Periyodik gürültülerin giderilmesinde istatistiki ve derin öğrenme yöntemlerinin birlikte kullanılması

Bu tez çalışmasında, dijital görüntülerde sıklıkla karşılaşılan periyodik gürültülerin giderilmesi amacıyla derin öğrenme yöntemleri kullanılarak iki aşamalı bir çözüm geliştirilmiştir. Çalışma, periyodik gürültülerin dijital görüntüleme sistemlerinde sıkça karşılaşılan bir problem olduğunu ve bu gürültülerin, görüntü kalitesini ciddi şekilde düşürerek analiz ve işlemeyi zorlaştırdığını vurgulamaktadır. Çalışmanın amacı, geleneksel yöntemlerin yetersiz kaldığı durumlarda derin öğrenme tekniklerini kullanarak daha etkili bir gürültü giderme çözümü sunmaktır. Bu kapsamda, DnCNN (Denoising Convolutional Neural Network) modeli ile frekans alanı filtreleme yöntemleri birleştirilerek iki aşamalı bir model geliştirilmiştir. Bu modelin performansı, farklı gürültü türleri ve çeşitli görüntü veri setleri üzerinde değerlendirilmiş ve geleneksel yöntemlere kıyasla üstün sonuçlar elde edilmiştir. Tezde, öncelikle gürültülerin tanımı ve türleri detaylı bir şekilde incelenmiş, ardından derin öğrenme yöntemlerinin temel prensipleri ve uygulama alanları açıklanmıştır. Sonuç olarak, geliştirilen iki aşamalı modelin periyodik gürültüleri etkin bir şekilde giderdiği ve görüntü kalitesini önemli ölçüde artırdığı gösterilmiştir.