Luận Văn Thạc Sĩ Về Nội Suy Ảnh Sử Dụng Ràng Buộc Hình Học

Luận văn thạc sĩ phân tích vnu uet nội suy ảnh sử dụng các ràng buộc hình học, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.

• Tác giả: Nguyễn Thành Trung
• Người hướng dẫn: TS. Lê Vũ Hà
• Trường học: Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ Điện tử -Viễn thông
• Đề tài: Nội Suy Ảnh Sử Dụng Các Ràng Buộc Hình Học
• Loại tài liệu: Luận văn Thạc sĩ
• Năm xuất bản: 2011
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tổng quan về xử lý ảnh
• 1.2. Lịch sử về xử lý ảnh
• 1.3. Các bước cơ bản trong xử lý ảnh
• 1.4. Vấn đề nội suy trong xử lý ảnh
• 1.4.1. Sơ lược về một số phương pháp nội suy truyền thống
• 1.4.2. Nội suy theo hướng
• 1.5. Cấu trúc của luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ CÁC PHƯƠNG PHÁP NỘI SUY
• 2.1. Nội suy tuyến tính
• 2.2. Nội suy song tuyến tính (bilinear)
• 2.3. Nội suy spline
• 2.4. Nội suy các điểm gần nhất
• 2.5. Đánh giá và nhận xét về các phương pháp nội suy ở trên
• 2.6. Nội suy ảnh theo hướng
• 2.6.1. Nội suy theo hướng và việc ước lượng thưa
• 2.6.2. Phân giải ảnh trên từ điển có cấu trúc
• 3. CHƯƠNG 3: THỰC NGHIỆM
• 3.1. Giới thiệu chung
• 3.2. Một số thực nghiệm đơn giản
• 3.2.1. Thực nghiệm phân tích phổ của một đường thẳng đơn
• 3.2.2. Thực nghiệm phân tích phổ của đường thẳng đứt nét
• 3.2.3. Phân tích ảnh của một đường thẳng dựa trên phép biến đổi wavlet
• 3.3. Xác định các hướng, các vị trí ở đó ảnh có tính chất đồng nhất
• 3.3.1. Xác định các hướng ở đó ảnh có tính chất đồng nhất
• 3.3.2. Xác định các khu vực tương ứng với các hướng ở đó ảnh có tính chất đồng nhất
• 3.4. Nội suy theo hướng
• 3.5. Triển khai cài đặt chương trình
• 3.5.1. Mô tả về hoạt động của chương trình
• 3.5.2. Triển khai cài đặt
• 3.5.2.1. Thí nghiệm phóng to gấp đôi ảnh 64x64
• 3.5.2.2. Thí nghiệm trên ảnh Lena 512x512
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nội Suy Ảnh Với Ràng Buộc Hình Học

Nội suy ảnh là một lĩnh vực quan trọng trong xử lý ảnh, đặc biệt khi áp dụng các ràng buộc hình học. Luận văn thạc sĩ tại VNU UET đã nghiên cứu sâu về vấn đề này, nhằm nâng cao chất lượng hình ảnh trong các ứng dụng thực tiễn. Việc áp dụng các ràng buộc hình học giúp cải thiện độ chính xác và độ sắc nét của ảnh sau khi nội suy.

1.1. Khái Niệm Về Nội Suy Ảnh

Nội suy ảnh là quá trình ước lượng giá trị pixel mới dựa trên các pixel đã biết. Các phương pháp nội suy truyền thống như nội suy tuyến tính và nội suy song tuyến tính thường được sử dụng, nhưng không phải lúc nào cũng cho kết quả tốt nhất.

1.2. Ràng Buộc Hình Học Trong Nội Suy

Ràng buộc hình học là các điều kiện được áp dụng để đảm bảo rằng các đặc điểm hình học của ảnh được bảo toàn trong quá trình nội suy. Điều này giúp giảm thiểu các chi tiết lạ và cải thiện chất lượng hình ảnh.

II. Vấn Đề Nội Suy Trong Xử Lý Ảnh

Nội suy ảnh gặp phải nhiều thách thức, đặc biệt là khi phóng to ảnh. Việc phóng to ảnh mà không có phương pháp nội suy thích hợp có thể dẫn đến tình trạng ảnh bị bể, làm giảm chất lượng hình ảnh. Các nhà nghiên cứu đã tìm ra nhiều giải pháp để khắc phục vấn đề này.

2.1. Thách Thức Khi Phóng To Ảnh

Khi phóng to ảnh, các chi tiết có thể bị mất hoặc biến dạng. Điều này đặc biệt quan trọng trong các ứng dụng yêu cầu độ chính xác cao như y học và viễn thám.

2.2. Giải Pháp Nội Suy Hiện Đại

Các phương pháp nội suy hiện đại như nội suy theo hướng đã được phát triển để giải quyết vấn đề này. Phương pháp này sử dụng thông tin hình học để cải thiện độ chính xác của ảnh sau khi nội suy.

III. Phương Pháp Nội Suy Ảnh Hiệu Quả

Luận văn đã trình bày một số phương pháp nội suy ảnh hiệu quả, bao gồm nội suy tuyến tính, nội suy song tuyến tính và nội suy ghép trơn. Mỗi phương pháp có ưu và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng.

3.1. Nội Suy Tuyến Tính

Nội suy tuyến tính là phương pháp đơn giản nhất, nhưng có thể không cho kết quả tốt trong mọi trường hợp. Phương pháp này chỉ dựa vào hai điểm lân cận để ước lượng giá trị mới.

3.2. Nội Suy Song Tuyến Tính

Nội suy song tuyến tính cải thiện độ chính xác bằng cách sử dụng bốn điểm lân cận. Phương pháp này thường cho kết quả tốt hơn so với nội suy tuyến tính đơn giản.

3.3. Nội Suy Ghép Trơn

Nội suy ghép trơn là phương pháp phức tạp hơn, nhưng cho kết quả tốt nhất trong nhiều trường hợp. Phương pháp này sử dụng nhiều điểm lân cận để ước lượng giá trị mới, giúp giảm thiểu các chi tiết lạ.

IV. Ứng Dụng Thực Tiễn Của Nội Suy Ảnh

Nội suy ảnh có nhiều ứng dụng thực tiễn trong các lĩnh vực như y học, viễn thám và công nghiệp. Việc áp dụng các phương pháp nội suy hiệu quả giúp nâng cao chất lượng hình ảnh và cải thiện độ chính xác trong các ứng dụng này.

4.1. Ứng Dụng Trong Y Học

Trong y học, nội suy ảnh được sử dụng để cải thiện chất lượng hình ảnh X-quang và các hình ảnh y sinh học khác. Điều này giúp bác sĩ dễ dàng chẩn đoán và điều trị.

4.2. Ứng Dụng Trong Viễn Thám

Trong viễn thám, nội suy ảnh giúp cải thiện độ chính xác của các hình ảnh vệ tinh, từ đó hỗ trợ trong việc dự báo thời tiết và nghiên cứu môi trường.

V. Kết Luận Về Nội Suy Ảnh Với Ràng Buộc Hình Học

Nội suy ảnh với ràng buộc hình học là một lĩnh vực nghiên cứu quan trọng, có tiềm năng lớn trong việc cải thiện chất lượng hình ảnh. Luận văn thạc sĩ tại VNU UET đã đóng góp vào việc phát triển các phương pháp nội suy hiệu quả, mở ra nhiều hướng nghiên cứu mới trong tương lai.

5.1. Tương Lai Của Nghiên Cứu Nội Suy Ảnh

Nghiên cứu về nội suy ảnh sẽ tiếp tục phát triển, với nhiều phương pháp mới được đề xuất. Việc áp dụng trí tuệ nhân tạo và học máy có thể mở ra những khả năng mới trong lĩnh vực này.

5.2. Đóng Góp Của Luận Văn

Luận văn đã cung cấp cái nhìn sâu sắc về nội suy ảnh và ràng buộc hình học, đồng thời mở ra hướng nghiên cứu mới cho các sinh viên và nhà nghiên cứu trong lĩnh vực này.

Nội dung chính

Tổng quan nghiên cứu

Từ những năm 1920 với hệ thống cáp Bartlane truyền tải hình ảnh 5 mức xám xuyên Đại Tây Dương đến kỷ nguyên số hóa hiện đại, nhu cầu nâng cao chất lượng hình ảnh luôn là bài toán trọng tâm của ngành công nghệ điện tử viễn thông. Trong thực tế xử lý ảnh số, việc phóng đại kích thước hình ảnh thường đối mặt với thách thức lớn khi các thuật toán truyền thống làm suy giảm nghiêm trọng độ tương phản, gây vỡ hình, tạo răng cưa biên hoặc phát sinh các chi tiết lạ do hiện tượng chồng phổ. Luận văn thạc sĩ kỹ thuật điện tử của tác giả Nguyễn Thành Trung, thực hiện tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội năm 2011, tập trung giải quyết triệt để vấn đề này thông qua đề tài nghiên cứu kỹ thuật nội suy ảnh sử dụng các ràng buộc hình học.

Mục tiêu cụ thể của công trình là nghiên cứu các giải pháp nội suy thích nghi, khai thác triệt để sự đồng nhất về hướng cục bộ của các điểm ảnh nhằm bảo toàn đường biên sắc nét khi phóng to ảnh lên 2 lần. Phạm vi thực nghiệm của đề tài tập trung vào việc mô hình hóa phổ tín hiệu, phân tích đa phân giải trên các tập dữ liệu ảnh kiểm chuẩn kích thước từ 64x64 đến 512x512 điểm ảnh. Nghiên cứu mang ý nghĩa học thuật và ứng dụng thực tiễn to lớn khi giúp giảm thiểu đáng kể hiện tượng méo dạng hình học, nâng cao chất lượng cảm nhận thị giác của con người và hỗ trợ đắc lực cho các hệ thống thị giác máy tự động trong y tế, viễn thám và truyền thông đa phương tiện.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng của lý thuyết xử lý tín hiệu số đa phân giải kết hợp với lý thuyết ước lượng thưa trên từ điển hình học của tác giả Guoshen Yu. Khung lý thuyết của luận văn tích hợp ba mô hình phân tích không gian và miền tần số: phép biến đổi Fourier hai chiều (2D-DFT), biến đổi sóng con hai chiều (2D-DWT) và mô hình phân giải ảnh trên không gian dải sóng con (Band Space).

Các khái niệm cốt lõi được vận dụng xuyên suốt bao gồm:

• Nội suy hình ảnh truyền thống: Bao gồm nội suy điểm gần nhất (Nearest Neighbor), nội suy song tuyến tính (Bilinear) và nội suy ghép trơn (Cubic Spline). Đây là các phương pháp nội suy đẳng hướng không thích nghi, xử lý mọi vùng ảnh theo cùng một quy luật cố định.
• Hiện tượng chồng phổ (Aliasing): Xuất hiện khi hạ mẫu hình ảnh với hệ số bằng 2 mà phổ tần số vượt quá giới hạn dải thông, tạo ra các thành phần tần số lạ đè lên phổ gốc.
• Ràng buộc hình học (Geometric Constraints): Sự phụ thuộc, liên kết chặt chẽ giữa các điểm ảnh được quy định bởi cấu trúc không gian hai chiều, thể hiện qua tính đồng nhất về mẫu, kết cấu và đặc biệt là tính đồng nhất theo hướng trong phạm vi cục bộ.
• Biểu diễn thưa và không gian dải: Kỹ thuật biểu diễn thành phần chi tiết của ảnh thông qua số lượng tối thiểu các hàm cơ sở định hướng, giúp tái tạo chính xác tín hiệu gốc từ dữ liệu phân giải thấp.

Phương pháp nghiên cứu

Luận văn kết hợp chặt chẽ giữa phương pháp nghiên cứu lý thuyết toán học và phương pháp thực nghiệm mô phỏng trên phần mềm MATLAB. Nguồn dữ liệu kiểm thử bao gồm các mô hình đường thẳng đơn nhân tạo kích thước 256x256 điểm ảnh, tập ảnh cấu trúc 64x64 điểm ảnh và bức ảnh chân dung chuẩn Lena kích thước 512x512 điểm ảnh.

Phương pháp chọn mẫu và phân tích dữ liệu được thực hiện theo quy trình chia khối cục bộ:

• Phân tích đa tỉ lệ: Sử dụng phép biến đổi sóng con trực giao Daubechies bậc 1 (db1) để phân tách hình ảnh thành hai thành phần độc lập: thành phần tần số thấp mang thông tin xấp xỉ nền và thành phần tần số cao chứa các cấu trúc biên chi tiết.
• Quét hướng hình học: Chia thành phần tần số cao thành các khối nhỏ kích thước 16x16 điểm ảnh. Sử dụng biến đổi Fourier hai chiều để tính toán mức độ tập trung năng lượng trên 20 hướng quét rời rạc, từ đó nhận diện chính xác các góc định hướng chủ đạo.
• Lý do lựa chọn phương pháp: Biến đổi Fourier có ưu thế tuyệt đối trong việc nhận diện góc định hướng dựa trên nguyên lý phổ vuông góc với đường biên, trong khi biến đổi Wavelet vượt trội ở khả năng định vị chính xác tọa độ không gian của các hệ số chi tiết trên từng dải tần 8x8. Timeline nghiên cứu và lập trình thực nghiệm được tiến hành liên tục trong thời gian 12 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm đã mang lại những phát hiện có giá trị kỹ thuật cao:

• Khả năng tách lọc phổ lạ độc lập: Thí nghiệm phân tích phổ của đường thẳng nét đứt thu được từ việc hạ mẫu đường thẳng nét liền chứng minh rằng các thành phần phổ lạ xuất hiện hoàn toàn tách rời khỏi phổ chủ đạo trên mặt phẳng tần số. Nhờ đó, việc áp dụng bộ lọc định hướng hình elip cho phép loại bỏ hoàn toàn các phổ lạ và khôi phục gần như 100% độ liền mạch của đường biên ban đầu.
• Tối ưu hóa từ điển 20 khối định hướng: Việc rút gọn từ điển quét từ 28 hướng ban đầu xuống còn 20 hướng chuẩn hóa theo góc lượng giác giúp giảm khoảng 28,5% khối lượng tính toán phức tạp, đồng thời triệt tiêu hoàn toàn hiện tượng trùng lặp góc quét trên khung lưới kích thước 16x16 điểm ảnh.
• Hiệu quả vượt trội của mô hình phân tách đa kênh: Khi phóng to gấp đôi ảnh kích thước 64x64 và ảnh Lena 512x512, việc áp dụng nội suy ghép trơn cho thành phần tần số thấp kết hợp nội suy theo hướng cho thành phần tần số cao đã loại bỏ triệt để hiện tượng răng cưa ziczac và làm giảm đáng kể hiện tượng mờ nhòe biên so với phương pháp Bilinear và Nearest Neighbor.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp phương pháp nội suy theo hướng đạt chất lượng vượt trội là việc khai thác thành công tính dị hướng của cấu trúc hình học. Các thuật toán truyền thống như nội suy điểm gần nhất chỉ đơn thuần gán giá trị của pixel lân cận, dẫn đến lỗi cấu trúc nghiêm trọng tại các vùng biên chênh lệch độ sáng lớn. Thuật toán song tuyến tính tính toán trung bình cục bộ 4 điểm xung quanh khiến các đường biên sắc nét bị làm mịn quá mức, sinh ra hiện tượng mờ sương.

Trong khi đó, giải pháp ràng buộc hình học đã tận dụng sự tập trung năng lượng trong dải tần hẹp vuông góc với phương của đường thẳng để tái tạo chính xác các mẫu điểm ảnh mới nằm dọc theo đúng hướng phát triển của cạnh ảnh. Về mặt trình bày dữ liệu, các kết quả đánh giá có thể được trực quan hóa tối ưu thông qua biểu đồ phân bố năng lượng Fourier 20 hướng và bảng đối chiếu định lượng sai số giữa 4 thuật toán: Điểm gần nhất, Song tuyến tính, Spline và Nội suy theo hướng. So với các công bố của Guoshen Yu, thuật toán trong luận văn đã được tinh chỉnh thực dụng hơn, phù hợp với năng lực tính toán thông thường mà vẫn đảm bảo độ sắc nét vượt trội của các chi tiết viền.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu, luận văn đưa ra 4 nhóm khuyến nghị hành động thiết thực:

1. Tối ưu hóa thuật toán từ điển thích nghi: Nhóm nghiên cứu xử lý tín hiệu tại các trường đại học và viện nghiên cứu cần phát triển thuật toán tự động mở rộng từ điển lên 32 hoặc 64 hướng động trong giai đoạn 12 tháng tới, đặt mục tiêu nâng cao độ chính xác tái tạo các đường biên cong phức tạp thêm khoảng 15% đến 20%.
2. Tích hợp giải thuật vào hệ thống chẩn đoán hình ảnh y tế: Các kỹ sư phần mềm y sinh tại các bệnh viện và công ty thiết bị y tế cần triển khai tích hợp bộ lọc nội suy định hướng vào phần mềm hiển thị ảnh X-quang và ảnh cộng hưởng từ MRI trong vòng 18 tháng, nhằm giảm 25% nguy cơ chẩn đoán nhầm do hiện tượng mờ viền cấu trúc mô.
3. Thiết kế phần cứng tăng tốc xử lý song song: Doanh nghiệp công nghệ viễn thông cần phối hợp với các kỹ sư phần cứng thiết kế vi mạch chuyên dụng FPGA hoặc tối ưu hóa mã nguồn trên GPU trong khung thời gian 2 năm, hướng đến đích xử lý khung hình thời gian thực dưới 15 mili-giây cho truyền hình độ nét cao.
4. Ứng dụng trong nén và truyền ảnh viễn thám: Cơ quan quản lý dữ liệu vệ tinh và khí tượng thủy văn cần ứng dụng phương pháp nội suy ràng buộc hình học vào quy trình xử lý ảnh viễn thám giai đoạn 2026 - 2028, giúp giảm khoảng 30% dung lượng băng thông truyền dẫn dữ liệu từ không gian về trạm mặt đất mà vẫn duy trì độ phân giải cao tại các vùng địa hình hiểm trở.

Đối tượng nên tham khảo luận văn

Tài liệu luận văn mang lại giá trị chuyên môn sâu sắc cho 4 nhóm đối tượng chính:

• Học viên cao học và nghiên cứu sinh ngành Điện tử - Viễn thông: Nắm bắt phương pháp kết hợp công cụ toán học biến đổi Fourier 2 chiều và biến đổi Wavelet 2 chiều trong các bài toán khôi phục tín hiệu thưa và xử lý ảnh đa phân giải.
• Kỹ sư phát triển phần mềm thị giác máy tính: Vận dụng quy trình tiền xử lý và tăng cường độ sắc nét đường biên hình ảnh nhằm nâng cao độ chính xác cho các hệ thống nhận dạng ký tự quang học, nhận diện khuôn mặt và nhận dạng vân tay tự động.
• Chuyên gia công nghệ hình ảnh y tế và đồ họa số: Tham khảo cấu trúc thuật toán để xây dựng các công cụ phóng đại hình ảnh chuyên dụng trong chế bản in ấn chất lượng cao và phân tích dữ liệu siêu âm, nội soi mà không làm biến dạng cấu trúc gốc.
• Giảng viên và nhà nghiên cứu tại các trường đại học công nghệ: Sử dụng toàn bộ nội dung lý thuyết và các đoạn mã nguồn MATLAB thực nghiệm trong luận văn làm học liệu tham khảo bổ ích cho các môn học chuyên đề Xử lý ảnh số nâng cao.

Câu hỏi thường gặp

• Tại sao các phương pháp nội suy truyền thống như Bilinear hay Spline lại gây mờ đường biên ảnh? Các phương pháp truyền thống giả định tín hiệu ảnh biến thiên đồng nhất theo mọi hướng không gian. Khi phóng đại ảnh tại các khu vực đường biên có tần số cao, thuật toán tính toán trung bình giá trị điểm ảnh lân cận mà không xét đến hướng của cạnh, dẫn đến việc làm mịn quá mức và phát sinh hiện tượng nhòe biên.

• Phép biến đổi Fourier đóng vai trò gì trong việc xác định hướng đồng nhất của ảnh? Biến đổi Fourier 2 chiều giúp chuyển đổi khối ảnh sang miền tần số, nơi năng lượng của một đường thẳng định hướng góc nhất định sẽ tập trung thành một dải hẹp vuông góc với đường thẳng đó. Bằng cách tính toán năng lượng hấp thụ trên 20 hướng quét, hệ thống sẽ xác định chính xác góc định hướng chủ đạo của khối ảnh.

• Vì sao luận văn lại kết hợp cả biến đổi Wavelet và biến đổi Fourier thay vì chỉ dùng một công cụ? Biến đổi Fourier chỉ cung cấp thông tin về góc định hướng trên toàn khối mà không chỉ ra vị trí không gian cụ thể của từng đường nét. Trong khi đó, biến đổi Wavelet cung cấp khả năng định vị tọa độ không gian chính xác của các hệ số chi tiết, giúp xác định đúng vị trí cần áp dụng bộ lọc theo hướng.

• Thuật toán tối ưu hóa từ điển khối như thế nào để đảm bảo hiệu năng tính toán? Ban đầu hệ thống thử nghiệm tạo ra 28 hướng quét cho khối kích thước 16x16 điểm ảnh, nhưng nhiều hướng có độ lệch góc quá nhỏ gây khó khăn cho việc phân loại. Tác giả đã rút gọn xuống 20 hướng chuẩn hóa với các tỷ lệ nguyên xác định, giúp loại bỏ nhiễu góc quét và tăng tốc độ xử lý chương trình.

• Giải pháp nội suy theo hướng này có khả năng triển khai cho luồng video động thời gian thực không? Thuật toán hoàn toàn có khả năng áp dụng cho video động nếu được tối ưu hóa xử lý song song trên phần cứng GPU hoặc vi mạch chuyên dụng. Khi thời gian xử lý từng khung hình đạt dưới 20 mili-giây, giải pháp sẽ cải thiện đáng kể độ sắc nét cho các luồng truyền hình độ nét cao và camera giám sát an ninh.

Kết luận

• Luận văn đã chứng minh tính ưu việt vượt bậc của việc ứng dụng ràng buộc hình học trong bài toán nâng cao chất lượng và độ phân giải hình ảnh số.
• Xây dựng thành công quy trình xử lý đa kênh thông minh: Tách ảnh thành hai thành phần tần số, áp dụng nội suy Spline cho dải tần số thấp và nội suy định hướng cho dải tần số cao.
• Kết hợp hoàn hảo giữa biến đổi Fourier để nhận diện góc định hướng và biến đổi Wavelet để định vị chính xác tọa độ chi tiết trên từng khối 16x16 điểm ảnh.
• Khắc phục triệt để hiện tượng răng cưa ziczac và hiện tượng chồng phổ lạ khi phóng to ảnh lên 2 lần trên các tập dữ liệu chuẩn từ 64x64 đến 512x512 điểm ảnh.
• Đóng góp nền tảng phương pháp luận vững chắc và mã nguồn thực nghiệm hoàn chỉnh cho lĩnh vực xử lý ảnh số và biểu diễn tín hiệu thưa tại Việt Nam.

Đóng góp chính của công trình là đã chuyển hóa thành công lý thuyết ràng buộc hình học phức tạp thành thuật toán cài đặt thực nghiệm trực quan, hiệu quả. Trong giai đoạn 1 đến 2 năm tới, hướng phát triển tiếp theo là mở rộng thuật toán cho việc xử lý video thời gian thực và tích hợp trí tuệ nhân tạo để tự động hóa hoàn toàn việc trích chọn từ điển hướng. Các nhà nghiên cứu và kỹ sư công nghệ quan tâm hãy tiếp tục khai thác các hướng tiếp cận này để tạo ra những bước đột phá mới cho công nghệ hiển thị và thị giác máy tính trong tương lai.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu Chương 2: Cơ sở lý thuyết về các phương pháp nội suy Chương 3: Thực nghiệm Sau những lần chỉnh sửa tôi đã hoàn thành luận văn tốt nghiệp của mình các nội dung trong luận văn là do tôi tự viết theo suy nghĩ của mình dựa trên các tài liệu tham khảo mà tôi thu thập được. Ngoài ra tôi có một số nội dung lý thuyết từ các tài liệu khác tôi đã chỉ rõ nguồn trích dẫn. Formatted: mucchuong LUAN VAN CHAT LUONG download : add [e-mail] 16 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT VỀ CÁC PHƯƠNG PHÁP NỘI SUY Trong toán học việc nội suy với mục đích tìm ra những giá trị chưa biết của một hàm dựa trên những giá trị đã biết của hàm đó tại một số giá trị của biến số. Như ta đã biết một tín hiệu bất kì có thể được biểu diễn bởi một hàm của một hoặc nhiều biến độc lập.

Vì vậy, rõ ràng ta có thể sử dụng các thuật toán nội suy trong toán học vào mục đích nội suy tín hiệu trong đó có nội suy ảnh. Chương 2 bắt đầu từ việc trình bày về một số thuật toán nội suy trong toán học và sử dụng chúng trong nội suy ảnh, tiếp theo là trình bày về nội suy theo hướng - phương pháp nội suy có khai thác thông tin hình ảnh cụ thể là có sử dụng ràng buộc hình học. Sử dụng phương pháp nội suy ảnh này cho kết quả tốt hơn đối với một số dạng ảnh.1 Nội suy tuyến tính Formatted: DMC1 Trong nội suy tuyến tính thì hàm nội suy được tìm ra dựa trên việc coi mối quan hệ Formatted: Justified, Indent: First line: 1,27 cm, Line spacing: Multiple giữa hàm và biến là quan hệ tuyến tính. 1,3 li Trường hợp đơn giản là cần tìm các giá trị của hàm f(x) tại các giá trị của x thuộc khoảng (x0,x1) khi biết f(x0) = y0 và f(x1) = y1 trong trường hợp này hàm nội suy chính là phương trình đường thẳng đi qua (x0,y0); (x1,y1) Formatted: Centered, Indent: First line: 1,27 cm, Line spacing: Multiple 1,3 li Hình 2.1 Minh họa nội suy tuyến tính dựa trên 2 điểm đã biết[8] LUAN VAN CHAT LUONG download : add [e-mail] 17 Khi biết nhiều hơn hai giá trị của f(x) thì việc nội suy được thực hiện bằng cách Formatted: Justified, Indent: First line: 1,27 cm, Line spacing: Multiple nội suy tuyến tính trong từng cặp giá trị kề nhau của x.

Cụ thể là nếu biết f(x) tại các giá 1,3 li trị của x là x0, x1, x2, .,xn thì hàm f(x) là tổ hợp của các phương trình đường thẳng đi qua Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript các cặp điểm [(x0,y0) (x1,y1)]; [(x1,y1) (x2,y2)]; [(x2,y2) (x3,y3)],.,[(xn-1,yn-1),(xn,yn)] Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Formatted: Font: 13 pt, Subscript Hình 2.2 Minh họa nội suy tuyến tính[8] Formatted: Font: 13 pt, Subscript Formatted: Centered, Indent: First line: 1,27 cm, Line spacing: Multiple Thực chất nội suy tuyến tính khi biết giá trị của hàm tại nhiều điểm là nội suy 1,3 li tuyến tính từng khúc. Tức là sự tuyến tính chỉ xảy ra ở phạm vi cục bộ. Tập các giá trị đã Formatted: Centered, Indent: First line: 1,27 cm, Line spacing: Multiple biết của hàm có ảnh hưởng đến hàm nội suy. 1,3 li Formatted: Justified, Indent: First line: 1,27 cm, Line spacing: Multiple 1,3 li 2.