Evrişimsel yapay sinir ağları ile görüntüde toplamsal beyaz Gauss gürültü seviye tespiti
Noise estimation of additive white Gaussian noise with convolutional neural networks
- Tez No: 847566
- Danışmanlar: DR. ÖĞR. ÜYESİ NURETTİN BEŞLİ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 103
Özet
Günümüzde imge oluşturmak için kamera kullanımının, sayısal teknolojinin ve sosyal medyanın kullanımının artmasıyla giderek artan bir öneme sahip olduğu görülmektedir. Bu imgelerin, gerek kameranın donanımsal özelliğinden gerekse sayısal işlemler sırasında oluşmak üzere gürültü içermesinin önüne geçilememektedir. Bu gürültülerin, görüntü kalitesini düşürmesinden dolayı giderilmesi büyük önem arz etmektedir. Bundan dolayı, literatürde, imgelerdeki gürültüyü gidermek için oldukça fazla çalışma yapılmaktadır. Gürültülerin temizlenmesi için doğru bir şekilde oluşma kaynağı belirlenmeli ve modellenmelidir. Birçok kör olmayan gürültü giderme metodu, imgelerdeki gürültünün seviyesini dışardan parametre olarak alır. Bu aşamada gürültü seviyesinin kestirimi büyük önem taşır. Gürültülerin giderilmesi işlemi gürültü modelinin, model parametrelerinin ve en son olarak gürültü seviyesinin doğru bir şekilde belirlenmesi ile başarılı sonuç vermektedir. Bu anlamda gürültü kestirimi gürültü gidermenin başarısını ve çalışma prensibini etkileyen en önemli faktörlerden birisidir. Bu çalışmada CMOS sensör yapısına sahip görüntü alma cihazları uygulama alanı olarak belirlenmiştir. Bu cihazlardaki gerçek gürültü Toplamsal Beyaz Gauss Gürültü (TBGG) olarak modellenir. CMOS sensörlü görüntü alma cihazlarının endüstride kullanımı, CCTV sistemlerde kullanımı, insanlı/insansız hava araçlarında kullanımı oldukça yaygındır. Bu çalışmada yeni bir çoklu imge tabanlı, imge ve örüntüden bağımsız Evrişimsel Yapay Sinir Ağı (EYSA) gürültü kestirimi metodu tanıtılmıştır. Bu çalışmada 4 farklı sistem modeli üzerinde durulmuştur. Bu sistem modelleri, 5 sınıflı, 25 sınıflı olarak sınıflandırma ve 5 seviyeli, 25 seviyeli olarak regresyondur. 2000 resimden 1500 ü eğitim için, 500 ü test için kullanılmıştır.5 seviyeli sınıflandırma için %100 lük başarı elde edilmiştir. Bütün modellerde çıkış, resme eklenen TBGG gürültüsünün standart sapmasının sayısal değeridir. Standard sapma gürültünün en önemli karakteristiği olduğundan hem girdi hem de çıktı değerlerinde bu değer kullanılmıştır. Bu modellerde, literatürde gürültülü çoklu imge veri tabanı olmadığından, her bir gürültüsüz resme TBGG dağılımında gürültü eklenmiştir. Her bir temiz imge için 2 adet gürültülü imge üretilmiştir. Uygulamada bu durum, günümüz teknolojisinin gelişmesiyle birlikte mümkün olan, hızlı çekimle, ardı ardına görüntü almak anlamına gelmektedir. Önerilen EYSA ağı SqueezeNet tir. Sınıflandırmada ağ olduğu gibi kullanılmış, regresyonda ise son iki katmanın yerine Tam Bağlı Katman (Fully Connected Layer FCL) ve ardından Regresyon Katmanı (Regression Layer) konulmuştur. Sistem ayrıca ResNet te çalıştırılmış ve beklendiği gibi SqueezeNet ten daha başarılı sonuçlar vermiştir. Ancak SqueezeNet daha az yer kaplaması açısından gömülü sistemlerde tercih edilmektedir. Önerilen yöntem bilindik gri seviye imgelerin yanında renkli imge veri tabanları Kodak, McMaster ve BSDS500 üzerinde denenmiştir. Ayrıca bu çalışmanın regresyon çıkışı diğer kör olmayan metotlar tarafından da kullanılmaya hazırdır. Sistemin çıktısı ayrıca Manyetik Rezonans (MR) görüntülerde ve görüntü alma cihazlarının kimlik tanımlamasında denenmiştir. Regresyon çalışmasında ayrıca sistem eğitim esnasında kullanılmayan standart sapmanın ara değerlerinde test edilmiştir. Bu testin sonucunda elde edilen değerler regresyon değerlerine yakın çıkmıştır. Sistem kör olmayan BM3D ve Curvelet gürültü giderme yöntemleri tarafından kullanılmıştır. Kestirimle elde edilen sonuçlarla sisteme direk girilen değerlerin gürültü giderdikten sonraki PSNR sonuçları karşılaştırılmıştır. Bu PSNR sonuçlarının karşılaştırması göstermektedir ki iki parametreyle ayrı ayrı elde edilen PSNR değerleri arasında lineer bir ilişki vardır. Sistem ayrıca literatürdeki en iyi yöntemlerle karşılaştırılmıştır. Önerilen metotun SqueezeNet ağ yapısına sahip modeli literatürdeki en iyi sonuçlardan 15 te 9 kez, ResNet modeli ise 15 te 15 kez daha başarılı olmuştur.
Özet (Çeviri)
Today, the usage of cameras to constitute images has an increasing importance due to increase in usage of digital technology and socialmedia. The gathered images' containing noise can not be prevented due to bothcamera's hardware propoerties and during the process of digital computations. It is highly important to remove this noise since it decreases the image quality. So, in the literature, there are lots of studies on removing the noise in images. To remove, the source of the noise should be correctly identified and modelled. Lots of non-blind denoising method, takes the noise's level from outside as parameter. In this stage, the estimation of noise level parameter plays an important role. The process of removing noise, gives successful results by determining the noise model, model parameters and lastly the level of inherent noise. By this means, noise estimation is one of the most important factors affecting the denoising success and working principle. In this study, the image gathering devices which has CMOS sensor type are defined as the application area. Real noise is modelled as Additive White Gasussian Noise (AWGN) in these devices. The image gathering devices which has CMOS sensorsa re widely used in industry, in CCTV systems, in manned/unmanned air vehicles, In this study, a novel multi frame based, independent of image and texture, a Convoutional Neural Network(CNN) noise estimation method is introduced. In this study, 4 different system model are studied. These system models are classification with 5 classes,classification with 25 classes,regression with 5 levels and regression with 25 levels. 1500 images are used for training and 500 images are used for test out of 2000 images. A success rate of %100 is achieved in 5 classs classification. In all of the models the output is the value of the standard deviation of AWGN added to the images. Since the standard deviation is the most important characteristics of the AWGN noise, this value is used in all of the models. In these models, since there is not a multiframe noisy image database in the literatüre, AWGN is added to each of the images. For all clean image two noisy images are produced. In application, this situation, being feasible with the developing technology, with rapid gathering, it means to gather images consecutively. The opposed Convolutional Neural Network (CNN) is SqueezeNet. In classification the network is used as it is whereas in regression the last two layers of the network is replaced with a Fully Connected Layer and Regression Layer. The system is also tried with ResNet and gave better results as expected. But, SqueezeNet, occupaying less storage space than others, is preferred in embedded systems. The proposed model, besides the widely used gray level images is tried on colour image databases Kodak, McMaster and BSDS500. Furthermore, the output of this system is ready to be used with other non-blind denoising methods. The output of the system is also tried on Magenetic Resonance images and the identification of image gathering devices. In regression model the system is also tried on quasi-levels of standard deviation not used while training. At the end of this try the network produced near levels of standard deviation to reel values. The system is used with non-blind denoising methods BM3D and Curvelet. The PSNR values of denoising results obtained with reel values and the estimated values are compared. This comparison shows us that the both values of the results has a linear reletionship. The system is also compared with the best results in the literatüre. The propoed method with SqueezeNet became successful 9 times out of 15, and the proposed model with ResNet became successful 15 times out of 15, when compared with the best results in the literature.
Benzer Tezler
- Derin öğrenme ile tekstil tipi tanım
Fabric classification by using deep learning
GÖKHAN GÜRGEN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- A multi-fidelity prediction framework with convolutional neural networks using high-dimensional data
Yüksek boyutlu veriler ile çok-doğruluklu evrişimsel sinir ağı tabanlı kestirim
HÜSEYİN EMRE TEKASLAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. MELİKE NİKBAY
- Stochastic bitstream-based vision and learning machines
Stokastik bit akışı tabanlı görü ve öğrenme makineleri
SERCAN AYGÜN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Deep convolutional neural networks for image inpainting
Derin evrişimsel sinir ağları ile resimlerde içboyama
UĞUR DEMİR
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL