Challenges and Issues of Modern Science (Jun 2024)
Застосування моделей глибокого навчання для видалення шумів на зображеннях
Abstract
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).
