Search academic texts

Information × Registration Number 2124U004120, Article popup.category Стаття, Опубліковано, Рецензована стаття Title Application of deep learning models for image denoising popup.author Гавриленко МаксимМацуга ОльгаHavrylenko MaksymMatsuga Olga popup.publication 14-06-2024 popup.source_user Дніпровський національний університет імені Олеся Гончара popup.source https://cims.fti.dp.ua/j/article/view/182 popup.publisher Oles Honchar Dnipro National University Description Ця робота присвячена питанню видалення шуму зображень за допомогою нейронних мереж. Представлені експериментальні результати навчання та тестування моделей нейронних мереж на зображеннях з штучно доданим шумом. У сучасному цифровому світі якість зображень відіграє важливу роль у різних галузях, включаючи медицину, науку, розваги та комунікації. Шум, спричинений недосконалим обладнанням, проблемами в каналах передачі або випадковими фізичними факторами, значно знижує ефективність обробки та сприйняття зображень. Для навчання та тестування моделей нейронних мереж потрібен відповідний набір зображень. У цьому дослідженні ми створили навчальні, валідаційні та тестові набори, що містять оригінальні зображення та зображення з доданим шумом. Було використано три набори зображень з www.kaggle.com. Перший набір містив зображення метеликів, другий набір складався з зображень спортсменів, а останній набір включав зображення облич людей. Навчальний набір був сформований наступним чином. Випадково було відібрано 1000 зображень з кожного з трьох наборів та масштабовано до розміру 128x128. З них випадково відібрали 30 зображень і піддали їх додаванню шуму на 10 рівнях, що дало 300 зображень для кожного з 6 рівнів шуму. Загалом, навчальний набір містив 1800 зображень. Валідаційна вибірка була сформована аналогічним чином, але була вдвічі меншою за розміром. Тестовий набір складався зі 100 оригінальних зображень з доданими трьома рівнями шуму. Використовувалися такі типи шуму: гаусівський, пуассонівський, "сіль і перець", лапласівський, змішаний та квантування. Було навчене три моделі для видалення шуму з зображень: дві моделі згорткових автоенкодерів (з 3 та 6 згортковими шарами у енкодері та декодері відповідно) та модифікована модель U-Net, в якій було налаштовано вихідний шар та функцію втрат. Продуктивність навчених моделей порівнювалася між собою та з класичними фільтрами на тестових зображеннях. Експериментальні результати показують, що U-Net перевершує автоенкодери у видаленні шуму із зображень. У порівнянні з класичними фільтрами, модель U-Net демонструє конкурентоспроможні результати. Вона показує кращу якість у випадку гаусівського, лапласівського та шуму квантування, особливо в контексті збереження структурної інформації (вищий SSIM). popup.nrat_date 2025-04-07 Close