Алгоритмы компьютерного зрения находят широкое применение при решении ряда прикладных задач. Корректность работы таких алгоритмов зависит от поступающих им на вход фото- и видеоданных, подверженных влиянию шумов, поэтому подавление шумов - важный этап низкоуровневой обработки цифровых изображений. В работе исследована винеровская фильтрация нормального белого шума в области дискретного вейвлет-преобразования с применением нейронных сетей. Приведены описания архитектуры сетей, а также разработанного алгоритма их применения для фильтрации в области дискретного вейвлет-преобразования. Предложенный алгоритм протестирован на наборе данных BSDS500 при различных уровнях шума. Качество фильтрации оценено по вычисленным значениям отношения сигнал / шум (SNR) и индекса структурного сходства (SSIM). Результаты обработки тестовых изображений свидетельствуют о том, что разработанный алгоритм превосходит по качеству шумоподавления винеровскую фильтрацию в области дискретного вейвлет-преобразования без использования нейронных сетей и большинство других рассмотренных фильтров.
1. Умняшкин С. В. Основы теории цифровой обработки сигналов. М.: Техносфера, 2021. 550 с.
2. Умняшкин С. В., Алимагадов К. А. Применение фильтра Винера для подавления аддитивного белого шума на изображениях: сравнение частотного и вейвлет-базисов // Передовое развитие современной науки: опыт, проблемы, прогнозы: сб. ст. II Междунар. науч.-практ. конф. Петрозаводск: Новая наука, 2020. С. 21–27.
3. Antonini M., Barlaud M., Mathieu P., Daubechies I. Image coding using wavelet trans-form // IEEE Trans. on Image Proc. 1992. Vol. 1. Iss. 2. P. 205–220. https://doi.org/10.1109/83.136597
4. Gonzalez R. C., Woods R. E. Digital image processing. 4th ed. New York: Pearson Edu-cation, 2018. 1168 p.
5. Zhou Wang, Bovik A. C., Sheikh H. R., Simoncelli E. P. Image quality assessment: from error visibility to structural similarity // IEEE Transactions on Image Processing. 2004. Vol. 13. Iss. 4. P. 600–612. https://doi.org/10.1109/TIP.2003.819861
6. Kimlyk M., Umnyashkin S. Image denoising using discrete wavelet transform and edge information // 2018 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). Moscow; St. Petersburg: IEEE, 2018. P. 1823–1825. https://doi.org/10.1109/EIConRus.2018.8317461
7. Herbreteau S., Kervrann C. DCT2net: an interpretable shallow CNN for image denoising // arXiv [Электронный ресурс]. 2021. URL: https://arxiv.org/abs/2107.14803 https://doi.org/10.48550/arXiv.2107.14803 (дата обращения: 05.10.2022).
8. Alimagadov K. A., Umnyashkin S. V. Application of Wiener filter to suppress white noise in images: wavelet vs Fourier basis // 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). St. Petersburg; Moscow: IEEE, 2021. P. 2059–2063. https://doi.org/10.1109/ElConRus51938.2021.9396470
9. Haykin S. Neural networks and learning machines. 3rd ed. New York: Pearson, 2009. 936 p.
10. Kingma D. P., Ba J. L. Adam: a method for stochastic optimization // arXiv [Электронный ресурс]. 2014. URL: https://arxiv.org/abs/1412.6980v1 https://doi.org/10.48550/arXiv.1412.6980 (дата обращения: 07.05.2022).
11. Tomasi C., Manduchi R. Bilateral filtering for gray and color images // Sixth Interna-tional Conference on Computer Vision (IEEE Cat. No. 98CH36271). Bombay: IEEE, 1998. P. 839–846. https://doi.org/10.1109/ICCV.1998.710815
12. Arbeláez P., Maire M., Fowlkes C., Malik J. Contour detection and hierarchical image segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011. Vol. 33. Iss. 5. P. 898–916. https://doi.org/10.1109/TPAMI.2010.161
13. Berkeley segmentation data set and benchmarks 500 (BSDS500) // Berkeley Computer Vision Group [Электронный ресурс]. URL: https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/resources.html (дата об-ращения: 15.06.2022).