Nghiên cứu phương pháp giảm nhiễu ảnh màu sử dụng lý thuyết tập mờ

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC VINH HỒ THỊ NGA NGHIÊN CỨU PHƯƠNG PHÁP GIẢM NHIỄU ẢNH MÀU SỬ DỤNG LÝ THUYẾT TẬP MỜ LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Nghệ An, 2017 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC VINH HỒ THỊ NGA NGHIÊN CỨU PHƯƠNG PHÁP GIẢM NHIỄU ẢNH MÀU SỬ DỤNG LÝ THUYẾT TẬP MỜ Chuyên ngành: CÔNG NGHỆ THÔNG TIN Mã số: 60.48.02.01 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Người hướng dẫn khoa học: TS Phan Anh Phong Nghệ An, 2017 LỜI CẢM ƠN Sau thời gian nghiên cứu, với nỗ lực thân với động viên khích lệ, giúp đỡ từ thầy cô giáo, người thân bạn bè tơi hồn thành luận văn thạc sĩ với tên đề tài “Nghiên cứu phương pháp giảm nhiễu ảnh màu sử dụng lý thuyết tập mờ” Để đạt kết ngày hôm nay, xin gửi lời cảm ơn chân thành đến quý thầy cô khoa Công nghệ thông tin trường Đại học Vinh Cảm ơn tất thầy cô nhiệt tình giảng dạy, truyền đạt cho tơi kiến thức chuyên ngành tận tình hướng dẫn cho tơi q trình nghiên cứu luận văn Và đặc biệt, muốn gửi lời cảm ơn, lời tri ân sâu sắc thân đến thầy giáo – TS Phan Anh Phong, người trực tiếp hướng dẫn cho tôi, cung cấp tài liệu khoa học giúp tơi hồn thành luận văn Cảm ơn thầy nhiệt tình hướng dẫn, bảo cho từ điều nhỏ cách đọc tài liệu đến cách chắt lọc thông tin tài liệu đưa vào luận văn, từ cách viết luận văn đến việc chỉnh sửa câu chữ luận văn cho phù hợp Không mặt kiến thức, thầy cịn gương cho tơi học hỏi phong cách làm việc ý thức trách nhiệm thân công việc Hồn thành luận văn bước lĩnh vực nghiên cứu khoa học, với thời gian chưa nhiều vốn kiến thức cịn hạn hẹp chắn khơng thể tránh khỏi sai sót luận văn Vì vậy, tơi mong nhận đóng góp tích cực thầy cô bạn để luận văn hồn thiện Một lần tơi xin chân thành cảm ơn! LỜI CAM ĐOAN Tôi xin cam đoan kết nghiên cứu có luận văn q trình tìm hiểu, nghiên cứu tơi hướng dẫn thầy giáo – TS Phan Anh Phong người mà cảm ơn Nội dung luận văn có tham khảo, sử dụng thông tin, tài liệu từ nguồn liệt kê danh mục tài liệu tham khảo Các kết nghiên cứu đề tài trung thực chưa cơng bố đâu Học viên Hồ Thị Nga DANH MỤC CÁC TỪ VIẾT TẮT STT Thuật ngữ Giải thích Viết tắt Mean Square Error – Sai số trung bình bình phương, tính dựa trung bình bình MSE phương độ lệch ảnh sau lọc ảnh gốc (không bị nhiễu) Viết tắt Peak Signal to Noise Ratio – Tỉ số tín hiệu cực đại nhiễu, thuật ngữ dùng để tính tỉ PSNR lệ giá trị lượng tối đa tín hiệu lượng nhiễu ảnh hưởng đến độ xác thông tin Med Viết tắt Median – Trung vị Viết tắt Fuzzy Median Filter – Bộ lọc trung vị FMF dựa luật mờ DANH MỤC CÁC BẢNG STT Tên bảng Trang Bảng 1: So sánh hiệu suất lọc nhiễu xung 68 Bảng 2: So sánh hiệu suất lọc nhiễu Gauss 71 DANH MỤC CÁC HÌNH Tên hình STT Trang Hình 1.1: a Ảnh nhị phân b Ảnh màu c Ảnh đa mức xám Hình 1.2: Số hóa ảnh 15 Hình 1.3: Q trình xử lí ảnh 18 Hình 1.4: Các bước hệ thống xử lý ảnh 19 Hình 1.5: Minh họa mơ hình lọc dùng ma trận lọc 22 Hình 1.6: Lấy tổ hợp điểm lân cận 24 Hình 1.7: Sắp xếp để lấy trung vị 27 Hình 1.8: Cửa sổ lọc 3x3 28 Hình 1.9: Tập mờ tập rõ 30 10 Hình 1.10: 11 Hình 1.11: Tập mờ hình thang 31 12 Hình 2.1: Cấu trúc chung hệ thống xử lý ảnh mờ 37 13 Hình 2.2: Các bước xử lý ảnh mờ 38 14 Hình 2.3: Sự khơng chắn xử lý ảnh 39 15 Hình 2.4: Xử lý màu sắc tập mờ 40 16 Hình 2.5: Ảnh nhiễu muối tiêu với mức độ khác 41 17 Hình 2.6: Mơ hình tính tốn med điểm ảnh khơng nhiễu 46 18 Hình 2.7: Hàm thuộc Large 47 19 Hình 2.8: Hàm thuộc Unlike 49 20 Hình 2.9: Hàm thuộc Extreme 51 a Tập mờ hình chng b Tập mờ tam giác 14 31 21 Hình 2.10 : Lược đồ cho tầng lọc đầu 52 22 Hình 2.11: Lược đồ cho tầng lọc thứ 54 23 Hình 2.12: Sơ đồ khối lọc nhiễu xung 56 24 Hình 2.13: Ảnh nhiễu Gauss với mức độ khác 56 25 Hình 2.14: Hàm thuộc Small 59 26 Hình 2.15: Lược đồ cho lọc nhiễu Gauss 61 27 Hình 3.1: Mơ hình chung hệ thống 62 28 Hình 3.2: Ảnh màu gốc sử dụng kích thước 256x256 65 29 Hình 3.3: Mơ hình tổng qt lọc 65 30 Hình 3.4: PSNR kích thước sửa sổ nhiễu xung 66 31 Hình 3.5: Ảnh trước sau lọc nhiễu xung 20% với cửa sổ 3x3 67 32 Hình 3.6: Ảnh trước sau lọc nhiễu xung 50% với cửa sổ 3x3 67 33 Hình 3.7: Ảnh trước sau lọc nhiễu xung 20% với cửa sổ 5x5 67 34 Hình 3.8: Ảnh trước sau lọc nhiễu xung 50% với cửa sổ5x5 67 35 Hình 3.9: Ảnh trước sau lọc nhiễu xung 20% với cửa sổ 7x7 68 36 Hình 3.10: Ảnh trước sau lọc nhiễu xung 50% với cửa sổ 7x7 68 37 Hình 3.11: PSNR kích thước sửa sổ nhiễu Gauss 69 38 Hình 3.12: Ảnh trước sau lọc nhiễu xung 30% với cửa sổ 3x3 70 39 Hình 3.13: Ảnh trước sau lọc nhiễu xung 50% với cửa sổ 3x3 70 40 Hình 3.14: Ảnh trước sau lọc nhiễu xung 30% với cửa sổ 5x5 70 41 Hình 3.15: Ảnh trước sau lọc nhiễu Gauss 50% với cửa sổ 5x5 70 42 Hình 3.16: Ảnh trước sau lọc nhiễu Gauss 30% với cửa sổ 7x7 70 43 Hình 3.17: Ảnh trước sau lọc nhiễu Gauss 50% với cửa sổ 7x7 70 MỤC LỤC LỜI CẢM ƠN LỜI CAM ĐOAN DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH MỤC LỤC MỞ ĐẦU 11 CHƯƠNG CƠ SỞ LÝ THUYẾT .14 1.1 TỔNG QUAN VỀ ẢNH SỐ 14 1.1.1 Khái niệm cách biểu diễn ảnh số 14 1.1.2 Phân loại ảnh số 15 1.2 CÁC PHƯƠNG PHÁP CẢI THIỆN CHẤT LƯỢNG ẢNH 17 1.2.1 Phương pháp lọc tuyến tính 23 1.2.2 Phương pháp lọc phi tuyến 26 1.3 TỔNG QUAN VỀ LÝ THUYẾT MỜ 30 1.3.1 Tập mờ 30 1.3.2 Quan hệ mờ 32 1.3.3 Suy diễn mờ 33 1.4 KẾT LUẬN CHƯƠNG 36 CHƯƠNG GIẢM NHIỄU ẢNH MÀU SỬ DỤNG