Görüntülerde gürültü giderme için ters gauss harmonik filtreleme temelli derin öğrenme modellerinin geliştirilmesi
Development of deep learning models based on inverse gaussian harmonic filtering for image denoising
- Tez No: 1008674
- Danışmanlar: PROF. DR. SERKAN ÖZTÜRK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Beyaz gürültü, Gri tonlamalı görüntü, Renkli görüntü, Sayısal görüntü, Sayısal görüntü analizi, Sayısal görüntü işleme, Sinyal-gürültü oranı, White noise, Grayscale image, Colored vision, Digital image, Digital image analysis, Digital image processing, Signal-noise rate
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Görüntü işleme süreçlerinin en önemli aşamalarından biri net ve işlenebilir görüntü verisine sahip olmaktır. Birçok sebeple bozulmaya uğrayan tıbbi, uydu ve yer altı gibi bilimsel alanlardaki görüntülerde gürültü gidermek ve iyileştirmek bu sebeple önem arz etmektedir. Bu tez çalışmasında görüntülerdeki Gauss gürültüsünü gidermek için beş yeni model önerilmiştir. Önerilen ilk model, kontrast germe işlemi uygulanmış gürültülü görüntülere Ters Gauss Harmonik Filtreleme (TGHF) işlemi yapılarak geliştirilmiş modeldir. Önerilen ikinci model, görüntülere TGHF, yerel olmayan ortalama filtreleme, detay artırma uygulayan algısal kalite tabanlı TGHF (AK-TGHF) modelidir. Önerilen üçüncü model, AHF-TGFH Hibrit Füzyon modelidir. Bu modelde, sistematik ızgara-arama optimizasyonu uygulanarak TGHF, Blok Eşleştirme ve 3B Filtreleme (BM3D) ve Gürültü Giderme Evrişimsel Sinir Ağı (DnCNN) mimarisi ağırlıklandırılarak birleştirilmiştir. Önerilen dördüncü model, AK-TGHF modeli ile derin öğrenme modelinin hibrit bir sekilde birleştirilerek geliştirilen TGHF-DÖ modelidir. Bu modelde TGHF aşamasında ortaya çıkabilen görüntülerdeki doku kaybı ve aşırı yumuşatma davranışı düşük parametreli bir Evrişimsel Sinir Ağı (CNN) ile minimize edilmektedir. Son model ise gerçek dünya görüntüleri ve sentetik görüntülerde AK-TGHF modelini bir dikkat mekanizması şeklinde kullanarak elde edilen özelliklerle kenar ve düz bölgeleri ayrı işleyen U-Net tabanlı TGHF-Ağı modelidir. Bu modelde, çift kod çözücü kullanarak görüntünün farklı bölgelerinde modelin farklı davranması sağlanmıştır. Önerilen modellerin başarımları algısal kalite ve metrik açısından yapılan deneysel çalışmalarla gösterilmiştir.
Özet (Çeviri)
One of the most critical stages in image processing is obtaining clear and usable image data. For this reason, denoising and image enhancement are essential for images in scientific fields such as medical, satellite, and underground imaging, which are often degraded for various reasons. In this thesis, five new methods are proposed for denoising Gaussian noise from images. The first proposed method is an improved technique that applies Inverse Gaussian Harmonic Filtering (IGHF) to noisy images that have undergone contrast stretching. The second proposed method is the Perceptual Quality-Based IGHF (PQ-IGHF) method, which applies IGHF, non-local meaning, and detail enhancement to images. The third proposed method is the (Weighted Hybrid Fusion) WHF-IGHF method. In this method, IGHF, Block Matching and 3D Filtering (BM3D), and the Denoising Convolutional Neural Network (DnCNN) architecture are combined through weighted integration using systematic grid-search optimization. The fourth proposed method is the IGHF-DL method, developed by hybridizing the PQ-IGHF method with a deep learning model. In this method, texture loss and excessive smoothing behavior that may occur in images during the IGHF stage are minimized using a low-parameter Convolutional Neural Network (CNN). The final method is the U-Net-based IGHF-Net method, which uses the PQ-IGHF method as an attention mechanism on real-world and synthetic images to process edges and flat regions separately using the features obtained. In this method, a dual decoder is used to ensure that the model behaves differently in different regions of the image. The performance of the proposed methods has been demonstrated through experimental studies in terms of perceptual quality and metrics.
Benzer Tezler
- Deep learning for ınverse problems in ımaging
Görüntüleme ters problemlerinde derin öğrenme
HASAN HÜSEYİN KARAOĞLU
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Görüntü işlemede yama sıralama tabanlı yaklaşımlar
Patch ordering based approaches for image processing
ÖZDEN ÇOLAK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Directional regularization based variational models for image recovery
Görüntü onarımı için yön güdümlü düzenlemeye dayalı varyasyonel modeller
EZGİ DEMİRCAN TÜREYEN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Hybrid image denoising in multiresolution wavelet domain
Çoklu çözünürlük dalgacık uzayında imgelerden hibrit gürültü temizleme
AHMED ABDULMAGED ISMAEL
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET BAYKARA
- New clutter removal methods for through obstacle target detection
Engel arkası hedef tespitinde yeni kargaşa giderme yöntemleri
DENİZ KUMLU
Doktora
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN ERER