Một giải pháp lọc nhiễu đốm trong ảnh siêu âm dùng bộ lọc trung vị thích nghi kết hợp với bộ lọc FIR 2 chiều

Nghiên cứu khoa học công nghệ

MỘT GIẢI PHÁP LỌC NHIỄU ĐỐM TRONG ẢNH SIÊU ÂM DÙNG BỘ
LỌC TRUNG VỊ THÍCH NGHI KẾT HỢP VỚI BỘ LỌC FIR 2 CHIỀU
Bồ Quốc Bảo1*, Hoàng Mạnh Kha1, Tạ Chí Hiếu2, Nguyễn Hải Dương2
Tóm tắt: Nhiễu đốm là loại nhiễu chính quyết định đến chất lượng của ảnh siêu
âm. Vì vậy, các kỹ thuật xử lý nhiễu đốm đã trở thành một lĩnh vực được nhiều
chuyên gia nghiên cứu trong những năm gần đây. Các kỹ thuật lọc để giảm nhiễu
đốm bao gồm: lọc tuyến tính, lọc phi tuyến, lọc khuếch tán và lọc wavelet. Ngoài ra,
một số mô hình lọc nhiễu đốm bằng cách kết hợp nhiều kỹ thuật khác nhau cũng đã
được công bố. Bài báo này đề xuất một giải pháp lọc nhiễu đốm dùng bộ lọc trung
vị thích nghi kết hợp với bộ lọc FIR 2 chiều và thuật toán dơi (Bat Algorithm-BA).
Các kết quả đánh giá hiệu quả của bộ lọc cho thấy giải pháp đề xuất tốt hơn các
phương pháp lọc nhiễu hiện hành về mặt khử nhiễu đốm và bảo toàn đường biên
ảnh.
Từ khóa: Ảnh siêu âm, Nhiễu đốm, Lọc trung vị thích nghi.

1. ĐẶT VẤN ĐỀ
Siêu âm là một kỹ thuật tạo ảnh y học sử dụng sóng âm thanh tần số cao và sóng phản xạ.
Đây là kỹ thuật chẩn đoán lâm sàng được sử dụng rộng rãi bởi tính cơ động, chi phí thấp và
an toàn do không đòi hỏi bức xạ ion hóa [1]. Nhược điểm lớn nhất của y tế siêu âm là chất
lượng ảnh kém, chủ yếu do các loại nhiễu trong quá trình xử lý và khôi phục ảnh. Nhiễu
trong ảnh siêu âm gồm: (i) Nhiễu xung: nhiễu muối tiêu (salt and pepper); (ii) Nhiễu cộng:
nhiễu Gauss trắng (AWGN) và (iii) Nhiễu nhân: nhiễu đốm (Speckle Noise) [2].
Việc loại bỏ nhiễu vẫn là một thách thức trong nghiên cứu về ảnh y tế bởi vì chúng có
thể làm giảm các thuộc tính quan trọng của ảnh [3]. Một mô hình khử nhiễu ảnh được coi
là tốt khi nó loại bỏ nhiễu mà vẫn bảo toàn được đường biên (cạnh). Thông thường, các
mô hình khử nhiễu được xây dựng bằng các bộ lọc. Các mô hình tuyến tính được sử dụng
bởi nó đáp ứng được một số tiêu chí cơ bản đối với chất lượng ảnh đầu ra. Lợi thế lớn của
các mô hình loại bỏ nhiễu tuyến tính là tốc độ, nhưng chúng không thể bảo toàn các cạnh
một cách tốt nhất. Hạn chế này được cải thiện khi sử dụng các mô hình phi tuyến [4].

Trong số các loại nhiễu kể trên, nhiễu đốm là thành phần chính ảnh hưởng đến chất
lượng ảnh siêu âm [5]. Nó được tạo ra do sự giao thoa của các thành phần tín hiệu phản xạ
khi đi qua các bộ phận trong cơ thể và có thể quan sát dưới hình dạng hạt trên ảnh siêu âm
[6]. Nhiễu đốm là loại nhiễu nhân, việc xử lý nhiễu đốm phức tạp hơn so với nhiễu cộng.
Các bộ lọc thích nghi và phương pháp giảm nhiễu đốm được đề xuất lần đầu tiên bởi Lee
(1980) [11] và Kuan (1985) [12]. Các bộ lọc này đạt được khả năng khử nhiễu tốt trong
các vùng đồng nhất của hình ảnh nhưng hiệu suất phụ thuộc nhiều vào kích thước và hình
dạng của mặt nạ bộ lọc được chọn. Gần đây, các bộ lọc 2 chiều đã được thiết kế dùng kỹ
thuật tối ưu bằng các thuật toán tối ưu có nguồn gốc từ thiên nhiên như giải thuật di truyền
(Genetic Algorithm-GA) [8], kỹ thuật tối ưu bầy đàn (Particle Swarm Optimization-PSO)
[9], hay đề xuất loại bỏ nhiễu bằng cách sử dụng bộ lọc FIR 2 chiều kết hợp thuật toán bầy
ong (Artificial Bee Colony-ABC) [10]. Các thuật toán này đều được chứng minh là các
giải pháp linh hoạt và tốt hơn so với các kỹ thuật tối ưu truyền thống. Bài báo [7] đã đề
xuất một phương pháp khử nhiễu đốm sử dụng hệ thống gồm 2 tầng lọc. Tầng thứ nhất là
bộ lọc FIR 2 chiều có hệ số bộ lọc được tối ưu dựa trên thuật toán ABC. Tầng thứ 2 là một
bộ lọc trung vị (còn gọi là bộ lọc trung vị truyền thống hoặc trung vị tiêu chuẩn). Giải
pháp này có hiệu quả rõ rệt so với các bộ lọc thông thường. Tuy nhiên, bộ lọc trung vị
truyền thống chỉ hoạt động tốt nếu mật độ không gian của nhiễu xung không lớn, hạn chế
này sẽ được khắc phục nhờ bộ lọc trung vị thích nghi (Adaptive Median Filter) [13]. Một

Tạp chí Nghiên cứu KH&CN quân sự, Số 53, 02 - 2018

71


Kỹ thuật điều khiển & Điện tử

lợi ích bổ sung của bộ lọc trung vị thích nghi là nó bảo vệ chi tiết ảnh trong khi làm trơn
các nhiễu không ở dạng xung.
Trong bài báo này, chúng tôi đề xuất một giải pháp khử nhiễu đốm sử dụng bộ lọc

trung vị thích nghi kết hợp với bộ lọc FIR 2 chiều được tối ưu nhờ thuật toán BA. Thuật
toán BA thực hiện tối ưu sử dụng trí tuệ bầy đàn được đề xuất bởi Xin-She Yang năm
2010 [14]. Kết quả thực nghiệm cho thấy giải pháp đề xuất có hiệu quả tốt hơn so với các
bộ lọc thông thường, kể cả mô hình [7] đối với cả hai quá trình: quá trình huấn luyện tìm
bộ trọng số tối ưu cho bộ lọc FIR và quá trình xử lý online cho ảnh lâm sàng.
Phần còn lại của bài báo được trình bày như sau. Giải pháp lọc nhiễu đốm sử dụng bộ
lọc trung vị thích nghi kết hợp được trình bày ở phần 2. Kết quả mô phỏng và các phân
tích đánh giá kiểm chứng được trình bày ở mục 3 và cuối cùng các kết luận sẽ được rút ra
ở mục 4.
2. GIẢI PHÁP LỌC NHIỄU ĐỐM
2.1. Mô hình khử nhiễu đốm dùng bộ lọc trung vị thích nghi
Mô hình đề xuất ở hình 1 là cải tiến của mô hình trong [7]. Thay vì sử dụng bộ lọc
trung vị truyền thống, chúng tôi đề xuất sử dụng bộ lọc trung vị thích nghi nhằm đảm bảo
hiệu quả lọc nhiễu cũng như bảo toàn biên ảnh tốt hơn. Ngoài ra, để tăng tốc cho quá trình
huấn luyện bộ lọc FIR, thuật toán BA cũng được sử dụng thay cho thuật toán ABC.

Hình 1. Mô hình khử nhiễu dùng bộ lọc trung vị thích nghi kết hợp
bộ lọc FIR 2 chiều và thuật toán BA.
Mô hình hoạt động dựa trên hai bước:
Bước 1 (quá trình huấn luyện): xác định trọng số tối ưu của bộ lọc FIR 2 chiều. Đưa
một ảnh mẫu Iorg(n) và một ảnh mẫu có chứa nhiễu Inoisy(n) vào khối xử lý tối ưu. Thuật
toán BA hoạt động theo nguyên tắc trình bày ở tiểu mục 2.2 sẽ tìm các trọng số tối ưu cho
bộ lọc FIR 2 chiều dựa trên hàm mục tiêu MSE:
=

1

[

( , )−

( , )]

(1)

(K và L là số hàng và cột của ảnh tương ứng).
Bước 2 (quá trình online): lọc nhiễu. Các ảnh bị nhiễu đốm thực tế sẽ được đưa vào bộ
xử lý tối ưu (sử dụng bộ trọng số đã tối ưu ở bước 1) để loại bỏ các thành phần nhiễu tần
số cao của ảnh. Sau đó, ảnh đầu ra được đưa vào bộ lọc trung vị thích nghi để loại bỏ các
thành phần nhiễu theo nguyên tắc được trình bày tại tiểu mục 2.3.
Kết quả ở đầu ra của mô hình ta sẽ thu được một ảnh đã được khử nhiễu Idenoised(n).
2.2. Thuật toán BA
Thuật toán BA có nguyên lý hoạt động dựa trên đặc tính của con dơi trong tự nhiên:
cảm nhận khoảng cách bằng việc định vị qua tiếng vọng (echolocation) và biết phân biệt
giữa thức ăn với chướng ngại vật. Các con dơi bay ngẫu nhiên với tốc độ vi tại vị trí wi

72

B. Q. Bảo, …, N. H. Dương, “Một giải pháp lọc nhiễu đốm … bộ lọc FIR 2 chiều.”


Nghiên cứu khoa học công nghệ

với tần số fi   f

 , chúng có thể tự động điều chỉnh tần số xung phát ra, tốc độ


phát xung r   0,1 và cường độ A  [Amin , A0 ] tùy thuộc vào khoảng cách tới mục tiêu.
min

,f

max

Khi dơi tiến tới càng gần mục tiêu thì r tăng dần và A giảm dần.
Trong thuật toán BA mỗi con dơi ảo trong không gian tìm kiếm d chiều được định
nghĩa bằng các tham số: vị trí w ik , tốc độ

vik , tần số f i , cường độ Aik và tốc độ xung
phát ra ri k . Các tham số sau bước lặp k
được cập nhật:

f i  f i min  ( f i max  f i min )  i

(2)

vik 1  vik  (w ik 1  w best ) fi

(3)

w ik 1  w ik  vik 1

(4)

Ở đây, i   0,1 là một số ngẫu nhiên
phân bố đều, w best là vị trí toàn cục tốt nhất
(nghiệm), khoảng tần số  f min , f max  phụ
thuộc vào kích thước miền xem xét và ban
đầu mỗi con dơi sẽ lấy ngẫu nhiên một tần số

trong khoảng tần đang xét.
Trong mỗi thế hệ, một số cá thể dơi được
cập nhật theo vị trí cục bộ tốt nhất như sau:
(5)
w  w   A( k )
new

best

Với  là một số ngẫu nhiên trong khoảng
 1,1 , A( k ) là giá trị trung bình của các Aik
đến thời điểm hiện tại. Cường độ Aik 1 và tốc
độ xung ri k  1 được cập nhật sau mỗi lần lặp:

Aik 1   Aik

(6)

ri k 1  ri 0 (1  exp(   k ))

(7)

Hình 2. Lưu đồ thuật toán BA.

Trong đó, 0 < α < 1, γ là một hằng số dương thường được xác định thông qua thực
nghiệm tùy thuộc vào từng ứng dụng khác nhau. Việc xác định bộ véc tơ trọng số tối ưu
T

w   w 1 , w 2 ,..., w M  để hàm mục tiêu MSE đạt giá trị cực tiểu được thực hiện như hình
2. Ban đầu thiết lập số vòng lặp k=0, tần số xung ri = 0.5, cường độ Ai = 0.5, tần số fi = 0,

[fmin, fmax] = [0, 2], số lượng cá thể Q và số vòng lặp cực đại kmax được lựa chọn: Q = 100;
kmax = 100.
2.3. Nguyên lý hoạt động của bộ lọc trung vị thích nghi
Thuật toán hoàn chỉnh của kỹ thuật lọc trung vị thích nghi được trình bày như lưu đồ ở
hình 3. Trong đó,
: giá trị mức xám nhỏ nhất trong mặt nạ
;
là giá trị mức

Tạp chí Nghiên cứu KH&CN quân sự, Số 53, 02 - 2018

73


Kỹ thuật điều khiển & Điện tử

xám lớn nhất trong mặt nạ
;
: Giá trị mức xám trung vị trong mặt nạ
;
: Giá
trị mức xám tại tọa độ (x,y);
: Kích thước cho phép tối đa của mặt nạ
.
Mỗi khi thuật toán xuất ra giá trị, mặt nạ
sẽ được di chuyển tới vị trí kế tiếp
trong ảnh. Thuật toán sau đó được khởi tạo lại và áp dụng cho các điểm ảnh ở vị trí mới.
Với hoạt động như mô tả trong hình 3,
lọc trung vị thích nghi sẽ đảm bảo việc
lọc nhiễu và bảo toàn đường biên ảnh

tốt hơn so với lọc trung vị truyền
thống. Mặc dù bộ lọc trung vị truyền
thống là một kỹ thuật phi tuyến làm
mịn và tăng cường ảnh hữu ích. Tuy
nhiên, nó loại bỏ cả nhiễu và các chi
tiết ảnh vì nó thay thế mọi điểm trong
ảnh bằng trị số trung tâm của mặt nạ
tương ứng. Nói cách khác, bộ lọc trung
vị không thể phân biệt được chi tiết
ảnh với nhiễu. Trong khi đó, bộ lọc
trung vị thích nghi thực hiện xử lý
không gian để xác định những điểm
ảnh nào trong một ảnh đã bị ảnh hưởng
bởi nhiễu xung. Kích thước của mặt nạ
được điều chỉnh đến một ngưỡng nhất
định cho việc so sánh. Một điểm ảnh
khác với phần lớn các điểm ảnh lân
cận của nó, cũng như không liên kết
cấu trúc với những điểm ảnh tương tự,
Hình 3. Lưu đồ thuật toán bộ lọc trung vị
sẽ được gán nhãn là nhiễu. Những
thích nghi.
điểm ảnh nhiễu này sau đó được thay
thế bằng giá trị trung vị của các điểm
ảnh trong mặt nạ đã vượt qua việc kiểm tra gán nhãn. Vì vậy, bộ lọc trung vị thích nghi
vừa loại bỏ nhiễu xung, vừa giảm các loại nhiễu khác và giảm méo ảnh.
3. KẾT QUẢ MÔ PHỎNG
3.1. Kịch bản mô phỏng
Kịch bản mô phỏng được xây dựng theo hình 1 với 02 loại ảnh khác nhau là ảnh vẽ trên
máy tính và ảnh siêu âm lâm sàng. Trong đó, bộ lọc FIR 2 chiều có kích thước mặt nạ 3x3

với các hệ số bộ lọc được tối ưu sử dụng thuật toán BA. Hàm mục tiêu cho thuật toán BA
là sai số trung bình bình phương giữa ảnh sau lọc và ảnh gốc (không có nhiễu). Bộ lọc
trung vị thích nghi có các tham số như sau: kích thước mặt nạ nhỏ nhất 3x3, kích thước
mặt nạ lớn nhất 7x7.
3.2. Các đại lượng đánh giá hiệu quả khử nhiễu
Hiệu suất khử nhiễu phải được đánh giá bằng các chỉ số chất lượng, phổ biến nhất là
các phép đo MSE, PSNR và SNR.
PSNR được định nghĩa là tỷ số giữa công suất cực đại của tín hiệu và công suất của
nhiễu trong tín hiệu. PSNR thường được sử dụng để đo chất lượng của hình ảnh được tái
tạo. Để tính PSNR, đầu tiên phải căn cứ vào giá trị MSE giữa hình ảnh ban đầu và hình
ảnh nhiễu.

74

B. Q. Bảo, …, N. H. Dương, “Một giải pháp lọc nhiễu đốm … bộ lọc FIR 2 chiều.”


Nghiên cứu khoa học công nghệ

Giá trị sai lệch MSE giữa hai hình ảnh được định nghĩa ở biểu thức (1) cho biết mức độ
khác nhau giữa hai ảnh.
Với N là số mức xám của ảnh, giá trị PSNR được định nghĩa:
= 10 ×

(8)

Tương tự, chỉ số SNR định nghĩa như sau:
∑
( )∑
= 10 ×

(

Giá trị PSNR và SNR chỉ ra mối quan
hệ giữa hình ảnh thực và hình ảnh ước
tính. Giá trị thấp hơn của MSE và giá trị
cao hơn của PSNR và SNR cho thấy hiệu
suất tốt hơn bởi các mô hình khử nhiễu.

) ( , )

(9)

9000
BAT
ABC

8000
7000
6000

Fitness

3.3. Kết quả với ảnh vẽ trên máy tính
5000
Trong nghiên cứu này, đầu tiên chúng
4000
tôi xác định các hệ số tối ưu của bộ lọc
3000
FIR 2 chiều thông qua thuật toán BA

2000
trong quá trình huấn luyện. Kết quả trên
hình 4 thể hiện ưu điểm của việc sử dụng
1000
0
10
20
30
40
50
60
70
80
90
Iterations
BA so với ABC. Khi số vòng lặp đủ lớn
cả hai thuật toán ABC và BA đều hội tụ
Hình 4. Tốc độ hội tụ của BA và ABC.
về một kết quả tương tự nhau. Tuy nhiên,
BA hội tụ sau khoảng 20 vòng lặp trong khi ABC cần khoảng 60 vòng lặp. Ngoài ra, thời
gian xử lý của mỗi lần lặp đối với thuật toán ABC cũng gấp khoảng 2 lần so với thuật toán
BA. Bộ trọng số tối ưu thu được sau quá trình huấn luyện được sử dụng cho quá trình xử
lý online hình ảnh.
Một ảnh thử nghiệm tổng hợp, như hình 5a, là một ảnh mô phỏng với kích thước
256×256 pixel được vẽ bằng máy tính. Tiếp theo, nhiễu đốm với phương sai bằng 1 được
thêm vào để có được hình ảnh nhiễu Inoisy (n).
Ảnh đầu ra của các bộ lọc khác nhau được hiển thị ở hình 3 và giá trị các chỉ số đánh
giá hiệu quả bộ lọc được liệt kê ở bảng 1.
Bảng 1. Giá trị các chỉ số đánh giá chất lượng ảnh của các bộ lọc khác nhau.
Chỉ số đánh giá

MSE

PSNR

SNR

Kiểu lọc nhiễu
Không lọc

8129,01

9,03

1,74

Mean

1313,50

16,95

9,66

Meadian

2897,77

13,51

6,22

AMedian

761,18

19,32

12,03

Gauss

2379,39

14,37

7,08

Wiener

1308,09

16,96

9,68

2D-FIR

1261,62

17,12

9,84

Tạp chí Nghiên cứu KH&CN quân sự, Số 53, 02 - 2018

75


Kỹ thuật điều khiển & Điện tử

2D-FIR Median

931,77

18,44

11,15

Phương pháp đề xuất

663,87

19,91

12,62

Original Image

Image with Speckle Noise,  = 1

Proposed filter

a)

b)

c)

Gaussian filter

Mean filter

2D FIR and Median [7]

d)

e)

g)

Hình 5. Ảnh vẽ trên máy tính khi thực hiện khử nhiễu bằng các bộ lọc khác nhau.
a) Ảnh gốc b) Ảnh với nhiễu đốm c) Ảnh từ bộ lọc đề xuất
d) Ảnh dùng bộ lọc Gauss e) Ảnh dùng bộ lọc trung bình
g) Ảnh với bộ lọc FIR 2 chiều kết hợp bộ lọc trung vị tiêu chuẩn.
Original Image

a)
Gaussian filter

d)

Image with Speckle Noise,  = 1

b)
Mean filter

e)

Proposed filter

c)
2D FIR and Median [7]

g)

Hình 6. Ảnh lâm sàng khi thực hiện khử nhiễu bằng các bộ lọc khác nhau.
a) Ảnh gốc b) Ảnh với nhiễu đốm
c) Ảnh từ bộ lọc đề xuất
d) Ảnh dùng bộ lọc Gauss e) Ảnh dùng bộ lọc trung bình
g) Ảnh với bộ lọc FIR 2 chiều kết hợp bộ lọc trung vị tiêu chuẩn.

76

B. Q. Bảo, …, N. H. Dương, “Một giải pháp lọc nhiễu đốm … bộ lọc FIR 2 chiều.”


Nghiên cứu khoa học công nghệ

Số liệu kết quả trong bảng 1 cho thấy ở cùng một điều kiện khi phương sai nhiễu bằng
1 thì các chỉ số MSE, PSNR và SNR đều cho kết quả tốt nhất đối với phương pháp đề

xuất. Ví dụ, giá trị MSE của bộ lọc được đề xuất bởi bài báo này có giá trị nhỏ nhất so với
các phương pháp khác. Cụ thể, kết quả được đề xuất trong [7] có MSE là 931,77, trong khi
kết quả theo phương pháp đề xuất của nhóm tác giả là 663,87.
Điều này được thể hiện trực quan trên hình 5, bằng mắt thường chúng ta có thể dễ dàng
quan sát và nhận thấy ảnh trong hình 5c (ảnh từ bộ lọc đề xuất) chính là ảnh có ít nhiễu
nhất, ngoài ra các chi tiết trong ảnh này cũng bảo toàn được một cách rõ ràng nhất so với
ảnh gốc ban đầu.
3.4. Kết quả với ảnh siêu âm lâm sàng
Chú ý rằng, hệ số của bộ lọc FIR 2 chiều là bộ hệ số đã được xác định từ kết quả của
quá trình huấn luyện với ảnh mô phỏng được trình bày trong tiểu mục 3.3.
Bảng 2. Giá trị các chỉ số đánh giá chất lượng ảnh lâm sàng của các bộ lọc khác nhau
ứng với các phương sai nhiễu khác nhau.
Chỉ
Var=1
số
MSE
PSNR
Kiểu lọc
Không
2410,92 13,45
lọc
Mean
309,36 22,37
Meadian
931,77 17,58
AMedian 242,53 23,42
Gauss
642,23 19,20
Wiener
309,36 22,37

2D-FIR
298,36 22,52
2D-FIR
195,38 24,36
Median
Ph.pháp
114,46 26,69
đề xuất

Var=0.6
SNR

MSE

2,10 1822,06

PSNR

Var=0.2
SNR

MSE

PSNR

SNR

14,67

3,31 734,99

18,61

7,25
16,61
12,74
18,35
13,11
16,61
16,13

11,01
6,22
12,07
7,84
11,01
11,17

225,22
594,11
147,40
477,82
225,22
229,60

23,75
19,53
25,59
20,48
23,75

23,66

12,39 85,24
8,18 208,05
14,23 57,15
9,13 190,79
12,39 85,24
12,31 95,32

27,97
24,09
29,70
24,47
27,97
27,48

13,01

152,67

25,43

14,08

65,42

29,11 17,76

15,33

95,50

27,47

16,12

47,72

30,49 19,13

Bảng 2 cung cấp các số liệu kết quả đánh giá trên ảnh lâm sàng của một thai nhi đang
trong thời kỳ phát triển. Khác với quá trình huấn luyện, các bộ lọc khi này sẽ được đánh
giá tương ứng với từng giá trị phương sai nhiễu thay đổi trong khoảng từ 0.2÷1. Tương tự
như đánh giá ở tiểu mục 3.3, các chỉ số MSE, PSNR và SNR ở mô hình đề xuất của nhóm
nghiên cứu đều tốt hơn so với những bộ lọc còn lại. Giá trị MSE của mô hình đề xuất lần
lượt 114,46; 95,50 và 47,72 ứng với phương sai nhiễu bằng 1; 0,6 và 0,2 và là nhỏ nhất khi
so với tất cả các bộ lọc còn lại, nhỏ hơn cả giá trị MSE khi khảo sát với mô hình trong bài
báo [7]. Kết quả trên bảng 2 còn cho thấy phương pháp được đề xuất hoạt động tốt hơn
hẳn các phương pháp khác khi phương sai của nhiễu lớn (Var=1). Tuy nhiên, khi phương
sai nhỏ (Var=0.2), ưu điểm của đề xuất không còn thực sự rõ rệt, ví dụ kết quả lọc với bộ
lọc trung vị thích nghi đã gần bằng kết quả của phương pháp đề xuất.
Ảnh đầu ra của bộ lọc đề xuất trong hình 6c cũng cho ta một góc nhìn trực quan khẳng
định ưu thế của bộ lọc trung vị thích nghi khi kết hợp lọc FIR 2 chiều.
4. KẾT LUẬN
Bài báo này trình bày đề xuất sử dụng hệ thống xử lý ảnh 2 tầng kết hợp bộ lọc FIR 2
chiều với bộ lọc trung vị thích nghi. Việc sử dụng bộ lọc trung vị thích nghi giúp cho hệ

Tạp chí Nghiên cứu KH&CN quân sự, Số 53, 02 - 2018

77

Kỹ thuật điều khiển & Điện tử

thống có khả năng lọc nhiễu tốt hơn trong khi vẫn bảo toàn được đường biên của ảnh siêu
âm. Ngoài ra, một đề xuất mới dùng thuật toán BA để tìm ra trọng số tối ưu cho bộ lọc
FIR cũng được giới thiệu. Kết quả mô phỏng cho thấy việc sử dụng BA giúp tăng tốc quá
trình huấn luyện đáng kể. Thêm vào đó, hiệu quả lọc nhiễu đốm trong ảnh siêu âm của
phương pháp đề xuất là tốt hơn so với các phương pháp truyền thống cũng như phương
pháp được đề xuất trong [7].
Trong nghiên cứu này, các tham số của bộ lọc được xác định ở một điều kiện về công
suất nhiễu (phương sai nhiễu) và được sử dụng cho xử lý nhiễu đốm với các công suất
nhiễu khác nhau, điều này có thể làm hạn chế hiệu quả lọc. Vì vậy, hướng nghiên cứu tiếp
theo của chúng tôi là sẽ ước lượng công suất nhiễu để lựa chọn, điều chỉnh hệ thống lọc
nhằm đạt được kết quả tốt hơn cho việc lọc nhiễu.
TÀI LIỆU THAM KHẢO
[1]. L.Muhammad and Z.Muhd Zain, I.E., Mumtaj Begum, “Enhancement of Bone
Fracture Image Using Filtering Techniques”. International Journal of Video& Image
Processing and Network Security IJVIPNS-IJENS Vol:09 No:10, pp.33-37 (2009)
[2]. Palwinder Singh, Leena Jain, “Noise reduction in Ultrasound images using
Wavelet and Spatial filtering Techniques”, International Conference on Information
Management in the Knowledge Economy, pp.57-63 (2013)
[3]. Y. Wang and H. Zhou, “Total variation wavelet-based medical image de-noising”
School of Mathematics, Georgia Institute of Technology, Atlanta, GA 30332-0430,
USA, pp.1-6, (2006)
[4]. S.Preeti and D.Narmadha, “A Survey On Image Denoising Techniques” International
Journal of Computer Applications, Volume58-No.6, pp.27-30 (2012).
[5]. Dr.S.Mohamed Mansoor Roomi, R.B.Jayanthi Rajee, “Speckle Noise Removal In
Ultrasound Images Using Particle Swarm Optimization Technique”, IEEEInternational Conference on Recent Trends in Information Technology, pp.926931 (2011).
[6]. Amit Garg, Vineet Khandelwal, “Speckle Noise Reduction in Medical Ultrasound

Images using Coefficient of Dispersion”, Signal Processing and Communication
(ICSC), 2016 International Conference on, pp.208-212 (2016).
[7]. Fatma Latifoglu, “A novel approach to speckle noise filtering based on Artificial Bee
Colony algorithm: An ultrasound image application”, Computer Methods and Prog
rams in Biomedicine 111 , pp. 561–569 (2013).
[8]. N.E. Mastorakis, F. Gonos, “Design of Two-dimensional Recursive Filters Using
Genetic Algorithms”, IEEE Transactions on Circuits and Systems I: Fundamental
Theory and Applications, pp.634–639, (2003).
[9]. S. Das, A. Konar, “A swarm intelligence approach to the synthesis of twodimensional IIR filters, engineering”, Applications of Artificial Intelligence 20,
pp.1086–1109, (2007).
[10]. S. Kockanat, N. Karaboga, T. Koza, “Image denoising with 2-D FIR filter by using
Artificial Bee Colony algorithm”, International Symposium on Innovations in
IntelligentSystems and Applications, pp.1-4 (2013).
[11]. J.S. Lee, “Digital image enhancement and noise filtering by use of local statistics”,
IEEE Trans. Pattern Anal. Mach. Intell.,vol. PAMI-2, no.2, pp. 165- 168, (1980).
[12]. D. T. Kuan, A. A. Sawchuk, T. C. Strand, and P. Chavel, “Adaptive noise smoothing
filter for images with signal-dependent noise”, IEEE Trans. Pattern Anal. Mach.
Intell., vol. PAMI-7, no. 2, pp. 165–177, (1985).

78

B. Q. Bảo, …, N. H. Dương, “Một giải pháp lọc nhiễu đốm … bộ lọc FIR 2 chiều.”


Nghiên cứu khoa học công nghệ

[13]. Rafel C. Gonzalez, Richart E.Woods, “Digital Image Processing” -Pearson, chap. 5,
sec. 5.3, pp.352-356, (2007).
[14]. Xin-She Yang, “Bat algorithm: literature review and applications, Int. J. BioInspired Computation”, Vol. 5, No. 3, pp. 141–149, (2013)
ABSTRACT

A NOVEL DESPECKLING APPROACH FOR ULTRASOUND IMAGES USING
ADAPTIVE MEDIAN FILTER AND 2D-FIR
Speckle noise is the main type of noise that determines the quality of ultrasound
images. Therefore, denoising techniques have been widely studied in recent years.
Filtering techniques for despeckling include linear filters, nonlinear filters, diffusion
filters, and wavelet filters. In addition, some models of speckle noise filters, which
are combined of various techniques, have also been proposed. In this paper, a
solution to despeckle using adaptive median filter in combination with Artificial Bee
Colony (ABC) algorithm- based 2D FIR filter is proposed. The results show that
filtering performance of the proposal is better than that of recent approaches in
terms of specking cabability and edge reservation of ultrasound images.
Keywords: Ultrasound image, Speckle noise, Adaptive median filter.

Nhận bài ngày 29 tháng 12 năm 2017
Hoàn thiện ngày 18 tháng 01 năm 2018
Chấp nhận đăng ngày 26 tháng 02 năm 2018
Địa chỉ:

1

Khoa Điện tử - Trường Đại học Công nghiệp Hà Nội;
Khoa Vô tuyến điện tử - Học viện Kỹ thuật quân sự.
*Email:
2

Tạp chí Nghiên cứu KH&CN quân sự, Số 53, 02 - 2018

79