JultikaUniversity of Oulu repository

Tiivistelmä

Kuvakohinan poistaminen on erittäin ajankohtainen ongelma kuvankäsittelyn tutkimusyhteisössä. Tällä hetkellä state-of-art tuloksia saavutetaan käyttämällä konvoluutioneuroverkkoja. Tutkimukset ovat paljolti keskittyneet neuroverkko- ja kohinamallien kehittämiseen, mutta koulutusdatan vaikutus on jäänyt paljolti huomioimatta. Tämän diplomityön tarkoituksena on selvittää, kuinka erilaiset koulutusdatan sisältävät tekstuurit ja värit vaikuttavat neuroverkolla saatuihin kohinanpoistotuloksiin ja käyttää tätä tietoa koulutusprosessin parantamisessa.

Tekstuurit jaetaan eri luokkiin käyttäen Local Binary Pattern -menetelmän ja agglomeratiivisen klusteroinnin yhdistelmää. Näitä kategorioita yritetään tasapainottaa koulutusdatassa tulosten parantamiseksi. Värianalyysissä käytetään käytännöllisempää lähestymistapaa. Ensin useita erilaisia kuvajoukkoja käytetään neuroverkkojen kouluttamiseen, jonka jälkeen kuvadatan värien ja kohinanpoistoverkkojen aiheuttaman värivirheen välinen suhde analysoidaan. Tämän tiedon pohjalta luodaan uusi koulutusdatasetti, jossa ei ole havaittuja väripuutteita.

Värianalyysimenetelmät tuottivat selkeitä tuloksia, joita voidaan soveltaa hyödyllisten työkalujen suunnittelussa, kun taas tekstuurianalyysi vaatii lisätutkimusta käytännön sovelluksia varten.

Analyzing and balancing the textures and colors in training data for denoising convolutional neural networks

Abstract

Image denoising is a very relevant problem in the field of image processing. Current state-of-art results are achieved through the utilization of convolutional neural networks. A lot of research is focused on developing neural network and noise models, but the impact of the training data sets has not been studied. The objective of this thesis is to find out, how different textures and colors used in training affect the denoising result of a convolutional neural network and use that information to improve the training process.

A combination of Local Binary Patterns and Agglomerative Clustering is used to divide textures into different categories. These texture categories are balanced in data sets to enhance results. The color analysis utilizes a more practical approach. First multiple different data sets are used to train neural networks. The relationship between colors in the data and the color errors introduced by the denoising networks is analyzed. This information is then used to create a new training data set, that does not have the observed color defiencies.

Color analysis methods provided clear results that could be implemented into useful tools, while texture analysis would need further research for practical applications.