MEDİKAL GÖRÜNTÜLERDEKİ DARBE GÜRÜLTÜSÜNÜN MAKİNE ÖĞRENME TEKNİKLERİ İLE GİDERİLMESİ

Abstract

İdeal bir filtrenin sayısal imgedeki ayrıntıları korurken, darbe gürültüsünü etkili biçimde yok etmesi istenmektedir. Standart sinyal işlemenin talebi, resmin detaylarına zarar vermeden darbe gürültüsünün yok edilmesidir. Birinci bölümde, medyan tabanlı yeni bir filtre sunulmuştur. Bu metot anahtarlamalı medyan ile uyarlamalı medyan filtrenin hibrit halinden meydana gelmiştir. Sunulan filtre "İki Aşamalı Uyarlamalı Hızlı Medyan Filtre" (DCFAMF) olarak adlandırılmıştır. DCFAMF, geleneksel filtrelerle kıyaslandığında yapı olarak daha basit, daha hızlı ve aynı zamanda daha iyi sonuçlar vermektedir. Bu metot darbe gürültüsünü yok etmenin yanında (aşırı bozulmuş imgelerde bile), imgenin detaylarını başarılı bir şekilde korumuştur. DCFAMF için herhangi bir parametre ayarlamasına gerek yoktur. Bu yüzden otomatik sistemlere daha uygun olup herhangi bir ön hazırlığa ihtiyaç duymamaktadır. Ayrıca, aşırı bozulmuş imgeleri iyileştirmek için uyarlamalı bir yapay sinir ağı modeli geliştirilmiştir. Farklı gürültü yoğunluklarında eğitilmiş olan ağlar, gürültünün yoğunluğuna göre, gürültülü piksel yerine gelebilecek en uygun komşu pikseli tahmin etmektedir. Önerilen algoritma sayısal imgelerdeki darbe gürültüsünü etkili biçimde yok ederken, aynı zamanda detayları da korumaktadır. Sayısal imgelerdeki darbe gürültüsünü yok etmek amacıyla fitre olarak Naïve Bayes sınıflandırıcı önerilmiştir. Burada kullanılan haliyle gürültü bulaşmış imge onarılmaya başlamadan önce, imge birden fazla parçaya ayrılmakta ve bu parçalarda gürültü bulaşmamış piksellerden bir öğrenme seti oluşturulmaktadır. Bozuk pikselin yerine geçecek olan pikseli tahmin etmek için, bu öğrenme seti kullanılmaktadır. Sunulan yöntem hem basit hem de uygulanması daha kolaydır.It is desired that an ideal filter preserves the details in the digital image while effectively removing impulse noise. The objective of standard signal processing is the elimination of impulse noise without harming details of the image. In part 1, we propose a new Median-Based Method: Switching Median Filter with a hybrid of adaptive median filter combination. Hereon, the proposed filter will be named as "Double Checked Fast Adaptive Median Filter" (DCFAMF). DCFAMF gives faster, simpler and better results in comparison with the traditional Median-Based Filters. This method can get rid of impulse noise. Moreover, it can keep the necessary details of the image (this is also true when the input image is very badly ruined by noise). No adjustments are needed for DCFAMF. Thus, it is much more suitable for automated systems. We do not need a pre-preparation for this technique. Besides, an adaptive artificial neural network model is developed in order to restore severely corrupted images. Networks trained at different noise intensities get activated according to intensity of the noise and estimate the most suitable neighboring pixel that can replace the noisy pixel. The proposed algorithm reduces impulse noise effectively while also protecting the details. Naïve Bayes classifier filter for the removal of random impulse noise in digital grayscale image is recommended. It has especially been used more frequently in recent times in the field of signal processing. Prior to restoring the noisy pixels of the image as is used here, the image is separated into more than one piece, and a learning set is formed using the noise free pixels in these pieces. These learning sets that are different for each piece are used in order to estimate the pixel that will replace the noisy one. The presented method is both simple and easy to apply.