Mục lục

Phần I : Tìm hiểu về các phép lọc số

1. Khái quát về phép lọc ảnh

2. Các bộ lọc số
2.1. Định nghĩa và mô hình
2.2. Phân loại bộ lọc
- Bộ lọc có đáp ứng xung hữu hạn FIR
- Bộ lọc có đáp ứng xung vô hạn IIR
2.3. Các bộ lọc số thông dụng
- Bộ lọc trung bình
- Bộ lọc thông thấp
- Bộ lọc Laplace
- Bộ lọc thông cao

Phần II : Khảo sát và xây dựng ứng dụng các phép lọc trên miền tần số

1. Cơ sở lý thuyết
- Hạn chế của xử lý trên miền không gian
- Ý tưởng xử lý trên miền tần số
- Tính toán chi tiết
2. Các bộ lọc
2.1. Lọc thông thấp
- Lọc tần số thấp Idea
- Lọc tần số thấp Gauss
 - Lọc tần số thấp Butterworth

2.2. Lọc thông cao

- Lọc thông cao từ lọc thông
- Lọc tần số thấp Idea
- Lọc tần số thấp Gauss
- Lọc tần số thấp Butterworth

3. Xây dựng ứng dụng

Phần I : Tìm hiểu về các phép lọc số

1. Khái quát về phép lọc ảnh

Phép lọc ảnh được sử dụng nhiều trong xử lý ảnh, được dùng trong
giảm nhiễu, làm nét ảnh , cũng như trong phát hiện cạnh , biên ảnh
…Các phép lọc ảnh chủ yếu được sử dụng để ngăn chặn các tần số
cao trong hình ảnh , như làm mịn ảnh hay tần số thấp như phát hiện
cạnh trong hình ảnh . Các bộ lọc có thể chia làm 2 loại theo phép toán :
lọc tuyến tính và lọc phi tuyến. Phép lọc tuyến tính là các phép lọc có
bản chất là lọc tần số như lọc trung bình, lọc thông thấp, lọc thông cao,
lọc đạo hàm. Ngược lại các phép lọc phi tuyến bao gồm lọc trung vị, lọc
đồng hình, lọc với k láng giềng gần nhất, lọc hạng r ….

Các phép lọc ảnh đều sử dụng cách xử lý cục bộ, tức là điểm ảnh
đầu ra chỉ chịu ảnh hưởng của 1 số điểm ảnh lân cận theo kĩ thuật mặt
nạ. Người ta cũng sử dụng phép nhân chập rời rạc để thực hiện bộ lọc.

2.1 . Định nghĩa và mô hình

Một hình ảnh có thể được lọc trong miền tần số hoặc trong miền
không gian. Trong kĩ thuật lọc miền không gian ta sử dụng một mặt nạ,
tổ hợp điểm ảnh từ ảnh hưởng của các điểm lân cận. Trong miền không
gian ta sẽ dùng phép nhân chập tín hiệu ảnh đầu vào với bộ lọc số :

Y (m,n ) = H(k,l ) * X(m,n )

Với K*L << M * N

Hình 1. Bộ lọc 3*3

Ma trận bộ lọc còn được gọi là ma trận hạt nhân. Các ma trận hạt nhân
có thể có nhiều kích thước tùy ý, phổ biến nhất là ma trận 3*3 (hình 1),
ngoài ra trong các trường hợp cụ thể có thể sử dụng các bộ lọc 5*5 hay
7*7. Bộ lọc trong miền không gian với ma trận hạt nhân khá trực quan
và dễ thực hiện. Nó phù hợp với cảm quan của chúng ta. Tuy nhiên
cũng chính vì khá đơn giản nên nó không có được sự tinh tế. Mặt nạ
thường có các giá trị dương và đối xứng, nhưng không nhất thiết phải
như vậy. Nó có thể được chọn theo một phương pháp nào đó mà không
thể trực quan và một trong các phương pháp đó là lọc trên miền tần số.

Phương pháp lọc trên miền tần số đơn giản là thực hiện các
phép biến đổi ảnh trên miền tần số. Các tín hiệu đầu vào, đầu ra của
ảnh, các bộ lọc đều được biến về miền tần số.

Y(u,v ) = X(u,v ) * H(u,v)

Với Y(u,v ) = DFT (Y(m,n));

X(u,v) . H(u,v ) = DFT ( X(m,n ) * H(k,l) )

Bộ lọc trên miền tần số có 2 loại là bộ lọc thông thấp và thông cao.
Bộ lọc thông thấp thường được sử dụng để làm mờ ảnh, giảm nhiễu,bộ
lọc thông cao thì được sử dụng để làm sắc nét cạnh, biên làm cho ảnh
 rõ nét hơn. Thực ra bản chất của phép lọc số đều sử dụng lọc tần số.
chỉ là thực hiện trên miền không gian hay miền tần số mà thôi.

2.2. Phân loại bộ lọc

- Bộ lọc có đáp ứng xung hữu hạn FIR
- Bộ lọc có đáp ứng xung vô hạn IIR

Phần II : Khảo sát và xây dựng ứng dụng các phép lọc trên miền tần số

Mean Filter - noise reduction NR using mean of neighborhood

Median Filter - NR using median of neighborhood
Gaussian Smoothing - NR using convolution with a Gaussian
smoothing kernel
Conservative Smoothing - NR using maximum and minimum of
neighborhood
Crimmins Speckle Removal - more complex NR operator
Frequency Filters - high and low pass image filters, etc
Laplacian/Laplacian of Gaussian Filter - edge detection filter
Unsharp Filter - edge enhancement filter

Mean Filter
Common Names: Mean filtering, Smoothing, Averaging, Box filtering

Mô tả :

Mean filtering là phương pháp lọc khá đơn giản, trực quan và dễ thực
hiện việc làm mịn hình ảnh , nghĩa là giảm cường độ biến đổi giữa một
pixel và pixel kế tiếp . Nó thường được dùng để giảm nhiễu trong ảnh.

Nguyên lý :

Ý tưởng của bộ lọc này đơn giản chỉ là thay thế từng giá trị pixel trong
ảnh với các giá trị trung bình của các pixel “hàng xóm”, bao gồm chính nó.
Điều này có tác dụng loại bỏ các giá trị pixel không đại diện cho môi trường
xung quanh. Mean filtering thường được coi như là convolution filter,
chúng giống nhau ở chỗ cùng dựa trên một hạt nhân đại diện cho tất cả
các hình dạng kích thước của cả khối được lấy mẫu. Thường thì người ta
sử dụng hạt nhân 3*3 hình vuông. Hạt nhân 5*5 cũng có thể được sử dụng
và nó làm mịn nặng hơn 3*3.
Figure 1 Khối 3*3 thường được sử dụng trong Mean filter

Ví dụ :

Mean filtering được sử dụng phổ biến nhất trong việc giảm nhiễu
cho hình ảnh, chúng ta lấy một ví dụ minh họa như sau :
Figure 2a Ảnh gốc Figure 2b Ảnh bị nhiễu

Figure 2c Ảnh sử dụng lọc 3*3 Figure 2d Ảnh sử dụng lọc 5*5

Rõ ràng khi sử dụng bộ lọc có kích thước 3*3 thì nhiễu giảm đi
nhưng ảnh “mềm” hơn ( hình 2.c ). Nếu chúng ta tăng kích thước bộ lọc
lên 5*5 thì ảnh sẽ có rất ít nhiễu và ít các thành phần tần số cao (hình 2.d).
Ta thấy ảnh trong hình 2d ảnh không giảm nhiễu nhiều nhưng độ mờ thì
giảm đi đáng kể. Có thể thấy 2 vấn đề chính với mean filter, đó là :
 - Một pixel có giá trị khác nhiều với các giá trị khác xung quanh sẽ ảnh
hưởng đến tất cả điểm ảnh trong khối của nó.
- Với các khối ở cạnh, góc bộ lọc sẽ phải nội suy ra giá trị cho các
điểm ảnh, từ đó sẽ làm cho ảnh bị mờ góc cạnh, rất không tốt cho
ảnh có yêu cầu hình ảnh sắc nhọn ở đầu ra.

Cả 2 vấn đề có thể được giải quyết với medium filter, nhưng bù lại nó có
thời gian tính toán nhanh hơn. Tiếp theo ta sẽ cùng xét đến medium filter.

Medium Filter

Các bộ lọc trung bình thường được sử dụng để giảm nhiễu trong một
hình ảnh, phần nào giống như Mean Filter. Tuy nhiên, nó giải quyết được
vấn đề tốt hơn.

Nguyên lý

Giống như Mean Filter, Medium Filter xem xét từng điểm ảnh trong
hình ảnh lần lượt, và kiểm tra các pixel gần đó của nó để quyết định nó có
là đại diện cho khối ảnh hay không. Thay vì chỉ đơn giản là thay thế các giá
trị pixel với trung bình của các giá trị pixel lân cận, nó thay thế nó với trung
bình của các giá trị. Giá trị trung bình này được tính toán bằng cách đầu
tiên phân loại tất cả các giá trị điểm ảnh từ các khối xung quanh vào số thứ
tự và sau đó thay thế các điểm ảnh được coi là có giá trị pixel trung bình.
(Nếu các khối được xem xét có chứa một số chẵn các pixel, với mức trung
bình của hai giá trị pixel trung được sử dụng.) Hình 3 mô tả một tính ví dụ.
 Hình 3. Phương pháp Medium Filter

Hình 3 tính giá trị trung bình của một khối pixel. Như có thể thấy, giá
trị pixel trung tâm của 150 là khá không đại diện của các điểm ảnh xung
quanh và được thay thế bằng giá trị trung bình: 124. Một khu phố 3 × 3
hình vuông được sử dụng ở đây. Một khối lớn hơn sẽ tạo ra ảnh có độ mịn
nghiêm trọng hơn.

Bằng cách tính toán giá trị trung bình của một khu phố hơn là có
nghĩa là bộ lọc, bộ lọc trung bình có hai ưu điểm chính trên có nghĩa là bộ
lọc:

* Số trung vị là trung bình mạnh mẽ hơn so với trung bình và vì vậy rất
không đại diện duy nhất một điểm ảnh trong vùng lân cận sẽ không ảnh
hưởng đến giá trị trung bình đáng kể.

* Kể từ khi giá trị trung bình thực sự phải là giá trị của một trong những
điểm ảnh trong khu phố, các trung bình lọc không tạo ra giá trị pixel mới
không thực tế khi lọc nằm giữa một cạnh. Vì lý do này, các bộ lọc trung
bình được bảo quản tốt hơn tại các cạnh sắc nét hơn có nghĩa là bộ lọc.

Ví dụ:

Figure 3a Ảnh gốc Figure 3b Ảnh bị nhiễu

Figure 3c Ảnh sử dụng lọc 3*3 Figure 3d Ảnh sử dụng lọc 7*7
 Một trong những vấn đề lớn với các bộ lọc trung bình là nó là tương đối
tốn kém và phức tạp để tính toán. Để tìm các trung bình nó là cần thiết để
sắp xếp tất cả các giá trị trong khu phố vào số thứ tự và điều này là tương
đối chậm, ngay cả với các thuật toán sắp xếp nhanh như quicksort. Các
thuật toán cơ bản có thể, tuy nhiên, được nâng cao phần nào tốc độ. Một
kỹ thuật phổ biến là để thông báo rằng khi các cửa sổ khu phố được trượt
trên ảnh, rất nhiều các điểm ảnh trong cửa sổ đều giống nhau từ một trong
những bước kế tiếp, và tương đối đặt hàng của các với nhau sẽ rõ ràng là
không có thay đổi. Các thuật toán thông minh sử dụng các này để cải thiện
hiệu suất.

Gaussian Smoothing

Common Names: Gaussian smoothing

Làm mịn Gaussian là một phương pháp chập 2-D được sử dụng để
`mờ" hình ảnh và loại bỏ chi tiết và nhiễu. Nó tương tự như các Mean
Filter, nhưng nó sử dụng một hạt nhân khác nhau mà đại diện cho hình
dạng của một Gaussian (`hình chuông ') cái bướu. Hạt nhân này có một số
tính chất đặc biệt được nêu chi tiết dưới đây.
The Gaussian distribution in 1-D has the form:

Phân phối Gaussian trong một chiều có dạng:

là chuẩn phân phối . Phân phối này được minh họa như hình 4

Figure 4 1-D Gaussian distribution with mean 0 and =1

Trong không gian 2 chiều phân phối Gauss có dạng

Phân phối này được minh họa như sau :

 Figure 5 2-D Gaussian distribution with mean (0,0) and =1

Ý tưởng làm mịn Gaussian là sử dụng phân bố 2-D là một chức năng
lây lan `điểm, và điều này đạt được bằng cách tích chập. Kể từ khi hình
ảnh được lưu giữ như là một tập hợp các điểm ảnh riêng rẽ chúng ta cần
phải tạo ra một xấp xỉ rời rạc với hàm Gaussian trước khi chúng tôi có thể
thực hiện tích chập. Về lý thuyết, sự phân bố Gaussian là khác không ở
khắp mọi nơi, mà sẽ đòi hỏi một hạt nhân tích chập vô cùng lớn, nhưng
trong thực tế nó không có hiệu quả hơn khoảng ba độ lệch chuẩn từ trung
bình, và vì vậy chúng tôi có thể cắt các hạt nhân vào thời điểm này. Hình 3
cho thấy một hạt nhân nguyên-phù hợp chập có giá trị xấp xỉ một Gaussian

với một là 1.0.