Dùng phương pháp wavelet tăng cường biên ảnh để xác định kích thước khối u đặc

Một số kết qu nghiên c u nâng cao chất lượng nh y tế như: Các lỦ thuyết tổng quan về xử lỦ nh, các phép biến đổi Wavelet rời r c, liên tục và các ng dụng c a biến đổi wavelet trong gi m

M C L C

Trang Trang tựa

Quyết định giao đề tài i

Lý lịch khoa học iii

Lời cam đoan v

C m ơn vi

Tóm tắt luận văn vii

Mục lục x

Danh mục các từ viết tắt xiii

Danh mục các b ng xiv

Danh mục các hình vẽ, đồ thị xv

Ch ng 1 Tổng quan v xác đ nh kích th c kh i u đặc 1.1 Tổng quan v xác đ nh kích th c kh i u đặc 1

1.2 M c tiêu nghiên c u 5

1.3 Nhi m v của đ tƠi vƠ ph m vi nghiên c u 6

1.4 Ph ng pháp nghiên c u 6

Ch ng 2 C sở lý thuy t v xử lý nh y t 2.1 Khái ni m v nh y t 7

2.1.1 Khái niệm về nh 7

2.1.2 Cácht o nh y tế 10

2.1.2.1 nh y tế 10

2.1.2.2 Cách t o nh y tế 10

2.1.2.3 Đặc điểm nh CT 14

2.2 Xử lý nh y t 16

2.2.1 Khái niệm xử lỦ nh y tế 16

2.2.2 Quá trình xử lỦ nh y tế 16

2.2.3 Biến đổi nh đơn sắc 17

2.3 Bi n đổi Wavelet 18

2.3.1 Khái niệm biến đổi Wavelet 18

2.3.2 Biến đổi Wavelet liên tục 20

2.3.3 Biến đổi Wavelet rời r c 21

2.3.4 Biến đổi Wavelet đa phân gi i 22

2.4 Nơng cao chất l ng nh 23

2.4.1 Lọc nhiễu 24

2.4.1.1 Khái niệm nhiễu 24

2.4.1.2 Các phương pháp lọc nhiễu 25

2.4.1.3 Lọc nhiễu dùng biến đổi Wavelet 28

2.4.2 Biểu đồHistogram 29

2.4.3 Giá trị Entropy 30

2.5 Phát hi n biên nh 31

2.5.1 Khái niệm biên nh 31

2.5.2 Phương pháp phát hiện biên 32

2.5.3 Quy trình và thuật toán phát hiện biên 33

2.5.4 Kỹ thuật Gradient 34

2.5.5 Toán tử la bàn 36

2.5.6 Kỹ thuật Laplace 36

2.5.7 Phương pháp Canny 36

2.5.8 ng dụng biến đổi Wavelet trong tìm biên nh 37

2.6 Kh i u 39

2.6.1 Khái niệm về khối u đặc 39

2.6.2 Nguyên nhân, triệu ch ng và cách điều trị ung thư 40

2.6.3 Các giai đo n c a ung thư 40

Kết luận chương 2: 42

Ch ng 3 Xác đ nh kích th c kh i u đặc

3.1 Quá trình xác đ nh kích th c kh i u đặc 43

3.2 Đọc nh đầu vƠo 44

3.3 Ti n xử lý 44

3.3.1 Cân bằng Histogram 44

3.3.2 Lọc nhiễu 47

3.4 Trích lọc đ i t ng 52

3.5 Dò biên nh 52

3.6 Tính kích th c kh i u 54

3.6.1 Tìm tổng diện tích các pixel 54

3.6.2 Chia nhỏ khối u 56

3.6.3 Tìm thể tích khối u 57

Kết luận chương 3 58

Ch ng 4 Quá trìnhxác đ nh kích th c kh i u đặc và k t qu mô ph ng 4.1 Tìm di n tích các hình c b n 59

4.2 Tìm di n tích kh i u 61

4.2.1 Đọc nh đầu vào 61

4.2.2 Tiền xử lỦ 62

4.2.3 Trích lọc đối tượng 64

4.2.4 Tìm biên 65

4.2.5 Tìm diện tích khối u 66

4.2.6 Tìm thể tích khối u 73

Kết luận chương 4 74

Ch ng 5 K t lu n và h ng phát tri n đ tài 5.1 K t lu n 76

5.2 H ng phát tri n của đ tƠi 77

Tài li u tham kh o 78

Ph l c A 81

DANH M C CÁC T VI T T T

DANH SÁCH CÁC B NG

B ng 2.1 B ảng đơn vị HU trong ảnh CT 14

B ng 2.2 K ết quả hai điểm biên lân cận theo các hướng biên khác nhau 39

B ng 2.3 Các giai đoạn của ung thư 42

B ng 4.1 K ết quả tìm diện tích các hình giả lập khối u 60

DANH M C CÁC HÌNH V Ẽ, Đ TH

Hình 1.1: Hình nh Xquang ung thư vú 2

Hình 1.2: Hình nh MRI hiển thị não trái bị chuyển động (trái) và sau khi chỉnh sửa (ph i) 2

Hình 2.1 nh nhị phân 8

Hình 2.2 nh grayscale 9

Hình 2.3 nh RGB 9

Hình 2.4 nh Indexed 10

Hình 2.5 nh X- Quang 11

Hình 2.6 Hình nh siêu âm (trái) và siêu âm màu Doppler (ph i) 12

Hình 2.7 Hình nh SPECT 13

Hình 2.8 nh chụp CT não 14

Hình 2.9 Quá trình ánh x nh CT 15

Hình 2.10 Sơ đồ khối xử lý nh y sinh 17

Hình 2.11 Hình d ng hàm sinusoid và hàm Wavelet 19

Hình 2.12 Các hình d ng Wavelet phổ biến 19

Hình 2.13 Biến đổi Wavelet rời r c một chiều 21

Hình 2.14 Bi ến đổi Wavelet rời r c hai chiều cho nh 22

Hình 2.15 Phân tích đa phân gi i sử dụng phép biến đổi Wavelet rời r c 22

Hình 2.16 Biến đổi Wavelet rời r c 3 bậc 23

Hình 2.17 Bộ lọc khôi phục dựa trên lý thuyết DWT 1D 23

Hình 2.18 Các lo i đường biên c a nh 31

Hình 2.19 Quy trình phát hiện biên 33

Hình 2.20 Thu ật toán phát hiện biên 34

Hình 2.21 Mặt n sử dụng tách biên c a bộ lọc Sobel 35

Hình 2.21 Hình mô t các điểm biên lân cận 38

Hình 3.1.Sơ đồ khối quá trình xác định kích thước khối u đặc 43

Hình 3.2 nh gốc và nh biểu đồ Histogram, Histogram chuẩn hóa tương ng 45

Hình 3.3 Một số kết qu tách nh sử dụng các hệ số khác nhau 46

Hình 3.4 nh gốc và nh biến đổi Wavelet bậc 1 47

Hình 3.5 Hình gốc và thêm nhiễu Gaussian 48

Hình 3.6 Biên nh khi nh gốc khi không bị nhiễu và bị nhiễu Gaussian 48

Hình 3.7 Biến đổi Wavelet nh nhiễu 49

Hình 3.8 Kết qu sau khi xử lý nhiễu 50

Hình 3.9 Hình gốc và hình sau khi thêm nhiễu Gaussian 50

Hình 3.10 Kết qu xử lý nhiễu dùng phương pháp Wavelet, Invariant, lọc trung bình và lọc Wien 51

Hình 3.11 nh trước và sau khi thực hiện tiền xử lý 52

Hình 3.12 nh gốc và biên nh tìm được sử dụng các phương pháp khác nhau 53

Hình 3.13 Biến đổi Wavelet c a nh 53

Hình 3.14 Tìm biên sử dụng phương pháp Sobel, Gradient và Wavelet 54

Hình 3.15 Quét 4 hướng theo từng hàng và cột để dò biên trong gi i pháp 1 55

Hình 3.16 Quá trình tìm diện tích khối u bằng gi i pháp xác định biên bằng thao tác trực tiếp trên hình 56

Hình 3.17 Tìm diện tích bằng phương pháp chia nhỏ khối u thành nhiều lát cắt 56

Hình 4.1 nh trước và sau khi chuyển thành nh Grayscale 8 bit 62

Hình 4.2 nh gốc và Histogram chuẩn hóa tương ng 63

Hình 4.3 Tách nh với hệ số 0.005 63

Hình 4.4 nh sau khi được tăng cường sử dụng Histogram 64

Hình 4.5 Hình trích lọc vùng quan tâm 65

Hình 4.6 Khối u và đường biên c a khối u dùng phương pháp biến đổi Wavelet 66

Hình 4.7 Biên nh sau khi xử lý 66

Hình 4.8 Đường biên và đánh dấu đường biên 67

Hình 4.9 Kết qu sau khi chuyển đổi 67

Hình 4.10 Quá trình xử lý nh tìm kích thước khối u 68

Hình 4.11 Xác định vùng quan tâm và trích lọc đối tượng 70

Hình 4.12 Khối u và biên nh c a khối u 70

Hình 4.13 Đường biên sau khi lo i bỏ các thành phần không quan tâm 71

Hình 4.14 Sai số trong phương pháp quét đường biên theo hàng và cột 71

Hình 4.15 Sai số trong phương pháp chia nhỏ khối u 72

Hình 4.16 nh đường biên (a) và sau khi đánh dấu đường biên (b) 72

Hình 4.17 Kết qu chuyển đổi các pixel bên trong thành m c 1 73

Hình 4.18 Phân tích sai số trong gi i pháp 1 75

CH NG 1

T NG QUAN

1.1 Tổng quan v nơng cao chất l ng hình nh xác đ nh kích th c kh i u đặc

Càng ngày khoa học kỹ thuật càng phát triển và hình thành nên nhiều các giao ngành như lỦ sinh, hóa sinh, và một số ngành khác trong đó có ngành kỹ thuật y sinh Đây là lĩnh vực tương đối mới Việt Nam, các thành tựu đ t được ch yếu m c độ nghiên c u với các m ng tin sinh học, chẩn đoán hình nh, xử lỦ tính hiệu sinh lỦ học

và nhiều lĩnh vực khác Trong đó có xử lỦ hình nh y tế Đây là một vấn đề luôn được quan tâm và phát triển hiện nay

Xử lỦ hình nh y tế là việc sử dụng các kỹ thuật xử lỦ hình nh để nâng cao hiệu

qu sử dụng các thiết bị chẩn đoán đo lường bằng hình nh Quá trình xử lỦ nh được xem như là quá trình thao tác nh đầu vào nhằm cho ra kết qu mong muốn.Kết qu đầu ra c a một quá trình xử lỦ nh có thể là một nh tốt hơn hoặc một kết luận trong chẩn đoán

Các hình nh trong kỹ thuật y sinh bao gồm: nh X-quang, nh chụp cắt lớp điện toán (CT), chụp X-quang kỹ thuật số m ch máu theo phương pháp lo i trừ (DSA), chụp cộng hư ng từ (MRI), hay các nh ng dụng h t nhân (PET, SPECT) Trong những thiết bị y tế hiện đ i hiện nay các phép đo gián tiếp được thực hiện để tái t o

nh Các thuật toán ngày càng ph c t p để chất lượng nh tái t o ngày càng c i thiện.Nhờ đó mà chất lượng chẩn đoán bệnh ngày càng được nâng cao, các bệnh hiểm nghèo ngày càng được phát hiện sớm để kịp thời chữa trị Các căn bệnh hiểm nghèo hiện nay như ung thư không ph i không có biện pháp điều thị nhưng các bệnh nhân tử vong do phát hiện quá trễ Nếu chẩn đoán hình nh tốt có thể gi m thiểu được các ca tử vong do nh chụp giai đo n đầu không thể hiện rõ bệnh lỦ gây khó khăn cho bác sĩ trong chẩn đoán

Hình 1.1: Hình ảnh Xquang ung thư vú [26]

Hình 1.2: Hình ảnh MRI hiển thị não trái bị chuyển động (trái) và sau khi chỉnh sửa (phải)[26]

Bệnh u thư hiện nay là một trong những nguyên nhân gây tử vong hàng đầu trên thế giới với kho ng 200 lo i đã được xác định gây ra b i sự phân chia tế bào quá m c một cách vô tổ ch c không tuân theo cơ chế sinh trư ng c a cơ thể Một số tế bào này phát triển t o thành khối u Khối u có thể lành tính hay ác tính Kích thước khối u có thể xác định được giai đo n phát triển c a khối u để theo dõi và có biện pháp điều trị thích hợp Ngoài ra nó giúp bác sĩ có cái nhìn tổng thể trước khi phẫu thuật cắt bỏ khối

u và theo dõi việc phân phối thuốc trong quá trình điều trị ung thư Vì vậy, kích thước khối u có vai trò quan trọng trong chẩn đoán và điều trị ung thư Đó là lỦ do đề tài

“Dùng ph ng pháp Wavelet tăng c ng biên nh đ xác đ nh kích th c kh i u đặc” được thực hiện trên cơ s kế thừa và phát triển một số kết qu nghiên c u c a các

đề tài trong và ngoài nước

Để xác định được kích thước khối u đặc cần ph i xác định được vùng nghi vấn trong nh y tế bằng các thuật toán tăng cường nh, trích lọc vùng quan tâm và xác định được biên nh Việt Nam, các kết qu đã công bố về xử lỦ hình nh y tế cũng như

xác định kích thước khối u đặc còn ít Một số kết qu nghiên c u nâng cao chất lượng

nh y tế như:

Các lỦ thuyết tổng quan về xử lỦ nh, các phép biến đổi Wavelet rời r c, liên tục

và các ng dụng c a biến đổi wavelet trong gi m nhiễu nâng cao chất lượng nh trong [2] Luận văn cũng đã đưa ra chương trình mô phỏng phương pháp chọn ngưỡng tối ưu

đó là phương pháp Bayes Shrink Chương trình có sự so sánh giữa phương pháp chọn ngưỡng c ng, ngưỡng mềm và ngưỡng Bayes, ngoài ra chương trình cũng cho phép kiểm tra sự tác động c a một số họ Wavelet cùng với tác động c a các lo i nhiễu tới kết qu đầu ra Kết qu cho thấy kh năng rất m nh c a biến đổi wavelet trong xử lỦ

nh nói riêng, trong xử lỦ tín hiệu nói chung Kết qu nghiên c u có thể ng dụng trong nhiều lĩnh vực như đối với nh lưu trữ, truyền nh trong lĩnh vực an ninh và các lĩnh vực khác

Các thiết bị chẩn đoán y tế phát triển vô cùng m nh mẽ và đi kèm với chúng là các phần mềm xử lỦ nh.Tran Duy Linh và Huynh Quang Linh từ Đ i học Bách khoa TP.HCM đã tiến hành nghiên c u xây dựng phương pháp tiếp cận nhằm xây dựng một công cụ xử lỦ nh y tế dựa trên ngôn ngữ lập trình Matlab và một số ng dụng c a nó [18] Công cụ này có kh năng xửlý, phân vùng và tái t o sơ đồ 3D các nh chụp thu được từ các thiết bị chuẩn đoán hình nh thông dụng.Huỳnh Quang Linh và VõNhư Như đã nghiên c u xây dựng các bài thí nghiệm mô phỏng các nh X-quang, nh chụp cắt lớp CT, nh MRI và nh siêu âm đưa ra b n chất vật lỦ, thử nghiệm và phân tích một số vấn đề cơ b n trong xử lỦ nh y sinh [5]

Tái t o nh 3D trong y tế là một đề tài khá thú vị được trình bày trong [4].Hiện nay, các phần mềm tái t o nh 3D thương m i đang được sử dụng khá nhiều t i các bệnh viện, cơ s y tế Các chương trình này rất ph c t p và ta khó có cơ hội tiếp xúc với quá trình phát triển chúng Tuy nhiên, cũng có một số gi i pháp hỗ trợ cho mục đích học tập, nghiên c u, điển hình là VTK Bài luận văn hướng dẫn cách sử dụng VTK để tái t o nh 3D trong y tế Ngoài ra còn có giới thiệu một số công cụ xử lỦ hình

nh y tế khác như BKDoctor V.1: Chương trình tái t o nh 3D từ các lớp cắt song

song; IBK: Chương trình xử lỦ nh y khoa trên nền MATLAB; SGDICOM-J: Chương trình xử lỦ nh y tế 3-D trên nền JAVA

H a Thị Hoàng Yến, Nguyễn Hữu Phương nghiên c u phương pháp phân tích

đa gi iWavelet (MRA) cùng với m ng nơron nhằm phát hiện các nhũ nh, là các hóa vôirất nhỏ thường gặp trong ung thư vú c a phụ nữ[3] Các hóa vôi rất nhỏ tương ng với các thành phầntần số cao c a phổ nh, phát hiện chúng bằng cách phân gi i nh thành các dãy băng con t i các tần số khác nhau dùng MRA, lo i bỏ băng con tần số thấp và xâydựng l i các nhũ nh từ các băng con tần số cao Phương pháp này thực thi tốt trên nhcho thấy ưu điểm c a phép biến đổi Wavelet kết hợp m ng nơrontrong các

hệ thống chuẩn đoán có sự trợ giúp c a máy tính

Các kết qu nghiên c u về xác định kích thước khối u đặc đã được công bố từ năm 1979, nhưng đến năm 2000 thì được Tổ ch c Y tế thế giới thông qua các tiêu chí đánh giá khối u rắn (RECIST_the Response Evaluation Criteria in Solid Tumors)[10] Tuy nhiên hiện nay với các thiết bị hiện đ i như chụp cắt lớp, các đầu dò hiện đ i thì việc xác định kích thước khối u cũng như nhận định về ph n ng khối u đã có bước đột phá mới

nước ngoài có nhiều tài liệu, bài báo đã công bố các công trình nghiên c u liên quan đến vấn đề khối u, kích thước khối u cũng như các phương pháp xử lỦ nâng cao chất lượng nh y tế Yang Qiang từ trường Đ i học Yibin, Trung Quốc đã nghiên

c u thuật toán tách nhiễu nh dựa vào phép biến đổi Wavelet [20] Trước tiên, nh nhiễu được biến đổi Wavelet, sau đó lựa chọn ngưỡng để làm s ch các nhiễu này Tác

gi đã ch ng minh được phép biến đổi Wavelet với phương pháp chọn ngưỡng được

ng dụng trong việc tách nhiễu cho kết qu tốt, nhiễu gi m đáng kể so với ban đầu Nghiên c u c a Jinshan Tang, Xiaoming Liu, Qingling Sun về việc xây dựng kỹ thuật tăng cường nh bằng phép biến đổi Wavelet trực tiếp [24] Nghiên c u này tập trung vào hỗ trợ chuẩn đoán ung thư vú Thuật toán tăng cường này giúp chất lượng

nh tốt hơn; tiết kiệm thời gian xử lỦ hơn; dễ dàng điều chỉnh chất lượng nh bằng việc thay đổi thông số

Đã có những kết qu rất kh quan về xử lỦ nh trong y tế và đ t được nhiều thành tựu đáng kể.Tiến bộ vượt bậc trong chẩn đoán như trong lĩnh vực mammography (X-quang vú), khi sử dụng kết hợp mammography với siêu âm somo-v có thể sẽ làm tăng 30% kh năng chẩn đoán ung thư vú các phụ nữ có mô ngực đặc Ngoài ra, các phần mềm mới cung cấp những biện pháp để đo độ đặc giúp kết qu không bị phụ thuộc vào nhận định ch quan c a bác sĩ

Mary Frances Dempsey tiến hành đo kích thước cũng c a khối u não với sai số xác định trước thể hiện trong [13] Bài báo đã đưa ra kết qu tìm thể tích khối u não và đánh giá kết qu với hình nh MR bằng thực nghiệm nghiên c u 70 bệnh nhân bị tái phát ung thư não Từ đó nhận định mối quan hệ giữa thể tích khối u và sự tái phát c a bệnh trong điều trị Bài báo cũng đưa ra kết qu xử lỦ trên 3D tốt hơn so với xử lỦ 2D, 1D

Nhiều công bố về lĩnh vực nghiên c u thuật toán mô hình để kiểm soát sự phát triển c a khối u trong [8], [11], [19] Với các thuật toán đưa ra, các nghiên c u trên thực sự giúp ích trong việc dự đoán sự phát triển và lây lan c a khối u Công bố trong [7] đưa ra gi i pháp tìm thể tích c a khối u từ nh 2D bằng công th c chuyển đổi khi biết chiều dài, chiều rộng và giới tính c a bệnh nhân bằng phương pháp thực nghiệm Đánh giá hiệu qu tiếp nhận thuốc điều trị ung thư phụ thuộc vào kích thước và hình

d ng khối u đặc được công bố năm 2012 [9] Kết qu này thật sự có giá trị trong giai

đo n sau khi cắt bỏ khối u và điều trị bằng thuốc Nếu biết được hiệu qu tiếp nhận thuốc thì bác sĩ điều trị có thể ch động hơn trong việc phân phối thuốc điều trị

1.2 M c đích đ tƠi

Trong các nghiên c u trên, phần lớn tập trung vào xử lỦ nh để tăng cường nh cho ra chất lượng nh tốt hơn, nhận định nh hư ng kích thước khối u trong điều trị ung thư Do đó trong luận văn này, tác gi xác định kích thước khối u đặc dùng phương pháp Wavelet tăng cường biên nh Kích thước khối u đây là diện tích và thể tích khối u

1.3 Nhi m v của đ tƠi vƠ ph m vi nghiên c u

1.3.1 Nhi m v của đ tƠi

Để đ t được mục tiêu nghiên c u cần thực hiện các nhiệm vụ sau:

 Tìm hiểu lỦ thuyết về khối u đặc, cách t o hình nh CT và đặc điểm nh CT

 Biến đổi Wavelet và ng dụng phép biến đổi Wavelet trong xử lỦ nhiễu

 Nâng cao chất lượng nh

 Tìm biên nh dùng biến đổi Wavelet

 Mô phỏng trên Matlab đầy đ quá trình tìm kích thước khối u đặc, xác định kích thước khối u đặc gồm diện tích và thể tích

1.3.2 Ph m vi nghiên c u

Trong đề tài này chỉ tập trung vào xác định kích thước khối u đặc thông qua việc dùng phương pháp Wavelet tăng cường biên nh đối với nh CT hai chiều Kích thước khối u đặc trong đề tài này là tìm diện tích và thể tích khối u Trong đó diện tích tìm bằng hai phương pháp tìm tổng pixel và chia nhỏ khối u Thể tích được tìm bằng công

th c tính khi biết chiều dài và chiều rộng khối u

1.4 Ph ng pháp nghiên c u

Phương pháp nghiên c u sử dụng trong đề tài này là nghiên c u lỦ thuyết bao gồm nghiên c u, phân tích và tổng hợp tài liệu kết hợp với mô phỏng sử dụng Matlab

để xử lỦ nâng cao chất lượng nh y tế và xác định kích thước khối u đặc

Nghiên c u trong đề tài này có sự kế thừa các công trình nghiên c u c a các nhà nghiên c u, nhóm nghiên c u trong và ngoài nước Hình nh trong luận văn được bệnh viện Đa khoa Đồng Nai cung cấp

đó nh được cấu t o b i các điểm nh (pixel) Mỗi điểm nh đặc trưng b i vị trí c a điểm nh và m c xám c a điểm nh đó

nh trắng đen thực chất là một hàm hai chiều c a cường độ sáng f(x,y), trong đó

x và y là các to độ không gian và giá trị c a hàm f t i một điểm (x,y) tỷ lệ với cường

độ sáng c a nh t i điểm đó Nếu chúng ta có một nh màu thì f là một vector mà mỗi

thành phần c a vector đó chỉ ra cường độ sáng c a nh t i điểm (x,y) đó tương ng với

d i màu

Để đơn gi n đây ta chỉ xét đến nh số Một nh số là một nh mà hàm f(x,y) c a

nó đã được rời r c hoá theo c to độ không gian và cường độ sáng c a nó Nếu là nh trắng đen thì nó được biểu diễn theo một m ng hai chiều, còn nếu là một nh màu thì

nó được biểu diễn theo một chuỗi các m ng hai chiều mà mỗi m ng hai chiều đó tương

ng với một d i màu Giá trị cường độ sáng đã được số hoá được gọi là giá trị m c xám

nh hai chiều đơn sắc là hàm hai chiều f(x,y) theo cường độ xám với x, y là tọa

độ không gian hai chiều, giá trị t i mỗi (x i ,y j) là độ chói c a nh Một nh hai chiều đơn sắc M dòng, N cột được mô t như sau:

1 , ( )

2 , ( )

1 , (

) , 1 ( ) 1 , 1 ( )

2 , 1 ( ) 1 , 1 (

) , 2 ( )

1 , 2 ( )

2 , 2 ( )

1 , 2 (

) , 1 ( )

1 , 1 ( )

2 , 1 ( )

1 , 1 (

)

,

(

N M f N

M f M

f M

f

N M f N

M f M

f M

f

N f N

f f

f

N f N

f f

Hình 2.1 thể hiện m c xám c a điểm nh t i vị trí được chọn trong nh.Ta thấy giá trị

m c xám t i mỗi điểm nh chỉ nhận giá trị 0 hoặc 1

 nh Grayscale: Mỗi nh được biểu diễn b i một ma trận hai chiều, trong đó giá trị

c a mỗi phần tử cho biết độ sáng (hay m c xám) c a điểm nh đó Ma trận này có thể một trong các kiểu uint8, uint1θ hoặc double nh biểu diễn theo kiểu này còn gọi là

nh “trắng đen”

ảình 2.2 nh grayscale[25]

 nh RGB: Còn gọi là nh “truecolor” do tính trung thực c a nó nh này được biểu diễn b i một ma trận ba chiều kích thước m x n x 3, với m x n là kích thước nh theo pixels Ma trận này định nghĩa các thành phần màu red, green, blue cho mỗi điểm

nh, các phần tử c a nó có thể thuộc kiểu uint8, uint1θ hoặc double

ảình 2.3 nh RẢB [25]

 nh Indexed: nh được biểu diễn b i hai ma trận, một ma trận dữ liệu nh X và một ma trận màu Ma trận dữ liệu có thể thuộc kiểu uint8, uint1θ hoặc double Ma trận màu là một ma trận kích thước (m x 3) gồm các thành phần thuộc kiểu double có giá trị

trong kho ng [0 1] Mỗi hàng c a ma trận xác định thành phần red, green, blue c a một màu trong tổng số m màu được sử dụng trong nh Giá trị c a một phần tử trong ma trận dữ liệu nh cho biết màu c a điểm nh đó nằm hàng nào trong ma trận màu

X-2.1.2.2 Cách t o nh y t

Tùy thuộc vào lo i hình nh y tế mà có các cách t o nh y tế khác nhau Sau đây

là một số nguyên lỦ t o nh y tế:

 X – Quang

Trong chẩn đoán y học để thu nhận được tia X người ta sử dụng phim âm b n

ch a trong cassette Cassette được đặt sau vật cần chiếu, tia X sau khi xuyên qua được vật sẽ đến đập vào phim Khi rửa phim người ta dùng AgCl, những nơi nào tác dụng

với tia X khi rửa sẽ không bị mất (có màu đen) còn nơi nào không tác dụng với tia X (đối với xương, tia X bị c n l i), khi rửa sẽ bị trôi (có màu trắng) Chính vì độ xuyên sâu c a tia X cao nên người ta dùng để chụp những vật c ng như: xương, răng, không dùng để chụp mô Hiện nay người ta không dùng phim âm b n b i vì bất tiện, người ta

đã tiến đến sử dụng X-quang kỹ thuật số nh thu được dưới d ng số, lưu vào máy tính

và được chỉnh sửa rất dễ dàng

Hình 2.5 nh X-Quang [26]

 Siêu âm

Siêu âm là một phương pháp kh o sát hình nh học bằng cách cho một phần c a

cơ thể tiếp xúc với sóng âm có tần số cao để t o ra hình nh bên trong cơ thể Siêu âm không sử dụng các phóng x ion hóa Do hình nh siêu âm được ghi nhận theo thời gian thực nên nó có thể cho thấy hình nh cấu trúc và sự chuyển động c a các bộ phận bên trong cơ thể kể c hình nh dòng máu đang ch y trong các m ch máu.Những tiến

bộ trong kỹ thuật siêu âm bao gồm siêu âm 3 chiều (siêu âm 3D) có kh năng tái t o l i

dữ liệu thu nhận được từ sóng âm thành hình nh 3 chiều Siêu âm 4 chiều (siêu âm 4D) là siêu âm 3 chiều có ghi nhận sự chuyển động

Siêu âm dựa trên cùng một nguyên tắc ho t động c a hệ thống định vị loài dơi, các tàu thuyền Khi sóng âm va vào một vật thể, nó sẽ bị dội tr l i Bằng cách đo

những sóng dội này, người ta có thể xác định được độ xa cũng như kích thước, hình

d ng và mật độ (vật thể có tính chất rắn, hay ch a đầy dịch, hoặc c hai) c a vật thể

Siêu âm Doppler, một ng dụng đặc biệt c a siêu âm, dùng để đo hướng và vận tốc c a các tế bào máu khi chúng di chuyển trong m ch máu Sự chuyển động c a các

tế bào máu gây ra sự thay đổi về cao độ c a sóng âm ph n hồi l i Máy vi tính sẽ thu thập và xử lỦ những sóng âm này để t o ra biểu đồ hoặc hình màu thể hiện dòng ch y

c a máu trong các m ch máu giúp đánh giá dòng máu ch y trong các m ch máu, bao gồm các động m ch và tĩnh m ch chính c a cơ thể bụng, cánh tay, chân, và cổ

Hình 2.6 ảình ảnh siêu âm(trái) và siêu âm màu Doppler (phải) [26]

