Từ những công trình nghiên cứu liên quan, tôi đề xuất giải thuật khử mờ nhiễu ảnh y khoa kết hợp bộ lọc Median filter với bộ lọc Wiener dựa trên miền Curvelet Transform.
Việc chọn lựa ngưỡng lọc cho ảnh y khoa là cực kỳ quan trọng. Vì không thể áp dụng bộ lọc ngưỡng cao, sẽ làm ảnh hưởng đến việc mất mát thông tin, viền hình cạnh. Nên chỉ có thể áp dụng các bộ lọc có ngưỡng lọc thấp đối với các ảnh y khoa. Chúng tôi chọn ngưỡng dựa trên cơ sở thống kê của các hệ số. Donoho và Johnstone [24] đã đề xuất ngưỡng phụ thuộc vào độ lệch chuẩn (độ lệch tuyệt đối trung bình) của hệ số wavelet.
Chúng tôi cân nhắc việc chọn ngưỡng được tính toán dựa trên ba thông số: • Tỷ lệ tương phản của hệ số curvelet (γ = độ lệch chuẩn (σ)/trị trung bình (µ)).
• Trị trung bình của hệ số curvelet. • Mức phụ thuộc tham số.
Ngưỡng phương pháp đề xuất được tính như sau:
Với:
• j: là số mức độ mà ngưỡng được áp dụng. • : là trung bình tuyệt đối của hệ số curvelet.
• và : là độ lệch chuẩn và trung bình tuyệt đối của hệ số curvelet ở mức thứ j.
• Quá trình phân tích được xây dựng như sau: -Chuyển đổi ảnh bằng phương pháp Fourier -Đối với mọi
i. Lọc ảnh
ii. Chuyển đổi Fourier ngược cho ảnh sau khi lọc
• Quá trình tái tạo được xây dựng như sau: -Đối với mọi
ii. Lọc ảnh
-Tổng của tất cả kết quả trung gian:
-Chuẩn hóa bởi :
-Biến đổi Fourier ngược: là các hệ số liên quan đến
Đối với phương pháp Discrete Curvelet Transform, thời gian hoàn thành là bất biến. Các subbands cần phải dịch đi một khoản cho cả cột và hàng. Trong đó b là slidelength. Điều này đồng nghĩa với tổng chiều dài dịch là:
.
• Áp dụng thuật toán “à trous” ứng với các tỷ lệ kích thước khác nhau -Cho
-Lặp j=1, …, J
i. Phân vùng subband với kích thước khối ii. Áp dụng kỹ thuật biến đổi ridgelet cho từng khối
iii.Nếu thì
Bước tiếp theo chúng tôi sử dụng bộ lọc Wiener để khử nhiễu. Và cuối cùng chúng tôi áp dụng bộ lọc Median để khử mờ nhiễu thêm một lần nữa.
Hình 3.2. Sơ đồ khối giải thuật đề xuất
∗ Phương pháp thực hiện:
Phần này chúng tôi mô tả chi tiết các bước thực hiện của chương trình dùng để hiện thực giải thuật đề xuất được đưa ra ở hình 3.2.
Bước 1: Quá trình thu thập ảnh để thực hiện luận văn. Trong luận văn này
chúng tôi thu thập bộ dữ liệu ảnh từ giảng viên hướng dẫn cung cấp.
Bước 2: Quá trình hiệu chỉnh ảnh phù hợp với chuẩn đầu vào của phương pháp đề xuất. Tiêu chuẩn là ảnh vuông có các kích thước ảnh điển hình như: 256x256, 512x512.
Bước 3 và 4: Ảnh gốc được đọc vào chương trình, đồng thời kiểm tra loại
mờ, nhiễu và hệ số mờ, hệ số nhiễu được truyền vào.
Bước 1: Thu thập ảnh Bước 2: Hiệu chỉnh ảnh Bước 4: Ảnh mờ và nhiễu Bước 6: khử nhiễu Wiener Filter Bước 3: Thêm mờ, nhiễu vào ảnh Bước 8: Ảnh kết quả Bước 5: khử nhiễu Curvelet Transform Bước 7: khử mờ Median Filter
Hai yếu tố mờ được đưa vào ảnh nhờ vào công cụ hỗ trợ là Matlab là mờ Gaussian và mờ Motion. Cách thức được đưa vào hàm nhờ vào trật tự hàm như sau:
• Hàm fspecial để nhận giá trị PSF của mờ Gaussian hay Motion.
• Sau khi có giá trị PSF, ta dùng hàm imfilter để đưa giá trị PSF vào cho ảnh để nhận được ảnh mờ.
Ba yếu tố nhiễu được đưa vào ảnh nhờ vào hàm imnoise của Matlab là: Gaussian, Speckle, Salt & Pepper.
Quá trình được mô phỏng qua hình 3.3 dưới đây. Kết quả đạt được của bước này là một ảnh có các loại cặp mờ nhiễu sau: mờ Motion kết hợp nhiễu Gaussian, mờ Motion kết hợp nhiễu Speckle, mờ Motion kết hợp nhiễu Salt & Pepper, mờ Gaussian kết hợp nhiễu Gaussian, mờ Gaussian kết hợp nhiễu Speckle, mờ Gaussian kết hợp nhiễu Salt & Pepper.
Hình 3.3. Quá trình thêm mờ và nhiễu vào ảnh y khoa
Bước 5 và bước 6: thực hiện giai đoạn khử nhiễu cho ảnh nhờ vào sự kết hợp giữa phép biến đổi Curvelet và bộ lọc Wiener đối với ảnh mờ nhiễu vừa thu được ở bước 4. Chuyển ảnh sang miền tần số dựa vào các phép biến đổi Curvelet. Mô hình chuyển đổi ảnh được mô phỏng theo hình 3.4 dưới đây:
Ảnh gốc (Input)
Kiểm tra loại mờ, nhiễu và hệ số mờ, nhiễu Mờ Gaussian Mờ Motion Ảnh mờ Motion và nhiễu Gaussian Nhiễu
Gaussian Nhiễu Speckle
Ảnh mờ Motion và nhiễu Speckle Ảnh mờ Gaussian và nhiễu Speckle Ảnh mờ Gaussian và nhiễu Gaussian Ảnh mờ Motion và nhiễu Salt &
pepper
Ảnh mờ Gaussian và nhiễu Salt &
pepper Ảnh mờ nhiễu (Output) Nhiễu Salt & Pepper Nhiễu Gaussian Nhiễu Speckle Nhiễu Salt & Pepper
Hình 3.4. Biến đổi Curvelet Transform
- Ảnh qua phép biến đổi Curvelet Transform được phân chia thành 05 subband: , , , , , mỗi subband chứa một mức tín hiệu khác nhau. Trong đó f là ảnh nhiễu (noisy_img).
- Áp dụng ngưỡng lọc được đề xuất ở phần 3.2 cho từng subband được tạo ra ở trên:
Với:
• j: là số mức độ mà ngưỡng được áp dụng. • : là trung bình tuyệt đối của hệ số curvelet.
• và : là độ lệch chuẩn và trung bình tuyệt đối của hệ số curvelet ở mức thứ j.
- Sau khi áp dụng ngưỡng lọc trên, chúng tôi thu được các hệ số curvelet đã giảm nhiễu, quá trình được mô tả trong hình 3.5 dưới đây:
Hình 3.5. Bước áp dụng ngưỡng lọc trên các subband
- Các subband sau khi đã được áp dụng ngưỡng lọc đề xuất đã loại bỏ được phần nào các nhiễu ảnh gây ra. Tiến hành biến đổi Curvelet Transform ngược từ các subband đã được áp dụng ngưỡng lọc nhiễu, để chuyển ảnh từ các hệ số curvelet sang miền ảnh.
Cho bức ảnh vừa thu được ở bước 5 qua bộ lọc Wiener để tiến hành lọc nhiễu ảnh thêm một lần nữa. Sử dụng hàm lọc “wiener2” được hỗ trợ bởi Matlab.
Bước 7: Cho bức ảnh vừa thu được ở bước 6 qua bộ lọc Median để tiến hành lọc mờ ảnh. Sử dụng hàm lọc “medfilt2” được hỗ trợ bởi Matlab.
Sau bước 7, kết quả thu được là hình ảnh đã được giảm mờ nhiễu là đầu ra của giải thuật đề xuất, thực hiện tính toán các thông số PSNR, MSE để tiến hành so sánh định lượng với 2 phương pháp Wiener Filter [21] và Augmented Lagrangian Method [23]. Cách tính các thông số PSNR và MSE sẽ được đề cập