Nang cao cht lng nh vin tham da tr

NÂNG CAO CH ẤT LƯỢNG ẢNH VIỄN THÁM DỰA TRÊN PHÂN CỤM Nguyễn Tu Trung, Trần Mạnh Tuấn, Đặng Thị Thu Hiền, Nguyễn Huy Đức, Kiều Tuấn Dũng, Nguyễn Văn Nam, Đỗ Oanh Cường DS Lab – Khoa Côn

NÂNG CAO CH ẤT LƯỢNG ẢNH VIỄN THÁM DỰA TRÊN PHÂN CỤM

Nguyễn Tu Trung, Trần Mạnh Tuấn, Đặng Thị Thu Hiền, Nguyễn Huy Đức, Kiều Tuấn Dũng,

Nguyễn Văn Nam, Đỗ Oanh Cường

DS Lab – Khoa Công nghệ thông tin, Trường Đại học Thủy Lợi

trungnt@tlu.edu.vn, tmtuan@tlu.edu.vn, hiendt@tlu.edu.vn, ducnghuy@tlu.edu.vn, dungkt@tlu.edu.vn,

namnv@tlu.edu.vn, cuongdo@tlu.edu.vn

TÓM TẮT: Nâng cao chất lượng ảnh là một trong các công việc rất cần thiết của xử lý ảnh Trong đó ảnh viễn thám thường có kích

th ước lớn và độ phân giải không gian đa dạng, khi đó việc phân tích trở lên phức tạp hơn Do vậy quá tiền xử ảnh rất quan trọng,

ảnh hưởng đến kết quả phân tích ảnh Một số nghiên về nâng cao chất lượng ảnh dựa trên các phương pháp như khử nhiễu,

histogram, t ăng độ tương phản, nâng cao mức xám,… Trong bài này, chúng tôi sẽ cải tiến một nghiên cứu trước đây trong nâng

cao chất lượng ảnh viễn thám dựa vào việc tăng cường độ tương phản sử dụng phân cụm bán giám sát mờ

T ừ khóa: tăng cường độ tương phản, ảnh viễn thám, nâng cao chất lượng ảnh, phân cụm bám giám sát mờ, phân tích ảnh

I GIỚI THIỆU

Ảnh viễn thám cho phép thu thập thông tin về một đối tượng, một khu vực Tuy nhiên, ảnh viễn thám thường có

kích thước lớn và độ phân giải không gian đa dạng Độ phân giải không gian càng cao thì ảnh càng chi tiết Nó cũng có

thể chứa nhiễu Để khử nhiễu và tăng cường chất lượng ảnh, chúng ta cần sử dụng các phương pháp nâng cao chất

lượng ảnh Nâng cao chất lượng là bước cần thiết trong xử lý ảnh nhằm hoàn thiện một số đặc tính của ảnh như lọc

nhiễu, làm trơn, tăng cường độ tương phản, điều chỉnh mức xám, nổi biên ảnh Nâng cao chất lượng ảnh gồm hai công

đoạn khác nhau là tăng cường ảnh và khôi phục ảnh Nhiễu trong ảnh viễn thám bao gồm nhiễu thông thường giống

ảnh màu và các nhiễu mang tính đặc trưng như sương mù, đám mây, Trong các bài toán xử lý ảnh, để thu được kết

quả tốt cần phải có quá trình tiền xử lý để nâng cao chất lượng ảnh đầu vào Quá trình này bao gồm các công đoạn khôi

phục và tăng cường ảnh Khôi phục ảnh thực hiện loại bỏ hay giảm thiểu các ảnh hưởng của môi trường tác động lên

ảnh nhằm giảm bớt các biến dạng của ảnh và đưa ảnh về trạng thái gần như ban đầu Tăng cường ảnh làm nổi bật các

đặc trưng của ảnh giúp cho các bước tiếp theo được hiệu quả hơn Theo [7], các kĩ thuật tăng cường ảnh chia làm ba

nhóm chính Một là, nhóm các kĩ thuật xử lý ảnh dựa trên histogram mà tiêu biểu là cân bằng histogram và đặc tả

histogram Hai là, nhóm các kĩ thuật xử lý ảnh dựa trên tiếp cận logic mờ với một số kĩ thuật được trình bày trong phần

III của bài báo này Ba là, các kĩ thuật xử lý ảnh tăng cường dựa trên tối ưu Trong này, Aman Tusia và cộng sự [10] đã

thực hiện một phân tích hiệu năng của hệ mờ loại 2 cho việc tăng cường ảnh sử dụng thuật toán tối ưu cuckoo

Nhiều phương pháp tăng độ tương phản truyền thống sử dụng cách tiếp cận toàn cục để tăng cường tất cả mức

độ sáng của ảnh Tuy nhiên, thường khó để tăng cường tất cả các đối tượng xuất hiện trong ảnh vệ tinh, bởi vì thông tin

tương phản cục bộ và chi tiết có thể bị mất trong các vùng sáng và tối Trong [5, 6], các tác giả đã kết hợp giữa logic

mờ [12] và các công thức hiệu chỉnh mức xám để tăng cường độ tương phản của ảnh y tế Phương pháp tăng cường

ảnh mờ [2] xem xét ma trận thành viên và các biểu thức điều chỉnh mức xám để tăng cường độ tương phản Mặc dù

vậy, phương pháp này vẫn sử dụng tiếp cận toàn cục nên vẫn chưa giải quyết được vấn đề của các phương pháp truyền

thống Ngoài ra, phương pháp tăng cường ảnh mờ vẫn chọn các giá trị cho các ngưỡng cận dưới, trung bình và cận trên

một cách thủ công nên không phải lúc nào cũng chọn được giá trị tốt Điều này ảnh hưởng đến kết quả tăng cường ảnh

Trong [6], các tác giả đã đề xuất một phương pháp tăng cường ảnh dựa trên tiếp cận cục bộ Trong [9], các tác giả đề

xuất một số kĩ thuật tiền xử lý trong việc sử dụng phân cụm dữ liệu Ngô Thành Long và cộng sự [4] sử dụng mờ loại 2

kết hợp với phân cụm mờ trong phân đoạn ảnh viễn thám Ngoài ra , Lê Hoàng Sơn và cộng sự [8] đã sử dụng phân

cụm mờ bán giám sát trong phân đoạn ảnh X-quang nha khoa

Do vậy đóng góp chính của bài báo này là trình bày mô hình nâng cao chất lượng ảnh viễn thám sử dụng

phương pháp phân cụm mờ bán giám sát Nghiên cứu này có ý nghĩa trong việc tìm ra một thuật toán có hiệu quả để

nâng cao chất lượng ảnh viễn thám, từ đó hỗ trợ cho quá trình xử lý ảnh viễn thám

Phần tiếp theo của bài báo được tổ chức như sau: trong phần II, chúng tôi trình bày tóm tắt các lý thuyết sử

dụng Phần III trình bày lược đồ nâng cao chất lượng ảnh vệ tinh dựa trên phân cụm mờ bán giám sát Phần IV là một

số kết quả thực nghiệm của phương pháp đã trình bày trên bộ dữ liệu thực tế và một vài độ đo đánh giá hiệu năng của

các thuật toán đã trình bày Cuối cùng là kết luận và các hướng phát triển trong thời gian tới

II MỘT SỐ KIẾN THỨC LÝ THUYẾT LIÊN QUAN

Trong phần này, mục 2.1 sẽ trình bày về bài toán nâng cao chất lượng ảnh viễn thám Mục 2.2 sẽ trình bày về

phân cụm bán giám sát mờ

h

T

lư

n

th

lư

h

t

t

L

th

2.1 Nâng cao

Bài toá

hiệu chỉnh ảnh

Việc nâ

Thực hiện tăng

ượng ảnh như

nhiễu thông th

hường, chúng

ượng ảnh viễn

Theo [7

histogram và đ

ối ưu Các kỹ

Trong

ăng cường m

LoRSIE_FCM

Theo lư

heo, một mô h

Ý

Giãn

Biến đổ

Trong đ

o chất lượng ả

án xử lý ảnh v

h có thể thực h

âng cao chất l

g cường chất l

ư dãn tương p

hường giống ả

g ta có thể dùn

n thám, cũng c

7], các kĩ thuậ

đặc tả histogra

thuật tăng cư

nội dung ngh

mức xám của

M [6] được biểu

ưu đồ trong H

hình hiệu chỉn

ngh ĩa

mức xám

ổi Hyperbol

đó:

