СЕЛЕКТИВНА ФІЛЬТРАЦІЯ ІМПУЛЬСНОГО ШУМУ НА ЦИФРОВИХ ЗОБРАЖЕННЯХ ІЗ ВИКОРИСТАННЯМ НЕЙРОННОЇ МЕРЕЖІ - Scientific conference
Main page
UA PL EN

Congratulation from Internet Conference!

Hello

Рік заснування видання - 2011

СЕЛЕКТИВНА ФІЛЬТРАЦІЯ ІМПУЛЬСНОГО ШУМУ НА ЦИФРОВИХ ЗОБРАЖЕННЯХ ІЗ ВИКОРИСТАННЯМ НЕЙРОННОЇ МЕРЕЖІ

08.04.2026 13:12

[1. Information systems and technologies]

Author: Товт Юрій Олександрович, ДВНЗ «Ужгородський нацiональний унiверситет», м.Ужгород; Брила Андрій Юрійович, кандидат фiзико-математичних наук, доцент, ДВНЗ «Ужгородський нацiональний унiверситет», м.Ужгород


ORCID: 0009-0000-9556-0630 Товт Ю.О.

ORCID: 0000-0003-2518-9877 Брила А.Ю.

1. Вступ

Шум є суттєвою перешкодою в будь-якій галузі, що передбачає обробку та аналіз цифрових зображень. Незважаючи на значне вдосконалення апаратних засобів отримання та обробки зображень, розробка алгоритмів фільтрації шуму залишається актуальною задачею.

Одним із поширених видів шуму, що виникає на цифрових зображеннях, є імпульсний шум. До основних причин його появи належать [1,2]: порушення роботи сенсорів, перешкоди під час передачі сигналу, проблеми з пам’яттю під час збереження, а також помилки при обробці зображення.

Імпульсний шум може виникати на зображеннях різного типу, проте найчастіше його спостерігають на медичних (рентгенівські знімки, МРТ, КТ) та космічних зображеннях. Для коректного аналізу таких зображень критично важливим є збереження дрібних деталей після фільтрації шуму.

Існує значна кількість підходів до фільтрації імпульсного шуму - від класичних методів, таких як медіанний фільтр, до сучасних підходів, що базуються на використанні нейронних мереж.

Медіанний фільтр [1,3], незважаючи на простоту реалізації, є ефективним засобом фільтрації імпульсного шуму. Водночас його суттєвим недоліком є втрата дрібних деталей зображення, що є критичним, зокрема, у задачах обробки медичних зображень.

Інший підхід представлений сімейством селективних фільтрів, які виконують обробку лише окремих пікселів зображення за рахунок виявлення імпульсів за допомогою спеціальних детекторів. Представником цього підходу є Differential Rank Impulse Detector (DRID) [4], який забезпечує ефективну фільтрацію імпульсного шуму зі значно кращим збереженням деталей.

Активний розвиток нейронних мереж зумовив їх широке застосування для задач фільтрації шуму на цифрових зображеннях. Зокрема, підходи до фільтрації імпульсного шуму з використанням нейронних мереж запропоновано у роботах [5-7].

У даній роботі запропоновано алгоритм фільтрації імпульсного шуму з використанням детектору імпульсів, що базується на нейронній мережі. Також продемонстровано результати фільтрації імпульсного шуму різної інтенсивності за його допомогою.

2. Фільтрація імпульсного шуму з використанням детектору на основі MLP

Під час проведення експериментів, для спрощення розглядалися зображення у відтінках сірого. Таке спрощення не зменшує загальності, оскільки кольорові зображення можуть бути представлені як композиція декількох зображень, що відповідають різним кольоровим каналам. Таким чином, фільтрація імпульсного шуму на кольорових зображеннях може бути здійснена шляхом незалежної обробки кожного каналу з подальшим їх об’єднанням у вихідне зображення.

