Image denoising using deep convolutional autoencoders

Abstract

Birçok bilgisayarla görme uygulamasında tamamlanması gereken bir adım olması sebebiyle, resimde gürültü giderme imge işleme alanının temel problemlerinin başında gelir. Resimde gürültü gidermek için, uzamsal filtrelemeden modele dayalı yaklaşımlara kadar yıllar içerisinde çeşitli yöntemler kullanılmıştır. Tüm geleneksel yöntemlerden daha iyi bir performans sergilemelerinden ötürü, sinir ağı tabanlı ayrımcı yöntemler son yıllarda popülerlik kazanmıştır. Bununla birlikte, bu yöntemlerin çoğu hala daha çeşitli gürültü seviyelerine ve türlerine karşı esneklik sağlamak konusunda sorun yaşamaktadır. Bu tezde, resimde gürültü gidermek için özellik piramitlerinin bir çeşidini içeren derin evrişimli otomatik kodlayıcı kullanan bir yöntem sunuyoruz. Çeşitli gürültü seviyelerine ve tiplerine karşı dayanıklılığı arttırmak için, öğrenme sırasında doğal görüntülerin yanı sıra; Blender yazılımında elde ettiğimiz simüle edilmiş verileri de kullanıyoruz. Deneysel sonuçlarımız, önerilen yöntemin, en gelişmiş yöntemlerle kıyasla çok daha az bir eğitim süresiyle kör Gauss gürültü giderme işleminde rekabetçi bir performans sergileyebildiğini göstermektedir. Kapsamlı deneyler bize yöntemimizin, tek bir ağ ile geniş gürültü seviyesi aralığında umut verici bir performans sergilediğini de gösterdi.

Image denoising is one of the fundamental problems in image processing field since it is required by many computer vision applications. Various approaches have been used in image denoising throughout the years from spatial filtering to model based approaches. Having outperformed all traditional methods, neural network based discriminative methods have gained popularity in the recent years. However, most of these methods still struggle to achieve flexibility against various noise levels and types. In this thesis, we propose a deep convolutional autoencoder combined with a variant of feature pyramid network for image denoising. We use simulated data in Blender software along with corrupted natural images during training to improve robustness against various noise levels and types. Our experimental results show that proposed method can achieve competitive performance in blind Gaussian denoising with significantly less training time required compared to state-of-the-art methods. Extensive experiments showed us proposed method gives promising performance in wide range of noise levels with a single network.