ảnh viễn thám

viễn thám với hiện việc nâng lượng ảnh viễ lượng ảnh nhằ

phản, lọc khôn ảnh màu và cá

ng các phương

có thể dùng cá

ật tăng cường

am Hai là, cá ờng có thể áp hiên cứu này, c ảnh Khi đó

u diễn như tro

Hình 2, ảnh vi

nh mức xám đư

B ảng

m

ảnh đầu vào l

g cao chất lượn

ễn thám là mộ

ằm hỗ trợ giải

ng gian để làm

ác nhiễu man

g pháp khử nh

ác phương phá

Hình 1.

ảnh chia làm

ác kĩ thuật dựa dụng trên từn chúng tôi tập

ó lưu đồ thuậ ong Hình 2

Hình 2 Lưu iễn thám đầu ược xây dựng

g 1 Các hàm bi

là ảnh viễn th

ng ảnh viễn th

ột khâu quan

i đoán và phân

m nổi các mẫu

ng tính đặc trư hiễu thông thư

áp tăng tính tư

Cân b ằng lược

ba loại Một

a trên tiếp cận

ng kênh với cá trung vào việ

ật toán tăng

đồ thuật toán L vào được cục

g Các hàm hiệ

ến đổi mức xám

Cô

2

ám, thực hiện hám Sau đó tiế trọng trợ giúp

n tích ảnh Có

u trên ảnh,…

ưng (sương m ường như các p ương phản (Hì

c đồ màu

là, các kĩ thuậ

n logic mờ Ba

ác ảnh đa cấp x

c nâng cao ch

cường ảnh v

LoRSIE_FCM

c bộ hóa dựa t

ệu chỉnh mức x

m theo t ừng cụm

ng th ức biến

255 ∗

55 1

n hiệu chỉnh ả

ến hành xử lý

p cho quá trìn

ó nhiều chức n Nhiễu trong

mù, đám mây,

phương pháp ình 1)

ật histogram m

a là, các kĩ th xám

hất lượng ảnh

viễn thám dự

trên thuật toá xám được liệt

m

đổi Ti(g)

1

ảnh viễn thám

ý ảnh viễn thám

nh xử lý ảnh năng trong nân ảnh viễn thám ) Đối với n lọc Để tăng c

mà tiêu biểu l huật tăng cườn

viễn thám dự

ựa trên tiếp c

án phân cụm F

t kê trong bảng

Quá trình

m

viễn thám

ng cao chất

m bao gồm

hiễu thông cường chất

à cân bằng

ng dựa trên

ựa trên việc

ận cục bộ

FCM Tiếp

g 1

m

t

2

c

T

c

p

n

l

đ

đ

th

+ g là g

+

+

+ là

+ μ là

Các ngư

bằng 95% tổng

một cụm cho t

Cuối cù

ổng hợp này c

2.2 Phân cụm

Phân cụ

cho các đối tượ

Các kỹ

Trong bài báo,

cụm mờ (FCM

phân cụm mờ

người dùng cu

ink và Cannot

Yasuno

được bổ sung v

được xác định

Trong đ

m là số

C là số

ukj là đ

k

Vj là tâ

Với điề

hỏa mãn

giá trị mức xá

là cận trê

là cận dướ

à tâm cụm i

à giá trị độ thu

ưỡng

g diện tích đư

trước

ùng, ảnh tăng

có dạng tổng q

m bán giám sá

ụm dữ liệu [1]

ợng thuộc cùn

ỹ thuật phân c

, nhóm nghiên

M) được Bezd

bán giám sát

ung cấp Thông

t-link; một ph

ori et al [11]

vào hàm mục

như sau:

đó:

ố mờ hóa;

ố cụm, N là số

độ thuộc của p

r

R là phẩn tử

âm của cụm j

ều kiện ràng b

ám gốc

ên của việc giã

ới của việc giã

uộc của mức x

1,

ược bao các đư

Hìn

cường được t quát như sau:

∑ μ

át mờ

] là quá trình

ng một cụm là cụm: phân cụm

n cứu tập trung dek [1] đề xuấ được xây dựn

g tin bổ trợ [1

ần dữ liệu đượ

đã đề xuất m tiêu của FCM

,

ố phần tử dữ li phần tử dữ liệu

ử thứ k của X

buộc (3), khi

∑

| ∈ 0,1 ,

ãn cụm i

ãn cụm i

ám g theo cụm

0,

ợc xác định bằ ường y = 0 và

nh 3 Hàm phân

tổng hợp từ cá

g | g’ = T(g

0

nhóm một tập

à tương đồng,

m cứng, phân

g vào thuật to

ất dựa trên việ

ng dựa trên cá 13] cho phân c

ợc gán nhãn v

một thuật toán p

M nhằm cải thi

ệu, r là số chi

u Xk từ cụm j;

đó hàm độ th 1;

1, ,

m i và được tín

, 255 ằng cách chọn

à y = Tr

n b ố và các ngư

ác giá trị đầu r g) Trong đó, 255

p các đối tượn còn các đối tư cụm mờ, phâ

án phân cụm m

ệc tối ưu hóa k

ác thuật toán p cụm mờ bán g

và độ thuộc đư phân cụm mờ iện hiệu quả tr

iều của dữ liệu



N X

, , ;

huộc bổ trợ củ

∈ 0,1 ;

1, , ∑

nh theo công t

n sao cho vùng rong đó,

ưỡng theo từng c

ra của hàm bi

ng tương tự nh ượng thuộc các

ân cụm bán g

mờ và phân cụ khoảng cách c phân cụm mờ k iám sát có 3 d ược xác định tr

ờ bán giám sát rong quá trình

u;

ủa phần tử

1, ∀

thức

g gạch chéo tr

là hàm phân

c ụm iến đổi mức xá

hau trong tập d

c cụm khác nh giám sát, phân

ụm mờ bán gi các điểm dữ l kết hợp với cá dạng cơ bản g rước

t với thông tin

h phân cụm K

→

với cụm l

1,

rong Hình 3 c

bố của mức x

ám theo từng

dữ liệu vào cá hau sẽ ít tương

n cụm bán giá iám sát Thuật

liệu với tâm

ác thông tin b

ồm các ràng b

n bổ trợ là hàm Khi đó hàm mụ

là ∈ 0,1

ó diện tích xám theo

cụm Hàm (1)

ác cụm sao

g đồng

ám sát mờ

t toán phân Thuật toán

bổ trợ được buộc

Must-m độ thuộc

ục tiêu [11]

(2)

đồng thời

(3)

m

lư

th

th

đ

m

s

Khi đó

Các giá

1:

1:

Các bư

Clustering) đư

Input

Output

SSSFC

1:

2:

3:

4:

5:

6:

7:

III MÔ HÌN

Dựa trê

một cải tiến bằ

ưu đồ thuật to

hay vì được c

hu được tập t

được hàm hàm

mô hình hiệu c

sau tăng cường

dựa vào điều

á trị của đư

:

:

ước thực hiện

ược trình bày n

Tập dữ liệu

maxStep > 0.

Ma trận U v

t = 0

Khởi tạo ng

Repeat

t = t + 1

Tính

Tính

Until

NH NÂNG C

ên mô hình nâ

ằng cách sử d

oán tăng cườn

cục bộ hóa bởi

tâm cụm và m

m d(g) FCM, ta t

chỉnh mức xám

g so với việc s

kiện (3) và hà

∑

∑

ược xác định t

1 ∑ ,

thuật toán ph

như trong Bản

B ảng 2 Th

u X gồm N p

và tâm cụm V gẫu nhiên

( 1, ) b

AO CHẤT L

âng cao chất l

dụng phân cụm

ng ảnh viễn thá

i FCM, sẽ đượ

ma trận độ thu thu được hàm

m cũng thay đ

sử dụng thuật

Hìn

àm mục tiêu (2

theo 2 trường

1 ∑

, hân cụm mờ

ng 2 dưới đây

hu ật toán

Semi-phần tử, số cụ

V

; ( 1, )

1, ) bởi côn bởi công thức

or t > maxS

LƯỢNG ẢNH

lượng ảnh viễn

m bán giám sá

ám dựa trên p

ợc cục bộ hóa uộc mới từ việ

d(g) SemiFCM, c đổi Từ đây, c toán FCM gố

nh 4 Lưu đồ th

2) ta có:

1, hợp sau

∑

‖ chuẩn bản giá -Supervised Sta

m C, ma trận

ng thức (5) vớ (4)

Step

H VIỄN THÁ

n thám LoRSI

át mờ thay ch hân cụm bán bởi một thuật

ệc áp dụng thu

ác tham số các giá trị mức

c

hu ật toán LoRSI

,

‖ , 1,

ám sát (SSSF andard Fuzzy Cl

n độ thuộc bổ

ới 1 hoặc

ÁM DỰA TRÊ

IE_FCM [6] đ

o thuật toán p giám sát mờ

t toán phân cụ uật toán Semi

và

c xám đầu ra t

IE_SemiFCM

1, , 1,

, 1, FC- Semi-Sup lustering

trợ , ngưỡn

c công thức (6

ÊN PHÂN CỤ

đã trình bày ở phân cụm mờ

Với thuật toá

ụm bán giám s iFCM Như v liên quan thay đổi, dẫn

pervised Stand

ng , số lần lặ

6) với 1

ỤM BÁN GIÁ

ở trên, chúng FCM Hình 4

án mới này, ản sát mờ Khi đó vậy, thay vì ch

n đến từng cụ đến sự thay đ

(4)

(5)

(6) dard Fuzzy

ặp tối đa

ÁM SÁT

tôi đề xuất

4 biểu diễn

nh đầu vào,

ó, chúng ta húng ta thu

ụm đưa vào đổi của ảnh

v

h

p

1

L

tr

ả

S

k

h

V

T

4

n

L

s

ả

4.1 Mô tả thự

Chúng

với kết quả củ

hiện trước một

phần tử có độ t

Mô tả d

15/02/2001, b

LANDSATET

rung Các ảnh

ảnh viễn thám

Độ đo

Shannon Entro

kiện trong khô

hàm H được đ

Với xử lý ảnh,

Trong đó:

n là số

pi là xá

4.2 Kết quả t

Do khu

nhau Các thử

Bảng 3

LoRSIE_FCM

sáng và độ tươ

ảnh sau tăng cư

ực nghiệm

tôi tiến hành

ủa thuật toán L

t phân cụm FC

thuộc lớn nhấ

dữ liệu: Tập d

bao gồm các

TM+ gồm 7 kê

h này được thu

trên nền phần

đánh giá: Để

opy (hoặc entr

ông gian mẫu,

định nghĩa để đ

, n đưa ra bởi

mức xám;

ác xuất của mứ

thực nghiệm

uôn khổ bài bá

nghiệm này b

3 thể hiện ản

M và thuật toán

ơng phản đều t

ường bởi thuậ

cài đặt thuật t LoRSIE_FCM

CM Từ ma tr

ất, các giá trị c

dữ liệu phục v ảnh ranh giớ ênh [12]: Chàm

u thập khi thàn

mềm GRASS

ể đo chất lượ ropy thông tin , xác suất mỗi

đo độ không c

số mức xám

ức i trong hist

áo có hạn, nh bao gồm các ản

nh đầu vào v

n SemiFCM v tốt hơn so với

ật toán sử dụng

Bản

IV KẾT QU

toán LoRSIE_

M cùng trên bộ rận U thu đượ còn lại gán lại

vụ cho thử ngh

ới từng huyệ

m, Lục, Đỏ, C

nh viên của nh S” Đây là đề tà ợng của ảnh g n) là một phươ

i sự kiện là pi

chắc chắn của

togram

hóm tác giả trì

nh vệ tinh khu

và ảnh kết q với tổ hợp 3 k

i ảnh gốc Tuy

g SemiFCM l

ng 3 Tăng cườn

UẢ THỰC N

_SemiFCM tr

dữ liệu này T

ợc, xác định bằng 0

hiệm là loại ản

ện và một ản Cận hồng ngoạ hóm tác giả th

ài cấp nhà nướ gốc và các ản ơng pháp đo t

i (i = 1, 2, …, không gian m

n

ình bày các kế

u vực huyện C

quả khi tăng kênh Chàm, Lụ

y nhiên, nếu qu

à tốt hơn một

ng ảnh với FCM

GHIỆM

rên bộ dữ liệu Trong các thử như sau với

nh LANDSAT

nh theo ranh

ại, Hồng ngoại ham gia thực h

ớc, thuộc Chươ

nh tăng cường tính không ch , n), mỗi pi ≥

mẫu [3] Giá tr

ết quả thử ngh Cao Phong, Đà

cường chất

ục, Đỏ Chúng uan sát kỹ hơn chút so với th

M và SemiFCM

u cụ thể LAND

ử nghiệm, đ mỗi điểm ảnh

T ETM+ chụp giới tỉnh củ

i trung, Hồng

hiện đề tài “Ph ơng trình KHC

g chúng tôi s hắc chắn của th

0, và tổng củ

rị của H được

hiệm trên bốn

à Bắc, Kim Bô

lượng ảnh k

g ta thấy, các

n, chúng ta sẽ huật toán sử dụ

DSAT ETM+

được tính bằng

h, giữ nguyên

khu vực Hòa

ủa tỉnh Hòa B ngoại nhiệt, H hát triển phần

CN Vũ trụ

sử dụng chỉ s hông tin Giả

ủa p i bằng 1 D tính theo côn

n mẫu ảnh đầu

ôi và Lạc Thủ khi áp dụng ảnh sau tăng

ẽ thấy độ tươn ụng FCM

và so sánh

g cách thực giá trị của

Bình ngày

Bình Ảnh Hồng ngoại

mềm xử lý

ố Entropy

sử có n sự

Do đó, một

ng thức (7)

(7)

u vào khác

y

thuật toán cường, độ

g phản của

Kết quả thực nghiệm khi tăng cường chất lượng ảnh theo giá trị chỉ số ở các huyện Cao Phong, Đà Bắc, Kim Bôi, Lạc Thủy được chỉ ra ở các bảng 4, 5, 6 và 7 với việc áp dụng các thuật toán sử dụng FCM và SemiFCM Dựa vào kết quả thực nghiệm này chúng ta có thể thấy rất rõ giá trị Entropy ứng với các kênh của ảnh sau tăng cường bởi thuật toán sử dụng SemiFCM là cao hơn thuật toán LoRSIE_FCM Điều này chứng tỏ chất lượng ảnh sau tăng cường thuật toán sử dụng SemiFCM là tốt hơn so với ảnh sau tăng cường thuật toán LoRSIE_FCM

B ảng 4 Giá trị Entropy của ảnh sau tăng cường huyện Cao Phong

Kênh Tăng cường với

LoRSIE_FCM

Tăng cường với SemiFCM

Bảng 5 Giá trị Entropy của ảnh sau tăng cường huyện Đà Bắc

LoRSIE_FCM

Tăng cường với SemiFCM

B ảng 6 Giá trị Entropy của ảnh sau tăng cường huyện Kim Bôi

Kênh Tăng cường với

LoRSIE_FCM

Tăng cường với SemiFCM

Bảng 7 Giá trị Entropy của ảnh sau tăng cường huyện Lạc Thủy

LoRSIE_FCM

Tăng cường với SemiFCM

IV KẾT LUẬN

Trong bài báo này, chúng tôi tập trung nghiên cứu về bài toán nâng cao chất lượng ảnh viễn thám dựa trên phân cụm bán giám sát mờ Đóng góp chính của bài báo là đã sử dụng phân cụm bán giám sát mờ áp dụng cho nâng cao chất lượng ảnh viễn thám trong quá trình cục bộ hóa ảnh viễn thám Ngoài ra, nhóm tác giả cũng đã cài đặt thực nghiệm thuật toán đề xuất với các ảnh viễn thám thu thập ở khu vực Hòa Bình Các kết quả thực nghiệm cũng chỉ ra các giá trị Entropy của phương pháp SemiFCM có giá trị tốt hơn với kết quả nhận được khi áp dụng thuật toán LoRSIE_FCM Từ nghiên cứu này, chúng tôi sẽ tiếp tục nghiên cứu các thông số khác để nâng cao chất lượng ảnh Đồng thời nghiên cứu này còn mở ra hướng nghiên cứu phát triển cho các thuật toán sử dụng phân cụm dựa trên các tập mờ nâng cao

LỜI CẢM ƠN

Nghiên cứu này được tài trợ bởi Quỹ Khoa học và Công nghệ Trường Đại học Thủy lợi trong đề tài mã số: TLU.STF.19-02

TÀI LIỆU THAM KHẢO

[1] Bezdek, J C (1981) Pattern recognition with fuzzy objective function algorithms Kluwer Academic Publishers

[2] Hassanien, A E., & Badr, A (2003) A comparative study on digital mamography enhancement algorithms based

on fuzzy theory Studies in informatics and control, 12(1), 21-32

[3] Jaynes, E T (1957) Information theory and statistical mechanics Physical review, 106(4), 620-630

[4] Ngo, L T., Mai, D S., & Pedrycz, W (2015) Semi-supervising Interval Type-2 Fuzzy C-Means clustering with spatial information for multi-spectral satellite image classification and change detection Computers & geosciences, 83, 1-16

[5] Nguyễn Tu Trung, Đặng Văn Đức, Vũ Văn Thỏa (2016), Một số cải tiến kĩ thuật phân cụm cho ảnh viễn thám, Tạp

chí Công nghệ thông tin và Truyền thông, Bộ Thông tin và Truyền thông, số 16 (36)

[6] Nguyễn Tu Trung, Vũ Văn Thoả, Đặng Văn Đức (2015), Một phương pháp tăng cường độ tương phản ảnh viễn thám dựa trên tiếp cận cục bộ, Chuyên san các công trình nghiên cứu, Tạp chí Công nghệ thông tin và Truyền

thông, Bộ Thông tin và Truyền thông, Kỳ 3, tập V-2, số 14 (34)

[7] Sharo, T A., & Raimond, K (2013) A Survey on Color Image Enhancement Techniques IOSR J Eng, 3, 20-24

[8] Son, L H., Tuan, T M (2017) Dental segmentation from X-ray images using semi-supervised fuzzy clustering

with spatial constraints Engineering Applications of Artificial Intelligence, 59, 186-195

[9] Sudhavani, G., Srilakshmi, M., Rao, P V., & Prasad, K S (2014) Comparison of fuzzy contrast enhancement

techniques International Journal of Computer Applications, 95(22) pp 0975 – 8887

[10] Tusia, A., & KUMAR, D N (2014) Performance analysis of type-2 fuzzy system for image enhancement using

optimization International Journal of Enhanced Research in Science Technology & Engineering, 3(7), 108-116

[11] Yasunori, E., Yukihiro, H., Makito, Y., & Sadaaki, M (2009, August) On semi-supervised fuzzy c-means

clustering In Fuzzy Systems, 2009 FUZZ-IEEE 2009 IEEE International Conference on (pp 1119-1124) IEEE [12] Zadeh, L A (1965) Fuzzy sets Information and Control, 8, 338-353

[13] Zhang, H., & Lu, J (2009) Semi-supervised fuzzy clustering: A kernel-based approach Knowledge-Based

Systems, 22(6), 477-481

IMPROVING THE QUALITY OF MULTISPECTRAL IMAGES USING

Nguyen Tu Trung, Tran Manh Tuan, Dang Thi Thu Hien, Nguyen Huy Duc, Kieu Tuan Dung,

Nguyen Van Nam, Do Oanh Cuong

ABSTRACT: Improving the quality of images is one of necessary stages in image processing Multispectral images are the images

with a large size and high spatial resolution Therefore, the analysis of multispectral images is complex The results of pre-processing progess are very important These results affect directly to the results of image analysis progress There were some researches related to the improvement of image quality such as noise reduction, contrast increment, histogram techniques, etc In this paper, we propose an novel method in order to improve the quality of multispectral images by contrast increasing approach using semi-supervised clustering