Thuật toán phi địa phương là thuật toán tính toán và xử lý dữ liệu mà tại đó giá trị của một biến trạng thái, điểm ảnh hoặc nút mạng được xác định dựa trên sự đóng góp có trọng số của các điểm phân bố trên toàn miền dữ liệu hoặc trong một không gian mở rộng, thay vì chỉ giới hạn trong phạm vi các phần tử lân cận tiếp giáp về mặt hình học. Trong toán học ứng dụng và thị giác máy tính, phương pháp tiếp cận phi địa phương cho phép khai thác triệt để tính tự tương đồng và mối liên kết xa giữa các cấu trúc thông tin, khắc phục căn bản các hạn chế cố hữu về làm mờ biên và mất chi tiết vân bề mặt của các mô hình cục bộ vi phân cổ điển.
Bản chất toán học và nguyên lý tự tương đồng
Các phương pháp xử lý tín hiệu và giải số phương trình vi phân truyền thống chủ yếu dựa trên giả thiết tính chất cục bộ (local assumption). Theo giả thiết này, các điểm nằm gần nhau trong không gian vật lý hoặc lưới tính toán sẽ có tính chất tương tự nhau. Do đó, các bộ lọc làm mịn cổ điển (như lọc Gauss, lọc trung bình) hay các toán tử vi phân cục bộ (như toán tử Laplace, mô hình biến phân Perona-Malik) đều thực hiện nội suy hoặc tính đạo hàm dựa trên một vùng lân cận bán kính nhỏ tiếp giáp.
Tuy nhiên, các cấu trúc tự nhiên và dữ liệu thực tế thường thể hiện tính tự tương đồng mạnh mẽ (self-similarity): các mẫu hình học, vân bề mặt (texture), cạnh và góc có xu hướng lặp lại nhiều lần tại các vị trí không gian cách xa nhau. Từ đầu thế kỷ 21, sự ra đời của các thuật toán phi địa phương đã tạo ra bước đột phá khi chuyển trọng tâm từ việc đo đạc khoảng cách không gian địa lý sang việc đo đạc khoảng cách cấu trúc hình học và hình thái thông tin.
Về mặt hình thức toán học, đối với một miền dữ liệu rời rạc hoặc liên tục, giá trị khôi phục của hàm tại một vị trí được biểu diễn dưới dạng tích phân hoặc tổng trọng số trên toàn miền:
Trong đó, trọng số tương tác giữa hai điểm phân bố không phụ thuộc đơn thuần vào khoảng cách không gian giữa chúng, mà phụ thuộc vào mức độ tương đồng giữa các đặc trưng cấu trúc cục bộ bao quanh hai điểm đó. Nếu hai điểm ở xa nhau nhưng sở hữu vùng lân cận đồng dạng, trọng số tương tác giữa chúng vẫn nhận giá trị lớn.
Thuật toán lọc trung bình phi địa phương trong xử lý ảnh
Dấu mốc định hình trường phái thuật toán phi địa phương trong thị giác máy tính là công trình nền tảng của Buades, Coll, & Morel (2005) với thuật toán lọc trung bình phi địa phương (Non-Local Means, NLM) ứng dụng trong bài toán khử nhiễu ảnh số.
Cơ chế so khớp khối lân cận và hàm trọng số
Theo Buades, Coll, & Morel (2005), giá trị màu hoặc độ xám được khôi phục tại một điểm ảnh mục tiêu là trung bình trọng số của tất cả các điểm ảnh trong ảnh. Trọng số liên kết giữa điểm ảnh mục tiêu và điểm ảnh tham chiếu được tính toán dựa trên khoảng cách Euclidean gia quyền giữa hai khối ảnh lân cận (image patches) có tâm lần lượt tại hai điểm đó.
Hàm trọng số sử dụng phân bố dạng Gauss suy giảm theo hàm mũ:
- Khối lân cận (patch): Một cửa sổ vuông nhỏ bao quanh điểm ảnh, đại diện cho cấu trúc hình học và thông tin vân bề mặt vi mô.
- Khoảng cách Euclidean gia quyền: Khoảng cách giữa hai véc-tơ cường độ điểm ảnh của hai khối, thường được nhân với một hàm nhân Gauss để ưu tiên các điểm ảnh nằm gần tâm khối hơn.
- Tham số suy giảm: Tham số đóng vai trò điều chỉnh mức độ lọc, liên hệ chặt chẽ với phương sai của nhiễu. Tham số này quyết định độ dốc suy giảm của trọng số khi khoảng cách cấu trúc giữa hai khối gia tăng.
- Hệ số chuẩn hóa: Đảm bảo tổng các trọng số liên kết bằng đơn vị nhằm bảo toàn năng lượng và độ sáng trung bình của ảnh.
Cửa sổ tìm kiếm và chiến lược tối ưu hóa độ phức tạp
Về mặt lý thuyết thuần túy, thuật toán phi địa phương quét qua toàn bộ các điểm ảnh trên toàn bức ảnh. Tuy nhiên, việc tính toán khoảng cách khối giữa mọi cặp điểm ảnh trên một bức ảnh kích thước lớn tạo ra độ phức tạp tính toán bậc bốn, gây tắc nghẽn nghiêm trọng về tài nguyên phần cứng.
Trong bài tổng quan và chuẩn hóa thuật toán, Buades, Coll, & Morel (2011) đã chứng minh rằng việc thu hẹp phạm vi tìm kiếm vào một cửa sổ tìm kiếm (search window) có bán kính xác định bao quanh điểm ảnh mục tiêu là giải pháp tối ưu. Chiến lược này vừa duy trì được bản chất phi địa phương (vì kích thước cửa sổ tìm kiếm lớn hơn rất nhiều so với khối so khớp), vừa giảm thiểu đáng kể chi phí tính toán và bảo toàn nguyên vẹn độ sắc nét của các đường biên cũng như cấu trúc lặp lại tuần hoàn.
Giải tích phi địa phương và phương pháp biến phân
Không dừng lại ở các thuật toán lọc số học thực nghiệm, tiếp cận phi địa phương đã được khái quát hóa thành một hệ thống giải tích toán học chặt chẽ. Nghiên cứu kinh điển của Gilboa & Osher (2008) đã đặt nền móng lý thuyết vững chắc cho giải tích phi địa phương bằng cách định nghĩa các toán tử vi tích phân phi địa phương trên đồ thị và không gian hàm.
Toán tử gradient và phân kỳ phi địa phương
Theo khung lý thuyết của Gilboa & Osher (2008), gradient phi địa phương của một hàm số tại hai điểm được định nghĩa như hiệu số giá trị hàm giữa hai điểm nhân với căn bậc hai của hàm trọng số liên kết. Tương tự, toán tử phân kỳ phi địa phương được xây dựng như toán tử đối ngẫu liên hợp của gradient phi địa phương thông qua tích phân từng phần.
Từ hai toán tử này, toán tử Laplace phi địa phương (nonlocal Laplacian) và tổng biến sai phi địa phương (nonlocal total variation, NLTV) được thiết lập:
- Khung biến phân phi địa phương: Cho phép xây dựng các phiếm hàm năng lượng tổng quát hóa từ mô hình Rudin-Osher-Fatemi (ROF) truyền thống. Việc tối thiểu hóa phiếm hàm NLTV giúp khôi phục các chi tiết có tính chất vân bề mặt lặp lại mà phương pháp biến sai toàn phần cục bộ thường làm phẳng hoặc loại bỏ nhầm.
- Phương trình đạo hàm riêng phi địa phương: Các bài toán khuếch tán phi địa phương cho phép mô hình hóa quá trình lan truyền thông tin, dẫn nhiệt hoặc chuyển động Brown dị thường (anomalous diffusion) với các bước nhảy dài (Lévy flights) trong các môi trường phức tạp không đồng nhất.
Ứng dụng nâng cao trong xử lý ảnh y tế và ảnh cộng hưởng từ
Các thuật toán phi địa phương đã chứng minh ưu thế vượt trội trong lĩnh vực chẩn đoán hình ảnh y tế, nơi độ tương phản thấp và nhiễu ngẫu nhiên ảnh hưởng trực tiếp đến độ chính xác của chẩn đoán lâm sàng.
Nghiên cứu của Manjón và cộng sự (2010) đã phát triển thành công biến thể thuật toán phi địa phương thích nghi (Adaptive Non-Local Means) chuyên dụng cho ảnh cộng hưởng từ (MRI). Trong hình ảnh MRI, dữ liệu thô trong không gian tần số chịu tác động của nhiễu Gauss phức, dẫn đến ảnh độ lớn hiển thị tuân theo phân bố Rician thay vì phân bố Gauss thuần túy. Hơn nữa, với các kỹ thuật chụp thu nhận song song hiện đại, mức nhiễu không còn đồng nhất trên toàn trường nhìn mà biến thiên phụ thuộc vào vị trí không gian của các cuộn thu tín hiệu.
Bằng cách tích hợp thuật toán ước lượng phương sai nhiễu cục bộ tự động và điều chỉnh trọng số tương thích với phân bố Rician, phương pháp của Manjón và cộng sự (2010) cho phép loại bỏ nhiễu hiệu quả tại cả các vùng mô mềm đồng nhất và các ranh giới giải phẫu phức tạp, giảm thiểu tối đa hiện tượng xóa nhòa các cấu trúc thần kinh vi mô.
So sánh định lượng và cấu trúc giữa thuật toán cục bộ và phi địa phương
Bảng tổng hợp dưới đây phân tích sự khác biệt căn bản giữa các phương pháp tiếp cận cục bộ truyền thống và thuật toán phi địa phương:
| Tiêu chí phân tích | Thuật toán cục bộ | Thuật toán phi địa phương | Cơ chế bản chất | Ưu thế và hạn chế |
|---|---|---|---|---|
| Không gian lấy mẫu | Vùng lân cận hình học bán kính nhỏ tiếp giáp trực tiếp. | Cửa sổ tìm kiếm mở rộng hoặc toàn bộ miền dữ liệu. | Mở rộng không gian tìm kiếm cấu trúc tương đồng. | Thuật toán phi địa phương bao quát thông tin toàn cục hơn. |
| Cơ sở tính trọng số | Khoảng cách không gian hình học giữa các điểm ảnh. | Khoảng cách tương đồng giữa các khối lân cận cấu trúc. | Chuyển dịch từ không gian vật lý sang không gian đặc trưng. | Bảo toàn tốt các mẫu vân lặp lại ở xa nhau. |
| Bảo toàn đường biên | Dễ làm nhòe đường biên sắc nét và chi tiết vân bề mặt. | Giữ vững độ tương phản và hình dạng mép cạnh cấu trúc. | Các điểm ở hai bên đường biên có khối lân cận khác biệt cao. | Tránh hiện tượng giả tạo hình học (staircasing artifacts). |
| Độ phức tạp tính toán | Độ phức tạp tuyến tính tỉ lệ thuận với kích thước dữ liệu. | Độ phức tạp tính toán cao hơn đáng kể do so khớp khối. | Phép so sánh đa chiều giữa các véc-tơ đặc trưng khối. | Đòi hỏi kỹ thuật tối ưu hóa phần cứng và tính toán song song. |
Thuật giải lặp giải phương trình sóng phi tuyến chứa số hạng phi địa phương
Bên cạnh ứng dụng trong xử lý tín hiệu và thị giác máy tính, lý thuyết phi địa phương đóng vai trò cốt lõi trong nghiên cứu toán học thuần túy và cơ học kết cấu. Các phương trình đạo hàm riêng chứa số hạng tích phân phi địa phương xuất hiện khi mô hình hóa các vật liệu có hiệu ứng kích thước vi mô hoặc các trường sóng phi tuyến có tương tác xa.
Trong công trình công bố năm 2026, Đoàn & Dương (2026) đã nghiên cứu thuật giải lặp cấp hai cho phương trình sóng phi tuyến chứa số hạng phi địa phương. Bài toán đặt ra mô hình dao động phi tuyến mà tại đó hệ số của phương trình phụ thuộc vào chuẩn tích phân của nghiệm trên toàn miền không gian. Sự hiện diện của số hạng phi địa phương này làm mất đi tính khả vi cục bộ thông thường và tạo ra tính phi tuyến mạnh trong phân tích giải tích.
Đoàn & Dương (2026) đã xây dựng lược đồ lặp cấp hai xấp xỉ nghiệm, thiết lập các đánh giá tiên nghiệm trong không gian Sobolev và chứng minh sự hội tụ mạnh của dãy nghiệm xấp xỉ về nghiệm duy nhất của bài toán ban đầu. Công trình này khẳng định vai trò trọng yếu của các thuật giải số trong việc xử lý các bài toán cơ học phi tuyến chứa tương tác phi địa phương phức tạp.
Thách thức tính toán và xu hướng phát triển
Mặc dù mang lại chất lượng khôi phục tín hiệu và độ chính xác toán học vượt trội, các thuật toán phi địa phương phải đối mặt với một số ranh giới kỹ thuật cần giải quyết:
- Gánh nặng tài nguyên tính toán: Việc tính khoảng cách khối và tra cứu tương đồng trên không gian dữ liệu nhiều chiều đòi hỏi chi phí tính toán lớn. Điều này đòi hỏi các giải pháp tăng tốc phần cứng thông qua xử lý song song trên GPU hoặc ứng dụng cấu trúc cây phân cấp (k-d tree) để giảm số lượng phép thử so khớp.
- Sự suy giảm hiệu quả khi thiếu vắng tính tự tương đồng: Nếu ảnh đầu vào hoàn toàn không chứa các cấu trúc lặp lại hoặc các khối vân đồng dạng (chẳng hạn như các tín hiệu nhiễu ngẫu nhiên thuần túy), thuật toán phi địa phương có thể suy biến thành bộ lọc trung bình cục bộ hoặc sinh ra các đốm giả tạo do chọn nhầm các khối tương đồng ngẫu nhiên.
- Sự tích hợp với mạng nơ-ron tích chập sâu: Các kiến trúc học sâu hiện đại đã kế thừa tư tưởng phi địa phương để phát triển các khối nơ-ron phi địa phương (Non-Local Neural Networks) và cơ chế chú ý tự thân (Self-Attention) trong các mô hình Transformer. Sự kết hợp giữa cơ chế lọc trọng số toán học chính xác và năng lực biểu diễn dữ liệu mạnh mẽ của học sâu đang mở ra những hướng tiếp cận mới trong xử lý thông tin đa chiều.