 SPECT

Máy chụp SPECT là một trong những thiết bị chẩn đoán hình nh hiện đ i nhất hiện nay Về nguyên lí t o nh, SPECT cũng giống như CT, chỉ khác chỗ với CT thì chùm photon được chiếu từ bên ngoài, xuyên qua cơ thể và được ghi nhận detector phía đối diện nguồn tia X Còn với SPECT, thì chùm b c x photon được phát ra từ bên trong cơ thể do phân rã phóng x được đưa (uống, tiêm) vào cơ thể nơi cần chụp trước đó Chùm b c x phát ra được ghi nhận đồng thời b i hệ detector bao quanh bệnh nhân cho ta thông tin về ch c năng cơ quan muốn thăm khám nh SPECT cho ta thấy được thông tin ch c năng c a các cơ quan Ví dụ, lượng máu lưu chuyển qua một

vùng nào đó nhiều hay ít Như vậy nó cho ta biết điều gì đang x y ra trong cơ thể Ngoài các ng dụng chẩn đoán hình nh thông thường, máy SPECT còn có vai trò đặc biệt trong x trị ung thư Với nh SPECT, bác sĩ và kỹ thuật viên dễ dàng tìm thấy những tổn thương, biến đổi bất thường rất nhỏ trong cơ thể người bệnh Do đó nh SPECT cho phép đoán, phát hiện sớm bệnh ung thư Máy SPECT có thế cho ta chụp: toàn thân (Whole body), tĩnh (Static), động (Dynamic), nh toàn thể hoặc cắt lớp (Tomo)

Hình 2.7 ảình ảnh SPECT [26]

 Máy chụp cắt lớp điện toán CT

Đây là phương pháp t o nh dựa vào tính chất hấp thụ tia X c a vật chất.Trong máy CT có một nguồn phát ra tia X Nguồn phát tia X này có thể xoay tròn quanh bộ phận cần chụp Tia X sẽ chiếu qua bệnh nhân và đến được các đầu dò (detector) Tia X khi chiếu qua bệnh nhân sẽ bị hấp thụ một phần b i các cơ quan Tuỳ theo cấu t o c a các cơ quan khác nhau, mà m c độ hấp thụ tia X sẽ khác nhau Trong cơ thể, xương sẽ hấp thụ tia X nhiều nhất, còn mô mềm sẽ hấp thụ ít hơn

Đầu dò sẽ chuyển năng lượng tia X thành các tín hiệu điện Các đầu dò có thể là đầu dò dùng khí hiếm, hay làm bằng bán dẫn Tín hiệu từ đầu dò sẽ được đưa đến máy tính để xử lỦ Máy tính sẽ dùng các thuật toán để tái t o hình nh c a phần cơ thể được chụp và hiển thị cho bác sĩ Trong thế hệ CT mới c a hãng Siemen, máy CT có hai

nguồn phát tia X Thiết bị mới này sẽ cho hình nh tốt hơn và gi m bớt nh hư ng đến bệnh nhân

Hình 2.8 nh chụp CT não [26]

2.1.2.3 Đặc đi m nh CT

nh CT được tái t o từ việc ánh x hệ số suy gi m tuyến tính c a đối tượng xử

lý thông qua hệ thống chụp CT Tỷ lệ cường độ sáng trong nh CT được tính như sau:

w

w X HU

Máu 30 ~ 45

Bảng 2.1 Bảng đơn vị ảU trong ảnh CT

Để có thể quan sát được nh ta cần đổi chúng về d ng thang đo m c gray phù hợp Hình 2.9 mô t quá trình ánh x CT như sau:

, ( 255

2 )

, ( 2 255

* 2 )

, (

2 )

, ( 0

)

,

(

W C y x p

W C y x p

W C W

W C y x p

W C y x p

x p

t y x p t y x p G y x q

w

H w

L w

),(

),()

,()

,

2.2 Xử lý nh y t

2.2.1 Khái ni m xử lý nh y t

Xử lý nh là một quá trình vật lỦ được sử dụng để chuyển đổi tín hiệu hình nh

thành một hình nh vật lỦ Tín hiệu hình nh có thể là số hoặc tương tự Ngõ ra có thể

là hình nh vật lỦ hay đặc tính thực tế c a hình nh Kết qu đầu ra c a một quá trình

xử lỦ nh có thể là một nh tốt hơn hoặc một kết luận

Xử lý nh y t là việc sử dụng các kỹ thuật xử lỦ hình nh để nâng cao hiệu qu

sử dụng các thiết bị chẩn đoán đo lường bằng hình nh

Y học hiện đ i chẩn đoán bệnh dựa vào các triệu ch ng lâm sàng (chẩn đoán lâm sàng) và các triệu ch ng cận lâm sàng (chẩn đoán cận lâm sàng) Trong chẩn đoán cận lâm sàng thì chẩn đoán dựa trên hình nh thu được từ các thiết bị, máy y tế (chẩn đoán hình nh) ngày càng chiếm một vai trò quan trọng, nhất là ngày nay với sự trợ giúp c a các thiết bị, máy y tế hiện đ i, công nghệ cao có các phần mềm tin học hỗ trợ khiến cho hình ánh rõ nét và chính xác hơn

Chẩn đoán hình nh đã góp phần quan trọng nâng cao tính chính xác, kịp thời và hiệu qu cao trong chẩn đoán bệnh Như dựa trên hình nh siêu âm, người thầy thuốc

có thể đo được tương đối chính xác kích thước các t ng đặc trong ổ bụng (gan, lách, thận, tuỵ, và các bộ phận khác) và phát hiện các khối bất thường nếu có Từ hình nh siêu âm tim có thể xác định cấu trúc, kích thước các buồng tim, van tim và các m ch máu lớn Trong s n khoa, siêu âm giúp xác định và theo dõi sự phát triển c a thai nhi trong bụng mẹ; hình nh CT Scanner giúp thầy thuốc xác định được một số bệnh lỦ

sọ não, đặc biệt là xác định máu tụ nội sọ, khối u não; chụp cộng hư ng từ h t nhân xác định chính xác hơn các hình thái và các khối bất thường trong cơ thể (nếu có)

2.2.2 Quá trình xử lý nh y t

Sơ đồ khối quá trình xử lỦ nh y tế như sau:

Hình 2.10 : Sơ đồ khối xử lý ảnh y sinh

Đối tượng được ghi nhận l i, sau đó qua khối tiền xử lỦ sẽ tăng cường và lưu trữ nh đối tượng cấp độ thấp nh tiền xử lỦ cho hiển thị, đồng thời đưa qua khối phân tích hình nh, gồm phân đo n và trích lọc nh, khối xử lỦ đưa qua mã hóa để lưu trữ, sau đó

gi i mã và tổng hợp nh, tăng cường nh và hiển thị

Người ta xử lỦ nh với nhiều mục đích cụ thể khác nhau Trong đó các mục đích chính việc xử lỦ nh là: Xử lỦ nh để số hóa, mã hóa nh để in, truyền và lưu giữ nh;

tăng cường và phục hồi nh; phân đo n và mô t

2.2.3 Bi n đổi nh đ n sắc

nh đơn sắc được chuyển đổi từ nh đa sắc bằng công th c sau:

blue green

red

I G  0 2982   0 5870   0 1140  (2.5)

Biến đổi cửa sổ m c gray: Khi nh f(x,y) có kho ng giá trị m c gray hẹp và các

chi tiết nh cần quan tâm mang lượng thông tin ít, rời r c Để đ t được nh có chất lượng tốt hơn bằng cách gia tăng lượng thông tin cần thiết trong nh, ta cần biến đổi vùng giá trị này với ngưỡng được xác định từ trước

1 2

1

1

),(1

),()

,(

),(0

),(

f y x f neu

f y x f f neu f

f

f y x f

f y x f neu y

Mã hóa Lưu trữ Gi i mã

Tổng hợp Tăng cường

Hiển thị

2.3 Bi n đổi Wavelet

2.3.1 Khái ni m bi n đổi Wavelet

Có nhiều phương pháp phân tích tín hiệu, trong đóphân tích Fourier được biết đến và sử dụng rất nhiều Phương pháp này cho phép phân tích một tín hiệu thành tổng

c a các hàm sin với các tần số khác nhau Nói cách khác, phân tích Fourier là kỹ thuật biến đổi tín hiệu từ miền thời gian sang miền tần số Tuy nhiên, h n chế c a phép biến đổi này là thông tin thời gian đã bị mất Để khắc phục nhược điểm này, người ta phân tích Fourier trong miền thời gian ngắn Phân tích này gọi là STFT (Short time Fourier Transform) hay biến đổi Fourier cửa sổ Khuyết điểm chính c a phương pháp phân tích này là khi kích thước cửa sổ đã xác định tất c các tần số được phân tích với cùng độ phân gi i thời gian và tần số Nếu hàm cửa sổ hẹp thì phân gi i tần số kém, thời gian tốt và ngược l i hàm cửa sổ rộng thì phân gi i tần số tốt, thời gian kém

Biến đổi Wavelet khắc phục được các nhược điểm trên, độ phân gi i thời gian

và tần số có thể thay đổi một cách thích nghi với đặc tính c a tín hiệu trên mặt phẳng thời gian và tần số Phân tích Wavelet cho phép sử dụng các kho ng thời gian dài khi ta cần thông tin tần số thấp chính xác hơn, và miền ngắn hơn đối với thông tin tần số cao

Wavelet là công cụ thống kê m nh được sử dụng rộng rãi trong nhiều ng dụng như sau: Xử lỦ tín hiệu; nén dữ liệu; làm mịn và gi m nhiễu hình nh; mã hoá nguồn,

mã hoá kênh; xác minh vân tay; trong sinh học, nhận biết màng tế bào, để phân biệt các màng bình thường từ màng bệnh lỦ; phân tích DNA, phân tích protein; phân tích huyết

áp, nhịp tim và điện tâm đồ; nhận d ng giọng nói Trong đề tài này sử dụng Wavelet để lọc nhiễu và tìm biên nh

Wavelets là các d ng sóng nhỏ có thời gian duy trì tới h n với giá trị trung bình bằng 0, các hàm số cơ s ψk(t) này độc lập về thời gian và không gian Wavelet có năng lượng vô h n So sánh với sóng sin thì sóng sin không có kho ng thời gian giới

h n – nó kéo dài từ âm vô cùng đến vô cùng Trong khi sóng sin là trơn tru và có thể

dự đoán, wavelet l i bất thường và bất đối x ng Hình 2.14 là hình d ng so sánh giữa hàm Sinusoid và Wavelet

Sinusoid Wavelet

Hình 2.11 ảình dạng hàm sinusoid và hàm Wavelet [21]

Giống như hàm sin và cosin trong phép biến đổi Fourier, thì Wavelet được dùng

như hàm cơ s ψ k (t) được trình bày trong hàm f(t)

Wavelet được t o từ những Wavelet mẹ đơn ψ(t) b i s là tỉ lệ (nghịch đ o c a tần

số) và τ là biến dịch chuyển vị trí đặc trưng

,

1( )

s

t t

s s

2.3.2 Bi n đổi Wavelet liên t c

 Phép bi n đổi Wavelet thu n:

Phép biến đổi Wavelet liên tục (CWT) c a một hàm f(t) được định nghĩa như sau:

 

1( , )

t

t

s s

Trong đó:C(τ,s) là hệ số biến đổi liên tục c a f(t) với tham số s là tỉ lệ (nghịch đ o c a

tần số) và tham số τ là dịch chuyển đặc trưng vị trí C hai tham số đều là số thực và s

≠ 0; x(t) là hàm thời gian (tín hiệu ) cần được phân tích; ψ(t) là hàm liên tục trong miền

thời gian và miền tần số gọi là Wavelet mẹ * là liên hợp ph c Vai trò c a các Wavelet

mẹ được dùng để t o ra những Wavelet con có những đặc tính mong muốn liên kết với

hàm; Hệ số 1/ s được sử dụng để đ m b o cho sự chuẩn hoá trên những tỉ lệ khác

nhau

Nhận xét: s là tỉ số nghịch đ o c a tần số nên nó sẽ liên quan đến các thông tin về

tần số Việc thay đổi tham số s sẽ nh hư ng đến việc làm giãn hay nén tín hiệu

(wavelet mẹ) Nếu tham số s lớn đồng nghĩa với việc tần số thấp thì sẽ làm giãn tín

hiệu và cung cấp chi tiết những thông tin bị giấu đi trong tín hiệu Nếu tham số s nhỏ,

tần số cao thì sẽ nén tín hiệu Do đó ta chỉ biết được những thông tin chung về tín hiệu

Việc phân tích này rất phổ biến trong thực tế Đối với những tần số cao sẽ không được

kéo dài trong thời gian dài Chúng chỉ xuất hiện khi muốn truyền ngắn Ngược l i thì

tần số thấp thường được kéo dài trong toàn bộ thời gian tín hiệu

Nhìn hình chúng ta có thể thấy rằng khi s nhỏ, chiều rộng c a wavelet mẹ sẽ hẹp,

có nghĩa là độ phân gi i thời gian không tốt nhưng độ phân gi i tần số tốt Mặt khác,

nếu s lớn, chiều rộng c a wavelet mẹ rộng, có nghĩa là độ phân gi i thời gian tốt nhưng

độ phân gi i tần số kém

 Phép bi n đổi Wavelet liên t c ngh ch:

Phép biến đổi Wavelet liên tục nghịch có d ng:

Công th c trên cho phép khôi phục l i tín hiệu nguyên th y từ các hệ số biến đổi wavelet bằng phép tính tích phân theo toàn bộ các tham số tỉ lệ s và dịch chuyển τ Trong đó hàm Wavelet mẹ được sử dụng thay cho hàm liên hợp ph c c a nó

2.3.3 Bi n đổi Wavelet r i r c

Khuyết điểm c a phép biến đổi wavelet liên tục là t o ra rất nhiều hệ số C(τ,s) Điều này rất ph c t p trong việc tính toán và xử lỦ lượng dữ liệu khổng lồ này.Vì vậy, Phép biến đổi Wavelet rời r c ra đời nhằm rút ngắn thời gian và đơn gi n hoá trong tính toán mà vẫn đ m b o độ chính xác cần thiết Trong phép biến đổi Wavelet này, người ta thay thế các hệ số tỉ lệ (s) và dịch vị (τ) bằng những hệ số rời r c, luỹ thừa cơ

Hình 2.13 Biến đổi Wavelet rời rạc một chiều

Từ biến đổi Wavelet rời r c 1 chiều, ta có thể m rộng thành biến đổi Wavelet rời r c 2 chiều bằng cách vẫn sử dụng các bộ lọc riêng biệt Sau đó ta dùng phép biến đổi Wavelet rời r c 1 chiều để biến đổi tín hiệu theo hàng rồi tiếp tục thực hiện theo

DWT theo hàng

DWT theo cột

cột Với cách biến đổi như thế này thì tầng 1 ta sẽ thu được 4 nh lần lược là LL, LH,

HL, HH (chữ cái đầu tiên ng với lọc theo hàng, chữ cái th hai ng với lọc theo cột)

Hình 2.14 : Biến đổi Wavelet rời rạc hai chiều cho ảnh

2.3.4 Bi n đổi Wavelet đa phơn gi i

Biến đổi Waveelet đa phân gi i là một Ủ tư ng mới được đưa ra lần đầu tiên năm

1986 nhằm gi i quyết hình th c tổng quát trong việc xây dựng cơ s trực giao c a wavelets Hơn nữa phân tích đa phân gi i là trung tâm c a tất c các phép xây dựng nên hàm cơ s wavelets Hình 2.18 là sơ đồ phân tích Wavelet đa phân gi i sử dụng biến đổi rời r c

Hình 2.15 : Phân tích đa phân giải sử dụng phỨp biến đổi Wavelet rời rạc

Theo hình 2.16, tín hiệu được cho đi qua các bộ lọc thông thấp và thông cao (G

và H) rồi được lấy mẫu xuống hệ số 2 t o thành biến đổi Wavelet rời r c tầng 1 Các phép lọc có thể được tiến hành nhiều tầng khác nhau ng với mỗi tầng thì tín hiệu sẽ

có độ phân gi i khác nhau nh sau khi phân tích rời r c đa phân gi i 3 bậc như hình 2.16 sau:

tầng 1 Biến đổi rời r c

tầng 2

Hình 2.16 Biến đổi Wavelet rời rạc 3 bậc

Tín hiệu sau khi phân tích để ng dụng vào từng mục đích riêng sau đó cần được tổng hợp l i để có được tín hiệu gốc ban đầu mà không bị mất thông tin Ta có thể biến đổi ngược l i bằng cách lấy mẫu lên hệ số 2 rồi sử dụng các bộ lọc khôi phục H’, G’ được thể hiện trong hình 2.17

Hình 2.17 : Bộ lọc khôi phục dựa trên lý thuyết DWT 1D

2.4 Nơng cao chất l ng nh

Nâng cao chất lượng nh số là quá trình xử lỦ trên nh ban đầu để t o ra kết qu

là một b c nh tốt hơn xét theo một tiêu chí cụ thể Ví dụ xử lỦ nh để nâng cao chất lượng c a nh chụp X-quang sẽ khác với việc nâng cao chất lượng c a nh chụp c a một vệ tinh để định vị

Nâng cao chất lượng nh là bước cần thiết trong xử lỦ nh nhằm hoàn thiện một

số đặc tính c a nh Nâng cao chất lượng nh gồm hai công đo n: tăng cường nh và khôi phục nh Tăng cường nh nhằm hoàn thiện các đặc tính c a nh như:

 Lọc nhiễu, hay làm trơn nh

 Tăng độ tương ph n, điều chỉnh m c xám c a nh

 Làm nổi biên nh

Có nhiều phương pháp nhằm tăng cường chất lượng c a nh, nhưng tập trung vào hai hướng chính là xử lỦ nh trong miền không gian và xử lỦ nh trong miền tần số Trong miền không gian, nh được xử lỦ trực tiếp trên các pixel Miền tần số sử dụng các phép biến đổi để xử lỦ Toán tử điểm là phép biến đổi đối với từng điểm nh đang xét, không liên quan đến các điểm lân cận khác, trong khi đó, toán tử không gian sử dụng các điểm lân cận để quy chiếu tới điểm nh đang xét Một số phép biến đổi có tính toán ph c t p được chuyển sang miền tần số để thực hiện, kết qu cuối cùng được chuyển tr l i miền không gian nhờ các biến đổi ngược

2.4.1 Lọc nhi u

2.4.1.1 Khái ni m nhi u

Thông thường nh thu nhận có nhiễu cần ph i lo i bỏ nhiễu hay nh không sắc nét bị mờ hoặc cần làm rõ các chi tiết như làm rõ đường biên nh Trước khi xem xét chi tiết các kỹ thuật lọc nhiễu áp dụng, cần phân biệt các lo i nhiễu trong quá trình xử

lỦ nh Trên thực tế tồn t i nhiều lo i nhiễu, tuy nhiên người ta thường phân làm 3 lo i nhiễu chính sau:

 Nhiễu cộng: Nhiễu cộng thường phân bố khắp nh Nếu gọi nh bị nhiễu là Xn,

nh gốc là Xo, nhiễu là , nh thu được có thể biểu diễn b i:

thấp) hay lọc phi tuyến (trung vị, gi trung vị, lọc đồng hình) Từ b n chất c a nhiễu (thường tương ng với tần số cao) và từ cơ s lỦ thuyết lọc là: bộ lọc chỉ cho tín hiệu

có tần số nào đó thông qua do đó, để lọc nhiễu người ta thường dùng lọc thông thấp (theo quan điểm tần số không gian) hay lấy tổ hợp tuyến tính để san bằng (lọc trung bình) Ðể làm nổi c nh ( ng với tần số cao), người ta dùng các bộ lọc thông cao, lọc Laplace

Có hai phương pháp lọc nhiễu chính: Lọc tuyến tính và lọc phi tuyến Do có nhiều lo i nhiễu can thiệp vào quá trình xử lỦ nh nên cần có nhiều bộ lọc thích hợp Với nhiễu cộng và nhiễu nhân ta dùng các bộ lọc thông thấp, trung bình và lọc đồng hình (Homomorphie); với nhiễu xung ta dùng lọc trung vị, gi trung vị, lọc ngoài (Outlier)

 Lọc tuyến tính gồm lọc trung bình và lọc thông d i

Trong lọc trung bình, thường người ta ưu tiên cho các hướng để b o vệ biên c a

nh khỏi bị mờ khi làm trơn nh Các kiểu mặt n được sử dụng tùy theo các trường hợp khác nhau Các bộ lọc trên là bộ lọc tuyến tính theo nghĩa là điểm nh tâm cửa

số sẽ được thay b i tổ hợp các điểm lân cận chập với mặt n

Lọc ngược: là kỹ thuật lọc khôi phục đầu vào c a một hệ thống khi biết đầu ra ( nh thu được hay nh quan sát ) Lọc ngược rất có ích cho quá trình tiền hiệu chỉnh tín hiê ̣u vao trươc những biên da ̣ng gây nên bởi hê ̣ thông Viê ̣c thiêt kê một bộ lọc ngược rât kho khăn vi no không ổn đi ̣nh Ngoài ra còn có bộ lọc gi ngược: do lọc ngược có nhược điểm là không ổn định, nên để khăc phục người ta xây dựng bộ lọc gi ngược và các kỹ thuật lọc làm trơn nh

 Lọc phi tuyến

Các bộ lọc phi tuyến cũng hay được dùng trong kỹ thuật tăng cường nh Trong

kỹ thuật này, người ta dùng bộ lọc trung vị, gi trung vị, lọc ngoài Với lọc trung vị, điểm nh đầu vào sẽ được thay thế b i trung vị các điểm nh còn lọc gi trung vị sẽ dùng trung bình cộng c a 2 giá trị “trung vị” (trung bình cộng c a max và min)

 Kỹ thuật Entropy cực đ i

 Phương pháp Bayesian

 Gi i chập mù

 Lọc thông thấp và thông cao

Bộ lọc thông thấp thường dùng làm trơn nhiễu và nội suy nh Bộ lọc thông cao dùng nhiều trong trích chọn biên và làm trơn nh, còn bộ lọc d i thông có hiệu qu làm nổi c nh Về biên sẽ được trình bày kỹ trong các phần sau Tuy nhiên, dễ nhận thấy, biên là điểm có độ biến thiên nhanh về giá trị m c xám theo quan điểm về tần số tín hiệu Như vậy, các điểm biên ng với các thành phần tần số cao Từ đó, có thể dùng bộ lọc thông cao để c i thiện nhiễu: nghĩa là có thể lọc các thành phần tần số thấp và giữ

l i các thành phần tần số cao Vì thế, lọc thông cao thường được dùng làm trơn biên trước khi tiến thành các thao tác với biên nh

 Lọc Wien

Lọc ngược và lọc gi ngược có một yếu điểm là nh y c m với nhiễu Vì vậy khi

áp dụng bộ lọc này người ta gi định hệ thống là lỦ tư ng không có nhiễu Tuy nhiên, trên thực tế điều này không thể có Do vậy, người ta nghĩ đến dùng kỹ thuật lọc khác cho các hệ thống có nhiễu, và bộ lọc đó gọi là bộ lọc Wien

Bộ lọc Wien cho phép khôi phục nh dựa trên hàm biến đổi H u v( , ) (là biến đổi Fourier c a h(x,y) là hàm đáp ng đặc trưng cho toán tử H trong không gian) và đặc điểm c a nguồn nhiễu Trong kỹ thuật lọc wiener, nh f u v( , )và nhiễu được mô t như các tín hiệu ngẫu nhiên Tín hiệu đầu ra c a bộ lọc là f u vˆ( , ) ph i đáp ng được điều kiện sao cho lỗi trung bình bình phương (MSE – Mean Square Error) c a f u vˆ( , ) và

 Nhiễu và nh gốc là hai tín hiệu ngẫu nhiên độc lập tương hỗ

 Hoặc nh gốc hoặc nhiễu có giá trị trung bình bằng 0

 Hàm biến đổi H u v( , ) là tuyến tính

Khi đó, có thể ch ng mình được MSE là nhỏ nhất khi đáp ng c a bộ lọc được xác định theo biểu th c:

2

2( , )1

2( , ) ( , )

S u v  N u v : hàm mật độ phổ công suất c a nhiễu

2( , ) ( , )

G u v : phổ c a nh đã bị biến đổi và chịu tác động c a nhiễu

nh kết qu là biến đổi Fourier nghịch c a F u vˆ( , ) Trong trường hợp S u v( , )= 0,

bộ lọc wien sẽ biến thành bộ lọc ngược Có thể xác định hai đ i lượng quan trọng là công suất trung bình c a nh gốc và nhiễu là:

với MxN là kích thước ma trận nh và nhiễu

2.4.1.3 Lọc nhi u dùng bi n đổi Wavelet

Gi sử xét 01 nh CT f(m,n) có kích thước MxN bị nhiễu Phép biến đổi Wavelet được áp dụng vào biến đổi cột A c a nh, với A là tập hợp các cột trong nh từ a Kết

qu c a phép biến đổi này ta được ma trận C, thông qua biểu th c sau

C=W N A= (W N a 1 , W N a 2 ,…, W N a N ) (2.20) Sau khi biến đổi Wavelet cột A c a nh được bốn nh B, V, H, D trong đó B là

nh xấp xỉ, H là phần sai lệch giữa 02 điểm nh liên tiếp t i mỗi dòng c a nh, V là phần sai lệch giữa 02 điểm nh liên tiếp t i mỗi cột c a nh, D là phần sai lệch giữa 02 điểm nh liên tiếp theo đường chéo c a nh

GAG GAH

HAG HAH

D V

H B G

H A G

H AW

10

000

002

12

100

000

02

121

2

12

10

000

002

12

100

000

02

121

(2.22)

Sau khi biến đổi Wavelet được các nh phụ, quan sát trên các nh phụ kết hợp với biến đổi Histogram các nh phụ ta chọn ngưỡng và tiến hành lọc nh theo công th c 2.θ Sau đó tiến hành biến đổi ngược tr l i như nh ban đầu với nhiễu đã được gi m

đi

2.4.2 Bi u đ Histogram

Histogram là biểu đồ cho phép xác định số lượng m c gray có trong một nh

Nếu có nh hai chiều đơn sắc f(x,y) có M dòng, N cột thì Histogram H f (n) được xác định như sau:

255, ,1,0

).()

(

1

0 1

H

M

x N

y d

0)(0

01

)(

n f

d

MN n

H khác

k khi k

0

1)(

)(

1)(

n f

f f

n h

n H MN n

h

(2.25)

Phương pháp này được sử dụng nhằm làm tăng cường độ tương ph n toàn cục

c a b c nh, nó đặc biệt có Ủ nghĩa trong tình huống dữ liệu đầu vào có giá trị điểm

nh co cụm, độ tách b ch hình nh thấp Điều này có thể được nhận thấy rõ thông qua thể hiện c a biểu đồ histogram Khi nhận được một histogram c a một hình đa m c xám với d i giá trị điểm nh không phân tán đều [0-2ηη] mà chỉ tập trung trong một phân đo n ngắn điều đó có nghĩa là nhiều kh năng ta đang có một nh có độ tương

ph n thấp Mục tiêu c a cân bằng Histogram là giúp biến đổi b c nh có độ tương

ph n thấp thành b c nh có độ tương ph n cao hơn bằng cách tr i đều giá trị c a pixel làm chúng phân tán trên vùng giá trị rộng hơn, thay vì co cụm mà vẫn giữa được nội dung b c nh

Phương pháp này có ưu điểm c a sự đơn gi n, trong sáng, tính toán không nặng

nề, cho phép phục hồi l i tr ng thái ban đầu c a nh trong tình huống cần thiết Tuy nhiên nó l i có một khuyết điểm rất quan trọng, đó là nó dễ dàng làm tăng độ tương

ph n c a nhiễu trong nền c a nh và gi m các chi tiết hữu ích trong nh

2.4.3 Giá tr Entropy

Thông tin trong nh h(p n ) với n=0,1,2,…255 là giá trị là giá trị ch a lượng thông

tin truyền đ t b i mỗi m c gray trong nh hai chiều Giá trị này được tính bằng công

n

n p n

p

Từ nh CT ban đầu, ta xác định biểu đồ Histogram và Histogram chuẩn hóa c a

nó Qua đó có thể xác định m c gray c a nh, đánh giá các thông tin trên và tìm được giá trị Entropy

2.5 Phát hi n biên nh

2.5.1 Khái ni m biên nh

Đi m biên nh là điểm nh có sự thay đổi đột ngột về m c xám Kỹ thuật dò

biên là một phần rất quan trọng trong phân tích hình nh và đã có rất nhiều nghiên c u

về nó Biên la nơi phân tach giữa hai vung co mưc xam tương đôi khac nhau Để xac

đi ̣nh đôi giơi ha ̣n của một đôi tượng ảnh, ngươi ta căn cư vao đương biên của đôi tượng

nh Biên của đôi tượng cho biêt kha nhiêu thông tin đă ̣c trưng của đôi tượng vi vâ ̣y quá trình nhận d ng thường dựa vào đường biên c a đối tượng Xét về mặt tín hiệu thì

biên của ảnh tâ ̣p hợp cac điểm ma ta ̣i đo xac đi ̣nh một sự thay đổi đột ngột vê cương độ sáng Đây la cơ sở cho cac kỹ thuâ ̣t tim biên

Đường biên: tập hợp các điểm biên liên tiếp t o thành một đường biên hay đường bao

a) Đường biên lỦ tư ng b) Đường biên bậc thang c) Đường biên thực tế

Hình 2.18 Các loại đường biên của ảnh

Biên là một phần đặc biệt quan trọng trong xử lỦ nh, hầu như trước khi sử dụng các thuật toán phát hiện biên ph i tr i qua một bước tiền xử lỦ, đó là quá trình lo i bỏ nhiễu Cơ s c a các phép toán phát hiện biên đó là quá trình biến đổi về giá trị độ sáng

c a các điểm nh T i điểm biên sẽ có sự biến đổi đột ngột về m c xám Đây chính là

cơ s c a kỹ thuật phát hiện biên Xuất phát từ cơ s này, có hai phương pháp phát hiện biên tổng quát, đó là phương pháp phát hiện biên trực tiếp và phương pháp phát hiện biên gián tiếp

2.5.2 Ph ng pháp phát hi n biên

 Ph ng pháp phát hi n biên gián ti p

Là quá trình phân vùng dựa vào phép xử lỦ kết cấu đối tượng, cụ thể là dựa vào

sự biến thiên nhỏ và đồng đều độ sáng c a các điểm nh thuộc một đối tượng Nếu các vùng c a nh được xác định thì đường phân ranh giữa các vùng đó chính là biên nh cần tìm Việc phát hiện biên và phân vùng đối tượng là hai bài toán đối ngẫu Từ phát hiện biên ta có thể tiến hành phân lớp đối tượng, như vậy là đã phânvùng được nh Và ngược l i, khi đã phân vùng được nh nghĩa là đã phân lập đượcthành các đối tượng, từ