Для генерації шуму було використано модель імпульсного шуму типу salt-and-pepper. Подальші дослідження у цьому напрямку можуть включати інші моделі імпульсного шуму, зокрема random-valued impulse noise.

2.1. Загальний опис алгоритму

Як і значна частина алгоритмів фільтрації шуму, запропонований підхід здійснює попіксельну обробку зображення у просторовій області та ґрунтується на аналізі інтенсивностей пікселів у локальному оточенні кожного пікселя. Під час експериментів, проведених у рамках цієї роботи, використовувалося локальне оточення розміру 3×3. Запропонований алгоритм поєднує використання детектора імпульсів і класичного медіанного фільтра.

Використання детектора дозволяє реалізувати селективну фільтрацію шляхом визначення наявності імпульсу в кожному пікселі зображення. Запропонований детектор базується на багатошаровій нейронній мережі прямого поширення (MLP) [8]. Нейронні мережі такого типу часто застосовуються в задачах класифікації та регресії завдяки їхній здатності будувати складні функціональні залежності між вхідними та вихідними даними. Оскільки задачу визначення наявності імпульсу у пікселі зображення можна розглядати як задачу класифікації, MLP може бути використана як ефективний детектор імпульсів.

Під час обробки пікселя зображення на вхід нейронної мережі (детектора) подаються його інтенсивність, а також інтенсивності пікселів локального оточення. Виходом MLP є дійсне число, яке після порівняння з пороговим значенням вказує на наявність або відсутність імпульсу. У разі позитивного спрацювання детектора виконується фільтрація пікселя за допомогою медіанного фільтра.

Варто зазначити, що медіанний фільтр може бути замінений на більш ефективний метод фільтрації, що може стати предметом подальших досліджень.

2.2. Процес навчання MLP (детектору)

Під час експериментів, проведених у рамках даної роботи, було розглянуто такі архітектури MLP: 9–8–1 (N-9-8-1), 9–16–1 (N-9-16-1), 9–32–16–1 (N-9-32-16-1), де перше число вказує на кількість входів, останнє - кількість нейронів у вихідному шарі, а інші числа - кількість нейронів у прихованих шарах. У ролі активаційної функції використовувалася сигмоїдальна функція:




Для тренування MLP було використано навчальну множину, що складалася з 80 000 зразків. Для її формування було використано 400 зображень у відтінках сірого. Множина вхідних ознак X була сформована наступним чином:




де Ps та Pp множини фрагментів зображень розміру 3×3, у яких центральний піксель замінений імпульсом з інтенсивністю 1 та 0 відповідно, а P_c- множина фрагментів зображень, у яких інтенсивність центрального пікселя не зазнала змін.

Множина вихідних  значень Y мала вигляд




Навчальна множина відповідно мала вигляд:




Важливо зазначити, що елементи множини ознак повинні бути нормалізовані. Це прискорює збіжність навчання та дозволяє уникнути появи екстремальних значень ваг нейронів [9].

Аналогічним чином було сформовано тестову множину з 2 000 елементів для оцінки узагальнюючих можливостей нейромережі після тренування.

Для тренування MLP використовувався алгоритм градієнтного спуску [10,11]. У ролі функції втрат було використано функцію Binary Cross Entropy [9].

3. Отримані результати

Нижче в таблицях Таблиця 2, Таблиця 3 та Таблиця 4 наведено порівняння результатів роботи алгоритму, що базується на використанні детектора на основі MLP, класичного медіанного фільтра та медіанного фільтра з використанням DRID при фільтрації імпульсного шуму salt-and-pepper інтенсивності 1%, 2% та 5%. 

Зображення 001.tif-005.tif, які використовувалися під час проведення експерименту, є цифровими зображеннями у відтінках сірого. Для оцінки якості фільтрації було використано метрику PSNR.

Робота DRID залежить від двох параметрів - s та θ, які задають порогові значення для детектора [4]. Значення цих параметрів які використовувалися при фільтрації наведено у таблиці нижче (Таблиця 1).

