Tăng cường chất lượng ảnh tối dựa trên không gian màu hsi và tối ưu hóa bầy đàn pso

Tuyển tập Hội nghị Khoa học thường niên năm 2018 ISBN 978 604 82 2548 3 142 TĂNG CƯỜNG CHẤT LƯỢNG ẢNH TỐI DỰA TRÊN KHÔNG GIAN MÀU HSI VÀ TỐI ƯU HÓA BẦY ĐÀN PSO Đinh Phú Hùng Khoa Công nghệ Thông tin,[.]

TĂNG CƯỜNG CHẤT LƯỢNG ẢNH TỐI DỰA TRÊN

KHÔNG GIAN MÀU HSI VÀ TỐI ƯU HÓA BẦY ĐÀN PSO

Đinh Phú Hùng

Khoa Công nghệ Thông tin, email: hungdp@tlu.edu.vn

1 GIỚI THIỆU

Tăng cường chất lượng ảnh là một trong

những nhiệm vụ quan trọng của xử lý ảnh Nó

bao gồm các kỹ thuật như: tăng cường độ

tương phản, khử nhiễu, và làm nổi biên Các

bức ảnh chụp vệ tinh c ó thể không đạt được

chất lượng tốt như bị tối và mờ trong những

trường hợp về điều kiện thời tiết không thuận

lợi như có sương mù và thiếu ánh sáng Bài

báo này đề xuất một phương pháp mới tăng

cường chất lượng ảnh thông qua kết hợp các

phương pháp tăng cường chất lượng ảnh cơ

bản Ảnh tối ban đầu trên miền RGB được

chuẩn hóa để đưa về miền [0, 1], sau đó được

chuyển sang miền HSI Từ kênh cường độ

sáng I, tiến hành tạo ra các ảnh được tăng

cường sử dụng các kĩ thuật cơ bản: ảnh I1 sử

dụng kỹ thuật cân bằng Histogram, ảnh I2 sử

dụng kỹ thuật cải thiện độ tương phản bằng

hàm logarit, ảnh I3 sử dụng kĩ thuật cải thiện độ

tương phản bằng hàm logarit ngược, và ảnh I4

sử dụng kĩ thuật Laplace để tăng cường độ sắc

nét Giải thuật tối ưu hóa bầy đàn PSO sẽ được

áp dụng để tìm ra các tham số tối ưu: 1, 2,

3,  4 tương ứng với các ảnh I1, I2, I3, I 4 nhằm

tối ưu hóa hàm chỉ số tương phản Michelso

2

J  Q  H  H  H ,

 với H1 là entropy của ảnh trước khi tăng cường, và 2, , H2 lần

lượt là phương sai, trung bình, và entropy của

ảnh sau khi tăng c ường Tạo ra ảnh Ith được

biểu diễn tổng hợp từ các ảnh I1, I2, I3, I4 và các

tham số tối ưu 1, 2, 3, 4 tương ứng Sau đó

kết hợp các kênh H, S, và Ith rồi chuyển ngược

trở lại miền RGB để thu được ảnh tăng cường

Thực nghiệm cho thấy phương pháp đề xuất

không chỉ c ải thiện tốt về độ tương phản mà

còn c ho đường biên của ảnh sắc nét

2 KIẾN THỨC NỀN TẢNG 2.1 Giải thuật tối ưu hóa bầy đàn Phương pháp tối ưu bầy đàn được đề xuất bởi J Kennedy [1] và đồng nghiệp, là một trong những thuật toán xây dựng dựa trên khái niệm trí tuệ bầy đàn để tìm kiếm lời giải c ho các bài toán tối ưu hóa trên một không gian tìm kiếm nào đó Phương pháp tối ưu bầy đàn

là một dạng của các thuật toán tiến hóa quần thể, với sự tương tác giữa các cá thể trong một quần thể để khám phá một không gian tìm kiếm PSO là kết quả của sự mô hình hóa việc đàn chim bay đi tìm kiếm thức ăn c ho nên nó thường được xếp vào các loại thuật toán có sử dụng trí tuệ bầy đàn Thuật toán này đã được

áp dụng thành công trong nhiều lĩnh vực PSO được khởi tạo bằng một nhóm cá thể ngẫu nhiên và sau đó tìm nghiệm tối ưu bằng cách cập nhật các thế hệ Trong mỗi thế hệ, mỗi cá thể được cập nhật theo hai vị trí tốt nhất là Pbest và Gbest Trong đó, giá trị thứ nhất là vị trí tốt nhất mà nó đã từng đạt được cho tới thời điểm hiện tại, gọi là Pbest Một nghiệm tối ưu khác mà cá thể này bám theo

là nghiệm tối ưu toàn cục Gbest, đó là vị trí tốt nhất trong cả quá trình tìm kiếm cả quần thể

từ trước tới thời điểm hiện tại Nói cách khác, mỗi cá thể trong quần thể cập nhật vị trí c ủa theo vị trí tốt nhất của nó và cả quần thể tính tời thời điểm hiện tại Cụ thể sau mỗi cập nhật các thế hệ, vận tốc và vị trí c ủa mỗi c á thể được c ập nhật theo các c ông thức sau:



(1)

trong đó:

k i

X : Vị trí cá thế thứ i tại thế hệ k

i

V : Vận tốc cá thế thứ i tại thế hệ k

k 1

i

X  : Vị trí cá thế thứ i tại thế hệ k+1

k 1

i

V  : Vận tốc cá thế thứ i tại thế hệ k+1

k

best _i

P : Vị trí tốt nhất của cá thể thứ i tại

thế hệ k

k

best

G : Vị trí tốt nhất trong quần thể tại thế

hệ k

 = 0.729 là hệ số quán tính

c1, c2: Các hệ số gia tốc, nhận giá trị từ 1.5

đến 2.5

r1, r2: Các số ngẫu nhiên nhận giá trị trong

khoảng [0, 1]

2.2 CÁC CHỈ SỐ ĐÁNH GIÁ

2.2.1 Độ sáng của ảnh

Công thức tính giá trị trung bình (chỉ số về

độ sáng) của ảnh là:

u 1 v 1

1

I u, v

 

trong đó:

 là giá trị trung bình

M, N lần lượt là tổng số hàng, cột của ma

trận I

I(u,v) là phần tử hàng u, cột v c ủa ma trận

2.2.2 Độ tương phản của ảnh

Công thức tính độ tương phản (phương

sai) của ảnh:

2

trong đó:

2 là độ tương phản của ảnh

M, N lần lượt là số hàng, cột của ma trận

I(u,v) là phần tử hàng u, cột v c ủa ma trận

2.2.3 Nội dung thông tin

Nội dung thông tin diễn tả lượng thông

điệp mà bức ảnh chứa trong đó Thông số này

còn được gọi là entropy và được tính bằng

công thức:

i

E  p  log p trong đó, pi là tần suất xuất hiện của điểm

ảnh thứ i

2.2.4 Độ sắc nét của ảnh

Độ sắc nét của ảnh được tính bằng công thức:

uv

1

M N



  và Guv   u2  v2 trong đó:

u = I (u, v) – I (u + 1, v)

v = I (u, v) – I (u, v + 1)

I (u, v) là giá trị điểm ảnh tại hàng u, c ột v của ảnh

I (u + 1, v) là giá trị điểm ảnh tại hàng u + 1, cột v c ủa ảnh

I (u, v + 1) là giá trị điểm ảnh tại hàng u, cột v + 1 của ảnh

M, N lần lượt là số hàng, cột của ma trận I

3 GIẢI THUẬT ĐỀ XUẤT Đầu vào: Ảnh màu Iin Đầu ra: Ảnh màu đã được tăng cường Ien Bước 1: Ảnh màu ban đầu Iin được chuẩn hóa về miền [0, 1] thu được ảnh Is

Bước 2: Biến đổi ảnh Is từ miền RGB sang miền HSI, giữ nguyên các kênh H, S và sử dụng kênh cường độ sáng I cho các bước tiếp theo

Bước 3: Tạo ra các ảnh được tăng cường

độ tương phản I1, I2, I3 thông qua các phương pháp cơ bản như: cân bằng Histogram, biến đổi logarit, và biến đổi logarit ngược Tạo ra ảnh được tăng cường về độ sắc nét I4 bằng cách sử dụng toán tử Laplace

Bước 4: Tạo ra một ảnh tổng hợp Ith dựa trên các ảnh I1, I2, I3 và I4 như sau:

I    I    I    I    I Bước 5: Gọi H1 và H2 lần lượt là Entropy của ảnh ban đầu I và ảnh tổng hợp Ith Sử dụng giải thuật tối ưu hóa bầy đàn PSO để tìm gia các giá trị 1, 2, 3, 4 tối ưu với hàm mục tiêu cần tối ưu hóa là:  

2

J  H  H

 Bước 6: Tính I*th tối ưu dựa trên các giá trị tối ưu 1*, *2, *3, *4:

I   * I   * I   * I   * I

Bước 7: Chuyển đổi các kênh H, S và I*th

về miền RGB thu được ảnh Ien đã được tăng

cường

4 KẾT QUẢ THỰC NGHIỆM

Dữ liệu thực nghiệm gồm bộ ảnh A: 5 ảnh

màu đuợc lấy từ các thu viện ảnh: NASA

Visible Earth Home1, Gallery | SATPALDA2,

và CRISP-WorldView3 Các ảnh này được

chuyển về kích thước 256256 để tiến hành

thực nghiệm

Hình 1 Các ảnh trước và sau tăng cường

1

ht tp://visibleearth.nasa.gov/

2

ht tp://www.sat palda.com/gallery/

3

ht tp://www.crisp.nus.edu.sg/

Gọi Ii1, Ii2, Ii3 lần lượt là ảnh ban đầu, ảnh sau khi sử dụng giải thuật của Himanshu [2],

và ảnh sau khi sử dụng phương pháp đề xuất đối với ảnh thực nghiệm thứ i (Xem Hình 1) Khởi tạo tham số như sau:

- Số lượng cá thể: n = 500

- Hệ số: c1 = c2 = 2

- Hệ số quán tính  = 0.729

Kết quả đo độ sáng () độ tương phản (2), lượng thông tin entropy (E), độ sắc nét (G) của ảnh được mô tả trong Bảng 1 Các giá trị được bôi đậm trong Bảng 1 cho thấy phương pháp đề xuất cho kết quả tốt

Bảng 1 Bảng kết quả thực nghiệm

STT Ảnh Chỉ số đánh giá

1

2

3

4

5

5 TÀI LIỆU THAM KHẢO [1] J Kennedy, R Eberhart, 1995, Particle swarm optimization, IEEE International Conference on Neural Networks

[2] Himanshu Singh, Anil Kumar, L.K Balyan, G.K Singh, 2017, Swarm intelligence optimized piecewise gamma corrected histogram equalization for dark image enhancement, Computers and Electrical Engineering