BỘ LỌC MỜ 37 2.1 TỔNG QUAN VỀ XỬ LÝ ẢNH MỜ 37 2.1.1 Khái niệm xử lí ảnh mờ .37 2.1.2 Sự cần thiết ứng dụng lý thuyết mờ xử lí ảnh .38 2.2 GIẢM NHIỄU XUNG SỬ DỤNG BỘ LỌC MỜ 40 2.2.1 Nhiễu xung ảnh màu 41 2.2.2 Xác định giá trị trung vị 42 2.2.3 Cấu trúc lọc mờ cho nhiễu xung 46 10 2.2.4 Thuật toán lọc nhiễu xung 56 2.3 GIẢM NHIỄU GAUSS SỬ DỤNG BỘ LỌC MỜ 57 2.3.1 Khoảng cách mờ thích nghi 58 2.3.2 Cấu trúc lọc mờ cho nhiễu Gauss 59 2.3.3 Thuật toán lọc nhiễu Gauss 61 2.4 KẾT LUẬN CHƯƠNG 62 CHƯƠNG THIẾT KẾ CÁC BỘ LỌC MỜ GIẢM NHIỄU ẢNH MÀU 63 3.1 MƠ HÌNH CHUNG 63 3.2 CÁC TIÊU CHÍ ĐÁNH GIÁ CHẤT LƯỢNG BỘ LỌC 64 3.3 THIẾT KẾ BỘ LỌC 66 OUT PUT 66 3.4 THỬ NGHIỆM LỌC NHIỄU XUNG TRÊN BỘ DỮ LIỆU MẪU67 3.5 THỬ NGHIỆM LỌC NHIỄU GAUSS TRÊN BỘ DỮ LIỆU MẪU 70 3.6 KẾT LUẬN CHƯƠNG 72 KẾT LUẬN 73 TÀI LIỆU THAM KHẢO 74 60 Để thể khoảng cách thích nghi Small, khoảng cách thích nghi làm rõ cách sử dụng hàm thuộc Small định nghĩa là: 𝜇𝑡 (𝜆) = { 𝜆 exp (− ) 𝑣ớ𝑖 𝜆 ≤ 𝑡 𝑣ớ𝑖 𝜆 > 𝑡 𝑡 (2 − 31) Hàm thuộc Small minh họa sau: Hình 2.14: Hàm thuộc Small Tham số “t“ khoảng cách tối đa cặp màu điểm ảnh trung tâm điểm ảnh lân cận sổ Tham số “t“ cho cặp màu khác cho là: 𝑡𝑟𝑔 (𝑥, 𝑦) = max (𝑑𝑟𝑔 (𝑥 + 𝑖, 𝑦 + 𝑗)) (2 − 32) 𝑡𝑟𝑏 (𝑥, 𝑦) = 𝑚𝑎𝑥(𝑑𝑟𝑏 (𝑥 + 𝑖, 𝑦 + 𝑗)) (2 − 33) 𝑡𝑔𝑏 (𝑥, 𝑦) = 𝑚𝑎𝑥 (𝑡𝑔𝑏 (𝑥 + 𝑖, 𝑦 + 𝑗)) (2 − 34) Các quy tắc mờ thực cách tính khoảng cách mờ thích nghi sử dụng hàm thuộc Small Ví dụ: Khoảng cách mờ thích nghi cặp màu R – G điểm ảnh tọa độ (𝑥, 𝑦) điểm ảnh lân cận (𝑥 + 𝑖, 𝑦 + 𝑗) biểu diễn dạng: 𝜇𝑟𝑔(𝑥,𝑦) (𝐷𝑟𝑔 (𝑥 + 𝑖, 𝑦 + 𝑗)) 𝜇𝑟𝑔 hàm thuộc cặp màu R – G Các trọng số điểm ảnh lân cận vị trí (𝑥 + 𝑖, 𝑦 + 𝑗) tương ứng với thành phần R, G, B lấy từ quy tắc mờ (2 − 28), (2 − 29), (2 − 30) sau: 61 𝑤(𝑥 + 𝑖, 𝑦 + 𝑗, 1) = 𝑚𝑖𝑛{𝜇𝑟𝑔 (𝐷𝑟𝑔 (𝑥 + 𝑖, 𝑦 + 𝑗)), 𝜇𝑟𝑏 (𝜇𝐷𝑟𝑏 (𝑥 + 𝑖, 𝑦 + 𝑗))} (2 − 35) 𝑤(𝑥 + 𝑖, 𝑦 + 𝑗, 2) = 𝑚𝑖𝑛{𝜇𝑟𝑔 (𝐷𝑟𝑔 (𝑥 + 𝑖, 𝑦 + 𝑗)), 𝜇𝑔𝑏 (𝐷𝑔𝑏 (𝑥 + 𝑖, 𝑦 + 𝑗))} (2 − 36) 𝑤(𝑥 + 𝑖, 𝑦 + 𝑗, 3) = 𝑚𝑖𝑛 {𝜇𝑔𝑏 (𝐷𝑔𝑏 (𝑥 + 𝑖, 𝑦 + 𝑗)) , 𝜇𝑟𝑏 (𝐷𝑟𝑏 (𝑥 + 𝑖, 𝑦 + 𝑗))} (2 − 37) Các trọng số cho R, G, B tương tự Giá trị điều chỉnh cuối điểm ảnh vị trí (𝑥, 𝑦) cho thành phần R cho bởi: 𝐼(𝑥, 𝑦, 1) = 𝑘 ∑𝑘 𝑖=−𝑘 ∑𝑗=−𝑘 𝑤 (𝑥+𝑖,𝑦+𝑗,1) x 𝑓(𝑥+𝑖,𝑦+𝑗,1) 𝑘 ∑𝑘 𝑖=−𝑘 ∑𝑗=−𝑘 𝑤(𝑥+𝑖,𝑦+𝑗,1) (2 − 38) Tương tự ta tìm 𝐼(𝑥, 𝑦, 2) cho thành phần G 𝐼(𝑥, 𝑦, 3) cho thành phần B 2.3.3 Thuật toán lọc nhiễu Gauss Các bước thuật toán cho lọc nhiễu Gauss sau: Bước 1: Sử dụng cửa sổ có kích thước w x w, tập trung vào điểm ảnh trung tâm ảnh nhiễu Bước 2: Chọn điểm ảnh cửa sổ, tính khoảng cách thích nghi cho cặp màu: R – G, R – B, G – B từ điểm ảnh trung tâm đến điểm ảnh theo cơng thức (2 − 25) Bước 3: Tính khoảng cách mờ thích nghi sử dụng hàm thuộc Small (2 − 31) tham số “t“ công thức (2 − 32), (2 − 33), (2 − 34) Bước 4: Tìm trọng số cho thành phần màu điểm ảnh lân cận công thức (2 − 35), (2 − 36), (2 − 37) Bước 5: Lặp lại từ bước đến bước cho tất điểm ảnh sổ xét Bước 6: Lấy giá trị sửa sai cuối cho điểm ảnh tâm sử dụng công thức (2 − 38) 62 Lược đồ cho lọc Gauss minh họa đây: Ảnh nhiễu Đối với điểm ảnh vị trí (x,y), tính khoảng cách thích nghi Drg(x + i,y + j), Drb(x + i,y + j), Dgb(x + i,y + j) với điểm ảnh lân cận (x + i, y + j) dùng (2-25) Các thông số trg(x,y), trb(x,y), tgb(x,y) tính theo (232),(2-33), (2-34) khoảng cách mờ thích nghi sử dụng hàm thuộc Small với thơng số Tính trọng số cho thành phần màu điểm ảnh lân cận sử dụng (2-35), (2-36), (2-37) Tương tự, tính trọng số cho tất điểm ảnh khác cửa sổ Giá trị sửa sai cuối cho điểm ảnh trung tâm thu cách sử dụng (2-38) Hình 2.15: Lược đồ cho lọc nhiễu Gauss 2.4 KẾT LUẬN CHƯƠNG Chương trình bày phương pháp ứng dụng logic mờ để xử lý nhiễu ảnh Ở đây, phương pháp lọc trung vị dựa luật mờ cải tiến từ lọc trung vị cổ điển giúp giảm nhiễu xung nhiễu Gauss ảnh màu Từ đó, thiết kế lọc mờ để giảm nhiễu xung nhiễu Gauss dựa luật mờ với tham số lấy từ thực nghiệm nhằm xác định đâu điểm ảnh nhiễu để từ tính tốn lượng khử nhiễu cho điểm ảnh Đây sở để ta sâu vào thiết kế chi tiết cho lọc nhiễu trình bày chương 63 CHƯƠNG THIẾT KẾ CÁC BỘ LỌC MỜ GIẢM NHIỄU ẢNH MÀU 3.1 MƠ HÌNH CHUNG Mơ hình chung hệ thống lọc mờ giảm nhiễu ảnh màu hệ thống lọc ảnh màu với đầu vào ảnh bị nhiễu với tỉ lệ nhiễu tùy chọn đầu ảnh giảm nhiễu với mức tối đa Hệ thống cung cấp cho người dùng số phương thức lọc ảnh bao gồm phương thức lọc cổ điển phương thức lọc có sử dụng lý thuyết tập mờ Sau trình xử lý, hệ thống hiển thị ảnh đầu cho phép người dùng xem trực tiếp, đồng thời hiển thị sai số trung bình bình phương – MSE tỉ số tín hiệu cực đại nhiễu – PSNR để người xem so sánh nhằm đánh giá trực quan hiểu phương pháp lọc Mơ hình chung hệ thống sau: FMF Ảnh sau lọc Mean Square Error – MSE Peak Signal to Noise Ratio - PSNR Ảnh nhiễu Hình 3.1: Mơ hình chung hệ thống Đây thành phần hệ thống, làm nhiệm vụ xử lý ảnh nhiễu đầu vào Bộ lọc FMF sử dụng luật mờ Large, Unlike, Extreme để loại bỏ nhiễu dựa việc cải tiến lọc trung vị cổ điển Các tham số lọc lấy từ thực nghiệm Ngồi ra, cịn số phương pháp khác như: lọc trung vị cổ điển, lọc trung bình, lọc thích nghi cài đặt để người dùng so sánh 64 hiệu phương pháp lọc cổ điển không sử dụng hệ mờ phương pháp lọc có sử dụng hệ mờ Matlab công cụ hỗ trợ tốt cho thao tác tính tốn ảnh Vì việc sử dụng matlab cho ứng dụng xử lý ảnh gần lựa chọn hàng đầu cho muốn thực thuật toán xử lý phần mềm Ở đây, hệ thống sử dụng lọc mờ giảm nhiễu ảnh màu cài đặt ngôn ngữ lập trình Matlab ưu điểm vượt trội nó: - Matlab ứng dụng mạnh xử lý ma trận nói chung xử lý ảnh nói riêng - Matlab cung cấp nhiều cơng cụ tiện ích cho việc xử lý ảnh, thiết kế hệ suy diễn mờ, thiết kế giao diện đồ hoạ biên dịch mã nguồn thành chương trình chạy cách dễ dàng nhanh chóng - Matlab có thư viện đồ sộ, giúp người dùng sử dụng lại hàm bên thư viện mà khơng phải xây dựng lại - Matlab kho học liệu mở, đóng góp cộng đồng ngày nhiều người sử dụng toàn giới, người dùng dễ dàng trao đổi tìm kiếm lời giải đáp cho thắc mắc với người khác cộng đồng Trong phần sau đây, sâu vào thiết kế chi tiết lọc trung vị dựa luật mờ – phần trọng tâm tồn hệ thống 3.2 CÁC TIÊU CHÍ ĐÁNH GIÁ CHẤT LƯỢNG BỘ LỌC Tỷ số tín hiệu cực đại nhiễu (Peak Signal Noise Ratio) viết tắt PSNR, thuật ngữ dùng để tính tỉ lệ giá trị lượng tối đa tín hiệu lượng nhiễu ảnh hưởng đến độ xác thơng tin Có nhiều tín hiệu có phạm vi biến đổi rộng, nên PSNR thường biểu diễn đơn vị Logarithm decibel 65 PSNR sử dụng để đo chất lượng tín hiệu khơi phục thuật tốn nén có mát liệu (ví dụ: dùng nén ảnh) Tín hiệu trường hợp liệu gốc nhiễu lỗi xuất nén Khi so sánh thuật tốn nén thường dựa vào cảm nhận gần xác người liệu khôi phục Chính số trường hợp liệu khơi phục thuật tốn dường có chất lượng tốt khác, có giá trị PSNR thấp (thơng thường PSNR cao chất lượng liệu khơi phục tốt) Vì vậy, so sánh kết thuật toán cần dựa codecs giống nội dung liệu phải giống Sai số tồn phương trung bình viết tắt MSE (Mean Squared Error) phép ước lượng trung bình bình phương sai số, tức khác biệt ước lượng đánh giá MSE hàm rủi ro, tương ứng với giá trị kỳ vọng mát sai số bình phương mát bậc Sự khác biệt xảy ngẫu nhiên ước lượng khơng tính đến thơng tin cho ước tính xác Một ảnh màu bao gồm mảng M x N điểm ảnh vị trí (𝑥, 𝑦) xem “ngăn xếp“ ảnh đa mức xám tương ứng với thành phần RGB Lớp liệu ảnh thành phần xác định phạm vi giá trị mức xám chúng Nếu ảnh biểu diễn kiểu Double phạm vi giá tị mức xám chúng [0,1] Tương tự, phạm vi giá trị [0,255] [0,65535] ảnh biểu diễn 8bit 16bit tương ứng Ảnh “Yellowlily“ có cỡ 256 x 256 với nhiễu Gauss nhiễu xung ảnh để thử nghiệm Hình ảnh gốc biểu diễn hình 3.2: 66 Hình 3.2: Ảnh màu gốc sử dụng kích thước 256x256 Để đánh giá hiệu suất tương đối, phương pháp đề xuất sử dụng độ đo MSE[6]: 𝑀 ∑3𝑧=1 ∑𝑁 𝑖=1 ∑𝑗=1[𝐼 (𝑥, 𝑦, 𝑧) − 𝑓 (𝑥, 𝑦, 𝑧)] 𝑀𝑆𝐸 (𝑓, 𝐼) = 3x𝑁x𝑀 (3 − 1) Trong đó, 𝐼 ảnh màu gốc, 𝑓 ảnh nhiễu lọc có kích thước 𝑀 x 𝑁 MSE đưa độ đo tương tự ảnh Một độ đo tương tự PSNR tính sau[6]: 𝑃𝑆𝑁𝑅 (𝑓, 𝐼) = 10 log ( ) 𝑀𝑆𝐸 (𝑓, 𝐼) (3 − 2) Trong công thức (3 − 2), giá trị MSE sử dụng dạng chuẩn hóa Ví dụ: ảnh mã hóa 8bit phải chia cho 255 x 255 Giá trị PSNR lớn có tương tự ảnh 3.3 THIẾT KẾ BỘ LỌC Như trình bày trên, lọc FMF lọc thiết kế dựa kết hợp lọc trung vị cổ điển luật mờ Large, Unlike, Extreme để định xem điểm ảnh có phải bị nhiễu hay khơng Mơ hình tổng qt lọc sau: f(i,j) FUZZY MEDIAN y(i,j) m(i,j) OUT PUT FILTER Hình 3.3: Mơ hình tổng qt lọc 67 Khối Fuzzy Median Filter: đóng vai trị lọc - Nếu 𝑥(𝑖, 𝑗) điểm ảnh nhiễu, thay giá trị 𝑥(𝑖, 𝑗) giá trị 𝑚(𝑖, 𝑗) - Nếu 𝑥(𝑖, 𝑗) điểm ảnh nhiễu, giữ nguyên giá trị 𝑥(𝑖, 𝑗) Khối làm nhiệm vụ tính tốn khả điểm ảnh nhiễu dựa vào quan hệ điểm ảnh giá trị chênh lệch lân cận tương ứng điểm ảnh dựa vào thuật tốn trình bày chương Khối Output: nhận giá trị từ hai khối Fuzzy Median Filter để tính tốn giá trị cho phù hợp với điểm ảnh đầu vào 3.4 THỬ NGHIỆM LỌC NHIỄU XUNG TRÊN BỘ DỮ LIỆU MẪU Sử dụng cửa sổ có kích thước x 3, x 5, x để thử nghiệm Ta có biểu đồ độ đo PSNR tỉ lệ phần trăm nhiễu xung với cửa sổ thử nghiệm minh họa hình 3.4 sau: Hình 3.4: PSNR kích thước sửa sổ nhiễu xung Từ đồ thị: Đối với hình ảnh mà có độ nhiễu từ 50% trở xuống kích thước cửa sổ lọc nhỏ cho giá trị PSNR lớn Với nhiễu xung từ 50% - 60% cửa sổ lọc x cho kết tốt 68 Như ta thấy: Đối với hình ảnh có tỉ lệ phần trăm nhiễu xung cao cửa sổ lọc có kích thước lớn phù hợp hơn, nhiên lọc lại không phù hợp với mức độ nhiễu xung cao làm chi tiết hình ảnh làm mờ biên ảnh Với cửa sổ x cho kết lớn lên đến 20% nhiễu xung Tức với lọc ta áp dụng với nhiễu xung có tỉ lệ phần trăm thấp Mức độ xung tìm thấy nhiều ứng dụng thực tiễn Ta sử dụng ảnh liệu mẫu hình ảnh ban đầu minh họa hình 3.2 để làm thí nghiệm sau: * Trước hết ta sử dụng Matlab để tạo nhiễu với mức độ 20%, 50% cho ảnh lấy thử nghiệm, sử dụng lọc trung vị cổ điển với cửa sổ x lọc nhiễu ảnh mẫu ta kết sau: Hình 3.5: Ảnh trước sau lọc Hình 3.6: Ảnh trước sau lọc nhiễu xung 20% với cửa sổ 3x3 nhiễu xung 50% với cửa sổ 3x3 * Tương tự sử dụng lọc trung vị cổ điển với cửa số x ta có kết quả: Hình 3.7: Ảnh trước sau lọc nhiễu xung 20% với cửa sổ 5x5 Hình 3.8: Ảnh trước sau lọc nhiễu xung 50% với cửa sổ 5x5 69 * Với cửa sổ lọc x 7: Hình 3.9: Ảnh trước sau lọc nhiễu xung 20% với cửa sổ 7x7 Hình 3.10: Ảnh trước sau lọc nhiễu xung 50% với cửa sổ 7x7 Từ kết thử nghiệm với mức độ nhiễu khác kích thước cửa sổ lọc khác ta có bảng so sánh ảnh sau lọc ảnh gốc thông qua giá trị MSE PSNR sau: Cửa sổ 3x3 5x5 7x7 MSE PSNR MSE PSNR MSE PSNR 20% 56.62 30.60 13.29 36.90 25.03 34.15 50% 2617.47 13.95 208.48 24.94 49.41 31.19 Yellowlily Bảng 1: So sánh hiệu suất lọc nhiễu xung Rõ ràng, từ hình ảnh thu sau lọc nhiễu từ bảng so sánh hiệu suất thông qua giá trị PSNR MSE ta thấy: với mức độ nhiễu lớn dùng cửa sổ lọc có kích thước lớn lọc nhiễu tốt ảnh sau lọc lại