Görüntüden gürültünün kaldırılması: Konvolüsyonel sinir ağları tabanlı gürültü azaltıcı otokodlayıcı

Dijital kameraların ve görüntüleme cihazlarının artan kullanımı, her gün yakalanan görüntü miktarında bir artışa yol açmıştır. Bu durum, tıbbi görüntüleme ve gözetleme gibi alanlarda yüksek kaliteli görüntülere olan talebi artırmıştır. Ancak, gürültü, görüntü kalitesini düşürerek ve kenarlar, köşeler ve dokular gibi temel özelliklerin korunmasını engelleyerek görüntü işleme ve analizinde önemli bir meydan okuma oluşturmaktadır. Geleneksel gürültü azaltma teknikleri bu zorlukları dengelemekte zorlanmaktadır. Bu meydan okumaya yanıt olarak, bu tez, evrişimsel sinir ağlarına (CNN'ler) dayalı bir gürültü azaltma otoenkoderini kullanarak yeni bir yaklaşımı tanıtır. Bu araştırmanın temel amacı, dijital görüntülerdeki gürültüyü etkili bir şekilde azaltırken, anahtar özellikleri koruyan bir yöntem geliştirmektir. Bu, bir otoenkoder ve bir CNN içeren iki aşamalı bir süreç aracılığıyla elde edilir. Bu sürecin ilk aşaması, giriş görüntülerini eğitim ve test veri kümelerine sınıflandırmayı içerir. Bu sınıflandırma, modelin sonraki eğitim ve değerlendirme aşamaları için hayati öneme sahiptir. Eğitim aşaması, geleneksel otoenkoderin bir varyantı olan ve özellikle gürültü azaltma için tasarlanmış bir gürültü azaltma otoenkoderini kullanır. Bu otoenkoder, gürültülü karşılıklarından gürültüsüz görüntüleri yeniden yapılandırmayı öğrenir. Bu aşamanın başarısı, otoenkoderin görüntülerin temel özelliklerini yakalama ve gürültüyü atma yeteneğine bağlıdır. Otoenkoderin eğitimini takiben, gürültüsüz hale getirilen görüntüler bir evrişimsel sinir ağına beslenir. Görüntü tanıma ve işleme görevlerindeki etkinliğiyle tanınan CNN, gürültüsüz hale getirilen görüntüleri daha da geliştirir. Bunu, verilerin hiyerarşik temsillerini öğrenerek daha sofistike özelliklerin çıkarılmasını sağlayarak yapar. CNN'nin eğitimi, gürültüsüz hale getirilen görüntülerin genel kalitesini artırmada kritik bir adımdır. Test aşaması, önerilen sistemin performansını test veri kümesini kullanarak değerlendirmeyi içerir. Bu aşama, modelin gerçek dünya senaryolarında etkinliğini belirlemede dönüm noktasıdır. Kullanılan değerlendirme metrikleri, görüntü kalitesini değerlendirmede standart olan Kök Ortalama Kare Hata (RMSE) ve Tepe Sinyal-Gürültü Oranı (PSNR)'dır. Kapsamlı bir değerlendirme sağlamak için, görüntü işleme ve sinir ağı işlevlerine geniş destek sunduğu için MATLAB programlama dili kullanılmıştır. Deneyler iki ayrı veri kümesinde gerçekleştirilmiştir: COVID-19 Radyografi Veritabanı ve SIIM Tıbbi Görüntüler Veri Kümesi. Bu veri kümeleri, görüntü kalitesinin kritik olduğu bir alan olan tıbbi görüntüleme ile ilgili oldukları için seçilmiştir. Değerlendirme sonuçları, önerilen yöntemin temel teknikler üzerindeki üstünlüğünü göstermektedir. COVID-19 Radyografi (CXR) veri kümesinde, önerilen yöntem, temel yönteme kıyasla PSNR'de %8'lik bir iyileşme ve RMSE'de %53'lük bir azalma elde etmiştir. Benzer şekilde, CT Tıbbi veri kümesinde önerilen yöntem, PSNR açısından temel yönteme kıyasla %5'lik bir üstünlük göstermiştir. Bu sonuçlar, yöntemin sadece gürültüyü azaltmada değil, aynı zamanda genel görüntü kalitesini artırmada da etkili olduğunu göstermektedir. Önerilen yaklaşımın ana güçlerinden biri, çok yönlülüğüdür. Araştırma tıbbi görüntülemeye odaklanmış olsa da, yöntem, görüntü kalitesinin kritik olduğu geniş bir yelpazede uygulanabilir. Ayrıca, bir otoenkoderi takiben bir CNN kullanımı iki aşamalı süreci, gürültü azaltmada sağlam bir çerçeve sağlar. Otoenkoder etkili bir şekilde gürültüyü azaltırken, CNN görüntü özelliklerini geliştirir, bu da görüntülerin kalitesini önemli ölçüde iyileştiren sinerjik bir etki yaratır. Sonuç olarak, bu tez, gürültü azaltma otoenkoderleri ve evrişimsel sinir ağlarının güçlerini kullanarak görüntü gürültü azaltmada yeni ve etkili bir yaklaşım sunmaktadır. Bu araştırma, dijital görüntülerde sürekli bir meydan okuma olan gürültüye karşı umut verici bir çözüm sunarak, görüntü işleme alanına önemli bir katkı sağlamaktadır.