Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2023

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: denoising models

Sortuj według:

Ogranicz wyniki do:

An analysis of denoising neural networks for noise removal in images

Ramakotti Raksha, Paneerselvam Surekha, Kumar Vinodh, Kumar Sachin, Evangeline Jebarani

Przegląd Elektrotechniczny

2023

R. 99, nr 2

27--31

Clean images, when subjected to prolonged transmission, improper image acquisition or conditioned to multiple feature changes, lead to image tarnishing due to unwanted noisy pixels. This proposes to be a major threat in image-processing and computer vision fields. With the evolution of denoising models in the field of Neural Networks, efficient noise removal has become achievable, in a real-time scenario. In this work, two approaches to noise modelling have been considered, i.e., noise as an inverse problem and noise as a residual problem, this has been done by constructing convolutional auto encoders and denoising convolutional networks and their performance in the process of noise removal has been evaluated based on Peak Signal to Noise Ratio (PSNR) and Structural Similarity Index (SSIM).

Czyste obrazy poddane przedłużonej transmisji, niewłaściwej akwizycji obrazu lub poddane wielokrotnym zmianom cech prowadzą do zmatowienia obrazu z powodu niechcianych zaszumionych pikseli. Sugeruje to, że jest to poważne zagrożenie w dziedzinie przetwarzania obrazu i widzenia komputerowego. Wraz z ewolucją modeli odszumiania w dziedzinie sieci neuronowych, efektywne usuwanie hałasu stało się osiągalne w scenariuszu czasu rzeczywistego. W niniejszej pracy rozważono dwa podejścia do modelowania hałasu, tj. hałas jako problem odwrotny i hałas jako problem rezydualny. Dokonano tego poprzez skonstruowanie autoenkoderów splotowych i odszumianie sieci splotowych, a ich wydajność w procesie usuwania hałasu oceniane na podstawie stosunku sygnału szczytowego do szumu (PSNR) i wskaźnika podobieństwa strukturalnego (SSIM).