bị mờ cạnh mờ chi tiết ảnh Ta dễ dàng nhận thấy cửa sổ lọc có kích thước x cho kết tốt Do vậy, thử nghiệm lọc nhiễu xung với lọc mờ ta sử dụng cửa sổ lọc có kích thước x Hiệu suất lọc minh họa thông qua 70 tập ảnh màu với mức độ nhiễu xung khác nhau: 20%, 50% Các giá trị tối ưu cho tham số 𝛿1 , 𝛿1 , 𝛿2 , 𝛼1 , 𝛼2 , 𝛽1 , 𝛽2 sử dụng mục 2.2 xác định thông qua thực nghiệm là: 0.3, 0.1, 0.078, 0.15, 0.5, 0.6[6] Các tham số thu cách sử dụng cửa sổ lọc có kích thước x với tỉ lệ phần trăm nhiễu thấp 3.5 THỬ NGHIỆM LỌC NHIỄU GAUSS TRÊN BỘ DỮ LIỆU MẪU Các thí nghiệm thực cách sử dụng cửa sổ có kích thước khác kết thí nghiệm thể đồ thị PSNR mức độ nhiễu Gauss (𝜎) hình 3.14 sau: Hình 3.11: PSNR kích thước cửa sổ nhiễu Gauss Các kích thước cửa sổ xem xét cho ảnh liệu mẫu “Yellowlily“ là: x 3, x 5, x Trong hình 3.14 cho ta thấy cửa sổ lọc có kích thước x phù hợp cho độ nhiễu Gauss lên đến 𝜎 = 30 Đối với mức độ nhiễu cao hơn, kích thước cửa sổ lọc lớn hoạt động tốt bên cạnh cửa sổ lơn lại có nhược điểm làm mịn cạnh xung quanh chi tiết bật ảnh làm cho ảnh bị nhòe Tương tự nhiễu xung, sử dụng Matlab tạo nhiễu Gauss 30%, 50% sau dùng lọc trung vị cổ điển thử nghiệm ảnh mẫu ta kết quả: 71 * Sử dụng cửa sổ lọc x 3: Hình 3.12: Ảnh trước sau lọc nhiễu Gauss 30% với cửa sổ 3x3 Hình 3.13: Ảnh trước sau lọc nhiễu Gauss 50% với cửa sổ 3x3 * Sử dụng cửa sổ lọc x 5: Hình 3.14: Ảnh trước sau lọc nhiễu Gauss 30% với cửa sổ 5x5 Hình 3.15: Ảnh trước sau lọc nhiễu Gauss 50% với cửa sổ 5x5 * Sử dụng cửa sổ lọc x 7: Hình 3.16: Ảnh trước sau lọc nhiễu Gauss 30% với cửa sổ 7x7 Hình 3.17: Ảnh trước sau lọc nhiễu Gauss 50% với cửa sổ 7x7 72 Từ kết thử nghiệm ảnh liệu mẫu với mức độ nhiễu khác kích thước cửa sổ lọc khác ta có bảng so sánh ảnh sau lọc ảnh gốc thông qua giá trị MSE PSNR sau: Cửa sổ 3x3 5x5 7x7 MSE PSNR MSE PSNR MSE PSNR 30% 684,26 19.78 631.75 20.13 629.70 20.14 50% 649.40 10.01 600.04 20.35 569.42 20.38 Yellowlily Bảng 2: So sánh hiệu suất lọc nhiễu Gauss Từ kết thực nghiệm ảnh liệu mẫu bảng giá trị MSE PSNR ta thấy: lọc đạt hiệu suất cao với nhiễu có 𝜎 bé, ngược lại hiệu suất thấp nhiễu có 𝜎 lớn Ngồi ra, tác dụng khơng mong muốn lọc làm giảm độ sắc nét cạnh Do đó, việc khử nhiễu Gauss thường kèm với mát chi tiết tốt Vì vậy, cần phải có cải tiến tốt cho lọc nhiễu Gauss để vừa khử nhiễu giữ lại chi tiết quan trọng ảnh 3.6 KẾT LUẬN CHƯƠNG Chương trình bày thiết kế tổng thể hệ thống chi tiết lọc hệ thống Đưa tiêu chí đánh giá lọc sử dụng mục để đánh giá ưu nhược điểm lọc Đồng thời tiến hành thử nghiệm liệu mẫu để thấy kết lọc từ có hướng cải tiến nhược điểm giữ lại ưu điểm lọc 73 KẾT LUẬN Lý thuyết tập mờ với ưu điểm xử lý không chắn ngày chứng tỏ sức mạnh nhiều lĩnh vực, đặc biệt lĩnh vực xử lý nhiễu ảnh Qua phương pháp giới thiệu trên, ta thấy rõ hiệu mà đem lại, hai phương diện, đảm bảo sai số đầu nhỏ bảo tồn đường nét chi tiết hữu ích ảnh Với nhiệm vụ mục tiêu đề từ đầu, nói đồ án hồn thành mức độ nội dung sau: + Tìm hiểu, nghiên cứu lý thuyết tập mờ, tập trung vào ứng dụng logic mờ lĩnh vực xử lý nhiễu ảnh + Tiến hành thử nghiệm ảnh với nhiều mức độ nhiễu khác nhau, từ đưa đánh giá hiệu lọc nhược điểm phương pháp lọc cổ điển để từ cải tiến cho lọc mờ Vì cịn nhiều hạn chế khả lập trình Matlab chưa cao nên đề tài chưa thể thực cài đặt lọc mờ để giảm nhiễu ảnh, nhiên thông qua việc cài đặt thuật toán giảm nhiễu ảnh màu sử dụng lọc mờ cho ta thấy hiệu lọc mờ xử lý ảnh Hướng nghiên cứu xa tập trung vào việc cài đặt Matlab lọc giảm nhiễu ảnh màu có sử dụng lý thuyết tập mờ để xử lý ảnh màu không gian ba chiều RGB tập trung phát triển ứng dụng khác xử lý ảnh phát biên, phân vùng ảnh hay nhận dạng đối tượng… cải tiến lọc mờ theo hướng thích nghi với nhiều ảnh huấn luyện, cách đưa phương pháp tính tốn độ tương thích ảnh dựa sở luật thích hợp Tuy nhiên, dù theo hướng nghiên cứu nhận thấy tiềm ứng dụng logic mờ hồn tồn khơng nhỏ, đặc biệt lĩnh vực liên quan đến xử lý ảnh 74 TÀI LIỆU THAM KHẢO [1] Lương Mạnh Bá, Nguyễn Thanh Thủy, Nhập mơn xử lí ảnh số, NXB khoa họa kỹ thuật, 1999 [2] Trần Quang Đức, Bài giảng xử lý ảnh, Viện công nghệ Truyền thông Đại học Bách khoa Hà Nội [3] Đỗ Năng Toàn, Giáo trình xử lí ảnh, Học viện cơng nghệ bưu viễn thơng, 2010 [4] C Mythili, Dr V Kavitha, Efficient Technique for Color Image Noise Reduction, Vol II (III), pp 41 – 44 [5] Kh Manglem Sinhg, Fuzzy Rule based Median Filter for Gray-scale Images, Vol 2, No 2, 2011, pp 108 – 122 [6] Om Prakash Verma, Madasu Hanmandlu, Anil Singh Parihar, Vamsi Krishna Madasu, Fuzzy Filter for Noise Reduction in Color Images, Vol 9, Sep 2009, pp 29– 43 [7] http://www.picvietnam.com/forum/showthread.php?t=1061 [8] https://www.stdio.vn/articles/read/386/phep-tich-chap-trong-xu-ly-anhconvolution ... logic mờ - Nghiên cứu tiếp cận lý thuyết tập mờ để giảm nhiễu ảnh màu Đối tượng phạm vi nghiên cứu - Ảnh số biểu diễn ảnh số - Nhiễu ảnh: nguyên nhân phân loại nhiễu - Các kỹ thuật xử lý nhiễu ảnh. .. nhiễu ảnh có ứng dụng lý thuyết mờ vào trình giảm nhiễu Mục tiêu nghiên cứu - Nghiên cứu ảnh số, tập trung vào biểu diễn ảnh đa mức xám ảnh màu - Nghiên cứu tập mờ, phép toán, quan hệ mờ, chế suy... logic mờ Dựa sở lý thuyết chương hai trình bày ứng dụng logic mờ lọc nhiễu xung nhiễu Gauss, từ thiết kế lọc mờ để giảm nhiễu xung nhiễu Gauss 37 CHƯƠNG GIẢM NHIỄU ẢNH MÀU SỬ DỤNG BỘ LỌC MỜ 2.1