Bƣớc 1. Nạp ảnh đầu vào;
Bƣớc 2. Đưa yêu cầu xử lí (ví dụ làm mờ, dò biên, dãn ảnh…); Bƣớc 3. Thực hiện các xử lý logic hoặc analogic để tìm mẫu; Bƣớc 4. Thực hiện xử lí song song với mẫu tìm được;
Bƣớc 5. Đánh giá kết quả thu được, nếu đầu ra chưa hội tụ đến đầu ra của
biên lí tưởng tiến hành quay trở lại bước 3 cho tới khi đạt được mẫu CNN tối ưu.
Hình 3.5. Quá trình tìm mẫu bằng phương pháp học
Khi tìm được mẫu tối ưu, ta áp dụng thực hiện xử lý cho bất kỳ ảnh đầu vào, thuật toán như sau:
Bƣớc 1: Nạp ảnh đầu vào;
Bƣớc 2: Nạp mẫu xử lý (tùy yêu cầu xử lý để nạp mẫu thích hợp); Bƣớc 3: Chạy chương trình;
Bƣớc 4: Đưa ra kết quả xử lý. 3.2. Mẫu CNN khử nhiễu đề xuất
DENOISSING CNN 01: 1 1 1 0 0 0 A 1 8 1 B 0 0 0 Z= -1 1 1 1 0 0 0 DENOISSING CNN 02: 0 1 0 0 0 0 A 1 2 1 B 0 1 0 Z= -1 0 1 0 0 0 0 DENOISSING CNN 03: 0.1 0.15 0.1 0 0 0 A 0.15 0 0.15 B 0 0 0 Z= 0 0.1 0.15 0.1 0 0 0
3.3. Cài đặt thử nghiệm, mẫu khử nhiễu
3.3.1. Chuẩn bị
Chuẩn bị: Ảnh nhị phân (hoặc ảnh xám) P; Đầu vào: U(t)=P;
Khởi tạo giá trị: x(0) = tùy chọn giá trị (ta chọn xij (0)=0);
Điều kiện biên: sử dụng giá trị cố định uij = 0, yij = 0 cho tất cả các tế bào ảo, có nghĩa là [U]=[Y]= [0];
Đầu ra: Y(t) Y(∞) = cho ra ảnh nhị phân được khử bớt nhiễu P’.
Input Image:
Image 01
Image 02
3.3.2. Cài đặt
- Sử dụng Mẫu CNN tìm được tiến hành trên phần mềm chuẩn Candy, ứng dụng Java CNN. So sánh kết quả thu được trên Candy và Java CNN.
3.3.2.1. Phần mềm Candy
Bước 1. Cài đặt Candy_Setup.exe
- Vào link website (http://www-inst.eecs.berkeley.edu/~ee129/) tải phần cài đặt, lưu lại vào máy tính.
Bước 2. Chạy ứng dụng; Giao diện chính:
- Những hình ảnh được xử lý nên được nạp trên màn hình ngay từ đầu. Để làm điều này, nhấp vào “File/open image”, sau đó màn hình sau đây sẽ xuất hiện.
Nếu chọn thư mục D tập tin "anhmau2.bmp" trên danh sách File Name, hình ảnh sau đây sẽ xuất hiện:
- Để xử lý hình ảnh hiển thị trên màn hình, chọn “Template Runner” (xem trợ giúp Help/Menu Interface/Template).
+ Lựa chọn Mẫu Template (ở đây chọn Average hoặc Median,…..); + Để chạy Click “script” box.
3.3.2.2. Mô phỏng CNN với chương trình Java CNN
Giao diện chính
3.3.3. Thử nghiệm 01: mẫu DENOISSING CNN 01
1 1 1 0 0 0
A 1 8 1 B 0 0 0 Z= -1
Kết quả (1)
Input Output (T = 0.3s)
Image 01
Image 02
3.3.4. Thử nghiệm 02: mẫu DENOISSING CNN 02
0 1 0 0 0 0 A 1 2 1 B 0 1 0 Z= -1 0 1 0 0 0 0 Kết quả (2) Input Output (T = 0.1s) Image 01
Image 02
Input Output (T = 0.3s)
Image 01
Image 02
3.3.5. Thử nghiệm 03: mẫu DENOISSING CNN 03
0.1 0.15 0.1 0 0 0 A 0.15 0 0.15 B 0 1 0 Z= 0 0.1 0.15 0.1 0 0 0 Kết quả (3) Input Output (T = 0.9s) Image 01
Image 02
Input Output (T = 0.5s)
Image 01 Image 02
3.4. Nhận xét & đánh giá
Từ những kết quả thu được khi áp dụng 03 mẫu DENOISSING CNN 01, DENOISSING CNN 02, DENOISSING CNN 03, ta có một số đánh giá như sau:
Với mẫu DENOISSING CNN 01, DENOISSING CNN 02
Kết quả, thời gian thực hiện là giống nhau, chất lượng ảnh thu được là khá tốt. Nhiễu của ảnh đã được loại bỏ.
Với mẫu DENOISSING CNN 03
Thời gian thực hiện lâu hơn, tỉ lệ nhiễu được loại thấp hơn so với 02 mẫu đầu. Ảnh thu được mờ hơn ảnh ban đầu, do biên ảnh không rõ nét.
KẾT LUẬN
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 sử dụng công nghệ CNN. Ứng dụng vào bài toán khử nhiễu ảnh: từ các phương pháp thiết kế bộ mẫu (A, B, z), tiến hành thử nghiệm đưa ra 03 bộ mẫu đề nghị DENOISSING CNN 01, DENOISSING CNN 02, DENOISSING CNN 03 trên phần mềm Candy, phần mềm mô phỏng Java CNN.
Tuy nhiên luận văn còn hạn chế, bước đầu mới tiến hành 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 (yêu cầu máy có cấu hình từ Pentium 4 và cài đặt jdk 1.5.0 trở lên). Chưa thực hiện việc thiết kế kiến trúc phần cứng trên chip CNN nên kết quả tính toán, tốc độ 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 có tài nguyên lớn hơn cho các bài toán. Tiếp tục thử nghiệm đề xuất nhiều bộ mẫu mới bổ sung thêm cho thư viện mẫu. Ứng dụng hiệu quả hơn trong các bài toán thực tế yêu cầu.
TÀI LIỆU THAM KHẢO
I. Tiếng Việt
1. 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”, Báo cáo tổng kết đề tài nghị định thư.
2. Phạm Thượng Cát (2007),“Máy tính vạn năng mạng nơ ron tế bào CNN UM: Một hướng phát triển mới của công nghệ thông tin”,Kỷ yếu Hội nghị Khoa học 30 năm thành lập Viện Công nghệ Thông Tin.
3. 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.
4. Vũ Đức Thái (2011), Nghiên cứu ứng dụng công nghệ mạng nơ ron tế bào CNN vào việc giải phương trình vi phân đạo hàm riêng, Luận án tiến sĩ Toán học.
5. Đỗ Năng Toàn, Phạm Việt Bình (2007), Giáo trình môn học Xử lý ảnh,
http://www.ebook.edu.vn/?page=1.39&view=13862
II. Tiếng Anh
6. Angela Slavova, Cellular Neural Networks: Dynamics and Modelling, Kluwer Academic Publishers 2003.
7. Analogic Computer Ltd. http://www.analogic-computer.com
8. http://wwwinst.eecs.berkeley.edu/~ee129/
9. http://www.ce.unipr.it/research/pardis/CNN/cnn.html
10.http://www.analogic-computers.com