Noise is unwanted signals added to the image during image acquisition. In order for the filter methods used to remove noise from an image to be successful, the type of noise must be analyzed correctly. This study aims to identify the type of noise in images and noise-free images accurately and practically. In addition, it is tried to highlight on which optimization algorithm can be preferred in noise estimation with Convolutional Neural Networks (CNN). A CNN model based on the VGG-16 architecture was proposed for the detection of salt and pepper, Gaussian and speckle noise types in images. The proposed model was trained using the transfer learning method and fine-tuning approach, and the effect of five optimization algorithms on the model performance was investigated. The best accuracy of 98.75% for noise type detection was obtained using the RMSProp optimization algorithm. The performance results show that the proposed CNN architecture can be successfully used for noise type detection.
Keywords Noise Type Detection Transfer Learning Optimization Algorithms
Gürültü, görüntü elde etme sırasında görüntüye eklenen istenmeyen sinyallerdir. Bir görüntüden gürültünün arındırılmasında kullanılan filtre yöntemlerinin başarılı olabilmesi için gürültü türünün doğru şekilde analiz edilmesi gerekmektedir. Bu çalışma ile görüntülerdeki gürültü türünün ve gürültüsüz görüntülerin doğru ve pratik şekilde saptanması hedeflenmiştir. Ayrıca, Evrişimli Sinir Ağları (ESA) ile gürültü tahmininde hangi eniyileme algoritmasının tercih edilebileceğine ışık tutulmaya çalışılmıştır. Görüntülerde tuz-biber, gauss ve benek gürültü türlerinin saptanması için VGG-16 mimarisi temel alınarak bir ESA modeli önerilmiştir. Önerilen model transfer öğrenme yöntemi ve ince ayar yaklaşımı kullanılarak eğitilmiş ve beş eniyileme algoritmasının model başarımı üzerindeki etkisi incelenmiştir. Gürültü türünün saptanması için en iyi doğruluk %98,75 ile RMSProp eniyileme algoritması kullanılarak elde edilmiştir. Başarım performansları, gürültü türünün saptanmasında önerilen ESA mimarisinin başarı ile kullanılabileceği gösterilmiştir.
Gürültü Türünü Saptama Transfer Öğrenme Eniyileme Algoritmaları
Birincil Dil | Türkçe |
---|---|
Konular | Bilgi Sistemleri (Diğer) |
Bölüm | Araştırma Makaleleri |
Yazarlar | |
Erken Görünüm Tarihi | 18 Mart 2024 |
Yayımlanma Tarihi | 11 Haziran 2024 |
Gönderilme Tarihi | 15 Ekim 2023 |
Kabul Tarihi | 15 Ocak 2024 |
Yayımlandığı Sayı | Yıl 2024 Cilt: 17 Sayı: 1 |