3.1.2.1. Công thức cơ sở
Với R đặc trưng toàn bộ miền ảnh. có thể xem sự phân đoạn như một quá trình mà nó phân chia R thành n miền con, R1, R2, …,Rn, như sau:
Ðiều kiện này chỉ ra rằng phân đoạn phải hoàn thành, trong đó mỗi điểm ảnh phải trong một miền.
- Ri là một miền liên thông, i=1,2,…,n
Ðiều kiện này yêu cầu là các điểm trong một miền phải được kết nối trong các cảm nhận được xác định trước.
- Ri I Rj = cho mọi i và j, i ≠j
Ðiều kiện này chỉ ra rằng các miền phải được tháo rời ra. - P(Ri)=TRUE với i=1,2,...,n
Ðiều kiện này đối phó với các tính chất mà nó phải được thỏa mãn bởi các điểm ảnh trong một miền phân đoạn cho ví dụ P(Rt) = TRUE nếu toàn bộ các điểm ảnh trong R có cùng mức xám
- P(RiRj)=FALSE với i ≠j
Điều kiện này chỉ ra rằng các miền Ri và Rt khác nhau trong cảm nhận của dự đoán P.
3.1.2.2. Tăng trƣởng miền ảnh
Tăng trưởng miền ảnh là một thủ tục mà các nhóm các điểm ảnh hay các miền con trong các miền lớn hơn dựa trên tiêu chuẩn được định nghĩa trước.
(a) (b)
(b) (d)
Hình 3.7. Ví dụ về tăng trưởng miền ảnh
a. Ảnh bị hỏng nặng b. Các điểm hạt
c. Kết qủa của tăng vùng
Hình 3.7(a) biểu hiện một ảnh tia X của một mối hàn (miền tối hàng ngang) chứa vài vết nứt và trạng thái xốp (ánh sáng, đường sọc trắng chạy theo hàng ngang xuyên qua trung điểm của ảnh). mong đợi sử dụng tăng trưởng miền để phân đoạn các miền lỗi của mối hàn. Các cấu hình phân đoạn này có thể được sử dụng cho việc kiểm tra một hệ thống mối hàn tự động, và cho các ứng dụng số học khác.
Ðầu tiên là quyết định điểm khởi đầu. Trong ứng dụng này, nó được biết như các điểm ảnh của các mối hàn bị hỏng dẫn đến có giá trị số có thể cho phép tối đa (255 trong truờng hợp này). Dựa trên thông tin này, chọn các điểm bắt đầu trên toàn bộ các điểm ảnh có giá trị của 255. Các điểm được trích từ ảnh nguồn được biểu hiện trong Hình 3.7(b).
Tiếp theo là chọn tiêu chuẩn cho sự phát triển miền. Trong ví dụ đặc biệt này chọn 2 tiêu chuẩn cho một điểm ảnh được thêm vào một miền:
- Một là mức xám tuyệt đối khác biệt giữa bất kỳ điểm ảnh và khởi đầu phải kém hơn 65.
- Hai là điểm ảnh phải là 8 kết nối ở một điểm ảnh tối thiểu trong miền đó. Nếu một điểm ảnh được tìm thấy phải được kết nối nhiều hơn một miền, các miền được kết hợp.
Hình 3.7(c) biểu hiện các miền được tạo ra bởi bắt đầu với khởi đầu trong Hình 3.7(b) và sử dụng tiêu chuẩn được định nghĩa trong đoạn trước. Việc thêm vào các đường biên của các miền trên ảnh gốc biểu thị thủ tục phát triển miền đã thực sự phân đoạn các mối hàn bị lỗi với độ chính xác có thể chấp nhận.
Hình 3.8. Lược đồ mức xám
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