پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 49 |
| تعداد شمارهها | 1,314 |
| تعداد مقالات | 11,353 |
| تعداد مشاهده مقاله | 24,268,715 |
| تعداد دریافت فایل اصل مقاله | 16,203,344 |
شبیهسازی حذف نویز پواسون–گاوسی با استفاده از شبکه کانولوشنی عمیق مبتنی بر یادگیری باقیمانده | ||
| 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، 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 | ||
| عنوان مقاله [English] | ||
| Simulation of Poisson–Gaussian Image Denoising Using a Deep Residual-Learning Convolutional Neural Network | ||
| نویسندگان [English] | ||
| Ali Raheli | ||
| Department of Physics, Bonab Center, Islamic Azad University, Bonab, Iran. | ||
| چکیده [English] | ||
| Removing mixed Poisson–Gaussian noise is a challenging task in optical sensor image processing because the variance of its signal-dependent component varies with image intensity. In this study, a residual-learning convolutional neural network comprising 11 convolutional layers and batch normalization was developed to estimate noise and reconstruct images, and was trained using the Adam optimizer. Performance was evaluated on 24 synthetic images held out from training under nine noise conditions, with three noise realizations per image, and compared with Gaussian and median filtering. Both training and validation losses decreased over 20 epochs. At (p=100) and (σ=0.03), the network achieved a mean peak signal-to-noise ratio (PSNR) of 31.12 dB and a structural similarity index (SSIM) of 0.875. The PSNR improvements over the noisy input and median filtering were 5.93 and 0.72 dB, respectively. However, Gaussian filtering achieved a comparable PSNR of 31.08 dB and a higher SSIM of 0.887. Across the nine noise conditions, the network achieved a higher mean PSNR than median filtering in all cases and outperformed Gaussian filtering in five cases. Visual assessment also indicated reduced noise and partial preservation of the main image structures, although localized reconstruction errors remained. | ||
| کلیدواژهها [English] | ||
| Optical sensors, Poisson-Gaussian mixed noise, Deep learning, Residual learning, Image processing | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1 |
||