การประยุกต์ใช้เทคนิคการเรียนรู้แบบเชิงลึกสำหรับการขจัดสัญญาณรบกวนแบบซอลท์แอนด์เปปเปอร์
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้ได้นำเสนอวิธีการขจัดสัญญาณรบกวนแบบซอลท์แอนด์เปปเปอร์ โดยเป็นการเริ่มนำเอาระบบการเรียนรู้แบบเชิงลึกมาประยุกต์ใช้กับวิธีการขจัดสัญญาณรบกวน โดยประกอบด้วย 2 ขั้นตอน ขั้นตอนแรกคือ การฝึกสอนให้กับระบบการเรียนรู้แบบเชิงลึกให้สามารถระบุระดับความหนาแน่นของสัญญาณรบกวนภายในภาพ ส่วนขั้นตอนที่สองคือ ขั้นตอนของการขจัดสัญญาณรบกวน โดยการปรับปรุงวิธีการเอดับเบิลยูเอ็มเอฟ (AWMF) โดยการใช้ระบบการเรียนรู้แบบเชิงลึกในการกำหนดขนาดหน้าต่างย่อย เพื่อใช้ในวิธีการขจัดสัญญาณรบกวน จากผลการทดลองพบว่าวิธีการปรับปรุงเอดับเบิลยูเอ็มเอฟสามารถให้ประสิทธิภาพที่ดี ที่ระดับความหนาแน่นสัญญาณรบกวนที่สูงและใช้เวลาในการประมวลน้อยกว่าวิธีการเดิม
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ใน Journal of Advanced Development in Engineering and Science ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็นต้องเห็นด้วยหรือร่วมรับผิดชอบใดๆ
บทความ ข้อมูล เนื้อหา ฯลฯ ที่ได้รับการตีพิมพ์ในJournal of Advanced Development in Engineering and Science ถือเป็นลิขสิทธิ์ของ Journal of Advanced Development in Engineering and Science หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใดๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจาก Journal of Advanced Development in Engineering and Scienceก่อนเท่านั้น
เอกสารอ้างอิง
Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing. 4th ed. New York: Pearson.
Pitas, I., & Venetsanopoulos, A. N. (1990). Median Filters. Nonlinear Digital Filters: Principles and Applications. Boston, MA: Springer.
Hwang, H., & Haddad, R. A. (1995). Adaptive median filters: new algorithms and results. IEEE Transactions on Image Processing, 4(4), 499–502.
Esakkirajan, S., et al. (2011). Removal of high density salt and pepper noise through modified decision based unsymmetric trimmed median filter. IEEE Signal processing letters, 18(5), 287–290.
Erkan, U. & Gökrem, L. (2018). A new method based on pixel density in salt and pepper noise removal. Turkish Journal of Electrical Engineering and Computer Sciences, 26(1), 162-171.
Zhang, P. & Li, F. (2014). A New Adaptive Weighted Mean Filter for Removing Salt-and-Pepper Noise. IEEE Signal Processing Letters, 21(10), 1280–1283.
Goodfellow, I., et al. (2016). Deep learning. Cambridge, MA: MIT press.
O’Shea, K., & Nash, R. (2015). An Introduction to Convolutional Neural Networks. arXiv:1511.08458v2.
Girshick, R., et al. (2014). Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. In 2014 IEEE Conference on Computer Vision and Pattern Recognition (p. 580-587). 23 - 28 June, 2014, Columbus, OH, USA.
Girshick, R. (2015). Fast R-CNN. arXiv:1504.08083v2.
Bochkovskiy, A., et al. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv:2004.10934v1.
Redmon, J., et al. (2015). You Only Look Once: Unified, Real-Time Object Detection. arXiv:1506.02640v5.
Arunsiriwattana, P., et al. (2022). Laser pointer control for deep learning human detection. Journal of Science and Technology Mahasarakham University, 41(3), 152–163. (in Thai)
Petagon, R. & Pantho, O. (2020). Drone for Detecting Forest Fires using Deep Learning Technique. Sripatum Review of Science and Technology, 12, 66–78. (in Thai)
Tzutalin. (2015). LabelImg. Available from https://github.com/tzutalin/labelImg. Accessed date: 18 April 2023.
Huynh-Thu, Q. & Ghanbari, M. (2008). Scope of validity of PSNR in image/video quality assessment. Electronics letters, 44(13), 800–801.
