Сравнение архитектур нейронных сетей для подавления мультипликативного шума на изображениях

Сравнение архитектур нейронных сетей для подавления мультипликативного шума на изображениях

Автор: Павлов В.А., Белов А.А., Нгуен В.Т., Йовановски Н., Овсянникова А.С.

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 3 т.48, 2024 года.

Бесплатный доступ

В статье сравниваются различные методы фильтрации шумов на изображении с помощью нейронных сетей, при этом обрабатываемые изображения могут содержать как однородные области, так и малоразмерные объекты, и резкие границы. Используются сверточные и полносвязные нейронные сети. Показано, что различные архитектуры НС требуют существенно разного количества обучающего материала для достижения одинакового качества фильтрации. Приведены примеры сетей с пониженными требованиями к количеству обучающего материала.

Cпекл-шум, РЛИ, РСА, фильтрация шума, обработка изображений, нейронная сеть

Короткий адрес: https://sciup.org/140308611

IDR: 140308611   |   DOI: 10.18287/2412-6179-co-1400

Список литературы Сравнение архитектур нейронных сетей для подавления мультипликативного шума на изображениях

  • Pavlov VA, Belov AA, Tuzova AA. Implementation of synthetic aperture radar processing algorithms on the Jetson TX1 Platform. IEEE Int Conf on Electrical Engineering and Photonics (EExPolytech) 2019: 90-93.
  • Gonzalez R, Woods R. Digital image processing. 2nd ed.‎ Prentice Hall; 2002.
  • Lee JS. Digital image enhancement and noise filtering by using local statistics. IEEE Trans Pattern Anal Mach Intell 1980; 2(2): 165-168.
  • Frost V, Stiles J, Shanmugan K, Holtzman J. A model for radar images and its application to adaptive digital filtering of multiplicative noise. IEEE Trans Pattern Anal Mach Intell 1982; 4(2): 157-166.
  • Kuan D, Sawchuk A, Strand T, Chavel P. Adaptive restoration of images with speckle. IEEE Transactions on Acoustics, Speech, and Signal Processing 1987; 25(3): 373-383.
  • Perona P, Malik J. Scale-space and edge detection using anisotropic diffusion. IEEE Trans Pattern Anal Mach Intell 1990; 12(7): 629-639.
  • Tomasi C, Manduchi R. Bilateral filtering for gray and color images. Sixth Int Conf on Computer Vision (IEEE Cat No 98CH36271) 1998: 839-846.
  • Achim A, Kuruoglu EE, Zerubia J. Sar image filtering based on the heavy-tailed rayleigh model. IEEE Trans Image Process 2006; 15(9): 2686-2693.
  • Solbo S, Eltoft T. Homomorphic wavelet-based statistical despeckling of sar images. IEEE Trans Geosci Remote Sens 2004; 42(4): 711-721.
  • Achim A, Tsakalides P, Bezerianos A. SAR image denoising via bayesian wavelet shrinkage based on heavy-tailed modeling. IEEE Trans Geosci Remote Sens 2003; 41(8): 1773-1784.
  • Bhuiyan MIH, Ahmad MO, Swamy MNS. Spatially adaptive wavelet-based method using the cauchy prior for denoising the sar images. IEEE Trans Circuits Syst Video Technol 2007; 17(4): 500-507.
  • Coll B, Morel J-M. A review of image denoising algorithms, with a new one. Multiscale Model Simul 2005; 4(2): 490-530. DOI: 10.1137/040616024.
  • Deledalle C, Denis L, Tupin F. Iterative weighted maximum likelihood denoising with probabilistic patch-based weights. IEEE Trans Image Process 2009; 18(12): 2661-2672.
  • Chierchia G, Cozzolino D, Poggi G, Verdoliva L. SAR image despeckling through convolutional neural networks. IEEE Int Geoscience and Remote Sensing Symposium (IGARSS) 2017: 5438-5441.
  • Zhang K, Zuo W, Chen Y, Meng D, Zhang L. Beyond a Gaussian denoiser: Residual learning of deep CNN for image denoising. IEEE Trans Image Process 2017; 26(7): 3142-3155.
  • Wang P, Zhang H, Patel VM. SAR image despeckling using a convolutional neural network. IEEE Signal Process Lett 2017; 24(12): 1763-1767.
  • Wang P, Zhang H, Patel VM. Generative adversarial network-based restoration of speckled SAR images. IEEE 7th Int Workshop on Computational Advances in Multi-Sensor Adaptive Processing (CAMSAP) 2017: 1-5.
  • Gui Y, Xue L, Li X. SAR image despeckling using a dilated densely connected network. Remote Sensing Lett 2018; 9: 857-866.
  • Li J, Li Y, Xiao Y, Bai Y. Hdranet: Hybrid dilated residual attention network for SAR image despeckling. Remote Sens 2019; 11(24): 2921.
  • Zhang Q, Sun R. SAR image despeckling based on convolutional denoising autoencoder. arXiv Preprint. 2020. Source: https://arxiv.org/abs/2011.14627.
  • Pavlov V, Tuzova A, Belov A, Matveev Y. An automated method for finding the optimal parameters of adaptive filters for speckle denoising of SAR images. Computer Optics 2022; 46(6): 914-920. DOI: 10.18287/2412-6179-CO-1132.
  • Tuzova AA, Pavlov VA, Belov AA. Suppressing multiplicative noise in radar images [In Russian]. Journal of the Russian Universities. Radioelectronics 2021; 24(4): 6-18.
  • Wang Z, Bovik AC, Sheikh HR. Image quality assessment: From error visibility to structural similarity. IEEE Trans Image Process 2004; 13(4): 600-612.
  • Xue W, Zhang L, Mou X, Bovik AC. Gradient magnitude similarity deviation: A highly efficient perceptual image quality index. IEEE Trans Image Process 2014; 23(2): 684-695.
  • ICEYE. 2023. Source: https://www.iceye.com/.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp