Nhiễu ảnh và nhiễu muối tiêu

Tiếp theo chuỗi các bài viết cơ bản về lĩnh vực xử lý ảnh, trong bài này tôi sẽ trình bày một số các loại nhiễu căn bản nhất của ảnh số. Nh...

Tiếp theo chuỗi các bài viết cơ bản về lĩnh vực xử lý ảnh, trong bài này tôi sẽ trình bày một số các loại nhiễu căn bản nhất của ảnh số. Như đã trình bày trong bài viết trước, bài toán xử lý ảnh số chính là bài toán xử lý tín hiệu, chỉ có điều ta sẽ làm việc trên kiểu tín hiệu hai chiều. Tuy nhiên, chính vì dữ liệu ảnh cũng là một loại tín hiệu số nên nó không thể nào tránh khỏi sự tác động bởi các yếu tố khác. Nó là hiện tượng ngẫu nhiên đều có trong mọi hệ thống xử lý tín hiệu.

Trên thực tế tồn tại khá nhiều loại nhiễu như sự thay đổi độ nhạy của cảm biến, sự biến đổi của môi trường, sai số của quá trình lượng tử hóa, sai số của kênh truyền…; tuy nhiên người ta thường xem xét 3 loại nhiễu chính và phổ biến, gọi một cách khoa học là: nhiễu cộng, nhiễu nhân và nhiễu xung:

- Nhiễu cộng (Additive noise): thường phân bố khắp ảnh và được biểu diễn bởi: Y = X + n với Y: ảnh quan sát, X: ảnh gốc và n là nhiễu.

- Nhiễu nhân: cũng thường phân bố khắp ảnh và được biểu diễn bởi: Y = X.n

- Nhiễu xung (Impulse noise): là một loại nhiễu khá đặc biệt có thể sinh ra bởi nhiều lý do khác nhau chẳng hạn: lỗi truyền tín hiệu, lỗi bộ nhớ, hay lỗi định thời trong quá trình lượng tử hóa. Nhiễu này thường gây đột biến tại một số điểm ảnh.

Nhiễu muối tiêu (Salt-pepper noise) - một ví dụ điển hình nhất của loại nhiễu xung này – sẽ cho thấy rõ hơn tính chất “đột biến” của nó. Các điểm ảnh bị nhiễu (noise pixel) có thể nhận các giá trị cực đại hoặc cực tiểu trong khoảng giá trị [0, 255]. Với ảnh mức xám (gray scale), nếu một điểm ảnh có giá trị cực đại (tức cường độ sáng bằng 255) thì nó sẽ tạo ra một đốm trắng trên ảnh, trông giống như hạt “muối”. Và ngược lại nếu một điểm ảnh có giá trị cực tiểu (tức cường độ sáng bằng 0) thì sẽ tạo ra một đốm đen, giống như “tiêu”. Vậy nên còn gọi là ảnh muối tiêu. Thông thường, khi nói một ảnh nhiễu muối tiêu 30% nghĩa là trong đó tỉ lệ các điểm ảnh nhiễu mang gia trị cực tiểu là 15% và cực đại là 15%.

Đã có nhiều phương pháp đã được đề xuất để loại bỏ nhiễu này ra khỏi ảnh. Trong đó, phương pháp lọc trung vị (Median filter) đầu tiên mang lại hiệu suất lọc khá tốt. Tiếp sau đó là các bộ lọc phát triển dựa trên Median filter như Adaptive Median filter, Weighted Median filter, Center-Weighted Median filter, Alpha-Trim Mean filter,… Dù đã có nhiều cải tiến nhưng những bộ lọc này vẫn còn nhiều nhược điểm là xử lý toàn bộ các pixel trong ảnh và vì vậy làm mất hoặc mờ đi các chi tiết ảnh.

Từ đó, ngày càng có nhiều bài báo nổi tiếng đưa ra các giải pháp cải tiến tốt hơn với việc áp dụng hai quá trình: phát hiện nhiễu (noise detection) và loại bỏ nhiễu (noise removal) một cách độc lập. Cụ thể các thuật toán phát hiện nhiễu quét trên tòan bộ ảnh để xác định đâu là điểm ảnh nhiễu (noise pixel) và đâu là điểm ảnh phi nhiễu (noise-free pixel). Sau đó mới áp dụng các kĩ thuật lọc nhiễu chỉ với các pixel nhiễu mà giữ nguyên các pixel bình thường. Có thể kể đến một vài bộ lọc kiểu này như: Tri-state Median filter, Space variant Median filters, Progressive Switching median filter, Autocorrelation Function method, K-Mean algorithm...

Trong thời gian tới tôi sẽ trình bày một số bộ lọc cụ thể đối với loại nhiễu được coi là “dễ” nhất này.

(anhnt)