VGG16 temelli mimari ile görüntülerde gürültü tahmini
Noise prediction in images with VGG16 based architecture
- Tez No: 734761
- Danışmanlar: DR. ÖĞR. ÜYESİ YASEMİN ÇETİN KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Ağ modeli, Evrişimli sinir ağları, Gürültü, Gürültü tahmini, Optimizasyon, Network model, Convolutional neural networks, Noise, Noise estimation, Optimization
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gürültü, görüntü elde etme esnasında görüntüye eklenen istenmeyen sinyallerdir. Görüntü işleme çalışmalarının en temel sorunlarından biri gürültüdür. Bir görüntüden gürültünün arındırılması için kullanılan filtre yöntemlerinin başarılı olabilmesi için gürültü türünün doğru şekilde analiz edilmiş olması gerekmektedir. Literatürde yaygın olan gürültü türleri gauss, benek ve tuz-biber gürültü türleridir. Orijinal görüntülere Matlab programa dili vasıtasıyla eklenen bu üç gürültü türünün ve gürültüsüz görüntülerin en doğru ve pratik bir şekilde sınıflandırılması amaçlanmıştır. Görüntü üzerine yapılan çalışmalarda Evrişimsel Sinir Ağları (ESA) sıklıkla kullanılmaktadır. Çalışmada ESA ile oluşturulan 5 farklı model için önce eğitim sonra test işlemleri gerçekleştirilmiştir. Çalışmadaki ESA mimarileri; VGG16 ağı, transfer öğrenme ve Kök Ortalama Kare Yayılımı (RMSProp), Stokastik Gradyan İniş (SGD), Uyarlanabilir Gradyan(Adagrad), Adadelta ile Adaptif Moment(Adam) optimizasyon algoritmaları kullanılarak oluşturulmuştur. Görüntülerdeki gürültü türünün ve gürültüsüz görüntülerin doğru ve pratik şekilde tahmin edilmesi hedeflenmiştir. Görüntülerdeki gürültü tahmininde başarılı olunması halinde gürültülü görüntülerin, gürültülerinden arındırılması için daha doğru filtrelerin kullanılmasına olanak sağlanmış olacaktır. RMSProp optimizasyon algoritması kullanılarak oluşturulan model toplamda 12 hatalı gürültü türü tespiti yapmıştır. RMSProp optimizasyon algoritması kullanılarak oluşturulan model %98.75 doğruluk oranı ile en iyi doğruluk oranına sahiptir. Diğer optimizasyon algoritmalarının ise doğruluk oranları sırasıyla Adam optimizasyon algoritması için %98.44, Adagrad optimizasyon algoritması için %97.29, Adadelta optimizasyon algoritması için %89.38 ve SGD optimizasyon algoritması için %57.71'dir. Bu çalışma ile gürültü türünün ESA mimarileri ile daha doğru ve pratik bir şekilde belirlenebilmesi için hangi optimizasyon algoritmasının tercih edilebileceğine ışık tutulmaya çalışılmıştır. ESA'nın görüntü işleme çalışmalarındaki başarısı göz önüne alındığında ileride görüntü ile yapılan çalışmaların daha doğru ve güvenilir filtreler ile yapılabileceği düşünülmektedir.
Özet (Çeviri)
Noise is unwanted signals added to the image during image acquisition. One of the most fundamental problems of image processing studies is noise. In order for the filter methods used to remove noise from the image to be successful, the noise type must be analyzed correctly. The types of noise that are common in the literature are gaussian, speckle and salt-pepper types of noise. It is aimed to classify these three noise types and noiseless images in the most accurate and practical way, which are added to the original images via the Matlab programming language. Convolutional Neural Networks (CNN) are frequently used in studies on images. In the study, first training and then testing were carried out for 5 different models created with CNN. ESA architectures in the study; The VGG16 network was created using transfer learning and Root Mean Square Propagation (RMSProp), Stochastic Gradient Descent (SGD), Adaptive Gradient (Adagrad), Adadelta and Adaptive Moment (Adam) optimization algorithms. It is aimed to predict the noise type and noiseless images in an accurate and practical way. If the noise prediction in the images is successful, it will be possible to use more accurate filters to remove the noise of the noisy images. The model created using the RMSProp optimization algorithm has detected a total of 12 incorrect noise types. The model created using the RMSProp optimization algorithm has the best accuracy rate with 98.75% accuracy. The accuracy rates of other optimization algorithms are 98.44% for Adam optimization algorithm, 97.29% for Adagrad optimization algorithm, 89.38% for Adadelta optimization algorithm and 57.71% for SGD optimization algorithm, respectively. With this study, it has been tried to shed light on which optimization algorithm can be preferred in order to determine the noise type in a more accurate and practical way with CNN architectures. Considering the success of CNN in image processing studies, it is thought that future studies with images can be done with more accurate and reliable filters.
Benzer Tezler
- Periferik yaymada görüntü iyileştirme teknikleri kullanarak sonuçların derin öğrenme tabanlı analizi ve sınıflandırılması
Deep learning-based analysis and classification of peripheral blood smear results using image enhancement techniques
OLCAY PALTA
- Ön işleme uygulanan sefalometrik radyografilerden transfer öğrenme ile büyüme gelişim evresi tespiti
Determination of growth and development stage using transfer learning from preprocessed cephalometric radiographs
AYŞEGÜL ÖZKAN
- Automatic Alzheimer detecion system based on deep neural network using MRI images
MRI görüntülerini kullanarak derin sinir ağına dayalı otomatik Alzheimer tespit sistemi
MUSTAFA LATEEF FADHIL JUMAILI
- Derin öğrenme tabanlı yaklaşımlarla mikroskop görüntülerinden plastik türlerinin sınıflandırılması
Classification of plastic types from microscope images using deep learning-based approaches
ADEM DELİASLAN
- Derin öğrenme modelleri kullanarak yazma alanında özgül öğrenme güçlüklerinin erken teşhisi
Early diagnosis of specific learning difficulties in writing using deep learning models
NEŞE ÖZKUM
