10226

بررسي روش‌هاي كاهش نويز تصاوير با استفاده از يادگيري عميق

1400

دكتر مرتضي آنالويي

با ظهور و گسترش تلفن‌هاي هوشمند شاهد رشد بسيار زياد تعداد تصاوير گرفته شده توسط دوربين‌ها هستيم به طوري كه تخمين زده شده است كه تعداد تصاوير گرفته شده در سال 2021 برابر 1.44 تريليون تصوير است. در كنار اين مساله، ما انسان‌ها نيز علاقه داريم تصاويري كه گرفته‌ايم كه شامل تصاوير عزيزان و صحنه‌هاي خاطره انگيز است، بهترين كيفيت را داشته باشند. اين مسائل سبب شده است كه يافتن بهترين روش‌ها براي ثبت بهترين كيفيت تصاوير هميشه مورد توجه باشد. يكي از مولفه‌هاي بسيار تاثيرگذار در كاهش كيفيت تصاوير، نويز است. نويز به دلايل متفاوت از جمله مراحل ثبت عكس در دوربين و روش‌هاي فشرده‌‌‌سازي به وجود مي‌آيد. روش‌هاي متفاوتي ارائه شده است كه سعي در كاهش نويز از طرق گوناگون داشته‌اند. در اين مطالعه سعي شده است تا انواع مختلف نويز و روش‌هاي كاهش آن بررسي شود و آخرين روش‌هايي كه بهترين نتايج را بدست آورده‌اند مورد تحليل و ارزيابي قرار بگيرند. به دليل ماهيت مساله كاهش نويز، بي‌نهايت راه مختلف براي كاهش نويز وجود دارد كه روش‌هاي مختلف سعي در حل مشكلات روش‌هاي پيش از خود داشته‌اند. در اين مطالعه سعي در يافتن چالش‌هاي اين حوزه و چاره انديشي براي حل آنان شده است تا بتوان راه حلي ارائه كرد تا بهبودي بر دقت اين روش‌ها حاصل شود. در بخش اول به بررسي نويز سفيد گوسي جمع شونده كه يك نوع نويز ساختگي است مي‌پردازيم و روش‌هايي را بررسي مي‌كنيم كه سعي در استفاده از مكانيزم توجه محلي و غيرمحلي به شكل توام براي بازيابي تصاويري كه داراي بافت‌هاي پيچيده و جزئيات تكراري هستند بسيار مفيد خواهد بود و همچنين روشي را بررسي مي‌كنيم كه سعي در استفاده از يك شبكه دوگانه و استفاده از بلوك‌هاي خاص در كاهش نويز دارد. در بخش بعدي به بررسي كاهش نويز كور مي‌پردازيم و بررسي كرديم كه نويز دنياي واقعي مشخصههاي آماري شناخته شده‌اي ندارد به همين دليل كاهش اين نوع نويز چالش برانگيزتر از نويز سفيد گوسي جمع شونده است. در اين بخش به بررسي روشي مي‌پردازيم كه سعي در مدل كردن نويز دنياي واقعي از طريق دخيل كردن مولفه‌هاي تاثير گذار در فرايند ايجاد نويز، نظير خط‌لوله پردازش تصوير در دوربين، الگوريتم‌هاي فشرده‌سازي و غيره دارد همچنين از دو زيرشبكه براي تخمين سطح نويز و كاهش نويز استفاده مي‌كند. همچنين مدل ديگري را بررسي مي‌كنيم كه با استفاده از مكانيزم اتصال باقيمانده، سعي در ايجاد ارتباط مستقيم بين ويژگي‌ها با فركانس پايين و ويژگي‌ها با فركانس بالا دارد و همچنين با بهره گرفتن از مكانيزم توجه سعي در بهره بردن از وابستگي‌هاي بين كانالي در فرآيند بازيابي دارد. در بخش سوم به نويز در دنياي واقعي به طور ويژه پرداختيم و روش‌هايي را بررسي كرديم كه شالوده اصلي آن‌ها بهره گرفتن از شبكه‌هايي با ساختار‌هاي چند مقياسه است كه در ضمن استفاده از وضوح اصلي تصوير براي حفظ جزئيات، از ساختاري با كاهش تدريجي وضوح تصوير براي بالابردن ميدان ديد و استخراج ويژگي‌هاي سطح بالا براي پي بردن به محتواي كلي تصوير كه كمك شاياني به بازيابي تصوير مي‌كند استفاده مي‌كنند. در بخش آخر نيز به رويكردي جديد مي‌پردازيم و نقش transformer را در مساله كاهش نويز بررسي مي‌كنيم و مزايا و معايب transformer و شبكه‌هاي كانولوشني را بررسي مي‌كنيم و خواهيم ديد كه معايب هر كدام را مي‌توان توسط مزاياي ديگري برطرف نمود و روش‌هايي را بررسي خواهيم كرد كه از تركيب اين دو بهره خواهد گرفت. در اين مطالعه خواهيم ديد كه روش‌هاي مبتني بر شبكه‌هاي كانولوشني كه از نوآوري‌هاي ساير بخش‌هاي دنياي بينايي كامپيوتر نيز بهره مي‌برند توانايي بسيار خوبي در كاهش نويز دارند و نتايج بسيار شگفت آوري كسب كرده‌اند. همچنين خواهيم ديد ترنسفورمرها كه به بخش اصلي در پردازش زبان تبديل شده‌اند نيز توانايي بسيار بالايي براي مسائل دنياي بينايي كامپيوتر دارند و تركيب آن‌ها با شبكه‌هاي كانولوشني مساله كاهش نويز را به سطحي جديد ارتقا داده‌اند و در آينده تبديل به رويكرد اصلي در مساله كاهش نويز خواهند شد.

12/1/2021 12:00:00 AM

73376

1400/09/24

Investigating methods of image denoising using deep learning

كاهش نويز , يادگيري عميق , بازيابي تصوير

image denoising , deep learning , image restoration