Diseño e implementación de un Autoencoder para la supresión de ruido de diferente naturaleza en imágenes de color
DOI:
https://doi.org/10.46842/ipn.cien.v27n1a04Palabras clave:
autoencoder, convoluciones, redes neuronales, supresión de ruidoResumen
El presente artículo se centra en la propuesta de una red neuronal de tipo Autoencoder para la supresión de diversos tipos de ruido presente en imágenes de color. Existen diversos tipos de algoritmos para la supresión de ruido en imágenes como lo son las Redes Neuronales Convolucionales (CNN) los cuales requieren tanto de una gran cantidad de datos para su entrenamiento como de mayor carga computacional, aunque el mayor problema que estos presentan es que comúnmente se centran en un solo tipo de ruido causando que en algunas ocasiones la imagen no sea procesada de manera adecuada y al finalizar su tratamiento contenga pixeles corruptos los cuales causen que haya pérdida de detalles importantes dentro de la imagen. Por este motivo, esta propuesta proporciona evidencia de que el uso de autoencoders para la supresión de diversos tipos de ruidos en imágenes es factible, a través de este artículo se mostrarán resultados subjetivos y objetivos que determinarán la factibilidad del uso de este tipo de redes neuronales.
Referencias
A. Limshuenchuey, R. Duangsoithong, M. Saejia, “Comparison of Image Denoising using Traditional Filter and Deep Learning Methods”, 17th International Conference on Electrical Engineering/Electronics, 2020.
V. Pnomaryov, A.J. Rosales-Silva, F. Gallegos-Funes, “Fuzzy directional filter to remove impulsive noise from colour images”, IEICE Trans. Fundamentals, pp. 570-572, 2010.
S. Schluter, A. Sheppard, Kendra Brown, Image processing of multi-phase images obtained via x-ray microtomography: a review, American Geophysical Union, 2014.
S. Kaur, “Noise types and various removal techniques”, International Journal of Advanced Research in Electronics and Communication Engineering, vol. 4, pp. 226-230, 2015.
R. C. Gonzalez, R. E. Woods, Digital Image Processing, 4a ed., Pearson, 2018.
T. Remez, R. Giryes, A. M. Bronstein, “Class-Aware Fully Convolutional Gaussian and Poisson Denoising”, IEEE Transactions on Image Processing, vol. 27, n.º 11, 2018.
S. Agarwal, A. Agarwal, M. Deshmukh, Denoising Images with Varying Noises Using Autoencoders, Springer Nature Singapore, 2020.
S. Yu, J. Príncipe, “Understanding autoencoders with information theoretic concepts”, Neural Networks, vol. 117, pp. 104-123, 2019.
A. Pawar, “Noise reduction in images using autoencoders”, Proceedings of the Third International Conference on Intelligent Sustainable Systems, 2020.
J. Dawani, Hands-On Mathematics for Deep Learning, Packt, 2020.
T. Ye, T. Wang, K. McGuinness, Learning Multiple Views with Orthogonal Denoising Autoencoders, Springer International, pp. 313-324, 2016.
Best Artworks of all Time, Kaggle: Your Machine Learning and Data Science Community, https://www.kaggle.com/datasets/ikarus777/best-artworks-of-all-time (acc. dec. 2022).
B. Kumar-Boyatm, “A review paper: Noise models in digital image processing”, Signal and Image Processing: An International Journal (SIPIJ), vol. 6, pp. 63-75, 2015.
A. Patil, A. Pramod, K. Singh, “An Approach to Image Denoising Using Autoencoders and Spatial Filters for Gaussian Noise”, 11th International Conference on Cloud Computing, Data Science & Engineering, pp. 454-458, 2021
K. Zhang, W. Ren, W. Luo, “Deep Image Deblurring: A Survey”, International Journal of Computer Vision, 2022.
K. Zhang, W. Zuo, Y. Chen, “Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising”, IEEE Transactions on Image Processing, vol. 26, no. 7, 2017.
C. Liangyu, C. Xiaojie, Z. Xiangyu, “Simple Baselines for Image Restoration”, Computer Vision and Pattern Recognition, 2022.
S. W. Zamir, A. Arora, S. Khan, “Restormer: Efficient Transformer for High-Resolution Image Restoration”, Computer Vision and Pattern Recognition, 2021.
C. Wickramasinghe, D. Marino, M. Manic, ResNet Autoencoders for Unsupervised Feature Learning From High-Dimensional Data: Deep Models Resistant to Performance Degradation, IEEE, vol. 9, 2021.
D. Wang, W. Gan, C. Yan, Inception Model of Convolutional Auto-encoder for Image Denoising, Springer Nature Switzerland, pp. 174-186, 2020.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2023 Instituto Politécnico Nacional
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
