إطار هجينCNN-RNN قائم على الشبكات العصبية الالتفافية والمتكررة لإزالة ضوضاء الصور بذكاء وتحسين صورتها

الملخص

يُعدّ تحسين جودة الصور أمرًا بالغ الأهمية لتحليلها وتفسيرها بدقة في تطبيقات مثل التصوير الطبي، والاستشعار عن بُعد، وأنظمة المراقبة، وتقنيات الرؤية الليلية. الا ان الصور الملتقطة في البيئات الواقعية غالبا ما تثاتر بوجود الضوضاء والتشوهات، مما يقلل من وضوحها ودقة النتائج المستخلصة منها.

في هذا الإطار تقدم هذه الدراسة نموذجًا هجينًا للتعلم العميق يدمج الشبكات العصبية الالتفافية (sNRN) والشبكات العصبية المتكررة (sNRN) لتحسين جودة الصور مع تقليل التشويش والحفاظ على التفاصيل الهيكلية.

تم اختبار النموذج المقترح باستخدام مجموعة من الصور التي تحتوي على مستويات مختلفة من التشويش، وذلك باستخدام مقاييس متعددة لجودة الصورة، بما في ذلك نسبة الإشارة إلى التشويش القصوى (SNRP)، ومؤشر التشابه البنيوي (IMSS)، ومتوسط ​​مربع الخطأ (SEM)، ومؤشر تشابه رقعة الصورة الإدراكي المُتعلم (PIPSL).  أظهرت النتائج التجريبية تحسنا واضحا في اداء النموذج، حيث ارتفعت نسبة الإشارة إلى التشويش القصوى من 24.85 ديسيبل إلى 33.47 ديسيبل، وتحسن مؤشر التشابه البنيوي من 0.71 إلى 0.93، إلى جانب انخفاضات كبيرة في متوسط ​​مربع الخطأ (-73.4%) ومؤشر تشابه الرقعة الإدراكي المُستخلص (-66.7%). ويؤكد التحليل الإحصائي أهمية هذه التحسينات (p < 0.001)..

وأظهرت النتائج أن النموذج حقق دقة بلغت 95.7%، ومعدل استدعاء 94.8%، ودرجة F1 بلغت 93.2%. علاوة على ذلك، لوحظت تحسينات كبيرة في مقاييس جودة الصورة، بما في ذلك SNRP وIMSS، حيث تراوحت مستويات التحسن الإجمالية من 40% إلى 60% مقارنةً بتقنيات تقليل الضوضاء التقليدية. تُبين هذه النتائج أن الإطار الهجين المقترح، الذي يجمع بين الشبكات العصبية الالتفافية والمتكررة، يُقدم حلاً فعالاً وقوياً لتحسين جودة الصورة في البيئات الواقعية المعقدة. تشير النتائج إلى أن النموذج الهجين للشبكة العصبية الالتفافية المتكررة يمثل حلاً فعالاً لتحسين جودة الصور في البيئات الواقعية من خلال تحقيق توازن جيد بين تحسين الجودة والحفاظ على التفاصيل.