Таблиця 1. Параметри використані при фільтрації з допомогою медіанного фільтру з DRID




Таблиця 2.Результати фільтрації зображень спотворених імпульсним шумом з інтенсивністю 1%. Найкращі результати підкреслено.




Таблиця 3.Результати фільтрації зображень спотворених імпульсним шумом з інтенсивністю 2%. Найкращі результати підкреслено.




Таблиця 4.Результати фільтрації зображень спотворених імпульсним шумом з інтенсивністю 5%. Найкращі результати підкреслено.




Важливо зазначити, що результати роботи DRID, наведені в даних таблицях, не слід вважати максимально можливими, оскільки більш точний підбір параметрів може забезпечити кращі результати.

4. Висновки

У роботі розглянуто задачу фільтрації імпульсного шуму та проаналізовано існуючі підходи до її розв’язання. Запропоновано алгоритм, що поєднує детектор імпульсів на основі MLP і медіанну фільтрацію, реалізуючи селективну обробку пікселів.

Експериментальні результати показали ефективність використання нейронної мережі для виявлення імпульсних спотворень і підтвердили доцільність запропонованого підходу. Порівняння з класичними методами продемонструвало покращення якості фільтрації та краще збереження деталей зображення.

Отримані результати свідчать про перспективність поєднання нейронних мереж із класичними методами обробки зображень.

Подальші дослідження можуть включати використання інших типів нейронних мереж як детекторів імпульсів, а також застосування більш складних методів фільтрації.

Література

1. Bovik A. C. Handbook of Image and Video Processing. San Diego : Academic Press, 2000. 891 p. (Academic press series in communications, networking, and multimedia).

2. Gonzalez R. C., Woods R. E. Digital Image Processing. 4th global ed. New York : Pearson Education, 2018. 1168 p.

3. Jain A. K. Fundamentals of Digital Image Processing. Englewood Cliffs, NJ : Prentice Hall, 2000. 569 p. (Prentice Hall information and system sciences series).

4. Aizenberg I., Butakoff C. Effective Impulse Detector Based on Rank-Order Criteria. IEEE Signal Process. Lett. 2004. Vol. 11. P. 363–366. DOI: 10.1109/LSP.2003.822925.

5. Keohane O., Aizenberg I. Impulse Noise Filtering Using MLMVN. Proceedings of the 2020 International Joint Conference on Neural Networks (IJCNN) : conference paper (Glasgow, July 2020). IEEE, 2020. P. 1–8.

6. Mafi M., Izquierdo W., Martin H. et al. Deep Convolutional Neural Network for Mixed Random Impulse and Gaussian Noise Reduction in Digital Images. IET Image Processing. 2020. Vol. 14. P. 3791–3801. DOI: 10.1049/iet-ipr.2019.0931.

7. Sheng-Fu Liang, Shih-Mao Lu, Jyh-Yeong Chang et al. A Novel Two-Stage Impulse Noise Removal Technique Based on Neural Networks and Fuzzy Decision. IEEE Trans. Fuzzy Syst. 2008. Vol. 16. P. 863–873. DOI: 10.1109/TFUZZ.2008.917297.

8. Haykin S. S. Neural Networks: A Comprehensive Foundation. 2nd ed. Upper Saddle River, NJ : Prentice Hall, 1999. 842 p.

9. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, Mass : The MIT Press, 2016. 775 p. (Adaptive computation and machine learning).

10. Deisenroth M. P., Faisal A. A., Ong C. S. Mathematics for Machine Learning. Cambridge, UK ; New York, NY : Cambridge University Press, 2020. 417 p.

11. Shalev-Shwartz S., Ben-David S. Understanding Machine Learning: From Theory to Algorithms. 1st ed. Cambridge University Press, 2014. 410 p.



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Another articles in this section

Сonferences

Conference 2026

Conference 2025

Conference 2024

Conference 2023

Conference 2022

Conference 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення