5.4.1 Khái niệm nhiễu speckle
Nhiễu speckle thường xuất hiện dưới dạng các điểm lốm đốm sáng và tối trên nền ảnh. Nhiễu speckle có giá trị cốđịnh:
⎩ ⎨ ⎧ = − = = d p j i n d p j i f j i g , ) , ( 1 , ) , ( ) , ( (5.7)
Với f(i,j) là ảnh gốc, g(i, j) là ảnh bị nhiễu, n(i,j) là nhiễu có giá trị cốđịnh, d là xác suất pixel đang xét bị nhiễu, p là xác xuất pixel đang xét không nhiễu. Nhiễu của speckle có giá trị ngẫu nhiên là:
g(i,j) = f(i,j) + b.n(i,j) (5.8)
với f(i,j) là ảnh gốc, g(i,j) là ảnh bị nhiễu và n(i,j) là nhiễu có giá trị ngẫu nhiên từ 0–255. Nếu b = 1, thì pixel bị nhiễu, còn nếu b = 0 thì pixel không bị nhiễu.
Sóng radar có thể gặp trở ngại khi tạo hoặc tái lập lại các pixel sáng và tối khi bị nhiễu speckle. Nhiễu speckle thường xuất hiện trong hệ thống quan sát của radar, hoặc một vài mô hình của ảnh viễn thám trong quá trình bức xạ ảnh. Giống như ánh sáng laser, các sóng phát ra bởi các bộ cảm ứng hoạt động di chuyển trong phổ, chúng tương tác lẫn nhau để thu được các mục tiêu cần quan sát. Sau khi tương tác với các vùng mục tiêu, các sóng này không kéo dài trong giai đoạn biến đổi, nguyên nhân do sự khác nhau về khoảng cách mà chúng di chuyển từ các mục tiêu. Nhiễu speckle trong dữ liệu radar là mô hình nhiễu nhân lên gấp nhiều lần, do vậy phải thực hiện giảm nhiễu trước khi dữ liệu được sử dụng cho các mục đích khác.
Nhiễu là liên quan đến việc giảm chất lượng ảnh, do vậy nhiễu speckle trong radar phải được loại bỏ. Để lọc nhiễu speckle có thể dùng bộ lọc Rank.
5.4.2 Bộ lọc Rank
Lọc Rank được tạo ra để tính toán số lượng tập trình tự của các pixel. Các pixel p1…pN từ vùng lân cận gần nhau và sắp xếp theo thứ tự tăng dần (hay giảm dần) thành một tập mới p(1)…p(N), với mọi i sao cho p(i) nhỏ hơn hay bằng p(i+1). Với các mức xám ảnh, trình tựđược xác định bởi cường độ pixel, nhưng đây là sự giống nhau không rõ rệt cho các kích thước dữ liệu cao hơn như là các pixel màu. Do đó, trong vài trường hợp, hiển nhiên phải áp dụng bộ lọc Rank để khử nhiễu trong ảnh.
Đơn giản nhất của lọc Rank là mô hình của lọc Median và lọc trọng số median (Weight Median filter). Đối với lọc Median đã được trình bày ở phần 5.2, còn về lọc trọng số median có thểđược hiểu như sau:
- Trọng số median: là sau khi sắp xếp dữ liệu theo trình tự, đưa vào giá trị c để mở rộng việc nhân đôi các pixel trung tâm trước khi lấy median. Giá trị c phụ thuộc vào số pixel cửa sổ và mô hình cấu trúc trong phạm vi bảo toàn. Ví dụ, với cửa sổ 3 x 3, c = 2 có thểđược dùng để bảo toàn cấu trúc góc như mô tả hình 5.2:
Mô tả lấy median cửa sổ 3 x 3 của lọc Median:
Mô tả lấy median cửa sổ 3 x 3 của lọc weight median với c = 3 3 3 8
3 3 8 8 8 8
Sắp xếp giá trị pixel theo thứ tự tăng dần: 3 3 3 3 8 8 8 8 8 pMED = 8, p=5.77
3 3 8 3 3 8 8 8 8
Sắp xếp giá trị pixel theo thứ tự tăng dần: 3 3 3 3 3 3 8 8 8 8 8 pMED = 3, p=5.77
Hình 5.2: Minh họa lọc Median: (a): Ảnh gốc, (b): Lọc Median 3 x 3, (c): lọc weight median 3 x 3 (c=3)
Về cơ bản của lọc Rank được dùng để giải quyết một khó khăn là: tách riêng những vết đốm đen và trắng ở đường viền bao quanh. Có thể tránh sự ảnh hưởng trên bằng cách sử dụng một lọc trọng số Rank. Lọc trọng số Rank có khác biệt cơ bản so với lọc Rank như sau: tại các vùng lân cận bị ảnh hưởng thì tùy thuộc vào khoảng cách và sự tính toán rank, chúng ta sẽ xác định được trọng số. Chính xác hơn là rank của một pixel p được định nghĩa lại như là tổng các trọng số của các p lân cận tối hơn p, chia ra bởi tổng tất cả các trọng số lân cận. Hàm trọng số phù hợp với 2-D Gaussian như sau:
w[x,y] = exp(-(x^2+y^2)/r^2) (5.9) với bán kính r là bằng với kích thước vùng lân cận.
Tóm lại, để thực hiện image fusion cho kết quả tốt, bắt buộc chúng ta phải xử lý nhiễu. Do vậy, với phần trình bày các lọc thông dụng trong chương này sẽ được áp dụng cụ thể vào trong quá trình mô phỏng thực nghiệm của luận văn, thông qua đó chúng ta sẽ thấy rõ hơn về vai trò lọc nhiễu trong image fusion.
Chương 6: SỰ TIẾP CẬN ĐÁNH GIÁ VỀ IMAGE FUSION
6.1 Mục đích tiếp cận đánh giá image fusion
Các phương pháp tiếp cận đánh giá image fusion là phần thiết yếu trong việc phát triển của công nghệ Image fusion. Chương này đề cập đến các đánh giá khác nhau về một số biện pháp đã được đề xuất trong lĩnh vực image fusion. Đồng thời phân tích các ảnh hưởng cấu trúc fusion trên những kết quả của hệ thống fusion. Việc áp dụng các biện pháp này nhằm mô tả kết quả image fusion thông qua việc xác minh tính chính xác và hiệu quả của chúng.
Trong những năm gần đây, các công nghệ Image fusion đã được phát triển nhanh trong các mô hình khác nhau. Các phương pháp có thể đánh giá hay ước lượng việc thực hiện các công nghệ fusion khác nhau sao cho có hệ thống, định lượng, được xác định như một yêu cầu cấp thiết.
Trước đây, chất lượng của ảnh thông thường được đánh giá theo cách truyền thống là trực quan (quan sát bằng mắt thường). Vì vậy, khi đánh giá chất lượng của ảnh đã fusion cũng được thực hiện bởi phân tích trực quan. Các nhà nghiên cứu đã nỗ lực tìm ra các phép đo nhiễu phù hợp dựa trên nền tảng của cách truyền thống. Từ đó, hình thành các biện pháp đánh giá chất lượng ảnh một cách hiệu quả hơn. Mặc dù có những khảo sát về một mô hình trực quan chính xác nhưng vẫn không thực hiện được phép đo chính xác sự méo dạng của hình ảnh. Điều này chứng minh sự phân tích trực quan vẫn chưa cho kết quả tốt, chúng ta phải tìm ra phương pháp khác tối ưu hơn.
6.2 Phương pháp đánh giá image fusion
Phần lớn, việc trộn lẫn các tập dữ liệu ảnh là do con người thực hiện. Tuy nhiên, trong một số trường hợp, việc thu nhận ảnh và trộn ảnh được thực hiện tại các hệ thống xử lý ảnh tựđộng hóa. Khó khăn chính trong trường hợp này là ảnh đã trộn sẽ thể hiện một số mất mát thông tin nào đó so với các ảnh do con người nhập vào. Phương pháp image fusion phụ thuộc vào thông tin của tập dữ liệu ảnh nhập
vào. Do vậy, sự mất mát thông tin sẽảnh hưởng trực tiếp đến kết quả image fusion. Chúng ta phải thống nhất việc áp dụng các phép đo để đánh giá đúng chất lượng kết quả thực hiện. (adsbygoogle = window.adsbygoogle || []).push({});
Sự khác nhau giữa ảnh lý tưởng và ảnh fusion phải được thực hiện bởi phép đo độ lệch chuẩn. Những phép đo thống kê khác từ sự phân tích tín hiệu số như tỷ số tín hiệu trên nhiễu (Signal to Noise Ratio – SNR), sai số bình phương trung bình (Mean Square Error – MSE) cũng chỉ là các phép đo thường dùng trong các công nghệ xử lý image fusion trong trường hợp ảnh lý tưởng đã có.
Trong khi thực hành, nếu không có một ảnh lý tưởng thì chúng ta khó có thể đánh giá chính xác kết quả fusion. Việc chọn giải thuật fusion là quan trọng nhất đối với trường hợp này. Hai tham số mới là hệ số fusion và đối xứng fusion sẽ cung cấp những thông tin hữu ích trong việc lựa chọn giải thuật fusion tốt nhất.
Để đánh giá sự thực hiện phương pháp fusion, chúng ta cần phải xử lý các thông tin hỗn hợp. Bởi vì, thông tin hỗn hợp sẽ mô tả lại số lượng thông tin của ảnh đã được trộn từ biến đổi của các ảnh gốc.
Tỷ số tín hiệu trên nhiễu, tỷ số tín hiệu đỉnh trên nhiễu (Peak Signal to Noise Ratio – PSNR) và lỗi bình phương trung bình, là các phép đo thông thường trong quyết định các công nghệ Image fusion. Điều đó có nghĩa là xem xét một ảnh như là một trường hợp đặc biệt của tín hiệu. Chất lượng của một tín hiệu thường được biểu thịđịnh lượng với tỷ số tín hiệu trên nhiễu được thể hiện trong công thức (6.1):
⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = noise signal Energy Energy SNR 10log10 (6.1)
với Energysignal là tổng bình phương của các giá trị tín hiệu và Energynoise là tổng bình phương của các mẫu nhiễu. Trong thuật toán ước lượng, tín hiệu được tham chiếu tới tín hiệu ước lượng và nhiễu thông qua độ lệch chuẩn giữa tín hiệu ước lượng và tín hiệu gốc. SNR là đơn vị và độc lập của các đơn vị dữ liệu. Trong xử lý ảnh, SNR có thểđược viết:
∑ ∑=∑ ∑= = = − = 1 2 1 2 1 1 2 1 1 2 10 )] , ( ) , ( [ ) , ( log 10 S m S n S m S n n m o n m z n m z SNR (6.2)
với z(m,n) và o(m,n) biểu diễn cường độ pixel của ảnh ước lượng và ảnh gốc tương ứng tại vị trí (m,n). Kích thước của các ảnh là S1 x S2. Các giá trị cao SNR thể hiện rằng ước lượng lỗi nhỏ. Bởi vậy, trong số các phương pháp image fusion, phương pháp nào thể hiện SNR cao hơn sẽđược xem là thực hiện tốt hơn. Ngoài ra, PSNR và MSE được mô tả trong hai công thức (6.3) và (6.4) tương ứng:
∑ ∑= = − = 1 2 1 1 2 2 10 )] , ( ) , ( [ 255 log 10 S m S n z m n o m n PSNR (6.3) 2 1 1 2 10 255 )] , ( ) , ( [ log 10 1 2 ∑ ∑= = − = S m S n z m n o m n MSE (6.4)
Khi sử dụng các phép đo SNR, PSNR và MSE để đánh giá sự thực hiện kết quả của công nghệ Image fusion đòi hỏi phải biết ảnh gốc. Với lý do đó, các phép đo này chỉ có thểđược dùng với dữ liệu tổng hợp đã được mô phỏng. Trong những trường hợp ảnh được trộn tập trung vào bên trong một vùng nhỏ, phép đo này có thể cho ra giá trị chấp nhận được nếu ảnh trực quan không thể chấp nhận.
Trong quá trình mô phỏng thực nghiệm của luận văn, phép đo thông số RMSE (Root Mean Square Error) được áp dụng để xác định tính chính xác và hiệu quả của quá trình thực hiện image fusion. Giả sử, chúng ta có hai ảnh tham khảo R và ảnh đã trộn F cả hai đều có kích thước I x J, RMSE được tính như công thức (6.5): J I j i F j i R RMSE I i J j × − = ∑ ∑=1 =1 2 )] , ( ) , ( [ (6.5)
Với R(i,j) và F(i,j) là các giá trị pixel ở vị trí (i,j) của R và F tương ứng. Giá trị nhỏ hơn tức sự thực hiện fusion tốt hơn.
Ngoài các phép đo được đề cập ở trên, còn có một phép đo khác là phép đo định lượng trong xử lý ảnh số gọi là Entropy. Claude Shannon là người giới thiệu
khái niệm Entropy trong việc xác định số lượng nội dung thông tin của các thông điệp. Mặc dù ông ta dùng entropy trong truyền thông, nhưng chúng có thể được áp dụng như một phép đo số lượng nội dung thông tin của các ảnh số. Một ảnh số bao gồm các pixel được sắp xếp theo dòng và cột. Mỗi pixel được định nghĩa bởi vị trí của nó và có giá trị mức xám. Một ảnh bao gồm L giá trị mức xám, việc tính entropy thông qua công thức (6.6):
∑ = − = L i i P i P H 1 2 ) ( log ) ( (6.6)
với P(i) là khả năng có thể xảy ra (ở đây là tần số) của mỗi giá trị mức xám. Một ảnh số kiểu uint8 có 256 giá trị khác nhau từ 0 – 255. Các ảnh số với nội dung thông tin nhiều, entropy sẽ cho kết quả cao. Các ảnh nhận được entropy cao hơn sẽ cho kết quả sắc nét hơn. Các ảnh được làm rõ nét có nhiều thay đổi hơn các ảnh bị mờ và không rõ. Do đó, entropy là một đại lượng đo lường đánh giá chất lượng của các hình ảnh khác nhau đã được chọn từ quang cảnh giống nhau.
Tóm lại, để xác định được hiệu quả của quá trình thực hiện image fusion, chúng ta phải chọn lựa một trong những phương pháp đánh giá kết quả trên. Trong phần mô phỏng thực nghiệm của luận văn, chỉ chọn một phép đo là RMSE để đánh giá kết quả ảnh fusion so với ảnh gốc. Bên cạnh đó, cũng áp dụng phép đo này để đo lường sự khác nhau giữa ảnh ngõ vào so với ảnh gốc nhằm tăng hiệu quả về việc nhận định đánh giá kết quả cho quá trình mô phỏng.
Chương 7: THỰC NGHIỆM
Trong phần thực nghiệm, luận văn sẽ mô phỏng các phương pháp và cấu trúc image fusion. Sau đó rút ra kết luận thực tiễn, đồng thời đưa ra nhận xét và định hướng nghiên cứu của công nghệ Image fusion.
Chương trình được sử dụng để mô phỏng thực nghiệm các phương pháp image fusion của luận văn này là Matlab phiên bản 7.2, sử dụng giao diện GUI để mô phỏng. Lưu đồ chương trình như sau:
Hình 7.1: Lưu đồ trình tự thực hiện image fusion
7.1 Diễn giải chương trình mô phỏng
Chương trình được viết gồm thư mục chứa thông tin ảnh và các tập tin, trong đó tập tin chính để chạy chương trình là tập tin mfusion.m và tập tin GUI là mfusion.fig.
Chương trình được thực hiện fusion cho ba ảnh nguồn và các ảnh được dùng là của Hierarchical Data Format (HDF), Windows Bitmap (BMP), Windows Paintbrush (PCX), X Window Dump (XWD) Graphics Interchange Format (GIF), Tagged Image File Format (TIFF), Joint Photographic Experts Group (JPEG), Portable Network Graphics (PNG), Windows cursor resources (CUR), Windows Icon resources (ICO), Portable Gray Map (PGM). Cả ba ảnh nhập vào phải có cùng kích thước. Các thông số khác nhau có thể được thiết lập trong mỗi phương pháp fusion.
7.2 Mô tả quá trình thực nghiệm
Dưới đây là giao diện chương trình mô phỏng một quá trình image fusion của luận văn này.
Hình 7.2: Giao diện chương trình mô phỏng Các bước thực hiện chương trình mô phỏng thực nghiệm như sau: - Bước 1: Chạy chương trình mô phỏng thông qua tập tin mfusion.m.
- Bước 2: Chọn ba ảnh vào từ thư mục remote sensing image. Nhấn vào phần “Khởi tạo” trên thanh công cụ, sau đó chọn ảnh cần fusion.
- Bước 3: Chọn ảnh gốc để có thể xác định được tỷ số RMSE của các ảnh vào so với ảnh gốc trong quá trình chạy chương trình. Nhấn vào nút ‘Chọn ảnh’. - Bước 4: Làm mờ ảnh vào để diễn tả sự che khuất của những pixel không
quan sát được của hình ảnh. Nhấn vào phần “Khởi tạo” trên thanh công cụ, sau đó chọn ảnh cần làm mờ. Trong bước này, chương trình sẽ hiện ra cửa sổ kích thước cần làm mờảnh, xác định phạm vi cần làm mờ cho từng ảnh. - Bước 5: Chọn nhiễu đểđưa vào các ảnh vào đã được làm mờ. (adsbygoogle = window.adsbygoogle || []).push({});
- Bước 6: Tiến hành bước lọc nhiễu, ở phương pháp này sẽ có hai tùy chọn là lọc ảnh vào và lọc ảnh fusion. Nếu chọn lọc ảnh vào thì có thể chọn ngay tại thời điểm đó và lọc nhiễu. Trong trường hợp lọc ảnh fusion thì đợi cho tiến trình fusion xong sẽ tiến hành lọc nhiễu.
- Bước 7: Chọn phương pháp fusion. - Bước 8: Lựa chọn cấu trúc fusion. - Bước 9: Thực hiện fusion.
- Bước 10: Xác định kết quả fusion thông qua các thông số RMSE và thời gian fusion.
- Bước 11: Để quan sát và phân biệt histogram ảnh fusion và ảnh gốc nhấn nút Histogram trên giao diện.
- Bước 12: Tham khảo lại các ảnh ngõ vào, ảnh gốc hay ảnh fusion nhấn vào phần “Xem lại” trên thanh công cụ và chọn ảnh cần quan sát.
7.3 Tiến trình thực hiện fusion 7.3.1 Chọn ảnh để thực hiện fusion 7.3.1 Chọn ảnh để thực hiện fusion
Trước tiên, ta chọn các ảnh MODIS được tải từ trang web http://earthobservatory.nasa.gov. Các ảnh được lựa chọn theo từng chủ đề chẳng hạn: giám sát cháy rừng, động đất, thời tiết, lũ lụt.
Ảnh được chọn cho thực nghiệm này là ảnh trong hình 7.3.
Chương trình mô phỏng sử dụng trộn ba ảnh vào để thực hiện cả hai cấu trúc của fusion là cấu trúc thứ bậc và cấu trúc tổng hợp. Các ảnh vào phải có cùng kích