EVRİŞİMSEL YAPAY SİNİR AĞLARI İLE GÖRÜNTÜDE TOPLAMSAL BEYAZ GAUSS GÜRÜLTÜ SEVİYE TESPİTİ

Abstract

Günümüzde imge oluşturmak için kamera kullanımının, sayısal teknolojinin ve sosyal medyanın kullanımının artmasıyla giderek artan bir öneme sahip olduğu görülmektedir. Bu imgelerin, gerek kameranın donanımsal özelliğinden gerekse sayısal işlemler sırasında oluşmak üzere gürültü içermesinin önüne geçilememektedir. Bu gürültülerin, görüntü kalitesini düşürmesinden dolayı giderilmesi büyük önem arz etmektedir. Bundan dolayı, literatürde, imgelerdeki gürültüyü gidermek için oldukça fazla çalışma yapılmaktadır. Gürültülerin temizlenmesi için doğru bir şekilde oluşma kaynağı belirlenmeli ve modellenmelidir. Birçok kör olmayan gürültü giderme metodu, imgelerdeki gürültünün seviyesini dışardan parametre olarak alır. Bu aşamada gürültü seviyesinin kestirimi büyük önem taşır. Gürültülerin giderilmesi işlemi gürültü modelinin, model parametrelerinin ve en son olarak gürültü seviyesinin doğru bir şekilde belirlenmesi ile başarılı sonuç vermektedir. Bu anlamda gürültü kestirimi gürültü gidermenin başarısını ve çalışma prensibini etkileyen en önemli faktörlerden birisidir. Bu çalışmada CMOS sensör yapısına sahip görüntü alma cihazları uygulama alanı olarak belirlenmiştir. Bu cihazlardaki gerçek gürültü Toplamsal Beyaz Gauss Gürültü (TBGG) olarak modellenir. CMOS sensörlü görüntü alma cihazlarının endüstride kullanımı, CCTV sistemlerde kullanımı, insanlı/insansız hava araçlarında kullanımı oldukça yaygındır. Bu çalışmada yeni bir çoklu imge tabanlı, imge ve örüntüden bağımsız Evrişimsel Yapay Sinir Ağı (EYSA) gürültü kestirimi metodu tanıtılmıştır. Bu çalışmada 4 farklı sistem modeli üzerinde durulmuştur. Bu sistem modelleri, 5 sınıflı, 25 sınıflı olarak sınıflandırma ve 5 seviyeli, 25 seviyeli olarak regresyondur. 2000 resimden 1500 ü eğitim için, 500 ü test için kullanılmıştır.5 seviyeli sınıflandırma için %100 lük başarı elde edilmiştir. Bütün modellerde çıkış, resme eklenen TBGG gürültüsünün standart sapmasının sayısal değeridir. Standard sapma gürültünün en önemli karakteristiği olduğundan hem girdi hem de çıktı değerlerinde bu değer kullanılmıştır. Bu modellerde, literatürde gürültülü çoklu imge veri tabanı olmadığından, her bir gürültüsüz resme TBGG dağılımında gürültü eklenmiştir. Her bir temiz imge için 2 adet gürültülü imge üretilmiştir. Uygulamada bu durum, günümüz teknolojisinin gelişmesiyle birlikte mümkün olan, hızlı çekimle, ardı ardına görüntü almak anlamına gelmektedir. Önerilen EYSA ağı SqueezeNet tir. Sınıflandırmada ağ olduğu gibi kullanılmış, regresyonda ise son iki katmanın yerine Tam Bağlı Katman (Fully Connected Layer FCL) ve ardından Regresyon Katmanı (Regression Layer) konulmuştur. Sistem ayrıca ResNet te çalıştırılmış ve beklendiği gibi SqueezeNet ten daha başarılı sonuçlar vermiştir. Ancak SqueezeNet daha az yer kaplaması açısından gömülü sistemlerde tercih edilmektedir. Önerilen yöntem bilindik gri seviye imgelerin yanında renkli imge veri tabanları Kodak, McMaster ve BSDS500 üzerinde denenmiştir. Ayrıca bu çalışmanın regresyon çıkışı diğer kör olmayan metotlar tarafından da kullanılmaya hazırdır. Sistemin çıktısı ayrıca Manyetik Rezonans 3 (MR) görüntülerde ve görüntü alma cihazlarının kimlik tanımlamasında denenmiştir. Regresyon çalışmasında ayrıca sistem eğitim esnasında kullanılmayan standart sapmanın ara değerlerinde test edilmiştir. Bu testin sonucunda elde edilen değerler regresyon değerlerine yakın çıkmıştır. Sistem kör olmayan BM3D ve Curvelet gürültü giderme yöntemleri tarafından kullanılmıştır. Kestirimle elde edilen sonuçlarla sisteme direk girilen değerlerin gürültü giderdikten sonraki PSNR sonuçları karşılaştırılmıştır. Bu PSNR sonuçlarının karşılaştırması göstermektedir ki iki parametreyle ayrı ayrı elde edilen PSNR değerleri arasında lineer bir ilişki vardır. Sistem ayrıca literatürdeki en iyi yöntemlerle karşılaştırılmıştır. Önerilen metotun SqueezeNet ağ yapısına sahip modeli literatürdeki en iyi sonuçlardan 15 te 9 kez, ResNet modeli ise 15 te 15 kez daha başarılı olmuştur.