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

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.

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.