Video'da derin öğrenme tabanlı gürültü azaltma

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Bilişim Enstitüsü, Bilgisayar Eğitimi, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: AHMET YAPICI

Danışman: Muhammet Ali Akcayol

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Videoda gürültü giderme teknikleri, görüntü detaylarını korurken gürültüyü ortadan kaldırmayı amaçlamaktadır. Ancak kullanılan gürültü giderme modelleri, görüntü üzerindeki gürültüleri tam olarak giderememekte ve görüntü özellikleri kaybolmaktadır. Tüm gürültü türleri ve seviyelerinde başarılı bir şekilde gürültüyü gideren tek bir model bulunmamaktadır. Bu çalışmada, farklı derin öğrenme yöntemlerini bir araya getiren video gürültü giderme modeli (VGGM) geliştirilmiştir. VGGM mimarisinde evrişimli sinir ağı (convolutional neural network-CNN), üretici çekişmeli ağ (generative adversarial network-GAN), U-Net mimarisi birlikte kullanılarak görüntülerdeki gürültü giderilmekte ve görüntü geçişlerindeki titremenin önlenmesi sağlanmaktadır. VGGM farklı tür ve seviyelerdeki gürültülerin giderilmesindeki performansı BSD400, CBSD400, Derf, DAVIS, Vimeo, Set12 veri kümeleri kullanılarak karşılaştırılmıştır. VGGM, klasik CNN tabanlı modellere göre düşük gürültü seviyelerinde daha başarılı performans göstermektedir. VGGM 0 - 30 dB (decibel) gürültü aralıklarında başarılı sonuçlar elde etmekle beraber ilerleyen gürültü seviyelerinde diğer modellere göre başarı seviyesinin düştüğü görülmektedir.