Một giải pháp lọc nhiễu ảnh siêu âm dùng bộ lọc NLM thích nghi

Kỹ thuật điều khiển & Điện tử<br /> <br /> MỘT GIẢI PHÁP LỌC NHIỄU ẢNH SIÊU ÂM<br /> DÙNG BỘ LỌC NLM THÍCH NGHI<br /> Bồ Quốc Bảo1*, Tống Văn Luyên1, Tạ Chí Hiếu2, Nguyễn Hải Dương2<br /> Tóm tắt: Phương pháp lọc trung bình không cục bộ NLM (Non-Local Mean<br /> Filter) cung cấp một công cụ rất mạnh để khử nhiễu ảnh số. Tuy nhiên, một số tham<br /> số của bộ lọc này phụ thuộc dữ liệu đầu vào (ảnh nhiễu) và cần điều chỉnh thích<br /> nghi. Bài báo này đề xuất một giải pháp khử nhiễu trong ảnh siêu âm dùng bộ lọc<br /> NLM thích nghi (BBA-NLM) dựa trên thuật toán tối ưu bầy dơi nhị phân (BBA-<br /> Binary Bat Algorithm) và chỉ số đánh giá không dùng tham chiếu Q-Metric. Bộ lọc<br /> đề xuất có thể khử nhiễu Gaussian mà không cần ảnh tham chiếu, đồng thời vẫn giữ<br /> được các chi tiết ảnh, cạnh và kết cấu tốt. Chúng tôi cũng thực thi một số mô phỏng<br /> với các ảnh có nhiễu Gaussian với phương sai khác nhau để chứng minh hiệu suất<br /> của phương pháp được đề xuất vượt trội so với các công bố trước đây.<br /> Từ khóa: Ảnh siêu âm; Nhiễu Gaussian; Lọc không cục bộ NLM; Q-Metric; Thuật toán dơi BA.<br /> <br /> 1. ĐẶT VẤN ĐỀ<br /> Siêu âm chẩn đoán (US-Ultrasound) thường được ưu tiên hơn các phương pháp chẩn<br /> đoán y tế khác và là kỹ thuật chẩn đoán y học an toàn, được sử dụng rộng rãi, do tính chất<br /> không xâm lấn, chi phí thấp, khả năng tạo ảnh thời gian thực và cải tiến liên tục về chất<br /> lượng ảnh [1].<br /> Nhược điểm lớn nhất của y tế siêu âm là chất lượng ảnh kém, chủ yếu do các loại nhiễu<br /> trong quá trình xử lý và khôi phục ảnh. Nhiễu trong ảnh siêu âm gồm: (i) Nhiễu xung:<br /> nhiễu muối tiêu (salt and pepper); (ii) Nhiễu cộng: nhiễu Gauss trắng (AWGN) và (iii)<br /> Nhiễu nhân: nhiễu đốm (Speckle Noise) [2].<br /> Một trong những sáng kiến quan trọng nhất những năm gần đây trong việc khử nhiễu là<br /> sự ra đời của phương pháp lọc trung bình không cục bộ (NLM: Non-Local Mean Filter)<br /> được Buades và các cộng sự đề xuất [3-5]. NLM là thuật toán khử nhiễu, có giá trị trung<br /> bình của tất cả các pixel trong một vùng xác định được đo bởi sự tương đồng giữa các điểm<br /> ảnh so với điểm ảnh tham chiếu. Cách tiếp cận này dựa trên quan sát rằng các ảnh tự nhiên<br /> thể hiện sự tự tương đồng một cách rõ ràng [6]. So với các bộ lọc thông thường, NLM thể<br /> hiện tính rõ ràng cao hơn trong khi vẫn bảo toàn được các chi tiết tinh xảo của ảnh.<br /> Tuy nhiên, đối với phương pháp NLM tiêu chuẩn, việc tính toán khoảng cách Euclide<br /> giữa các điểm ảnh trong vùng lân cận thường phức tạp làm cho thời gian xử lý chậm;<br /> ngoài ra, các tham số của bộ lọc thường phụ thuộc vào dữ liệu đầu vào và khó lựa chọn<br /> điều chỉnh, việc lựa chọn bộ tham số tối ưu cho bộ lọc này chủ yếu dựa vào kinh nghiệm.<br /> Chính vì vậy, đã có nhiều đề xuất được công bố nhằm khắc phục những hạn chế trên.<br /> Azzabou và cộng sự [7] đề xuất ý tưởng sử dụng phân tích thành phần chính (PCA-<br /> Principal Component Analysis) để giảm thời gian tính toán trong NLM. Abrahim và cộng<br /> sự [8] đề xuất một phiên bản mới của bộ lọc NLM thích nghi cho ảnh siêu âm dựa trên<br /> chức năng tương đồng phụ thuộc vào đặc điểm cụ thể của nhiễu biến dạng trong ảnh siêu<br /> âm. W.Sun và M.Han [9] đề xuất giải pháp thích nghi cửa sổ tìm kiếm để điều chỉnh thông<br /> số bộ lọc NLM. Salmon [10] nghiên cứu ảnh hưởng của hai tham số: cửa sổ tìm kiếm và<br /> trọng số của cửa sổ vá lỗi trung tâm.<br /> Trong thời gian gần đây, các kỹ thuật tối ưu dùng các thuật toán tối ưu có nguồn gốc từ<br /> thiên nhiên như giải thuật di truyền (Genetic Algorithm-GA), kỹ thuật tối ưu bầy đàn<br /> (Particle Swarm Optimization-PSO)... đều được chứng minh là các giải pháp linh hoạt và<br /> tốt hơn so với các kỹ thuật tối ưu truyền thống. L.Y.Hsu và các cộng sự [11] đã đề xuất<br /> <br /> <br /> 36 Đ. Q. Bảo, …, N. H. Dương, “Một giải pháp lọc nhiễu ảnh … bộ lọc NLM thích nghi.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> giải pháp TPNLM để lọc nhiễu Gaussian bằng cách kết hợp bộ lọc NLM với thuật toán tối<br /> ưu bầy đàn TPSO. Tuy nhiên, thuật toán BA (Bat Algorithm) thực hiện tối ưu sử dụng trí<br /> tuệ bầy dơi được đề xuất bởi Xin-She Yang [12] và đã được chứng minh là một thuật toán<br /> mạnh mẽ và hiệu quả hơn nhiều so với các thuật toán GA, PSO... [13-15]. Thuật toán<br /> Binary Bat (BBA) [16] được trình bày vào năm 2013 được coi là một trong những công cụ<br /> tối ưu hóa mạnh mẽ nhất, thuật toán này được đề xuất dựa trên thuật toán BA để giải quyết<br /> các bài toán tối ưu khác nhau trong không gian tìm kiếm rời rạc.<br /> Trong nội dung bài báo này, chúng tôi đề xuất một bộ lọc mới, BBA-NLM, bằng cách<br /> kết hợp thuật toán tối ưu BBA với thuật toán NLM để khử nhiễu trong ảnh siêu âm. Bộ lọc<br /> đề xuất có thể khử nhiễu Gaussian mà không cần ảnh tham chiếu, đồng thời vẫn giữ được<br /> các chi tiết, cạnh và kết cấu một cách tốt nhất.<br /> Thuật toán lọc NLM tiêu chuẩn theo mô tả ở tiểu mục 2.1 có bộ trọng số (a, h, d, k) có<br /> thể được lựa chọn tối ưu bằng cách dùng thuật toán thích nghi bầy dơi nhị phân BBA<br /> (Binary Bat Algorithm), trong đó hàm mục tiêu được điều chỉnh theo chỉ số đánh giá<br /> không tham chiếu Q-Metric. Trong số các phương pháp đánh giá hiệu quả khử nhiễu đối<br /> với ảnh y tế nói chung và ảnh siêu âm nói riêng, phương pháp không dùng tham chiếu<br /> (tiểu mục 2.2) có ưu thế nổi trội do các thiết bị y tế cần xử lý ảnh một cách trực tiếp để<br /> người chẩn đoán đưa ra những nhận định chính xác đối với bệnh nhân.<br /> Phần thứ 2 của bài báo trình bày một số kiến thức cơ bản về thuật toán trung bình<br /> không cục bộ NLM, chỉ số đánh giá chất lượng ảnh không tham chiếu và thuật toán bầy<br /> dơi BBA để tìm bộ trọng số tối ưu cho bộ lọc. Kết quả mô phỏng và các phân tích đánh giá<br /> kiểm chứng được trình bày ở mục 3 và cuối cùng các kết luận sẽ được rút ra ở mục 4.<br /> 2. LỌC NHIỄU TRONG ẢNH SIÊU ÂM BẰNG CÁCH KẾT HỢP THUẬT TOÁN<br /> NLM VỚI GIẢI THUẬT TỐI ƯU BBA<br /> 2.1. Bộ lọc trung bình không cục bộ (NLM: NON-LOCAL MEAN FILTER)<br /> Trong phần này, chúng tôi giới thiệu một cách ngắn gọn về bộ lọc NLM đã được trình<br /> bày trong [3-5].<br />  <br /> Với một ảnh nhiễu rời rạc I và u  u( p) p  I , giá trị được lọc tại điểm ảnh p dùng<br /> bộ lọc NLM sẽ được tính toán như là một trung bình có trọng số của tất cả các điểm ảnh<br /> trong bức ảnh theo biểu thức:<br /> NLM u ( p)   w( p, q)u( q) (1)<br /> qI<br /> <br /> ở đây, trọng số w( p, q) phụ thuộc vào sự tương đồng giữa các lân cận N p và Nq của các<br /> điểm ảnh p và q , thỏa mãn các điều kiện 0  w( p, q)  1 và  w( p, q)  1. Các trọng số<br /> q<br /> <br /> w( p, q) thể hiện mức độ tương đồng và được tính toán theo công thức (2) và (3):<br />  Sim( p,q)<br /> 1 h2<br /> w( p, q)  e (2)<br /> Z( p)<br />  Sim( p,q)<br /> h2<br /> Z( p)   e (3)<br /> q<br /> <br /> trong đó, Z( p) là hằng số chuẩn hóa, h là bậc của bộ lọc để điều chỉnh độ phân rã của<br /> hàm mũ, và Sim( p, q) là một khoảng cách Euclidian có trọng số Gaussian của tất cả các<br /> điểm ảnh ở mỗi vùng lân cận:<br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số 56, 08 - 2018 37<br />  Kỹ thuật điều khiển & Điện tử<br /> 2<br /> Sim( p, q)  Ga u( N p )  u( Nq ) (4)<br /> 2,a<br /> <br /> với Ga là hàm trọng số Gaussian chuẩn hóa. Ký tự a là giá trị dương xác định chiều rộng<br /> của nhân Gaussian trong cửa sổ vá lỗi. Công thức (4) chỉ ra sự tương đồng giữa hai điểm<br /> ảnh p, q dựa vào sự tương đồng của các vector cường độ mức xám u( N p ) và u( Nq ). N p<br /> thể hiện lân cận của điểm ảnh p là một khối hình vuông có kích thước được xác định<br /> trước tại điểm trung tâm p (cửa sổ lân cận vuông tương đồng), kích thước N p  (2d  1)2<br /> và d là số nguyên dương biểu thị tham số độ rộng của cửa sổ vùng lân cận vuông tương<br /> đồng. Định nghĩa của bộ lọc NLM cho rằng mỗi điểm ảnh có thể được tham chiếu đến tất<br /> cả các điểm khác, nhưng vì lý do tính toán thực tế, số điểm ảnh được tính vào trung bình<br /> trọng số có thể được giới hạn trong cửa sổ tìm kiếm Vp , là một cửa sổ tìm kiếm với trung<br /> tâm tại điểm ảnh p và kích thước của Vp là Vp  (2k  1)2 , trong đó, k là một số nguyên<br /> dương biểu thị thông số bán kính tìm kiếm của cửa sổ tìm kiếm.<br /> Kết quả lọc của bộ lọc NLM phụ thuộc nhiều vào việc lựa chọn các tham số của nó.<br /> Các tham số chính là độ lệch chuẩn của nhân Gaussian a , bậc của bộ lọc h , độ rộng cửa<br /> sổ vá lỗi (cửa sổ tương đồng) d và độ rộng cửa sổ tìm kiếm k tương ứng. Tham số a để<br /> tính toán độ rộng của nhân Gaussian trong cửa sổ vá lỗi. Các điểm ảnh gần trung tâm của<br /> cửa sổ thì được trao trọng số lớn hơn. Tham số h liên quan đến độ phân rã của hàm mũ.