3.1.2.3. Tách và ghép miền
- Nếu P(Ri) = TRUE, R tượng trưng toàn bộ miền ảnh và chọn một ước đoán P. Kết quả phân đoạn R là chia nó liên tiếp thành các phần tư, càng nhỏ càng tốt, để cho bất kỳ miền Ri nào, .
- Nếu P(Ri) = FALSE, chia ảnh thành các phần tư.
- Nếu P(Ri) = FALSE cho bất kỳ phần tư nào, chia nhỏ phần tư đó thành các phần tư nhỏ hơn, và cứ như vậy. Kỹ thuật tách đặc biệt này có một ưu điểm trong dạng của một cây tứ phân. Chú ý, góc của cây phù hợp với toàn bộ ảnh và mỗi nút tương ứng với việc chia nhỏ. Trường hợp này, chỉ R4 là được chia nhỏ.
(a) (b)
Hình 3. 9. Tách cây tứ phân
Nếu việc tách được sử dụng, kết quả cuối cùng các miền liền kề có tính chất y hệt. Ðiều này có thể khắc phục bởi việc kết hợp, tương tự như sự tách. Yêu cầu kết hợp chỉ các miền liền kề mà sự kết hợp các điểm ảnh của nó đáp ứng dự đoán P. Ðó là, hai miền liền kề Rj và Rk được kết hợp nếu P(RjRK)=TRUE. 3.2. Cài đặt mô phỏng 3.2.1. Ví dụ: Đoạn mã lệnh - Bƣớc 1: Nạp ảnh đầu vào, sử dụng ảnh rgb = imread('pears.png'); I = rgb2gray(rgb); imshow(I)
text(732,501,'Image courtesy of Corel(R)',... 'FontSize',7,'HorizontalAlignment','right')
- Bƣớc 2: Chương trình thực hiện hy = fspecial('sobel');
hx = hy';
Iy = imfilter(double(I), hy, 'replicate'); Ix = imfilter(double(I), hx, 'replicate'); gradmag = sqrt(Ix.^2 + Iy.^2);
L = watershed(gradmag); Lrgb = label2rgb(L);
figure, imshow(Lrgb), title('Watershed transform of gradient magnitude (Lrgb)')
se = strel('disk', 20); Io = imopen(I, se);
figure, imshow(Io), title('Opening (Io)') Ie = imerode(I, se);
Iobr = imreconstruct(Ie, I);
figure, imshow(Iobr), title('Opening-by-reconstruction (Iobr)') Ioc = imclose(Io, se);
figure, imshow(Ioc), title('Opening-closing (Ioc)') Iobrd = imdilate(Iobr, se);
Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr)); Iobrcbr = imcomplement(Iobrcbr);
figure, imshow(Iobrcbr), title('Opening-closing by reconstruction (Iobrcbr)')
fgm = imregionalmax(Iobrcbr);
figure, imshow(fgm), title('Regional maxima of opening-closing by reconstruction (fgm)')
I2 = I;
I2(fgm) = 255;
figure, imshow(I2), title('Regional maxima superimposed on original image (I2)')
se2 = strel(ones(5,5)); fgm2 = imclose(fgm, se2); fgm3 = imerode(fgm2, se2);
fgm4 = bwareaopen(fgm3, 20); I3 = I;
I3(fgm4) = 255; figure, imshow(I3)
title('Modified regional maxima superimposed on original image (fgm4)')
bw = im2bw(Iobrcbr, graythresh(Iobrcbr));
figure, imshow(bw), title('Thresholded opening-closing by reconstruction (bw)')
D = bwdist(bw); DL = watershed(D); bgm = DL == 0;
figure, imshow(bgm), title('Watershed ridge lines (bgm)') gradmag2 = imimposemin(gradmag, bgm | fgm4);
L = watershed(gradmag2); I4 = I;
I4(imdilate(L == 0, ones(3, 3)) | bgm | fgm4) = 255; figure, imshow(I4)
title('Markers and object boundaries superimposed on original image (I4)')
figure, imshow(I), hold on himage = imshow(Lrgb); set(himage, 'AlphaData', 0.3);
- Bƣớc 3: Đƣa ra ảnh sau khi xử lý:
Ảnh kết quả 1 Ảnh kết quả 2
3.2.2. Mô phỏng 1: mẫu DENOISSING CNN 01
- Kết quả 1: Sử dụng ảnh ban đầu có kích thước 100x130
Input Output
- Kết quả 2: Sử dụng ảnh ban đầu có kích thước 150x120
Input Output
- Kết quả 3: Từ ảnh ban đầu có kích thước 120x120
Input Output
3.2.3. Mô phỏng 2: mẫu DENOISSING CNN 02
- Kết quả 1: Từ ảnh ban đầu có kích thước 130x100
Input output
Input output
- Kết quả 3: Từ ảnh ban đầu có kích thước 100x100
Input output
Từ những kết quả thu được khi áp dụng 02 mẫu DENOISSING CNN 01, DENOISSING CNN 02, ta có một số đánh giá như sau:
-Với mẫu DENOISSING CNN 01: Kết quả phân đoạn tốt hơn, rõ ràng hơn -Với mẫu DENOISSING CNN 02: Kết quả phân đoạn tương đối rõ ràng, tuy nhiên sự phân đoạn chưa rõ nét bằng mẫu 01 vì đường biên chưa rõ nét.
Với 02 mẫu đề xuất trên đều có thể sử dụng để phân đoạn ảnh.
KẾT LUẬN
Trong phạm vi cho phép, luận văn đã giới thiệu được kiến trúc, hoạt động của mạng nơron tế bào. sự phát triển công nghệ mạng nơron tế bào và các ứng dụng CNN trong mọi lĩnh vực, qua đó thể hiện những ưu thế vượt trội về tốc độ tính toán, kích thước dữ liệu.
Tìm hiểu một số phương pháp xử lí ảnh xử dụng công nghệ CNN. Ứng dụng được công nghệ CNN vào bài toán phân đoạn ảnh: từ các phương pháp thiết kế bộ mẫu (A, B, z), tiến hành thử nghiệm đưa ra 02 bộ mẫu đề nghị DENOISSING CNN 01, DENOISSING CNN 02, DENOISSING CNN 02 cài đặt mô phỏng trên Matlab và chạy trên phần mềm Candy để so sánh.
Tuy nhiên luận văn còn hạn chế, bước đầu mới tiến hảnh thử nhiệm với ảnh hai chiều và trạng thái đầu vào đã được mã hóa theo mã nhị phân, ảnh đa cấp xám, mô phỏng trên máy tính PC. Chưa thực hiện việc thiết kế kiến trúc phần cứng trên chip CNN nên ưu thế về tốc độ của công nghệ CNN chưa được thể hiện rõ
Trong thời gian tới sẽ tìm hiểu các phương pháp công nghệ xử lý song song cho thao tác khử nhiễu ảnh mới trong các bài toán thời gian thực, cấu hình trên chip FPGA tạo ra mạng CNN chạy trực tiếp. Thử nhiệm đề xuất
nhiều bộ mẫu mới bổ sung thêm cho thư viện mẫu của CNN. Ứng dụng hiệu quả hơn trong các bài toán thực tế yêu cầu.
TÀI LIỆU THAM KHẢO Tiếng việt
[1]. Vũ Đức Thái, Phạm Thượng Cát, Đỗ Thị Bắc “ Mạng nơron tế bào và
máy tính CNN-UM” Tạp chí KH&CN ĐHTN số 47 (T3/2008), ISSN 1859-
2171, Tr. 142-146.
[2]. Phạm Đức long, Phạm Thượng Cát, "Công nghệ mạng nơron tế bào -
CNN và ứng dụng", Tạp trí Tin học và Điều khiển học, T.22, (2006), trang
37-44.
[3]. Phạm Thượng Cát (2007),"Hợp tác nghiên cứu phát triển các hệ thống xử
lý ảnh nhanh trên cơ sở áp dụng công nghệ mạng nơron phi tuyến tế bào",
Báo cáo tổng kết đề tài nghị định thư, Tr 34 - 35, 39 - 44, 71 - 80.
[4]. Phạm Đức Long (2011), "Phát triển một số thuật toán xử lý ảnh sử dụng mạng Nơron tế bào", luận án tiến sĩ Toán học, Tr 27 - 28.
[5]. Đoàn Thị Phương, "Nghiên cứu một số phương pháp phân đoạn ảnh màu", luận văn thạc sỹ khoa học máy tính, Tr 13-14.
[6]. Vũ Đức Thái (2011), "Nghiên cứu ứng dụng công nghệ mạng nơron tế
bào CNN vào việc giải phương trình vi phân đạo hàm riêng", Luận án tiến sĩ
Tiếng anh
[7]. Chua L. O., Yang L. (1988), "Cellular Neural Networks: Theory", IEEE Transaction on Circuits and System, 35 (10), pp. 1257 -1272.
[8]. Leon O. Chua and Tamas Roska (2003), “Cellular Neural Network and visual
Computing Fundations and Applications”, Cambridge University Press.
[9]. Leon O. Chua and Tamas Roska (2003), “Cellular Neural Network and
visual Computing Fundations and Applications”, Cambridge University