Luận văn Thạc sĩ: Ứng dụng Mạng Nơron Tế Bào phân đoạn ảnh - Lê Thị Ngọc Tú

Luận văn thạc sĩ nghiên cứu ứng dụng mạng nơron tế bào (CNN) tối ưu bài toán phân đoạn ảnh. Tìm hiểu công nghệ xử lý hình ảnh hiệu quả.

• Tác giả: Lê Thị Ngọc Tú
• Người hướng dẫn: TS. Vũ Đức Thái
• Trường học: Trường Đại học Công nghệ Thông tin và Truyền thông, Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu Ứng Dụng Công Nghệ Mạng Nơron Tế Bào Vào Bài Toán Phân Đoạn Ảnh
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. Chương I: CÁC LÝ THUYẾT BỔ TRỢ
• 1.1. Mạng nơron tế bào
• 1.2. Kiến trúc mạng nơron tế bào CNN
• 1.3. Giới thiệu chung về mạng nơron tế bào
• 1.4. Kiến trúc mạng Nơron tế bào
• 1.5. Kiến trúc của máy tính mạng Nơron tế bào
• 1.6. Một số vấn đề cơ bản của CNN
• 1.7. Giới thiệu chung về xử lý ảnh
• 1.8. Ngôn ngữ Matlab
• 1.9. Giới thiệu chung về Matlab
• 1.10. Ngôn ngữ lập trình Matlab và ứng dụng trong mô phỏng
• 1.11. Các công cụ để cài đặt mô phỏng tính toán
• 1.12. Đọc và ghi dữ liệu ảnh
• 1.13. Lớp lưu trữ của file matlab
• 1.14. Truy vấn một file đồ hoạ
• 1.15. Hiển thị ảnh
• 1.16. Phần mềm mô phỏng CANDY
• 2. Chương II: BÀI TOÁN PHÂN ĐOẠN ẢNH
• 2.1. Giới thiệu chung về phân đoạn ảnh
• 2.2. Các hướng tiếp cận phân đoạn ảnh
• 2.3. Các phương pháp dựa trên không gian đặc trưng
• 2.4. Các phương pháp dựa trên không gian ảnh
• 2.5. Các phương pháp dựa trên mô hình vật lý
• 2.6. Một số phương pháp phân đoạn ảnh
• 2.7. Phương pháp phân đoạn dựa vào ngưỡng cố định
• 2.8. Phương pháp phân đoạn dựa vào miền đồng nhất
• 2.9. Giới thiệu chung
• 2.10. Phương pháp tách cây tứ phân
• 2.11. Phương pháp tổng hợp
• 2.12. Giải pháp phân đoạn ảnh bằng công nghệ CNN
• 2.13. Xử lý ảnh dùng PDE
• 2.14. Công nghệ xử lý ảnh nhanh trên mạng CNN
• 2.15. Tính ưu việt và ý nghĩa
• 2.16. Tình hình nghiên cứu về xử lý ảnh dùng CNN trong nuớc
• 2.17. Kết quả xử lý ảnh dùng CNN. Hạn chế và giải pháp ứng dụng CNN
• 2.18. Mẫu và vai trò của mẫu
• 2.19. Giới thiệu chung
• 2.20. Thư viện mẫu CNN
• 2.21. Các phương pháp thiết kế mẫu cho CNN
• 2.22. Thuật toán phân đoạn ảnh trên CNN
• 3. Chương III: MÔ PHỎNG THUẬT TOÁN PHÂN ĐOẠN ẢNH
• 3.1. Mô tả bài toán mô phỏng
• 3.2. Phát hiện biên
• 3.3. Phát hiện điểm
• 3.4. Phát hiện dòng
• 3.5. Phát hiện cạnh
• 3.6. Phát hiện biên Candy
• 3.7. Bài toán phân đoạn ảnh
• 3.8. Công thức cơ sở
• 3.9. Tăng trưởng miền ảnh
• 3.10. Tách và ghép miền
• 3.11. Cài đặt mô phỏng
• 3.12. Ví dụ: Đoạn mã lệnh
• 3.13. Đánh giá kết quả mô phỏng
• TÀI LIỆU THAM KHẢO
• MỞ ĐẦU

Tóm tắt

I. Mở đầu Mạng Nơron Tế Bào và Vai trò đột phá Phân Đoạn Ảnh

Trong kỷ nguyên số hóa, hình ảnh đã trở thành phương tiện trao đổi thông tin không thể thiếu. Việc xử lý thông tin khổng lồ từ ảnh đặt ra thách thức lớn, đặc biệt là trong phân đoạn ảnh – quá trình then chốt để máy tính "hiểu" nội dung hình ảnh. Các phương pháp truyền thống thường gặp khó khăn về thời gian xử lý, nhất là với ảnh kích thước lớn. Đáp ứng yêu cầu này, Mạng Nơron Tế Bào (CNN) đã nổi lên như một công nghệ tiềm năng, mang lại khả năng xử lý ảnh thời gian thực vượt trội nhờ bản chất xử lý song song. Đây là một bước tiến đột phá, cung cấp công cụ mạnh mẽ cho các bài toán thị giác máy tính phức tạp, từ xử lý ảnh y tế đến tự động hóa công nghiệp. Bài viết này sẽ đi sâu vào kiến trúc, nguyên lý và những ứng dụng đột phá của Mạng Nơron Tế Bào trong lĩnh vực phân đoạn ảnh.

1.1. Giới thiệu Mạng Nơron Tế Bào CNN trong Xử lý ảnh số

Mạng Nơron Tế Bào (CNN), được phát minh vào năm 1988, đại diện cho một bước tiến quan trọng trong lĩnh vực xử lý ảnh số. Khác với Mạng nơ-ron tích chập (CNN) phổ biến trong Học sâu hiện đại, Mạng Nơron Tế Bào tập trung vào cấu trúc xử lý song song với hàng chục ngàn bộ xử lý (tế bào) được kết nối trong một chip, cho phép tốc độ xử lý lên tới 10^12 phép tính/giây (Lê Thị Ngọc Tú, 2015). Công nghệ này đặc biệt phù hợp cho các hệ thống xử lý ảnh nhanh, có khả năng đạt 10 – 50000 ảnh/giây, giải quyết nhiều bài toán phức tạp trong thời gian thực mà máy tính thông thường khó thực hiện. Chức năng cơ bản của Mạng Nơron Tế Bào trong xử lý ảnh là chuyển đổi hoặc ánh xạ hình ảnh đầu vào thành hình ảnh đầu ra tương ứng, mở ra kỷ nguyên mới cho Trí tuệ nhân tạo (AI) trong xử lý ảnh.

1.2. Phân đoạn ảnh Khái niệm và tầm quan trọng trong Thị giác máy tính

Phân đoạn ảnh là một bước then chốt, mang tính quyết định trong toàn bộ quá trình xử lý ảnh. Mục tiêu chính là phân tích ảnh thành các phần có cùng tính chất, dựa trên biên hoặc các vùng liên thông. Điều này giúp miêu tả tổng hợp từ nhiều phần tử nhỏ cấu tạo nên ảnh thô (Lê Thị Ngọc Tú, 2015). Với lượng thông tin khổng lồ trong ảnh, phân đoạn ảnh đóng vai trò quan trọng trong việc giảm bớt dữ liệu không cần thiết, chỉ giữ lại các đặc trưng quan tâm. Các kỹ thuật như phân đoạn ngữ nghĩa (Semantic Segmentation) và phân đoạn đối tượng (Instance Segmentation) là những mục tiêu chính. Kết quả của quá trình này ảnh hưởng trực tiếp đến độ chính xác của các tác vụ tiếp theo như phát hiện đối tượng và phân loại ảnh, làm nền tảng cho sự phát triển của Thị giác máy tính và các ứng dụng đột phá của Trí tuệ nhân tạo.

II. Thách thức Giải quyết hạn chế Phân Đoạn Ảnh truyền thống bằng CNN

Phân đoạn ảnh là một công đoạn phức tạp và dễ gây lỗi trong xử lý ảnh, đặc biệt khi áp dụng các phương pháp truyền thống. Những hạn chế này không chỉ ảnh hưởng đến độ chính xác phân đoạn ảnh mà còn kéo dài thời gian xử lý, làm giảm hiệu quả trong các ứng dụng đột phá đòi hỏi thời gian thực. Mạng Nơron Tế Bào (CNN) mang đến một giải pháp mạnh mẽ, tận dụng khả năng xử lý song song để vượt qua những rào cản này, mở ra tiềm năng thực hiện phân đoạn ảnh nhanh chóng và hiệu quả hơn. Các nhà nghiên cứu liên tục tìm kiếm thuật toán phân đoạn ảnh tối ưu để nâng cao chất lượng và tốc độ.

2.1. Hạn chế của phương pháp Phân Đoạn Ảnh truyền thống

Các phương pháp phân đoạn ảnh truyền thống, như phương pháp dựa trên ngưỡng cố định hay tách cây tứ phân, thường đối mặt với nhiều hạn chế. Chúng có thể hiệu quả với ảnh đơn giản nhưng lại đòi hỏi nhiều thời gian xử lý khi gặp ảnh có kích thước lớn hoặc độ phức tạp cao (Lê Thị Ngọc Tú, 2015). Việc lựa chọn ngưỡng tối ưu hoặc xác định tiêu chí đồng nhất cho các vùng ảnh là một thách thức lớn, dễ dẫn đến lỗi và làm giảm độ chính xác phân đoạn ảnh. Đặc biệt, các phương pháp này thường bỏ qua thông tin về vị trí pixel, dẫn đến các vùng phân đoạn không cô đọng về mặt không gian. Sự cảm nhận chủ quan của người thiết kế thuật toán cũng có thể chi phối kết quả, làm giảm tính tự động và khả năng tổng quát hóa của hệ thống xử lý ảnh số.

2.2. Tại sao Mạng Nơron Tế Bào CNN là giải pháp hiệu quả

Mạng Nơron Tế Bào (CNN) cung cấp một giải pháp ưu việt cho bài toán phân đoạn ảnh nhờ bản chất xử lý song song vốn có. Khả năng này giúp giảm đáng kể thời gian xử lý, biến phân đoạn ảnh thời gian thực trở thành hiện thực, ngay cả với các ảnh có dung lượng lớn. Theo Lê Thị Ngọc Tú (2015), Mạng Nơron Tế Bào có thể giải quyết được sự xung đột giữa lượng thông tin đồ sộ và tốc độ thực hiện. Tính chất động học liên tục về thời gian cho phép quan sát được luồng tín hiệu điện và trạng thái biến đổi của ảnh một cách liên tục, điều mà các máy tính tuần tự không thể đạt được. Hơn nữa, với khả năng triển khai trên phần cứng như FPGA, Mạng Nơron Tế Bào còn hứa hẹn các sản phẩm xử lý ảnh tốc độ cao được tích hợp trong các hệ nhúng, mở ra ứng dụng đột phá trong nhiều lĩnh vực.

III. Phương pháp Kiến trúc và Nguyên lý Mạng Nơron Tế Bào CNN hoạt động

Để hiểu rõ cách Mạng Nơron Tế Bào (CNN) đạt được những ứng dụng đột phá trong phân đoạn ảnh, việc nắm vững kiến trúc và nguyên lý hoạt động của chúng là điều cần thiết. Đây không chỉ là một kiến trúc mạng nơ-ron đơn thuần mà là một hệ thống động lực học phức tạp, được thiết kế đặc biệt cho xử lý ảnh với khả năng song song hóa cao. Sự kết hợp giữa các tế bào liên kết cục bộ và việc sử dụng 'mẫu' (templates) đóng vai trò trung tâm trong việc thực hiện các thuật toán phân đoạn ảnh phức tạp. Nghiên cứu sâu về các thành phần này giúp tối ưu hóa huấn luyện mô hình học sâu và cải thiện độ chính xác phân đoạn ảnh.

3.1. Kiến trúc cơ bản của Mạng Nơron Tế Bào CNN

Mạng Nơron Tế Bào (CNN) được định nghĩa là một mảng 2, 3 hoặc n chiều của các hệ thống động lực học đồng nhất, gọi là các tế bào (Lê Thị Ngọc Tú, 2015). Mỗi tế bào C(i,j) trong kiến trúc chuẩn hình chữ nhật MxN có liên kết trực tiếp về tín hiệu điện với các tế bào láng giềng trong một bán kính 'r' nhất định. Các biến trạng thái trong Mạng Nơron Tế Bào là giá trị tín hiệu liên tục. Các phương trình quan trọng mô tả hệ thống bao gồm phương trình trạng thái (x_ij), phương trình đầu vào (u_kl) và phương trình đầu ra (y_ij), với các toán tử phản hồi A và toán tử dẫn nhập đầu vào B. Kiến trúc này cho phép xử lý tín hiệu hỗn hợp tương tự-số, tạo nên các máy tính Analogic có khả năng thực hiện các phép tính logic và tương tự trên mỗi tế bào, khác biệt so với Mạng nơ-ron tiến thẳng (Feedforward Neural Networks) hay Mạng nơ-ron hồi quy (RNN) truyền thống.

3.2. Cơ chế xử lý và vai trò của Mẫu trong Phân Đoạn Ảnh CNN

Cơ chế xử lý của Mạng Nơron Tế Bào (CNN) trong phân đoạn ảnh dựa trên khái niệm "mẫu" (templates), đại diện cho các ma trận toán tử dẫn nạp hồi tiếp A và dẫn nhập đầu vào B. Các mẫu này, thường có kích thước 3x3, thực hiện phép toán nhân chập (convolution) trên ảnh đầu vào và trạng thái các tế bào láng giềng. Ví dụ, ảnh đầu vào có thể là cường độ điểm ảnh thang độ xám, với giá trị -1 cho màu trắng và +1 cho màu đen. Lê Thị Ngọc Tú (2015) mô tả rõ cách các mẫu này tác động lên ảnh để thực hiện các thao tác xử lý ảnh số như phát hiện biên, phân vùng, hoặc làm trơn. Vai trò của mẫu là xác định cách mỗi tế bào tương tác với các láng giềng để thay đổi trạng thái của nó, từ đó tạo ra kết quả phân đoạn ảnh mong muốn. Việc thiết kế các mẫu phù hợp là chìa khóa để đạt được độ chính xác phân đoạn ảnh cao và thực hiện thuật toán phân đoạn ảnh hiệu quả.

IV. Quy trình Hướng dẫn ứng dụng CNN vào bài toán phân đoạn ảnh hiệu quả

Việc ứng dụng Mạng Nơron Tế Bào (CNN) vào bài toán phân đoạn ảnh không chỉ dừng lại ở việc hiểu kiến trúc, mà còn đòi hỏi quy trình thiết kế, huấn luyện mô hình học sâu và đánh giá hiệu suất mô hình một cách cẩn trọng. Quá trình này giúp tối ưu hóa khả năng của Mạng Nơron Tế Bào để thực hiện các ứng dụng đột phá trong Thị giác máy tính. Từ việc chuẩn bị dữ liệu huấn luyện ảnh đến việc tối ưu hóa mô hình AI, mỗi bước đều quan trọng để đạt được độ chính xác phân đoạn ảnh cao và thời gian thực phân đoạn ảnh hiệu quả.

4.1. Các bước thiết kế và huấn luyện mô hình CNN cho phân đoạn ảnh

Quy trình thiết kế Mạng Nơron Tế Bào (CNN) cho phân đoạn ảnh bao gồm việc xác định các mẫu (templates) A và B, cùng với giá trị ngưỡng z. Các phương pháp thiết kế mẫu có thể là trực tiếp hoặc dựa trên học. Phương pháp trực tiếp liên quan đến việc định nghĩa các mẫu dựa trên kinh nghiệm hoặc mục tiêu xử lý cụ thể. Trong khi đó, phương pháp học liên quan đến việc tự động điều chỉnh các hệ số mẫu thông qua quá trình huấn luyện mô hình học sâu, sử dụng dữ liệu huấn luyện ảnh phù hợp. Phần mềm như MATLAB, với Image Processing Toolbox, cung cấp môi trường lý tưởng để cài đặt mô phỏng tính toán và kiểm thử các thuật toán phân đoạn ảnh. Việc chuẩn bị tiền xử lý dữ liệu ảnh cũng là một bước quan trọng để đảm bảo chất lượng đầu vào cho quá trình huấn luyện, tối ưu hóa khả năng của Mạng Nơron Tế Bào.

4.2. Đánh giá hiệu suất và tối ưu hóa Mạng Nơron Tế Bào phân đoạn

Đánh giá hiệu suất mô hình là bước không thể thiếu để xác định hiệu quả của Mạng Nơron Tế Bào (CNN) trong phân đoạn ảnh. Các tiêu chí đánh giá bao gồm độ chính xác phân đoạn ảnh, tốc độ xử lý và khả năng ổn định của hệ thống. Độ ổn định của Mạng Nơron Tế Bào là một yếu tố quan trọng, đảm bảo rằng sau quá trình quá độ, trạng thái của mạch điện sẽ hội tụ về một kết quả ổn định. Lê Thị Ngọc Tú (2015) đề cập đến sáu kiểu hệ số của mẫu A (3x3) được chứng minh là giúp CNN ổn định. Để tối ưu hóa mô hình AI, các nhà nghiên cứu cần xem xét các giới hạn động lực học của CNN vật lý và áp dụng các kỹ thuật như điều chỉnh tham số, hoặc kết hợp với các phương pháp Học sâu khác. Sự kết hợp này giúp cải thiện khả năng của Mạng Nơron Tế Bào trong việc tạo ra mặt nạ phân đoạn (Segmentation Mask) chính xác và đáp ứng yêu cầu thời gian thực phân đoạn ảnh.

V. Ứng dụng Các đột phá của Mạng Nơron Tế Bào trong Phân Đoạn Ảnh thực tiễn

Mạng Nơron Tế Bào (CNN) đã mở ra nhiều ứng dụng đột phá trong các lĩnh vực yêu cầu phân đoạn ảnh tốc độ cao và chính xác. Từ việc hỗ trợ chẩn đoán y tế đến việc tự động hóa trong công nghiệp và xe tự lái, khả năng xử lý ảnh thời gian thực của Mạng Nơron Tế Bào mang lại giá trị to lớn. Các thuật toán phân đoạn ảnh dựa trên Mạng Nơron Tế Bào đang dần thay đổi cách chúng ta tương tác và phân tích thế giới hình ảnh, tạo tiền đề cho sự phát triển mạnh mẽ của Trí tuệ nhân tạo (AI) trong xử lý ảnh.

5.1. Phân đoạn ảnh y tế Chẩn đoán hình ảnh và phát hiện bệnh bằng CNN

Trong lĩnh vực y tế, Mạng Nơron Tế Bào (CNN) có tiềm năng rất lớn trong phân đoạn ảnh y tế. Khả năng xử lý nhanh và chính xác của nó giúp các bác sĩ và nhà nghiên cứu trong việc chẩn đoán bệnh, phát hiện sớm các bất thường như khối u trên ảnh MRI hoặc CT. Việc tạo ra mặt nạ phân đoạn chính xác cho các cơ quan, mô, hoặc vùng bệnh lý là vô cùng quan trọng để lập kế hoạch điều trị và theo dõi tiến triển bệnh. So với các phương pháp phân đoạn ngữ nghĩa hay phân đoạn đối tượng khác, Mạng Nơron Tế Bào mang lại lợi thế về tốc độ, cho phép phân tích hàng ngàn ảnh trong thời gian ngắn (Lê Thị Ngọc Tú, 2015). Đây là một ứng dụng đột phá giúp nâng cao chất lượng chẩn đoán và đẩy nhanh quá trình nghiên cứu y sinh, đưa Trí tuệ nhân tạo vào phục vụ sức khỏe con người.

5.2. Ứng dụng công nghiệp và Thị giác máy tính Tự động hóa và xe tự lái

Ngoài y tế, Mạng Nơron Tế Bào (CNN) còn mang lại những ứng dụng đột phá đáng kể trong công nghiệp và Thị giác máy tính. Khả năng xử lý ảnh nhanh và thời gian thực phân đoạn ảnh của chúng rất phù hợp cho các hệ thống tự động hóa công nghiệp, như kiểm tra chất lượng sản phẩm trên dây chuyền sản xuất, phân loại vật thể, hoặc kiểm soát robot. Trong lĩnh vực xe tự lái, phân đoạn ảnh giúp xe nhận diện và phân biệt các đối tượng trong môi trường (đường, vỉa hè, biển báo, người đi bộ, xe cộ) để đưa ra quyết định an toàn. Các nghiên cứu về phân tích ảnh vệ tinh cũng có thể hưởng lợi từ Mạng Nơron Tế Bào để phân đoạn và giám sát các khu vực địa lý, cây trồng, hoặc biến đổi khí hậu. Sự phát triển của phần mềm nhận dạng hình ảnh dựa trên Mạng Nơron Tế Bào đang thúc đẩy sự đổi mới trong nhiều ngành công nghiệp.

VI. Kết luận Tương lai phát triển Mạng Nơron Tế Bào cho Thị giác máy tính

Nhìn lại những thành tựu và tiềm năng của Mạng Nơron Tế Bào (CNN), có thể thấy đây là một công nghệ có vai trò quan trọng trong việc định hình tương lai của Thị giác máy tính. Khả năng xử lý ảnh thời gian thực và bản chất song song của nó giải quyết được nhiều thách thức mà các phương pháp truyền thống gặp phải. Mặc dù Mạng nơ-ron tích chập (CNN) trong Học sâu đang rất phổ biến hiện nay, nhưng những đặc tính độc đáo của Mạng Nơron Tế Bào vẫn giữ nguyên giá trị và mở ra các hướng nghiên cứu đầy hứa hẹn, đặc biệt trong việc xây dựng các hệ thống nhúng tốc độ cao. Tiếp tục khám phá và tích hợp Mạng Nơron Tế Bào với các tiến bộ trong Trí tuệ nhân tạo sẽ mang lại nhiều ứng dụng đột phá hơn nữa.

6.1. Tóm tắt ưu điểm và tiềm năng của Mạng Nơron Tế Bào CNN

Ưu điểm nổi bật của Mạng Nơron Tế Bào (CNN) nằm ở khả năng xử lý ảnh thời gian thực vượt trội. Bản chất xử lý song song của nó giúp giải quyết các bài toán xử lý ảnh phức tạp với tốc độ cực cao, điều mà các máy tính tuần tự khó lòng đạt được (Lê Thị Ngọc Tú, 2015). Mạng Nơron Tế Bào không chỉ cung cấp công cụ mạnh mẽ cho các ứng dụng đột phá trong Thị giác máy tính mà còn cho phép quan sát liên tục quá trình biến đổi của ảnh, một thuộc tính độc đáo. Tiềm năng của công nghệ này còn được thể hiện qua khả năng cứng hóa trên các mảng FPGA, tạo ra các chip xử lý tốc độ cao và tích hợp vào các hệ nhúng. Điều này mở ra cơ hội phát triển các sản phẩm xử lý ảnh thông minh, hiệu quả với chi phí thấp trong kỷ nguyên hậu PC.

6.2. Hướng nghiên cứu và phát triển Mạng Nơron Tế Bào trong học sâu

Mặc dù đã có những thành tựu đáng kể, việc nghiên cứu về Mạng Nơron Tế Bào (CNN) vẫn tiếp tục phát triển. Một trong những hướng nghiên cứu chính là tích hợp và so sánh với các kiến trúc Học sâu hiện đại như Mạng nơ-ron tích chập (CNN) (Convolutional Neural Networks) để tận dụng thế mạnh của cả hai. Việc áp dụng Mạng Nơron Tế Bào vào giải các phương trình vi phân đạo hàm hàm riêng (PDE) trong xử lý ảnh cũng là một lĩnh vực tiềm năng, đặc biệt với các mô hình nhiều lớp và các thành phần phi tuyến phức. Nghiên cứu sâu hơn về tối ưu hóa mô hình AI trên Mạng Nơron Tế Bào để cải thiện độ chính xác phân đoạn ảnh và khả năng hoạt động trong môi trường phức tạp là mục tiêu hàng đầu. Sự phát triển của các thư viện học sâu và công cụ như TensorFlow, PyTorch có thể hỗ trợ việc mô phỏng và triển khai Mạng Nơron Tế Bào một cách hiệu quả hơn, mở ra nhiều ứng dụng đột phá trong tương lai của Trí tuệ nhân tạo.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Trong xã hội loài người ngôn ngữ là một phương tiện trao đổi thông tin phổ biến trong quá trình giao tiếp. Bên cạnh đó hình ảnh cũng là một cách trao đổi thông tin mang tính chính xác, biểu cảm khá cao và đặc biệt bị cảm giác chủ quan của đối tượng chi phối. Thông tin trên hình ảnh rất phong phú, đa dạng và có thể xử lý bằng máy tính. Chính vì vậy, trong những năm gần đây sự kết hợp giữa ảnh và đồ họa đã trở nên rất chặt chẽ trong lĩnh vực xử lý thông tin.

Cũng như xử lý dữ liệu hình ảnh bằng đồ họa, việc xử lý ảnh số là một lĩnh vực của tin học ứng dụng. Xử lý ảnh số thao tác trên các ảnh tự nhiên thông qua các phương pháp và kỹ thuật mã hóa. Phân đoạn ảnh là bước then chốt trong xử lý ảnh, giai đoạn này nhằm phân tích ảnh thành các phần có cùng tính chất nào đó dựa theo biên hay các vùng liên thông. Mục đích của phân đoạn ảnh là có thể miêu tả tổng hợp từ nhiều phần tử khác nhau cấu tạo nên ảnh thô.

Vì lượng thông tin chứa trong ảnh rất lớn, trong khi đó đa số các ứng dụng chỉ cần trích chọn một vài đặc trưng nào đó, do vậy cần có một quá trình để giảm lượng thông tin khổng lồ ấy. Quá trình này bao gồm phân vùng ảnh và trích chọn đặc tính chủ yếu. Tuy nhiên các phương pháp xử lý ảnh truyền thống lại đòi hỏi nhiều thời gian xử lý nhất là với những ảnh có kích thước lớn. Để đáp ứng yêu cầu đó người ta đã và đang tìm kiếm nhiều phương pháp xử lý ảnh song song khác nhau nhằm giảm thời gian xử lý.

Mạng nơron tế bào CNN là một trong những công cụ xử lý ảnh thời gian thực sự hữu hiệu và đang được quan tâm nghiên cứu rộng rãi trên thế giới do có nhiều ưu điểm trong đó có bản chất xử lý song song. Ảnh số là một mảng số thực hai chiều kích thước MxN trong đó mỗi phần tử ảnh là một tế bào C(i,j), i = 1, 2,., N, biểu thị mức xám của ảnh tại các vị trí (i,j) tương ứng. Ảnh được coi là ảnh nhị phân nếu C(i,j) Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 2 chỉ nhận giá trị 0 hoặc 1. Các đặc trưng của ảnh thường bao gồm các thành phần như: mật độ xám, phân bố xác suất, phân bố không gian, biên ảnh.

Được sự gợi ý của giáo viên hướng dẫn và nhận thấy tính thiết thực của vấn đề này, tôi đã chọn đề tài: “Nghiên cứu ứng dụng công nghệ mạng Nơron tế bào vào bài toán phân đoạn ảnh” để làm đề tài cho luận văn tốt nghiệp của mình Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 3 Chƣơng I CÁC LÝ THUYẾT BỔ TRỢ 1. Mạng nơron tế bào 1. Kiến trúc mạng nơron tế bào CNN 1. Giới thiệu chung về mạng nơron tế bào Công nghệ mạng nơron tế bào CNN (Cellular Neural Networks) đã được các nhà khoa học Mỹ và Hungary phát minh ra vào năm 1988 có tốc độ xử lý 1012 phép tính/giây và được áp dụng cho các hệ thống xử lý ảnh nhanh 10 - 50000 ảnh/giây.

Đây là bước đột phá về chất do cấu trúc của máy tính xử lý CNN là song song với hàng trục ngàn CPU được kết nối thành mạng trong một chip. Công nghệ này cho phép giải quyết nhiều bài toán xử lý phức tạp trong thời gian thực hiện mà các máy tính thông thường chưa làm được.[2] Sự ra đời của mạng nơron tế bào CNN đã mở ra một thời đại mới cho sự phát triển của khoa học tính toán tiếp cận đến các phương thức xử lý. Ta biết rằng các máy tính số hiện nay về cơ bản là loại máy logic với các dữ liệu rời rạc được mã hóa theo hệ nhị phân. Tính chất cơ bản của nó là khả năng thực hiện thuật toán theo chương trình được lưu trong bộ nhớ.

Ðây là loại máy tính vạn năng xử lý trên các số nguyên hay còn gọi là máy Turing. Các phép tính cơ bản của nó là các phép số học và logic. Thuật toán là các chuỗi logic của các phép tính cơ bản này. Sự ra đời của bóng bán dẫn năm 1948 và của các vi mạch tích hợp IC năm 1960 đã tạo ra các máy tính số có tính thực tiễn cao với giá thành rẻ và hiện nay đã trở thành một loại hàng hóa thông dụng.

Sự hoàn thiện chíp CNN đặc trưng bởi kích thước và chức năng một vài loại có mẫu cố định là 256 tế bào, một số loại khác có kích thước giới hạn là 30 tế bào. Hiện nay có loại chíp có thể lập trình có kích thước 1024 tế bào. Khả năng lập trình được và tốc độ cao làm cho CNN phù hợp tốt hơn với các xử lý phi tuyến, nó cho phép nhận được và xử lý tín hiệu phi tuyến. Tuy vậy Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 4 những ưu thế thực sự của CNN là nó tương đương với chíp có mật độ tích hợp lớn tiêu thụ nhiều năng lượng.

Một ứng dụng quan trọng của mạng nơron tế bào là xử lý ảnh. Chức năng cơ bản của mạng nơron tế bào trong quá trình xử lý ảnh là ánh xạ hoặc chuyển hình ảnh đầu vào tương ứng với hình ảnh đầu ra. Ngoài ứng dụng xử lý ảnh tốc độ cao ra công nghệ CNN còn được dùng để tối ưu hoá hệ thống truyền dữ liệu băng thông rộng, giải phương trình vi phân đạo hàm hàm riêng PDE. Ngược lại, với cấu trúc xử lý song song hoàn toàn, liên tục theo luồng theo thời gian, với việc cho phép triển khai nhiều mô hình toán học trong cả trường số thực và số phức người ta có thể xây dựng các mô hình CNN một lớp hoặc nhiều lớp trên phần cứng.Kiến trúc mạng Nơron tế bào - Có hai định nghĩa tổng quát của một CNN như sau: + Ðịnh nghĩa 1: Một mạng nơron tế bào CNN là một mảng 2, 3 hoặc n chiều của các hệ thống động lực học được gọi là các tế bào, hầu hết các hệ này là đồng nhất và thoả mãn hai thuộc tính:  Ảnh hưởng phổ biến là cục bộ trong phạm vi bán kính r.

 Tất cả các biến trạng thái là giá trị tín hiệu liên tục. + Ðịnh nghĩa 2: Một mạng nơron tế bào CNN là một mạch điện phi tuyến động lực học bậc cao được tạo nên bởi ghép nối liên kết cục bộ theo không gian các khối mạch điện giống nhau - mỗi khối mạch điện được gọi là một tế bào. Mạng được tạo thành có thể có kiến trúc bất kỳ như dạng lưới hình chữ nhật, 6 cạnh, 3 cạnh, hình cầu,. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : skknchat@gmail.

Một số kiểu mạng CNN - Công nghệ CNN gồm tập các chíp (tế bào) có liên kết cục bộ với nhau tạo thành lưới với nhiều hình trạng khác nhau. Để đơn giản, ta xét kiến trúc chuẩn của CNN là một mảng hình chữ nhật kích thước MxN tế bào, mỗi tế bào ký hiệu là C(i,j), ứng với tọa độ (i,j) trong không gian Đề - Các hai chiều. Chỉ số i, j thỏa mãn điều kiện i=1. Kiến trúc mạng nơron tế bào chuẩn Trong đó, mỗi ô vuông biểu diễn cho một tế bào C(i,j) có liên kết trực tiếp về tín hiệu điện với các tế bào láng giềng.

- CNN là mạch điện phi tuyến động có kích thước lớn, được tạo bởi cặp các tế bào liên kết với nhau, phân bố đều không gian. Mạch này có cấu trúc hình chữ nhật, lục giác đều, hình cầu,. với những đặc trưng: + Luật tiếp hợp trong CNN biểu diễn sự tương tác từng cặp của tế bào C(i,j) với các tế bào láng giềng C(k,1) của nó. + Mỗi tế bào có điều kiện biên và điều kiện ban đầu.

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 6 - Hệ CNN là ma trận n chiều của những phần tử động giống hệt nhau, mỗi phần tử là một mạch tích hợp gọi là tế bào, mỗi tế bào có hai thuộc tính: + Chỉ tương tác với các tế bào lân cận trong phạm vi bán kính là r (r là số nguyên dương) + Giá trị trạng thái của tế bào là những tín hiệu có giá trị liên tục. - Các phương trình quan trong mô tả cho hệ CNN là: + Phương trình trạng thái: xij   xij   C ( k ,l )Sr ( i , j ) A(i, j; k , l ) ykl   C ( k ,l )Sr ( i , j ) B(i, j; k , l )u kl  zij (1.1) xij  R, yij  R và zij  R được gọi là trạng thái: đầu ra, đầu vào, ngưỡng của tế bào C(i,j), A(i, j; k, l) và B(i, j; k, l) được gọi là toán tử phản hồi và toán tử dẫn nhập đầu vào. + Phương trình đầu vào Vuij=Eij với 1 ≤ i ≤ M; 1≤ j ≤ N (1.2) Giá trị Vuij tương ứng với giá trị ban đầu của phương trình vi phân khi áp dụng CNN để giải phương trình vi phân hoặc ảnh đầu vào đối với bài toán xử lý ảnh. + Phương trình đầu ra 1 1 yij  f ( xij )  xij  1  xij  1 (1.3) 2 2 + Phương trình mô tả các ràng buộc │vxij(O) │≤ 1 với 1≤ i≤ M; 1 ≤ j≤ N (1.5) + Phương trình tham số giả định A(i,j;k,l) = A(k,l;i,j) với 1≤ i≤ M; 1 ≤ j≤ N (1.6) + Điều kiện biên xác định và là các tế bào thuộc hiệu ứng cầu của các tế bào cạnh nhưng nằm ngoài mảng kích thước MxN Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 7 - Đối với ứng dụng CNN trong xử lý ảnh, đầu vào thường là cường độ điểm ảnh, thang độ xám kích thước MxN, -1 <ukl < +1 khi đó mức “trắng” được mã hóa là -1 và “đen” được mã hóa là +1.

- Đối với ảnh tĩnh, ukl là hằng số, đối với ảnh động (video) ukl là một hàm theo thời gian. A(i,j;k,l), B(i,j;k,l) và zij thay đổi theo vị trí (i,j) và thời gian t. Một số trường hợp khác có thể coi A(i,j; k,l), B(i,j; k,l) và zij không đổi theo không gian và thời gian. Mạng CNN bất biến không gian và đẳng hướng nếu các toán tử A(i,j;k,l), B(i,j;k,l) và toán tử ngưỡng zij không đổi theo không gian.