Nghiên cứu thuật toán nâng cao ảnh số hóa tuyến vú dựa trên thuyết mờ

NHÓM 2:Nghiên cứu thuật toán nâng cao
ảnh số hóa tuyến vú dựa trên thuyết mờ
Lý thuyết: Sử dụng ảnh Số hóa tuyến vú để chẩn đoán thư tiêu tốn rất nhiều thời gian
ngay cả với những bác sĩ X-quang tay nghề cao bởi ảnh chụp không rõ nét, độ tương phản
thấp. Do đó, cần có sự nâng cao chất lượng hình ảnh của ảnh số hóa tuyến vú. Trong một
vài năm gần đây, đã có rất nhiều nhà nghiên cứu áp dụng Logic mờ để phát triển các thuật
toán xử lý ảnh. Trong đó, quá trình xử lý ảnh bằng mờ hóa là một trong những ứng dụng
quan trọng của Logic mờ. Bài nghiên cứu này chỉ ra sự giống và khác nhau giữa việc
nâng cao chất lượng ảnh bằng kỹ thuật mờ hóa và kỹ thuật không tuyến tính khác, bộ lọc
mờ hóa miêu tả kiến thức một cách tổng thể.
Aboul Ella Hassanien: sinh ngày 22/3/1964 tại Cairo, Ai Cập. Ông đã được cấp bằng cử
nhân khoa học vào năm 1986 và thạc sĩ khoa học vào năm 1993, cả hai đều được cấp bởi
trường đại học Ain Shams, Cairo, Ai Cập. Vào tháng 9/1998, ông được ban khoa học máy
tính thuộc viện kỹ thuật Tokyo trao bằng tiến sĩ. Hiện tại, ông đang làm việc tại trường
Đại học Kuwait.
1. Giới thiệu:
Nâng cao chất lượng hình ảnh trong y học máy tính là quá trình sử dụng máy tính làm
hình ảnh rõ nét hơn. Các phương pháp nâng cao hình ảnh bao gồm: khử nhiễu, làm rõ
cạnh, nâng cao độ tương phản. Là phương pháp khôi phục ảnh bị ảnh hưởng bởi những
cản trở hoặc làm rõ hơn những đặc điểm hiện tại của bức ảnh. Nâng cao chất lượng ảnh
có thể có ảnh hưởng tích cực đến mọi lĩnh vực y học. Cụ thể, với những bức ảnh chất
lượng tốt, các chuyên gia có thể phân tích và chẩn đoán dễ dàng và nhanh chóng hơn.
Bài nghiên cứu nói về quá trình nâng cao chất lượng ảnh chụp khối u ở ngực dựa trên Lý
thuyết mờ. Có rất nhiều lý do để thực hiện, trong đó bao gồm những yếu tố quan trọng
sau:
-

Kỹ thuật mờ hóa là công cụ tiện ích cho việc miêu tả và xử lý
Kỹ thuật mờ hóa có thể đạt được sự hiệu quả cao trong quá trình phỏng đoán.

Trong số những ứng dụng của việc nâng cao chất lượng ảnh, chúng ta có thể sử dụng

những kiến thức chuyên môn để vượt qua những khó khăn. Bên cạnh đó vẫn còn những
yếu tố không chắc chắn có thể xảy ra như:
-

Mờ hóa hình học


-

Xám hóa mơ hồ
Kiến thức không chắc chắn.

Số hóa tuyến vú là quá trình kỹ thuật số những bức ảnh chụp khối u ở ngực. Nó có khả
năng đem lại cuộc cách mạng trong công cuộc ngăn chặn bệnh ung thư vú. Chuyên gia Xquang sử dụng chúng như một sự thay thế bởi vấn đề từ chương trình kiểm tra thông
thường. Số hoá có thể trình chiếu bằng thiết bị chuyên dụng hoặc camera. Thông thường,
phần lớn số hóa tuyến vú có 4096 lượng bức xạ mỗi pixel trên cả tấm. Hiện tại, số hóa
tuyến vú là một trong những phương pháp hứa hẹn nhất trong việc kiểm soát bệnh ung
thư kể từ khi nguồn gốc của bệnh ung thư vú chưa được biết đến.
Các thuật toán nâng cao đã được dùng để giảm nhiễu cũng như tăng sự tương phản của
kết cấu. Tại nơi mà sự bình thường hay bất thường của cấu trúc không rõ ràng, sự phán
đoán sẽ gặp khó khăn khi mức độ nhiễu quá cao. Trong một số trường hợp sự nâng cao
chất lượng hình ảnh làm cho quá trình chẩn đoán trở nên dễ dàng hơn. Không những cung
cấp những hình ảnh rõ nét hơn mà nó còn hình thành nên những quá trình phân tích tự
động.
Phát hiện ra các khối u trong bức ảnh chụp khối u ở ngực thông qua quá trình xử lí ảnh là
bước khó khăn bởi những lí do sau đây:
-

Có rất nhiều cấp cường độ khác nhau ở trong tuyến vú.
Các tính năng phân đoạn rất khó để xây dựng

Sự biến đổi nhỏ mức độ xám trên các phần khác nhau của hình ảnh làm cho việc
phân đoạn của khu vực khối u bằng chỉ bằng mức xám là khó khăn
Những khối u thường không xuất hiện rõ ràng, đặc biệt khi chúng khó thấy khi ở
dưới các tuyến mô.
Ảnh chụp tuyến vú độ tương phản thấp và có cấu trúc phức tạp
Mật độ tuyến vú phụ thuộc vào tuổi tác, do vậy số hóa tuyến vú tạo ra ảnh với chất
lượng khác nhau
Hình ảnh chụp tuyến vú không phân cực. Kết quả là, bất kỳ phương pháp phân
đoạn [6, 7, 8], trong đó sử dụng một tiên nghiệm hoặc phương pháp giá trị ngưỡng
duy nhất, rất có khả năng để tạo ra các lỗi nghiêm trọng trong quá trình phân đoạn

Phân tích hình ảnh tuyến vú là một nhiệm vụ đầy thách thức do mức độ chiếu sáng thấp
và mức độ nhiễu cáo trong hình ảnh lên đến 10-15 % giá trị tối đa của cường độ điểm
ảnh. Đây là một vấn đề vì các quá trình cải thiện ảnh có thể làm tăng một cách không
mong muốn các thành phần bị nhiễu trong bức ảnh [6, 13, 16]. Vì thế, ảnh tuyến vú là một
trong những tuyến khó nhất để phân tích và giải thích. Hơn thế nữa , hình ảnh luôn luôn


có vẻ lộn xộn, và các nền tảng khác nhau rất nhiều giữa hai vú khác nhau. Ngay cả những
bất thường nhất xuất hiện khá nhỏ và không thường xuyên
2. Cải thiện ảnh bằng mờ hóa
Kỹ thuật cải thiện ảnh bằng mờ hóa dựa trên việc ảnh xạ mức độ xám vào trong một mặt
phẳng mờ, sử dụng các hàm chuyển đổi thành phần [10, 12]. Mục đích là để tạo ra một
hình ảnh có độ tương phản cao hơn so với hình ảnh ban đầu bằng cách đưa ra một tỷ trọng
lớn hơn các mức độ xám đảm bảo gần hơn mức độ xám trung bình của một bức ảnh thay
vì xa hơn giá trị trung bình. Trong vài năm gần đây, nhiều nhà nghiên cứu đã áp dụng lý
thuyết tập mờ để phát triển các kỹ thuật cải thiện độ tương phản [10]. Một bức ảnh I kích
thước M x N và có số lượng mức xám L có thể được xem như một mảng mờ độc lập, mỗi
thứ đều có một giá trị thành phần biểu thị mức độ sáng liên quan tới độ sáng. Với một bức
ảnh I, chúng ta có thể viết thành các ký hiệu của tập mờ như sau:

Trong đó

là cường độ của điểm ảnh thứ (m x n); và

là giá trị thành phần

của nó. Các hàm thuộc đặc trưng cho mỗi thuộc tính phù hợp của hình ảnh (ví dụ độ sắc
nét, độ tối, kết cấu) và có thể được xác định trên toàn cục của toàn bộ bức ảnh hoặc cục
bộ cho các phân đoạn của ảnh. Trong vài năm trở lại đây, một vài nhà nghiên cứu đã áp
dụng các khái niệm mờ hóa để phát triển các thuật toán mới để cải thiện ảnh. Nguyên lý
cơ bản của việc cải thiện ảnh sử dụng mới được minh họa như sau:

Hình 1: Nguyên lý cơ bản để cải thiện ảnh bằng mờ hóa
3. Các thuật toán xử lý nâng cao
Nâng cao độ tương phản rất hữu ích khi một khu vực của hình ảnh (đó là có tầm quan
trọng đặc biệt) chỉ có những thay đổi chút ít trong cường độ điểm ảnh. Trong những
trường hợp này, nó có thể khó khăn để mắt người để nhận diện ra các cấu trúc một cách rõ
ràng, đặc biệt là nếu các hình ảnh đang được hiển thị trên một màn hình chất lượng thấp.
Bằng cách phóng đại thay đổi cường độ điểm ảnh của hình ảnh có thể trở nên dễ dàng hơn
để giải thích [ 1,2,3,4 ]. Áp dụng bộ lọc nâng cao độ tương phản sẽ cải thiện khả năng đọc
của khu vực với những thay đổi chút ít trong tương phản nhưng cũng sẽ phá hủy các khu
vực của hình ảnh đó cường độ của các điểm ảnh nằm ngoài phạm vi của các cường độ


được tăng cường. Vì vậy, trong phần này chúng ta sẽ thảo luận và thực hiện năm thuật
toán nâng cao hình ảnh mờ và so sánh giữa chúng để nâng cao chất lượng độ tương phản
hình ảnh kỹ thuật số chụp quang tuyến vú. 5 thuật toán đó là:
1. Thuật toán phân phối khả năng
2. Cải thiện độ tương phản với toán tử tăng cường

3. Cải thiện độ tương phản với biểu đồ tần xuất mờ tăng phân cực mạnh.
4. Cải thiện độ tương phản trên cơ sở các luật If..then mờ
5. Tăng cường độ tương phản cục bộ thích ứng
Trong phần này, mỗi thuật toán sẽ được mô tả chi tiết.
3.1. Thuật toán 1: Thuật toán phân phối khả năng
Các phân phối khả năng [ 18 ] của các mức xám trong ảnh gốc có thể được đặc trưng
bằng năm tham số (α, β1, γ, β2, max ) như trong hình ( 2 )

Hình 2: Hàm phân phối khả năng của các giá trị tính toán thành phần
Trong đó, giá trị cường độ γ đại diện cho các giá trị trung bình của phân phối, α là tối
thiểu ,và max là tối đa. Mục đích là để giảm mức độ màu xám xuống dưới β1, trên β2.
Mức cường độ giữa β1 và γ, và β2 và γ được dãn ra theo hướng ngược về giá trị trung
bình γ.
Hàm chuyển đổi mờ để tính giá trị mặt phẳng mờ P được định nghĩa như sau:
α= min;
β1= (α+ γ) /2;
β2= (max + γ) /2;
γ = mean; max;
Các luật mờ sau đây được sử dụng để tăng cường độ tương phản dựa trên hình (2):
Luật 1: If α ≤
(2)

< β1 then P = 2 ( (

- α) / ( γ -α ))²


Luật 2: If β1 ≤

< γ then P = 1- 2 ( (

– γ )/( γ -α ))²

(3)
Luật 3: If α ≤

< β2 then P= 1- 2( (

– γ ) / ( max – γ ))²

(4)
Luật 4: If β2 ≤

< max then P = 2 ((

– γ )/( max – γ ))²

(5)
Trong đó:

= f(x,y) cường độ tại điểm ảnh thứ i

Thuật toán phân phối khả năng được mô tả như sau:
Bước 1: Khởi tạo các tham số
o Thiết lập β1 = ( min + mean )/2
o Thiết lập β2 = ( max + mean )/2
Bước 2: Mờ hóa
o Với tất cả điểm ảnh (i, j) trên ảnh, thực hiện:
 If ((data[i][j]>=min) && (data[i][j]< β1))
Tính NewGrayLevel =2*(pow(((data[i][j]-min)/(mean- min)),2))

 If ((data[i][j]> = β1) && (data[i][j] < mean))
Tính NewGrayLevel=1-(2*(pow(((data[i][j]-mean)/(mean-min)),2)))
 If ((data[i][j]>=mean)&&(data[i][j]< β2))
Tính NewGrayLevel=1-(2*(pow(((data[i][j]-mean)/(max-mean)),2)))
 If ((data[i][j] >= β2) && (data[i][j] Tính NewGrayLevel=2*(pow(((data[i][j]-mean)/(max-mean)),2))
Bước 3: Sửa đổi
o Tính FuzzyData[i][j]= pow(NewGrayLevel,2)
Bước 4: Giải mờ

3.2.

o Với tất cả điểm ảnh (i, j) trên ảnh, thực hiện:
Tính EnhancedData[i][j]=FuzzyData[i][j]*data[i][j];
Cải thiện độ tương phản với toán tử tăng cường

Phương pháp này sử dụng toán tử tăng cường [ 19 ] để giảm sự mờ hóa của hình ảnh
cho kết quả là tăng độ tương phản hình ảnh [ 20 , 21 ]


Cân bằng biểu đồ tần suất là một phương pháp được sử dụng rộng rãi và cũng là
phương pháp phổ biến nhằm tăng cường hình ảnh như X -quang và hình ảnh phong
cảnh được chụp dưới ánh sáng kém. Phương pháp này bao gồm việc tăng phạm vi hoạt
động của các điểm ảnh bằng cách kéo dài phân phối xác suất mức xám của chúng. Nó
hoạt động bằng cách xác định một vùng N x N lân cận và di chuyển trung tâm của
vùng này qua từng điểm ảnh. Tại mỗi địa điểm, các biểu đồ tần suất của các bức ảnh
con được tính toán để có được các chức năng cân bằng biểu đồ tần suất. Chức năng
này cuối cùng được sử dụng để ánh xạ mức độ của điểm ảnh trung tâm trong một lân
cận. Khi sử dụng nâng cao độ tương phản dựa trên mờ, chúng ta cần một số thông số
trong mỗi khu vực lân cận cho các hàm thuộc như mức độ xám tối thiểu và tối đa

trong hình ảnh. Sau đó, chúng ta có thể tìm được các thông số của các hàm thuộc cho
một số bức ảnh con và suy các giá trị để có được giá trị tương ứng cho mỗi điểm ảnh.
Trong nhiều trường hợp, việc thực hiện thích ứng tổng thể là cần thiết để đạt được kết
quả tốt hơn. Kỹ thuật mờ hóa độ tương phản cục bộ được so sánh là rất nhanh hơn so
với các thuật toán nâng cao hình ảnh toàn cục và cổ điển.
3.2.1. Thuật toán 2: Cải thiện độ tương phản với toán tử tăng cường
 Thiết lập các tham số (Fe, Fd,
) của hàm thuộc:

 Định nghĩa hàm thuộc:

 Điều chỉnh các giá trị thành viên

 Sinh ra mức độ xám mới:

Thuật toán được miêu tả như sau:
Bước 1: Khởi tạo các tham số
 Thiết lập

= 2;


Bước 2: Mờ hóa mức độ xám bằng hàm chuyển G
 Với tất cả điểm ảnh (i, j) trên ảnh, thực hiện:
Tính FuzzyData[i][j]=pow((1+((maxgray-data[i][j])/Fd)),-Fe);
Bước 3: Đệ quy điều chỉnh các giá trị thành viên với một hệ số (k = 2)
 Với tất cả điểm ảnh (i, j) trên ảnh, thực hiện:
o If ((FuzzyData[i][j]>=0)&&(FuzzyData[i][j]<=0.5))
Tính FuzzyData[i][j]=2*(pow(FuzzyData[i][j],2));
o Else If ((FuzzyData[i][j]>=0.5)&&(FuzzyData[i][j]<=1);

Tính FuzzyData[i][j]=1-(2*(pow((1-FuzzyData[i][j]),2)));
o Else Return
Bước 4: Sinh ra mức độ xám mới

bằng hàm chuyển ngược

 Với tất cả điểm ảnh (i, j) trên ảnh, thực hiện:
Tính NewGrayLevel = maxgray-(Fd*((pow(FuzzyData[i][j]) 1/Fe)))-1));
o If (NewGrayLevel<0)
EnhancedData[i][j]=0;
o Else if (NewGrayLevel>255)
EnhancedData[i][j]=255;
o Else EnhancedData[i][j]=NewGrayLevel

3.3.

Thuật toán 3: Cải thiện độ tương phản với mờ hóa biểu đồ tần xuất tăng
phân cực mạnh

Ý tưởng của phương pháp biểu đồ tần xuất phân cực mạnh và mờ hóa biểu đồ tần xuất
phân cực mạnh được miêu tả trong [22] và [23] tương ứng. Do mức độ cảm nhận của
con người sáng phi tuyến, thuật toán này sẽ thay đổi các giá trị thành viên của mức
xám theo một hàm logarit. Thuật toán này được xây dựng như sau:
1. Thiết lập hình dạng của hàm thuộc.
2. Thiết lập giá trị của biến mờ β.
3. Tính toán các giá trị thành viên

.

4. Thay đổi các giá trị thành viên bởi β.

5. Sinh ra các mức độ xám mới, như miêu tả dưới đây:


Việc lựa chọn các hàm thuộc rất quan trọng, như là hàm đặc trưng cho thuộc tính cụ
thể của bức ảnh (thuộc tính độ sắc nét, độ tối, văn bản).
Trong thuật toán này, hình dạng của hàm thuộc được thiết lập như một hình tam giác
để mô tả các hàng rào, và giá trị của biến mờ β, như một hàng rào ngôn ngữ, với β =
- 0.75 + µ 1.5. Sau đó, bằng cách tính toán các giá trị thành viên
và thay đổi
các giá trị thành viên bởi β. Sinh ra các giá trị mức độ xám mới
trình sau:

Thuật toán được miêu tả như dưới đây:
Bước 1: Khởi tạo các tham số
 Thiết lập hình dạng của hàm thuộc (dạng tam giác);
 Thiết lập giá trị biến mờ β với giá trị β = - 0.75 + µ 1.5
Bước 2: Mờ hóa dữ liệu // Một hàm thuộc tuyến tính
 for (i=0;i for (j=0;jo if(data[i][j]<100)
FuzzyData[i][j]=0
o else if((data[i][j]>=100)&&(data[i][j]<=200))
FuzzyData[i][j]=(0.01*data[i][j])-1;
o else if((data[i][j]>200)&&(data[i][j]<=255))
FuzzyData[i][j]=1; }
Bước 3: Thay đổi các giá trị thành viên
 Thiết lập ModificationBeta=2;
 For(i=0;i For(j=0;jpower=pow(FuzzyData[i][j],ModificationBeta); }

Bước 4: Sinh ra mức độ xám mới
 Thiết lập m=maxgray/(0.367879-1);
 EnhancedData[i][j]=m*(exp((-1*power))-1);

bằng phương


3.4.

Thuật toán 4: Cải thiện độ tương phản trên cơ sở các luật If..then mờ

Các phương pháp tiếp cận dựa trên nguyên tắc mờ là một phương pháp mạnh mẽ và
phổ biến cho nhiều nhiệm vụ trong xử lý ảnh. Một hệ thống rất đơn giản trên cơ sở
suy luận đã được phát triển. Hàm chức năng mờ hóa được mô tả trong hình (3)

Hình 3: Hàm thuộc
Thuật toán được bắt đầu bằng việc khởi tạo các tham số của ảnh, mức độ thấp nhất –
lớn nhất của độ xám. Sau đó thông qua việc mờ hóa các mức độ xám (ví dụ: giá trị
thành phần tối, xám, sáng) thiết lập các mức độ xám. Việc suy luận được thực hiện
trên cơ sở các nguyên tắc:
 Nếu tối thì là màu đen
 Nếu xám thì là màu xám
 Nếu sáng thì là màu trắng
Cuối cùng, giải mờ các kết quả đầu ra sử dụng giá trị nhỏ nhất (
lớn nhất (

), và giá trị trung bình (

), giá trị

) của mức độ xám, do vậy,

mức độ sáng được cải thiện mới được tính toán theo phương trình sau:

Cách thực hiện của chúng ta chỉ sử dụng 3 nguyên tắc, tuy vậy, việc sử dụng bổ sung
các nguyên tắc khác sẽ làm tăng chất lượng của phương pháp này.


Thuật toán được miêu tả như sau:
Bước 1: Khởi tạo các tham số
 Tìm giá trị nhỏ nhất và giá trị lớn nhất của mức độ xám;
 Tính giá trị mức độ xám trung bình = (max + min)/2.
Bước 2: Mờ hóa
 for (i=0;i for (j=0;jo If 0<= data<=min then Fuzzydata_I=1;
Else if min<=data<=mid Fuzzydata_I=(1/mid-min)*min-(1/mid min)*data;
o If mid<= data<=max then
Fuzzydata_I=(-1/max-mid)*mid+(1/max-mid)*data;
o Else if max<=data<=255 then Fuzzydata_I=1;
o If min<= data<=mid then
Fuzzydata_II=(-1/mid-min)*min+(1/mid-min)*data;
o Else if mid<=data<=max then
Fuzzydata_II=(1/max-mid)*mid+1+(-1/max-mid)*data;
Bước 3: Thay đổi các giá trị thành viên
 for (i=0;i for (j=0;jo If 0<= data<=min
 If dark THEN darker and set Fuzzydata_I=1; //dark
 Else if min<=data<=mid //Sử dụng tăng cường độ tương phản

o For x=0; x<3;x++
 If 0<= Fuzzydata_I <=0 then
• Fuzzydata_I=2*(Fuzzydata_I)^2;
 else if 0.5<= Fuzzydata_I <=1 then
• Fuzzydata_I=1-2*(1-Fuzzydata_I)^2;
o If mid<= data<=max
// light.
 For x=0; x<3;x++
 If 0<= Fuzzydata_I <=0.5 then
• Fuzzydata_I=2*(Fuzzydata_I)^2;
 else if 0.5<= Fuzzydata_I <=1 then
• Fuzzydata_I=1-2*(1-Fuzzydata_I)^2;
 Else if max<=data<=255


 IF light THEN lighter and set Fuzzydata_I=1; //gray.
 If min<= data<=mid then
• Fuzzydata=min(Fuzzydata_I,Fuzzydata_II);
 Else if mid<=data<=max then
• Fuzzydata=MAX(Fuzzydata_I,Fuzzydata_II);
Bước 4: Giải mờ
 for (i=0;i for (j=0;j If 0<= data<=min then
• Enhanceddata=data;
//Dark
 Else if max<=data<=255 then
• Enhanceddata=data;
//light.
 If min<= data<=mid

//gray
 If Fuzzydata==Fuzzydata_II then
• Enhanceddata=(mid-min)*Fuzzydata+min;
• else Enhanceddata=-(mid min)*Fuzzydata+min+(mid- min);
• Else if mid<=data<=max
 If Fuzzydata==Fuzzydata_II then
• Enhanceddata=-(max-mid)*Fuzzydata+mid+(max-mid);
 Else Enhanceddata=(max-mid)*Fuzzydata+mid;
3.5.

Thuật toán 5: Tăng cường độ tương phản cục bộ thích ứng

Thuật toán được xây dựng trên cơ sở áp dụng phương pháp cải thiện ản cục bộ thích
ứng, bằng cách xác định một lân cận nxm và di chuyển trung tâm của lân cận này từ
điểm ảnh này sang điểm ảnh khác [ 24 ] , tại mỗi vị trí, mỗi tham số của thuật toán sẽ
được tính toán.
Với thuật toán (3.1), chúng ta cần giá trị nhỏ nhất, giá trị lớn nhất và giá trị trung bình
của mỗi khối n x m, α, γ, và giá trị max tương ứng, để tính toán các giá trị thành viên.
Để tính toán các giá trị thành viên trong các thuật toán (3.2.1), (3.3), (3.4) chúng ta chỉ
cần sử dụng giá trị nhỏ nhất và giá trị lớn nhất của mức độ xám.
Trong nhiều tình huống, kỹ thuật mờ hóa toàn cục gặp thất bại để đưa ra các giải đáp
thỏa mãn [14, 15, 17]. Do vậy, một phương pháp thực hiện cục bộ thích ứng là cần
thiết để đạt được kết quả tốt hơn. Nhược điểm của kỹ thuật này là chúng ta cần tính
toán các giá trị nhỏ nhất, giá trị lớn nhất của mức độ xám, mà có thể dẫn đến nhiễu


ảnh hưởng sai số tới các giá trị thành viên. Để ngăn ngừa điều này chúng ta có thể sử
dụng một bức ảnh con đủ lớn hoặc loại bỏ nhiễu trong biểu đồ tần suất của mỗi bức
ảnh con.

4. Những kết quả và thảo luận
Hình (4) chỉ ra kết quả thí nghiệm của kỹ thuật cải thiện chất lượng ảnh trên cơ sở lý
thuyết mờ đã được giới thiệu trong tài liệu này. Hình (4a) chỉ ra hình ảnh gốc của nhũ
ảnh. Hình (4b) chỉ ra kết quả thuật toán phân phối khả năng. Hình (4c) chỉ ra kết quả của
việc cải thiện tổng thể với toán tử tăng cường. Hình (4d) chỉ ra kết quả của việc cải thiện
thích ứng với toán tử tăng cường. Hình (4e) chỉ ra kết quả của thuật toán trên cơ sở các
quy luật. Hình (4f) chỉ ra kết quả biểu đồ tần xuất tăng phân cực mạnh.


Hình 4: Kết quả cải thiện độ tương phản hình ảnh
Để đo đạc chất lượng ảnh gốc và ảnh xử lý nâng cao, chúng ta sử dụng chỉ số tuyến tính
của sự mờ hóa
và entropy mờ H. Với

(12)

(13)
Chỉ số của sự mờ hóa được định nghĩa bởi Kaufman [25], và entropy mờ được định nghĩa
bởi De Luca và Termini [26]. Chỉ số của sự mờ hóa, lấy ví dụ, phản ánh sự không rõ ràng


trong một bức ảnh bởi việc đo khoảng cách giữa làm phẳng thuộc tính mờ hóa và mặt
phẳng nguyên gốc gần nhất. Cả hai chỉ số sự mờ hóa và entropy mờ là những thước đo
của sự không rõ ràng xám hóa tổng thể (sự mờ hóa) của một bức ảnh. Chúng có thể được
xem như là một mức độ khó trong việc quyết định một điểm ảnh nào được xử lý xem như
là màu đen (tối) hoặc màu trắng (sáng) [27]. Điều đó nên được lưu ý là việc giảm các chỉ
số sự mờ hóa và entropy mờ sẽ không đảm bảo tính đúng đắn của việc xử lý ảnh nâng
cao.
Bảng (1) minh họa sự không rõ ràng xám hóa của thuật toán được giới thiệu. Số lượng
việc xắp xếp đúng vị trí của chất lượng ảnh được thực hiện bằng các sử dụng thước đo

của sự mờ hóa
Image
Ảnh gốc
Thuật toán 1
Thuật toán 2
Thuật toán 3
Thuật toán 4
Thuật toán 5

Sự không rõ ràng xám hóa
Chỉ số của sự mờ hóa
Entropy mờ
0.280374
0.392456
0.265769
0.361702
0.280268
0.521419
0.00738927
0.0141429
0.198138
0.268460
0.245001
0.402536

Bảng 1: Sự không rõ ràng xám hóa giữa ảnh gốc và 5 thuật toán
5. Kết luận
Kỹ thuật xử lý mờ ảnh là một công mạnh dành cho việc xây dựng dựa trên khía cạnh kiến
thức chuyên gia và sự kết hợp của Thông tin không chính xác từ nguồn khác nhau. Trong
tài liệu này, chúng ta đã nghiên cứu các kỹ thuật xử lý nâng cao ảnh mờ khác nhau để

nâng cao độ tương phản của những tuyến vúsố hóa phục vụ cho việc xử lý trong tương
lai. Một sự so sánh giữa các kỹ thuật mờ trên cơ sở đo đạc sự không rõ ràng xám hóa đã
được minh họa
Bảng (2) minh họa hiệu quả của việc làm giảm sự không rõ ràng xám hóa của các thuật
toán đã được giới thiệu:
Thuật toán
Thuật toán 1

Kết luận
Giảm đồng thời các chỉ số mờ hóa và entropy, và ảnh kết quả
là thích hợp cho nhận thức thị giác và theo dõi trong tương
lai


Thuật toán 2
Thuật toán 3

Thuật toán 4

Thuật toán 5

Tăng đồng thời sự không rõ ràng xám hóa, và do đó ảnh kết
quả không thích hợp cho nhận thức thị giác
So với các thuật toán khác, nó cho kết quả số lượng sự không
rõ ràng xám hóa là thấp nhất và và ảnh kết quả là thích hợp
cho nhận thức thị giác
Cho kết quả số lượng sự không rõ ràng xám hóa thấp hơn so
với thuật toán 1, mặc dù vậy ảnh kết quả là thích hợp cho
nhận thức thị giác hơn
Không làm giảm sự không rõ ràng xám hóa nhiều, và ảnh kết

quả là không thích hợp cho nhận thức thị giác cũng như theo
dõi trong tương lai

Bảng 2: Hiệu quả của việc giảm sự không rõ ràng xám hóa
Về cơ bản, chúng ta chỉ có thể nói một thuật toán xử lý nâng cao tốt nên giảm sự không rõ
ràng xám hóa. Tuy nhiên, với một số lượng nhỏ sự không rõ ràng xám hóa không dẫn đến
hiệu quả xử lý nâng cao mong muốn.
THAM KHẢO:
1. B.K. VERMA, An automatic method for detection and classification of
microcalcifications using ANNs, Proceedings of Fourth IASTED International
Conference on Robotics and Manufacturing, IASTED RM’96, pp. 84-88,
Hawaii, USA, 1996.
2. N. KARSSEMEIJ er, Adaptive Noise Equalization and Image Analysis in
Mammography, Proceedings Information Processing in Medical Imaging,
IPMI”93, 1993.
3. K. S. WOODS, C. C. DOSS, Comparative Evaluation of Pattern Recognition
Techniques M 16L-171PI for Detection of Microcalcifications in
Mammography, International Journal of Pattern Recognition and Artificial
Intelligence, 1993.
4. K.S. WOODS, C.C DOSS, Comparative Evaluation of Pattern Recognition
Techniques for Detection of Microcalcifications in Mammography,
International Journal of Pattern Recognition and Artificial Intelligence, pp. 8085, 1993.
5. ASTLEY S M, TAYLOR C J, Combining cues for mammographic
abnormalities Proc. 1st British Machine Vision ConferenceOxford UK 253258,1990


6. CHAN H P, DOI K et al. Image feature analysis and computer-aided diagnosis
in digital radiography. Automated detection of microcalcifications in
mammography Medical Physics 14 (4) 538-548,1987.
7. DAVIES D H, DANCE D R, Automatic computer detection of clustered

calcifications in digital mammograms Phys. Med. Biol. 35 1111-1118,1990
8. DHAWAN A P, BUELLONI G, GORDON R, Enhancement of mammographic
features by optimal adaptive neighbourhood image processing IEEE Trans.
Med. Imag. MI-5 8-15,1986
9. S.L. KOK. Computer Interpretation of X-ray Mammography. Department of
Engineering Science, University of Oxford, July 1993.
10. ERIKSEN J P, PIZER S M, AUSTIN J D, A multiprocessor engine for fast
contrast limited adaptive histogram equalisation SPIE Conference Medical
Imaging IV - Image Processing SPIE Vol. 1233,1994
11. GIGER M L, YIN F, DOI K, METZ C E, SCHMIDT R A,VYBORNY C J,
Investigation of methods for the computerised detection and analysis of
mammographic masses SPIE Conference Medical Imaging IV - Image
Processing SPIE Vol. 1233 183-184,1990
12. GORDON R, RANGAYAN R M, Feature enhancement of film mammograms
using fixed and adaptive neighbourhoods Applied Optics 23 560-564, 1984
13. R.P. HIGHNAM. Model- based Enhancement of Mammographic Images. PhD
thesis, Programming Research Group, Oxford University, 1992.
14. ZIMMERMAN J B, PIZER S M, STAAB J, An Evaluation of the effectiveness
of adaptive histogram equalisation for contrast enhancement IEEE Trans. Med.
Imag. MI-7 pp. 304-312,1988.
15. LAI S LI X, BISCHOF W F, On techniques for detecting circumscribed masses
in mammograms IEEE Trans. Med. Imag.MI-8 377-386,1989.
16. MILLER P, ASTLEY S, Classification of breast tissue by texture analysis
Image and Vision Computing 10277-283,1999.
17. MILLER P, ASTLEY S, Automated detection of breast asymmetries, Internal
Report Dept of Medical Biophysics University of Manchester, 1993.
18. ZADEH, L.A. , Logic mờand its applications, Academic Press, New York ,
1965.
19. ZADEH, L. A., A Fuzzy-Set-Theoretic Interpretation of Linguistic Hedges, J.
Cybern., vol. 2, pp. 4-34, 1972.

20. PAL, S. K., KING, R. A., Image Enhancement Using Smoothing with Fuzzy
Sets, IEEE Transactions on Systems, Man and Cybernetics, vol. SMC-11, no. 7,
pp. 494-501, July 1981.


21. PAL, S. K., KING, R. A., On edge detection of X-ray images using fuzzy sets,
IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. PAMI-5,
No. 1, pp. 69-77, 1983.
22. BANKS, S., Signal Processing, Image Processing and Pattern Recognition,
Prentice Hall International, 1990.
23. TIZHOOSH, H. R., FOCHEM, M., Image Enhancement with Fuzzy Histogram
Hyperbolization, Proceedings of EUFIT’95, vol. 3, pp. 1695-1698, 1995.
24. GONZALEZ, R.C., WOODS, R. E., Digital Image Processing, AddisonWesley Publishing Group, Massachusetts etc., 1992.
25. KAUFMANN, A., Introduction to the Theory of Fuzzy Subsets-Fundamental
Theoretical Elements, vol. 1, Academic Press, New York, 1975.
26. DE LUCA, A., TERMINI, S., A definition of no probabilistic entropy in the
setting of fuzzy set theory, Information and Control, vol. 20, pp. 301-312, 1972.
27. PAL, S.K., KUNDU, M.K., Automatic selection of object enhancement
operator with quantitative justification based on fuzzy set theoretic measures,
Pattern Recognition Letters, vol. 11, pp. 811-829, 1990.


PHẦN II: PHÂN TÍCH BÀI TOÁN
1. Yêu cầu và kết quả cần đạt được

Căn bệnh ung thư vú là một loại ung thư phổ biến nhất ở phụ nữ. Thời gian
phát hiện càng sớm thì càng tăng khả năng chữa khỏi bệnh: Chụp X quang vú là
một cách phát hiện bệnh hiệu quả nhất. Ảnh X quang vú ở nhiều tư thế khác nhau
được dùng để phát hiện, dò tìm ra những khối u, vùng bất thường và có thể chuẩn
đoán được trường hợp là u lành tính hay u ác tính.

Tuy nhiên, để đọc được ảnh X quang vú cần bác sỹ có trình độ chuyên môn
cao và cả kinh nghiệm chuẩn đoán. Phát hiện sớm hay muộn và độ chính xác phụ
thuộc rất nhiều vào trình độ bác sỹ. Giờ đây, ngành công nghệ thông tin phát triển
đã can thiệp vào quá trình tái tạo ảnh và chuẩn đoán, bác sỹ nhanh chóng chuẩn
đoán được chính xác kết quả của bệnh nhận giúp quá trình điều say này hiệu quả
hơn.
Do đó, cần có sự nâng cao chất lượng hình ảnh của ảnh số hóa tuyến vú.
Trong một vài năm gần đây, đã có rất nhiều nhà nghiên cứu áp dụng Logic mờ để
phát triển các thuật toán xử lý ảnh. Trong đó, quá trình xử lý ảnh bằng mờ hóa là
một trong những ứng dụng quan trọng của Logic mờ. Bài nghiên cứu sẽ chỉ ra sự
giống và khác nhau giữa việc nâng cao chất lượng ảnh bằng kỹ thuật mờ hóa và kỹ
thuật không tuyến tính khác, bộ lọc mờ hóa miêu tả kiến thức một cách tổng thể.
2. Thuật toán tác giả đã lựa chọn

Nhằm nâng cao chất lượng ảnh chụp khối u ở ngực dựa trên Lý thuyết mờ.
Các thuật toán nâng cao đã được dùng để giảm nhiễu cũng như tăng sự tương phản
của kết cấu bao gồm:
+

Kỹ thuật cải thiện ảnh bằng mờ hóa dựa trên việc ảnh xạ mức độ xám vào trong
một mặt phẳng mờ, sử dụng các hàm chuyển đổi thành phần [10, 12]. Một bức ảnh
I kích thước M x N và có số lượng mức xám L có thể được xem như một mảng mờ
độc lập, mỗi thứ đều có một giá trị thành phần biểu thị mức độ sáng liên quan tới
độ sáng. Với một bức ảnh I, chúng ta có thể viết thành các ký hiệu của tập mờ như
sau:


Trong đó

là cường độ của điểm ảnh thứ (m x n); và

là giá trị

thành phần của nó. Các hàm thuộc đặc trưng cho mỗi thuộc tính phù hợp của hình
ảnh (ví dụ độ sắc nét, độ tối, kết cấu) và có thể được xác định trên toàn cục của
toàn bộ bức ảnh hoặc cục bộ cho các phân đoạn của ảnh. Trong vài năm trở lại đây,
một vài nhà nghiên cứu đã áp dụng các khái niệm mờ hóa để phát triển các thuật
toán mới để cải thiện ảnh. Nguyên lý cơ bản của việc cải thiện ảnh sử dụng mới
được minh họa như sau:

Hình 5: Nguyên lý cơ bản để cải thiện ảnh bằng mờ hóa
+

Năm thuật toán nâng cao hình ảnh mờ và so sánh giữa chúng để nâng cao
chất lượng độ tương phản hình ảnh kỹ thuật số chụp quang tuyến vú. 5 thuật toán
đó là:
6. Thuật toán phân phối khả năng
7. Cải thiện độ tương phản với toán tử tăng cường
8. Cải thiện độ tương phản với biểu đồ tần xuất mờ tăng phân cực mạnh.
9. Cải thiện độ tương phản trên cơ sở các luật If..then mờ
10. Tăng cường độ tương phản cục bộ thích ứng.

3. Xây dựng cấu trúc dữ liệu thích hợp cho INPUT và OUTPUT
3.1 Thuật toán 1: Thuật toán phân phối khả năng

INPUT: Năm tham số (α, β1, γ, β2, max ) như hình


Trong đó, giá trị cường độ γ đại diện cho các giá trị trung bình của phân
phối, α là tối thiểu ,và max là tối đa. Mục đích là để giảm mức độ màu xám xuống

dưới β1, trên β2. Mức cường độ giữa β1 và γ, và β2 và γ được dãn ra theo hướng
ngược về giá trị trung bình γ.
Hàm chuyển đổi mờ để tính giá trị mặt phẳng mờ P được định nghĩa như sau:
α= min;
β1= (α+ γ) /2;
β2= (max + γ) /2;
γ = mean; max;
Các luật mờ sau đây được sử dụng để tăng cường độ tương phản dựa trên hình (2):
Luật 1: If α ≤

< β1 then P = 2 ( (

- α) / ( γ -α ))²

(2)
Luật 2: If β1 ≤

< γ then P = 1- 2 ( (

– γ )/( γ -α ))²

(3)
Luật 3: If α ≤

< β2 then P= 1- 2( (

– γ ) / ( max – γ ))²

(4)
Luật 4: If β2 ≤

< max then P = 2 ((

– γ )/( max – γ ))²

(5)
Trong đó:

= f(x,y) cường độ tại điểm ảnh thứ i

OUTPUT: Giải mờ
Với tất cả điểm ảnh (i, j) trên ảnh, thực hiện tính để xác định:


EnhancedData[i][j]=FuzzyData[i][j]*data[i][j];
Ưu điểm: Đây là một phương pháp đơn giản, mềm dẻo, linh hoạt và dễ cài
đặt.
Giảm đồng thời các chỉ số mờ hóa và entropy, và ảnh kết quả là thích hợp cho
nhận thức thị giác và theo dõi trong tương lai
Nhược điểm: Thiết lập tham số thường khó xác định, nếu có sự khác biệt nhỏ
có thể dẫn đến kết quả sai lệch là khá lớn.
3.2 Cải thiện độ tương phản với toán tử tăng cường

INPUT: Các tham số (Fe, Fd,

) của hàm thuộc:

 Định nghĩa hàm thuộc:

 Điều chỉnh các giá trị thành viên

OUTPUT: Sinh ra mức độ xám mới

bằng hàm chuyển ngược

 Sinh ra mức độ xám mới:

Ưu điểm: Thuật toán đã khắc phục được vấn đề dữ liệu nhiễu
Nhược điểm: Thiết lập hình dạng của hàm thuộc khá phức tạp và thường khó
xác định, đặc biệt trong thế giới thực.
3.3 Thuật toán 3: Cải thiện độ tương phản với mờ hóa biểu đồ tần xuất tăng phân

cực mạnh
INPUT:
Hình dạng của hàm thuộc được thiết lập như một hình tam giác để mô tả các
hàng rào, và giá trị của biến mờ β, như một hàng rào ngôn ngữ


Giá trị biến mờ β với giá trị β = - 0.75 + µ 1.5
OUTPUT: Sinh ra mức độ xám mới

Ưu điểm: So với các thuật toán khác, nó cho kết quả số lượng sự không rõ
ràng xám hóa là thấp nhất và và ảnh kết quả là thích hợp cho nhận thức thị giác
Nhược điểm: Thuật toán phải xác định giá trị biến mờ β, do đó không thích
hợp được với các dạng toán khác
3.4 Thuật toán 4: Cải thiện độ tương phản trên cơ sở các luật If..then mờ
INPUT:
Hàm chức năng mờ hóa được mô tả

Hình 6: Hàm thuộc

Giá trị nhỏ nhất và giá trị lớn nhất của mức độ xám;
Giá trị mức độ xám trung bình = (max + min)/2.
OUTPUT: Giải mờ
Giải mờ các kết quả đầu ra sử dụng giá trị nhỏ nhất (
nhất (

), và giá trị trung bình (

), giá trị lớn

) của mức độ xám, do vậy,

mức độ sáng được cải thiện mới được tính toán theo phương trình sau:


Ưu điểm: Thuật toán đơn giản, dễ sử dụng và có tính mềm dẻo cao, dễ dàng
tích hợp
Nhược điểm: Cho kết quả số lượng không rõ ràng xám hóa thấp hơn.Do đó
nhận thức thị giác sẽ thấp.
3.5 Thuật toán 5: Tăng cường độ tương phản cục bộ thích ứng

INPUT:
Xác định một lân cận nxm và di chuyển trung tâm của lân cận này từ điểm
ảnh này sang điểm ảnh khác [ 24 ] , tại mỗi vị trí, mỗi tham số của thuật toán sẽ
được tính toán.
Với thuật toán (3.1), chúng ta cần giá trị nhỏ nhất, giá trị lớn nhất và giá trị
trung bình của mỗi khối n x m, α, γ, và giá trị max tương ứng, để tính toán các giá
trị thành viên. Để tính toán các giá trị thành viên trong các thuật toán (3.2.1), (3.3),
(3.4) chúng ta chỉ cần sử dụng giá trị nhỏ nhất và giá trị lớn nhất của mức độ xám.
OUTPUT:

Các giá trị thành viên trong các thuật toán
Ưu điểm: Phương pháp khá đơn giản, dễ dàng thực hiện với những giá trị xác
định
Nhược điểm: Nhược điểm của kỹ thuật này là chúng ta cần tính toán các giá
trị nhỏ nhất, giá trị lớn nhất của mức độ xám, mà có thể dẫn đến nhiễu ảnh hưởng
sai số tới các giá trị thành viên. Để ngăn ngừa điều này chúng ta có thể sử dụng một
bức ảnh con đủ lớn hoặc loại bỏ nhiễu trong biểu đồ tần suất của mỗi bức ảnh con.
Không làm giảm sự không rõ ràng xám hóa nhiều, và ảnh kết quả là không
thích hợp cho nhận thức thị giác cũng như theo dõi trong tương lai.
4. Các lớp bài toán tương tự có thể áp dụng thuật toán trong bài báo để giải

quyết
Áp dụng các thuật toán trên trong nâng cao chất lượng ảnh số và ứng dụng
trong ảnh tài liệu.
- Áp dụng để nâng cao chất lượng ảnh y học
-