này, đề xuất lọc mới, BBA-NLM, cách kết hợp thuật toán tối ưu BBA với thuật toán NLM để khử nhiễu ảnh siêu âm Bộ lọc đề xuất khử nhiễu Gaussian mà khơng cần ảnh tham chiếu, đồng thời giữ chi tiết, cạnh kết cấu cách tốt Thuật tốn lọc NLM tiêu chuẩn theo mơ tả tiểu mục 2.1 có trọng số (a, h, d, k) lựa chọn tối ưu cách dùng thuật tốn thích nghi bầy dơi nhị phân BBA (Binary Bat Algorithm), hàm mục tiêu điều chỉnh theo số đánh giá không tham chiếu Q-Metric Trong số phương pháp đánh giá hiệu khử nhiễu ảnh y tế nói chung ảnh siêu âm nói riêng, phương pháp khơng dùng tham chiếu (tiểu mục 2.2) có ưu trội thiết bị y tế cần xử lý ảnh cách trực tiếp để người chẩn đoán đưa nhận định xác bệnh nhân Phần thứ báo trình bày số kiến thức thuật tốn trung bình khơng cục NLM, số đánh giá chất lượng ảnh không tham chiếu thuật tốn bầy dơi BBA để tìm trọng số tối ưu cho lọc Kết mô phân tích đánh giá kiểm chứng trình bày mục cuối kết luận rút mục LỌC NHIỄU TRONG ẢNH SIÊU ÂM BẰNG CÁCH KẾT HỢP THUẬT TOÁN NLM VỚI GIẢI THUẬT TỐI ƯU BBA 2.1 Bộ lọc trung bình khơng cục (NLM: NON-LOCAL MEAN FILTER) Trong phần này, giới thiệu cách ngắn gọn lọc NLM trình bày [3-5]   Với ảnh nhiễu rời rạc I u  u( p) p  I , giá trị lọc điểm ảnh p dùng lọc NLM tính tốn trung bình có trọng số tất điểm ảnh ảnh theo biểu thức: NLM u ( p)   w( p, q)u( q) (1) qI đây, trọng số w( p, q) phụ thuộc vào tương đồng lân cận N p Nq điểm ảnh p q , thỏa mãn điều kiện  w( p, q)   w( p, q)  Các trọng số q w( p, q) thể mức độ tương đồng tính tốn theo cơng thức (2) (3):  Sim( p,q) w( p, q)  e Z( p) h2 (2)  Sim( p,q) Z( p)   e h2 (3) q đó, Z( p) số chuẩn hóa, h bậc lọc để điều chỉnh độ phân rã hàm mũ, Sim( p, q) khoảng cách Euclidian có trọng số Gaussian tất điểm ảnh vùng lân cận: Tạp chí Nghiên cứu KH&CN quân sự, Số 56, 08 - 2018 37 Kỹ thuật điều khiển & Điện tử Sim( p, q)  Ga u( N p )  u( Nq ) 2,a (4) với Ga hàm trọng số Gaussian chuẩn hóa Ký tự a giá trị dương xác định chiều rộng nhân Gaussian cửa sổ vá lỗi Công thức (4) tương đồng hai điểm ảnh p, q dựa vào tương đồng vector cường độ mức xám u( N p ) u( Nq ) N p thể lân cận điểm ảnh p khối hình vng có kích thước xác định trước điểm trung tâm p (cửa sổ lân cận vuông tương đồng), kích thước N p  (2d  1)2 d số nguyên dương biểu thị tham số độ rộng cửa sổ vùng lân cận vuông tương đồng Định nghĩa lọc NLM cho điểm ảnh tham chiếu đến tất điểm khác, lý tính tốn thực tế, số điểm ảnh tính vào trung bình trọng số giới hạn cửa sổ tìm kiếm Vp , cửa sổ tìm kiếm với trung tâm điểm ảnh p kích thước Vp Vp  (2k  1)2 , đó, k số nguyên dương biểu thị thông số bán kính tìm kiếm cửa sổ tìm kiếm Kết lọc lọc NLM phụ thuộc nhiều vào việc lựa chọn tham số Các tham số độ lệch chuẩn nhân Gaussian a , bậc lọc h , độ rộng cửa sổ vá lỗi (cửa sổ tương đồng) d độ rộng cửa sổ tìm kiếm k tương ứng Tham số a để tính tốn độ rộng nhân Gaussian cửa sổ vá lỗi Các điểm ảnh gần trung tâm cửa sổ trao trọng số lớn Tham số h liên quan đến độ phân rã hàm mũ Khi h nhỏ, giá trị khôi phục NLM [ u]( p) có xu hướng trọng số trung bình số pixel với vùng lân cận tương đồng với điểm ảnh p dẫn đến việc làm mịn ảnh yếu (tức nhiễu nhỏ bị loại bỏ) Mặt khác, h lớn, giá trị khôi phục NLM [ u]( p) xấp xỉ trung bình giá trị cường độ điểm ảnh p dẫn đến làm mịn ảnh tốt (ảnh mờ hơn) [17] Tham số d kích thước cửa sổ lân cận vng tương đồng Khi d lớn, việc đánh giá tương đồng mạnh nhiều lân cận tương đồng lại không tìm Tham số k bán kính cửa sổ tìm kiếm Mặc dù NLM tuyên bố sử dụng tất điểm ảnh ảnh cách lấy trung bình trọng số điểm ảnh, điều khơng hiệu vị trí tương đồng tương đối gần 2.2 Chỉ số đánh giá chất lượng ảnh không tham chiếu Hiệu khử nhiễu thường đánh giá thông qua số chất lượng, số chia làm loại: tham chiếu đầy đủ (full-reference), tham chiếu rút gọn (reducedreference) không tham chiếu (no-reference) Trong lĩnh vực lọc nhiễu, sai số bình phương trung bình (MSE: Mean Square Erro) phép đo hay sử dụng để ước lượng chất lượng ảnh tối ưu thông số Tuy nhiên, MSE phụ thuộc vào ảnh không chứa nhiễu, hầu hết ứng dụng thực tế, ảnh tham chiếu khơng có sẵn [18, 19] Nói cách khác, MSE (hoặc số chất lượng tham chiếu đầy đủ khác) không phù hợp sử dụng trực tiếp ứng dụng khử nhiễu, khử bóng mờ, siêu phân giải nhiều thuật toán tái tạo ảnh khác Một số phương pháp tiếp cận (không tham chiếu) phát triển để giải vấn đề tối ưu hóa tham số Tổng hợp xác thực chéo (GCV- Generalized cross-validation) [20, 21] phương pháp đường cong L [22, 23] sử dụng rộng rãi việc lựa chọn thơng số chuẩn hóa cho ứng dụng khôi phục khác Gần đây, phương pháp dựa ước tính rủi ro khơng thiên vị Stein (SURE) đề xuất cho vấn đề khử nhiễu [24, 25], cung cấp phương tiện cho ước lượng không thiên vị MSE mà không 38 Đ Q Bảo, …, N H Dương, “Một giải pháp lọc nhiễu ảnh … lọc NLM thích nghi.” Nghiên cứu khoa học cơng nghệ u cầu hình ảnh tham chiếu Tuy nhiên, ưu điểm chứng minh, chúng số hạn chế Ngồi phức tạp tính tốn, chúng giải vấn đề tối ưu hóa tham số mà không quan tâm trực tiếp đến nội dung ảnh tái tạo Thay vào đó, chúng tính tốn xấp xỉ số lượng MSE (hoặc chi phí xác thực chéo liên quan), mà khơng thiết phải số tốt chất lượng ảnh Một ví dụ cụ thể, phương pháp Monte-Carlo SURE [25] sử dụng cho thuật tốn khử nhiễu tùy ý, dựa ý tưởng thăm dò tốn tử khử nhiễu với nhiễu cộng tín hiệu đáp ứng ước lượng MSE Cách tiếp cận thích hợp nhiễu giả định Gaussian, thường đòi hỏi ước lượng xác phương sai nhiễu Những vấn đề Bắt đầu mà số chất lượng Q (Q-Metric: Quality Metric) định nghĩa để giải [18, 19] Khởi tạo Qs = 0, n, t Q-Metric cung cấp thước đo định lượng nội dung ảnh thật phản ứng Chia ảnh thành M khối kích hợp lý đốm mờ lẫn nhiễu ngẫu thước nxn không trùng nhiên Chỉ số dựa phân tích giá trị đặc trưng (SVD: Singular-Value m=1 Decomposition)) ma trận ảnh địa phương khơng đòi hỏi thơng S tin trước hình ảnh nhiễu Xem xét m= τ k  wi Đ (5) S m=m+1 Ở [ gx (k), gy (k)] thể gradient ảnh điểm ( xk , yk ) Hướng chi phối cửa sổ cục tính tốn cách tính SVD Gm công thức (6) Qs = Qs + Qm Qs = Qs/M Kết thúc Hình Lưu đồ thuật tốn tính Q matric s  Gm =ASBT  A  [b1 b ]T  0 s  (6) Trong đó, A B hai ma trận vuông trực giao, ma trận S chứa giá trị suy biến thông tin cường độ ảnh cho Các giá trị suy biến s1 s2 thể lượng hướng vector chi phối b1 hướng vector vng góc với b2 Hệ số gắn kết nội dung khối ảnh định nghĩa theo biểu thức: s s Rm  s1  s2 (7) Như đề cập, s1 s2 đại diện cho lượng hướng chi phối hướng vng góc Vì vậy, hệ số gắn kết Rm đo kích thước liên hệ tương đối chúng Trong Tạp chí Nghiên cứu KH&CN quân sự, Số 56, 08 - 2018 39 Kỹ thuật điều khiển & Điện tử cửa sổ vá lỗi, hệ số gắn kết Rm gần tỷ lệ nghịch với phương sai nhiễu cục  s1  s2 (bất cửa sổ vá lỗi khơng đẳng hướng) Khi vùng khơng có nhiễu với cấu trúc hình học mạnh mẽ (sửa biên s1 lớn nhiều lần s2 ), Rm gần với Mặt khác, nhiễu trắng cộng thêm, kết giảm đi, điều cho thấy vùng trở nên cấu trúc Để cải thiện tỷ lệ s1 , số Qm đáng sử dụng cửa sổ vá lỗi có chứa hướng chủ đạo Chúng ta thấy thơng thường cửa sổ vá lỗi khơng đẳng hướng, hướng chi phối tồn tại, cơng cụ Qm phát vết mờ lẫn nhiễu ngẫu nhiên Chỉ số nội dung khối ảnh Qm hiển thị công thức (8) Qm  s1 s1  s2 s1  s2 (8) Khi gắn kết cục Rm lớn ngưỡng  , cửa sổ vá lỗi thêm vào Qs , đó, Qs tính trung bình vào Q Giá trị lớn số Q mang lại kết tốt kiểu lọc hồn tồn khơng cần giám sát mà không cần truy cập đến ảnh tham chiếu Tồn quy trình tính tốn cho Q mơ tả lưu đồ hình 2.3 Mơ hình lọc nhiễu đề xuất Mơ hình lọc nhiễu đề xuất trình bày hình Ảnh nhiễu đưa trực tiếp vào lọc NLM, nguyên tắc hoạt động lọc trình bày phần 2.1 Ảnh sau lọc trích phần đưa điều chỉnh tham số dựa vào thuật toán tối ưu BBA hàm mục tiêu Q-Metric (phần 2.2) Lưu đồ thuật tốn mơ hình đề xuất thực theo hình Hình Mơ hình lọc nhiễu dùng lọc NLM kết hợp thuật toán BBA Q-Metric Thuật toán BBA [16] giữ nguyên cấu trúc bước tương tự thuật toán BA gốc trình bày báo [12] sửa đổi số phương trình để phù hợp với giải pháp rời rạc Các tham số cần điều chỉnh độ lệch chuẩn h, kích thước cửa sổ tương đồng d  bán kính cửa sổ tìm kiếm k Vector vị trí tương ứng với tham số i ( xi )  BBA-NLM bao gồm thành phần, xi  (h, d, k) Trong BBA, khơng gian tìm kiếm biến đối sang mạng lưới nhị phân, ma trận bầy đàn lấy giá trị Để đạt mục tiêu này, hàm chuyển đổi V sử dụng: 40 Đ Q Bảo, …, N H Dương, “Một giải pháp lọc nhiễu ảnh … lọc NLM thích nghi.” Nghiên cứu khoa học công nghệ V (vik (t ))   arctan( vik (t )  (9) ( xik (t )1 neá u H  V (vik (t+1) X (t  1)   k neá u H  V (vik (t+1)  xi (t ) (10) k i Xik (t ) đề cập đến vị trí dơi thứ i khơng gian tìm kiếm kích thước k, Inv( Xik (t )) phần bù vik (t ) vận tốc nó, H số đồng (0,1) Bắt đầu Khởi tạo tham số k, d, h trọng số ngẫu nhiên Xác định hàm mục tiêu Q-Metric Tìm Fbest theo vector vị trí Việc xác định véc tơ trọng số tối ưu để hàm mục tiêu Q-Metric đạt giá trị cực đại thực lưu đồ hình Ban đầu thiết lập số vòng lặp k  0, tần số xung ri  0.5, cường độ Ai  0.5, tần số fi  0,  f , f ax    0,2 , chọn số lượng cá thể dơi 10 số vòng lặp cực đại kmax  50 Tạo tham số Chuyển sang nhị phân theo (9) Cập nhật vị trí theo (10) Cập nhật trọng số Tính Fnew Đ S Rand Fbest Đ KẾT QUẢ MÔ PHỎNG Cập nhật Fbest= Fnew tham số 3.1 Kịch mô Theo báo [5], thuật toán NLM k=k+1 chọn cho pixel cấu hình trung bình khác phù hợp với hình ảnh Cập nhật ri Ai Điều điểm ảnh S k