Một phương pháp tăng cường độ tương phản ảnh viễn thám dựa trên tiếp cận cục bộ

Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 83 - 
Một phƣơng pháp tăng cƣờng độ tƣơng phản ảnh 
viễn thám dựa trên tiếp cận cục bộ 
A Method to Enhance Contrast of The Remote Sensing Images based on The 
Local Approach 
Nguyễn Tu Trung, Vũ Văn Thỏa, Đặng Văn Đức 
Abstract: The image enhancement methods are 
divided into 3 categories including histogram, fuzzy 
logic and optimal methods. Histogram based contrast 
enhancing methods focus on modifying histogram of 
images. Histogram specification and histogram 
equalization are commonly used as conventional 
contrast enhancement mothods. Patently, the fuzzy 
logic based image enhancement methods make image 
which quality is clearer than the traditional methods. 
However, these methods still use the global approach, 
therefore, it is difficult to enhance all land covered in 
remote sensing images. This paper proposes a local 
approach based new algorithm of image enhancement 
for the remote sensing images and the large size 
remote sensing images, calculating auto thresholds 
and combination the grey adjust operators. 
 Keywords: Image Enhancement, Multispectral 
remote sensing images, fuzzy logic, Image 
enhancement operator, local approach, Wavelet. 
I. GIỚI THIỆU 
Ảnh viễn thám thường có kích thước lớn và độ 
phân giải không gian đa dạng. Độ phân giải không 
gian càng cao thì ảnh càng chi tiết. Nó cũng có thể 
chứa nhiễu. Để khử nhiễu và tăng cường ảnh chúng ta 
cần sử dụng các phương pháp nâng cao chất lượng 
ảnh. Nâng cao chất lượng là bước cần thiết trong xử lý 
ảnh nhằm hoàn thiện một số đặc tính của ảnh như lọc 
nhiễu, làm trơn, tăng cường độ tương phản, điều chỉnh 
mức xám, nổi biên ảnh. Nâng cao chất lượng ảnh gồm 
hai công đoạn khác nhau: tăng cường ảnh và khôi 
phục ảnh. Nhiễu trong ảnh viễn thám bao gồm nhiễu 
thông thường giống ảnh màu và các nhiễu mang tính 
đặc trưng như sương mù, đám mây... Với các nhiễu 
đặc thù cần có phương pháp khử nhiễu đặc thù như 
phương pháp loại bỏ sương mù, đám mây sử dụng 
thuật toán Mallat [4]. Đối với nhiễu thông thường, 
chúng ta có thể dùng các phương pháp khử nhiễu 
thông thường như Lọc nhiễu, hay làm trơn ảnh; Tăng 
độ tương phản, điều chỉnh mức xám của ảnh; Làm nổi 
biên ảnh. 
Theo [18], các kĩ thuật tăng cường ảnh chia làm ba 
loại. Một là, họ các kĩ thuật histogram mà tiêu biểu là 
cân bằng histogram và đặc tả histogram. Hai là, họ các 
kĩ thuật dựa trên tiếp cận logic mờ với một số kĩ thuật 
được trình bày trong phần III của bài báo này. Ba là, 
các kĩ thuật tăng cường dựa trên tối ưu. Trong [19], 
Aman Tusia và cộng sự đã thực hiện một phân tích 
hiệu năng của hệ thống mờ loại 2 cho việc tăng cường 
ảnh sử dụng thuật toán tối ưu cuckoo. 
Nhiều phương pháp tăng độ tương phản truyền 
thống áp dụng tiếp cận toàn cục để tăng cường tất cả 
mức độ sáng của ảnh. Tuy nhiên, thường khó để tăng 
cường tất cả các đối tượng xuất hiện trong ảnh vệ tinh, 
bởi vì thông tin tương phản cục bộ và chi tiết có thể bị 
mất trong các vùng sáng và tối. Trong [2,8], các tác 
giả đã kết hợp giữa logic mờ [1] và các công thức hiệu 
chỉnh mức xám để tăng cường độ tương phản của ảnh 
y tế. Phương pháp tăng cường ảnh mờ đã xem xét ma 
trận thành viên và các biểu thức điều chỉnh mức xám 
để tăng cường độ tương phản. Mặc dù vậy, phương 
pháp này vẫn sử dụng tiếp cận toàn cục nên vẫn chưa 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 84 - 
giải quyết được vấn đề của các phương pháp truyền 
thống. Ngoài ra, phương pháp tăng cường ảnh mờ [2] 
vẫn chọn thủ công các giá trị cho các ngưỡng cận 
dưới, trung bình và cận trên nên không phải lúc nào 
cũng chọn được giá trị tốt làm ảnh hưởng đến kết quả 
tăng cường ảnh. 
Trong nghiên cứu này, chúng tôi đề xuất một thuật 
toán tăng cường ảnh viễn thám dựa trên tiếp cận cục 
bộ kết hợp tính ngưỡng tự động theo từng cụm với các 
toán tử tăng cường trong cùng một mô hình hiệu chỉnh 
mức xám. 
II. GIỚI THIỆU VỀ ẢNH VIỄN THÁM 
Theo [17] thì viễn thám là ngành khoa học thu thập 
từ xa các thông tin trên bề mặt Trái đất, nó bao gồm 
cảm nhận và ghi lại năng lượng phát ra, xử lý, phân 
tích dữ liệu và ứng dụng các thông tin sau phân tích. 
