МОДИФІКОВАНА МОДЕЛЬ ФІЛЬТРАЦІЇ ШУМУ НА ЗОБРАЖЕННЯХ НА ОСНОВІ ЗГОРТКОВОЇ НЕЙРОННОЇ МЕРЕЖІ

Вадим Мухін; Андрій Линовський

doi:10.28925/2663-4023.2024.24.388397

Автор(и)

Вадим Мухін Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0002-1206-9131
Андрій Линовський Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0009-0002-0640-4308

DOI:

https://doi.org/10.28925/2663-4023.2024.24.388397

Ключові слова:

нейронні мережі; згорткова нейронна мережа; SAP шум; покращення зображень.

Анотація

Останнім часом відзначається значний прогрес у застосуванні глибокого навчання, зокрема з використанням згорткових нейронних мереж (CNN), для вирішення завдань зниження рівня шуму на зображеннях. Цей прогрес стимульований винятковою продуктивністю CNN у сфері обробки зображень. Проте слід відзначити, що CNN переважно застосовуються до роботи з гаусівським шумом, і наразі спостерігається мала кількість робіт для ефективного зниження рівня шуму солі і перцю (SAP). Однією зі стратегій вирішення проблеми з зашумленими зображеннями є розробка ефективних моделей глибокого навчання, які спеціалізуються на роботі з SAP шумом. У цій статті відбувається розгляд можливого покращення запропонованої моделі SeConvNet. Запропонована мережа створена для зменшення над зашумлених зображень так званим SAP шумом. Salt-and-pepper noise — одна з форм шуму, яка зустрічається на зображеннях. Цей шум являє собою чорні і білі пікселі, що випадково виникають. Оскільки в наш час тема зменшення шуму в зображенянь є досить актуальною, особливо за відсутності достатньої кількості моделей, які працюють саме з SAP шумом, в цій статті запропоновано блок для можливого покращення роботи існуючої моделі. Результати цього дослідження показують перспективність розвитку напрямку покращення оригінальної моделі, яка в свою чергу може бути корисною для широкого кола застосувань, включаючи медичну діагностику, а також будь-які області, де обробка зображень має значення для визначення точних результатів. Впровадження запропонованих покращень може позитивно вплинути на обробку зображень з SAP шумом, оскільки моделей, які вирішують дану проблему не багато. Модель навчалася на відомому датасеті BSD68, що сприяє об’єктивному оцінюванню результатів. У статті також наведено аналіз існуючих моделей, які націлені на роботу з SAP шумом.

Завантаження

Дані завантаження ще не доступні.

Посилання

Rafiee, A., & Farhang, V. (2023). A Deep Convolutional Neural Network for Salt-and-pepper Noise Removal Using Selective Convolutional Blocks. Appl. Soft Comput. 145, 110535. https://doi.org/10.1016/j.asoc.2023.110535

Zhang, H., Zhu, Y., & Zheng, H. (2019). Namf: A Non-Local Adaptive Mean Filter for Salt-and-pepper Noise Removal. arXiv. https://doi.org/10.48550/arXiv.1910.07787

Liang, L., Deng, S., Gueguen, L., Wei, M., Wu, X., & Qink, J. (2019). Convolutional Neural Network with Median Layers for Denoising Salt-and-Pepper Contaminations. arXiv. https://doi.org/10.48550/arXiv. 1908.06452

Lehtinen, J., Munkberg, J., Hasselgren, J., Laine, S., Karras, T., Aittala, M., & Aila, T. (2018). Noise2Noise: Learning Image Restoration without Clean Data. arXiv. https://doi.org/10.48550/arXiv. 1803.04189

Sara, U., Akter, M., & Uddin, M. (2019). Image Quality Assessment through FSIM, SSIM, MSE and PSNR—A Comparative Study. Journal of Computer and Communications, 7, 8–18. https://doi.org/10.4236/jcc.2019.73002

Dey, S., Bhattacharya, R., & Sarkar, R. (2020). Median Filter Aided CNN Model for Removal of Gaussian Noise from Images. 2020 IEEE Recent Advances in Intelligent Computational Systems (RAICS). https://doi.org/ 10.1109/RAICS51191.2020.9332492

Erkan, U., Gökrem, L., & Enginoğlu, S. (2018). Different Applied Median Filter in Salt and Pepper Noise. Computers & Electrical Engineering, 70, 789–798. https://doi.org/10.1016/j.compeleceng.2018.01.019

Shakhovska, N., & Kosar, O. (2018). Analysis of Common Methods of Noise Overlaying on Images. Scientific Bulletin of UNFU, 28(1), 145–149. https://doi.org/10.15421/40280129

Zinchenko, O., Zvenigorodsky, O., & Kysil, M. (2022). Convolutional Neural Networks for Solving Computer Vision Problems. Telecommunication and Information Technologies, 2, 4–12. https://doi.org/10.31673/2412-4338.2022.02041

Mykhailov, V. (2019). Research and Development of Image Enhancement Methods. Ministry of Education and Science of Ukraine, Kharkiv National University of Radio Electronics, Department of Artificial Intelligence. http://openarchive.nure.ua/handle/document/11968