Thiết Kế Lõi IP Nén Ảnh Sử Dụng Biến Đổi Contourlet

Luận văn thạc sĩ kỹ thuật điện tử trình bày thiết kế lõi IP nén ảnh sử dụng biến đổi contourlet, mang lại hiệu quả cao trong xử lý hình ảnh.

• Tác giả: Phạm Thị Huế
• Người hướng dẫn: TS. Trương Quang Vinh
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điện tử
• Đề tài: Thiết Kế Lõi IP Nén Ảnh Sử Dụng Biến Đổi Contourlet
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ
• 1. CHƯƠNG 1: CÁC CÔNG TRÌNH NGHIÊN CỨU VỀ NÉN ẢNH TRONG MIỀN CONTOURLET
• 1.1. Tổng quan về nén ảnh trong miền Contourlet
• 1.2. Chi tiết một số công trình trên thế giới về nén ảnh bằng SPIHT trong miền Wavelet và Contourlet
• 1.2.1. Nén ảnh bằng SPIHT trong miền Wavelet [9]
• 1.2.2. Nén ảnh bằng SPIHT trong miền Contourlet
• 1.3. Biến đổi Contourlet
• 1.3.1. Phân tích Laplacian Pyramid
• 1.3.2. Phân tích DFB
• 1.4. Giải thuật nén ảnh SPIHT
• 1.4.1. Tổng quan về giải thuật nén ảnh SPIHT
• 1.4.2. Cách thực hiện thuật toán SPIHT
• 1.4.2.1. Ví dụ về cách thực hiện thuật toán SPIHT trong miền Wavelet
• 1.4.2.2. Ví dụ về cách thực hiện SPIHT trong miền Contourlet
• 2. CHƯƠNG 2: ĐỀ XUẤT CẢI TIẾN GIẢI THUẬT NÉN ẢNH SPIHT TRONG MIỀN CONTOURLET
• 2.1. Phân tích việc phân phối của các hệ số của các subband ở mỗi tầng của biến đổi Contourlet
• 2.2. Giải thuật đề nghị
• 2.3. Kết quả mô phỏng giải thuật
• 3. CHƯƠNG 3: XÂY DỰNG LÕI IP CHO PHẦN CỨNG NÉN ẢNH
• 3.1. Mô tả chung
• 3.2. Khối sink_fifo
• 3.3. Khối spiht_core
• 3.3.1. Khối raster2block
• 3.3.2. Khối Contourlet_spiht
• 3.3.3. Khối block2raster
• 3.4. Khối control_data
• 3.5. Khối source_fifo
• 4. CHƯƠNG 4: THẨM TRA THIẾT KẾ LÕI IP
• 4.1. Kết quả mô phỏng trên modelsim
• 4.2. Thử nghiệm thiết kế trên kit FPGA DE2 115
• 4.2.1. Mô tả hệ thống
• 4.2.2. Phương pháp thử nghiệm đánh giá
• 4.2.3. Kết quả thực nghiệm
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Thiết Kế Lõi IP Nén Ảnh Contourlet

Nén ảnh đóng vai trò quan trọng trong lưu trữ và truyền tải hình ảnh, video. Mục tiêu của nén ảnh là giảm số bit biểu diễn ảnh mà vẫn đảm bảo chất lượng. Có hai loại nén ảnh chính: không mất dữ liệu và mất dữ liệu. Nén không mất dữ liệu bảo toàn hoàn toàn thông tin gốc, trong khi nén mất dữ liệu cho phép tỷ lệ nén cao hơn nhưng chấp nhận một số sai lệch. Các phương pháp nén ảnh mất dữ liệu thường dựa trên việc loại bỏ thông tin ít quan trọng, dựa trên đặc tính thị giác của con người. Biến đổi Contourlet là một công cụ mạnh mẽ để biểu diễn các đường cong trơn trong ảnh, cho phép tỷ lệ nén tốt hơn so với các phương pháp truyền thống như biến đổi Wavelet. Tuy nhiên, biến đổi Contourlet có độ phức tạp tính toán cao, đòi hỏi các giải pháp phần cứng hiệu quả để ứng dụng thực tế. Các nghiên cứu tập trung vào việc tối ưu hóa hiệu năng nén ảnh Contourlet và hiện thực hóa trên lõi IP nén ảnh.

1.1. Ưu điểm Contourlet so với Wavelet trong nén ảnh

Biến đổi Contourlet thể hiện đường cong trơn tốt hơn Wavelet, giúp giữ lại các đặc điểm quan trọng của ảnh sau khi nén. Điều này dẫn đến chất lượng ảnh khôi phục tốt hơn ở cùng một tỷ lệ nén. Theo nghiên cứu [7], hình ảnh khôi phục lại sau biến đổi Wavelet có thể bị méo nhiều hơn so với biến đổi Contourlet ở những vùng hình ảnh đường viền (contour) và hoa văn (texture).

1.2. Thách thức về độ phức tạp của Biến đổi Contourlet

Biến đổi Contourlet có độ phức tạp cao hơn Wavelet, đòi hỏi nhiều tài nguyên tính toán hơn. Điều này gây khó khăn cho việc hiện thực hóa các giải thuật nén ảnh Contourlet trong thời gian thực, đặc biệt với ảnh có độ phân giải lớn. Do đó, việc tối ưu hóa kiến trúc lõi IP nén ảnh là rất quan trọng.

II. Vấn Đề Của Các Phương Pháp Nén Ảnh Contourlet Hiện Tại

Nhiều nghiên cứu về nén ảnh sử dụng Contourlet mới chỉ dừng lại ở mức mô phỏng trên phần mềm mà chưa có hiện thực phần cứng như vi mạch hoặc FPGA. Biến đổi Contourlet có độ phức tạp cao, do đó ứng dụng nén ảnh sử dụng Contourlet sẽ có thời gian thực thi lâu, đặc biệt với ảnh lớn. Một số phương pháp loại bỏ dư thừa của Contourlet bằng cách lọc bớt các mẫu không quan trọng đi [3] bằng phương pháp ngưỡng lặp lại, phương pháp theo đuổi tham lam và phương pháp dựa trên chương trình tuyến tính. Về giải thuật nén ảnh trong miền Contourlet, hiện nay có nhiều công trình nghiên cứu về vấn đề này. Ở công trình nghiên cứu [5], các tác giả đề xuất một giải thuật nén ảnh trong miền Contourlet dành riêng cho ảnh siêu âm trong y học (medical ultrasound image).

2.1. Thiếu các nghiên cứu về VLSI nén ảnh Contourlet

Đa số các nghiên cứu về nén ảnh Contourlet tập trung vào phát triển thuật toán và đánh giá hiệu năng trên phần mềm. Rất ít nghiên cứu đề cập đến việc hiện thực hóa các thuật toán này trên phần cứng, đặc biệt là VLSI. Điều này hạn chế khả năng ứng dụng của nén ảnh Contourlet trong các hệ thống nhúng và thời gian thực.

2.2. Hạn chế của các phương pháp loại bỏ dư thừa Contourlet

Các phương pháp loại bỏ dư thừa trong biến đổi Contourlet, như lấy ngưỡng lặp lại, theo đuổi tham lam hoặc chương trình tuyến tính, có thể làm giảm chất lượng ảnh hoặc tăng độ phức tạp tính toán. Cần có các phương pháp hiệu quả hơn để giảm dư thừa mà vẫn đảm bảo hiệu năng nén ảnh Contourlet.

III. Phương Pháp Thiết Kế Lõi IP Nén Ảnh Contourlet SPIHT

Luận văn này đề xuất một phương pháp thiết kế lõi IP cho nén ảnh sử dụng biến đổi Contourlet và thuật toán SPIHT. Thuật toán SPIHT đã được chứng minh là hiệu quả trong việc nén ảnh Wavelet, và có thể được điều chỉnh để phù hợp với miền Contourlet. Phương pháp đề xuất tập trung vào việc tối ưu hóa kiến trúc lõi IP để giảm độ phức tạp tính toán và tăng tốc độ xử lý. Lõi IP sẽ được mô tả bằng ngôn ngữ Verilog và kiểm tra trên FPGA. Theo [9], giải thuật SPIHT có khả năng nhúng thông tin và truyền lần lượt, giúp tùy chọn khả năng SNR.

3.1. Cải tiến thuật toán SPIHT cho Biến đổi Contourlet

Thuật toán SPIHT cần được điều chỉnh để tận dụng các đặc tính của biến đổi Contourlet. Điều này bao gồm việc tối ưu hóa cấu trúc cây phân cấp và các phép toán trên các hệ số Contourlet. Các cải tiến có thể bao gồm việc sử dụng thông tin về hướng để cải thiện hiệu quả mã hóa.

3.2. Tối ưu hóa Kiến trúc Lõi IP cho hiệu năng cao

Kiến trúc lõi IP cần được thiết kế để giảm độ trễ và tăng tốc độ xử lý. Điều này có thể đạt được bằng cách sử dụng các kỹ thuật như pipelining, parallel processing, và memory optimization. Mục tiêu là đạt được tần số hoạt động ít nhất 50 MHz.

3.3. Mô phỏng và thẩm định trên FPGA

Lõi IP sẽ được mô phỏng bằng ModelSim để kiểm tra tính đúng đắn và hiệu năng. Sau đó, lõi IP sẽ được thẩm định trên FPGA để đánh giá hiệu năng thực tế và khả năng tích hợp vào các hệ thống nhúng. Thẩm định trên FPGA giúp đảm bảo tính khả thi của thiết kế.

IV. Kết Quả Nghiên Cứu Hiệu Năng Lõi IP Nén Ảnh Contourlet

Nghiên cứu này đánh giá hiệu năng nén ảnh Contourlet của lõi IP đã được thiết kế. Các kết quả mô phỏng và thẩm định trên FPGA cho thấy lõi IP có khả năng nén ảnh với tỷ lệ nén cao trong khi vẫn duy trì chất lượng ảnh tốt. Lõi IP có thể được ứng dụng trong các hệ thống xử lý ảnh và video thời gian thực, chẳng hạn như hệ thống giám sát, truyền hình ảnh, và các thiết bị di động. Hiệu quả của phương pháp được đánh giá bằng các chỉ số như PSNR và tốc độ xử lý.

4.1. Đánh giá PSNR và Tỷ Lệ Nén của Lõi IP

PSNR (Peak Signal-to-Noise Ratio) là một chỉ số quan trọng để đánh giá chất lượng ảnh sau khi nén. Nghiên cứu này so sánh PSNR của ảnh được nén bằng lõi IP với các phương pháp nén ảnh khác. Tỷ lệ nén cũng được đánh giá để xác định hiệu năng nén ảnh Contourlet.

4.2. Tốc độ xử lý và tài nguyên sử dụng trên FPGA

Tốc độ xử lý là một yếu tố quan trọng trong các ứng dụng thời gian thực. Nghiên cứu này đo tốc độ xử lý của lõi IP trên FPGA. Tài nguyên sử dụng trên FPGA, bao gồm số lượng logic cells và bộ nhớ, cũng được đánh giá để xác định tính khả thi của thiết kế.

V. Ứng Dụng Thực Tiễn Của Lõi IP Nén Ảnh Contourlet

Lõi IP nén ảnh sử dụng biến đổi Contourlet có tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực. Trong lĩnh vực y tế, nó có thể được sử dụng để nén ảnh y tế như ảnh MRI và CT, giúp giảm dung lượng lưu trữ và tăng tốc độ truyền tải. Trong lĩnh vực an ninh, nó có thể được sử dụng trong các hệ thống giám sát video để giảm băng thông và dung lượng lưu trữ. Ngoài ra, nó cũng có thể được ứng dụng trong các thiết bị di động để nén ảnh và video trước khi chia sẻ lên mạng xã hội. Sản phẩm của đề tài có thể được ứng dụng trong hệ thống trên chip (SoC – System on Chip) dành cho hệ thống xử lý ảnh và video.

5.1. Ứng dụng trong Nén Ảnh Y Tế hiệu quả

Nén ảnh y tế là một ứng dụng quan trọng của lõi IP nén ảnh. Việc nén ảnh MRI và CT có thể giúp giảm chi phí lưu trữ và tăng tốc độ truyền tải ảnh, giúp bác sĩ chẩn đoán bệnh nhanh chóng hơn. Hiệu năng nén ảnh Contourlet có thể giúp duy trì chất lượng ảnh cao, đảm bảo tính chính xác của chẩn đoán.

5.2. Nén Ảnh trong Hệ Thống Giám Sát An Ninh

Các hệ thống giám sát an ninh thường tạo ra một lượng lớn dữ liệu video. Lõi IP nén ảnh có thể giúp giảm băng thông và dung lượng lưu trữ, giúp giảm chi phí vận hành. Nén ảnh hiệu quả cao là yếu tố quan trọng để đảm bảo hiệu quả của hệ thống giám sát.

VI. Kết Luận Và Hướng Phát Triển Của Lõi IP Nén Ảnh

Luận văn này đã trình bày một phương pháp thiết kế lõi IP cho nén ảnh sử dụng biến đổi Contourlet và thuật toán SPIHT. Kết quả nghiên cứu cho thấy lõi IP có khả năng nén ảnh với tỷ lệ nén cao và chất lượng ảnh tốt. Trong tương lai, có thể tiếp tục nghiên cứu để cải thiện hiệu năng nén ảnh Contourlet, giảm độ phức tạp tính toán, và mở rộng ứng dụng của lõi IP trong nhiều lĩnh vực khác nhau. Theo [2], sau khi loại bỏ một số mẫu Contourlet dư thừa bằng phương pháp lấy ngưỡng lặp lại thì các hệ số trong mỗi subband sẽ được mã hóa bằng bộ mã hóa TCE.

6.1. Nghiên cứu về Giải Thuật Nén Ảnh Contourlet mới

Có thể nghiên cứu các giải thuật nén ảnh Contourlet mới để cải thiện hiệu năng nén ảnh. Các thuật toán này có thể dựa trên các kỹ thuật như machine learning và deep learning. Việc phát triển Image compression algorithms mới sẽ mang lại tiềm năng lớn.

6.2. Tối ưu hóa Kiến Trúc Phần Cứng cho Lõi IP

Kiến trúc phần cứng của lõi IP có thể được tối ưu hóa để giảm độ trễ và tăng tốc độ xử lý. Điều này có thể đạt được bằng cách sử dụng các kỹ thuật như custom instructions và domain-specific architectures. Việc tối ưu IP core design là rất quan trọng.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên bùng nổ dữ liệu số và truyền thông đa phương tiện, nhu cầu lưu trữ và truyền tải hình ảnh chất lượng cao đặt ra thách thức lớn đối với hạ tầng băng thông và bộ nhớ. Các phương pháp nén ảnh truyền thống như chuẩn JPEG dựa trên biến đổi cosin rời rạc (DCT) hay JPEG 2000 dựa trên biến đổi Wavelet rời rạc (DWT) bộc lộ nhiều hạn chế khi biểu diễn các đường cong trơn, đường biên và bề mặt hoa văn phức tạp. Biến đổi Contourlet ra đời như một bước đột phá trong xử lý tín hiệu đa chiều, cho phép thông số hóa dạng hình học của ảnh với cấu trúc đa hướng và đa tỷ lệ linh hoạt. Tuy nhiên, rào cản lớn nhất của Contourlet là tính chất dư thừa thông tin với tỷ lệ xấp xỉ 4/3 cùng độ phức tạp thuật toán rất cao, khiến phần lớn nghiên cứu trước đây chỉ dừng lại ở mô phỏng phần mềm với thời gian thực thi kéo dài, không đáp ứng được yêu cầu xử lý thời gian thực.

Luận văn thạc sĩ chuyên ngành Kỹ thuật Điện tử của tác giả Phạm Thị Huế, thực hiện dưới sự hướng dẫn khoa học của Tiến sĩ Trương Quang Vinh tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh trong giai đoạn từ tháng 07/2014 đến tháng 06/2015, tập trung giải quyết triệt để bài toán này. Mục tiêu cốt lõi của đề tài là nghiên cứu, cải tiến giải thuật nén ảnh SPIHT (Set Partitioning In Hierarchical Trees) trong miền Contourlet và hiện thực hóa thành công trên phần cứng dưới dạng lõi IP (Intellectual Property Core). Đề tài thiết lập chỉ tiêu kỹ thuật khắt khe với tần số hoạt động tối thiểu đạt 50 MHz trên nền tảng FPGA Altera Cyclone IV DE2-115, xử lý tập dữ liệu ảnh chuẩn kích thước 512x512 pixel ở định dạng 8 bit/pixel (8 bpp). Ý nghĩa nghiên cứu thể hiện rõ nét qua việc tối ưu hóa tỷ lệ nén tại mức bit-rate thấp từ 0.25 bpp đến 1.0 bpp, nâng cao chất lượng ảnh khôi phục theo chỉ số PSNR, đồng thời mở ra khả năng tích hợp trực tiếp vào các hệ thống vi mạch trên một chip (SoC) phục vụ xử lý hình ảnh và video chuyên dụng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa của ba trụ cột lý thuyết xử lý tín hiệu số tiên tiến:

Lý thuyết phân tích đa phân giải định hướng (Directional Multiscale Analysis) thông qua biến đổi Contourlet: Cấu trúc biến đổi này kết hợp phân tích đa tỷ lệ Laplacian Pyramid (LP) và dàn lọc định hướng Directional Filter Bank (DFB). Phân tích LP ở mỗi tầng tạo ra một phiên bản xấp xỉ tần số thấp (lowpass) giảm mẫu 1/2 kích thước và một ảnh chi tiết tần số cao (bandpass). Dàn lọc DFB sử dụng cấu trúc phân chia quincunx với các ma trận lấy mẫu Q0, Q1 cùng 4 toán tử tái lấy mẫu R0, R1, R2, R3 để xoay ảnh một góc 45 độ hoặc -45 độ theo trục dọc và ngang. Nhờ đó, Contourlet có khả năng phân tích một tỷ lệ thành số hướng tùy ý theo hàm mũ cơ số 2 (ví dụ 16 hướng ở 4 tầng phân rã), vượt trội hơn hẳn Wavelet trong việc bắt trọn các đường viền hình học trơn và hoa văn định hướng.

Lý thuyết mã hóa dòng bit nhúng (Embedded Bitstream Coding) bằng thuật toán SPIHT: Thuật toán SPIHT vận hành dựa trên việc phân vùng các hệ số biến đổi trên cây định hướng không gian (Spatial Orientation Trees). Nguyên lý cốt lõi của SPIHT là truyền các hệ số có biên độ năng lượng lớn trước nhằm giảm thiểu tối đa sai số bình phương trung bình (MSE) theo tiêu chuẩn chất lượng thị giác con người. Cấu trúc cây phân lớp khai thác sự tự tương quan không gian giữa các băng con tần số thô (node cha) và các băng con tần số tinh (node con, cháu). Quá trình mã hóa quét qua các mặt phẳng bit từ bit có trọng số lớn nhất (MSB) đến bit có trọng số thấp nhất (LSB) thông qua ba tập hợp dữ liệu: danh sách điểm ảnh quan trọng (LSP), danh sách điểm ảnh không quan trọng (LIP) và danh sách tập hợp không quan trọng (LIS).

Lý thuyết thiết kế mạch tích hợp số và lõi IP phần cứng: Ứng dụng quy trình thiết kế vi mạch bán dẫn từ mô tả kiến trúc phần cứng bằng ngôn ngữ Verilog HDL, tối ưu hóa đường truyền dữ liệu (datapath), thiết kế bộ đệm FIFO đồng bộ và đóng gói thành khối IP hoàn chỉnh tương thích giao tiếp bus trên chip SoC.

Phương pháp nghiên cứu

Nghiên cứu áp dụng quy trình thực nghiệm nghiêm ngặt kết hợp giữa mô phỏng toán học và thẩm định thực tế trên phần cứng, trải qua các giai đoạn:

Nguồn dữ liệu và chọn mẫu: Cỡ mẫu nghiên cứu gồm 8 bức ảnh thử nghiệm chuẩn quốc tế có kích thước cố định 512x512 pixel, mức xám 8 bpp bao gồm: Goldhill, Cameraman, Barbara, Lena, Baboon, Mandrill, Pepper và Pirate. Phương pháp chọn mẫu có chủ đích bao phủ đầy đủ các đặc trưng hình thái ảnh từ vùng trơn, cạnh biên sắc nét đến các cấu trúc vân bề mặt phức tạp, đảm bảo tính đại diện cao cho việc đánh giá thuật toán nén.

Lý do lựa chọn phương pháp phân tích: Biến đổi Contourlet 4 tầng kết hợp bộ lọc LP loại "9-7" và bộ lọc DFB loại "pkva" được chọn vì mang lại sự cân bằng tối ưu giữa khả năng triệt tiêu méo dạng phổ tần và hiệu năng tái tạo đường viền. Để khắc phục sự không tương thích giữa cấu trúc băng con của Contourlet và cây tứ phân chuẩn của SPIHT, tác giả đề xuất phân chia ma trận tần số thấp 32x32 pixel thành 16 băng con lowpass ảo có kích thước 4x16 pixel. Việc tạo 16 băng con ảo giúp thiết lập tương quan 1-cha 4-con trực tiếp với 16 băng con bandpass, giúp cây Spatial Orientation Tree phát triển đầy đủ chiều sâu.

Môi trường phân tích và kiểm thử: Thuật toán cải tiến được lập trình và khảo sát phân phối năng lượng trên phần mềm MATLAB. Thiết kế phần cứng được mô tả bằng ngôn ngữ Verilog HDL, kiểm tra dạng sóng thời gian thực trên phần mềm ModelSim, tổng hợp mạch logic bằng công cụ Altera Quartus II phiên bản 13.0 và nạp thực thi trực tiếp trên kit phát triển phần cứng FPGA Altera DE2-115 trang bị chip Cyclone IV EP4CE115F29C7. Toàn bộ chu kỳ nghiên cứu và đóng gói IP hoàn thành trong 12 tháng liên tục.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình nghiên cứu và thực nghiệm đã mang lại những kết quả kỹ thuật ấn tượng, đóng góp các giá trị mới cho lĩnh vực nén ảnh số:

Quy luật tập trung năng lượng định hướng cục bộ: Khảo sát trên 8 mẫu ảnh chuẩn cho thấy các hệ số Contourlet có giá trị tuyệt đối lớn hơn mức ngưỡng T = 32 không phân bố đều mà tập trung cao độ vào một số băng con định hướng nhất định. Điển hình ở ảnh Pirate, năng lượng vượt trội tập trung cục bộ tại băng con thứ 4 và thứ 13 ở cả 4 tầng phân rã. Phát hiện này là căn cứ then chốt để tác giả đề xuất cơ chế sắp xếp lại thứ tự ưu tiên của các băng con, dành dung lượng bit mã hóa cao hơn cho các băng con chứa nhiều hệ số quan trọng.

Cải tiến cấu trúc cây định hướng không gian với 16 băng con ảo: Giải pháp phân rã ma trận lowpass 32x32 thành 16 khối kích thước 4x16 pixel đã giải quyết triệt để điểm nghẽn về cấu trúc phân cấp trong miền Contourlet. Cây định hướng không gian mới cho phép thuật toán SPIHT quét đồng thời toàn bộ 16 hướng, giúp giảm đáng kể lượng bit phụ trợ và nâng cao hiệu quả mã hóa nhúng bitstream tại các mức bit-rate thấp từ 0.25 bpp đến 0.5 bpp.

Hiện thực hóa thành công lõi IP phần cứng hoàn chỉnh: Cấu trúc phần cứng lõi IP bao gồm các phân vùng chức năng: khối chuyển đổi raster-to-block (xử lý từng khối 8x8 pixel), khối biến đổi Contourlet thuận (LP_L1, LP_L2, DFB_L1, DFB_L2), khối tính toán nén SPIHT cải tiến (spiht_cal), khối biến đổi Contourlet ngược (ICT) và khối đệm quản lý dữ liệu FIFO vào/ra.

Đạt và vượt chỉ tiêu tần số xung nhịp: Kết quả tổng hợp mạch trên phần mềm Quartus II với dòng FPGA Altera Cyclone IV xác nhận lõi IP đạt tần số hoạt động danh định trên 50 MHz, hoàn toàn đáp ứng mục tiêu đề ra ban đầu, đảm bảo khả năng xử lý khối dữ liệu liên tục với độ trễ thấp.

Thảo luận kết quả

Khả năng nén ảnh của thuật toán Contourlet-SPIHT cải tiến thể hiện sự vượt trội rõ rệt khi so sánh với các kỹ thuật nén kinh điển. Các dữ liệu đo đạc thực nghiệm có thể được hệ thống hóa trực quan thông qua biểu đồ đường biểu diễn đường cong suy hao - tốc độ bit (Rate-Distortion curve) so sánh chỉ số PSNR (dB) tương ứng với các mức bit-rate từ 0.125 bpp, 0.25 bpp, 0.5 bpp đến 1.0 bpp. Kết quả cho thấy tại mức bit-rate thấp 0.25 bpp trên các ảnh giàu chi tiết dạng sọc như Barbara, thuật toán đề xuất đạt mức tăng PSNR ấn tượng, hạn chế tối đa hiện tượng nhòe biên và giả vân (pseudo-Gibbs artifacts) vốn là điểm yếu cố hữu của phương pháp Wavelet chuẩn.

Dữ liệu tổng hợp tài nguyên phần cứng cũng được cụ thể hóa thông qua bảng thống kê các thông số thiết kế mạch logic trên chip FPGA:

• Số lượng phần tử logic (Logic Elements - LEs) sử dụng chiếm tỷ trọng hợp lý trên dòng chip Cyclone IV EP4CE115.
• Số lượng thanh ghi chuyên dụng (Dedicated Logic Registers) và bộ nhớ nội RAM khối (Embedded Block RAM Bits) được tối ưu hóa thông qua cơ chế xử lý chia khối 8x8 pixel thay vì lưu trữ toàn bộ khung hình.
• Tần số xung nhịp cực đại (Fmax) đạt ngưỡng trên 50 MHz, chứng minh tính khả thi của kiến trúc phần cứng dạng đường ống song song (pipelining).

So với thuật toán nén SPIHT truyền thống vốn sử dụng các danh sách động (LIP, LSP, LIS) gây tốn kém tài nguyên quản lý con trỏ và xung đột bộ nhớ trên phần cứng, giải thuật cải tiến trong luận văn đã tối giản hóa các bước so khớp ngưỡng, giảm thiểu số chu kỳ quét lặp lại. Việc kiểm chứng thành công trên kit FPGA DE2-115 khẳng định lõi IP này sẵn sàng để tích hợp vào các hệ thống SoC thực tế, giải quyết triệt để nhược điểm xử lý chậm chạp của các mô hình nén Contourlet chạy trên phần mềm trước đây.

Đề xuất và khuyến nghị

Từ các kết quả đạt được, luận văn đưa ra 4 khuyến nghị và lộ trình giải pháp kỹ thuật cụ thể nhằm nâng cao hiệu năng hệ thống:

1. Chuyển đổi toàn diện sang kiến trúc phần cứng No-Lists SPIHT: Doanh nghiệp và nhóm nghiên cứu phần cứng cần thay thế cấu trúc danh sách động bằng bảng trạng thái 2-bit cố định cho mỗi hệ số. Giải pháp này giúp loại bỏ hoàn toàn bộ nhớ quản lý con trỏ, mục tiêu nâng tần số xung nhịp cực đại của lõi IP từ 50 MHz lên trên 100 MHz trong lộ trình phát triển 6 tháng tới.

2. Tích hợp bộ mã hóa Entropy thích nghi ở tầng xuất dữ liệu: Kỹ sư thiết kế hệ thống cần ghép nối thêm khối mã hóa số học thích nghi (Adaptive Arithmetic Coding) hoặc mã hóa Huffman sau khối SPIHT. Mục tiêu đo lường là tăng chỉ số PSNR thêm khoảng 0.6 dB tại cùng mức bit-rate và giảm kích thước tệp nén thêm 15% đến 20%, triển khai trong vòng 3 đến 6 tháng.

3. Mở rộng kiến trúc xử lý song song đa luồng cho video độ nét cao: Các nhóm phát triển SoC cần nâng cấp các khối lọc Laplacian Pyramid và DFB lên cấu trúc song song bậc cao đa đường ống (multi-stage pipeline). Đích đến là nâng băng thông xử lý đạt chuẩn Full HD 1080p và 4K ở tốc độ khung hình 60 fps phục vụ truyền dẫn video trực tiếp, thực hiện trong khung thời gian 12 tháng.

4. Chuẩn hóa giao tiếp bus công nghiệp cho lõi IP: Bộ phận nghiên cứu vi mạch cần bổ sung giao diện tương thích chuẩn bus AMBA AXI4 hoặc Avalon-MM cho khối sink_fifo và source_fifo. Giải pháp này giúp lõi IP dễ dàng ghép nối với bộ vi xử lý ARM/Nios II trên các chip SoC thương mại trong vòng 9 tháng tới.

Đối tượng nên tham khảo luận văn

Công trình luận văn mang lại giá trị học thuật và ứng dụng thực tiễn sâu rộng cho 4 nhóm đối tượng trọng tâm:

• Kỹ sư thiết kế phần cứng FPGA và vi mạch số (ASIC/SoC): Nắm bắt kiến trúc chi tiết của các khối xử lý tín hiệu chuyên sâu (LP, DFB, SPIHT), kỹ thuật phân khối 8x8 pixel và phương pháp tối ưu hóa tài nguyên phần cứng với ngôn ngữ Verilog HDL trên công cụ Quartus II.
• Giảng viên, học viên cao học và sinh viên ngành Điện tử - Viễn thông: Sử dụng tài liệu như một cẩm nang học thuật mẫu mực về chuyển đổi giải thuật toán học phức tạp (biến đổi Contourlet, dàn lọc Quincunx) thành mô hình mạch điện tử thực tế hoạt động ở tần số trên 50 MHz.
• Chuyên gia phát triển thiết bị y tế kỹ thuật số: Ứng dụng giải thuật nén ảnh Contourlet-SPIHT vào các máy siêu âm xách tay, hệ thống chụp cộng hưởng từ (MRI) và cắt lớp (CT), giúp giảm 70% dung lượng truyền tải mà không làm mất các thông tin chẩn đoán biên cạnh quan trọng.
• Kỹ sư phát triển hệ thống camera an ninh và thiết bị quan sát viễn thám: Khai thác giải pháp nén ảnh chất lượng cao để truyền hình ảnh sắc nét qua mạng không dây băng thông hẹp từ các vệ tinh nhỏ hoặc thiết bị bay không người lái (UAV).

Câu hỏi thường gặp

Biến đổi Contourlet có điểm gì vượt trội hơn biến đổi Wavelet trong nén hình ảnh? Biến đổi Contourlet kết hợp dàn lọc định hướng DFB cho phép phân rã ảnh thành nhiều hướng tùy ý (ví dụ 16 hướng ở 4 tầng) thay vì chỉ 3 hướng ngang, dọc, chéo như Wavelet. Nhờ đó, Contourlet bắt trọn các đường cong trơn và hoa văn, giúp ảnh khôi phục tại mức 0.25 bpp sắc nét hơn, triệt tiêu hiện tượng nhòe biên.

Mục đích của việc tạo 16 băng con lowpass ảo trong thuật toán là gì? Ma trận tần số thấp gốc có kích thước 32x32 pixel được chia thành 16 băng con ảo 4x16 pixel nhằm đồng bộ cấu trúc với 16 băng con bandpass. Việc này giúp thiết lập mối quan hệ phân cấp cha-con 1:4 hoàn chỉnh trên cây Spatial Orientation Tree, giúp thuật toán SPIHT phát huy tối đa hiệu quả nén.

Tại sao mức ngưỡng T = 32 được chọn để phân loại hệ số quan trọng? Qua khảo sát thực nghiệm trên 8 tập ảnh chuẩn 512x512 pixel, ngưỡng T = 32 là giá trị tối ưu giúp phân lập chính xác các băng con tập trung nhiều năng lượng nhất mà không làm tăng độ phức tạp tính toán, giữ ổn định thứ tự ưu tiên của các băng con định hướng.

Lõi IP nén ảnh này tiêu thụ tài nguyên và đạt tần số hoạt động như thế nào trên FPGA? Lõi IP được tối ưu hóa kiến trúc xử lý theo khối 8x8 pixel, tổng hợp thành công trên chip Altera Cyclone IV EP4CE115F29C7 thuộc kit DE2-115, đạt tần số làm việc vượt mốc 50 MHz, đảm bảo khả năng xử lý dòng dữ liệu hình ảnh liên tục với mức tiêu thụ tài nguyên logic rất tiết kiệm.

Lõi IP này có thể tích hợp vào các vi chip SoC thương mại bằng cách nào? Khối phần cứng được thiết kế kèm các bộ đệm sink_fifo và source_fifo đồng bộ. Người thiết kế chỉ cần đóng gói lõi IP qua công cụ Qsys, tích hợp giao diện bus chuẩn Avalon hoặc AXI4 để kết nối trực tiếp với bộ xử lý trung tâm và bộ nhớ DDR RAM trên hệ thống SoC.

Kết luận

• Đề tài đã nghiên cứu toàn diện và làm chủ lý thuyết biến đổi Contourlet đa hướng kết hợp với thuật toán nén cây phân lớp SPIHT cải tiến trên tập dữ liệu ảnh chuẩn 512x512 pixel.
• Đề xuất giải pháp đột phá xây dựng 16 băng con lowpass ảo (4x16 pixel) và cơ chế sắp xếp băng con theo ngưỡng năng lượng T = 32, tối ưu hóa đáng kể hiệu quả mã hóa nhúng bitstream.
• Hiện thực hóa thành công lõi IP nén ảnh hoàn chỉnh bằng ngôn ngữ Verilog HDL, vượt qua các bài kiểm tra mô phỏng dạng sóng trên ModelSim và tổng hợp logic trên Altera Quartus II.
• Thẩm định thực nghiệm trực tiếp trên phần cứng kit FPGA Altera DE2-115 Cyclone IV, xác nhận hệ thống vận hành ổn định tại tần số xung nhịp trên 50 MHz.
• Lộ trình 6 đến 12 tháng tới sẽ tập trung tích hợp mã hóa số học thích nghi và chuyển đổi sang cấu trúc No-Lists SPIHT để sẵn sàng thương mại hóa trên các vi mạch SoC xử lý đa phương tiện.

Quý độc giả, kỹ sư vi mạch và nhà nghiên cứu quan tâm có thể khai thác trực tiếp mô hình kiến trúc lõi IP và phương pháp luận của công trình này để ứng dụng vào các dự án thiết kế hệ thống xử lý ảnh nhúng hiệu năng cao.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CÁC CÔNG TRÌNH NGHIÊN CỨU VỀ NÉN ẢNH TRONG MIỀN CONTOURLET 1. Tổng quan về nén ảnh trong miền Contourlet Nén ảnh được chia thành hai loại chính là nén ảnh có mất dữ liệu và nén ảnh không mất dữ liệu. Ở nén ảnh không mất dữ liệu thì hình ảnh ban đầu có thể được khôi phục một cách chính xác mà không có bất kỳ sự mất mát nào, nhưng nó lại có nhược điểm là tỉ lệ nén thấp. Còn nén ảnh có mất dữ liệu thì ngược lại là có tỉ lệ nén cao nhưng cũng có một số lỗi.Vì vậy những thuật toán của nén ảnh có mất dữ liệu cố gắng loại bỏ những thông tin không quan trọng trong hình ảnh, những thông tin này được loại bỏ thường dựa vào khả năng nhìn của mắt người.

Đối với nén ảnh có mất dữ liệu, hình ảnh được phân tích bằng cách sử dụng những biến đổi khác nhau, mục đích là để biểu diễn hình ảnh ban đầu theo một cách hiệu quả hơn. Biến đổi Contourlet là một trong những biến đổi có định hướng (directional) phổ biến nhất giúp biểu diễn tốt những đường cong trơn. Mã hóa hình ảnh với tốc độ bit thấp mà sử dụng biến đổi Contourlet sẽ giúp cho hình ảnh giữ lại được những đặc điểm phù hợp với mắt người hơn Wavelet. Tuy nhiên, biến đổi Contourlet lại là một biến đổi dư thừa với cận trên là 4/3.

Vì vậy để giảm dư thừa, người ta đã đề xuất ra biến đổi Wavelet-based Contourlet (WBCT) [1] với sự kết hợp của các băng con Wavelet và dàn lọc định hướng DFB, điều này giúp loại bỏ được sự dư thừa nhưng vẫn giữ được khả năng định hướng của biến đổi Contourlet. Tuy nhiên, chính vì có sự kết hợp với biến đổi Wavelet nên biến đổi WBCT này cũng có nhược điểm của Wavelet, đó là sự chồng phổ khi giảm mẫu (downsampling) ở những subband có tần số cao.Vì thế, hình ảnh khôi phục lại sau khi qua biến đổi WBCT này có thể bị méo nhiều hơn so với biến đổi Contoutlet ở những vùng hình ảnh đường viền (contour) và hoa văn (texture) [7]. Ngoài ra chúng ta có thể sử dụng cách khác để loại bỏ sự dư thừa của Contourlet, đó là lọc bớt các mẫu không quan trọng đi [3] bằng cách sử dụng một trong ba phương pháp, đó là phương pháp ngưỡng lặp lại (iterative thresholding method), phương pháp theo đuổi tham lam (greedy pursuit method) và phương pháp dựa trên chương trình tuyến tính (linear programming based method). Trong ba phương pháp này thì lấy ngưỡng lặp lại là tốt nhất cả về độ phức tạp tính toán và khả năng loại bỏ các mẫu không quan trọng.

Contourlet tuy tốt về mặt xấp xỉ không tuyến tính, tức là sử dụng những hệ số quan trọng nhất để khôi phục lại hình ảnh; nhưng chính khả năng xấp xỉ không tuyến tính này lại gây ra pseudo-Gibbs artifacts [4]. Về giải thuật nén ảnh trong miền Contourlet, hiện nay có nhiều công trình nghiên cứu về vấn đề này.Ở công trình nghiên cứu [5], các tác giả đề xuất một giải thuật nén ảnh trong miền Contourlet dành riêng cho ảnh siêu âm trong y học (medical ultrasound image). Các bước nén ảnh được thực hiện như sau: (i) ảnh siêu âm sẽ được biến đổi Contourlet, (ii) các hệ số Contourlet sẽ được lọc bớt đi bằng cách so sánh với một giá trị ngưỡng, để tối thiểu hóa việc mất thông tin quan trọng thì việc chọn ngưỡng chính là giá trị của hệ số Contourlet xuất hiện nhiều nhất, (iii) lượng tử hóa các hệ số Contourlet đã được lọc bớt đó theo kiểu scalar quantization, tức là mỗi hệ số Contourlet sẽ được lượng tử hóa riêng rẽ với nhau, và (iv) nén các hệ số Contourlet đã được lượng tử hóa bằng thuật toán Huffman. Ưu điểm lớn nhất của phương pháp được đề xuất này với trọng tâm là sử dụng một ngưỡng lọc bớt các hệ số Contourlet giúp giảm được nhiễu lốm đốm trên ảnh siêu âm vừa đảm bảo được chất lượng nén.

Tuy nhiên, khi tiến hành thí nghiệm, tác giả so sánh phương pháp đề xuất trong miền Contourlet với phương pháp nén bằng thuật toán SPIHT trong miền Wavelet, tác giả sử dụng hình ảnh HVTH: Phạm Thị Huế 1 Thiết kế lõi IP nén ảnh sử dụng biến đổi Contourlet GVHD: TS. Trương Quang Vinh siêu âm chứa nhiều đường cong trơn mà bản thân nó đã phù hợp với biến đổi Contourlet hơn là biến đổi Wavelet nên việc tăng PSNR của phương pháp đề xuất trong miền Contourlet hơn so với thuật toán SPIHT trong miền Wavelet cũng chưa thể kết luận ngay được là phương pháp đề xuất này tốt hơn thuật toán SPIHT trong điều kiện hình ảnh không bị nhiễu lốm đốm. Hơn nữa, tỉ lệ nén ở đây chỉ khoảng 4-8 lần, tác giả chưa đánh giá được tại những tỉ lệ nén cao hơn thì chất lượng nén của phương pháp đề xuất sẽ như thế nào. Ở công trình nghiên cứu [4], các tác giả thực hiện nén ảnh trong miền Contourlet.

Phương pháp nén ảnh được thực hiện cơ bản dựa trên việc thay đổi các hệ số Contourlet sao cho entropy của các hệ số là nhỏ nhất. Các bước nén ảnh được thực hiện như sau: (i) biến đổi Contourlet ảnh đầu vào, (ii) xây dựng histogram H của các hệ số Contourlet đã được làm tròn xuống thành số nguyên, (iii) histogram H của các hệ số này sẽ được biến đổi thành histogram H’ khác bằng cách sử dụng thuật toán Viterbi, mục đích là để entropy của các hệ số là nhỏ nhất, (iv) các hệ số đã được biến đổi thành histogram H’ này sẽ được chia thành hai phần, đó là (iv- 1) các hệ số có cùng giá trị mà có số lượng nhiều nhất sẽ được lưu lại vị trí bằng một mask, mask này sẽ được nén bằng Run Length Encoding và tiếp theo là adaptive arimetic coding; và (iv-2) các hệ số còn lại được nén bằng arithmetic coding, (v) gộp lại các giá trị của các hệ số có histogram lớn nhất và các dữ liệu đã được nén. Ưu điểm lớn nhất của phương pháp này là từ việc thay đổi histogram của các hệ số sẽ giúp giữ lại những chi tiết nhỏ trong hình ảnh, mặt khác cũng khắc phục được hạn chế của thuật nén ảnh dựa trên việc xấp xỉ không tuyến tính (non-linear approximation), đó là hiệu ứng pseudo-Gibbs artifacts ở những chi tiết mà có tần số thấp và vùng smooth của hình ảnh. Tuy nhiên, để đạt được PSNR cao hơn 1,31 dB ở bit- rate = 0,25 bpp thì tác giả phải dùng đến biến đổi Contourlet 6 tầng, với số hướng tăng lên gấp đôi ở mỗi tầng tinh hơn (tức là số tầng cao hơn).

Với số tầng nhiều như trên thì sẽ tốn thêm nhiều tài nguyên, đặc biệt là tốn nhiều bộ nhớ khi xây dựng trên phần cứng. Ở công trình nghiên cứu [2],sau khi loại bỏ một số mẫu Contourlet dư thừa bằng phương pháp lấy ngưỡng lặp lại thì các hệ số trong mỗi subband sẽ được mã hóa bằng bộ mã hóa TCE. Trong 3 loại phụ thuộc giữa các hệ số biến đổi Contourlet (sự phụ thuộc giữa các subband, bên trong mỗi subband và các scale với nhau) thì sự phụ thuộc giữa các hệ số bên trong mỗi subband là lớn nhất, do đó việc dùng bộ mã hóa TCE để mã hóa mỗi subband sẽ giúp tăng tỉ lệ nén. Những thuật toán nén ảnh ở trên không thể tạo ra được chuỗi bit nhúng (embedded bit stream), tức là chuỗi bit mã hóa có thể được cắt ở bất kỳ bit nào mà vẫn có khả năng cho chất lượng ảnh khôi phục là tốt nhất có thể.

Trong khi hiện nay, nhiều loại thiết bị đầu cuối (terminal) và các node ở những mạng không đồng nhất (heterogeneous network) lại khác nhau về bộ xử lý, bộ nhớ, khả năng hiển thị, phân giải,…; cho nên chất lượng SNR của chuỗi bit mã hóa được cần cũng là khác nhau. Muốn tùy chọn khả năng SNR thì ta có thể thực hiện bằng cách truyền lần lượt (progressive transmission) và nhúng thông tin (embedded information) [7]. Điều này dẫn đến việc phải tính toán và phân vùng những thông tin quan trọng theo kiểu phân cấp, tức là thông tin nào càng quan trọng thì càng nên ở cấp cao hơn. Một số thuật toán thực hiện nén ảnh kiểu này là EZW [8], SPIHT [9], EBCOT [10].Cần chú ý là những thuật toán này đều được xây dựng dựa trên biến đổi Wavelet.

Như ta đã biết, biến đổi Contourlet và biến đổi Wavelet có những điểm tương đồng nhất định, chúng đều là biến đổi tạo ra những subband phân cấp.Vì vậy, một số thuật toán nén ảnh sử dụng ở miền Wavelet cũng có khả năng sử dụng được ở miền Contourlet với một số điều chỉnh nhỏ cho phù hợp hơn với Contourlet. Chính vì vậy, hiện nay có nhiều công trình nghiên cứu trên thế giới về nén ảnh trong miền Contourlet đi theo xu hướng điều chỉnh thuật toán nén HVTH: Phạm Thị Huế 2 Thiết kế lõi IP nén ảnh sử dụng biến đổi Contourlet GVHD: TS. Trương Quang Vinh ảnh trong Wavelet. Trong các thuật toán này thì SPIHT được lựa chọn khá nhiều do nó là thuật toán cải tiến của EZW và có độ phức tạp tính toán nhỏ hơn EBCOT.Một số công trình tiêu biểu như [3], [7] và [11].

SPIHT là một thuật toán nén ảnh nhanh và hiệu quả dựa trên phương pháp phân vùng trên cây phân lớp (Set Partitioning In Hierarchical Trees, viết tắt là SPIHT). Nó chú trọng vào quá trình truyền các hệ số đi, các hệ số quan trọng sẽ được truyền đi trước (mức độ quan trọng dựa vào giá trị các hệ số, hệ số nào có giá trị càng lớn thì càng quan trọng).Nhờ vậy mà dù chỉ có một số lượng ít các hệ số ta vẫn có thể khôi phục lại được hình ảnh. Để việc truyền các hệ số quan trọng đi trước được thuận lợi thì các hệ số được sắp xếp theo biên độ. Các hệ số này sẽ được phân vùng bằng cách sử dụng một cây được gọi là spatial orientation trees để giữ các hệ số không quan trọng lại cùng nhau trong các tập phụ.

Thuật toán SPIHT dễ dàng thực hiện trên phần mềm nhưng lại không phù hợp khi thực thi phần cứng [12] do phải sử dụng nhiều danh sách (list), điều này gây ra hậu quả là phải phụ thuộc vào biến và dữ liệu, đòi hỏi nhiều bộ nhớ, lại cần phải quản lý bộ nhớ như danh sách các node được thêm vào, di chuyển hay loại bỏ đi. Mặt khác, SPIHT cũng có nhiều toán tử lặp trong mỗi một lần quét, đó là do các tập hợp cần phải được kiểm tra xem có phải là tập hợp chứa các pixel quan trọng hay không.Khi giá trị ngưỡng thay đổi thì việc kiểm tra cũng cần phải được tiến hành lại. Để khắc phục nhược điểm của SPIHT, Frederick W. Wheder và William A.