Фільтрація імпульсного шуму на цифрових зображеннях з використанням детектору імпульсів на основі нейронної мережі

Ю. О. Товт; А. Ю. Брила

doi:10.24144/2616-7700.2026.48(1).218-231

Автор(и)

Ю. О. Товт ДВНЗ «Ужгородський нацiональний унiверситет», Україна https://orcid.org/0009-0000-9556-0630
А. Ю. Брила ДВНЗ «Ужгородський нацiональний унiверситет», Україна https://orcid.org/0000-0003-2518-9877

DOI:

https://doi.org/10.24144/2616-7700.2026.48(1).218-231

Ключові слова:

нейроннi мережi, цифровi зображення, фiльтрацiя шуму, імпульсний шум

Анотація

Сьогоднi цифровi зображення широко застосовуються в багатьох галузях. Їх аналiз є надзвичайно важливою задачею, тому фiльтрацiя шуму на цифрових зображеннях вiдiграє важливу роль. У цiй роботi розглянуто фiльтрацiю iмпульсного шуму на зображеннях iз використанням медiанного фiльтра з детектором iмпульсiв на основi дiйснозначної нейромережi. Проведено експерименти з фiльтрацiї iмпульсного шуму та порiвняння отриманих результатiв iз деякими iснуючими методами фiльтрацiї iмпульсного шуму.

Спонсор дослідження

Дослiдження здiйснено в рамках кафедральної науково-дослiдної роботи «Моделi i методи системного аналiзу в мiждисциплiнарних дослiдженнях» (державний облiковий номер 0125U003246)

Біографії авторів

Ю. О. Товт, ДВНЗ «Ужгородський нацiональний унiверситет»

Аспiрант кафедри системного аналiзу та теорiї оптимiзацiї

А. Ю. Брила, ДВНЗ «Ужгородський нацiональний унiверситет»

Доцент кафедри системного аналiзу та теорiї оптимiзацiї. Кандидат фiзико-математичних наук, доцент

Посилання

Gonzalez, R.C.; Woods, R.E. Digital Image Processing; Fourth, global edition.; Pearson Education: New York, New York, 2018; ISBN 978-1-292-22304-9.
Jain, A.K. Fundamentals of Digital Image Processing; Prentice Hall information and system sciences series; 17. [repr.].; Prentice Hall: Englewood Cliffs, NJ, 2000; ISBN 978-0-13-336165-0.
Aizenberg, I.; Butakoff, C. Effective Impulse Detector Based on Rank-Order Criteria. IEEE Signal Process. Lett. 2004, 11, 363–366, doi:10.1109/LSP.2003.822925.
Sheng-Fu Liang; Shih-Mao Lu; Jyh-Yeong Chang; Chin-Teng Lin. A Novel Two-Stage Impulse Noise Removal Technique Based on Neural Networks and Fuzzy Decision. IEEE Trans. Fuzzy Syst. 2008, 16, 863–873, doi:10.1109/TFUZZ.2008.917297.
Mafi, M.; Martin, H.; Cabrerizo, M.; Andrian, J.; Barreto, A.; Adjouadi, M. A Comprehensive Survey on Impulse and Gaussian Denoising Filters for Digital Images. Signal Processing 2019, 157, 236–260, doi:10.1016/j.sigpro.2018.12.006.
Burger, H.C.; Schuler, C.J.; Harmeling, S. Image Denoising with Multi-Layer Perceptrons, Part 1: Comparison with Existing Algorithms and with Bounds 2012.
Burger, H.C.; Schuler, C.J.; Harmeling, S. Image Denoising with Multi-Layer Perceptrons, Part 2: Training Trade-Offs and Analysis of Their Mechanisms 2012.
Dabov, K.; Foi, A.; Katkovnik, V.; Egiazarian, K. Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering. IEEE Trans. Image Process. 2007, 16, 2080–2095, doi:10.1109/TIP.2007.901238.
Keohane, O.; Aizenberg, I. Impulse Noise Filtering Using MLMVN. In Proceedings of the 2020 International Joint Conference on Neural Networks (IJCNN); IEEE: Glasgow, United Kingdom, July 2020; pp. 1–8.
Aizenberg, I.; Butakoff, C.; Paliy, D. Impulsive Noise Removal Using Threshold Boolean Filtering Based on the Impulse Detecting Functions. IEEE Signal Process. Lett. 2005, 12, 63–66, doi:10.1109/LSP.2004.838198.
Feng, X.; Huang, Q.; Li, X. Ultrasound Image De-Speckling by a Hybrid Deep Network with Transferred Filtering and Structural Prior. Neurocomputing 2020, 414, 346–355, doi:10.1016/j.neucom.2020.09.002.
Kokil, P.; Sudharson, S. Despeckling of Clinical Ultrasound Images Using Deep Residual Learning. Computer Methods and Programs in Biomedicine 2020, 194, 105477, doi:10.1016/j.cmpb.2020.105477.
Lee, J.-S. Digital Image Enhancement and Noise Filtering by Use of Local Statistics. IEEE Trans. Pattern Anal. Mach. Intell. 1980, PAMI-2, 165–168, doi:10.1109/TPAMI.1980.4766994.
Frost, V.S.; Stiles, J.A.; Shanmugan, K.S.; Holtzman, J.C. A Model for Radar Images and Its Application to Adaptive Digital Filtering of Multiplicative Noise. IEEE Trans. Pattern Anal. Mach. Intell. 1982, PAMI-4, 157–166, doi:10.1109/TPAMI.1982.4767223.
Mafi, M.; Izquierdo, W.; Martin, H.; Cabrerizo, M.; Adjouadi, M. Deep Convolutional Neural Network for Mixed Random Impulse and Gaussian Noise Reduction in Digital Images. IET Image Processing 2020, 14, 3791–3801, doi:10.1049/iet-ipr.2019.0931.
Solomon, C.; Brckon, T. Fundamentals of Digital Image Processing: A Practical Approach with Examples in Matlab; Wiley-Blackwell: Chichester, 2011; ISBN 978-0-470-84472-4.
Smolka, B. Efficient Technique of Impulsive Noise Detection and Replacement in Color Digital Images. In Sensor Networks and Signal Processing; Peng, S.-L., Favorskaya, M.N., Chao, H.-C., Eds.; Springer Singapore: Singapore, 2021; Vol. 176, pp. 171–185 ISBN 978-981-15-4916-8.
Yu, C.; Hou, L.-Z. Realization of a Real-Time Image Denoising System for Dashboard Camera Applications. IEEE Trans. Consumer Electron. 2022, 68, 181–190, doi:10.1109/TCE.2022.3175796.
Li, C.; Li, J; Luo, Z. An Impulse Noise Removal Model Algorithm Based on Logarithmic Image Prior for Medical Image. SIViP 2021, 15, 1145–1152, doi:10.1007/s11760-020-01842-w.
Kotsovsky, V.; Geche, F.; Batyuk, A. Bithreshold Neural Network Classifier. In Proceedings of the 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT); IEEE: Zbarazh, Ukraine, 23 September 2020; pp. 32–35.
Krajewska-Spiewak, J.; Lasota, I.; Kozub, B. Application of Classification Neural Networks for Identification of Damage Stages of Degraded Low Alloy Steel Based on Acoustic Emission Data Analysis. Arch. Civ. Mech. Eng. 2020, 20, 109. doi:10.1007/s43452-020-00112-3.
Shi, Y.; Xu, W.; Zhang, J.; Li, X. Automated Classification of Ultrasonic Signal via a Convolutional Neural Network. Applied Sciences 2022, 12, 4179. doi:10.3390/app12094179.
Goodfellow, I.; Bengio, Y.; Courville, A. Deep Learning; Adaptive computation and machine learning; The MIT Press: Cambridge, Mass, 2016; ISBN 978-0-262-03561-3.
Deisenroth, M.P.; Faisal, A.A.; Ong, C.S. Mathematics for Machine Learning; Cambridge University Press: Cambridge, UK New York, NY, 2020; ISBN 978-1-108-47004-9.
Shalev-Shwartz, S.; Ben-David, S. Understanding Machine Learning: From Theory to Algorithms; 1st ed.; Cambridge University Press, 2014; ISBN 978-1-107-05713-5.