Gürültülü görüntülerin akıllı bir yöntem ile onarımı
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bu tez çalışmasında, toplamsal beyaz Gauss gürültüsü ile bozulmuş görüntülerin yapay sinir ağlarının yardımı ile onarımı çalışılmıştır. Yapılan çalışmada görüntü verisi olarak, geliştirilen algoritmaların test edilmesi için siyah-beyaz görüntüler kullanılmıştır. Uygulamalarda geliştirilmiş algoritmaların klasik algoritmalara göre gürültü gidermesi daha başarılı olduğu gösterilmiştir.Gürültü giderme işleminin uygulanması için bir görüntüler ilk önce dalgacık tabanına çevrilmiştir. Bir gürültülü görüntünün ve onun orijinal halinin dalgacık alt bantları yapay sinir ağlarının eğitimi için kullanılmıştır. Eğitilmiş yapay sinir ağlarının girişine diğer gürültülü görüntünün dalgacık alt bantları verilerek çıkışında bu alt bantların onarılmış halleri elde edilip, bu alt bantlara ters dalgacık dönüşümü uygulanarak onarılmış gürültüsüz görüntü elde edilmektedir.Bu algoritma geliştirilerek, kenara duyarlı kenar bulma yapısı eklenmiştir. Çok ölçekli dalgacık kenar bulma tekniği ile gürültülü görüntünün kenarları bulup, kenarlara uygun olmayan dikey ve yatay katsayıların değerleri önceden seçilmiş bir parametre ile çarpılmaktadır. Bu yöntemle kenarlar da dikkate alınarak algoritma daha iyi hale getirilmiştir. The purpose of this work is to perform an image de-noising of images corrupted by additive white Gaussian noise by means of neural networks. For testing of obtained algorithms grayscale images were used. Comparing with the classic image de-noising algorithms the proposed algorithm has given a better performance.In order to apply de-noising algorithm images are first transferred to wavelet domain. The wavelet sub-bands of corrupted image and its original (without noise) version are used in learning of artificial neural networks. By giving of any another, different from ones, used in training, images sub-bands to the well trained neural networks, the restored versions of these sub-bands are obtained. In order to get a restored image, the obtained sub-bands are passed through inverse discrete wavelet transform.To improve this algorithm, the edge adaptive de-noising stage was added. Using the multi-scale wavelet edge detection algorithm edges of corrupted image are detected and then wavelet coefficients that don?t match image edges are multiplied by some previously selected parameter. Taking in account the edge information by means of this method the image de-noising algorithm has been improved.
Collections