<br /> Khi h rất nhỏ, giá trị khôi phục NLM [ u]( p) sẽ có xu hướng là trọng số trung bình của<br /> một số pixel với một vùng lân cận tương đồng với điểm ảnh p hiện tại dẫn đến việc làm<br /> mịn ảnh yếu (tức là nhiễu nhỏ sẽ bị loại bỏ). Mặt khác, khi h rất lớn, giá trị khôi phục<br /> NLM [ u]( p) sẽ xấp xỉ trung bình các giá trị cường độ của các điểm ảnh trong p dẫn đến<br /> làm mịn ảnh tốt hơn (ảnh sẽ mờ hơn) [17]. Tham số d là kích thước của cửa sổ lân cận<br /> vuông tương đồng. Khi d lớn, việc đánh giá sự tương đồng sẽ mạnh hơn nhưng nhiều lân<br /> cận tương đồng lại không tìm được. Tham số k là bán kính của cửa sổ tìm kiếm. Mặc dù<br /> NLM tuyên bố sử dụng tất cả các điểm ảnh trong ảnh bằng cách lấy trung bình trọng số<br /> của mỗi điểm ảnh, điều này là không hiệu quả nếu các vị trí tương đồng là tương đối gần.<br /> 2.2. Chỉ số đánh giá chất lượng ảnh không tham chiếu<br /> Hiệu quả khử nhiễu thường được đánh giá thông qua các chỉ số chất lượng, các chỉ số<br /> này được chia làm 3 loại: tham chiếu đầy đủ (full-reference), tham chiếu rút gọn (reduced-<br /> reference) và không tham chiếu (no-reference). Trong lĩnh vực lọc nhiễu, sai số bình<br /> phương trung bình (MSE: Mean Square Erro) là một phép đo hay được sử dụng để ước<br /> lượng chất lượng ảnh và tối ưu các thông số. Tuy nhiên, MSE phụ thuộc vào ảnh không<br /> chứa nhiễu, nhưng trong hầu hết các ứng dụng thực tế, ảnh tham chiếu đều không có sẵn<br /> [18, 19]. Nói cách khác, MSE (hoặc các chỉ số chất lượng tham chiếu đầy đủ khác) không<br /> phù hợp sử dụng trực tiếp trong các ứng dụng như khử nhiễu, khử bóng mờ, siêu phân giải<br /> và nhiều thuật toán tái tạo ảnh khác.<br /> Một số phương pháp tiếp cận (không tham chiếu) đã được phát triển để giải quyết vấn<br /> đề tối ưu hóa tham số. Tổng hợp xác thực chéo (GCV- Generalized cross-validation) [20,<br /> 21] và phương pháp đường cong L [22, 23] đã được sử dụng rộng rãi trong việc lựa chọn<br /> các thông số chuẩn hóa cho các ứng dụng khôi phục khác nhau. Gần đây, các phương pháp<br /> dựa trên ước tính rủi ro không thiên vị của Stein (SURE) đã được đề xuất cho vấn đề khử<br /> nhiễu [24, 25], cung cấp phương tiện cho ước lượng không thiên vị của MSE mà không<br /> <br /> <br /> <br /> 38 Đ. Q. Bảo, …, N. H. Dương, “Một giải pháp lọc nhiễu ảnh … bộ lọc NLM thích nghi.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> yêu cầu hình ảnh tham chiếu. Tuy nhiên, ngoài các ưu điểm đã được chứng minh, chúng<br /> vẫn còn một số hạn chế. Ngoài sự phức tạp tính toán, chúng giải quyết vấn đề tối ưu hóa<br /> tham số mà không quan tâm trực tiếp đến nội dung của các ảnh được tái tạo. Thay vào đó,<br /> chúng tính toán hoặc xấp xỉ số lượng như MSE (hoặc chi phí xác thực chéo liên quan), mà<br /> không nhất thiết phải là chỉ số rất tốt về chất lượng ảnh. Một ví dụ cụ thể, phương pháp<br /> Monte-Carlo SURE [25] có thể được sử dụng cho các thuật toán khử nhiễu tùy ý, dựa trên<br /> ý tưởng thăm dò toán tử khử nhiễu với nhiễu cộng và tín hiệu đáp ứng ước lượng MSE.<br /> Cách tiếp cận này cũng chỉ thích hợp khi nhiễu được giả định là Gaussian, và thường đòi<br /> hỏi một ước lượng chính xác về phương sai nhiễu.<br /> Những vấn đề như vậy chính là những gì<br /> mà chỉ số chất lượng Q (Q-Metric: Quality Bắt đầu<br /> Metric) định nghĩa để giải quyết [18, 19].<br /> Q-Metric cung cấp một thước đo định Khởi tạo Qs = 0, n, t<br /> lượng về nội dung ảnh thật sự và phản ứng<br /> hợp lý đối với cả đốm mờ lẫn nhiễu ngẫu Chia ảnh thành M khối kích<br /> thước nxn không trùng nhau<br /> nhiên. Chỉ số này dựa trên sự phân tích giá<br /> trị đặc trưng (SVD: Singular-Value<br /> m=1<br /> Decomposition)) của ma trận ảnh địa<br /> phương và nó không đòi hỏi bất kỳ thông<br /> tin trước về hình ảnh hoặc nhiễu. Xem xét S<br /> m= τ<br />  <br /> Gm   gx ( k) gy (k) , k  wi (5) Đ S<br /> <br />    m=m+1 Qs = Qs + Qm<br /> <br /> Ở đây [ gx (k), gy (k)] thể hiện gradient Qs = Qs/M<br /> <br /> của ảnh tại điểm ( xk , yk ). Hướng chi phối<br /> Kết thúc<br /> của cửa sổ cục bộ có thể được tính toán<br /> bằng cách tính SVD của Gm được chỉ ra ở Hình 1. Lưu đồ thuật toán tính Q matric.<br /> công thức (6).<br /> s 0 <br /> Gm =ASBT  A  1  [b1 b 2 ]T (6)<br /> 0 s 2 <br /> Trong đó, A và B là hai ma trận vuông trực giao, ma trận S chứa các giá trị suy biến<br /> và thông tin cường độ của ảnh đã cho. Các giá trị suy biến s1 và s2 thể hiện năng lượng<br /> của hướng vector chi phối b1 và hướng vector vuông góc với nó b2 .<br /> Hệ số gắn kết nội dung khối ảnh được định nghĩa theo biểu thức:<br /> s s<br /> Rm  1 2 (7)<br /> s1  s2<br /> Như đã đề cập, s1 và s2 đại diện cho năng lượng ở hướng chi phối và hướng vuông góc.<br /> Vì vậy, về cơ bản hệ số gắn kết Rm đo kích thước liên hệ tương đối giữa chúng. Trong<br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số 56, 08 - 2018 39<br />  Kỹ thuật điều khiển & Điện tử<br /> <br /> một cửa sổ vá lỗi, hệ số gắn kết Rm gần như tỷ lệ nghịch với phương sai nhiễu cục bộ  2<br /> khi s1  s2 (bất cứ khi nào cửa sổ vá lỗi cơ bản là không đẳng hướng). Khi một vùng<br /> không có nhiễu với cấu trúc hình học mạnh mẽ (sửa biên và s1 lớn hơn nhiều lần s2 ), Rm<br /> gần với 1. Mặt khác, khi nhiễu trắng được cộng thêm, kết quả sẽ giảm đi, điều này cho<br /> thấy vùng đã trở nên ít cấu trúc. Để cải thiện tỷ lệ s1 , chỉ số Qm đáng được sử dụng khi<br /> cửa sổ vá lỗi có chứa một hướng chủ đạo. Chúng ta có thể thấy rằng thông thường đối với<br /> các cửa sổ vá lỗi không đẳng hướng, ở đó một hướng chi phối tồn tại, công cụ Qm có thể<br /> phát hiện cả vết mờ lẫn nhiễu ngẫu nhiên. Chỉ số nội dung khối ảnh Qm được hiển thị<br /> trong công thức (8).<br /> s1  s2<br /> Qm  s1 (8)<br /> s1  s2<br /> Khi sự gắn kết cục bộ Rm lớn hơn ngưỡng  , cửa sổ vá lỗi sẽ được thêm vào Qs , do<br /> đó, Qs sẽ được tính trung bình vào Q . Giá trị lớn nhất của chỉ số Q mang lại kết quả rất<br /> tốt trong một kiểu lọc hoàn toàn không cần giám sát mà không cần truy cập đến một ảnh<br /> tham chiếu. Toàn bộ quy trình tính toán cho Q được mô tả trong lưu đồ hình 1.<br /> 2.3. Mô hình lọc nhiễu đề xuất<br /> Mô hình lọc nhiễu đề xuất được trình bày như ở hình 2. Ảnh nhiễu được đưa trực tiếp<br /> vào bộ lọc NLM, nguyên tắc hoạt động của bộ lọc này được trình bày ở phần 2.1. Ảnh sau<br /> khi lọc sẽ được trích một phần đưa về bộ điều chỉnh tham số dựa vào thuật toán tối ưu<br /> BBA và hàm mục tiêu Q-Metric (phần 2.2). Lưu đồ thuật toán của mô hình đề xuất được<br /> thực hiện theo hình 3.<br /> <br /> <br /> <br /> <br /> Hình 2. Mô hình lọc nhiễu dùng bộ lọc NLM kết hợp thuật toán BBA và Q-Metric.<br /> Thuật toán BBA [16] vẫn giữ nguyên cấu trúc và các bước tương tự của thuật toán BA<br /> gốc đã trình bày ở bài báo [12] nhưng sửa đổi một số phương trình để phù hợp với các giải<br /> pháp rời rạc.<br /> Các tham số cần điều chỉnh là độ lệch chuẩn h, kích thước cửa sổ tương đồng d và<br /> <br /> bán kính cửa sổ tìm kiếm k. Vector vị trí tương ứng với mỗi tham số tại i ( xi ) trong<br /> <br /> BBA-NLM bao gồm 3 thành phần, xi  (h, d, k).<br /> Trong BBA, không gian tìm kiếm sẽ được biến đối sang mạng lưới nhị phân, ma trận<br /> bầy đàn sẽ lấy giá trị 0 hoặc 1. Để đạt được mục tiêu này, một hàm chuyển đổi V sẽ được<br /> sử dụng:<br /> <br /> <br /> 40 Đ. Q. Bảo, …, N. H. Dương, “Một giải pháp lọc nhiễu ảnh … bộ lọc NLM thích nghi.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> 2 <br /> V (vik (t ))  arctan( vik (t ) (9)<br />  2<br /> <br /> k<br /> ( xik (t )1 neá<br /> u H  V (vik (t+1)<br /> X (t  1)   k<br /> i<br /> (10)<br />  xi (t ) u H  V (vik (t+1)<br /> neá<br /> <br /> Xik (t ) đề cập đến vị trí của con dơi<br /> Bắt đầu<br /> thứ i trong không gian tìm kiếm kích<br /> thước k, Inv( Xik (t )) là phần bù và vik (t ) Khởi tạo các tham số k, d, h và<br /> các trọng số ngẫu nhiên<br /> là vận tốc của nó, H là một số đồng nhất<br /> trong (0,1). Xác định hàm mục tiêu Q-Metric<br /> Tìm Fbest theo vector vị trí<br /> Việc xác định bộ véc tơ trọng số tối<br /> ưu để hàm mục tiêu Q-Metric đạt giá trị<br /> cực đại được thực hiện như lưu đồ hình 3. Tạo các tham số mới<br /> Chuyển sang nhị phân theo (9)<br /> Ban đầu thiết lập số vòng lặp k  0, tần số Cập nhật vị trí theo (10)<br /> xung ri  0.5, cường độ Ai  0.5, tần số<br /> Cập nhật trọng số<br /> fi  0,  f min , f ax    0,2 , chọn số Tính Fnew<br /> Đ<br /> lượng cá thể dơi là 10 và số vòng lặp cực S<br /> đại kmax  50. Rand Fbest<br /> Đ<br /> 3. KẾT QUẢ MÔ PHỎNG Cập nhật Fbest= Fnew và tham số<br /> 3.1. Kịch bản mô phỏng<br /> Theo bài báo [5], thuật toán NLM k=k+1<br /> chọn cho mỗi pixel một cấu hình trung<br /> bình khác nhau phù hợp với hình ảnh. Cập nhật ri và Ai<br /> Điều này là do đối với một điểm ảnh nhất S<br /> định i , thuật toán đã tính đến sự giống k