نوع مقاله : پژوهشی

نویسنده

• علی راحلی

گروه فیزیک، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران

چکیده

حذف نویز ترکیبی پواسون–گاوسی، به دلیل وابستگی واریانس بخشی از نویز به شدت سیگنال، از چالش‌های پردازش تصاویر حسگرهای نوری است. در این پژوهش، یک شبکه کانولوشنی شامل ۱۱ لایه کانولوشن، مبتنی بر یادگیری باقی‌مانده و مجهز به نرمال‌سازی دسته‌ای، برای تخمین نویز و بازسازی تصویر توسعه یافت و با بهینه‌ساز آدام آموزش داده شد. ارزیابی روی ۲۴ تصویر مصنوعی مستقل از مجموعه آموزش، در ۹ ترکیب شدت نویز و با سه تحقق نویز برای هر تصویر انجام شد و عملکرد شبکه با فیلترهای گاوسی و میانه مقایسه گردید. خطای آموزش و اعتبارسنجی طی ۲۰ دوره کاهش یافت. در شرایط (p=100) و0.03= σ، میانگین نسبت بیشینه سیگنال به نویز (PSNR) و شاخص شباهت ساختاری (SSIM) شبکه به‌ترتیب به ۳۱٫۱۲ دسی‌بل و ۰٫۸۷۵ رسید. افزایش PSNR نسبت به ورودی نویزی و فیلتر میانه به‌ترتیب ۵٫۹۳ و ۰٫۷۲ دسی‌بل بود؛ بااین‌حال، فیلتر گاوسی با PSNR برابر با ۳۱٫۰۸ دسی‌بل و SSIM برابر با ۰٫۸۸۷، عملکردی نزدیک و از نظر شباهت ساختاری بهتر داشت. شبکه در تمام ترکیب‌های بررسی‌شده، میانگین PSNR بالاتری نسبت به فیلتر میانه و در پنج ترکیب، مقداری بالاتر از فیلتر گاوسی به دست آورد. بررسی بصری نیز کاهش نویز و حفظ نسبی ساختارهای اصلی را همراه با خطاهای موضعی بازسازی نشان داد.

کلیدواژه‌ها

• حسگرهای نوری
• نویز ترکیبی پواسون-گاوسی
• یادگیری عمیق
• یادگیری باقی‌مانده
• پردازش تصویر