Noise removal from the image using convolutional neural networks-based denoising auto encoder
Görüntüden gürültünün kaldırılması: Konvolüsyonel sinir ağları tabanlı gürültü azaltıcı otokodlayıcı
- Tez No: 849416
- Danışmanlar: DOÇ. DR. SERKAN SAVAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 80
Özet
Dijital kameraların ve görüntüleme cihazlarının artan kullanımı, her gün yakalanan görüntü miktarında bir artışa yol açmıştır. Bu durum, tıbbi görüntüleme ve gözetleme gibi alanlarda yüksek kaliteli görüntülere olan talebi artırmıştır. Ancak, gürültü, görüntü kalitesini düşürerek ve kenarlar, köşeler ve dokular gibi temel özelliklerin korunmasını engelleyerek görüntü işleme ve analizinde önemli bir meydan okuma oluşturmaktadır. Geleneksel gürültü azaltma teknikleri bu zorlukları dengelemekte zorlanmaktadır. Bu meydan okumaya yanıt olarak, bu tez, evrişimsel sinir ağlarına (CNN'ler) dayalı bir gürültü azaltma otoenkoderini kullanarak yeni bir yaklaşımı tanıtır. Bu araştırmanın temel amacı, dijital görüntülerdeki gürültüyü etkili bir şekilde azaltırken, anahtar özellikleri koruyan bir yöntem geliştirmektir. Bu, bir otoenkoder ve bir CNN içeren iki aşamalı bir süreç aracılığıyla elde edilir. Bu sürecin ilk aşaması, giriş görüntülerini eğitim ve test veri kümelerine sınıflandırmayı içerir. Bu sınıflandırma, modelin sonraki eğitim ve değerlendirme aşamaları için hayati öneme sahiptir. Eğitim aşaması, geleneksel otoenkoderin bir varyantı olan ve özellikle gürültü azaltma için tasarlanmış bir gürültü azaltma otoenkoderini kullanır. Bu otoenkoder, gürültülü karşılıklarından gürültüsüz görüntüleri yeniden yapılandırmayı öğrenir. Bu aşamanın başarısı, otoenkoderin görüntülerin temel özelliklerini yakalama ve gürültüyü atma yeteneğine bağlıdır. Otoenkoderin eğitimini takiben, gürültüsüz hale getirilen görüntüler bir evrişimsel sinir ağına beslenir. Görüntü tanıma ve işleme görevlerindeki etkinliğiyle tanınan CNN, gürültüsüz hale getirilen görüntüleri daha da geliştirir. Bunu, verilerin hiyerarşik temsillerini öğrenerek daha sofistike özelliklerin çıkarılmasını sağlayarak yapar. CNN'nin eğitimi, gürültüsüz hale getirilen görüntülerin genel kalitesini artırmada kritik bir adımdır. Test aşaması, önerilen sistemin performansını test veri kümesini kullanarak değerlendirmeyi içerir. Bu aşama, modelin gerçek dünya senaryolarında etkinliğini belirlemede dönüm noktasıdır. Kullanılan değerlendirme metrikleri, görüntü kalitesini değerlendirmede standart olan Kök Ortalama Kare Hata (RMSE) ve Tepe Sinyal-Gürültü Oranı (PSNR)'dır. Kapsamlı bir değerlendirme sağlamak için, görüntü işleme ve sinir ağı işlevlerine geniş destek sunduğu için MATLAB programlama dili kullanılmıştır. Deneyler iki ayrı veri kümesinde gerçekleştirilmiştir: COVID-19 Radyografi Veritabanı ve SIIM Tıbbi Görüntüler Veri Kümesi. Bu veri kümeleri, görüntü kalitesinin kritik olduğu bir alan olan tıbbi görüntüleme ile ilgili oldukları için seçilmiştir. Değerlendirme sonuçları, önerilen yöntemin temel teknikler üzerindeki üstünlüğünü göstermektedir. COVID-19 Radyografi (CXR) veri kümesinde, önerilen yöntem, temel yönteme kıyasla PSNR'de %8'lik bir iyileşme ve RMSE'de %53'lük bir azalma elde etmiştir. Benzer şekilde, CT Tıbbi veri kümesinde önerilen yöntem, PSNR açısından temel yönteme kıyasla %5'lik bir üstünlük göstermiştir. Bu sonuçlar, yöntemin sadece gürültüyü azaltmada değil, aynı zamanda genel görüntü kalitesini artırmada da etkili olduğunu göstermektedir. Önerilen yaklaşımın ana güçlerinden biri, çok yönlülüğüdür. Araştırma tıbbi görüntülemeye odaklanmış olsa da, yöntem, görüntü kalitesinin kritik olduğu geniş bir yelpazede uygulanabilir. Ayrıca, bir otoenkoderi takiben bir CNN kullanımı iki aşamalı süreci, gürültü azaltmada sağlam bir çerçeve sağlar. Otoenkoder etkili bir şekilde gürültüyü azaltırken, CNN görüntü özelliklerini geliştirir, bu da görüntülerin kalitesini önemli ölçüde iyileştiren sinerjik bir etki yaratır. Sonuç olarak, bu tez, gürültü azaltma otoenkoderleri ve evrişimsel sinir ağlarının güçlerini kullanarak görüntü gürültü azaltmada yeni ve etkili bir yaklaşım sunmaktadır. Bu araştırma, dijital görüntülerde sürekli bir meydan okuma olan gürültüye karşı umut verici bir çözüm sunarak, görüntü işleme alanına önemli bir katkı sağlamaktadır.
Özet (Çeviri)
The increasing use of digital cameras and imaging devices has led to a surge in daily images, increasing the demand for high-quality images in fields like medical imaging and surveillance. However, noise poses a significant challenge in image processing and analysis, as it degrades image quality and disrupts the preservation of essential features like edges, corners, and textures. Traditional denoising techniques struggle to balance these challenges. In response to this challenge, this thesis introduces a novel approach to image denoising, utilizing a denoising autoencoder based on convolutional neural networks (CNNs). The core objective of this research is to develop a method that effectively reduces noise in digital images while preserving key features. This is achieved through a two-step process involving an autoencoder and a CNN. The initial phase of this process involves categorizing input images into training and testing datasets. This categorization is crucial for the subsequent training and evaluation phases of the model. The training phase employs a denoising autoencoder, a variant of the traditional autoencoder specifically designed for noise reduction. This autoencoder learns to reconstruct noise-free images from their noisy counterparts. The success of this phase is contingent upon the autoencoder's ability to capture the essential features of the images while discarding the noise. Following the autoencoder's training, the denoised images are then fed into a convolutional neural network. The CNN, renowned for its effectiveness in image recognition and processing tasks, further refines the denoised images. It does this by learning hierarchical representations of the data, enabling the extraction of more sophisticated features. The training of the CNN is a critical step in enhancing the overall quality of the denoised images. The testing phase involves evaluating the performance of the proposed system using the test dataset. This phase is pivotal in determining the efficacy of the model in real-world scenarios. The evaluation metrics employed are the Root Mean Square Error (RMSE) and the Peak Signal-to-Noise Ratio (PSNR), both standard in assessing image quality. To facilitate a comprehensive evaluation, the MATLAB programming language was used due to its extensive support for image processing and neural network functionalities. The experiments were conducted on two distinct datasets: the COVID-19 Radiography Database and the SIIM Medical Images Dataset. These datasets were chosen for their relevance in medical imaging, a field where the quality of images is critical. The results of the evaluation demonstrate the superiority of the proposed method over the baseline techniques. On the COVID-19 Radiography (CXR) dataset, the proposed method achieved an 8% improvement in PSNR and a 53% reduction in RMSE compared to the baseline method. Similarly, on the CT Medical dataset, the proposed method outperformed the baseline by 5% in terms of PSNR. These results are indicative of the method's efficacy in not only reducing noise but also in enhancing the overall image quality. One of the key strengths of the proposed approach is its versatility. While the research focused on medical imaging, the method is applicable to a wide range of domains where image quality is critical. Furthermore, the two-step process of using an autoencoder followed by a CNN provides a robust framework for denoising. The autoencoder effectively reduces noise while the CNN enhances the image features, resulting in a synergistic effect that significantly improves the quality of the images. Finally, this thesis presents a novel and effective approach to image denoising, leveraging the strengths of denoising autoencoders and convolutional neural networks. This research contributes significantly to the field of image processing, offering a promising solution to the ever-present challenge of noise in digital images.
Benzer Tezler
- Derin öğrenme ile görüntülerde gürültü giderme
Image denoising with deep learning
SERCAN SATICI
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Derin öğrenme tabanlı görüntü gürültü giderme için yoğun bağlantı kullanan yeni yaklaşımlar
Densely connected structures in deep learning based image denoising
VEDAT ACAR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Yere nüfuz eden radarlarda öğrenme tabanlı yeni kargaşa giderme yöntemleri
New learning-based clutter removal methods in ground penetrating radar
EYYUP TEMLİOĞLU
Doktora
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Öz bilgi destekli derin öğrenme yaklaşımları ile hsg gürültü giderme
Self-ınformation empowered deep learning approaches for hsı denoising
ORHAN TORUN
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
PROF. DR. MEHMET ERKUT ERDEM
- Benek gürültüsü gidermeye dayalı veri artırma ile derin ağlarda radar hedef sınıflandırma
Despeckling based data augmentation approach in deep learning based radar target classification
ŞAKİR HÜDAİ MERT CEYLAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER