کاهش نویز تصاویر دیجیتال با استفاده از اثر توجه و کاهش عمق شبکه های عصبی عمیق
نویسنده:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
یکی از مهمترین موضوعات در پردازش تصویر حذف نویز می باشد تا بتوان کیفیت تصویر را بهبود بخشید. از آنجاییکه شبکه های عصبی عمیق به تنهایی با افزایش عمق شبکه با مشکلاتی مانند محو گرادیان مواجه می شوند و نمی توانستند جزییات را به خوبی برای یک وظیفه خاص پوشش دهند در این مقاله، با کاهش عمق شبکه و افزایش پهنای آن، امکان استخراج ویژگی های متنوع از کانال های مختلف فراهم می شود، که این امر منجر به افزایش دقت شبکه می گردد. با افزایش پهنای شبکه به دو انشعاب، اطلاعات متفاوتی از تصویر نویزی استخراج می شود که این عمل برای تفکیک داده های نویزی از تصویر بسیار موثر است. اثر توجه به ویژگی ها در هر کانال و وزن دهی آنها در عملیات حذف نویز نیز در نظر گرفته می شود. در نهایت برای بررسی کارامدی روش پیشنهادی، نتایج با آخرین دستاوردهای این حوزه مقایسه می شوند. نتایج شبیه سازی با بررسی دو معیار PSNR و SSIM و هم از نگاه بصری نشان می دهد این روش در مقابله با انواع نویز ترکیبی و کور جهت انجام کارهای پردازشی در حد قابل قبولی می باشد و از طرفی استفاده از اثر توجه و شبکه های موازی می تواند در مواجهه با نویز حقیقی بسیار موثر باشد و توانسته است به میانگین PSNR=36.34db دست یابد
کلیدواژگان:
زبان:
فارسی
صفحات:
57 تا 75
لینک کوتاه:
magiran.com/p2549456
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!