پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 49 |
| تعداد شمارهها | 1,307 |
| تعداد مقالات | 11,298 |
| تعداد مشاهده مقاله | 23,739,105 |
| تعداد دریافت فایل اصل مقاله | 16,031,209 |
حذف نویز پواسون-گاوسی در تصاویر حسگرهای نوری با استفاده از شبکه عصبی کانولوشنی عمیق | ||
| فصلنامه علمی اپتوالکترونیک | ||
| دوره 8، شماره 4 - شماره پیاپی 25، مرداد 1405 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30473/jphys.2026.78638.1309 | ||
| نویسنده | ||
| علی راحلی* | ||
| 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 | ||
| حسگرهای نوری؛ نویز ترکیبی پواسون-گاوسی؛ یادگیری عمیق؛ یادگیری باقیمانده؛ پردازش تصویر | ||
| عنوان مقاله [English] | ||
| Poisson-Gaussian Noise Removal in Optical Sensor Images Using a Deep Convolutional Neural Network | ||
| نویسندگان [English] | ||
| Ali Raheli | ||
| Department of Physics, Bonab Center, Islamic Azad University, Bonab, Iran. | ||
| چکیده [English] | ||
| Poisson-Gaussian mixed noise removal in optical sensor images is considered one of the major challenges in digital imaging, machine vision, and photon-limited optical systems due to its heterogeneous statistical nature and the signal-dependent characteristics of part of the noise. In this study, a deep convolutional neural network (DnCNN) based on a residual learning strategy was developed for image restoration and denoising. The proposed architecture, incorporating batch normalization layers and the Adam optimization algorithm, exhibited favorable stability and convergence during the training process. The simulation results and both quantitative and qualitative evaluations demonstrated that the proposed network outperformed conventional denoising methods in suppressing mixed Poisson-Gaussian noise and restoring image information. In addition to improving image quality assessment metrics, the proposed method showed a high capability for preserving high-frequency structures, edge details, and photometric features. Furthermore, the performance analysis of the model under different noise levels indicated its stability, satisfactory generalization capability, and robust performance under low-light and high-noise imaging conditions. The findings of this study indicate that the DnCNN-based approach effectively removes mixed noise while preventing image blurring and loss of sharpness, thereby enabling more accurate recovery of photometric and structural information. Therefore, the proposed approach can serve as an efficient computational framework for low-light imaging systems and for scientific and industrial applications based on optical sensors. | ||
| کلیدواژهها [English] | ||
| Optical sensors, Poisson-Gaussian mixed noise, Deep learning, Residual learning, Image processing | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 18 |
||