Cũng theo [17] thì phần lớn các hệ thống thu nhận và 
xử lý ảnh viễn thám có quy trình 7 bước như trên Hình 
1. 
Hình 1. Tiến trình thu thập và xử lý ảnh viễn thám [17]. 
Trong Hình 1, A là Nguồn năng lượng hay nguồn 
sáng, B là Bức xạ và khí quyển, C là Tương tác với 
đối tượng đích, D là Thu nhận năng lượng bằng đầu 
cảm biến, E là Truyền, nhận và xử lý năng lượng, F là 
Diễn giải và phân tích, G là Ứng dụng. 
Ảnh viễn thám có các đặc trưng: kênh ảnh, độ phân 
giải không gian, độ phân giải phổ, độ phân giải bức 
xạ, độ phân giải thời gian. 
Có nhiều loại ảnh/vệ tinh viễn thám khác nhau như 
vệ tinh cảm biến thời tiết (GOES, NOAA AVHRR), 
vệ tinh quan trắc mặt đất (LANDSAT, SPOT)  
III. TĂNG CƢỜNG ẢNH DỰA TRÊN LOGIC 
MỜ 
III.1. Tổng quan về tăng cƣờng ảnh dựa trên logic 
mờ 
Tăng cường ảnh mờ dựa trên việc ánh xạ mức xám 
vào mặt phẳng mờ, sử dụng hàm biến đổi thành viên 
[7,8]. Mục tiêu là để sinh một ảnh có độ tương phản 
cao hơn ảnh gốc bằng việc đựa trọng số lớn hơn cho 
các mức xám mà gần hơn với mức xám trung bình của 
ảnh hơn là để chúng xa hơn trung bình [2]. Trong vài 
năm gần đây, nhiều nhà nghiên cứu đã áp dụng lý 
thuyết tập mờ để phát triển các kĩ thuật mới cho việc 
cải thiện độ tương phản [2]. Một ảnh I có kích thước 
M x N và L mức xám có thể được xem như một mảng 
đơn mờ, mỗi phần tử là một giá trị thành viên biểu thị 
mức độ sáng của nó liên quan tới vài mức độ sáng. 
Với ảnh I, chúng ta có thể viết trong ký hiệu tập mờ 
[2][8] như sau: 
 ⋃ m = 1,2,,M và n = 1,2,,N (1) 
 Trong đó gmn là cường độ của điểm ảnh (m, n) và 
giá trị thành viên của nó μmn. Hàm thành viên đặc 
trưng cho thuộc tính thích nghi của ảnh (ví dụ thuộc 
tính biên, tối, kết cấu). Trong những năm gần đây, một 
số nhà nghiên cứu đã áp dụng khái niệm mờ để phát 
triển các thuật toán mới cho việc tăng cường ảnh. 
Nguyên tắc của lược đồ tăng cường mờ được minh 
họa trong Hình 2. 
Hình 2: Nguyên tắc chính của tăng cường ảnh mờ [2]. 
III.2. Tăng cƣờng ảnh mờ với toán tử tăng cƣờng 
Phương pháp này sử dụng toán tử tăng cường [9] 
để giảm tính mờ của ảnh mà đưa ra trong một sự tăng 
cường độ tương phản ảnh [10,11]. Thuật toán có thể 
được phát biểu như sau: 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 85 - 
Bước 1: Đặt các tham số Fe (Exponential 
fuzzifiers), Fd (Denomination fuzzifiers), gmax 
(Maximum gray level) của hàm thành viên 
Fe = 2 và 
 (2) 
Bước 2: Định nghĩa hàm thành viên 
 ( ) 0 
1
 (3) 
Bước 3: Thay đổi giá trị thành viên 
 {
 , -
 , -
(4) 
Bước 4: Sinh mức xám mới 
 ( 
 ) ((( 
 )
 )) (5) 
III.3. Tăng cƣờng ảnh mờ với toán tử Hyperbol 
Ý tưởng của hyperbolization histogram, và 
hyperbolization histogram mờ được mô tả tương ứng 
trong [12] và [13]. Do nhận thức độ sáng của con 
người không tuyến tính, thuật toán này thay đổi giá trị 
thành viên của các mức xám bởi hàm logarit. Thuật 
toán có thể được phát biểu như sau: 
Bước 1: Thiết lập dạng hàm thành viên. 
Bước 2: Đặt giá trị của tham số mờ β. 
Bước 3: Tính các giá trị thành viên μmn. 
Bước 4: Thay đổi các giá trị thành viên bởi β. 
Bước 5: Sinh mức xám mới, như mô tả ở dưới. 
Trong thuật toán này, dạng của hàm thành viên 
được thiết lập như tam giác để đặc trưng cho ranh giới, 
và giá trị của tham số mờ β như một ranh giới: β = - 
0.75 + 1.5μ. Sau đó, bằng việc tính giá trị thành viên 
μmn và thay đổi giá trị thành viên bởi β, sinh giá trị 
mức xám mới g’mn bởi đẳng thức sau: 
 .
/ 0 
 1 (6) 
III.4. Hạn chế của các thuật toán tăng cƣờng mờ 
Qua phân tích về phương pháp tăng cường ảnh mờ 
đã có như được trình bày trong các mục III của bài báo 
này, chúng tôi có một số nhận xét sau: 
- Một là, các thuật toán tăng cường mờ trên vẫn 
sử dụng tiếp cận toàn cục như các phương pháp truyền 
thống, điểm ưu việt hơn chỉ là có thêm ma trận thành 
viên cho ảnh. Vì vậy, vẫn khó để tăng cường độ tương 
phản giữa các lớp phủ đất (các đối tượng che phủ mặt 
đất) xuất hiện trong ảnh vệ tinh, bởi vì thông tin tương 
phản cục bộ và chi tiết vẫn có thể bị mất trong các 
vùng sáng và tối. 
- Hai là, khi cài đặt thuật toán, cụ thể trong [2], 
các ngưỡng cận trên max, dưới min, trung bình mid 
vẫn phải chọn thủ công. Như vậy, với mỗi ảnh khác 
nhau thì sẽ phải dò tìm thủ công, thiếu hiệu quả và 
việc chọn ngưỡng có thể không tốt. 
- Ba là, giống như phương pháp truyền thống, 
phương pháp tăng cường ảnh mờ chỉ thực hiện trên 
một kênh phổ. Với ảnh đa phổ như ảnh màu RGB hay 
ảnh viễn thám đa phổ, thuật toán sẽ được thực hiện 
trên từng kênh ảnh. Giả sử ta có một điểm ảnh P với 
các mức xám tương ứng với các kênh là ( 
 , 
 , 
 ). Như vậy, các giá trị xám 
 , 
 , 
  có quan 
hệ cùng một điểm ảnh. Khi thực hiện thuật toán tăng 
cường ảnh mờ theo từng kênh, mối quan hệ này không 
được bao hàm. Khi đó, mỗi giá trị xám trong bộ ( 
 , 
 , 
 ) sẽ được tăng cường một cách độc lập nên 
khó đảm bảo quan hệ phổ nêu trên giữa các giá trị xám 
mới sau tăng cường. Do đó, mầu của các đối tượng 
trong ảnh sau đầu ra có thể không được bảo tồn. 
IV. ĐỀ XUẤT PHƢƠNG PHÁP TĂNG CƢỜNG 
ẢNH VIỄN THÁM DỰA TRÊN TIẾP CẬN 
CỤC BỘ 
Để khắc phục những hạn chế được nêu trong mục 
III.4 của bài báo này, chúng tôi đề xuất phương pháp 
tăng cường độ tương phản ảnh viễn thám mới dựa trên 
tiếp cận cục bộ theo cụm. Theo đó, các mức xám sẽ 
được tăng cường độ tương phản theo từng cụm trước 
khi tổng hợp lại. Ngoài ra, chúng tôi cũng đề xuất 
thêm thuật toán tăng cường ảnh viễn thám kích lớn 
dựa trên thuật toán tăng cường độ tượng phản cục bộ 
nói trên. 
IV.1. Tăng cƣờng ảnh viễn thám dựa trên tiếp cận 
cục bộ LoRSIE 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 86 - 
Các bước chính của thuật toán tăng cường ảnh viễn 
thám dựa trên tiếp cận cục bộ (Local based Remote 
Sensing Image Enhancement-LoRSIE) được liệt kê 
trong Bảng 1. 
Bảng 1: Quy trình thuật toán tăng cường ảnh viễn 
thám dựa trên tiếp cận cục bộ. 
Giai 
đoạn 
Nhiệm vụ 
1 Cục bộ hóa ảnh viễn thám dựa trên thuật 
toán phân cụm 
2 Xây dựng mô hình hiệu chỉnh mức xám theo 
cụm 
3 Tính ngưỡng tự động theo cụm 
4 Sinh ảnh tăng cường dựa trên việc tổng hợp 
các mức xám hiệu chỉnh theo từng cụm 
IV.1.1. Cục bộ hóa ảnh viễn thám dựa trên thuật 
toán phân cụm 
Phân cụm c-Means mờ [1] là thuật toán được dùng 
rộng rãi của phân lớp mờ. Trong khi xem xét logic tập 
mờ, thuật toán được phát triển dựa trên phân cụm k-
Means. Trong thuật toán này, mỗi điểm ảnh không về 
duy nhất cụm nào và được biểu diễn bởi nhiều thành 
viên của mỗi cụm. Thuật toán phân cụm được thực 
hiện với sự tối ưu lặp của việc cực tiểu hàm mục tiêu 
mờ (Jm) được định nghĩa như đẳng thức 7 ([5],[6]). 
 ∑ ∑ ( )
 ( )
 (7) 
Trong đó: 
c: số cụm 
n: số pixel của ảnh 
µik: giá trị thành viên của pixel thứ k và trung 
tâm cụm thứ i 
m: trọng số mũ, tham số mờ 
xk: vector thứ k 
Vi: Vector trung tâm của cụm thứ i 
d
2
(xk,Vi) = Khoảng cách giữa xk và Vi 
Thành viên (µik) được ước lượng với khoảng cách 
giữa điểm ảnh thứ k và tâm cụm thứ i, và bị ràng buộc 
như sau: 
{
∑ 
 ∑ 
 (8) 
Trung tâm cụm Vi và giá trị μik có thể được tính 
theo công thức sau: 
∑ ( )
∑ ( ) 
 , 1 ≤ i ≤ c (9)
 ⟦∑ (
 ( )
 ( )
)
 ⟧
 , 1 ≤ i ≤ c, 1 ≤ k ≤ n (10)
 Do đó, Jm có thể được cực tiểu bởi việc lặp thông 
qua đẳng thức (9) và (10). Bước đầu tiên của việc lặp 
là khởi tạo số cụm c cố định, tham số mờ m, một 
ngưỡng hội tụ ε, sau đó tính toán μik và sử dụng 
đẳng thức (9) và (10) tương ứng. Việc lặp kết thúc khi 
sự thay đổi trong Vi giữa hai lần lặp nhỏ hơn ε. Cuối 
cùng, mỗi điểm ảnh được phân lớp vào một sự kết hợp 
các thành viên của các cụm. 
IV.1.2. Xây dựng mô hình biến đổi mức xám theo 
cụm 
Trong phần này, chúng ta sẽ xây dựng hàm biến 
đổi mức xám để tăng cường theo mỗi cụm. Hàm này 
được tạo từ công thức giãn mức xám sau đây: 
 (11) 
Hàm biến đổi mức xám theo cụm được phát biểu 
như sau: 
 ( ) 
 (12) 
Trong đó: 
 là giá trị cực tiểu 
 là giá trị cực đại 
 là cận dưới 
 là cận trên 
 là giá trị mức xám cũ 
 là giá trị mức xám mới 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 87 - 
Theo cách trên, ta đã xây dựng được hàm biến đổi 
mức xám theo toán tử giãn mức xám. Bằng cách tương 
tự, chúng ta có thể xây dựng được hàm biến đổi mức 
xám cho toán tử Hyperbol, tăng cường... Trong nghiên 
cứu này, chúng tôi xây dựng hàm biến đổi cho toán tử 
Giãn mức xám và Hyperbol, và được phát biểu theo 
từng cụm trong Bảng 2. 
Bảng 2: Các hàm biến đổi mức xám theo từng cụm. 
Ý nghĩa Công thức biến đổi Ti(g) 
Giãn 
mức xám 
Biến đổi 
Hyperbol 
(
) [ 
 ( ) ] 
Trong đó: 
{
Trong đó: 
g = giá trị xám gốc. 
 = cận trên của việc giãn cụm i. 
 = cận dưới của việc giãn cụm i. 
 = tâm cụm i. 
Giá trị của các ngưỡng và được 
tính tự động theo từng cụm như trong mục IV.1.3. 
IV.1.3. Tính ngưỡng tự động theo cụm 
Giả sử, ( ) là hàm phân bố của mức xám theo 
một cụm cho trước. ( ) và các tham số: , , 
 được thể hiện trong Hình 3. 
Các ngưỡng , được xác định bằng 
cách chọn sao cho vùng gạch chéo (Hình 3) có diện 
tích bằng 95% tổng diện tích được bao các đường y = 
0 và y = ( ). 
Hình 3: Hàm phân bố và các ngưỡng theo từng cụm. 
IV.1.4. Sinh ảnh tăng cường dựa trên việc tổng hợp 
mức xám hiệu chỉnh theo từng cụm 
Dựa trên mô hình biến đổi mức xám theo mỗi cụm 
đã xây dựng trong phần IV.1.3, mỗi giá trị xám đầu 
vào sẽ được chuyển các thành giá trị mới tương ứng 
với các cụm. Nhiệm vụ còn lại là tổng hợp các giá trị 
này để sinh ra giá trị xám duy nhất. Hàm tổng hợp này 
có dạng tổng quát như sau: g | g’ = T(g). Trong đó, 
 ( ) ∑ ( )
 (13) 
 ( ) 
Trong đó: 
g = giá trị xám gốc. 
 = cận trên của việc giãn cụm i. 
 = g cận dưới của việc giãn cụm i. 
 = tâm cụm i. 
 = giá trị độ thuộc của mức xám g theo cụm i. 
IV.2. Phát triển thuật toán cho ảnh đa phổ 
Bản chất FCM là thuật toán phân cụm các đối 
tượng là các vector có nhiều thành phần. Và do vậy, 
FCM đã thực hiện rất tốt cho ảnh đa kênh như ảnh 
màu RGB. Như vậy, thuật toán trên áp dụng cho ảnh 
viễn thám đa phổ như sau: 
- Bước 1: Cục bộ hóa ảnh đầu vào. Sau khi thực hiện 
thủ tục phân cụm, mỗi điểm ảnh P( 
 , 
 , 
 ) 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 88 - 
sẽ được đặc trưng thêm bởi một bộ các giá trị độ 
thuộc ứng với các cụm khác nhau. Như vậy, quan 
hệ cùng một điểm ảnh của một bộ ( 
 , 
 , 
 ) 
được đặc trưng bởi bộ các giá trị độ thuộc trên. Do 
đó, giải quyết được hạn chế thứ 3 trong mục III.4. 
- Bước 2: Xây dựng mô hình hiệu chỉnh mức xám. 
Vẫn thực hiện việc này như ... c đo khoảng cách giữa mặt phẳng thuộc tính mờ và 
mặt phẳng thông thường gần nhất. Chỉ số này có thể 
được lưu ý như một độ khó trong việc quyết định liệu 
một điểm ảnh nên được xem như đen (tối) hoặc trắng 
(sáng) [16]. 
V.1. Thử nghiệm 1 
Trong thử nghiệm 1, ảnh gốc là ảnh vệ tinh 
LANDSAT khu vực huyện Kim Bôi có kích thước 
1581 x 1527 (điểm ảnh). 
Bảng 3 bao gồm ảnh đầu vào và ảnh kết quả khi 
tăng cường sử dụng phương pháp mờ với các toán tử 
tăng cường, hyperbol và phương pháp cải tiến của 
chúng tôi với hai toán tử giãn và hyperbol. Về mặt 
trực quan, ta có thể thấy ảnh sau tăng cường sử dụng 
phương pháp mờ tương quan màu giữa các các điểm 
ảnh không được bảo tồn, đặc biệt là với toán tử 
Hyperbol. Trong khi đó, kết quả của phương pháp cải 
tiến chỉ mang tính làm nổi bật hơn so với ảnh gốc. 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 91 - 
Bảng 3. Tăng cường ảnh với phương pháp mờ và cải 
tiến. 
Tên Ảnh 
Đầu vào 
Hyperbol mờ 
Tăng cường mờ 
Giãn FCM 
Hyperbol FCM 
Bảng 4. So sánh chỉ số mờ của ảnh tăng cường theo 
phương pháp mờ và cải tiến. 
Kênh 
Hyperbol 
mờ 
Tăng 
cƣờng mờ 
Giãn 
FCM 
Hyperbol 
FCM 
1 0.38 0.43 0.27 0.30 
2 0.31 0.45 0.24 0.26 
3 0.38 0.39 0.34 0.36 
Trong Bảng 4, qua việc so sánh chỉ số mờ, ta thấy γ 
của ảnh sinh ra bởi phương pháp cải tiến là thấp hơn 
khẳng định chất lượng ảnh tăng cường bởi phương 
pháp cải tiến cao hơn so với ảnh sinh ra bởi phương 
pháp mờ. 
Bảng 5 thống kê thời gian thực thi của các thuật 
toán tăng cường. Chúng ta thấy, thời gian thực thi của 
các thuật toán LoRSIE là chậm hơn rất nhiều so với 
các thuật toán dựa trên logic mờ. Điều nay là dễ hiểu 
vì các thuật toán LoRSIE trước khi thực hiện việc tăng 
cường đều phải thực hiện thuật toán phân cụm mờ. 
Thuật toán phân cụm mờ có tốc độ khá chậm đặc biệt 
với ảnh kích thước lớn như viễn thám. Tuy nhiên, với 
hai mức biến đổi Wavelet, tốc độ thực thi của thuật 
toán LaSRSIE đã thay đổi đáng kể so với LoRSIE. 
Bảng 5: Thời gian thực thi. 
Thuật toán Thời gian 
Hyperbol mờ 2485 
Tăng cường mờ 2281 
Giãn FCM 
LoRSIE 1028756 
LaSRSIE -
2 Level 
57764 
Hyperbol 
FCM 
LoRSIE 1027408 
LaSRSIE -
2 Level 
57724 
V.2. Thử nghiệm 2 
Trong thử nghiệm 2, ảnh gốc là ảnh vệ tinh 
LANDSAT khu vực huyện Lạc Thủy thuộc tỉnh Hoà 
Bình có kích thước 1733 x 1747. 
Bảng 6 bao gồm ảnh đầu vào và ảnh kết quả khi 
tăng cường sử dụng phương pháp mờ với các toán tử 
tăng cường, hyperbol và phương pháp cải tiến của 
chúng tôi với hai toán tử giãn và hyperbol. Về mặt 
trực quan, ta có thể thấy ảnh sau tăng cường sử dụng 
phương pháp mờ tương quan màu giữa các các điểm 
ảnh không được bảo tồn, đặc biệt là với toán tử 
Hyperbol. Trong khi đó, kết quả của phương pháp cải 
tiến chỉ mang tính làm nổi bật hơn so với ảnh gốc. 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 92 - 
Bảng 6. Tăng cường ảnh với phương pháp mờ và cải tiến. 
Tên Ảnh 
Đầu vào 
Hyperbol mờ 
Tăng cường mờ 
Giãn FCM 
Hyperbol FCM 
Bảng 7. So sánh chỉ số mờ của ảnh tăng cường theo 
phương pháp mờ và cải tiến. 
Kênh 
Hyperbol 
mờ 
Tăng 
cƣờng mờ 
Giãn 
FCM 
Hyperbol 
FCM 
1 0.28 0.28 0.12 0.15 
2 0.27 0.30 0.07 0.09 
3 0.27 0.28 0.19 0.23 
Trong Bảng 7, qua việc so sánh chỉ số mờ, ta thấy γ 
của ảnh sinh ra bởi phương pháp cải tiến là thấp hơn 
khẳng định chất lượng ảnh tăng cường bởi phương 
pháp cải tiến cao hơn so với ảnh sinh ra bởi phương 
pháp mờ. 
V.3. Thử nghiệm 3 
Trong thử nghiệm 3, ảnh gốc là ảnh vệ tinh 
LANDSAT khu vực thị xã Hòa Bình thuộc tỉnh Hoà 
Bình có kích thước 1512 x 2592. 
Bảng 8 bao gồm ảnh đầu vào và ảnh kết quả khi 
tăng cường sử dụng phương pháp mờ với các toán tử 
tăng cường, hyperbol và phương pháp cải tiến của 
chúng tôi với hai toán tử giãn và hyperbol. Về mặt 
trực quan, ta có thể thấy ảnh sau tăng cường sử dụng 
phương pháp mờ tương quan màu giữa các các điểm 
ảnh không được bảo tồn, đặc biệt là với toán tử 
Hyperbol. Trong khi đó, kết quả của phương pháp cải 
tiến chỉ mang tính làm nổi bật hơn so với ảnh gốc. 
Trong Bảng 9, qua việc so sánh chỉ số mờ, ta thấy γ 
của ảnh sinh ra bởi phương pháp cải tiến là thấp hơn 
khẳng định chất lượng ảnh tăng cường bởi phương 
pháp cải tiến cao hơn so với ảnh sinh ra bởi phương 
pháp mờ. Tuy nhiên, độ tương phản về mặt chỉ số 
không cao hơn nhiều so với phương pháp mờ. Điều 
này cho thấy phương pháp mờ cho kết quả tốt với mẫu 
thử nghiệm này. 
V.4. Thử nghiệm 4 
Trong thử nghiệm 4, ảnh gốc là ảnh vệ tinh SPOT 
có kích thước 1951 x 1951. 
Bảng 10 bao gồm ảnh đầu vào và ảnh kết quả khi 
tăng cường sử dụng phương pháp mờ với các toán tử 
tăng cường, hyperbol và phương pháp cải tiến của 
chúng tôi với hai toán tử giãn và hyperbol. Về mặt 
trực quan, ta có thể thấy ảnh sau tăng cường sử dụng 
toán tử tăng cường mờ chỉ cải thiện một phần độ 
tương phản. Trong khi đó, kết quả của toán tử Hyp mờ 
và các toán tử của phương pháp cải tiến cho ảnh tương 
phản rõ rệt và sáng hơn rất nhiều. 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 93 - 
Bảng 8. Tăng cường ảnh với phương pháp mờ và cải tiến. 
Tên Ảnh 
Đầu vào 
Hyperbol 
mờ 
Tăng 
cường 
mờ 
Giãn 
FCM 
Hyperbol 
FCM 
Bảng 9. So sánh chỉ số mờ của ảnh tăng cường theo 
phương pháp mờ và cải tiến. 
Kênh 
Hyperbol 
mờ 
Tăng cƣờng 
mờ 
Giãn 
FCM 
Hyperbol 
FCM 
1 0.28 0.29 0.25 0.28 
2 0.29 0.35 0.21 0.22 
3 0.30 0.32 0.29 0.30 
Trong Bảng 11, qua việc so sánh chỉ số mờ, ta thấy 
γ của ảnh sinh ra bởi phương pháp cải tiến là thấp hơn 
khẳng định chất lượng ảnh tăng cường bởi phương 
pháp cải tiến cao hơn so với ảnh sinh ra bởi phương 
pháp mờ. 
 Bảng 12 thống kê thời gian thực thi của các thuật 
toán tăng cường. Chúng ta thấy, thời gian thực thi của 
các thuật toán LoRSIE là chậm hơn rất nhiều so với 
các thuật toán dựa trên logic mờ. Điều nay là dễ hiểu 
vì các thuật toán LoRSIE trước khi thực hiện việc tăng 
cường đều phải thực hiện thuật toán phân cụm mờ. 
Thuật toán phân cụm mờ có tốc độ khá chậm đặc biệt 
với ảnh kích thước lớn như viễn thám. Tuy nhiên, với 
hai mức biến đổi Wavelet, tốc độ thực thi của thuật 
toán LaSRSIE đã thay đổi đáng kể so với LoRSIE. 
V.5. Thử nghiệm 5 
Trong thử nghiệm 5, ảnh gốc là ảnh vệ tinh 
Quickbird có kích thước 1904 x 1922. 
Bảng 13 bao gồm ảnh đầu vào và ảnh kết quả khi 
tăng cường sử dụng phương pháp mờ với các toán tử 
tăng cường, hyperbol và phương pháp cải tiến của 
chúng tôi với hai toán tử giãn và hyperbol. Về mặt 
trực quan, ta có thể thấy ảnh sau tăng cường sử dụng 
các toán tử theo phương pháp mờ chỉ cải thiện một 
phần độ tương phản. Trong khi đó, kết quả của toán tử 
Hyp mờ và các toán tử của phương pháp cải tiến cho 
ảnh tương phản và sáng hơn rất nhiều. 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 94 - 
Bảng 10. Tăng cường ảnh với phương pháp mờ và cải tiến. 
Tên Ảnh 
Đầu vào 
Hyperbol mờ 
Tăng cường mờ 
Giãn FCM 
Hyperbol FCM 
Bảng 11. So sánh chỉ số mờ của ảnh tăng cường theo 
phương pháp mờ và cải tiến. 
Kênh 
Hyperbol 
mờ 
Tăng cƣờng 
mờ 
Giãn 
FCM 
Hyperbol 
FCM 
1 0.72 0.60 0.20 0.33 
2 0.87 0.84 0.33 0.51 
3 0.85 0.81 0.22 0.41 
Bảng 12: Thời gian thực thi. 
Thuật toán Thời gian 
Hyperbol mờ 25188 
Tăng cường mờ 25414 
Giãn FCM 
LoRSIE 2005436 
LaSRSIE-2 
Level 
152671 
Hyperbol 
FCM 
LoRSIE 2005443 
LaSRSIE-2 
Level 
152484 
Trong bảng 14, qua việc so sánh chỉ số mờ, ta thấy 
γ của ảnh sinh ra bởi phương pháp cải tiến là thấp hơn 
khẳng định chất lượng ảnh tăng cường bởi phương 
pháp cải tiến cao hơn so với ảnh sinh ra bởi phương 
pháp mờ. 
 Bảng 15 thống kê thời gian thực thi của các thuật 
toán tăng cường. Chúng ta thấy, thời gian thực thi của 
các thuật toán LoRSIE là chậm hơn rất nhiều so với 
các thuật toán dựa trên logic mờ. Điều nay là dễ hiểu 
vì các thuật toán LoRSIE trước khi thực hiện việc tăng 
cường đều phải thực hiện thuật toán phân cụm mờ. 
Thuật toán phân cụm mờ có tốc độ khá chậm đặc biệt 
với ảnh kích thước lớn như viễn thám. Tuy nhiên, với 
hai mức biến đổi Wavelet, tốc độ thực thi của thuật 
toán LaSRSIE đã thay đổi đáng kể so với LoRSIE. 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 95 - 
Bảng 13. Tăng cường ảnh với phương pháp mờ và cải 
tiến. 
Tên Ảnh 
Đầu vào 
Hyperbol mờ 
Tăng cường mờ 
Giãn FCM 
Hyperbol FCM 
Bảng 14. So sánh chỉ số mờ của ảnh tăng cường theo 
phương pháp mờ và cải tiến. 
Kênh 
Hyperbol 
mờ 
Tăng cƣờng 
mờ 
Giãn 
FCM 
Hyperbol 
FCM 
1 0.72 0.60 0.20 0.33 
2 0.87 0.84 0.33 0.51 
3 0.85 0.81 0.22 0.41 
Bảng 15. Thời gian thực thi. 
Thuật toán Thời gian 
Hyperbol mờ 22406 
Tăng cường mờ 22922 
Giãn FCM 
LoRSIE 2595006 
LaSRSIE-2 
Level 
184158 
Hyperbol 
FCM 
LoRSIE 2592406 
LaSRSIE-2 
Level 
184127 
V. KẾT LUẬN 
Trong nghiên cứu này, chúng tôi đã đề xuất cá 
thuật toán mới cho tăng cường ảnh viễn thám LoRSIE 
và viễn thám kích thước lớn LaSRSIE dựa trên tiếp 
cận cục bộ. LoRSIE được chia thành bốn giai đoạn. 
Thứ nhất, ảnh được cục bộ hóa bởi thuật toán phân 
cụm mờ. Thứ hai, tính tự động các ngưỡng theo mỗi 
cụm. Thứ ba, hiệu chỉnh các công thức biến đổi mức 
xám để phù hợp cho việc biến đổi theo cụm. Giai đoạn 
cuối cùng là sinh ảnh tăng cường qua việc tổng hợp 
mức xám mới từ các cụm theo công thức biến đổi mức 
xám đã hiệu chỉnh. Với LaRSIE, ảnh viễn thám kích 
thước lớn trước tiên được giảm kích thước sử dụng 
biến đổi Wavelet thuận. Ảnh xấp xỉ cự tiểu lựa chọn 
được tăng cường sử dụng LoRSIE. Ảnh tăng cường 
cuối cùng được sinh thông qua biến đổi Wavelet 
nghịch. Kết quả thử nghiệm cho thấy phương pháp cải 
tiến cho chất lượng ảnh tăng cường cao hơn so với 
phương pháp tăng cường dựa trên logic đã có và thực 
hiện tốt trên ảnh viễn thám kích thước lớn. Ngoài ra, 
với những ảnh viễn thám kích thước trung bình, thuật 
toán LaRSIE giúp cải thiện tốc độ thực thi so với thuật 
toán LoRSIE. 
Tuy nhiên, tốc độ thực thi của các thuật toán dựa 
trên tiếp cận cục bộ còn chậm. Ngay cả các thuật toán 
LaRSIE, dù đã cải thiện tốc độ so với LoRSIE nhưng 
vẫn còn chậm so với các thuật toán dựa trên logic mờ. 
Trong nghiên cứu tiếp theo, chúng tôi dự kiến sẽ 
nghiên cứu giải pháp tăng tốc độ thuật toán phân cụm 
mờ để tăng tốc độ thực thi cho thuật toán LoRSIE. 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 96 - 
TÀI LIỆU THAM KHẢO 
[1] J.C. BEZDEK, R. EHRLICH, W.FULL, FCM: The 
fuzzy c-Means clustering algorithm, Computers & 
Geosciences Vol. 10, No. 2-3, (1984), pp. 191-203. 
[2] A.E. HASANIEN, A, BADR, A Comparative Study on 
Digital Mamography Enhancement Algorithms Based on 
Fuzzy Theory, Studies in Informatics and Control, 
Vol.12, No.1, March 2003. 
[3] ZHU XIFANG, WU FENG, An Improved Approach to 
Remove Cloud and Mist from Remote Sensing Images 
Based on Mallat Algorithm, International Symposium on 
Photoelectronic Detection and Imaging 2007, Beijing 
2007. 
[4] BEZDEK, J. C, Pattern Recognition with Fuzzy 
Objective Function Algorithm. New York: Plenum 
Press, 1981. 
[5] ROSS, T. J, Fuzzy logic with engineering applications, 
Fuzzy classifying, Hoboken, NJ: John Wiley, pp. 379 -
387, 2004. 
[6] ERIKSEN J P, PIZER S M, AUSTIN J D, A 
multiprocessor engine for fastcontrast limited adaptive 
histogram equalisation SPIE Conference Medical 
Imaging IV- Image Processing SPIE Vol. 1233,1994. 
[7] GORDON R, RANGAYAN R M, Feature enhancement 
of film mammograms using fixed and adaptive 
neighbourhoods Applied Optics 23 560-564, 1984. 
[8] G. SUDHAVANI, M. SRILAKSHMI, P. 
VENKATESWARA RAO, Comparison of Fuzzy 
Contrast Enhancement Techniques, International 
Journal of Computer Applications, Volume 95– No.22, 
June 2014, pp. 0975 – 8887. 
[9] ZADEH, L. A., A Fuzzy-Set-Theoretic Interpretation of 
Linguistic Hedges, J. Cybern., vol. 2, pp. 4-34, 1972. 
[10] PAL, S. K., KING, R. A., Image Enhancement Using 
Smoothing with Fuzzy Sets, IEEE Transactions on 
Systems, Man and Cybernetics, vol. SMC-11, no. 7, pp. 
494-501, July 1981. 
[11] PAL S. K., KING R. A., On edge detection of X-ray 
images using fuzzy sets, IEEE Transactions on Pattern 
Analysis and Machine Intelligence, Vol. PAMI-5, No. 1, 
pp. 69-77, 1983. 
[12] BANKS, S., Signal Processing, Image Processing and 
Pattern Recognition, Prentice Hall International, 1990. 
[13] TIZHOOSH H. R., FOCHEM M., Image Enhancement 
with Fuzzy Histogram Hyperbolization, Proceedings of 
EUFIT’95, vol. 3, pp. 1695-1698, 1995. 
[14] KAUFMANN A., Introduction to the Theory of Fuzzy 
Subsets-Fundamental Theoretical Elements, vol. 1, 
Academic Press, New York, 1975. 
[15] DE LUCA A., TERMINI S., A definition of no 
probabilistic entropy in the setting of fuzzy set theory, 
Information and Control, vol. 20, pp. 301-312, 1972. 
[16] PAL S.K., KUNDU M.K., Automatic selection of 
object enhancement operator with quantitative 
justification based on fuzzy set theoretic measures, 
Pattern Recognition Letters, vol. 11, pp. 811-829, 1990. 
[17] Canada Center for Remote Sensing, Fundamentals of 
Remote Sensing,  2008. 
[18] ADLIN SHARO T, KUMUDHA RAIMOND, A 
Survey on Color Image Enhancement Techniques, IOSR 
Journal of Engineering (IOSRJEN), Vol. 3, Issue 2 (Feb. 
2013). 
[19] AMAN TUSIA, DR. NARESH KUMAR, Performance 
Analysis of Type-2 Fuzzy System for Image 
Enhancement using Optimization, International Journal 
of Enhanced Research in Science Technology & 
Engineering, Vol. 3 Issue 7, July-2014, pp: (108-116). 
 Ngày nhận bài: 02/06/2015 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 14 (34), tháng 12/2015 
- 97 - 
SƠ LƢỢC VỀ TÁC GIẢ 
NGUYỄN TU TRUNG 
Sinh năm 1985 tại Hà Nội. 
Tốt nghiệp trường ĐH Sư 
phạm Hà Nội 2 năm 2007 và 
thạc sỹ tại trường ĐH Công 
Nghệ, ĐH Quốc gia Hà Nội 
năm 2011, nghiên cứu sinh 
khóa 2013, Học viện Công 
nghệ Bưu chính Viễn thông. 
Hiện công tác tại Viện CNTT, Viện Hàn lâm 
KHCNVN. 
Lĩnh vực nghiên cứu: Xử lý ảnh, xử lý tiếng nói, hệ 
thống thông tin, hệ thống nhúng. 
Điện thoại: 0936 114 331 
E-mail: nttrung@ioit.ac.vn 
VŨ VĂN THỎA 
Sinh năm 1955 tại Ninh Binh. 
Tốt nghiệp Đại học Sư phạm 
Vinh năm 1975, Tiến Sĩ Viện 
Điều khiển tại Liên Xô cũ năm 
1990. 
Hiện công tác tại Khoa Quốc tế 
và Đào tạo Sau Đại học, Học viện Công nghệ Bưu 
chính Viễn thông 
Lĩnh vực nghiên cứu: Lý thuyết thuật toán, tối ưu 
hóa, hệ thông tin địa lý, mạng viễn thông. 
Điện thoại: 0913 321 674 
E-mail: thoa236@gmail.com 
ĐẶNG VĂN ĐỨC 
Sinh năm 1951. 
Nhận học vị Tiến sĩ năm 1996. 
Nhận chức danh Phó Giáo sư 
năm 2002. 
Hiện công tác tại Viện CNTT, 
Viện Hàn lâm KHCNVN 
Lĩnh vực nghiên cứu: GIS và Viễn thám, Đa phương 
tiện, Công nghệ phần mềm. 
Điện thoại: 0912 223 163 
E-mail: dvduc@ioit.ac.vn