Luận án tiến sĩ - Nghiên cứu ứng dụng kỹ thuật fractal vào nén ảnh video

Các thiết bị quay phim hiện đại sản xuất video độ phân giải cực cao. Tuy nhiên, việc truyền tải và lưu trữ video này còn nhiều thách thức lớn. Video 4K, thậm chí 8K, tiêu tốn hàng terabyte dữ liệu. Điều này gây áp lực nặng nề lên hệ thống lưu trữ và băng thông truyền dẫn. Các kênh truyền thông hiện tại thường gặp khó khăn. Một giải pháp nén hiệu quả là bắt buộc. Nó giúp tiết kiệm tài nguyên quý giá. Đồng thời, nó đảm bảo trải nghiệm người dùng liền mạch và chất lượng. Các thuật toán nén hiện có đôi khi chưa đủ đáp ứng. Chúng có thể gây mất chất lượng đáng kể hoặc đạt tỷ lệ nén chưa tối ưu. Nén video fractal mang lại tiềm năng mới cho lĩnh vực này.

Tín hiệu video chứa nhiều loại thông tin dư thừa. Việc loại bỏ chúng là chìa khóa để nén hiệu quả. Thứ nhất là dư thừa không gian. Đây là các chi tiết điểm ảnh giống nhau trong một khung hình, ví dụ như một vùng trời xanh lớn. Thứ hai là dư thừa thời gian. Hình ảnh lặp lại giữa các khung hình liên tiếp, ví dụ như nền tĩnh trong một cảnh quay. Thứ ba là dư thừa phổ. Sự trùng lặp giữa các kênh màu (ví dụ: RGB). Thứ tư là dư thừa thống kê. Các ký hiệu không xuất hiện đều đặn trong luồng bit. Cuối cùng là dư thừa tâm thị giác. Đây là thông tin không cần thiết hoặc không được mắt người cảm nhận rõ ràng. Các thuật toán nén, bao gồm thuật toán nén fractal, tập trung vào việc khai thác những dư thừa này. Mục đích là giảm dung lượng mà không làm suy giảm chất lượng cảm nhận.

Fractal là một hình dạng hình học có cấu trúc tự lặp lại vô hạn. Cấu trúc này xuất hiện ở mọi cấp độ phóng đại. Tính tự tương tự fractal là đặc trưng cơ bản. Điều này có nghĩa là một phần nhỏ của fractal trông giống như toàn bộ fractal, chỉ khác về tỷ lệ. Ví dụ nổi tiếng bao gồm tập hợp Mandelbrot hoặc bông tuyết Koch. Trong nén ảnh fractal, ý tưởng là tìm kiếm các khối ảnh (domain blocks) trong ảnh gốc. Các khối này sẽ được biến đổi (biến đổi affine) để phù hợp với các khối khác (range blocks). Hệ thống hàm lặp (IFS - Iterated Function System) được sử dụng để mô tả các biến đổi này. Việc lưu trữ các thông số của IFS sẽ tái tạo lại ảnh.

Hình học fractal không chỉ giới hạn trong nén dữ liệu. Nó được ứng dụng rộng rãi trong nhiều lĩnh vực khoa học và kỹ thuật. Trong đồ họa máy tính, fractal tạo ra cảnh quan tự nhiên chân thực. Chúng mô phỏng cây cối, núi non, bờ biển. Trong y học, fractal giúp phân tích cấu trúc mạch máu, phổi, hoặc các khối u. Trong tài chính, mô hình fractal dự đoán biến động thị trường. Trong viễn thông, fractal anten cải thiện hiệu suất tín hiệu. Những ứng dụng này minh chứng cho tính linh hoạt của fractal. Nén ảnh fractal và nén video fractal là một trong những ứng dụng nổi bật. Nó khai thác hiệu quả tính tự tương tự để đạt tỷ lệ nén cao.

Khái niệm nén fractal được đề xuất lần đầu bởi Michael Barnsley vào những năm 1980. Ông đã phát triển hệ thống hàm lặp (IFS) để biểu diễn ảnh. Sau đó, Arnaud Jacquin đã hiện thực hóa thuật toán nén fractal. Thuật toán này dựa trên việc chia ảnh thành các khối và tìm kiếm sự tương tự. Các nghiên cứu ban đầu tập trung vào nén ảnh fractal. Chúng chứng minh khả năng đạt tỷ lệ nén cao. Tuy nhiên, thời gian tính toán nén thường rất dài. Các công trình sau này đã tìm cách cải thiện tốc độ. Đồng thời, họ duy trì chất lượng ảnh nén tốt. Việc mở rộng sang nén video fractal là một bước tiến tự nhiên. Các nhà nghiên cứu khám phá cách áp dụng fractal cho dữ liệu động.

Fractal Coding hoạt động dựa trên nguyên tắc tự tương tự cục bộ. Ảnh được chia thành hai loại khối: khối miền (domain blocks) và khối đích (range blocks). Các khối đích là các vùng nhỏ hơn. Chúng cần được biểu diễn. Các khối miền lớn hơn. Chúng được tìm kiếm để biến đổi thành các khối đích. Biến đổi affine được áp dụng cho khối miền. Nó bao gồm thu nhỏ, xoay, lật, thay đổi độ sáng và độ tương phản. Mục tiêu là tìm một khối miền. Khi biến đổi, nó giống nhất với khối đích. Các thông số của biến đổi này được lưu trữ. Chúng đại diện cho khối đích. Quá trình này được lặp lại cho tất cả các khối đích. Cuối cùng, một tập hợp các hệ thống hàm lặp (IFS) được tạo ra.

Để cải thiện tỷ lệ nén, nhiều kỹ thuật đã được đề xuất. Một phương pháp là tối ưu hóa việc phân chia khối. Điều này cho phép tìm kiếm các khối tương tự hiệu quả hơn. Một cách khác là sử dụng các biến đổi affine phức tạp hơn. Chúng mang lại sự khớp nối tốt hơn giữa các khối. Việc lựa chọn ngưỡng khớp nối cũng quan trọng. Ngưỡng thấp hơn tạo ra chất lượng cao hơn nhưng tỷ lệ nén thấp hơn. Ngược lại, ngưỡng cao hơn tăng tỷ lệ nén nhưng giảm chất lượng. Chất lượng ảnh nén được đánh giá bằng PSNR. PSNR càng cao, ảnh nén càng giống ảnh gốc. Nghiên cứu này đề xuất các cải tiến cụ thể. Chúng nhằm tối đa hóa PSNR trong khi vẫn đạt tỷ lệ nén mong muốn.

Thời gian tính toán nén là một hạn chế lớn của thuật toán nén fractal truyền thống. Việc tìm kiếm khối miền phù hợp là quá trình tốn kém. Nó liên quan đến việc so sánh một khối đích với hàng nghìn khối miền tiềm năng. Các cải tiến tập trung vào việc giảm không gian tìm kiếm. Một số phương pháp bao gồm việc phân loại các khối miền. Chúng dựa trên đặc điểm như độ phức tạp, độ mịn, hoặc cạnh. Điều này giúp loại bỏ các khối không phù hợp nhanh chóng. Một cách khác là sử dụng cấu trúc dữ liệu hiệu quả. Ví dụ, cây quadtree hoặc octree giúp tổ chức khối. Chúng tăng tốc độ tìm kiếm. Nghiên cứu này đề xuất các thuật toán tìm kiếm tối ưu. Chúng giúp giảm đáng kể thời gian tính toán nén.

Tích hợp Fractal Coding vào nén intra-frame của H.264 là một bước quan trọng. Quá trình này thay thế hoặc bổ sung các khối mã hóa truyền thống. H.264 sử dụng các chế độ dự đoán intra. Nó nén các khối hình ảnh bên trong một khung. Thay vì chỉ dựa vào dự đoán spatial, kỹ thuật fractal được áp dụng. Một số khối hình ảnh được mã hóa bằng thuật toán nén fractal. Các khối này biểu diễn hiệu quả hơn nhờ tính tự tương tự. Các thông số fractal được chèn vào luồng bit H.264. Điều này đòi hỏi sửa đổi bộ mã hóa và giải mã. Mục tiêu là đạt được hiệu suất nén vượt trội. Tuy nhiên, cần cân bằng giữa lợi ích nén và độ phức tạp tính toán.

Để nâng cao hơn nữa hiệu quả nén, việc kết hợp biến đổi wavelet với Fractal Coding là một hướng đi hứa hẹn. Biến đổi wavelet phân tích tín hiệu thành các thành phần tần số khác nhau. Điều này giúp nắm bắt các chi tiết và cạnh của ảnh tốt hơn. Sau khi áp dụng biến đổi wavelet, các hệ số wavelet có thể được nén bằng kỹ thuật fractal. Điều này khai thác tính tự tương tự trong miền wavelet. Kết quả là tỷ lệ nén cao hơn. Đồng thời, nó duy trì chất lượng tốt hơn, đặc biệt ở các vùng có chi tiết phức tạp. Phương pháp này giảm thiểu các hiện tượng nhiễu ảnh. Nó cũng giúp cải thiện chỉ số PSNR. Việc này tạo ra một thuật toán nén fractal mạnh mẽ hơn.

Đánh giá hiệu quả là bước cuối cùng và quan trọng. Các thử nghiệm thực nghiệm được tiến hành trên nhiều tập dữ liệu video khác nhau. Các chỉ số như tỷ lệ nén, PSNR, và thời gian tính toán nén được đo lường. Kết quả được so sánh với các phương pháp nén truyền thống và H.264 độc lập. Mục tiêu là chứng minh rằng nén video fractal tích hợp vào H.264 mang lại lợi ích rõ rệt. Các biểu đồ và bảng số liệu minh họa sự cải thiện. Đặc biệt, phương pháp đề xuất cho thấy khả năng giảm đáng kể dung lượng dữ liệu. Nó vẫn giữ được chất lượng hình ảnh ở mức cao. Điều này khẳng định tính khả thi và hiệu quả của giải pháp.

Việc xây dựng mô hình truyền dữ liệu thời gian thực là bước hiện thực hóa quan trọng. Mô hình này sử dụng chuẩn H.264 đã tích hợp Fractal Coding, gọi tắt là H.264F. Nó bao gồm các thành phần: bộ mã hóa, kênh truyền, và bộ giải mã. Bộ mã hóa H.264F áp dụng thuật toán nén fractal để nén các khung hình intra. Dữ liệu nén sau đó được truyền qua kênh. Tại phía nhận, bộ giải mã H.264F tái tạo lại video. Toàn bộ quá trình phải diễn ra với độ trễ thấp. Điều này đảm bảo trải nghiệm thời gian thực. Các thử nghiệm đánh giá hiệu suất của mô hình. Chúng kiểm tra tốc độ truyền, chất lượng video, và độ ổn định.

Để ứng dụng rộng rãi, chuẩn H.264F cần được hỗ trợ bởi các phần mềm phát video. Nghiên cứu này đã thực hiện nhúng H.264F vào VLC Player. VLC Player là một trình phát đa phương tiện phổ biến. Quá trình nhúng bao gồm việc sửa đổi mã nguồn của VLC. Điều này cho phép nó nhận diện và giải mã luồng bit H.264F. Kết quả nhúng cho thấy khả năng phát video đã nén bằng fractal một cách mượt mà. Điều này chứng tỏ tính tương thích và thực tiễn của giải pháp. Các nhà phát triển có thể sử dụng phương pháp này. Họ có thể tích hợp kỹ thuật nén fractal vào các ứng dụng khác. Điều này mở rộng phạm vi ứng dụng của nén ảnh video fractal.

Kỹ thuật nén fractal vẫn còn nhiều tiềm năng phát triển. Việc cải thiện thuật toán tìm kiếm để giảm thời gian mã hóa tiếp tục là trọng tâm. Ứng dụng AI và học máy có thể tối ưu hóa việc lựa chọn khối và biến đổi. Điều này có thể nâng cao PSNR và tỷ lệ nén. Việc mở rộng nén video fractal sang các chuẩn nén mới hơn như H.265 (HEVC) hoặc AV1 cũng là hướng đi. Nó sẽ tận dụng hiệu quả hơn nữa tính tự tương tự fractal. Ngoài ra, việc phát triển phần cứng chuyên dụng cho Fractal Coding có thể giải quyết vấn đề tốc độ. Điều này giúp nén fractal trở thành một giải pháp cạnh tranh trong tương lai.