印前图像去噪算法比较研究.docx
- 文档编号:26681336
- 上传时间:2023-06-21
- 格式:DOCX
- 页数:27
- 大小:364.03KB
印前图像去噪算法比较研究.docx
《印前图像去噪算法比较研究.docx》由会员分享,可在线阅读,更多相关《印前图像去噪算法比较研究.docx(27页珍藏版)》请在冰豆网上搜索。
印前图像去噪算法比较研究
印前图像去噪算法比较研究
Comparativestudyonthedenoisingalgorithm
ofprepressimage
摘要
首先,介绍了图像去噪的研究背景和意义、图像去噪的发展概况。
其次,介绍了图像噪声的分类和数学模型,及常用的图像去噪方法;对小波去噪问题进行描述,揭示了小波去噪的数学背景和滤波特性。
最后,本文末尾对论文所工作做了详细的总结,并对图像去噪方法的进一步研究方向做了展望。
关键词:
图像去噪;高斯噪声;脉冲噪声;小波变换
目录
摘要I
1绪论1
1.1课题的研究背景和意义1
1.2图像去噪国内外研究现状和研究热点2
1.2.1图像去噪的研究现状2
1.2.2图像去噪技术的国内外热点和趋势3
1.3论文的主要研究内容及组织结构3
2图像去噪的理论基础4
2.1图像噪声的模型分类5
2.1.1噪声的分类5
2.1.2噪声的模型6
2.2图像质量的性能评价6
2.2.1图像质量的客观评价6
2.2.2图像质量的主观评价7
3图像去噪方法8
3.1传统去噪方法8
3.1.1空间域滤波8
3.1.2频域低通滤波法8
3.2小波去躁9
3.2.1小波去噪研究现状9
3.2.2小波去噪的发展历程9
4基于Matlab的图像去噪算法仿真10
4.1算法介绍10
4.2算法仿真实验15
结论16
参考文献18
附录20
1绪论
图像在生成和传输过程中,常常因受到各种噪声干扰和影响而使图片降低质量,这对后续图像的处理(如分割,压缩和图像理解等)将产生不利影响。
噪声种类很多,如:
电噪声、机械噪声、信道噪声和其他噪声。
在图像处理中,图像去噪是一个永远不会过时的主题,为了抑制噪声,改善图像质量,更高层次的处理,必须对图像进行去噪的预处理。
一般采用两种方法:
一是在空间域处理,即在各种计算机图像处理的空间;另一种是通过正交变换到频域空间域图像,在频域进行处理和反变换到空间域,图像处理。
根据实际图像的特性,噪声的统计特性和频谱分布的规律性,去噪方法的方法..一个最直观的方法,在噪声能量一般集中在基础和高频率的频谱图像分布在一个有限的时间间隔的特点,采用低通滤波器来消除噪声,或图像的平滑处理等,属于第一类的图像处理方法。
在频率域处理,如:
傅里叶变换,小波变换[1]。
近年来,小波理论飞速发展,而且因为其良好的时频特性,实际应用也相当广泛。
其中最广为人知的是图像的小波阈值去噪方法。
基本思路就是在图像小波分解后,各个子带图像的不同特性选取不同的阈值,从而达到较好的去噪效果。
而且,小波变换是线形变换的一种,而国内外的研究大多都是在如何选取一个合适的全局阈值,通过处理低于该阈值的小波系数同时保持其余小波系数值不变的方法来降噪,因此,大多数的方法类似高斯噪声的效果好,混入脉冲噪声的混合噪声的情况的处理的效果不理想。
线性运算模糊引起的边缘,小波分析技术以其独特的时候频率特性本地化的图像信号和噪声信号的区分和保留有用的信息的有效噪声等传统的除去噪声是明显的优势,而且除去噪声的同时实现了图像一定程度的压缩和边缘特征的抽出。
所以小波除去噪声的无比的优越性。
小波除去噪声主要的优点:
(1)低熵性,稀疏分布的小波系数,使得图象变换后的熵降低;
(2)多分辨率,由于使用了多分辨率方法特性,所以可以更好地展示信号的非平稳特征,如边缘、断点、尖峰等;(3)去相关,由于小波变换可对信号进行相关去噪处理,并处理后有白化趋势,所以小波去噪比时域应用更广泛;(4)选基具有灵活性,由于小波变换可以快速选择变换基,从而对不同场合的研究对象,可以选用不同的小波函数,以获得最好的去噪效果[2]。
本文以图像去噪方法为研究对象,对比了传统去噪方法小波去噪方法,对其在图像去噪中的应用做了进一步的探讨[3]。
1.1课题的研究背景和意义
在日新月异的生活中,伴随着计算机网络技术的高速发展、计算机多媒体技术的广泛应用,信息在人们的生活、学习和工作中扮演着越来越重要的角色。
图像是人类传递信息的主要媒介,据统计,视觉信息在人类接收的信息中占60%,其中最主要、最直接的信息就是图像信息,一幅图像的生动性和信息量是文字、声音所无法比较的。
然而,图像在获取和传输过程中,无法避免地受到内部因素和外部因素的干扰,常常被加入很多噪声。
噪声的存在破坏图像的质量,降低了其视觉效果,甚至破坏了图像的特征,这样就影响了图像后续的处理,比如:
图像理解,图像压缩,图像去噪、图像分割等。
为了保证图像在使用时达到人们理想的效果,一定要对数字图像进行预处理,对图像去噪。
图像预处理一般包括:
图像特征增强、图像去噪、图像恢复等,图像预处理中最重要的技术是图像去噪。
图像去噪技术的产生有效的提高了图像的质量,更好地展示了图像所携带的信息资源,作为最重要的预处理手段为后续的数字图像处理奠定了基础。
因此在图像的预处理阶段去除噪声,恢复原始图像具有重要的意义。
图像去噪研究方法具有重要的意义,主要表现在:
(1)对于噪声图像去噪,可有效保证正确识别图像信息。
由于成像机理不同的初始图像获得往往包含许多不同类型的噪声,他们的存在影响了人们观察图像的视觉感受,干扰的图像信息的人的理解。
当图像包含噪声严重,画面变得非常模糊,图像丢失存储信息的本质意义。
因此,图像去噪是非常重要的。
(2)除了能提高人识别视觉信息,对图像去噪处理的意义还在于它是图像作为进一步处理的可靠保证。
如果一幅图像含有噪声并且对其进行特征提取、配准或者图像融合等处理,其结果肯定不能令人满意,所以图像去噪是不可缺少的。
(3)虽然已经提出了许多常见的图像去噪方法,但这些方法都不是完美的,主要
性能:
降低图像噪音,它不能很好的保护图像细节。
因此,进一步提高了现有的图像去噪或研究新的图像去噪的意义仍然显著。
(4)不同的图像去噪不同的数学理论,这些方法的降噪效果不同的表现。
研究其内部机制,寻求它们之间的适当关系,互相学习,所以要找出该算法具有更好的噪声降低效果。
这也是非常有意义的。
(5)研究的图像处理方法,不仅有效地降低噪音和其他数字图像性能处理链也有很好的促进作用。
(6)降噪,不仅提高了图像质量,而且还具有非常广泛的应用。
在军事侦察警方研究,指纹识别,遥感图像识别,视频监控,医疗成像等领域,图像降噪法这项研究具有非常广阔的应用前景[2]。
1.2图像去噪国内外研究现状和研究热点
1.2.1图像去噪的研究现状
人们根据实际图像的特性,噪声和频谱分布的统计特性,开发了多种去噪方法。
一个最直观的方法通常集中在高频率的能量根据噪声,在一个图像的频谱分布一个有限的范围内的特性,低通滤波方法进行去噪方法,如移动平均滤波窗口,有线性的维纳滤波,去噪等,其他的方法如基于一阶滤波方法(订购量),是基于偏微分方程的马尔可夫模型(偏微分方程)的方法和LP形式方法等等。
优点和潜在的信号对噪声表现出的小波分析,这一直是研究的重点,并也取得了一定的成果[5]。
1.2.2图像去噪技术的国内外热点和趋势
热点和趋势的图像去噪方法在国内外主要有以下几个方面:
(1)目前大多数的图像去噪方法,是多种方法相结合,在能够保持边缘信息的基础上,还可以去除了图像中的噪声。
例如,中值滤波和小波滤波结合滤波器。
一些组合的线性滤波一种新的非线性滤波滤波中值滤波的思想,充分利用这两种优势的过滤器,更好的为了提高滤波性能。
(2)提出了以满足实时图像处理和滤波,高斯和脉冲混合噪声的基础上的所有要求快速自适应滤波操作,该滤波器可以使计算量大为减少,可用于实时图像处理在系统中,并与其他类似的过滤器的过滤效果。
(3)在小波图像去噪过程中变换,阈值函数和阈值的选择是永远一个热点。
(4)学术讨论过或优化方法,但在选择的时候,首先根据滤波器数据的实际经验和存在的问题,进行分析和选择算法。
转换过程中的数据处理预处理和后处理是小波的研究方向。
(5)小波分析方法选择最优现在在国内和国外有一些好的选择方法。
但缺乏规范的最佳小波的选择方法,即针对不同的问题选择恰当的小波能量实现应用程序是非常有效的。
选择最优小波是小波分析理论的内容。
图像和噪声统计特性是图像去噪的难点,如上述的算法有各自的优缺点。
前涉及大多数非线性滤波算法对于一个给定的图像或一个特定的声音,这意味着它是基于统计特性的滤波系统。
但是,在处理自然图像的多样性和噪声声音本身的复杂性决定了这些滤波算法不能对所有的图像滤波效果最好的事物,所以首先,不需要知道噪声的
非线性滤波器图像和机构的广泛应用,如自适应过滤器和不同的神经网络理论和滤波器的应用与发展的研究。
技术的发展,在不久的将来,成像技术在越来越多的领域的发展和应用越来越多,这对人们的生产、生活有很大的帮助。
1.3论文的主要研究内容及组织结构
在阅读大量参考文献,在信号和图像去噪的基础上,本文主要是对图像的中值滤波过程中的噪声和小波滤波的阈值之间进行分析,本文提出了一种滤波技术和小波变换的图像去噪滤波相结合。
路线如下:
第1章绪论介绍了图像去噪的理论意义和应用价值,以及图像去噪国内外研究现状和研究热点。
最后介绍了本论文的研究内容和组织结构。
第2章图像去噪理论基础阐述了当前图像去噪中的几种常用方法及原理,图像噪声的分类和模型以及图像去噪方法的性能评价。
第3章图像去噪方法介绍了传统的去噪方法和小波去噪,着重介绍了小波去噪研究现状、发展历程和小波变换基本理论。
第4章做了仿真实验,比较分析三种去噪算法。
结论总结全文研究的主要内容以及取得的主要研究成果。
2图像去噪的理论基础
2.1图像噪声的模型分类
图像中的噪声可以被定义为图像的一部分不想要的或不需要的,可在分布上当然是随机的,如电视屏幕椒盐噪声;也可以比较的规则或规律。
因此,不仅噪声有随机分布的特点也有有规则的性能特点。
获得的图像通包含噪声和干扰,产生噪声的原因如下:
传感器内部负载或电子元件由于粒子运动产生的内部噪声;部分电机振动的变化,电流或电磁场变化的产生的外部噪声;电力线系统包括一个磁块内部产生的噪声外,摄影感光材料的颗粒造成的,磁盘或磁带表面缺陷传输信道的干扰和噪声;解码量化误差噪声,这些原因决定:
噪声分布特征及图像和信号的关系[6]。
2.1.1噪声的分类
根据噪声的幅度分布的统计特性来看,可以分为以下几种:
(1)脉冲噪声
最大的电力线噪声源,停止突变的频率信号,覆盖范围广泛的载体,不仅影响非常大的信号,可能会导致错误率的增加,使生产装置改为从内部干扰,严重影响整个系统的工作。
脉冲噪声是不连续的,组成一个不规则的脉冲或噪声尖峰的持续时间长短和幅度。
对脉冲噪声的原因是多种多样的,包括电磁干扰和故障和通信系统的缺陷,以及通信系统的电气开关和继电器可以改变。
脉冲噪声是模拟数据,只是一个小麻烦但在数字数据通信,脉冲噪声是误差的主要原因[8]。
强度小于1秒和噪声强度峰值高于10dB,且重复频率小于10Hz间断性噪声。
(2)Gaussian噪声
高斯噪声是指它概率密度函数服从高斯分布的一类噪声。
如果一个噪声,它的幅度分布服从于高斯分布,并且它的功率谱密度又是均匀分布的,则称它为高斯白噪声。
高斯噪声的抑制:
在电子技术测控系统中,对干扰与噪声抑制方法主要有屏蔽、合理接地、隔离、合理布线、净化电源、滤波、采用专用器件等等措施。
除了采用通用的噪声抑制方法外,对高斯噪声的抑制方法常常采用数理统计方法。
(3)瑞利噪声
若随机变量z满足瑞利分布,则其概率密度函数为:
(2-1)
(4)Poisson噪声
Poisson分布的概率为:
(2-2)
Z的均值为:
(2-3)
(若z是一个取值为0、1、2、…的离散随机变量)
2.1.2噪声的模型
现实生活中的图像在数字化和传输过程中,常受到成像设备和外部环境噪声干扰成为含噪图像,噪声的模型分类如下:
(1)加性噪声
信道加性噪声一般指热噪声、散弹噪声等,它们与信号的关系是相加,不管有没有信号,噪声都存在,一般通信中把加性随机性看成是系统的背景噪声。
加性噪声的来源,一般可以分为三方面:
1人为噪声人为噪声来源与其他信号源无关;2自然噪声例如:
闪电、大气中的电暴、雷击,是指自然界广泛存在的电磁波源;3内部噪声内部噪声是由系统设备本身产生的,例如:
自由电子的热运动和载流子的起伏变化等。
某些类型的噪声是确知的。
虽然消除这些噪声不一定很容易,但至少在原理上可消除或基本消除。
另一些噪声则往往不能准确预测其波形。
这种不能预测的噪声统称为随机噪声。
(2)乘性噪声
和图像信号是相关的,往往随图像信号的变化而变化.例如,电离层和对流层的随机变化引起信号不反应任何消息含义的随机变化,而构成对信号的干扰。
这类噪声只有在信号出现在上述信道中才表现出来,它不会主动对信号形成干扰,因此称之为乘性噪声。
(3)“盐和胡椒(Saltandpepper)”噪声
盐和胡椒噪声,在影像上的呈现为在亮的区域有黑色像素或是在暗的区域有白色像素(或是两者皆有)。
盐和胡椒噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输的错误等,例如失效的感应器导致像素值为0、饱和的感应器导致像素值为255[7]。
2.2.图像质量的性能评价
2.2.1图像质量的客观评价
目前大多采用误差评测法,即通过计算滤波后的结果图像与原始无噪声图像的误差来进行近似衡量噪声滤波的效果。
论文主要采用的图像质量评价标准是峰值信噪比(PSNR),PSNR运算简便,物理含义明确,应用也最为广泛,一般来说,PSNR越大,越接近原图。
(2-4)
(2-5)
2.2.2图像质量的主观评价
主观质量评估是指观看者根据自己的经验,或一些通过视觉上的规定的评价标准降噪质量的判断和评分,然后给所有的观察者加权分数,计算结果就是一个主观图像评价。
尽管客观准则能够简单方便地评估出图像的质量,但图像终究还是给人看的,在这种情况下,用主观的方法来测量图像的质量最为合适。
常用方法的一种方法是选择一组评价者,让他们对待评图像进行直接打分,将这些主观分数取平均数起就是一个统计的评价结果[5]。
表2.1是图像质量相对评价的尺度。
表2.1图像质量主观评价标准
评分
评价说明
1
2
3
4
5
6
优秀图像质量非常好,感觉舒服
良好质量高,有干扰,但不影响观看
可用质量一般,有干扰,但是可看
刚可看质量一般,有干扰,但是可接受
差质量差,干扰有些,妨碍观看
不能用质量差,妨碍观看的干扰始终存在
综上所述,以上两种图像质量评价方法更有优缺点,图像质量客观评价可以量化的描述,精确地表示,但它并不反映观众的视觉效果;主观评价可以大致反映出观察者的视觉感受,但它不能定量描述出图像质量。
所以两种方法相结合可以更好的体现图像去噪方法的性能。
3图像去噪方法
3.1传统去噪方法
有两种最基本的形式来表示对随时间变化的信号,即时域和频域。
前者是原始图像数据,对图像处理的灰度值;后者是描述一段时间内频率的分布和相应的系数也可以达到图像去噪的目的,本文主要是图像去噪算法与仿真分析。
3.1.1空间域滤波
空间滤波的图像空间域采用模板图像处理,处理后的图像,每个像素的值是基于模板匹配的输入像素的像素值滤波器的基本图像,在频域空间的多种成分被抑制,同时其它成分不变,从而改变输出图像的频率分布,达到增强图像的目的。
空间滤波,一般分为线性滤波和非线性滤波器的设计通常是基于傅立叶分析的非线性空间滤波器通常是直接根据不同地区空间滤波器的功能包括锐化,平滑滤波器的低通实现平滑,可分为两类:
一类是模糊的,主要目的是提取小目标的细节或小肩端连接,另一个是消除。
用于高通滤波器来实现锐化的目的是为了加强对模糊分类相结合的方法,提高了空间滤波器分为四类:
线性平滑滤波器(低通)的非线性平滑滤波器(低通)线性锐化滤波器(高通)非线性锐化滤波器(高通)滤波是基于模板卷积[9],其主要工作步骤是:
(1)让模板在图中移动,并使模板中心和图中某个像素的位置重合
(2)将模板上的系数和模板下对应的像素相乘;(3)然后所有乘积相加(4)将和赋与给图中对中心位置的像素[11]。
3.1.2频域低通滤波法
(1)低通滤波的概念
低通滤波(Low-passfilter)是一种过滤方式,规则为低频信号能正常通过,而超过设定临界值的高频信号则被阻隔、减弱。
但是阻隔、减弱的幅度则会依据不同的频率以及不同的滤波程序(目的)而改变。
低通滤波可以这样认为:
设定一个频率点,高于截止频率的频率时不能通过,当频域高于这个截止频率时,则全部赋值为0。
在处理过程当中,因为让低频信号全部通过,高频信号都不能通过所以称为低通滤波。
各种不同的领域都应用低通滤波的概念。
在数字图像处理领域,从频域看,低通滤波可以对图像进行平滑去噪处理[12]。
(2)低通滤波器
每个不同的滤波器,频率信号的减弱程度不同。
当使用在音频应用时,它经常被称为高频剪切滤波器,或高音消除滤波器。
低通滤波器概念有许多不同的形式,其中包括音障(acousticbarriers)、图像模糊处理等等,这两个可以去除短期波动、保留长期发展趋势。
低通滤波器在信号处理中的作用等同于其它领域如金融领域中移动平均(movingaverage)所起的作用[16]。
3.2小波去躁
小波分析是近年来在国际前沿的研究开始,在傅立叶分析一个转折点,在许多领域的新思路,提供了一个有力的工具。
在科技界引起了广泛的关注和重视。
它既包含有丰富的数学理论,也包含强有力的方法和工具应用。
小波分析的发展推动许多学科和领域。
其本身,具有多学科相互结合、相互渗透的特点。
新理论,小波分析应用的新方法已成为当前数学界和工程界十分活跃的研究领域的挑战[15]。
3.2.1小波去噪研究现状
在数学上,小波去噪的本质是一个函数逼近的问题,根据提出的衡量准则,寻找对原信号的最佳逼近,以区分原信号和噪声信号。
小波去噪方法就是寻找从实际信号空间到小波函数空间的最佳映射,以便得到原信号的最佳恢复[11]。
从信号的角度看,小波去噪是一个信号滤波的问题,虽然在很大程度上小波去噪可以被看作是一个低通滤波器,但由于在图像去噪、图像特征的保留地,因此,低通滤波器是在这一点上比传统的更好。
因此,小波去噪是小波变换的特征提取综合功能和低通滤波器[12]。
在早期,人们通过对边缘进行某些处理,以缓解低通滤波产生的边缘模糊。
在这一点上,虽然这种方法同小波去噪很相似,但是小波变换之所以能够很好地保留边缘,是因为小波变换的多分辨率特性。
通过许多国内外研究学者的不懈努力,小波去噪技术在信号处理领域中得到了不断的发展和完善。
小波去噪的早期工作有损压缩技术,就是先对含噪信号进行正交小波变换,再选择一个阈值与小波系数进行比较取舍,低于此阈值的小波系数可以设为零,然后重构小波恢复原信号,以上算法中的阈值选取取决于实际的经验和应用。
3.2.2小波去噪的发展历程
1992年,Donoho和oJhnostne提出了小波阈值方法(WaveletShrinkage),以上小波收缩算法的一个最大的缺陷是在去噪前必须知道噪声的大小(方差)。
而在实际应用中无法预先知道方差,于是MaartenJasen提出GCV(generalizedcrossvalidation)方法,这种不必知道噪声方差大小的方法,完美地解决了这一问题。
此外,因为DonohonJohnstone给出的阈值有很严重的“过扼杀”小波系数的偏向,因此人们对阈值的选择进行了深入的研究,也相应提出了很多种不同的阈值确定方法。
后来,人们对选取阈值函数等问题进行了一系列的专业研究,并给出了不同的阈值[18]。
4基于Matlab的图像去噪算法仿真
4.1算法介绍
均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素(以目标象素为中心的周围8个像素,构成一个滤波模板,即去掉目标像素本身),再用模板中的全体像素的平均值来代替原来像素值。
均值滤波本身存在着固有的缺陷,即它不能很好地保护图像细节,在图像去噪的同时也破坏了图像的细节部分,从而使图像变得模糊,不能很好地去除噪声点。
中值滤波的思想是处理中心像素邻域,它不能用一个线性表达式表示得到的处理结果,所以,它是一种非线性滤波方法。
它的基本原理是:
为了能够实现中值滤波,图像中的任一像素,应选定一个滤波窗口(窗口尺寸为(2n+1)(2n+1)),然后排序(从小到大或者从大到小),该像素和窗口内所有像素的灰度值,再取其其中间值,最后将这一中间值赋予该像素。
中值滤波的优缺点:
中值滤波可对图像中细节部分起到一些保护作用,因此,它在图像降噪处理的过程中得到了广泛应用。
但对一些细节多,特别是尖顶、线、点细节多的图像不宜采用中值滤波的方法。
4.2算法仿真实验
(1)利用中值滤波对图像的椒盐噪声和高斯噪声的图像来进行处理
图4.1原图图4.2灰度图图4.3椒盐噪声
图4.43*3中值滤波图4.55*5中值滤波
图4.67*7中值滤波图4.79*9中值滤波
对图像进行加高斯噪声处理,如图4.8。
图4.9高斯噪声
图4.103*3中值滤波图4.115*5中值滤波
图4.127*7中值滤波图4.139*9中值滤波
下面计算不同滤波尺寸窗口下,用的是文章中的第二个图片为例,中值去噪算法的值MSE及PSNR值,表如4-1。
表4-1不同中值滤波尺寸窗口下图像的MSE值PSNR值
图像
不同噪声环境
滤波窗口尺寸
MSE值
PSNR值
椒盐噪声处理后
的图像
3*3
179.7177
25.5849
5*5
132.9650
26.8934
7*7
9*9
88.6792
45.0437
28.6526
31.5945
高斯噪声处理后
的图像
3*3
238.6299
24.3536
5*5
184.5197
25.4704
7*7
207.8769
24.9527
9*9
250.8158
24.1373
(2)利用均值滤波对图像的椒盐噪声和高斯噪声的图像来进行处理
图4.14椒盐噪声
图4.153*3均值滤波图4.165*5均值滤波
图4.177*7均值滤波图4.189*9均值滤波
对图像进行加高斯噪声处理,如图4.19。
图4.19高斯噪声
图4.203*3均值滤波图4.215*5均值滤波
图4.227*7均值滤波图4.239*9均值滤波
对同一幅图像进行了不同的加噪处理,然后利用中值滤波和均值滤波对其进行滤波处理,由于肉眼对图像时直观的感受并不是那么明显,所以我们需要客观上数据的分析,以便能够得到更加准确的效果,来对中值滤波和均值滤波来进行客观的评价。
下面计算不同滤波尺寸窗口下,用的是文章中的第二个图片为例,中值去噪算法的值MSE及P
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 图像 算法 比较 研究
![提示](https://static.bdocx.com/images/bang_tan.gif)