Phát triển thuật toán loại bỏ nhiễu nền cho ảnh của kính hiển vi quang học

Chia sẻ: Tưởng Mộ Tranh | Ngày: | Loại File: PDF | Số trang:4

Thêm vào BST

Báo xấu

11
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

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 "Phát triển thuật toán loại bỏ nhiễu nền cho ảnh của kính hiển vi quang học", nhóm tác giả 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. Mời các bạn cùng tham khảo!

Chủ đề:

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

Lưu

Nội dung Text: Phát triển thuật toán loại bỏ nhiễu nền cho ảnh của kính hiển vi quang học

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 1 Trường Đại học Điện lực 2 Học viện Kỹ thuật Quân sự 3 Trường 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 1 Electric Power University 2 Military Technical Academy 3 Hoa 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 nền có thể xuất phát từ các yếu tố môi trường, Trường Đại học Hòa Bình là cơ sở giáo hệ thống cảm biến, hoặc thậm chí từ chính các dục đào tạo có các ngành đào tạo về y học nên nguồn sáng không đồng đều trong quá trình thường xuyên sử dụng các kính hiển vi quang chụp ảnh [1-2]. học để quan sát các mẫu tế bào. Kính hiển vi Việc loại bỏ nhiễu nền trong ảnh kính hiển quang học góc rộng giúp quan sát các cấu trúc vi đóng vai trò quan trọng để cải thiện độ chính lớn với độ phân giải cao hơn, mở rộng khả năng xác của các phân tích dựa trên ảnh. Những ứng dụng trong nghiên cứu khoa học và thực tập phương pháp xử lý ảnh truyền thống, như: bộ của sinh viên. Tuy nhiên, một vấn đề quan trọng lọc Gaussian, Wiener, hoặc các kỹ thuật dựa trên đối với ảnh từ kính hiển vi quang học là sự hiện Fourier Transform, đã được áp dụng rộng rãi để diện của nhiễu nền (background noise). Nhiễu loại bỏ nhiễu. Tuy nhiên, các phương pháp này 302 Tạp chí KH&CN Trường Đại học Hòa Bình - Số Đặc biệt - Tháng 12.2024
Y HỌC thường gặp hạn chế trong việc duy trì sự cân ảnh mà còn bảo toàn được các đặc trưng chi bằng giữa loại bỏ nhiễu và bảo toàn chi tiết hình tiết, mở ra tiềm năng ứng dụng rộng rãi trong ảnh [3-4]. Đặc biệt, trong các ứng dụng đòi hỏi các lĩnh vực khoa học. mức độ chính xác cao, như: phân tích hình thái 2. Phương pháp tế bào hay cấu trúc vật liệu nano, sự mất mát chi Các hệ quang học nói chung, ảnh mờ của hệ tiết có thể dẫn đến sai lệch nghiêm trọng trong thống quang học tạo ra được hiểu là tích chập kết quả phân tích [5]. của một ảnh nét với hàm nhòe điểm cộng với Gần đây, các phương pháp dựa trên miền thành phần gây nhiễu ảnh [9], được mô hình hóa tần số và miền không gian được kết hợp để bởi công thức dưới đây: tận dụng các ưu điểm của cả hai miền. Các = o * H +η g thuật toán hiện đại như Wavelet Transform [6], Non-Local Means (NLM) [7], và Block Matching 3D Filtering (BM3D) [8] đã cải Ở đây, η là nhiễu, * là toán tử tích chập, thiện đáng kể hiệu quả loại bỏ nhiễu, nhưng g là ảnh thu được từ hệ thống quang học, H vẫn tồn tại thách thức trong việc xử lý ảnh có là hàm nhòe điểm và o được coi là ảnh gốc có đặc điểm phức tạp. Điều này thúc đẩy sự phát độ phân giải cao. Như vậy, nhiệm vụ của thuật triển của các thuật toán thích nghi, trong đó, toán tối ưu là từ ảnh g thu được phải khôi phục các tham số xử lý có thể tự động điều chỉnh lại ảnh gốc o. Thuật toán Le-ADMM dựa trên dựa trên đặc điểm nhiễu và mẫu vật. nguyên lý của thuật toán ADMM để giải bài Le-ADDM (Adaptive Dual-Domain toán tối ưu khôi phục tín hiệu gốc từ tín hiệu bị Method) là một thuật toán tiên tiến được thiết làm mờ và nhiễu [10]. Bài toán tối ưu được mô kế để giải quyết vấn đề này. Với cách tiếp cận tả bởi công thức: kết hợp cả miền không gian và miền tần số, Le- 1 2 ρ 2 (2) min Ho − g 2 + o − z + u 2 ADDM sử dụng các phương pháp thích nghi để o 2 2 tối ưu hóa việc loại bỏ nhiễu, đồng thời, bảo toàn Trong đó, ρ là tham số tăng cường trong được các đặc trưng quan trọng như biên, cấu trúc thuật toán ADMM, u là biến nhân tử Lagrange và kết cấu bề mặt của mẫu. Hơn nữa, Le-ADDM mở rộng (được cập nhật sau mỗi vòng lặp) và z có khả năng xử lý ảnh với hiệu suất tính toán cao, là biến phụ. phù hợp cho các ứng dụng thời gian thực trong Từ phương trình (2), ta thấy biểu thức được nghiên cứu và công nghiệp [9-10]. kết hợp bởi hai thành phần, thứ nhất ( Ho − g 2 ) 2 Trong lĩnh vực y tế, việc sử dụng các , là thành phần khớp dữ liệu, mục tiêu phải khôi kính hiển vi để quan sát các mẫu bệnh phẩm phục được ảnh o sao cho tích chập ho giống với là công việc hàng ngày của các nhà nghiên g. Thành phần thứ hai, ( ρ o − z + u 2 ) là thành 2 2 phần ràng buộc ADMM, đảm bảo ảnh i thỏa cứu trong phòng thí nghiệm, đặc biệt trong các giờ học thực hành của ngành y. Tuy mãn các điều kiện ràng buộc không âm thông nhiên, các ảnh tạo ra nhờ các hệ thống quang qua biến phụ z. học không tránh khỏi các yếu tố gây giảm Giải bài toán khôi phục ảnh o trong công chất lượng ảnh do nhiễu tác động bởi ánh thức (2) được thực hiện trong miền Fourier do sáng, nhiệt độ và yếu tố môi trường. Việc sử tích chập ho rất tốn kém bộ nhớ khi thực hiện dụng các thuật toán xử lý ảnh nhằm nâng cao trực tiếp trong miền không gian. chất lượng ảnh, làm sắc nét hơn các chi tiết Hàm mục tiêu của ảnh o được viết dưới nhờ loại bỏ bớt nhiễu ảnh đã và đang được dạng: 1 2 ρ 2 f (o ) = Ho − g 2 + o − z + u sử dụng rất rộng rãi. Bài báo này trình bày 2 2 2 chi tiết về thuật toán Le-ADDM và ứng dụng của nó trong xử lý ảnh từ kính hiển vi quang Đạo hàm của công thức (3) sẽ là: học góc rộng. Kết quả chứng minh rằng Le- ∇f (o) ( H T .( Ho − g )) + ρ .(o − z + u ) = ADDM không chỉ cải thiện chất lượng hình Số Đặc biệt - Tháng 12.2024 - Tạp chí KH&CN Trường Đại học Hòa Bình 303
Y HỌC Điều kiện để hàm tối ưu là đạo thêm một tham số τ, gọi là bước tuyến tính hóa, hàm ở công thức (4) bằng 0. tại bước thứ k, ảnh khôi phục được xác định bằng công thức: H T Ho + ρ o= H T g + ρ ( z − u ) (5) o k +1 = o k − τ .∇f (o) (9) Gộp H H + ρ I (I là ma trận đơn vị) T thành hệ số ma trận thì phương trình (5) trở Tiếp theo, cập nhật z (soft-thresholding) áp thành: dụng ràng buộc thưa thớt. ( H T H + ρ I )o = H T g + ρ ( z − u ) z(k+1) = max(o(k+1) + u,0) (10) (6) Bước tiếp theo là cập nhật u bằng công thức: Chuyển phương trình (6) sang miền Fourier, ( k +1) ( k +1) ( k +1) (11) u =+ (o u k −z ) ta thấy, trong miền Fourier HTH tương đương với H , HTg tương đương với H*.G (với G 2 Sau khi cập nhật các giá trị mới của o và z, là biến đổi Fourier của g, H* là liên hợp phức công việc cuối cùng là kiểm tra điều kiện hội tụ của H). bằng tham số ξ. Khi đó, tử số được tính toán như sau: 3. Mô phỏng ảnh = conj ( H ).G + ρ .F ( z − u ) (7) b Ảnh đầu vào là ảnh chụp một vật phẩm từ một kính hiển vi góc rộng. Ảnh thu được từ hệ thống Trong đó: G là biến đổi fourier của g; kính hiển vi góc rộng chứa các thành nhiễu. Để mô F(z-u) là biến đổi Fourier của phần phỏng ảnh thu được từ hệ thống quang học, cho dư (z – u). ảnh gốc tích chập với hàm nhòe điểm dạng gausse Vậy ta có ảnh trong miền biến đổi fourier kích thước 15x15, sau đó, cộng với một nhiễu có được xác định bằng công thức: độ phương sai nhiễu λ. b Bộ tham số sử dụng để khôi phục ảnh của hệ O = 2 H +ρ thống quang học được chọn như sau: Sau đó, chuyển O về miền không gian, ta - Số vòng lặp k = 20 thu được o. - ρ = 3 (tham số tăng cường ADMM) Trong thuật toán Le - ADMM, có sử dụng - 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 Hình 1(b). Ảnh sau khôi phục với mức nhiễu thấp (λ = 0.005) bằng thuật toán Le-ADMM 304 Tạp chí KH&CN Trường Đại học Hòa Bình - Số Đặc biệt - Tháng 12.2024
Y HỌC Hình 2(a). Ảnh quang học thu được Hình 2(b). Ảnh sau khôi phục với mức nhiễu thấp (λ = 0.005) bằng thuật toán Le-ADMM Hình3(a) :Ảnh bệnh phẩm thu được Hình 3(b). Ảnh sau khôi phục ở hệ thống quang học có mức nhiễu cao bằng thuật toán Le-ADMM được mô phỏng ở hệ số λ = 0.05 Các kết quả trên cho thấy, hình ảnh quan sát 4. Kết luận được ở hệ thống quang học bị gây nhiễu ở các Kết quả mô phỏng cho thấy, sử dụng thuật mức độ khác nhau. Tuy nhiên, ảnh khôi phục toán khôi phục ảnh mang lại hiệu quả tốt trong bằng thuật toán Le-ADMM đã khử nhiễu tốt, việc quan sát các mẫu bệnh phẩm y tế. Thuật toán mang lại ảnh sau khôi phục có đường nét chi tiết Le-ADMM chứng minh hiệu quả khử nhiễu tốt ở rõ hơn về mặt thị giác. 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. Số Đặc biệt - Tháng 12.2024 - Tạp chí KH&CN Trường Đại học Hòa Bình 305