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

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Thêm vào BST

Báo xấu

15
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Tăng cường chất lượng ảnh tối dựa trên không gian màu HSI và tối ưu hóa bầy đàn PSO 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, sau đó được chuyển sang miền HSI.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: 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 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 2. KIẾN THỨC NỀN TẢNG Tăng cường chất lượng ảnh là một trong 2.1. Giải thuật tối ưu hóa bầy đàn những nhiệm vụ quan trọng của xử lý ảnh. Nó Phương pháp tối ưu bầy đàn được đề xuất bao gồm các kỹ thuật như: tăng cường độ bởi J. Kennedy [1] và đồng nghiệp, là một tương phản, khử nhiễu, và làm nổi biên. Các trong những thuật toán xây dựng dựa trên khái bức ảnh chụp vệ tinh có thể không đạt được niệm trí tuệ bầy đàn để tìm kiếm lời giải cho chất lượng tốt như bị tối và mờ trong những các bài toán tối ưu hóa trên một không gian trường hợp về điều kiện thời tiết không thuận tìm kiếm nào đó. Phương pháp tối ưu bầy đàn lợi như có sương mù và thiếu ánh sáng. Bài là một dạng của các thuật toán tiến hóa quần báo này đề xuất một phương pháp mới tăng thể, với sự tương tác giữa các cá thể trong một cường chất lượng ảnh thông qua kết hợp các quần thể để khám phá một không gian tìm phương pháp tăng cường chất lượng ảnh cơ kiếm. PSO là kết quả của sự mô hình hóa việc bản. Ảnh tối ban đầu trên miền RGB được đàn chim bay đi tìm kiếm thức ăn cho nên nó chuẩn hóa để đưa về miền [0, 1], sau đó được thường được xếp vào các loại thuật toán có sử chuyển sang miền HSI. Từ kênh cường độ dụng trí tuệ bầy đàn. Thuật toán này đã được sáng I, tiến hành tạo ra các ảnh được tăng áp dụng thành công trong nhiều lĩnh vực. cường sử dụng các kĩ thuật cơ bản: ảnh I1 sử PSO được khởi tạo bằng một nhóm cá thể dụng kỹ thuật cân bằng Histogram, ảnh I2 sử ngẫu nhiên và sau đó tìm nghiệm tối ưu bằng dụng kỹ thuật cải thiện độ tương phản bằng cách cập nhật các thế hệ. Trong mỗi thế hệ, hàm logarit, ảnh I3 sử dụng kĩ thuật cải thiện độ mỗi cá thể được cập nhật theo hai vị trí tốt tương phản bằng hàm logarit ngược, và ảnh I4 nhất là Pbest và Gbest . Trong đó, giá trị thứ sử dụng kĩ thuật Laplace để tăng cường độ sắc nhất là vị trí tốt nhất mà nó đã từng đạt được nét. Giải thuật tối ưu hóa bầy đàn PSO sẽ được cho tới thời điểm hiện tại, gọi là Pbest . Một áp dụng để tìm ra các tham số tối ưu:  1 ,  2 , nghiệm tối ưu khác mà cá thể này bám theo  3 , 4 tương ứng với các ảnh I1, I2, I3, I4 nhằm là nghiệm tối ưu toàn cục Gbest, đó là vị trí tốt tối ưu hóa hàm chỉ số tương phản Michelso nhất trong cả quá trình tìm kiếm cả quần thể 2 từ trước tới thời điểm hiện tại. Nói cách khác, J  Q  H    H1  H 2  , với H1 là entropy mỗi cá thể trong quần thể cập nhật vị trí của  theo vị trí tốt nhất của nó và cả quần thể tính của ảnh trước khi tăng cường, và 2 , , H2 lần tời thời điểm hiện tại. Cụ thể sau mỗi cập lượt là phương sai, trung bình, và entropy của nhật các thế hệ, vận tốc và vị trí của mỗi cá ảnh sau khi tăng cường. Tạo ra ảnh Ith được thể được cập nhật theo các công thức sau: biểu diễn tổng hợp từ các ảnh I1, I2, I3, I4 và các Vik 1   Vik  c1  r1   Pbest _ i  Xi  k k tham số tối ưu 1, 2, 3, 4 tương ứng. Sau đó (1) kết hợp các kênh H, S, và Ith rồi chuyển ngược  c2  r2   G kbest  X ki  trở lại miền RGB để thu được ảnh tăng cường. X ki 1  X ki  Vik 1 (2) Thực nghiệm cho thấy phương pháp đề xuất không chỉ cải thiện tốt về độ tương phản mà trong đó: còn cho đường biên của ảnh sắc nét. X ki : Vị trí cá thế thứ i tại thế hệ k. 142
Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3 Vik : Vận tốc cá thế thứ i tại thế hệ k. 2.2.4. Độ sắc nét của ảnh X ki 1 : Vị trí cá thế thứ i tại thế hệ k+1. Độ sắc nét của ảnh được tính bằng công Vik 1 : Vận tốc cá thế thứ i tại thế hệ k+1. thức: 1 k Pbest _i : Vị trí tốt nhất của cá thể thứ i tại G  G uv và G uv  u 2  v 2 M N thế hệ k. trong đó: G kbest : Vị trí tốt nhất trong quần thể tại thế u = I (u, v) – I (u + 1, v) hệ k. v = I (u, v) – I (u, v + 1)  = 0.729 là hệ số quán tính. I (u, v) là giá trị điểm ảnh tại hàng u, cột v c 1 , c 2 : Các hệ số gia tốc, nhận giá trị từ 1.5 của ảnh. đến 2.5 I (u + 1, v) là giá trị điểm ảnh tại hàng u + 1, r1 , r2 : Các số ngẫu nhiên nhận giá trị trong cột v của ảnh. khoảng [0, 1] I (u, v + 1) là giá trị điểm ảnh tại hàng u, 2.2. CÁC CHỈ SỐ ĐÁNH GIÁ cột v + 1 của ảnh. M, N lần lượt là số hàng, cột của ma trận I. 2.2.1. Độ sáng của ảnh Công thức tính giá trị trung bình (chỉ số về 3. GIẢI THUẬT ĐỀ XUẤT độ sáng) của ảnh là: Đầu vào: Ảnh màu Iin 1 M N Đầu ra: Ảnh màu đã được tăng cường Ien   u 1  v  1 I  u, v  M N Bước 1: Ảnh màu ban đầu Iin được chuẩn trong đó: hóa về miền [0, 1] thu được ảnh Is  là giá trị trung bình Bước 2: Biến đổi ảnh Is từ miền RGB sang M, N lần lượt là tổng số hàng, cột của ma miền HSI, giữ nguyên các kênh H, S và sử trận I. dụng kênh cường độ sáng I cho các bước tiếp I(u,v) là phần tử hàng u, cột v của ma trận. theo 2.2.2. Độ tương phản của ảnh Bước 3: Tạo ra các ảnh được tăng cường độ tương phản I1 , I2, I3 thông qua các phương Công thức tính độ tương phản (phương pháp cơ bản như: cân bằng Histogram, biến sai) của ảnh: đổi logarit, và biến đổi logarit ngược. Tạo ra 2 1  1  ảnh được tăng cường về độ sắc nét I4 bằng 2   I 2 u,v     I u,v   M  N u, v  M  N u, v  cách sử dụng toán tử Laplace. trong đó: Bước 4: Tạo ra một ảnh tổng hợp Ith dựa 2  là độ tương phản của ảnh. trên các ảnh I1 , I 2 , I3 và I4 như sau: M, N lần lượt là số hàng, cột của ma trận. I th  1  I1   2  I 2  3  I3   4  I 4 I(u,v) là phần tử hàng u, cột v của ma trận. Bước 5: Gọi H1 và H2 lần lượt là Entropy 2.2.3. Nội dung thông tin của ảnh ban đầu I và ảnh tổng hợp Ith . Sử dụng giải thuật tối ưu hóa bầy đàn PSO để tìm gia Nội dung thông tin diễn tả lượng thông các giá trị  1, 2 , 3,  4 tối ưu với hàm mục điệp mà bức ảnh chứa trong đó. Thông số này 2 còn được gọi là entropy và được tính bằng tiêu cần tối ưu hóa là: J    H1  H 2  . công thức: E    p i  log 2 p i Bước 6: Tính I*th tối ưu dựa trên các giá trị i tối ưu 1* , *2 ,  3* , *4 : trong đó, pi là tần suất xuất hiện của điểm ảnh thứ i. I*th  1* * I1   *2 * I 2  *3 * I 3  *4 * I 4 143
Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3 Bước 7: Chuyển đổi các kênh H, S và I*th Gọi Ii1 , Ii2, Ii3 lần lượt là ảnh ban đầu, ảnh về miền RGB thu được ảnh Ien đã được tăng sau khi sử dụng giải thuật của Himanshu [2], cường. và ảnh sau khi sử dụng phương pháp đề xuất đối với ảnh thực nghiệm thứ i (Xem Hình 1). 4. KẾT QUẢ THỰC NGHIỆM Khởi tạo tham số như sau: - Số lượng cá thể: n = 500. Dữ liệu thực nghiệm gồm bộ ảnh A: 5 ảnh - Hệ số: c 1 = c 2 = 2. màu đuợc lấy từ các thu viện ảnh: NASA - Hệ số quán tính  = 0.729. Visible Earth Home1 , Gallery | SATPALDA2 , Kết quả đo độ sáng () độ tương phản và CRISP-WorldView 3 . Các ảnh này được ( 2 ), lượng thông tin entropy (E), độ sắc nét chuyển về kích thước 256256 để tiến hành (G) của ảnh được mô tả trong Bảng 1. Các thực nghiệm. giá trị được bôi đậm trong Bảng 1 cho thấy I11 I12 I13 phương pháp đề xuất cho kết quả tốt. Bảng 1. Bảng kết quả thực nghiệm Chỉ số đánh giá STT Ảnh  2 E G I11 0.1725 0.0266 6.6005 0.0687 I21 I21 I21 1 I12 0.2870 0.0334 7.1632 0.0963 I13 0.4786 0.1100 7.6069 0.2166 I21 0.1306 0.0063 5.9470 0.0472 2 I22 0.3320 0.0256 6.5321 0.1114 I23 0.4909 0.0883 7.8254 0.2283 I31 0.3513 0.0168 6.9618 0.0429 I31 I32 I33 3 I32 0.3807 0.0260 7.1551 0.0536 I33 0.5011 0.0805 7.9338 0.1038 I41 0.1539 0.0092 5.9383 0.0357 4 I42 0.3032 0.0219 6.5363 0.0662 I43 0.4936 0.0872 7.5980 0.1528 I41 I42 I43 I51 0.2101 0.0191 6.6816 0.0528 5 I52 0.3437 0.0314 7.1435 0.0704 I53 0.4799 0.0883 7.8027 0.1408 5. TÀI LIỆU THAM KHẢO [1] J. Kennedy, R. Eberhart, 1995, Particle I51 I52 I53 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 Hình 1. Các ảnh trước và sau tăng cường Engineering. 1 ht tp://visibleearth.nasa.gov/ 2 ht tp://www.satpalda.com/gallery/ 3 ht tp://www.crisp.nus.edu.sg/ 144