302 Tạp chí KH&CN Trường Đại học Hòa Bình - Số Đặc biệt - Tháng 12.2024
Y HỌC
PHÁT TRIỂN THUẬT TOÁN LOẠI BỎ NHIỄU NỀN CHO ẢNH
CỦA KÍNH HIỂN VI QUANG HỌC
ThS. Trần Ngọc Thắng1, PGS.TS Lê Văn Nhu2, ThS. Bùi Minh Tín2,
TS. Lê Hoàng Oanh3, ThS. Hà Thị Yến3, TS. Nghiêm Thị Thuỳ Giang3
1Trường Đại học Điện lực
2Học viện Kỹ thuật Quân sự
3Trường Đại học Hòa Bình
Tác giả liên hệ: levannhuktq@gmail.com
Ngày nhận: 28/11/2024
Ngày nhận bản sửa:16/12/2024
Ngày duyệt đăng: 24/12/2024
Tóm tắt
Kính hiển vi quang học là một công cụ thường được sử dụng quan sát các vật kích thước nhỏ,
đặc biệt là tế bào. Tuy nhiên, ảnh thu được trên đầu thu thường có nhiễu nền xuất hiện. Trong bài
báo này, chúng tôi đã phát triển thuật toán Le-ADDM cho giảm nhiễu và nâng cao chất lượng ảnh.
Kết quả mô phỏng đã chỉ ra ảnh sau xử lý đã giảm nhiễu và nâng cao chất lượng.
Từ khóa: Kính hiển vi, thuật toán Le-ADDM, nhiễu nền.
Development of a Background Noise Removal Algorithm for Optical Microscope Images
MA. Tran Ngoc Thang1, Assoc. Prof., Dr. Le Van Nhu2, MA. Bui Minh Tin2,
Dr. Le Hoang Oanh3, MA. Ha Thi Yen3, Dr. Nghiem Thi Thuy Giang3
1Electric Power University
2Military Technical Academy
3Hoa Binh University
Corresponding Author: levannhuktq@gmail.com
Abstracts
Optical microscopes are commonly used to observe small-sized objects, particularly cells.
However, images captured by sensors often exhibit background noise. In this paper, we developed
the Le-ADDM algorithm for noise reduction and image quality enhancement. Simulation results
demonstrated that the processed images had reduced noise and improved quality.
Keywords: Microscope, Le-ADDM algorithm, background noise.
1. Giới thiệu
Trường Đại học Hòa Bình là cơ sở giáo
dục đào tạo có các ngành đào tạo về y học nên
thường xuyên sử dụng các kính hiển vi quang
học để quan sát các mẫu tế bào. Kính hiển vi
quang học góc rộng giúp quan sát các cấu trúc
lớn với độ phân giải cao hơn, mở rộng khả năng
ứng dụng trong nghiên cứu khoa học và thực tập
của sinh viên. Tuy nhiên, một vấn đề quan trọng
đối với ảnh từ kính hiển vi quang học là sự hiện
diện của nhiễu nền (background noise). Nhiễu
nền có thể xuất phát từ các yếu tố môi trường,
hệ thống cảm biến, hoặc thậm chí từ chính các
nguồn sáng không đồng đều trong quá trình
chụp ảnh [1-2].
Việc loại bỏ nhiễu nền trong ảnh kính hiển
vi đóng vai trò quan trọng để cải thiện độ chính
xác của các phân tích dựa trên ảnh. Những
phương pháp xử lý ảnh truyền thống, như: bộ
lọc Gaussian, Wiener, hoặc các kỹ thuật dựa trên
Fourier Transform, đã được áp dụng rộng rãi để
loại bỏ nhiễu. Tuy nhiên, các phương pháp này
Số Đặc biệt - Tháng 12.2024 - Tạp chí KH&CN Trường Đại học Hòa Bình 303
Y HỌC
thường gặp hạn chế trong việc duy trì sự cân
bằng giữa loại bỏ nhiễu và bảo toàn chi tiết hình
ảnh [3-4]. Đặc biệt, trong các ứng dụng đòi hỏi
mức độ chính xác cao, như: phân tích hình thái
tế bào hay cấu trúc vật liệu nano, sự mất mát chi
tiết có thể dẫn đến sai lệch nghiêm trọng trong
kết quả phân tích [5].
Gần đây, các phương pháp dựa trên miền
tần số và miền không gian được kết hợp để
tận dụng các ưu điểm của cả hai miền. Các
thuật toán hiện đại như Wavelet Transform
[6], Non-Local Means (NLM) [7], và Block
Matching 3D Filtering (BM3D) [8] đã cải
thiện đáng kể hiệu quả loại bỏ nhiễu, nhưng
vẫn tồn tại thách thức trong việc xử lý ảnh có
đặc điểm phức tạp. Điều này thúc đẩy sự phát
triển của các thuật toán thích nghi, trong đó,
các tham số xử lý có thể tự động điều chỉnh
dựa trên đặc điểm nhiễu và mẫu vật.
Le-ADDM (Adaptive Dual-Domain
Method) là một thuật toán tiên tiến được thiết
kế để giải quyết vấn đề này. Với cách tiếp cận
kết hợp cả miền không gian và miền tần số, Le-
ADDM sử dụng các phương pháp thích nghi để
tối ưu hóa việc loại bỏ nhiễu, đồng thời, bảo toàn
được các đặc trưng quan trọng như biên, cấu trúc
và kết cấu bề mặt của mẫu. Hơn nữa, Le-ADDM
có khả năng xử lý ảnh với hiệu suất tính toán cao,
phù hợp cho các ứng dụng thời gian thực trong
nghiên cứu và công nghiệp [9-10].
Trong lĩnh vực y tế, việc sử dụng các
kính hiển vi để quan sát các mẫu bệnh phẩm
là công việc hàng ngày của các nhà nghiên
cứu trong phòng thí nghiệm, đặc biệt trong
các giờ học thực hành của ngành y. Tuy
nhiên, các ảnh tạo ra nhờ các hệ thống quang
học không tránh khỏi các yếu tố gây giảm
chất lượng ảnh do nhiễu tác động bởi ánh
sáng, nhiệt độ và yếu tố môi trường. Việc sử
dụng các thuật toán xử lý ảnh nhằm nâng cao
chất lượng ảnh, làm sắc nét hơn các chi tiết
nhờ loại bỏ bớt nhiễu ảnh đã và đang được
sử dụng rất rộng rãi. Bài báo này trình bày
chi tiết về thuật toán Le-ADDM và ứng dụng
của nó trong xử lý ảnh từ kính hiển vi quang
học góc rộng. Kết quả chứng minh rằng Le-
ADDM không chỉ cải thiện chất lượng hình
ảnh mà còn bảo toàn được các đặc trưng chi
tiết, mở ra tiềm năng ứng dụng rộng rãi trong
các lĩnh vực khoa học.
2. Phương pháp
Các hệ quang học nói chung, ảnh mờ của hệ
thống quang học tạo ra được hiểu là tích chập
của một ảnh nét với hàm nhòe điểm cộng với
thành phần gây nhiễu ảnh [9], được mô hình hóa
bởi công thức dưới đây:
Ở đây, η là nhiễu, * là toán tử tích chập,
g là ảnh thu được từ hệ thống quang học, H
là hàm nhòe điểm và o được coi là ảnh gốc có
độ phân giải cao. Như vậy, nhiệm vụ của thuật
toán tối ưu là từ ảnh g thu được phải khôi phục
lại ảnh gốc o. Thuật toán Le-ADMM dựa trên
nguyên lý của thuật toán ADMM để giải bài
toán tối ưu khôi phục tín hiệu gốc từ tín hiệu bị
làm mờ và nhiễu [10]. Bài toán tối ưu được mô
tả bởi công thức:
22
22
1
min
22
o
Hog ozu
ρ
− + −+ (2)
Trong đó, ρ là tham số tăng cường trong
thuật toán ADMM, u là biến nhân tử Lagrange
mở rộng (được cập nhật sau mỗi vòng lặp) và z
là biến phụ.
Từ phương trình (2), ta thấy biểu thức được
kết hợp bởi hai thành phần, thứ nhất
2
2
()
Ho g−
, là thành phần khớp dữ liệu, mục tiêu phải khôi
phục được ảnh o sao cho tích chập ho giống với
g. Thành phần thứ hai, 2
2
()
2
ozu
ρ
−+ là thành
phần ràng buộc ADMM, đảm bảo ảnh i thỏa
mãn các điều kiện ràng buộc không âm thông
qua biến phụ z.
Giải bài toán khôi phục ảnh o trong công
thức (2) được thực hiện trong miền Fourier do
tích chập ho rất tốn kém bộ nhớ khi thực hiện
trực tiếp trong miền không gian.
Hàm mục tiêu của ảnh o được viết dưới
dạng:
22
22
1
()
22
fo Hog ozu
ρ
= − + −+
Đạo hàm của công thức (3) sẽ là:
( ) ( .( )) .( )
T
fo H Hog ozu
ρ
∇ = − + −+
*g oH
η
= +
304 Tạp chí KH&CN Trường Đại học Hòa Bình - Số Đặc biệt - Tháng 12.2024
Y HỌC
Điều kiện để hàm tối ưu là đạo
hàm ở công thức (4) bằng 0.
()
TT
H Ho o H g z u
ρρ
+= + −
(5)
Gộp
T
HH I
ρ
+
(I là ma trận đơn vị)
thành hệ số ma trận thì phương trình (5) trở
thành:
(6)
Chuyển phương trình (6) sang miền Fourier,
ta thấy, trong miền Fourier HTH tương đương
với
2
H , HTg tương đương với H*.G (với G
là biến đổi Fourier của g, H* là liên hợp phức
của H).
Khi đó, tử số được tính toán như sau:
( ). . ( )b conj H G F z u
ρ
= +−
(7)
Trong đó: G là biến đổi fourier của g;
F(z-u) là biến đổi Fourier của phần
dư (z – u).
Vậy ta có ảnh trong miền biến đổi fourier
được xác định bằng công thức:
2
b
O
H
ρ
=
+
Sau đó, chuyển O về miền không gian, ta
thu được o.
Trong thuật toán Le - ADMM, có sử dụng
thêm một tham số τ, gọi là bước tuyến tính hóa,
tại bước thứ k, ảnh khôi phục được xác định
bằng công thức:
1
. ()
kk
o o fo
τ
+
= −∇
(9)
Tiếp theo, cập nhật z (soft-thresholding) áp
dụng ràng buộc thưa thớt.
z(k+1) = max(o(k+1) + u,0) (10)
Bước tiếp theo là cập nhật u bằng công thức:
( 1) ( 1) ( 1)
()
k kk k
u uo z
+ ++
=+−
(11)
Sau khi cập nhật các giá trị mới của o và z,
công việc cuối cùng là kiểm tra điều kiện hội tụ
bằng tham số ξ.
3. Mô phỏng ảnh
Ảnh đầu vào là ảnh chụp một vật phẩm từ một
kính hiển vi góc rộng. Ảnh thu được từ hệ thống
kính hiển vi góc rộng chứa các thành nhiễu. Để mô
phỏng ảnh thu được từ hệ thống quang học, cho
ảnh gốc tích chập với hàm nhòe điểm dạng gausse
kích thước 15x15, sau đó, cộng với một nhiễu có
độ phương sai nhiễu λ.
Bộ tham số sử dụng để khôi phục ảnh của hệ
thống quang học được chọn như sau:
- Số vòng lặp k = 20
- ρ = 3 (tham số tăng cường ADMM)
- ξ = 10-6 (ngưỡng hội tụ)
Hình 1. Ảnh gốc của bệnh phẩm khi hệ thống quang học không có nhiễu
Hình 1(a). Ảnh quang học thu được
với mức nhiễu thấp (λ = 0.005)
Hình 1(b). Ảnh sau khôi phục
bằng thuật toán Le-ADMM
Số Đặc biệt - Tháng 12.2024 - Tạp chí KH&CN Trường Đại học Hòa Bình 305
Y HỌC
Hình 2(a). Ảnh quang học thu được
với mức nhiễu thấp (λ = 0.005)
Hình 2(b). Ảnh sau khôi phục
bằng thuật toán Le-ADMM
Hình3(a) :Ảnh bệnh phẩm thu được
ở hệ thống quang học có mức nhiễu cao
được mô phỏng ở hệ số λ = 0.05
Hình 3(b). Ảnh sau khôi phục
bằng thuật toán Le-ADMM
Các kết quả trên cho thấy, hình ảnh quan sát
được ở hệ thống quang học bị gây nhiễu ở các
mức độ khác nhau. Tuy nhiên, ảnh khôi phục
bằng thuật toán Le-ADMM đã khử nhiễu tốt,
mang lại ảnh sau khôi phục có đường nét chi tiết
rõ hơn về mặt thị giác.
4. Kết luận
Kết quả mô phỏng cho thấy, sử dụng thuật
toán khôi phục ảnh mang lại hiệu quả tốt trong
việc quan sát các mẫu bệnh phẩm y tế. Thuật toán
Le-ADMM chứng minh hiệu quả khử nhiễu tốt ở
các mức độ khác nhau và ảnh khôi phục tốt hơn.
Tài liệu tham khảo
[1] Gonzalez, R. C., & Woods, R. E., Digital Image Processing, 4th Edition, Pearson Education, New
York, 2018.
[2] Russ, J. C., The Image Processing Handbook, 7th Edition, CRC Press, 2016.
[3] Jain, A. K., Fundamentals of Digital Image Processing, 18th Edition, Prentice-Hall, 1989.
[4] Buades, A., Coll, B., & Morel, J. M., “A non-local algorithm for image denoising”, IEEE Computer
Society Conference on Computer Vision and Pattern Recognition, 2005, (CVPR), 2, 60–65.
[5] Dabov, K., Foi, A., Katkovnik, V., & Egiazarian, K., “Image denoising by sparse 3D transform-domain
collaborative filtering”, IEEE Transactions on Image Processing, 16(8), 2080–2095, 2007.
[6] Mallat, S., A Wavelet Tour of Signal Processing, Academic Press, 1999.
[7] Zhang, K., Zuo, W., & Zhang, L., “Beyond a Gaussian denoiser: Residual learning of deep CNN for
image denoising”, IEEE Transactions on Image Processing, 26(7), 3142–3155, 2017.
[8] Liu, P., & Chen, J., “Adaptive dual-domain filtering for robust image denoising”, Journal of Visual
Communication and Image Representation, 75, 103081, 2021.
[9] Chen, L., Sun, D., Toh, K.C., “A note on the convergence of ADMM for linearly constrained convex
optimization problems”, Comput. Optim. Appl. 66(2), 327–343, 2017.
[10] S. Boyd, N. Parikh, and E. Chu, et al., “Distributed optimization and statistical learning via the alter-
nating direction method of multipliers”, Found. Trends Mach. Learning 3(1), 1–122, 2010.