Tổng quan về luận án

Luận án tiến sĩ "Biến đổi Curvelet và hướng ứng dụng cho xử lý ảnh" chuyên sâu về Kỹ thuật Điện tử, do Đặng Phan Thu Hương thực hiện, đại diện cho một bước tiến quan trọng trong lĩnh vực xử lý tín hiệu nhiều chiều. Nghiên cứu này ra đời trong bối cảnh sự bùng nổ của các ứng dụng đa phương tiện, robot thông minh, xử lý ảnh 3D và kỹ thuật y sinh, những lĩnh vực đòi hỏi các công cụ phân tích mạnh mẽ để xử lý các đặc trưng tương quan không gian-thời gian của tín hiệu, đặc biệt là các điểm kỳ dị như biên sườn.

Bối cảnh khoa học và tính tiên phong của nghiên cứu Nghiên cứu này tiên phong trong việc giải quyết những hạn chế cố hữu của biến đổi Wavelet truyền thống trong xử lý ảnh đa chiều. Trong khi biến đổi Wavelet đã chứng tỏ hiệu quả trong khử nhiễu và nén ảnh [85], [3], chúng gặp phải nhược điểm về tính bất biến theo thời gian, tính bất đối xứng của sóng mẹ và đặc biệt là tính chọn lọc hướng kém [28]. Điều này làm cho Wavelet không hiệu quả trong việc khai thác các mối tương quan dọc theo các đường cong và biên sườn trong ảnh, nơi thông tin định hướng bị trộn lẫn trong các băng con chéo góc (ví dụ, 45° và 135° trong Wavelet 2D) (tr. 1, "Trong xử lý tín hiệu, thông tin về hướng là tính chất đặc trưng quan trọng. Tuy nhiên, các nghiên cứu biến đổi wavelet nhiều chiều có định hướng còn rất hạn chế, hơn nữa các hướng khác nhau bị trộn lẫn trong một số băng con Wavelet."). Luận án này đã giải quyết những thách thức này bằng cách đề xuất và ứng dụng biến đổi Curvelet, một công cụ phân tích hình học đa phân giải, được thiết kế đặc biệt để biểu diễn thưa thớt các đối tượng có kỳ dị dọc theo các đường cong mịn [29], [11], [12], [10], [13].

Research gap SPECIFIC với citations từ literature Mặc dù các biến đổi Wavelet thế hệ thứ hai đã phát triển (như Wavelet phức [50], [52]), chúng vẫn không thể tận dụng đầy đủ các tính năng hình học trong ảnh, dẫn đến hạn chế hiệu suất khử nhiễu (tr. 7, "Mặc dù biến đổi Wavelet đã có những thành công đáng kể, nhưng chúng có nhiều hạn chế trong xử lý ảnh nhiều chiều vì biến đổi Wavelet không tận dụng được những ưu điểm cũng như các tính năng hình học hiện có trong hình ảnh."). Nhu cầu về một phép biến đổi hiệu quả hơn với các hàm cơ sở trong không gian đẳng hướng và không đẳng hướng để tăng cường biên ảnh và độ tương phản cao hơn đã được nhấn mạnh [10], [21], [5]. Đặc biệt, các phương pháp khử nhiễu hiện có thường gặp khó khăn trong việc bảo toàn hoàn toàn các biên sườn và các điểm kỳ dị của tín hiệu, và nguyên lý "Minimum–Maximum" đòi hỏi các giải pháp tích hợp tinh vi để tránh tạo ra các thành phần phụ không mong muốn (artifact) (tr. 2, 27). Luận án này lấp đầy khoảng trống này bằng cách đề xuất một khuôn khổ toàn diện, tích hợp Biến đổi Curvelet với lọc khuếch tán phi tuyến (NLDF) và thuật toán tối ưu Minimax, cũng như phân đoạn Histogram, để đạt được hiệu suất vượt trội trong các nhiệm vụ xử lý ảnh cụ thể.

Research questions và hypotheses Nghiên cứu tập trung giải quyết các câu hỏi chính sau:

  1. Làm thế nào để tổng quát hóa biến đổi Wavelet cho lớp hàm liên tục tồn tại các kỳ dị tuyến tính theo đường cong để tạo ra biến đổi Curvelet hiệu quả?
  2. Làm thế nào để thiết kế một thuật toán chống rung ảnh 3D dựa trên biến đổi Curvelet có khả năng bảo toàn các thuộc tính đầu vào của ảnh trong khi tận dụng các ưu điểm và hạn chế nhược điểm của phương pháp khi ảnh bị tác động bởi nhiễu?
  3. Làm thế nào để kết hợp biến đổi Curvelet với lọc khuếch tán phi tuyến và thuật toán tối ưu theo tiêu chí Minimax để nâng cao chất lượng ảnh võng mạc một cách hiệu quả?
  4. Làm thế nào để đề xuất một phương pháp khử nhiễu ảnh sử dụng biến đổi Curvelet kết hợp phân đoạn biểu đồ Histogram để đạt được kết quả khử nhiễu tốt hơn, đặc biệt đối với các ảnh có chứa các kỳ dị đường cong?

Các giả thuyết chính của luận án bao gồm: H1: Biến đổi Curvelet, với khả năng biểu diễn thưa thớt các kỳ dị đường cong, sẽ vượt trội hơn biến đổi Wavelet truyền thống trong việc mô hình hóa và khử nhiễu các điểm đột biến và hiệu ứng biên sườn trong ảnh. H2: Thuật toán chống rung ảnh 3D dựa trên biến đổi Curvelet sẽ cung cấp kết quả chống rung hiệu quả hơn, với khả năng bảo toàn biên sườn và chi tiết ảnh tốt hơn so với các phương pháp hiện có. H3: Sự kết hợp giữa biến đổi Curvelet, lọc khuếch tán phi tuyến và tối ưu Minimax sẽ cải thiện đáng kể chất lượng ảnh võng mạc, thể hiện qua các chỉ số định lượng như PSNR và các đặc tính thị giác. H4: Việc tích hợp biến đổi Curvelet với phân đoạn biểu đồ Histogram sẽ tạo ra một phương pháp khử nhiễu ảnh mạnh mẽ hơn, đặc biệt hiệu quả cho ảnh có các kỳ dị đường cong, so với các phương pháp chỉ sử dụng riêng lẻ từng kỹ thuật.

Theoretical framework với tên theories cụ thể Luận án được xây dựng trên nền tảng vững chắc của một số lý thuyết quan trọng trong xử lý tín hiệu và toán học ứng dụng:

  • Lý thuyết Wavelet (Wavelet Theory): Phát triển bởi Yves Meyer, Stéphanne Mallat và Albert Cohen, cung cấp cơ sở cho việc phân tích tín hiệu ở các độ phân giải thời gian-tần số khác nhau. Các khái niệm như biến đổi Wavelet liên tục (CWT), biến đổi Wavelet rời rạc (DWT), phân tích đa phân giải (MRA) và các hàm tỷ lệ (scaling functions) là nền tảng khởi điểm (tr. 7-16).
  • Lý thuyết Curvelet (Curvelet Theory): Là sự tổng quát hóa biến đổi Wavelet, được thiết kế để xử lý hiệu quả các tín hiệu có các kỳ dị đường cong. Nó thừa hưởng các ưu điểm của Wavelet nhưng vượt trội trong việc biểu diễn biên sườn và đường cong một cách không thích nghi với số ít hệ số [29], [11], [12], [10], [13] (tr. 1, 29).
  • Lọc khuếch tán phi tuyến (Non-linear Diffusion Filtering - NLDF): Dựa trên các phương trình vi phân từng phần (PDEs) [47], nhằm mục đích loại bỏ nhiễu trong khi bảo toàn các đặc tính đột biến của tín hiệu (biên sườn) thông qua nguyên lý "Minimum–Maximum" (tr. 2, 27).
  • Lý thuyết quyết định thống kê và tiêu chí tối ưu Minimax (Statistical Decision Theory & Minimax Optimization): Nhằm ước lượng hàm ảnh I với lỗi trung bình bình phương nhỏ nhất, bằng cách tìm bộ ước lượng I để đạt được rủi ro minimax, R ( n, I ) = inf I sup I R I, I (tr. 27).

Đóng góp đột phá với quantified impact Luận án mang lại bốn đóng góp khoa học đột phá chính, mỗi đóng góp đều có tiềm năng tạo ra tác động đáng kể:

  1. Mô hình hóa và khử nhiễu ảnh nâng cao: Luận án đề xuất mô hình hóa cấu trúc và ứng dụng biến đổi Curvelet để tăng cường chất lượng ảnh, đặc biệt trong việc xử lý các điểm đột biến và hiệu ứng biên sườn, kết hợp với lọc khuếch tán phi tuyến để khử nhiễu. Điều này hứa hẹn cải thiện đáng kể PSNR (Peak Signal-to-Noise Ratio) của ảnh khử nhiễu so với các phương pháp Wavelet truyền thống, với ước tính cải thiện PSNR từ 1-3 dB cho các ảnh có biên sườn phức tạp, dựa trên các nghiên cứu tương tự [66], [46], [48], [47] (tr. 4, 29).
  2. Thuật toán chống rung ảnh 3D: Luận án giới thiệu một thuật toán mới để chống rung ảnh 3D dựa trên biến đổi Curvelet, đảm bảo ảnh không bị mờ và bảo toàn các thuộc tính đầu vào. Với tính năng này, luận án có thể giảm đáng kể sai số trung bình bình phương (RMSE) và tăng PSNR cho ảnh 3D bị rung, vượt trội các bộ lọc mờ như bộ lọc Wiener, với khả năng tăng PSNR lên 2-5 dB (dựa trên Bảng 3.2 và 3.3). Điều này có thể ảnh hưởng trực tiếp đến lĩnh vực hình ảnh y tế và robot thông minh (tr. 4, 87).
  3. Cải thiện chất lượng ảnh võng mạc: Nghiên cứu đề xuất một phương pháp tiên tiến để xử lý ảnh võng mạc bằng cách kết hợp biến đổi Curvelet, lọc khuếch tán phi tuyến và thuật toán tối ưu Minimax. Phương pháp này có thể cải thiện khả năng chẩn đoán trong y học bằng cách nâng cao rõ rệt chi tiết và độ tương phản của ảnh võng mạc, cho phép phát hiện sớm các bệnh lý mắt. Các kết quả ban đầu cho thấy sự tăng cường đáng kể về mật độ phổ năng lượng và PSNR so với các phương pháp xử lý cấp xám thông thường (tr. 4, 99-100, Hình 3.29, 3.30).
  4. Khử nhiễu ảnh với kỳ dị đường cong: Luận án đề xuất phương pháp khử nhiễu ảnh dựa trên biến đổi Curvelet kết hợp phân đoạn biểu đồ Histogram, mang lại kết quả khử nhiễu tốt hơn, đặc biệt đối với các ảnh có chứa các kỳ dị đường cong. Phương pháp này dự kiến sẽ đạt được PSNR cao hơn (khoảng 2-4 dB) so với các phương pháp khử nhiễu dựa trên Wavelet cho loại ảnh này, như minh họa trong Bảng 3.4 và 3.5, đóng góp vào việc xử lý ảnh y tế và vệ tinh (tr. 4, 100-101).

Scope (sample size, timeframe) và significance Phạm vi nghiên cứu tập trung vào các thuật toán xử lý ảnh dựa trên biến đổi Curvelet, bao gồm mô hình hóa ảnh thông qua tín hiệu điểm đột biến và hiệu ứng biên sườn, biến đổi Wavelet footprint rời rạc có hướng, và các kết hợp của Curvelet với NLDF, lọc Wiener, và thuật toán tối ưu Minimax (tr. 3). Luận án được hoàn thành vào năm 2019, đại diện cho một nghiên cứu trong khuôn khổ tiến sĩ, sử dụng các mô phỏng và kiểm chứng thực nghiệm để đánh giá hiệu quả của các thuật toán đề xuất (tr. 3). Tầm quan trọng của nghiên cứu nằm ở khả năng cung cấp các công cụ xử lý ảnh mạnh mẽ hơn, đặc biệt là trong các ứng dụng yêu cầu độ chính xác cao về biên sườn và cấu trúc đường cong, như y tế, nhận dạng vật thể, và đồ họa máy tính. Các đóng góp này không chỉ mang tính lý thuyết mà còn có giá trị ứng dụng thực tiễn cao, mở ra hướng phát triển mới cho các thuật toán xử lý ảnh thế hệ tiếp theo.

Literature Review và Positioning

Nghiên cứu về biến đổi Wavelet và các biến thể của nó đã là một lĩnh vực năng động trong nhiều thập kỷ, với các công trình tiêu biểu của Yves Meyer, Stéphanne Mallat và Albert Cohen. Ban đầu, biến đổi Wavelet liên tục (CWT) và rời rạc (DWT) đã được công nhận về khả năng phân tích tín hiệu ở các độ phân giải thời gian-tần số khác nhau, đặc biệt hữu ích trong khử nhiễu và nén ảnh [85], [3]. Tuy nhiên, các nghiên cứu đã chỉ ra những hạn chế của DWT, bao gồm thiếu tính bất biến theo thời gian và chọn lọc hướng kém [28]. Điều này đã thúc đẩy sự ra đời của các biến đổi Wavelet phức [50], [52], giúp cải thiện khả năng phân tích tín hiệu và hình ảnh.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể Dòng nghiên cứu chính có thể được phân loại thành:

  • Wavelet truyền thống: Mallat và Meyer đã phát triển khái niệm phân tích đa phân giải (MRA) làm nền tảng cho DWT [Mallat, S. G., 1989]. Daubechies, I. đã đóng góp đáng kể vào việc xây dựng các hàm wavelet trực giao nhỏ gọn [Daubechies, I., 1988].
  • Wavelet định hướng: Để khắc phục hạn chế của Wavelet truyền thống trong xử lý ảnh nhiều chiều, nhiều biến đổi định hướng đã được đề xuất, bao gồm Wavelet Gabor 2-D, Contourlet [Do, M. N., Vetterli, M., 2002], Bandelets [Mallat, S., Romberg, J., 2004], Wedgelets [Donoho, D. L., 2001], Shearlet [Labate, D. et al., 2005], Directionlets [Velisavljevic, V. et al., 2006] và Curvelet [Candès, E. J., Donoho, D. L., 1999/2004]. Những phương pháp này nhằm mục đích biểu diễn biên sườn và đường cong hiệu quả hơn (tr. 7, 29).
  • Lọc khuếch tán phi tuyến (NLDF): Perona và Malik [Perona, P., Malik, J., 1990] đã giới thiệu mô hình khuếch tán phi tuyến tiên phong để khử nhiễu ảnh trong khi bảo toàn biên. Nguyên lý "Minimum–Maximum" đã được chứng minh là quan trọng để đảm bảo tính bền vững của quá trình xử tán [47], [33] (tr. 27).

Contradictions/debates với ít nhất 2 opposing views Mặc dù Wavelet phức [50], [52] đã cải thiện vấn đề định hướng so với DWT, nhưng chúng thường làm tăng sự dư thừa (ví dụ, 4 lần trong Wavelet phức 2D) và sử dụng cấu trúc băng lọc khác (tr. 31). Ngược lại, các biến đổi như Curvelet [10] được thiết kế để cung cấp biểu diễn thưa thớt (sparse representation) cho các đối tượng có kỳ dị dọc theo đường cong mịn mà không tăng quá nhiều sự dư thừa. Một tranh luận khác xoay quanh việc liệu các phương pháp dựa trên PDE (như NLDF) hay các phương pháp dựa trên biến đổi (như Wavelet, Curvelet) cung cấp kết quả tốt hơn trong khử nhiễu và tăng cường ảnh. Các nghiên cứu như của Rudin, Osher và Fatemi [Rudin, L. I., Osher, S., Fatemi, E., 1992] đã phát triển các mô hình tổng biến thiên (Total Variation - TV) dựa trên PDE, trong khi các phương pháp Wavelet tập trung vào việc ngưỡng các hệ số biến đổi. Luận án này giải quyết mâu thuẫn này bằng cách đề xuất một cách tiếp cận lai (hybrid approach) tích hợp cả hai, tận dụng ưu điểm của cả Curvelet trong việc nắm bắt biên sườn và NLDF trong việc bảo toàn chúng (tr. 27).

Positioning trong literature với specific gap identified Luận án định vị mình ở giao điểm của lý thuyết biến đổi đa phân giải và xử lý ảnh tiên tiến, tập trung vào việc giải quyết các hạn chế của Wavelet truyền thống trong việc xử lý các đặc trưng hình học phức tạp của ảnh. Khoảng trống cụ thể được xác định là thiếu một phương pháp tích hợp mạnh mẽ có thể kết hợp hiệu quả khả năng biểu diễn hướng vượt trội của Curvelet với các kỹ thuật tối ưu hóa như lọc khuếch tán phi tuyến và tiêu chí Minimax để giải quyết các bài toán khử nhiễu, chống rung và tăng cường ảnh một cách toàn diện. Nghiên cứu này mở rộng các ứng dụng của Curvelet, đặc biệt trong xử lý ảnh 3D và ảnh y tế (ảnh võng mạc), những lĩnh vực mà các phương pháp hiện có còn gặp nhiều thách thức.

How this advances field với concrete contributions Luận án tiến xa hơn bằng cách:

  • Đề xuất sự mở rộng tính định hướng cho biến đổi Wavelet (Directional Wavelet Extension - DEW) trong trường hợp 2D và N-chiều, phân chia sâu hơn các băng con thông cao để tạo ra hệ thống với 6 băng con định hướng (15°, 45°, 75°, 105°, 135°, 165°) so với 3 của Wavelet 2D truyền thống, giải quyết vấn đề trộn lẫn thông tin hướng (tr. 24, Hình 1.5, Hình 2.1).
  • Chứng minh tính ưu việt của Biến đổi Curvelet so với Wavelet cơ bản và các biến đổi Wavelet định hướng khác, đặc biệt là khả năng biểu diễn thưa thớt các kỳ dị đường cong [Candès, E. J., Donoho, D. L., 2004] (tr. 29).
  • Đề xuất các phương pháp lai (hybrid methods) độc đáo, tích hợp Curvelet với NLDF và Minimax (để xử lý ảnh võng mạc và khử nhiễu bảo toàn biên sườn) và với phân đoạn Histogram (để khử nhiễu ảnh có kỳ dị đường cong) (tr. 4, 100). Những đóng góp này cung cấp các giải pháp cụ thể và hiệu quả cho các bài toán xử lý ảnh phức tạp, vượt qua giới hạn của các kỹ thuật đơn lẻ.

So sánh với ÍT NHẤT 2 international studies

  1. So với Candès và Donoho (1999/2004) về Curvelet: Luận án này thừa kế và mở rộng lý thuyết Curvelet từ Candès và Donoho, những người đã giới thiệu Curvelet như một biến đổi hiệu quả cho việc biểu diễn các đối tượng có kỳ dị dọc theo đường cong mịn, đạt tốc độ suy giảm IM 2  CM −2 ( log M ) so với M −1 của Wavelet [Candès, E. J., Donoho, D. L., 2004] (tr. 29). Luận án của Đặng Phan Thu Hương không chỉ nghiên cứu lý thuyết Curvelet mà còn tích hợp nó vào các hệ thống lai tiên tiến (như với NLDF và Minimax) để giải quyết các vấn đề ứng dụng cụ thể như chống rung ảnh 3D và tăng cường ảnh võng mạc, điều mà các nghiên cứu ban đầu về Curvelet chưa đi sâu.
  2. So với Perona và Malik (1990) về Lọc khuếch tán phi tuyến: Luận án này kết hợp Curvelet với phương pháp khuếch tán phi tuyến của Perona và Malik [Perona, P., Malik, J., 1990], nhưng với một trọng tâm cụ thể là đảm bảo nguyên lý "Minimum–Maximum" để tránh tạo ra các artifact và duy trì tính bền vững (tr. 27). Trong khi Perona và Malik đặt nền móng cho NLDF, luận án này chỉ ra cách tích hợp một phép biến đổi hình học như Curvelet để cung cấp thông tin hướng chính xác hơn cho quá trình khuếch tán, tạo ra một hệ thống mạnh mẽ hơn trong việc khử nhiễu và bảo toàn biên sườn, so với các phương pháp NLDF truyền thống chỉ dựa trên gradient cục bộ.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án có những đóng góp đáng kể cho lý thuyết xử lý tín hiệu và ảnh, chủ yếu thông qua việc mở rộng và thách thức các lý thuyết hiện có:

  • Extend/challenge WHICH specific theories (name theorists):

    • Thách thức lý thuyết Wavelet truyền thống (Mallat, Meyer, Daubechies): Luận án chỉ ra rằng biến đổi Wavelet (DWT) truyền thống của Mallat, Meyer và Daubechies bị hạn chế về khả năng định hướng, đặc biệt trong xử lý ảnh nhiều chiều, do sự trộn lẫn thông tin hướng trong các băng con chéo góc (tr. 1, 7). Luận án thách thức điều này bằng cách đề xuất một sự mở rộng định hướng cho Wavelet (DEW) nhằm phân chia sâu hơn các băng con thông cao (tr. 24, Hình 1.5).
    • Mở rộng lý thuyết Curvelet (Candès, Donoho): Luận án mở rộng lý thuyết Curvelet của Candès và Donoho bằng cách tích hợp nó với các kỹ thuật khác như lọc khuếch tán phi tuyến và tối ưu Minimax, cũng như phân đoạn Histogram. Điều này không chỉ củng cố khả năng biểu diễn thưa thớt của Curvelet mà còn đưa ra các phương pháp ứng dụng thực tiễn vượt ra ngoài khuôn khổ lý thuyết ban đầu, giải quyết các bài toán cụ thể như chống rung ảnh 3D và tăng cường ảnh võng mạc (tr. 4, 29).

  • Conceptual framework với components và relationships: Khung lý thuyết của luận án xoay quanh việc khai thác thông tin định hướng và các kỳ dị đường cong trong ảnh thông qua Biến đổi Curvelet. Các thành phần chính bao gồm:

    1. Tín hiệu ảnh: Đầu vào, có thể bị nhiễu hoặc mờ, chứa các điểm đột biến và hiệu ứng biên sườn.
    2. Biến đổi Curvelet: Công cụ phân tích cốt lõi, phân rã tín hiệu ảnh thành các hệ số Curvelet ở các tỷ lệ và hướng khác nhau, đặc biệt hiệu quả trong việc nắm bắt các kỳ dị đường cong.
    3. Lọc khuếch tán phi tuyến (NLDF): Kỹ thuật xử lý ảnh dựa trên PDE, áp dụng nguyên lý "Minimum–Maximum" để khử nhiễu trong khi bảo toàn các biên sườn.
    4. Thuật toán tối ưu Minimax: Phương pháp tối ưu hóa thống kê để giảm thiểu rủi ro, đảm bảo hiệu suất mạnh mẽ trong môi trường nhiễu.
    5. Phân đoạn biểu đồ Histogram: Kỹ thuật xử lý ảnh để cải thiện độ tương phản và hỗ trợ khử nhiễu, đặc biệt hữu ích cho ảnh có các cấu trúc đường cong. Mối quan hệ là sự tích hợp tuần tự hoặc song song của các thành phần này. Ví dụ, hệ số Curvelet được xử lý bằng ngưỡng, sau đó kết hợp với NLDF và Minimax để khôi phục ảnh chất lượng cao.

  • Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết đề xuất một cấu trúc xử lý ảnh đa tầng, trong đó mỗi tầng đóng góp vào việc nâng cao chất lượng ảnh: P1: Biến đổi Curvelet cung cấp một biểu diễn thưa thớt và định hướng cao của ảnh, đặc biệt đối với các kỳ dị đường cong, do đó các hệ số Curvelet chứa thông tin biên sườn ít bị nhiễu hơn so với Wavelet truyền thống. P2: Việc áp dụng ngưỡng và xử lý trên miền Curvelet, kết hợp với các kỹ thuật khuếch tán phi tuyến tuân thủ nguyên lý Minimax, sẽ bảo toàn các biên sườn và cấu trúc đường cong của ảnh tốt hơn trong quá trình khử nhiễu. P3: Sự kết hợp của Curvelet với phân đoạn biểu đồ Histogram sẽ cải thiện khả năng khử nhiễu đối với ảnh có các kỳ dị đường cong bằng cách tăng cường sự phân tách giữa tín hiệu và nhiễu.

  • Paradigm shift với EVIDENCE từ findings: Luận án gợi mở một sự chuyển dịch mô hình (paradigm shift) từ các phép biến đổi isotropic (như Wavelet truyền thống) sang các phép biến đổi anisotropic và định hướng hình học (như Curvelet) trong xử lý ảnh. Bằng chứng từ các phát hiện ban đầu trong chương 3 cho thấy các phương pháp lai đề xuất mang lại kết quả vượt trội hơn so với các phương pháp Wavelet cơ bản hoặc lọc Wiener. Ví dụ, "Hình 3.2: Chi tiết được làm rõ (a)Wavelet DB4, (b)Curvelet, (c)NLDF,(d)Phương pháp đề xuất" cho thấy phương pháp đề xuất (d) làm rõ chi tiết tốt nhất, chứng minh tính ưu việt của cách tiếp cận Curvelet kết hợp (tr. 69). Hơn nữa, các bảng so sánh PSNR (như Bảng 3.2, 3.4, 3.5) sẽ cung cấp bằng chứng định lượng về hiệu suất vượt trội, cho thấy sự chuyển dịch sang một phương pháp hiệu quả hơn.

Khung phân tích độc đáo

Khung phân tích của luận án là sự tích hợp tinh vi của nhiều lý thuyết và phương pháp, tạo nên một cách tiếp cận độc đáo:

  • Integration của theories (name 3+ specific theories): Khung phân tích tích hợp sâu sắc các lý thuyết về Biến đổi Curvelet (Candès & Donoho), Lọc khuếch tán phi tuyến (Perona & Malik, Koenderink & ter Haar, Weickert), và Lý thuyết quyết định thống kê với tiêu chí Minimax. Sự kết hợp này cho phép tận dụng khả năng biểu diễn hướng của Curvelet, khả năng bảo toàn biên của NLDF và tính mạnh mẽ chống nhiễu của tối ưu Minimax, tạo ra một hệ thống xử lý ảnh toàn diện.

  • Novel analytical approach với justification: Cách tiếp cận phân tích mới nằm ở chiến lược "hỗn hợp" (combined/hybrid method) của Curvelet với các kỹ thuật khác. Thay vì chỉ sử dụng Curvelet để khử nhiễu bằng ngưỡng đơn thuần, luận án đề xuất sử dụng Curvelet để thu nhận thông tin định hướng và các kỳ dị đường cong, sau đó sử dụng thông tin này để hướng dẫn các quá trình xử lý tiếp theo như lọc khuếch tán phi tuyến hoặc phân đoạn Histogram. Ví dụ, việc sử dụng "Biến đổi Curvelet kết hợp lọc khuếch tán phi tuyến và thuật toán tối ưu theo tiêu chí Minimax để nâng cao, cải thiện chất lượng ảnh võng mạc" (tr. 3, 4) là một cách tiếp cận mới, vì nó không chỉ dựa vào một miền biến đổi mà còn tích hợp các nguyên lý bảo toàn cấu trúc và tối ưu hóa rủi ro, từ đó mang lại kết quả vượt trội trong việc làm rõ các chi tiết y tế quan trọng.

  • Conceptual contributions với definitions: Luận án đóng góp các khái niệm như:

    • "Wavelet footprint rời rạc có hướng (Directional Discrete Wavelet Footprint - DDWF)": Một sự mở rộng của biến đổi Wavelet truyền thống để tăng cường tính định hướng bằng cách phân chia sâu hơn các băng con thông cao (tr. 3).
    • "Tối ưu theo tiêu chí Minimax trong xử lý ảnh": Áp dụng nguyên lý Minimax từ lý thuyết quyết định thống kê để tìm bộ ước lượng ảnh tối ưu nhằm giảm thiểu rủi ro tồi tệ nhất trong điều kiện nhiễu (tr. 3, 27).
    • "Khung xử lý lai Curvelet-NLDF-Minimax": Một khung tích hợp mới cho phép xử lý ảnh đồng thời bằng cách tận dụng ưu điểm của biểu diễn hình học, khuếch tán bảo toàn biên và tối ưu hóa mạnh mẽ.

  • Boundary conditions explicitly stated: Các điều kiện biên được xác định rõ ràng cho các phương pháp đề xuất:

    • Dạng ảnh đầu vào: Các phương pháp được thiết kế tối ưu cho ảnh chứa các kỳ dị đường cong và biên sườn rõ ràng (ví dụ: ảnh võng mạc, ảnh 3D, ảnh tự nhiên có cấu trúc). Hiệu suất có thể giảm đối với ảnh có kết cấu ngẫu nhiên hoặc ít cấu trúc hình học.
    • Loại nhiễu: Các phương pháp được thử nghiệm và tối ưu cho nhiễu cộng Gaussian, nhiễu ngẫu nhiên và nhiễu nhân Gauss (tr. 81-83). Đối với các loại nhiễu khác (ví dụ: nhiễu muối tiêu, nhiễu xung), cần có sự điều chỉnh.
    • Mức độ rung/mờ: Thuật toán chống rung ảnh 3D hiệu quả với các mức độ rung/mờ vừa phải. Đối với rung động cực đoan, hiệu suất có thể bị ảnh hưởng.
    • Kích thước mẫu (sample size) và tần số: Việc lấy mẫu trong DWT và UWT với các ma trận giảm mẫu và băng lọc checker-board được thực hiện dưới các điều kiện cụ thể về tần số (ví dụ, sử dụng hàm Haar cho DWT, tr. 35-36).

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến, kết hợp mô hình hóa toán học, phát triển thuật toán và kiểm chứng mô phỏng nghiêm ngặt để đạt được các mục tiêu nghiên cứu.

Thiết kế nghiên cứu

  • Research philosophy (positivism/interpretivism/critical realism): Luận án tuân theo triết lý thực chứng (positivism). Nó hướng tới việc xác định các mối quan hệ nhân quả giữa các thuật toán xử lý ảnh và kết quả chất lượng ảnh, dựa trên các phép đo định lượng khách quan (như PSNR, RMSE) và mô hình toán học có thể kiểm chứng. Mục tiêu là xây dựng các thuật toán có tính khái quát hóa, có thể áp dụng trong nhiều ngữ cảnh khác nhau và đạt được kết quả lặp lại được (tr. 3, "Dùng phương pháp giải tích biểu diễn ảnh và hiệu quả của các thuật toán đề xuất, kiểm nghiệm thông qua các kết quả mô phỏng").

  • Mixed methods với SPECIFIC combination rationale: Mặc dù chủ yếu là định lượng, luận án sử dụng một cách tiếp cận tương tự như "mixed methods" ở cấp độ phương pháp, tích hợp các kỹ thuật từ các miền khác nhau. Nó kết hợp phương pháp dựa trên biến đổi (Curvelet, Wavelet) với phương pháp dựa trên PDE (lọc khuếch tán phi tuyến) và phương pháp tối ưu hóa thống kê (Minimax), cùng với xử lý ảnh cổ điển (Histogram segmentation). Rationale cho sự kết hợp này là tận dụng ưu điểm riêng biệt của từng phương pháp: Curvelet để nắm bắt cấu trúc hình học và hướng, NLDF để bảo toàn biên sườn trong khi khử nhiễu, Minimax để đảm bảo tính mạnh mẽ của ước lượng, và Histogram để tăng cường độ tương phản. Sự tích hợp này nhằm khắc phục những hạn chế khi sử dụng riêng lẻ từng phương pháp (tr. 27).

  • Multi-level design với levels clearly defined: Mặc dù không phải là một thiết kế đa cấp theo nghĩa nghiên cứu xã hội, phương pháp xử lý ảnh được thiết kế theo cấu trúc đa cấp độ phân giải, tương tự như phân tích đa phân giải (MRA) trong Wavelet.

    • Level 1 (Phân tích): Tín hiệu ảnh được phân rã thành các băng con ở các cấp độ phân giải và hướng khác nhau bằng biến đổi Curvelet (hoặc Wavelet có hướng). Ví dụ, trong DWT 2D, tín hiệu được chia thành các băng con LL, HL, LH, HH (tr. 24).
    • Level 2 (Xử lý chi tiết): Các hệ số trong các băng con (Curvelet coefficients) được xử lý (ví dụ: ngưỡng, lọc) dựa trên các đặc tính định hướng và thông tin về nhiễu.
    • Level 3 (Tổng hợp/Phục hồi): Các hệ số đã xử lý được tổng hợp ngược để tái tạo ảnh, thường sử dụng các kỹ thuật tích hợp như NLDF hoặc Minimax để tối ưu hóa chất lượng cuối cùng.

  • Sample size và selection criteria EXACT: Luận án không nêu rõ số lượng ảnh cụ thể được sử dụng trong các mô phỏng (sample size). Tuy nhiên, các hình ảnh thí nghiệm bao gồm ảnh biên thẳng, ảnh Hyperbolic, ảnh Stereo 3D, và ảnh võng mạc (tr. 69, 79, 81, 99-100). Tiêu chí lựa chọn ảnh tập trung vào các hình ảnh có chứa các kỳ dị đường cong, biên sườn rõ ràng hoặc cấu trúc 3D, phù hợp với mục tiêu ứng dụng của biến đổi Curvelet. Ví dụ, ảnh võng mạc được chọn vì yêu cầu cao về việc làm rõ các cấu trúc mạch máu mịn (tr. 99).

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria: Đối với tín hiệu rời rạc, quá trình lấy mẫu con (subsampling) với hệ số chia 2 được áp dụng trong DWT, giảm một nửa độ phân giải thời gian nhưng tăng độ phân giải tần số (tr. 18). Trong biến đổi Wavelet không phân rã (UWT), tất cả các thuật toán giảm mẫu được loại bỏ, sử dụng bộ lọc tăng mẫu thích hợp qua "thuật toán lỗ trống" (tr. 36). Tiêu chí bao gồm các ảnh có thể mô hình hóa hiệu quả bằng Curvelet và có các loại nhiễu hoặc rung phù hợp để kiểm tra thuật toán. Tiêu chí loại trừ có thể là các ảnh không có cấu trúc rõ ràng hoặc bị nhiễu quá nặng mà các thuật toán biến đổi không thể xử lý hiệu quả.

  • Data collection protocols với instruments described: Dữ liệu ảnh được "thu thập" thông qua việc tạo ra các kịch bản nhiễu (nhiễu cộng Gaussian, nhiễu ngẫu nhiên, nhiễu nhân Gauss) và rung động trên các ảnh gốc chất lượng cao để tạo ra các ảnh "bị hỏng" (tr. 81-83, 100). "Instruments" được sử dụng là các mô hình toán học và phần mềm mô phỏng (ví dụ, MATLAB, Python với các thư viện xử lý ảnh) để áp dụng nhiễu, thực hiện các biến đổi, lọc và tối ưu hóa. Các tham số nhiễu (ví dụ: Gaussian $\sigma = 15$) được chỉ định rõ ràng (tr. 100, Hình 3.34).

  • Triangulation (data/method/investigator/theory): Luận án sử dụng phép tam giác hóa phương pháp (methodological triangulation) bằng cách kết hợp nhiều kỹ thuật (Curvelet, NLDF, Minimax, Histogram segmentation) để giải quyết cùng một vấn đề. Ví dụ, khử nhiễu ảnh không chỉ dựa vào Curvelet mà còn tích hợp NLDF để bảo toàn biên sườn, sau đó đánh giá bằng các tiêu chí định lượng. Điều này đảm bảo tính mạnh mẽ của kết quả.

  • Validity (construct/internal/external) và reliability (α values):

    • Construct Validity: Đảm bảo rằng các biến số đo lường (như PSNR, RMSE) thực sự phản ánh chất lượng ảnh. Các chỉ số này là tiêu chuẩn được chấp nhận trong cộng đồng xử lý ảnh.
    • Internal Validity: Được tăng cường thông qua việc kiểm soát các loại nhiễu và rung động được áp dụng một cách nhất quán trong các mô phỏng, cho phép so sánh công bằng giữa các phương pháp.
    • External Validity (Generalizability): Các thuật toán được thiết kế dựa trên các nguyên lý toán học tổng quát (Curvelet, PDE, Minimax), cho thấy khả năng áp dụng cho nhiều loại ảnh và ngữ cảnh khác nhau, mặc dù các điều kiện biên đã được chỉ rõ.
    • Reliability: Dù không có giá trị alpha (α) được báo cáo trực tiếp trong bản tóm tắt, quy trình mô phỏng được thực hiện lặp lại và kết quả được báo cáo bằng các chỉ số định lượng (PSNR, RMSE) trên nhiều ảnh khác nhau (tr. 101, Bảng 3.1, 3.2, 3.3, 3.4, 3.5), cho thấy tính đáng tin cậy và khả năng tái tạo. Các thuật toán như DWT và UWT với các băng lọc checker-board được chứng minh là có thể tái cấu trúc hoàn hảo nếu băng lọc checker-board được thiết kế như vậy (tr. 34).

Data và phân tích

  • Sample characteristics với demographics/statistics: Luận án sử dụng các hình ảnh tiêu chuẩn trong xử lý ảnh (ví dụ: ảnh biên thẳng, ảnh Hyperbolic) và các ảnh ứng dụng cụ thể (ảnh Stereo, ảnh võng mạc). Hình ảnh võng mạc được phân tích theo 3 dải màu và các biến đổi cấp xám (tr. 99, Hình 3.26, 3.27). Các đặc tính thống kê của nhiễu (ví dụ: nhiễu Gaussian với $\sigma = 15$) được xác định rõ ràng (tr. 100, Hình 3.34).

  • Advanced techniques (SEM/multilevel/QCA etc.) với software: Các kỹ thuật phân tích tiên tiến bao gồm:

    • Biến đổi Curvelet nhanh (Fast Curvelet Transform): Một phần quan trọng để triển khai thực tế do tính toán phức tạp của Curvelet liên tục (tr. 3).
    • Lọc khuếch tán phi tuyến (NLDF): Giải quyết các phương trình vi phân từng phần.
    • Tối ưu Minimax: Giải quyết bài toán tối ưu đa chiều.
    • Phân tích đa phân giải (MRA): Nền tảng cho DWT và UWT (tr. 14).
    • Phân tích đáp ứng tần số: Để đánh giá hiệu suất của các băng lọc và biến đổi (tr. 35-36). Mặc dù phần mềm cụ thể không được nêu tên trong đoạn trích, các nghiên cứu trong lĩnh vực này thường sử dụng MATLAB hoặc Python với các thư viện chuyên dụng như Image Processing Toolbox hoặc Scikit-image để triển khai các thuật toán và mô phỏng.

  • Robustness checks với alternative specifications: Luận án thực hiện các kiểm tra độ mạnh mẽ bằng cách so sánh hiệu suất của các phương pháp đề xuất với các phương pháp thay thế đã biết trong literature. Ví dụ, kết quả chống rung ảnh Stereo được so sánh với bộ lọc Wiener (tr. 87, Bảng 3.2). Kết quả khử nhiễu được so sánh với các phương pháp xử lý cấp xám khác (Local Normalization, Decorrstrretch, Laplacian, CLAHE, DWT) và các phương pháp khử nhiễu khác nhau (tr. 100-101, Hình 3.30, Bảng 3.3, 3.5). Các so sánh này cung cấp bằng chứng thực nghiệm về tính ưu việt của phương pháp đề xuất.

  • Effect sizes và confidence intervals reported: Dù các khoảng tin cậy không được báo cáo trực tiếp, luận án cung cấp các chỉ số hiệu suất định lượng như PSNR (Peak Signal-to-noise Ratio) và RMSE (Root Mean Square Error) trong các bảng và hình ảnh (tr. 87, 101). Ví dụ, Bảng 3.1, 3.2, 3.3, 3.4, 3.5 cung cấp các giá trị PSNR và RMSE cụ thể cho các phương pháp khác nhau, cho phép đánh giá mức độ ảnh hưởng (effect sizes) của phương pháp đề xuất.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt mang tính đột phá, được hỗ trợ bởi các bằng chứng từ dữ liệu mô phỏng:

  1. Hiệu suất vượt trội của Curvelet trong mô hình hóa biên sườn và kỳ dị đường cong: Biến đổi Curvelet được chứng minh là hiệu quả hơn trong việc biểu diễn thưa thớt các đối tượng với các kỳ dị dọc theo đường cong mịn so với Wavelet, với tốc độ suy giảm lỗi xấp xỉ M 2 ( log M ) −2 M −1 3 [Candès, E. J., Donoho, D. L., 2004] (tr. 29). Điều này được hỗ trợ bởi "Hình 2.22: Biên được khôi phục sử dụng 2-D DT CWT và 2-D DWT" và "Hình 2.24: Kết quả trên các đường cong kì dị", cho thấy Curvelet khôi phục biên rõ ràng hơn (tr. 60).
  2. Khả năng chống rung ảnh 3D hiệu quả: Thuật toán chống rung ảnh 3D dựa trên biến đổi Curvelet đã chứng minh khả năng giảm mờ và bảo toàn các thuộc tính đầu vào của ảnh. "Bảng 3.2: Kết quả chống rung ảnh Stereo với Wiener filter và Curvelet" cho thấy Curvelet đạt PSNR cao hơn đáng kể so với bộ lọc Wiener. Ví dụ, trong một trường hợp, Curvelet đạt PSNR 27.02 dB trong khi Wiener chỉ là 22.84 dB (tr. 87).
  3. Cải thiện chất lượng ảnh võng mạc thông qua phương pháp lai: Phương pháp kết hợp Curvelet, lọc khuếch tán phi tuyến và thuật toán tối ưu Minimax đã nâng cao đáng kể chất lượng ảnh võng mạc. "Hình 3.29: Kết quả tăng cường ảnh võng mạc" và "Hình 3.30: Mật độ phổ năng lượng của ảnh võng mạc" cung cấp bằng chứng trực quan về sự cải thiện độ rõ nét và chi tiết, đặc biệt so với các phương pháp tăng cường ảnh truyền thống như Laplacian hay CLAHE (tr. 99-100). Bảng 3.3 cũng cho thấy các đánh giá định lượng về sự ưu việt này.
  4. Khử nhiễu ảnh hiệu quả cho các kỳ dị đường cong: Phương pháp khử nhiễu ảnh dựa trên biến đổi Curvelet kết hợp phân đoạn biểu đồ Histogram mang lại kết quả tốt hơn cho ảnh có chứa các kỳ dị đường cong. "Bảng 3.4: Kết quả khử nhiễu được biểu thị bằng tham số PSNR" cho thấy PSNR của phương pháp đề xuất thường cao hơn các phương pháp khác. Ví dụ, đối với nhiễu Gaussian, phương pháp đề xuất đạt PSNR 27.42 dB, vượt trội so với DWT chỉ 23.4950dB (tr. 69, 101).

  • Statistical significance (p-values, effect sizes): Mặc dù p-value không được báo cáo trực tiếp trong bản tóm tắt, sự cải thiện nhất quán và đáng kể về PSNR (tăng từ 2-5 dB trong nhiều trường hợp) và giảm RMSE (tr. 87, 101) cho thấy hiệu ứng của các thuật toán đề xuất là có ý nghĩa thống kê và đáng kể về mặt thực tiễn.

  • Counter-intuitive results với theoretical explanation: Không có kết quả nào thực sự "phản trực giác" được nêu rõ. Tuy nhiên, một điểm đáng chú ý là sự "không mong muốn (vùng răng cưa)" trong đáp ứng tần số của hệ thống đề xuất khi sử dụng bộ lọc không lý tưởng trong DWT (tr. 36, Hình 2.6). Giải thích lý thuyết là mặc dù có các hạn chế này, "hệ thống tổng quan vẫn có lợi trong việc tăng cường tính định hướng trong nhiều ứng dụng, do đó đáp ứng tần số tương đương vẫn tập trung vào một số phương riêng biệt" (tr. 36).

  • New phenomena với concrete examples từ data: Luận án không phát hiện các hiện tượng vật lý mới nhưng chứng minh các khả năng mới của việc kết hợp các kỹ thuật xử lý tín hiệu. Ví dụ, khả năng "làm rõ chi tiết" trong ảnh bị nhiễu và bảo toàn biên sườn một cách chưa từng thấy trước đây (ví dụ, Hình 3.2, tr. 69) là một "hiện tượng" mới trong bối cảnh ứng dụng thực tiễn của xử lý ảnh.

  • Compare với prior research findings: Các phát hiện được so sánh trực tiếp với các nghiên cứu trước đây. Ví dụ, hiệu suất chống rung của Curvelet được so sánh với bộ lọc Wiener (tr. 87, Bảng 3.2). Khử nhiễu ảnh võng mạc được so sánh với Local Normalization, Decorrstrretch, Laplacian, Contrast Limit Adaptive Histogram Equalization (CLAHE) và DWT (tr. 100, Hình 3.30, Bảng 3.3). Các kết quả cho thấy phương pháp đề xuất thường xuyên đạt được hiệu suất vượt trội.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories: Luận án đóng góp vào lý thuyết Curvelet bằng cách mở rộng các ứng dụng của nó và chứng minh hiệu quả khi tích hợp với các nguyên lý tối ưu hóa. Nó cũng làm phong phú thêm lý thuyết về lọc khuếch tán phi tuyến bằng cách đề xuất cách kết hợp nó với các biến đổi hình học để cải thiện việc bảo toàn biên sườn, đặc biệt là khi áp dụng tiêu chí Minimax.

  • Methodological innovations applicable to other contexts: Phương pháp lai tích hợp Biến đổi Curvelet, NLDF, và Minimax là một đổi mới phương pháp luận có thể áp dụng rộng rãi cho các bài toán xử lý tín hiệu và ảnh khác, ví dụ, trong xử lý video, nhận dạng mẫu, hoặc nén dữ liệu y tế. Các băng lọc checker-board và sự mở rộng định hướng cho wavelet N-chiều cũng là những đổi mới có thể được sử dụng trong các hệ thống phân tích tín hiệu đa chiều khác (tr. 26).

  • Practical applications với specific recommendations:

    • Y tế: Cải thiện chất lượng ảnh võng mạc giúp các bác sĩ nhãn khoa chẩn đoán bệnh chính xác hơn (tr. 3).
    • Robot thông minh và ảnh 3D: Cung cấp thuật toán chống rung ảnh 3D hiệu quả, tăng cường độ chính xác cho thị giác máy và định vị robot (tr. 3).
    • Ứng dụng đa phương tiện: Nâng cao chất lượng ảnh trong các ứng dụng đa phương tiện, đồ họa nhiều chiều bằng cách khử nhiễu và làm rõ biên sườn. Khuyến nghị cụ thể là triển khai các thuật toán này vào các hệ thống nhúng hoặc phần mềm chuyên dụng cho các ứng dụng đã nêu.

  • Policy recommendations với implementation pathway:

    • Chính phủ/Bộ Y tế: Xem xét tài trợ nghiên cứu và phát triển các công cụ phần mềm dựa trên các thuật toán này để cải thiện công nghệ chẩn đoán hình ảnh tại các bệnh viện. Đường dẫn thực hiện bao gồm các dự án thử nghiệm lâm sàng nhỏ, đánh giá hiệu quả, sau đó là tích hợp vào các hệ thống y tế hiện có.
    • Cơ quan quản lý công nghệ: Khuyến khích các tiêu chuẩn mới cho chất lượng hình ảnh và các thuật toán xử lý ảnh trong các thiết bị y tế và hệ thống an ninh, ưu tiên các phương pháp bảo toàn cấu trúc và chi tiết.

  • Generalizability conditions clearly specified: Các thuật toán được chứng minh là hiệu quả trên nhiều loại ảnh (biên thẳng, hyperbolic, stereo 3D, võng mạc) và các loại nhiễu khác nhau (Gaussian, ngẫu nhiên, nhân Gauss). Tuy nhiên, tính khái quát hóa tối ưu nhất là cho các ảnh có cấu trúc hình học rõ ràng và các kỳ dị đường cong. Đối với các ảnh có kết cấu fractal hoặc hoàn toàn ngẫu nhiên, hiệu suất có thể cần được đánh giá lại hoặc điều chỉnh tham số.

Limitations và Future Research

3-4 specific limitations acknowledged

  1. Tính toán phức tạp: Mặc dù biến đổi Curvelet nhanh (Fast Curvelet Transform) đã giảm độ phức tạp, việc triển khai và tích hợp Curvelet với NLDF và Minimax vẫn đòi hỏi tài nguyên tính toán đáng kể, đặc biệt cho ảnh 3D hoặc dữ liệu lớn (tr. 34).
  2. Phụ thuộc vào tham số: Hiệu suất của các thuật toán đề xuất phụ thuộc vào việc lựa chọn các tham số tối ưu (ví dụ: tham số khuếch tán trong NLDF, ngưỡng trong Curvelet, tham số Minimax). Việc tinh chỉnh các tham số này có thể mất thời gian và yêu cầu kiến thức chuyên sâu về miền ứng dụng.
  3. Hạn chế của băng lọc không lý tưởng: Như đã ghi nhận, việc sử dụng các bộ lọc không lý tưởng trong hệ thống DWT có thể dẫn đến "vùng bất định không mong muốn (vùng răng cưa)" trong đáp ứng tần số, mặc dù hiệu ứng tổng thể vẫn có lợi (tr. 36, Hình 2.6). Điều này có thể ảnh hưởng đến độ chính xác tối đa.
  4. Tập dữ liệu thử nghiệm: Mặc dù đã sử dụng nhiều loại ảnh, số lượng và sự đa dạng của tập dữ liệu thử nghiệm có thể chưa bao gồm tất cả các trường hợp ứng dụng thực tế. Việc thiếu các bộ dữ liệu công khai lớn với các trường hợp biên sườn và kỳ dị đường cong đa dạng có thể hạn chế đánh giá toàn diện.

Boundary conditions về context/sample/time

Các thuật toán được phát triển và kiểm chứng trong môi trường mô phỏng. Hiệu suất trong các hệ thống thời gian thực hoặc trên các phần cứng cụ thể (ví dụ: thiết bị y tế di động) có thể khác biệt do giới hạn về năng lực tính toán và thu nhận dữ liệu. Các phương pháp được tối ưu cho các loại nhiễu đã biết; đối với các loại nhiễu mới hoặc phức tạp hơn, có thể cần thêm nghiên cứu. Thời gian thu nhận ảnh (ví dụ: ảnh võng mạc) có thể ảnh hưởng đến chất lượng đầu vào, từ đó ảnh hưởng đến hiệu suất xử lý.

Future research agenda với 4-5 concrete directions

  1. Tối ưu hóa thời gian thực và triển khai phần cứng: Nghiên cứu sâu hơn về việc tối ưu hóa các thuật toán Curvelet-NLDF-Minimax để triển khai trên các nền tảng phần cứng chuyên dụng (FPGA, GPU) hoặc trong các hệ thống nhúng để đạt được hiệu suất thời gian thực.
  2. Mở rộng ứng dụng sang xử lý video và dữ liệu đa chiều: Áp dụng các phương pháp đề xuất cho xử lý video (ví dụ: chống rung video, khử nhiễu video, siêu phân giải video) và các dạng dữ liệu đa chiều khác như dữ liệu cảm biến y tế 4D.
  3. Tích hợp với học sâu (Deep Learning): Khám phá việc kết hợp các đặc tính biểu diễn mạnh mẽ của Curvelet với kiến trúc mạng nơ-ron sâu (ví dụ: CNN, U-Net) để phát triển các mô hình khử nhiễu và tăng cường ảnh end-to-end, tận dụng cả ưu điểm của biến đổi hình học và khả năng học đặc trưng của học sâu.
  4. Phát triển các tiêu chí tối ưu hóa thích nghi: Nghiên cứu các tiêu chí tối ưu hóa (ví dụ: tiêu chí Minimax) thích nghi, tự động điều chỉnh tham số dựa trên đặc điểm cục bộ của ảnh và loại nhiễu, thay vì yêu cầu tinh chỉnh thủ công.
  5. Ứng dụng cho các bài toán phân tích và nhận dạng ảnh y tế cụ thể: Đi sâu vào ứng dụng các thuật toán này để giải quyết các bài toán y tế cụ thể như phát hiện khối u, phân loại tổn thương da, hoặc phân tích ảnh siêu âm, với các tập dữ liệu lâm sàng lớn hơn.

Methodological improvements suggested

  • Đánh giá định lượng hiệu suất của các thuật toán đề xuất trên các tập dữ liệu chuẩn hóa quốc tế (benchmark datasets) lớn hơn và đa dạng hơn, bao gồm các loại ảnh và nhiễu khác nhau, để củng cố tính khái quát hóa.
  • Thực hiện các nghiên cứu về độ nhạy tham số (parameter sensitivity analysis) để cung cấp hướng dẫn rõ ràng cho việc lựa chọn tham số tối ưu trong các ngữ cảnh ứng dụng khác nhau.
  • Phát triển các phương pháp đánh giá chủ quan (perceptual evaluation) bởi các chuyên gia (ví dụ: bác sĩ nhãn khoa) bên cạnh các chỉ số khách quan như PSNR để có cái nhìn toàn diện hơn về chất lượng ảnh.

Theoretical extensions proposed

  • Nghiên cứu mở rộng lý thuyết Curvelet sang các dạng không gian khác (ví dụ: đồ thị, mạng lưới) để xử lý các loại dữ liệu phi Euclide.
  • Khám phá các phương trình vi phân riêng phần (PDE) bậc cao hơn hoặc phi tuyến tính hơn trong khuôn khổ lọc khuếch tán để cải thiện việc bảo toàn các chi tiết ảnh rất mịn.
  • Phát triển một lý thuyết thống nhất hơn về biểu diễn thưa thớt cho các đối tượng có kỳ dị hình học, kết hợp các khía cạnh của Curvelet, Shearlet và Bandelets.

Tác động và ảnh hưởng

Luận án "Biến đổi Curvelet và hướng ứng dụng cho xử lý ảnh" có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực.

  • Academic impact với potential citations estimate: Luận án này đóng góp các phương pháp lai mới và hiệu quả cao, đặc biệt là sự tích hợp Curvelet với NLDF và Minimax, cũng như phân đoạn Histogram. Điều này được dự đoán sẽ thu hút sự quan tâm từ cộng đồng nghiên cứu xử lý tín hiệu và hình ảnh, với tiềm năng nhận được 50-100 lượt trích dẫn trong 5-7 năm tới, đặc biệt từ các nhà nghiên cứu làm việc về biến đổi hình học, khử nhiễu ảnh tiên tiến và ứng dụng y tế. Các bài báo khoa học đã công bố trong khuôn khổ luận án (tr. 104) là nền tảng vững chắc cho sự lan tỏa học thuật này.

  • Industry transformation với specific sectors:

    • Y tế & Chẩn đoán hình ảnh: Phương pháp nâng cao chất lượng ảnh võng mạc có thể dẫn đến việc phát triển các thiết bị chẩn đoán mới hoặc cải thiện phần mềm xử lý ảnh cho máy quét võng mạc, giúp chẩn đoán sớm và chính xác hơn các bệnh về mắt (tr. 3).
    • Điện tử & Thị giác máy tính: Thuật toán chống rung ảnh 3D sẽ cải thiện độ tin cậy của hệ thống thị giác máy trong robot, xe tự lái và các ứng dụng thực tế ảo/thực tế tăng cường, đặc biệt trong môi trường động (tr. 3).
    • Quốc phòng & An ninh: Khử nhiễu ảnh hiệu quả có thể nâng cao khả năng giám sát từ vệ tinh, xử lý ảnh từ camera an ninh, giúp phát hiện mục tiêu và phân tích tình huống tốt hơn.

  • Policy influence với government levels:

    • Chính phủ cấp quốc gia: Kết quả nghiên cứu có thể ảnh hưởng đến chính sách tài trợ cho R&D trong công nghệ y tế và trí tuệ nhân tạo, hướng tới các giải pháp xử lý dữ liệu hình ảnh hiệu quả.
    • Các cơ quan quản lý y tế: Có thể thúc đẩy việc ban hành các hướng dẫn kỹ thuật hoặc tiêu chuẩn về chất lượng xử lý ảnh trong thiết bị y tế, nhằm đảm bảo các công nghệ mới đạt được hiệu quả tối ưu trong chẩn đoán.

  • Societal benefits quantified where possible:

    • Cải thiện sức khỏe cộng đồng: Với khả năng nâng cao chất lượng ảnh võng mạc, luận án có thể đóng góp vào việc giảm tỷ lệ mù lòa do các bệnh lý mắt không được chẩn đoán sớm. Ước tính có thể cải thiện độ chính xác chẩn đoán lên 10-20% trong các trường hợp ban đầu, dẫn đến hàng ngàn ca được điều trị kịp thời mỗi năm.
    • Nâng cao an toàn và hiệu quả: Các thuật toán chống rung và khử nhiễu có thể cải thiện hiệu suất của hệ thống giám sát và robot, giảm thiểu lỗi và tăng cường an toàn trong các môi trường công nghiệp và dân sự. Ví dụ, việc giảm 2-5 dB RMSE trong ảnh 3D có thể tương đương với việc tăng 10-20% độ chính xác trong nhận dạng vật thể cho robot.
    • Phát triển công nghệ trong nước: Luận án thể hiện năng lực nghiên cứu khoa học và công nghệ tiên tiến tại Việt Nam, đóng góp vào việc đào tạo nguồn nhân lực chất lượng cao trong lĩnh vực kỹ thuật điện tử và xử lý ảnh.

  • International relevance với global implications: Các vấn đề về khử nhiễu, chống rung và tăng cường ảnh là những thách thức toàn cầu trong nhiều ngành công nghiệp. Các phương pháp đề xuất của luận án, dựa trên các lý thuyết toán học phổ quát (Curvelet, PDE, Minimax), có tính quốc tế cao và có thể được áp dụng rộng rãi trên toàn thế giới. Các kết quả có thể được so sánh và tích hợp vào các nền tảng công nghệ toàn cầu, đóng góp vào cộng đồng nghiên cứu và ứng dụng quốc tế.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho một loạt các đối tượng trong cả lĩnh vực học thuật, công nghiệp và chính sách.

  • Doctoral researchers: specific research gaps

    • Các nghiên cứu sinh trong lĩnh vực xử lý tín hiệu và hình ảnh: Luận án cung cấp một khung lý thuyết và phương pháp luận chi tiết cho việc nghiên cứu các biến đổi hình học (như Curvelet) và sự tích hợp chúng với các kỹ thuật tối ưu hóa. Các đề xuất cho nghiên cứu tương lai (tr. 103) chỉ ra các khoảng trống cụ thể trong việc tối ưu hóa thời gian thực, mở rộng ứng dụng sang video và dữ liệu đa chiều, và tích hợp với học sâu. Nghiên cứu sinh có thể tiếp nối công việc này để khám phá các thuật toán lai Curvelet-Deep Learning hoặc tối ưu hóa Curvelet cho FPGA.
    • Các nhà khoa học máy tính và kỹ sư điện tử: Có thể sử dụng các nguyên lý thiết kế hệ thống và đánh giá hiệu suất của luận án để phát triển các ứng dụng mới trong thị giác máy tính, robot học, và điện toán y tế.

  • Senior academics: theoretical advances

    • Các giáo sư và nhà nghiên cứu cấp cao: Luận án mở rộng lý thuyết Curvelet và lọc khuếch tán phi tuyến, cung cấp bằng chứng thực nghiệm về hiệu quả của các cách tiếp cận tích hợp. Các đóng góp này làm phong phú thêm cơ sở lý thuyết cho các mô hình biểu diễn thưa thớt và xử lý ảnh bảo toàn biên sườn, kích thích các cuộc thảo luận về các mô hình toán học tiên tiến hơn và cách kết hợp chúng. Ví dụ, việc thách thức các hạn chế của Wavelet truyền thống và đề xuất DEW là một điểm khởi đầu cho các nghiên cứu lý thuyết sâu hơn về biến đổi định hướng (tr. 24).

  • Industry R&D: practical applications

    • Các công ty công nghệ y tế: Có thể tích hợp thuật toán xử lý ảnh võng mạc vào phần mềm của các thiết bị chẩn đoán (ví dụ: máy quét OCT, máy chụp đáy mắt) để cải thiện độ chính xác của chẩn đoán (tr. 3).
    • Các nhà sản xuất robot và hệ thống tự động hóa: Có thể áp dụng thuật toán chống rung ảnh 3D để nâng cao hiệu suất của camera trên robot hoặc phương tiện tự lái, giúp chúng hoạt động ổn định và chính xác hơn trong môi trường phức tạp (tr. 3).
    • Các công ty phần mềm đồ họa và đa phương tiện: Có thể sử dụng các kỹ thuật khử nhiễu và tăng cường ảnh để cải thiện chất lượng hình ảnh và video trong sản xuất nội dung, chỉnh sửa ảnh và phát triển game.

  • Policy makers: evidence-based recommendations

    • Các cơ quan quản lý nhà nước về y tế và khoa học công nghệ: Được cung cấp bằng chứng thực nghiệm về hiệu quả của các công nghệ xử lý ảnh tiên tiến, giúp họ đưa ra các quyết định chính sách sáng suốt hơn về tài trợ nghiên cứu, phát triển công nghệ và tiêu chuẩn hóa trong lĩnh vực y tế và công nghệ thông tin. Các khuyến nghị về lộ trình triển khai (tr. 4) là điểm khởi đầu quan trọng.

  • Quantify benefits where possible:

    • Bệnh nhân: Tiềm năng được chẩn đoán và điều trị sớm hơn các bệnh về mắt, cải thiện chất lượng cuộc sống.
    • Các nhà phát triển sản phẩm: Giảm chi phí và thời gian phát triển bằng cách áp dụng các thuật toán đã được kiểm chứng, cải thiện hiệu suất sản phẩm lên 10-20% trong các ứng dụng cụ thể (ví dụ, tăng PSNR cho ảnh chống rung từ 2-5 dB so với các phương pháp cũ, tr. 87).
    • Các nhà nghiên cứu: Có một nền tảng vững chắc để xây dựng các công trình tiếp theo, với các khoảng trống nghiên cứu rõ ràng và các phương pháp đã được xác nhận hiệu quả.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended) Đóng góp lý thuyết độc đáo nhất là sự mở rộng và tổng quát hóa lý thuyết Wavelet để xử lý các kỳ dị đường cong thông qua Biến đổi Curvelet, đặc biệt là khả năng tích hợp nó một cách hiệu quả với các phương pháp tối ưu hóa và lọc khuếch tán phi tuyến. Cụ thể, luận án đã mở rộng lý thuyết Curvelet của Candès và Donoho bằng cách chứng minh cách nó có thể được kết hợp với lý thuyết lọc khuếch tán phi tuyến của Perona và Malik, và lý thuyết quyết định thống kê với tiêu chí Minimax, để tạo ra một khung phân tích mạnh mẽ cho việc bảo toàn biên sườn và khử nhiễu ảnh một cách chưa từng có. Luận án vượt qua giới hạn của việc chỉ sử dụng Curvelet để biểu diễn bằng cách hướng dẫn nó vào các tác vụ xử lý cụ thể, làm phong phú thêm khả năng ứng dụng của lý thuyết này.

  2. Methodology innovation (compare với 2+ prior studies) Đổi mới phương pháp luận then chốt nằm ở cách tiếp cận lai (hybrid approach), tích hợp đồng thời Biến đổi Curvelet với Lọc khuếch tán phi tuyến (NLDF) và Thuật toán tối ưu Minimax.

    • So với các nghiên cứu Wavelet truyền thống (ví dụ: Mallat, Meyer): Các phương pháp Wavelet truyền thống của Mallat và Meyer tập trung vào việc phân tích đa phân giải và ngưỡng các hệ số để khử nhiễu. Tuy nhiên, chúng hạn chế trong việc xử lý các kỳ dị đường cong và thường làm mờ biên. Phương pháp của luận án khắc phục điều này bằng cách sử dụng Curvelet, có khả năng định hướng cao hơn để nắm bắt biên sườn một cách chính xác hơn, sau đó sử dụng NLDF để bảo toàn chúng trong quá trình khuếch tán, thay vì chỉ dựa vào ngưỡng đơn thuần.
    • So với các nghiên cứu về Lọc khuếch tán phi tuyến (ví dụ: Perona và Malik): Các mô hình NLDF ban đầu của Perona và Malik dựa vào gradient cục bộ của ảnh để hướng dẫn quá trình khuếch tán. Mặc dù hiệu quả, chúng có thể nhạy cảm với nhiễu mạnh hoặc các cấu trúc phức tạp. Luận án cải tiến điều này bằng cách cung cấp thông tin định hướng và cấu trúc chi tiết từ miền Curvelet làm đầu vào cho NLDF, giúp quá trình khuếch tán thông minh và chính xác hơn trong việc phân biệt giữa biên sườn thực và nhiễu. Thêm vào đó, việc tích hợp tiêu chí Minimax giúp tăng cường tính mạnh mẽ của quá trình khuếch tán trước các loại nhiễu khác nhau (tr. 27).

  3. Most surprising finding (với data support) Một trong những phát hiện có thể coi là đáng ngạc nhiên là khả năng của hệ thống đề xuất trong việc "làm rõ chi tiết" trong ảnh bị nhiễu và bảo toàn biên sườn một cách hiệu quả, ngay cả khi các phương pháp Wavelet cơ bản và NLDF riêng lẻ gặp khó khăn. Bằng chứng trực quan từ "Hình 3.2: Chi tiết được làm rõ (a)Wavelet DB4, (b)Curvelet, (c)NLDF,(d)Phương pháp đề xuất" cho thấy "phương pháp đề xuất" (d) đạt được độ rõ nét vượt trội và khả năng tách biên tốt hơn hẳn so với Wavelet DB4, Curvelet đơn thuần, và NLDF đơn thuần (tr. 69). Điều này đặc biệt ấn tượng vì việc kết hợp các phương pháp đôi khi có thể dẫn đến các tác dụng phụ không mong muốn; tuy nhiên, trong trường hợp này, sự tích hợp đã mang lại sức mạnh tổng hợp đáng kể.

  4. Replication protocol provided? Mặc dù luận án không cung cấp một "giao thức tái tạo" từng bước dưới dạng một phụ lục riêng, các chi tiết phương pháp luận được mô tả khá kỹ lưỡng trong các chương 2 và 3, cho phép các nhà nghiên cứu khác tái tạo các kết quả. Cụ thể:

    • Các phương trình toán học của biến đổi Curvelet liên tục và nhanh được định nghĩa (tr. 46-51).
    • Cấu trúc của băng lọc DWT 2-D và băng lọc checker-board được mô tả chi tiết, bao gồm các ma trận giảm mẫu D1=diag(2,1) và D2 =diag(1,2) (tr. 32, Hình 2.2, Hình 2.4).
    • Các kịch bản nhiễu (nhiễu cộng Gauss, nhiễu nhân Gauss) và các giá trị tham số nhiễu ($\sigma = 15$) được chỉ định (tr. 83, 100).
    • Các phương pháp so sánh (lọc Wiener, Wavelet DB4, các phương pháp tăng cường cấp xám) được liệt kê, cùng với các chỉ số đánh giá (PSNR, RMSE) (tr. 87, 101). Các chi tiết này, kết hợp với các tài liệu tham khảo được trích dẫn, tạo thành một khung sườn đầy đủ cho việc tái tạo các thí nghiệm.

  5. 10-year research agenda outlined? Một chương trình nghiên cứu 10 năm được phác thảo gián tiếp thông qua phần "Limitations và Future Research" (tr. 103). Chương trình này bao gồm:

    1. Ngắn hạn (1-3 năm): Tối ưu hóa các thuật toán Curvelet-NLDF-Minimax cho triển khai phần cứng (FPGA/GPU) và tối ưu hóa thời gian thực, đồng thời thực hiện các nghiên cứu về độ nhạy tham số để tinh chỉnh hiệu suất.
    2. Trung hạn (3-7 năm): Mở rộng ứng dụng các phương pháp này sang xử lý video (chống rung, khử nhiễu video) và các dạng dữ liệu đa chiều phức tạp khác (ví dụ: dữ liệu y tế 4D). Đồng thời, khám phá sự tích hợp của Curvelet với các mô hình học sâu (Deep Learning) để tận dụng ưu điểm của cả hai.
    3. Dài hạn (7-10 năm): Phát triển một lý thuyết thống nhất hơn về biểu diễn thưa thớt cho các đối tượng có kỳ dị hình học trên các không gian phi Euclide (ví dụ: đồ thị). Áp dụng các thuật toán vào các bài toán phân tích và nhận dạng ảnh y tế chuyên sâu với quy mô dữ liệu lớn, có khả năng ảnh hưởng đến các tiêu chuẩn chẩn đoán lâm sàng.

Kết luận

Luận án "Biến đổi Curvelet và hướng ứng dụng cho xử lý ảnh" là một công trình nghiên cứu sâu sắc và đột phá trong lĩnh vực Kỹ thuật Điện tử, giải quyết các thách thức then chốt trong xử lý tín hiệu nhiều chiều. Nghiên cứu này không chỉ lấp đầy khoảng trống trong lý thuyết biến đổi Wavelet về khả năng định hướng mà còn cung cấp các giải pháp ứng dụng mạnh mẽ cho các bài toán xử lý ảnh phức tạp.

5-6 SPECIFIC contributions (numbered):

  1. Mô hình hóa và khử nhiễu ảnh hiệu quả: Đã mô hình hóa cấu trúc và ứng dụng biến đổi Curvelet để tăng cường chất lượng ảnh, đặc biệt cho các điểm đột biến và biên sườn, kết hợp với lọc khuếch tán phi tuyến, đạt hiệu suất khử nhiễu PSNR vượt trội so với các phương pháp Wavelet truyền thống (tr. 4, 69).
  2. Thuật toán chống rung ảnh 3D tiên tiến: Đề xuất và kiểm chứng thuật toán chống rung ảnh 3D dựa trên Curvelet, giúp bảo toàn các thuộc tính ảnh đầu vào và giảm mờ, vượt trội so với bộ lọc Wiener với việc tăng PSNR đáng kể (tr. 4, 87).
  3. Nâng cao chất lượng ảnh võng mạc: Phát triển phương pháp xử lý ảnh võng mạc dựa trên Curvelet kết hợp NLDF và thuật toán tối ưu Minimax, cải thiện rõ rệt độ rõ nét và chi tiết, có ý nghĩa quan trọng trong chẩn đoán y tế (tr. 4, 99-100).
  4. Khử nhiễu ảnh cho kỳ dị đường cong: Đề xuất phương pháp khử nhiễu ảnh dựa trên Curvelet và phân đoạn biểu đồ Histogram, mang lại kết quả khử nhiễu tốt hơn cho ảnh có chứa các kỳ dị đường cong, thể hiện qua các giá trị PSNR cao hơn (tr. 4, 101).
  5. Mở rộng tính định hướng của Wavelet: Đã nghiên cứu sự mở rộng tính định hướng cho biến đổi Wavelet (DEW) trong trường hợp 2D và N-chiều, giải quyết vấn đề trộn lẫn thông tin hướng trong các băng con chéo góc và cung cấp một hệ thống với 6 băng con định hướng (tr. 24, Hình 1.5).

Paradigm advancement với evidence: Luận án đã đóng góp vào một sự chuyển dịch mô hình từ các phương pháp xử lý ảnh dựa trên biến đổi đẳng hướng sang các phương pháp định hướng hình học và tích hợp. Bằng chứng được thể hiện rõ qua hiệu suất vượt trội của phương pháp đề xuất so với Wavelet truyền thống và NLDF riêng lẻ, đặc biệt trong việc bảo toàn biên sườn và làm rõ chi tiết (tr. 69, Hình 3.2), chứng minh rằng sự tích hợp thông minh của các lý thuyết khác nhau mang lại kết quả tốt hơn đáng kể.

3+ new research streams opened:

  1. Tích hợp biến đổi hình học với học sâu: Mở ra hướng nghiên cứu mới về việc kết hợp các đặc tính biểu diễn mạnh mẽ của Curvelet với kiến trúc mạng nơ-ron sâu để giải quyết các bài toán xử lý ảnh phức tạp.
  2. Tối ưu hóa mạnh mẽ cho hệ thống xử lý ảnh thời gian thực: Thúc đẩy nghiên cứu về các kỹ thuật tối ưu hóa và triển khai phần cứng cho các thuật toán lai Curvelet-NLDF-Minimax để đáp ứng yêu cầu của các ứng dụng thời gian thực.
  3. Ứng dụng phân tích dữ liệu hình ảnh y tế chuyên sâu: Mở rộng dòng nghiên cứu về ứng dụng các biến đổi hình học và thuật toán tối ưu hóa cho các bài toán chẩn đoán và phân tích hình ảnh y tế cụ thể (ví dụ: phân tích các mạch máu nhỏ trong ảnh võng mạc, phát hiện tổn thương ung thư) trên quy mô dữ liệu lớn và đa chiều.

Global relevance với international comparison: Các vấn đề về khử nhiễu, chống rung và tăng cường ảnh là những thách thức chung trong nghiên cứu xử lý tín hiệu và hình ảnh toàn cầu. Các phương pháp đề xuất của luận án, dựa trên các nguyên lý toán học phổ quát và được so sánh với các nghiên cứu quốc tế (như các công trình của Candès & Donoho, Perona & Malik), có giá trị quốc tế cao và có thể được áp dụng rộng rãi trên toàn thế giới, góp phần vào sự tiến bộ của khoa học và công nghệ toàn cầu.

Legacy measurable outcomes: Luận án này để lại một di sản với các kết quả có thể đo lường được: cải thiện định lượng về PSNR (tăng 2-5 dB) và giảm RMSE trong các tác vụ xử lý ảnh cụ thể; các thuật toán chống rung ảnh 3D và tăng cường ảnh võng mạc có thể được triển khai trong sản phẩm công nghiệp; và một chương trình nghiên cứu chi tiết để thúc đẩy các nghiên cứu trong tương lai. Nó cung cấp một nền tảng vững chắc cho việc phát triển các thế hệ thuật toán xử lý ảnh tiếp theo.