Biến đổi Curvelet và hướng ứng dụng cho xử lý ảnh tt

Biến đổi Curvelet kết hợp kết hợp phân đoạn biểu đồ Histogram để khử nhiễu ảnh Đối tượng nghiên cứu Nhằm đạt được các mục tiêu nghiên cứu của luận án, các thuật toán xử lý ảnh dựa trên

2 Mục tiêu, đối tượng phương pháp và phạm vi nghiên cứu

Mục tiêu nghiên cứu:

Nghiên cứu các thành phần của biến đổi Curvelet dựa trên sự tổng quát hóa biến đổi Wavelet cho lớp hàm liên tục tồn tại các kỳ dị tuyến tính theo đường cong Nghiên cứu về biến đổi Curvelet và ứng dụng chống rung ảnh 3D đảm bảo cho ảnh không bị rung (mờ) bảo toàn các thuộc tính đầu vào của ảnh, đặc biệt, tăng cường tính bền vững trên cơ sở biến đổi Curvelet Đề xuất phương pháp xử lý ảnh võng mạc dựa trên biến đổi Curvelet kết hợp lọc khuếch tán phi tuyến và thuật toán tối ưu theo tiêu chí Minimax để nâng cao, cải thiện chất lượng ảnh Biến đổi Curvelet kết hợp kết hợp phân đoạn biểu đồ Histogram để khử nhiễu ảnh

Đối tượng nghiên cứu

Nhằm đạt được các mục tiêu nghiên cứu của luận án, các thuật toán xử lý ảnh dựa trên biến đổi Curvelet gồm: Mô hình hóa thông qua các điểm đột biến và hiệu ứng biên sườn trong ảnh, cùng với đó biến đổi Wavelet footprint rời rạc có hướng cũng được xem là cơ sở để thực hiện phương pháp đề xuất Theo đó, đối tượng nghiên cứu chính của luận án liên quan trực tiếp đến biến đổi Curvelet kết hợp với lọc khuếch tán phi tuyến, thuật toán tối ưu theo tiêu chí Minimax và biểu đồ phân đoạn Histogram để khử nhiễu ảnh, nâng cao, cải thiện chất lượng ảnh

Phương pháp nghiên cứu

Phương pháp nghiên cứu được sử dụng trong luận án là nghiên cứu lý thuyết với phương pháp giải tích biểu diễn ảnh và hiệu quả của các thuật toán đề xuất, kiểm nghiệm thông qua các kết quả mô phỏng

3 Các đóng góp khoa học của luận án

• Đề xuất thuật toán khử nhiễu ảnh bảo toàn biên sườn bằng phương pháp hỗn hợp Curvelet và khuếch tán phi tuyến

• Đề xuất thuật toán chống rung ảnh 3D dựa trên biến đổi Curvelet đảm bảo cho ảnh không bị rung (mờ) bảo toàn các thuộc tính đầu vào của ảnh

• Đề xuất phương pháp xử lý ảnh võng mạc dựa trên biến đổi Curvelet kết hợp lọc khuếch tán phi tuyến và thuật toán tối ưu theo tiêu chí Minimax để nâng cao, cải thiện chất lượng ảnh

• Đề xuất phương pháp khử nhiễu ảnh dựa trên biến đổi Curvelet kết hợp biểu đồ phân đoạn Histogram

4 Cấu trúc của luận án

Luận án gồm: Phần mở đầu, 3chương, kết luận chung, danh mục các bài báo đã công bố liên quan đến luận án, tài liệu tham khảo

B NỘI DUNG CHÍNH CỦA LUẬN ÁN Chương 1: Tổng quan

Chương này trình bày 3 nội dung chính Thứ nhất, làm rõ bản chất tín hiệu và những thách thức trong việc mô hình hóa và xử lý tín hiệu Thứ hai, khái quát về các đề xuất liên quan đến biến đổi Wavelet có hướng, tái tạo tín hiệu (reconstruction), hiển thị tín hiệu và các ứng dụng thực tiễn của biến đổi Wavelet có

2

hướng trên cơ sở tham chiếu tới những công bố của các tác giả trước và hệ thống hóa những hạn chế và tồn tại cần giải quyết Thứ ba, về định hướng giải quyết nâng cao hiệu năng một số ứng dụng xử lý tín hiệu trên

cơ sở mô hình, cấu trúc hệ thống và xử lý tín hiệu

Chương 2: Biến đổi Curvelet

Hầu hết ảnh/tín hiệu tự nhiên đưa ra biên thẳng, không liên tục trên đường cong Hiện tượng bám theo xuất hiện khi ta tải các hình ảnh về đây là kết quả chủ yếu từ khả năng xử lý kém của các wavelet trong việc điều khiển dòng các kỳ dị

Biến đổi wavelet sinh ra những biểu diễn ảnh rời rạc, và cung cấp con đường hiệu quả để nhận biết

sự cục bộ, định hướng và lọc xen kẽ dữ liệu khả dụng Tuy nhiên, các wavelet không hỗ trợ lựa chọn hướng tốt Nên, mã hóa rời rạc đa tỷ lệ có hướng là sự kỳ vọng trong lĩnh vực này

Kỹ thuật phổ biến nhất, được sử dụng đầu tiên để tách các đường bao, là lọc tuyến tính, được phản ánh trong các mô hình được sử dụng trong các hệ thống thị giác sinh học Các đối tượng với các tỷ lệ khác nhau xuất hiện từ xử lý vật lý riêng biệt Dẫn đến việc sử dụng lọc không gian tỷ lệ và biến đổi wavelet đa phân giải

Theo các tác giả trước phân tích hình học đa phân giải, được đặt tên là biến đổi curvelet, được đề nghị để khắc phục những hạn chế của biến đổi wavelet rời rạc hai chiều thường gặp

Trong khung hai chiều (2D), biến đổi curvelet cho phép tối ưu hầu hết sự biểu diễn thưa thớt của các đối tượng với các kỳ dị dọc theo đường cong mịn

Theo các tác giả trước thì kết hợp với các phương pháp khác, hiệu suất tuyệt vời của biến đổi curvelet thu được trong xử lý ảnh Không giống như các phần tử đẳng hướng của các wavelet, các phần tử hình kim của biến đổi này có độ nhạy hướng rất cao và dị hướng Các phần tử này rất hiệu quả trong việc biểu diễn các biên giống đường thẳng Gần đây, biến đổi curvelet còn được mở rộng ra ba chiều (3D)

Do vậy hiển nhiên một câu hỏi được đặt ra là “Chúng ta có thể mở rộng biến đổi wavelet có tính định hướng tốt hơn không, trong khi vẫn giữ nguyên cấu trúc và các tính năng mong muốn ?” Chúng ta sẽ có câu trả lời bằng cách xem xét một sự mở rộng định hướng đơn giản cho biến đổi wavelet (DEW)

2.2 Sự mở rộng tính định hướng trong trường hợp 2 chiều

Cách xây dựng wavelet 2-D thông thường là áp dụng tích tensor của các thành phần 1 chiều Lợi ích của cách tiếp cận này là sự lấy mẫu của nó Tuy nhiên, điều này cũng bắt buộc phải chấp nhận sự hạn chế nghiêm trọng về tính định hướng của đáp ứng tần số

LH LH

LH

LH

HH HH

4 3 0

Hình 2.1: Sự phân chia của phổ tần số 2 chiều (a)Biến đổi wavelet có tính phân tách; (b)Biến

đổi wavelet định hướng đề xuất

Trên hình 2.1(a), biến đổi wavelet 2 chiều gồm 1 băng con thông thấp (LL) và 3 băng con thông cao (HL,

LH, HH), ứng với phương ngang, phương dọc và phương chéo Ý tưởng chính ở đây là tìm những sự mở rộng tính định hướng để phân chia sâu hơn mỗi băng con thông cao của biến đổi wavelet thành 2 nhánh Theo các tác giả trước sự phân tách tần số bởi biến đổi wavelet phức nhánh 2 chiều, được thực hiện thành công trong nhiều ứng dụng xử lý ảnh Tuy nhiên nó làm tăng sự dư thừa 4 lần và sử dụng cấu trúc băng lọc khác so với wavelet thông thường

Do đó phải mở rộng định hướng cho wavelet trong 2 trường hợp đó là giới hạn mẫu và không phân

rã

2.3 Wavelet footprint

Chúng cho thấy rằng những đoạn đa thức rời rạc về lý thuyết là tổ hợp tuyến tính của vài footprint và những footprint này có thể hiểu như là đặc tính xấp xỉ tốt và mở rộng hoàn toàn

Xem xét đầu tiên chứa từng đoạn tín hiệu x n ,n  0,N 1− với duy nhất một điểm gián đoạn tại vị trí

k Xem xét tín hiệu có điểm gián đoạn wavelet ở mức J với wavelet Haar:

f với hệ số wavelet tại cùng tỷ

lệ không gian với hệ số của ( ) 0

k

f Hơn nữa footprint còn được thiết kế để đảm bảo hai điều kiện sau:

(d) k (i) (j)

2.4 Các wavelet cổ điển và các curvelet

Biến đổi wavelet rời rạc có ưu điểm nổi trội là một công cụ cho các phân tích toán học và xử lý tín hiệu, nhưng nhược điểm là sự hạn chế về hướng, điều rất cần thiết trong rất nhiều các ứng dụng

Tuy vậy, theo các tác giả trước các biến đổi wavelet phức không được xử dụng rộng rãi trước đây, về rất khó để thiết kế các wavelet phức với việc tái cấu trúc các tính chất hoàn hảo và các đặc tính bộ lọc tốt

4

Các wavelet phức 2D xây dựng bởi sử dụng các tích tenxo các wavelet 1D Sự lựa chọn hướng được cung cấp bởi các wavelet phức (6 hướng) tốt hơn so với biến đổi wavelet rời rạc cổ điển DWT (ba hướng), nhưng còn hạn chế biến đổi wavelet hình học dị hướng, hay còn gọi là biến đổi ridgelet Biến đổi ridgelet tối ưu trong việc biểu diễn đường thẳng các kì dị Biến đổi này có sự lựa chọn hướng tuỳ ý cung cấp giải pháp để phân tích các kỳ dị có hướng cao hơn

2.5 Biến đổi Curvelet liên tục trong

W(r)

cos (3r 4) 4 / 3 r 5 / 3,2

Trường hợp đơn giản v x ( ) = x trong   0,1 , các hàm cửa sổ V t ( ) và W r ( )được biểu diển trên hình 2.8

Hình 2.8 Cửa sổ Ul( )  (bên trái) và hình chiếu đứng (bên phải)

Vì biến đổi Curvelet liên tục chứa vô hạn các hệ số Curvelet a,b,,f nên nó không thích hợp cho các ứng dụng thực thế Ta cần rời rạc hóa biến đổi Curvelet liên tục Biến đổi Curvelet được ứng dụng để phân tích các điểm kỳ dị khác nhau của các hàm hai chiều dọc theo các đường và dọc theo các đường cong trơn

2.7 Biến đổi Curvelet nhanh

Với các ứng dụng số ta cần rời rạc hoá biến đổi curvelet liên tục, khi ta làm việc thường xuyên với các tập

dữ liệu rời rạc trong các ứng dụng này Phiên bản rời rạc của biến đổi curvelet liên tục có thể được dẫn xuất

từ việc lấy mẫu thích hợp tại khoảng các tỷ lệ, các định hướng, các vị trí

Lựa chọn này sẽ dẫn đến hệ thống Curvelet rời rạc với khung kín, tức là mọi hàm f  L2( ) R sẽ có biểu diễn bởi loạt Curvelet Do đó, biến đổi Curvelet rời rạc sẽ có tính thuận nghịch

Đối với biến đổi liên tục, ta xác định các cửa sổ tỷ lệ trong tọa độ cực:

Để mô phỏng điều này trên tín hiệu kiểm tra, chúng ta xây dựng hai xung thời gian rời rạc dịch chuyển

có chiều dài 128 mẫu Một tín hiệu có xung đơn vị là 60 mẫu, tín hiệu còn lại có xung đơn vị là 64 mẫu Cả

hai tín hiệu đều có năng lượng đơn vị (qui ước l 2)

Chúng ta có tín hiệu DWT và DT-CWT theo 3 bậc với các bộ lọc tỷ lệ và wavelet có độ dài 14 mẫu Thêm vào đó so sánh các hệ số chi tiết của bậc 3 Dưới đây là biểu đồ các giá trị tuyệt đối của các hệ số DWT và DT-CWT đối với 2 tín hiệu tại bậc 3 và tính toán năng lượng của các hệ số

Hình 2.12: So sánh thay đổi tín hiệu DWT

Hình 2.13: So sánh thay đổi tín hiệu DT CWT

2.8.2 Tính chọn hướng trong xử lý ảnh

Việc thực hiện tiêu chuẩn của DWT sử dụng bộ lọc phân giải các cột và các hàng của hình ảnh Các wavelet LH, HL, HH cho “Daubechies” kém bất đối xứng pha wavelet với 4 khoảnh khắc biến mất (sym4) được thể hiện trong hình dưới đây

6

Hình 2.19: Các wavelet phân giải 2-D DWT lấy mẫu đánh giá

Các wavelets LH và HL có định hướng ngang và dọc rõ ràng tương ứng Tuy nhiên, các wavelet HH trên những kết hợp về bên phải của cả hai hướng +45 và -45 độ, sinh ra một tạo tác bàn cờ Sư kết hợp định hướng này là do việc sử dụng các bộ lọc phân giải giá trị thực Các bộ lọc giá tri thực HH có dải phổ trong tất cả bốn góc tần số cao của mặ phẳng tần số 2-D

DT-CWT được tính chọn hướng bằng cách sử dụng các wavelet xấp xỉ phân giải Điều đó có nghĩa là chúng chỉ hỗ trợ trên một nửa của trục tần số DT-CWT, có 6 băng con cho cả phần thực và phần ảo Sáu phần thực được hình thành bằng cách cộng vào các đầu ra của bộ lọc cột được theo sau liên tiếp bởi bộ lọc hàng của ảnh đầu vào trong hai cây Sáu phần ảo được hình thành bằng cách trừ đầu ra của bô lọc cột được theo sau liên tiếp bởi bô lọc hàng Kết quả tiếp theo biểu diễn tính định hướng của 12 wavelet tương ứng với các phần thực và ảo của DWT cây kép định hướng phức

Hình 2.20: Các wavelet 2-D cây kép phức định hướng

2.8.3 Biểu diễn biên

Các phân giải gần đúng và định hướng chọn lọc của các wavelet cây kép phức cho thấy hoạt động vượt trội so với tiêu chuẩn 2-D DWT trong biểu diễn biên ảnh Để minh họa điều này, chúng ta phân tích các bức ảnh với các biên bao gồm đường thẳng và đường cong kỳ dị theo nhiều hướng sử dụng biến đổi cây kép định hướng phức 2 chiều và DWT 2 chiều (2-D DWT và 2-D DT-CWT) Đầu tiên, chúng ta phân tích ảnh một khối hộp tam giác với các đường thẳng kỳ dị

7

Hình 2.21: Ảnh biên thẳng ban đầu

Phân giải ảnh xuống bậc 4 và khôi phục ảnh xấp xỉ dựa trên các hệ số chi tiết bậc 4

Hình 2.22: Biên được khôi phục sử dụng 2-D DT CWT và 2-D DWT

Tiếp theo, chúng ta phân tích một hình bát giác với cạnh hyperbolic Các cạnh của bát giác này là các đường cong kỳ dị

Hình 2.23: Ảnh Hyperbolic ban đầu

Chúng ta lại tiến hành phân giải ảnh xuống bậc 4 và khôi phục ảnh xấp xỉ dựa trên các hệ số chi tiết bậc 4 đối với cả hai phương pháp

Hình 2.24: Kết quả trên các đường cong kì dị

8

Nhận xét: Các hệ số vòng hiển nhiên trong DWT lấy mẫu đánh giá 2 chiều thì không xuất hiện trong

biếu đổ cây kép phức 2 chiều đối với cả 2 ảnh DWT cây kép định hướng phức khôi phục đường thẳng và đường cong kỳ dị tốt hơn nhiều

2.9 Kết luận chương

Chương 2 đã trình bày về biến đổi wavelet thế hệ mới Ngoài ra còn trình bày đề xuất nâng cao hiệu năng của phép loại trừ nhiễu trên cơ sở biến đổi Wavelet footprint rời rạc có hướng Vấn đề mở rộng tính định hướng được đề cập tới cung cấp một công cụ nâng cao hiệu quả tính định hướng của biến đổi Wavelet Đồng thời trình bày cấu trúc của biến đổi Curvelet, ưu điểm của biến đổi Curvelet so với biến đổi Wavelet cơ bản và các biến đổi Wavelet định hướng khác Nghiên cứu các tính chất và các khía cạnh kỹ thuật của biến đổi Curvelet để nhận dạng và tách biên ảnh Cuối cùng, trình bày sự thống nhất giữa kết quả mô phỏng với lý thuyết, minh chứng tính ưu việt của mô hình đề xuất

CHƯƠNG 3 ỨNG DỤNG

Chống rung loại trừ nhiễu và tăng cường ảnh là các nhiệm vụ quan trọng trong xử lý ảnh nhằm khôi phục tin cậy ảnh quan sát được dưới tác động của các loại nhiễu.Theo các tác giả trước đã có nhiều phương pháp, nhiều thuật toán tối ưu đề xuất xử lý tín hiệu trong miền tần số (lọc Wiener), miền Wavelet, làm trơn

Gauss,… loại trừ nhiễu mà vẫn bảo toàn các thuộc tính quan trọng của ảnh đầu vào

Biến đổi Curvelet, kế thừa từ biến đổi Wavelet, hiệu quả trong việc biểu diễn các đột biến dọc theo các biên sườn trong ảnh Đã có nhiều nghiên cứu ứng dụng biến đổi Curvelet loại trừ nhiễu ảnh thông thường, ảnh cộng hưởng từ (MR), ảnh CT mang lại kết quả tốt

Trong khung hai chiều (2D), biến đổi curvelet cho phép tối ưu hầu hết sự biểu diễn thưa thớt của các đối tượng với các kỳ dị dọc theo đường cong mịn

Cùng với biến đổi Curvelet, còn có các công cụ xử lý ảnh được xây dựng từ phương trình vi phân từng phần (PDE) Phần lớn các nghiên cứu áp dụng phương trình vi phân từng phần để loại trừ nhiễu tín hiệu (1D, 2D, 3D, MD) đều nhằm vào việc bảo vệ các thuộc tính đột biến của tín hiệu – các điểm kỳ dị (singularities) Đối với ảnh 2D, đó là các biên sườn (edges) Theo cách tiếp cận tiên đề, xuất hiện tập các tiên đề riêng dẫn đến nghiệm của phương trình vi phân từng phần ứng dụng trong loại trừ nhiễu tín hiệu Theo các tác giả trước các tiên đề có cấu trúc và hình thái nhằm đảm bảo quá trình trở thành semigroup đủ mềm mại Nguyên lý

“Minimum–Maximum” là một trong các tiên đề quan trọng, trong đó, phải đảm bảo không tạo ra cực trị địa phương tại bất kỳ thời điểm nào để không xuất hiện thành phần phụ không mong muốn (artifact) ở tín hiệu được khuếch tán Nguyên lý này còn đảm bảo, cực trị toàn cục dọc theo tiến trình của tín hiệu theo thời gian

bị giới hạn bởi cực trị toàn cục ở tín hiệu khởi tạo với tín hiệu có bất kỳ chiều, và là hàm không giảm (cực trị

là minimum) hoặc không tăng (cực trị là maximum) nhằm đảm bảo tính bền vững của khuếch tán phi tuyến

3.2 Ứng dụng

3.2.1 Khử nhiễu ảnh bảo toàn biên sườn bằng phương pháp hỗn hợp Curvelet và khuếch tán phi

tuyến

3.2.1.2 Thuật toán loại trừ nhiễu hỗn hợp Curvelet và khuếch tán phi tuyến

Thuật toán hỗn hợp chi tiết như sau :

B1 : Tạo thông tin cấu trúc ảnh : Tensor khuếch tán D là một ma trận phụ thuộc vào các giá trị riêng và

các vector riêng của tensor cấu trúc, tính theo biểu thức (3.9) với các vector

riêng v 1

-2 2

B3: Tạo các mảng (array) biên ảnh 1D từ các điểm ảnh liền kề

B4: Curvelet shrinkage: Tính hệ số Curvelet theo ba bước [62]

B4.1: Tính các hệ số Fourier dm( )f của f dùng FFT 2D

c− f không phụ thuộc biên ảnh (theo hệ số kết hợp c)

B6: Biến đổi ngược Curvelet khôi phục ảnh ban đầu

B7: Khuếch tán phi tuyến ảnh nhận được từ bước 6

B8: Hiệu chỉnh biên sườn bằng Wavelet 1D trên tập ảnh liền kề (bước 3)

3.2.1.3 Kết quả mô phỏng

Mô phỏng được thực hiện bằng chương trình Matlab nhằm đánh giá hiệu quả của phương pháp đề xuất so với các phương pháp khác bao gồm: Loại trừ nhiễu bằng biến đổi Wavelet, loại trừ nhiễu bằng biến đổi Curvelet, khuếch tán phi tuyến Ảnh đầu vào là bộ ảnh gray (bao gồm: Lena, Barbara, Boat, Cameraman, House) kích thước 512x512 bao gồm các biên sườn Nhiễu tác động là nhiễu Gauss trị trung bình không và

độ lệch chuẩn hóa  =n 0.01(dùng hàm imnoise trong Matlab) Tham số đánh giá là PSNR (dB) và hiệu ứng

biên sườn trực quan Hình 3.1 minh họa hiệu ứng loại trừ nhiễu bảo vệ biên sườn, trong đó (a) ảnh gốc, (b) Ảnh nhiễu (20.7 dB), (c) Wavelet DB4 (23.9931 dB), (d) Curvelet (29.5928 dB), (e) Loại trừ bằng phương pháp lọc khuếch tán phi tuyến NLDF (24.5419 dB), (f) Loại trừ nhiễu bằng phương pháp đề xuất (27.4950 dB) Nhận thấy, phương pháp loại trừ nhiễu bằng Curvelet cho tỉ số PSNR cao nhất Tuy nhiên, phương pháp hỗn hợp có tỉ số PSNR thấp hơn lại cho hiệu quả biên sườn cao hơn Minh họa hiệu quả bảo vệ biên sườn

được biểu diễn trên hình 3.2 Bảng 1 trình bày các kết quả mô phỏng tính toán PSNR cho bộ ảnh đầu vào

(*)NLDF : Khuếch tán phi tuyến

Hình 3.1: (a)Ảnh gốc, (b)Ảnh nhiễu (20.7dB), (c)Wavelet DB4 (23.9931dB),(d) Cuvelet (29.5928dB), (e)

NLDF (24.5491dB), (f)Đề xuất (27.4950dB)

10

Hình 3.2: Chi tiết được làm rõ (a)Wavelet DB4, (b)Curvelet, (c)NLDF,(d)Phương pháp đề xuất

3.2.2 Chống rung ảnh Stereo bằng khuếch tán phi tuyến

3.2.2.3 Thuật toán chống rung ảnh Stereo bằng Curvelet

Ý tưởng chính của phương pháp này về mặt lập trình là sử dụng hàm “deconvwnr”để khôi phục lại bức ảnh bị rung (mờ)

Các bước thuật toán thực hiện như sau:

Bước 1: Đọc ảnh đầu vào

Bước 2: Mô phỏng chuyển động mờ (motion blur)

Bước 3: Mô phỏng tác động mờ lên ảnh

Bước 4: Khôi phục giả lập không nhiễu sử dụng NSR (Noise power to signal power ratio) = 0

Bước 5: Khôi phục sử dụng một ước lượng tốt hơn về NSR bằng Curvelet

3.2.2.4 Các tham số đánh giá chất lượng ảnh

3.18

2 1

ảnh gốc và ảnh được khôi phục, với kích thước MxN pixel RMSE càng nhỏ càng tốt

( )

n

3.19PSNR = 20log

(A-1): Xử lý với ảnh 2D

(Tiến trình 1): Tách biên ảnh 2D

(a)Ảnh ban đầu (b)Ảnh tách biên

Hình 3.4: Kết quả tách biên 2D bằng Curvelet

(Tiến trình 2): Tác động nhiễu và khôi phục biên bằng biến đổi Curvelet

Phần này chương trình mô phỏng sẽ thực hiện tác động nhiễu vào ảnh tách biên và khôi phục ( chống rung-khử nhiễu) biên ảnh

11

Hình 3.5: Kết quả khôi phục biên ảnh bằng biến đổi Curvelet

Nhận xét: Từ kết quả trên chúng ta dễ dàng nhận thấy ảnh qua quá trình khử nhiễu và hồi phục biên

bằng biến đổi Curvelet cho chất lượng tốt, có biên mịn hơn ảnh gốc

(A-2): Xử lý với ảnh Stereo

(Tiến trình 1): Tách ảnh Stereo thành các ảnh 2D

Ảnh Stereo có đuôi *.jps là các file ảnh được ghép bởi 2 ảnh *.jpeg được chụp bởi camera trái và camera phải 2 ảnh *.jpeg này được phân biệt với nhau bởi 2 kênh màu khác nhau, cụ thể là ảnh trái thuộc kênh đỏ (red channel) và ảnh phải thuộc kênh xanh cyan (cyan channel) Vì vậy dựa vào 2 kênh ảnh này ta

có thể tách 1 ảnh Stereo có đuôi *.jps thành 2 ảnh *.jpg

Hình 3.6: Ảnh 3D đầu vào

(a) Hình chụp được từ camera trái (b) Hình chụp được từ camera phải

Hình 3.7: Hình chụp từ camera trái và phải

(Tiến trình 2): Tách biên từ ảnh Stereo và khôi phục biên lý tưởng bằng Curvelet

• Sơ đồ thực nghiệm đơn giản

Hình 3.8: Sơ đồ thực nghiệm

❖ Kết quả thực nghiệm tách biên với ảnh không nhiễu

12

(a)Ảnh ban đầu (b)Ảnh tách biên (c)Chi tiết ảnh tách biên

Hinh 3.9: Kết quả tách biên ảnh không nhiễu bằng Curvelet

❖ Kết quả thực nghiệm khôi phục biên lý tưởng

(c)Chi tiết ảnh ban đầu (d)Chi tiết ảnh khôi phục

Hình 3.10: Kết quả khôi phục biên lý tưởng bằng Curvelet

Nhận xét: Từ kết quả trên, ta dễ dàng nhận ra ảnh khôi phục cho kết quả biên mịn hơn, mềm mại hơn

ảnh biên ban đầu

(Tiến trình 3): Tác động nhiễu và khôi phục ảnh Stereo bằng Curvelet

Phần này chúng ta sẽ thực hiện tác động nhiễu lên ảnh Stereo ( ảnh *.jpg tách từ ảnh *.jps ) và khôi phục lại ảnh Chương trình sẽ nạp file ảnh *.jps, sau đó tách thành 2 file ảnh *.jpg, tiếp theo là tác động nhiễu với 3 loại nhiễu ( nhiễu ngẫu nhiên, nhiễu cộng Gauss, và nhiễu nhân Gauss ), và cuối cùng là thực hiện khử nhiễu, khôi phục lại ảnh

Dưới đây là kết quả của chương trình: