Using convolutional neural networks to remove real noise from images

Deep learning techniques have received a lot of attention in the field of image denoising. However, there are significant differences between the various types of deep learning methods in dealing with image denoising. Specifically, all types of deep learning-based denoising are problem-solving methods for Gaussian noise. The models optimized in recent years do appear to be effective. Then, to date, there has been little relevant research to address real-world image noise, which tends to be fragmented and irregular. In this thesis, a study is carried out on real noise in old images. First, traditional image processing techniques are used to filter the whole image to confirm the feasibility of noise removal. Then, drawing on the idea of differentiation, a deep learning convolutional neural network is used to segment the image after pre-processing and identify whether the segmented sub-images are noisy or not. The sub-images identified as noisy are then subjected to median filtering, erosion, and other processing, and finally reduced to a denoised image. Meanwhile, various machine learning classification models, as well as deep learning denoising models of autoencoder, are also compared. Finally, some potential challenges and directions for future research are pointed out.

Le tecniche di apprendimento profondo hanno ricevuto molta attenzione nel campo del denoising delle immagini. Tuttavia, ci sono differenze significative tra i vari tipi di metodi di deep learning nel trattare il denoising delle immagini. In particolare, tutti i tipi di denoising basati sull'apprendimento profondo sono metodi di risoluzione dei problemi per il rumore gaussiano. I modelli ottimizzati negli ultimi anni sembrano essere efficaci. Poi, fino ad oggi, c'è stata poca ricerca pertinente per affrontare il rumore delle immagini del mondo reale, che tende ad essere frammentato e irregolare. In questo articolo, viene condotto uno studio sul rumore reale in immagini antiche. In primo luogo, le tecniche tradizionali di elaborazione delle immagini sono utilizzate per filtrare l'intera immagine per confermare la fattibilità della rimozione del rumore. Poi, basandosi sull'idea di differenziazione, viene utilizzata una rete neurale convoluzionale di apprendimento profondo per segmentare l'immagine dopo la pre-elaborazione e identificare se le sotto-immagini segmentate sono rumorose o meno. Le sotto-immagini identificate come rumorose sono poi sottoposte a filtraggio mediano, erosione e altre elaborazioni, e infine ridotte a un'immagine denaturata. Nel frattempo, vari modelli di classificazione di apprendimento automatico, così come i modelli di denoising di apprendimento profondo di autoencoder, sono anche confrontati. Infine, vengono evidenziate alcune potenziali sfide e direzioni per la ricerca futura.