حذف نویز از تصاویر ؟

کاهش نویز یک فرآیند حذف نویز از سینگال است‌.این سیگنال می‌تواند مربوط به یک تصویر، ویدئو یا یک فایل صوتی باشد. تمام دستگاه‌های ضبط کردن ویژگی هایی دارند که آن‌ها را در معرض نویز قرار می‌دهد.نویز میتواند بصورت رندوم یا نویز سفید (به سیگنالی گفته می‌شود که در تابع چگالی توان آن ، توان به‌طور یکنواخت در همهٔ فرکانس‌ها توزیع شده ‌باشد) باشد. هدف از از بین‌بردن نویز‌ها از سیگنال ،بازسازی تصویرِ تحریف شده و برگرداندن آن به حالت اصلیَش بر اساس مدل‌های ایده‌آل است که روشهای مختلفی برای حذف نویز هم در حوزه فرکانس  و هم در حوزه مکان وجود داره. 

در حوزه مکان عموما از فیلترهای میانگین گیری برای حذف نویز استفاده میشه. نویزهای مختلفی وجود داره و برای حذف هر نوع نویز، فیلتر مناسبی وجود داره که باید انتخاب بشه مثلا برای حذف نویز گوسی از فیلتر میانگین گیری گوسین استفاده میشه به این صورت که برای هر پیکسل با توجه به مقدار همسایگانش و وزن هر کدام از آنها برای دخالت در عمل میانگین گیری، این عمل صورت می پذیرد. فیلتر دیگر فیلتر میانه است که برای حذف نویزهای فلفل و نمک (نویزهای سیاه و سفید) مناسب است.

در حوزه فرکانس نیز میتوان فیلترهایی را ساخت و اعمال کرد. به این صورت که ابتدا تصویر به حوزه فرکانس برده می شود (تبدیل فوریه) سپس برای حذف نویزها (چون نویزها در فرکانسهای بالا وجود دارند) با اعمال ماسک دایروی، فرکانسهای پایین نگه داشته می شود و فرکانسهای بالا دور ریخته می شود و ضرایب آنها صفر می شود و سپس تصویر دومرتبه با تبدیل فوریه معکوس به حوزه مکان برگردانده می شود. البته اگر از ماسک دایروی استفاده شود ممکن است مشکلاتی ایجاد شود که بهتر است از ماسکهای بهبود یافته استفاده شود. بعضی اوقات نیز نویزها دارای فرکانس خاصی هستند مثل تصاویری که از مانیتور گرفته میشود حتما دیده اید که دارای خطوط عمودی با فاصله های مشخص هستند و یا تصاویر ماهواره ای. خوب بهترین فیلتر برای این تصاویر، استفاده از فیلترها در حوزه  فرکانس  است چون فرکانس نویز را میدانیم و میتوانیم در حوزه فرکانس، ضرایب مربوط به این فرکانسها را صفر کنیم و دومرتبه تصویر را به حوزه مکان برگردانیم.

حذف نویز با روش های یادگیری عمیق ؟

شبکه های عمیق کاربرد زیادی در زمینه های مختلف دارند و نتایج خیلی خوبی را تولید می کنند. یکی از شبکه های عمیق پرکاربرد که بیشتر برای حذف نویز و بازسازی تصاویر استفاده می شود، شبکه های خودرمزنگار عمیق یا Autoencoder هستند که شبکه های Autoencoder از شبکه های بدون ناظر به حساب می آید. Autoencoder نوعی از شبکه عصبی است که برای encode کردن بهینه یادگیری مورد استفاده قرار میگیرد. تفاوت این نوع شبکه ها با شبکه های دیگر بدون ناظر در این است که شبکه های خود رمزگذار از توزیع های احتمالی برای آموزش بدون ناظر استفاده نمیکند بلکه به روش مشابه شبکه های با ناظر عمل می کند. یعنی یک هدف دارد و با استفاده از روش گرادیان نزولی و پس انتشار خطا آموزش می بیند، اما هدف آن خود ورودی می باشد و به همین دلیل روش آن را بدون ناظر در نظر می گیرند. بجای آموزش شبکه و پیش بینی مقدار هدف Y در ازای ورودی X , یک autoencoder آموزش میبینید تا ورودی X خود را بازسازی کند. بنابراین بردارهای خروجی  همان ابعاد بردار ورودی را خواهند داشت. در حین این فرآیند, autoencoder با کمینه سازی خطای نوسازی (reconstruction error) بهینه میشود. یک Autoencoder عمیق اغلب با گونه ای از back-propagation مثل روش conjugate gradient آموزش میبینید. هرچند اغلب این مدل کارآمد و موثر است , اما درصورت وقوع خطا در لایه های اول میتواند بشدت ناکارآمد شود. این مسئله ممکن است باعث شود تا شبکه میانگین داده های آموزشی را بازسازی کند. یک روش مناسب جهت حذف این مشکل پیش آموزش (pre-training) شبکه با وزن های اولیه که راه حل نهایی را تقریب میزنند است.

هدف اصلی از این دوره آموزشی ؟

هدف اصلی از این دوره آموزشی، شناخت نویز و چالش های آن و پیاده سازی سه سیستم عمیق برای رفع نویز از تصاویر با دقت بالا می باشد. در این دوره ابتدا کامل نویز و انواع آن بررسی می شود و انواع راهکارهای پردازش تصویر و یادگیری عمیق برای رفع نویز تشریح میشود. مدل عمیق معرفی می شود و پیاده سازی سیستم رفع نویز با یادگیری عمیق براساس سه شبکه کارآمد و سه دیتاست مشهور پیاده سازی می شود. شبکه های خود رمزگذار به دلیل عملیات reconstruction  در تشخیص چهره و حذف نویز و بازسازی تصاویر و فشرده سازی تصاویر بسیار کاربرد دارند. هدف اصلی از این پروژه استفاده از شبکه عمیق خودرمزنگار برای بازسازی و رفع نویز تصاویر با زبان برنامه نویسی پایتون می باشد. در این پروژه از سه شبکه خودرمزنگار عمیق و شبکه عمیق DCNN و Win5RB برای پیاده سازی یک سیستم رفع نویز و بازیابی تصویر استفاده می شود. پروژه خط به خط توضیح داده شده است و نکات پیرامون بحث گفته شده است. پروژه قابلیت آموزش روی داده های دلخواه خودتان را دارد و می توانید عملیات رفع نویز تصویر مورد نظر خود را با آن انجام دهید. بدون شک یکی از بهترین پروژه های عمیق برای رفع نویز  می باشد که با زبان فارسی و ساده و روان توضیح داده شده است. امیدواریم که این آموزش از “بیگ لرن” هم مثل سایر آموزش ها مورد تایید و رضایت شما مخاطبان گرامی قرار گیرد.

موارد موجود در این دوره آموزشی ؟
مشاهده بیشتر

نظرات

متوسط امتیازات

3.5
3.50 2 رای
69,000 تومان
2 نقد و بررسی

جزئیات امتیازات

5 ستاره
1
4 ستاره
0
3 ستاره
0
2 ستاره
1
1 ستاره
0

2 دیدگاه برای بازسازی و رفع نویز تصاویر با یادگیری عمیق

  1. مهمان

    با سلام لطفا فیلم اموزشی بادگیری عمیق با نرم افزار متلب رو هم منتشر کنید

  2. رضا

    خیلی خوب بود. تشکر

دیدگاه خود را بنویسید