26173

حذف نويز تصاوير فازي با استفاده از هوش مصنوعي

كارشناسي ارشد

فيزيك

1400-1401

1400/11/20

دكتر محمدرضا جعفرفرد - دكتر بابك زارع رمشتي

فيزيك

تصاوير ديجيتالي دريافتي از انواع آشكارسازها در شاخه¬هاي مختلف علوم، بنابر دلايلي ممكن است دچار اعوجاج، عدم¬پيوستگي ( پيچش¬ فاز ) و نويز شوند، از اين¬رو رفع پيچش ¬فاز و كاهش نويز همواره يكي از چالش¬برانگيزترين مسائلي است كه اهميت آن در زمينه پردازش¬ تصوير نمود پيدا مي¬¬‌كند و بايد به دنبال راه¬هايي براي رفع اين مشكلات باشيم. از جمله ايده‌هايي كه در اين زمينه مطرح مي¬شود، استفاده از الگوريتم¬هاي يادگيري ماشين است و كاهش نويز تصاوير با استفاده از الگوريتم¬هاي يادگيري ماشين، موضوع مورد¬بحث در اين پايان¬نامه مي¬باشد. در فصل اول اين پايان¬نامه به معرفي پيچش ¬فاز، چگونگي پيچش فاز تصاوير و همچنين معرفي انواع نويز و معيارهاي ارزيابي تصاوير پرداخته شده¬است. در فصل دوم، آشنايي كلي با يادگيري ¬ماشين و انواع روش-هاي آن صورت مي¬گيرد. در فصل سوم، شبكه¬هاي عصبي معرفي شده و شبكه¬ي عصبي كانولوشني به عنوان يكي از انواع شبكه¬هاي عصبي معرفي شده در فصل چهارم مورد ¬مطالعه و بررسي قرار مي¬گيرد. پس از آشنايي با اين شبكه، مسئله طبقه¬بندي يك مجموعه داده آزمايشي شامل هفتادهزار تصوير از ارقام دست¬نويس مورد بررسي قرار مي¬گيرد. شبكه¬ي عصبي كانولوشن، بايد به¬نحوي آموزش ببيند كه ميزان خطاي خود را با آنچه در واقعيت است تا حد¬ممكن كاهش دهد تا به يك نتيجه¬ي ايده¬ال و مطلوب براي دقت در پيش¬بيني داده¬ها دست يابد. در فصل پاياني، نتايج مربوط به حذف نويز تعدادي از داده¬ها با استفاده ازالگوريتم يادگيري¬ ماشين و فيلترهاي حذف كننده نويز مورد بررسي قرار مي¬گيرد.

1400/12/17

Noise removal of fuzzy images using artificial intelligence

2/9/2023 12:00:00 AM

Digital images received from a variety of detectors in various branches of science, for some reason may be distorted, discontinuous (Phase wrapping) and noise, so Phase Unwrapping and noise reduction is always one of the most challenging issues. It is important in the field of image processing and we must look for ways to solve these problems. One of the ideas in this field is the use of machine learning algorithms and image noise reduction using machine learning algorithms is the subject of this dissertation. In the first chapter of this dissertation, the Phase wrapping, how the Phase wrapping of images is introduced, as well as the types of noise and image evaluation criteria are discussed. In the second chapter, a general introduction to machine learning and its various methods is made. In the third chapter, neural networks are introduced and the convolutional neural network is studied as one of the types of neural networks introduced in the fourth chapter. After getting acquainted with this network, the issue of classifying an experimental data set containing seventy thousand images of manuscript figures is examined. The convolutional neural network must be trained to reduce its error rate to what is actually possible in order to achieve an ideal result for accurate data prediction. In the final chapter, the noise reduction results of a number of data are examined using machine learning algorithms and noise-canceling filters.

نويز , يادگيري ماشين , شبكه هاي عصبي , شبكه ي عصبي كانولوشني , حذف نويز

Noise , Noise removal , Machine learning , Neural networks , Convolution neural network

Mohammad Yaghoobi Mahmoodabadi

Dr. Mohammad Reza Jafarfard - Dr. Babak Zare Ramshti