NÂNG CAO CHẤT LƯỢNG ẢNH BẰNG KẾT HỢP THUẬT TOÁN  TRUYỀN THỐNG LUCY – RICHARDSON – ROSEN  VÀ KỸ THUẬT HỌC SÂU DẠNG UNET

Trần Trọng Thắng; Lê Trọng Hiếu; Nguyễn Quang Thi; Đinh Văn Sang; Lê Văn Nhu

doi:10.34238/tnu-jst.11593

NÂNG CAO CHẤT LƯỢNG ẢNH BẰNG KẾT HỢP THUẬT TOÁN TRUYỀN THỐNG LUCY – RICHARDSON – ROSEN VÀ KỸ THUẬT HỌC SÂU DẠNG UNET

Thông tin bài báo

Ngày nhận bài: 23/11/24 Ngày hoàn thiện: 30/12/24 Ngày đăng: 30/12/24

Các tác giả

1. Trần Trọng Thắng, Trường Đại học Điện lực
2. Lê Trọng Hiếu, Trường Đại học Điện lực
3. Nguyễn Quang Thi, Trường Đại học Kỹ thuật Lê Quý Đôn
4. Đinh Văn Sang, Trường Đại học Kỹ thuật Lê Quý Đôn
5. Lê Văn Nhu , Trường Đại học Kỹ thuật Lê Quý Đôn

Tóm tắt

Các thuật toán khôi phục truyền thống đã cải thiện đáng kể chất lượng ảnh về độ phân giải, tính tương tự với ảnh gốc và độ tương phản. Trong đó, thuật toán truyền thống Lucy – Richardson – Rosen là một trong những phương pháp mới được phát triển gần đây cho cải thiện độ phân giải ảnh và tính tương đồng với ảnh gốc. Tuy nhiên, các nghiên cứu cũng chỉ ra rằng phương pháp này vẫn đưa đến tạp chất gây nhiễu trên ảnh khôi phục, xuất hiện các artifacts bám theo các chi tiết ảnh. Để loại bỏ được nhiễu này và nâng cao chất lượng ảnh khôi phục, bài báo này đã đề xuất sử dụng thêm kỹ thuật học sâu. Mô hình học sâu được sử dụng dạng Unet. Quá trình mô phỏng trên bộ ảnh y tế đã chỉ ra rằng với một ảnh y tế mờ từ hệ thống quang học, sau hai bước xử lý bằng thuật toán Lucy – Richardson – Rosen và kết hợp với mạng học sâu Unet đã cho ảnh khôi phục tốt hơn. Ảnh khôi phục đã giảm được thành phần nhiễu artifact, cải thiện độ phân giải và tăng tính đồng dạng với ảnh gốc được minh chứng bằng chỉ số tương đồng cấu trúc và chỉ số nhận thức thị giác của người.

Từ khóa

Khôi phục ảnh; Thuật toán Lucy – Richardson - Rosen; Chất lượng ảnh; Kỹ thuật học sâu; Mô hình Unet

Toàn văn:

PDF

Tài liệu tham khảo

[1] W. H. Richardson, “Bayesian-Based Iterative Method of Image Restoration,” Journal of the Optical Society of America, vol. 62, pp. 55-59, 1972.

[2] L. B. Lucy, “An iterative technique for the rectification of observed distributions,” The Astronomical Journal, vol. 79, pp. 745–754, 1974.

[3] M. R. Rai, A. Vijayakumar, and J. Rosen, “Non-linear adaptive three-dimensional imaging with interferenceless coded aperture correlation holography (I-COACH),” Optics Express, vol. 26, pp. 18143–18154, 2018.

[4] S. Gopinath, A. S. Rajeswary, and V. Anand, “Sculpting axial characteristics of incoherent imagers by hybridization methods,” Optics and Lasers in Engineering, vol. 172, 2024, Art. no. 107837.

[5] K. Zhang, W. Zuo, and L. Zhang, “Learning a single convolutional super-resolution network for multiple degradations,” 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018, pp. 3262-3271.

[6] A. Jayavel, S. Gopinath, P. P. Angamuthu, F. G. Arockiaraj, A. Bleahu, A. P. I. Xavier, D. Smith, M. Han, I. Slobozhan, et al. “Improved Classification of Blurred Images with Deep-Learning Networks Using Lucy-Richardson-Rosen Algorithm,” Photonics, vol. 10, 2023, Art. no. 396.

[7] O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional networks for biomedical image segmentation,” International Conference on Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015, vol. 9351, pp. 234-241, 2015.

[8] Y. Zhang, “Deep learning-enhanced microscopy with extended depth-of-field,” Light: Science & Applications, vol. 12, 2023, Art. no. 284.

[9] J. Jepkoech, D. M. Mugo, K. K. Benson, and E. C. Too, “The Effect of Adaptive Learning Rate on the Accuracy of Neural Networks,” International Journal of Advanced Computer Science and Applications, vol. 12, no. 8, pp. 736-751, 2021.

[10] U. Sara, M. Akter, and M. Uddin, “Image Quality Assessment through FSIM, SSIM, MSE and PSNR—A Comparative Study,” Journal of Computer and Communications, vol. 7, pp. 8-18, 2019.

DOI: https://doi.org/10.34238/tnu-jst.11593

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