نوع مقاله : پژوهشی
نویسنده
گروه فیزیک، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران
چکیده
حذف نویز ترکیبی پواسون-گاوسی در تصاویر حسگرهای نوری، به دلیل ماهیت آماری ناهمگن و وابستگی بخشی از نویز به شدت سیگنال، یکی از چالشهای اساسی در تصویربرداری دیجیتال، بینایی ماشین و سامانههای اپتیکی محدود به فوتون محسوب میشود. در این پژوهش، یک شبکه عصبی کانولوشنی عمیق مبتنی بر راهبرد یادگیری باقیمانده برای بازیابی اطلاعات تصویری و حذف نویز توسعه داده شده است. معماری پیشنهادی با بهرهگیری از لایههای نرمالسازی دستهای و الگوریتم بهینهساز آدام، پایداری و همگرایی مناسبی را در فرآیند آموزش از خود نشان میدهد.
نتایج شبیهسازی و ارزیابیهای کمی و کیفی نشان داد که شبکه پیشنهادی در مقایسه با روشهای کلاسیک حذف نویز، عملکرد برتری در کاهش نویزهای ترکیبی پواسون-گاوسی و بازیابی اطلاعات تصویری دارد. این روش ضمن بهبود شاخصهای ارزیابی کیفیت تصویر، توانایی بالایی در حفظ ساختارهای فرکانس بالا، جزئیات لبهها و ویژگیهای فوتومتریکی از خود نشان داد. همچنین، تحلیل عملکرد مدل در سطوح مختلف نویز بیانگر پایداری، قابلیت تعمیم مناسب و کارایی مطلوب آن در شرایط تصویربرداری با نور ضعیف و نویز شدید است. یافتههای این پژوهش بیانگر آن است که روش مبتنی بر شبکه عصبی کانولوشنی عمیق، ضمن حذف مؤثر نویزهای ترکیبی، از محوشدگی و افت وضوح تصاویر جلوگیری کرده و امکان بازیابی دقیقتر اطلاعات فوتومتریکی و ساختاری را فراهم میسازد. ازاینرو، این رویکرد میتواند بهعنوان یک چارچوب محاسباتی کارآمد برای سامانههای تصویربرداری در شرایط نور ضعیف و کاربردهای علمی و صنعتی مبتنی بر حسگرهای نوری مورد استفاده قرار گیرد.
کلیدواژهها
)