Görüntülerdeki gürültüyü gidermek için kendi kendine denetimli öğrenmeyi kullanma

Çektiğimiz fotoğraflardan kamusal alanlardaki kameraların kaydettiği videolara kadar görüntüler günlük yaşamımızın bir parçasıdır. Görüntüler değerli bilgiler içerir ve en son teknoloji bu verileri analiz edip yorumlamayı mümkün kılar.

Özellikle bilgisayarlı görü, yapay zekânın (AI) bir dalı olarak makinelerin görsel bilgileri işlemesini ve tıpkı insanlar gibi gördüklerini anlamasını sağlar. Ancak gerçek dünya uygulamalarında görüntüler çoğu zaman kusursuz olmaktan uzaktır.

Yağmur, toz, düşük ışık veya sensör sınırlamalarından kaynaklanan görüntü gürültüsü önemli ayrıntıları gizleyerek Vision AI modellerinin nesneleri algılamasını veya sahneleri doğru biçimde yorumlamasını zorlaştırabilir. Görüntü gürültüsü giderme, bu gürültüyü azaltarak Vision AI modellerinin ayrıntıları daha net görmesini ve daha iyi tahminler yapmasını sağlar.

Şekil 1. Görüntü gürültüsü gidermeye bir örnek. (Kaynak)

Geleneksel olarak görüntü gürültüsü giderme, modellerin gürültüyü nasıl kaldıracağını öğrenmesi için gürültülü ve temiz görüntü çiftleriyle eğitildiği denetimli öğrenmeye dayanmıştır. Ancak tamamen temiz referans görüntüler toplamak her zaman pratik değildir.

Araştırmacılar bu zorluğun üstesinden gelmek için öz denetimli görüntü gürültüsü gidericiler geliştirdi. Bu yöntemler, temiz referans görüntülere ihtiyaç duymadan gürültüyü kaldırmak ve önemli ayrıntıları korumak için kendi öğrenme sinyallerini oluşturarak AI modellerini doğrudan verilerden öğrenmeleri üzere eğitmeyi amaçlar.

Bu makalede öz denetimli görüntü gürültüsü gidericilere, bunların nasıl çalıştığına, arkasındaki temel tekniklere ve gerçek dünya uygulamalarına daha yakından bakacağız. Hadi başlayalım!

Öz denetimli görüntü gürültüsü giderme nedir?#

Gürültülü görüntüler, Vision AI modellerinin bir resimde ne olduğunu yorumlamasını zorlaştırabilir. Örneğin düşük ışık koşullarında çekilen bir fotoğraf grenli veya bulanık görünebilir ve modelin nesneleri doğru biçimde tanımlamasına yardımcı olan ince özellikleri gizleyebilir.

Denetimli öğrenme tabanlı gürültü gidermede modeller, istenmeyen gürültüyü nasıl kaldıracağını öğrenmek için biri gürültülü, diğeri temiz görüntü olmak üzere görüntü çiftleriyle eğitilir. Bu yaklaşım iyi çalışsa da tamamen temiz referans verileri toplamak gerçek dünya senaryolarında genellikle zaman alıcı ve zordur.

Bu nedenle araştırmacılar öz denetimli görüntü gürültüsü gidermeye yöneldi. Öz denetimli görüntü gürültüsü giderme, modellerin verilerden kendi öğrenme sinyallerini oluşturarak kendilerine öğretme kavramına dayanan öz denetimli öğrenmeyi temel alır.

Bu yöntem büyük etiketli veri kümelerine bağlı olmadığından öz denetimli gürültü giderme daha hızlı, daha ölçeklenebilir ve temiz referans görüntülerin çoğu zaman bulunmadığı düşük ışıkta fotoğrafçılık, tıbbi görüntüleme ve uydu görüntüsü analizi gibi alanlarda uygulanması daha kolaydır.

Bu yaklaşım, temiz referans görüntülere güvenmek yerine maskelenmiş pikselleri tahmin ederek veya eksik kısımları yeniden oluşturarak doğrudan gürültülü veriler üzerinde eğitim yapar. Model bu süreçte anlamlı görüntü ayrıntılarıyla rastgele gürültü arasındaki farkı öğrenir ve daha net, daha doğru çıktılar üretir.

Denetimsiz öğrenmeye benzer görünse de öz denetimli öğrenme aslında bunun özel bir durumudur. Temel fark, öz denetimli öğrenmede modelin belirli bir görevi öğrenmek için verilerden kendi etiketlerini veya eğitim sinyallerini oluşturmasıdır. Buna karşılık denetimsiz öğrenme, açık bir görev veya önceden tanımlanmış bir hedef olmadan verilerdeki gizli örüntüleri veya yapıları bulmaya odaklanır.

Öz denetimli gürültü gidermede öğrenme stratejileri#

Öz denetimli gürültü giderme bağlamında öğrenmenin gerçekleşmesinin birkaç yolu vardır. Bazı öz denetimli gürültü giderme modelleri maskelenmiş veya eksik pikselleri doldururken diğerleri tutarlı ayrıntıları bulmak için aynı görüntünün birden çok gürültülü sürümünü karşılaştırır.

Örneğin kör nokta öğrenmesi olarak bilinen popüler bir yöntem, gürültü giderici modeli yeniden oluşturduğu pikseli yok sayacak ve bunun yerine çevresindeki bağlama güvenecek şekilde eğitmeye odaklanır. Model zamanla temel dokuları, kenarları ve renkleri koruyarak yüksek kaliteli görüntüleri yeniden oluşturur.

Gürültüyü gidermek için öz denetimli öğrenme nasıl çalışır?#

Şimdi öz denetimli öğrenmenin gürültüyü giderme sürecini inceleyeceğiz.

Öz denetimli gürültü giderme süreci genellikle gürültülü görüntülerin gürültü giderme modeline beslenmesiyle başlar. Model, belirsiz veya maskelenmiş her pikselin nasıl görünmesi gerektiğini tahmin etmek için yakındaki pikselleri analiz eder ve gürültü ile gerçek görsel ayrıntılar arasındaki farkı kademeli olarak öğrenir.

Karanlık ve grenli bir gökyüzü görüntüsünü düşün. Model, her gürültülü bölgenin gürültü olmadan nasıl görünmesi gerektiğini tahmin etmek için yakındaki yıldızlara ve çevredeki örüntülere bakar. Bu süreci görüntünün tamamında tekrarlayarak rastgele gürültüyü anlamlı özelliklerden ayırmayı öğrenir ve daha net, daha doğru bir sonuç üretir.

Başka bir deyişle model, tamamen temiz bir referansa ihtiyaç duymadan bağlama göre görüntünün daha temiz bir sürümünü tahmin eder. Bu süreç, gürültüyü ele alma konusunda her biri kendine özgü güçlü yönlere sahip farklı model türleri kullanılarak uygulanabilir.

Öz denetimli görüntü gürültüsü azaltmada kullanılan model türleri#

Öz denetimli görüntü gürültüsü gidermede yaygın olarak kullanılan model türlerine kısaca göz atalım:

• Evrişimli sinir ağları (CNNs): CNNs, görüntünün küçük bölgelerindeki örüntüleri tanımak üzere tasarlanmış derin öğrenme modelleridir. Kenarları, şekilleri ve dokuları algılamak için filtreler kullanarak görüntüleri tararlar. Öz denetimli gürültü gidermede genellikle, modelin değerini yalnızca çevredeki piksellere göre tahmin etmesi için hedef pikselin girdiden çıkarıldığı kör nokta tekniklerini kullanırlar. Bu, modelin gürültüyü kopyalamasını önleyerek daha temiz ayrıntılar çıkarsamasına yardımcı olur.
• Otomatik kodlayıcılar: Otomatik kodlayıcılar, verileri sıkıştırmayı ve yeniden oluşturmayı öğrenen sinir ağlarıdır. Önce bir görüntüyü daha küçük bir temsile (kodlama) indirger, ardından onu yeniden oluştururlar (kod çözme). Bu süreçte şekiller ve dokular gibi önemli görsel özellikleri yakalamayı, rastgele gürültü ile ilgisiz ayrıntıları filtrelemeyi öğrenirler.
• Transformer tabanlı modeller: Transformer'lar başlangıçta doğal dil işleme için geliştirilen, ancak artık görüntü görevlerinde de yaygın olarak kullanılan modellerdir. Görüntünün tamamını tek seferde işleyerek farklı bölgelerin birbiriyle nasıl ilişkili olduğunu öğrenirler. Bu küresel bakış açısı, karmaşık veya yüksek çözünürlüklü görüntülerde bile ince ayrıntıları ve yapısal tutarlılığı korumalarını sağlar.

Şekil 2. Öz denetimli görüntü gürültüsü gidermede kullanılan CNN tabanlı bir mimariye bakış. (Kaynak)

Bu modelleri farklı aydınlatma ve ISO ayarlarında çekilmiş görüntülerle eğitmek, birçok gerçek dünya durumunda iyi çalışmalarına yardımcı olur. Dijital kameralarda ISO ayarları, alınan sinyali yükselterek kameranın görüntüyü ne kadar aydınlatacağını kontrol eder.

Daha yüksek ISO, karanlık ortamlarda fotoğrafları aydınlatır; ancak aynı zamanda gürültüyü artırır ve ayrıntıyı azaltır. Farklı ISO seviyelerinde çekilmiş görüntülerden öğrenen modeller, gerçek ayrıntıları gürültüden ayırmada daha başarılı olur ve daha net, daha doğru sonuçlar üretir.

Gürültü giderici, gürültünün ne olduğunu ve gerçeğin ne olduğunu nasıl öğrenir?#

Gürültü gidericiler, gürültüyü gerçek görüntü ayrıntılarından ayırmayı, gürültü gidermede kullanılan model türlerinden farklı olan çeşitli eğitim teknikleriyle öğrenir. CNNs, otomatik kodlayıcılar ve Transformer'lar gibi model türleri, ağın yapısını ve görsel bilgileri nasıl işlediğini tanımlar.

Buna karşılık eğitim teknikleri, modelin nasıl öğrendiğini belirler. Bazı yöntemler, modelin yakındaki bölgelerden gelen bilgileri kullanarak eksik veya maskelenmiş pikselleri doldurduğu bağlam tabanlı tahmin yöntemini kullanır.

Diğerleri, modelin bir görüntüyü daha basit bir biçime sıkıştırıp ardından yeniden oluşturduğu yeniden oluşturma tabanlı öğrenmeyi kullanır. Bu yöntem, modelin kenarlar ve dokular gibi anlamlı yapıları tanımasına, rastgele gürültüyü filtrelemesine yardımcı olur.

Model türü ve eğitim tekniği birlikte, bir gürültü gidericinin görüntüleri ne kadar etkili temizleyebileceğini belirler. Doğru mimariyi doğru öğrenme yaklaşımıyla birleştiren öz denetimli gürültü gidericiler, temiz referans verileri olmadan bile birçok gürültü türüne uyum sağlayabilir ve daha net, daha doğru görüntüler üretebilir.

Öz denetimli AI görüntü gürültüsü gidermede temel teknikler#

Etkili öz denetimli görüntü gürültüsü gidermeyi mümkün kılan en yaygın eğitim tekniklerinden bazıları şunlardır:

• Noise2Noise: Bu yöntem, aynı görüntünün iki gürültülü sürümünü kullanarak bir modeli eğitir. Her sürümdeki gürültü rastgele olduğundan model, gerçek görüntüyü temsil eden tutarlı ayrıntılara odaklanmayı ve gürültüyü yok saymayı öğrenir. Patlamalı fotoğrafçılıkta veya tıbbi ve bilimsel görüntülemede olduğu gibi aynı sahnenin birden çok gürültülü görüntüsü bulunduğunda en iyi şekilde çalışır.
• Noise2Void veya Noise2Self: Bu teknikler, tek bir gürültülü görüntü üzerinde bir pikseli gizleyerek (maskeleyerek) ve modelden değerini çevresindeki piksellere göre tahmin etmesini isteyerek eğitim yapar. Bu, modelin gürültülü verileri doğrudan kopyalamasını önler ve görüntülerin doğal yapısını öğrenmesine yardımcı olur. Yalnızca bir gürültülü görüntünün bulunduğu mikroskopi, astronomi veya düşük ışıkta fotoğrafçılık gibi durumlarda özellikle kullanışlıdır.
• Kör nokta ağları: Bu ağlar, modelin yeniden oluşturduğu pikseli göremeyeceği şekilde özel olarak tasarlanır. Bunun yerine model, o pikselin nasıl görünmesi gerektiğini tahmin etmek için çevresindeki alandan gelen bilgilere güvenir. Bu, gürültü gidermeyi daha doğru ve tarafsız hâle getirir; ağlar piksel düzeyinde gürültü giderme görevlerinde genellikle Noise2Void veya Noise2Self yöntemleriyle birleştirilir.
• Maskeli otomatik kodlayıcılar (MAE): Bu yaklaşımda görüntünün bazı kısımları gizlenir ve model eksik alanları yeniden oluşturmayı öğrenir. Model bunu yaparak hem ince ayrıntıları hem de genel yapıyı öğrenir ve gerçek içeriği gürültüden ayırt edebilir. Maskeli otomatik kodlayıcılar, daha geniş bağlamı anlamanın iyileştirmeyi geliştirdiği yüksek çözünürlüklü veya karmaşık görüntülerde özellikle etkilidir.

Görüntü gürültüsü giderme sistemlerini değerlendirme#

Görüntü gürültüsü giderme, iki hedef arasında dikkatli bir denge kurmayı gerektirir: gürültüyü azaltmak ve ince ayrıntıları korumak. Fazla gürültü giderme görüntünün yumuşak veya bulanık görünmesine, yetersiz gürültü giderme ise geride istenmeyen gren veya yapaylıklar kalmasına neden olabilir.

Bir modelin bu dengeyi ne kadar iyi kurduğunu anlamak için araştırmacılar, hem görüntü netliğini hem de ayrıntıların korunmasını ölçen değerlendirme metriklerini kullanır. Bu metrikler, önemli görsel bilgileri kaybetmeden bir modelin görüntüyü ne kadar iyi temizlediğini gösterir.

Görüntü kalitesini ve gürültü giderme performansını ölçmeye yardımcı olan yaygın değerlendirme metrikleri şunlardır:

• Ortalama Karesel Hata (MSE): Orijinal ve gürültüsü giderilmiş görüntüler arasındaki ortalama karesel farkı ölçer. Çıktının piksel düzeyinde orijinale ne kadar yakın olduğunu gösterir. Daha düşük MSE değerleri daha az hata ve daha doğru sonuç anlamına gelir.
• Tepe Sinyal-Gürültü Oranı (PSNR): Bu metrik, orijinal görüntü sinyalinin gücünü kalan gürültüyle karşılaştırır ve sonucu desibel cinsinden ifade eder. Gürültü giderme sonrasında orijinal ayrıntıların ne kadarının korunduğunu görmek için kullanılır. Daha yüksek PSNR değerleri daha net ve yüksek kaliteli görüntüler anlamına gelir.
• Yapısal Benzerlik İndeksi Ölçümü (SSIM): SSIM, gürültüsü giderilmiş görüntü ile orijinal arasındaki benzerliği değerlendirmek için yapıyı, parlaklığı ve kontrastı ölçer. Yalnızca ham sayılara değil, insanların görüntüleri nasıl gördüğüne odaklanır. Daha yüksek SSIM puanları, görüntünün daha doğal ve orijinale daha sadık göründüğü anlamına gelir.
• Algısal metrikler: Bu metrikler, bir görüntünün ne kadar gerçekçi ve doğal göründüğünü değerlendirmek için derin öğrenme modellerini kullanır. Tek tek pikselleri karşılaştırmak yerine genel görünüme, dokuya ve görsel benzerliğe odaklanırlar. Çoğu durumda daha düşük puanlar, görüntünün orijinale daha yakın ve insanlar için görsel olarak daha hoş göründüğü anlamına gelir.

Öz denetimli gürültü gidermenin uygulamaları#

Gürültü gidermenin ne olduğunu artık daha iyi anladığımıza göre öz denetimli görüntü gürültüsü gidermenin gerçek dünya senaryolarında nasıl uygulandığını inceleyelim.

Astrofotoğrafçılıkta öz denetimli gürültü gidermeyi kullanma#

Yıldızların ve galaksilerin net fotoğraflarını çekmek kolay değildir. Gece gökyüzü karanlık olduğundan kameralar çoğu zaman uzun pozlama sürelerine ihtiyaç duyar ve bu da istenmeyen gürültü oluşturabilir. Bu gürültü, ince kozmik ayrıntıları bulanıklaştırabilir ve soluk sinyallerin algılanmasını zorlaştırabilir.

Geleneksel gürültü giderme araçları gürültüyü azaltmaya yardımcı olabilir, ancak çoğu zaman önemli ayrıntıları da beraberinde ortadan kaldırır. Öz denetimli gürültü giderme daha akıllı bir alternatif sunar. AI modeli, doğrudan gürültülü görüntülerden öğrenerek gerçek özellikleri temsil eden örüntüleri tanıyabilir ve bunları rastgele gürültüden ayırabilir.

Sonuç, yıldızlar, galaksiler ve Güneş gibi gök cisimlerinin çok daha net görüntüleridir; bu görüntüler, aksi hâlde fark edilmeyebilecek soluk ayrıntıları ortaya çıkarır. Ayrıca ince astronomik özellikleri belirginleştirerek görüntü netliğini artırabilir ve verileri bilimsel araştırmalar için daha kullanışlı hâle getirebilir.

Şekil 3. Görüntü gürültüsü giderme astrofotoğrafçılık görüntülerini iyileştirebilir. (Kaynak)

Tıbbi görüntüleme için öz denetimli gürültü giderme#

MRI, BT ve mikroskopi görüntüleri gibi tıbbi taramalarda çoğu zaman küçük ayrıntıların görülmesini zorlaştıran gürültüler oluşur. Bu durum, doktorların hastalığın erken belirtilerini tespit etmesi veya zaman içindeki değişimleri izlemesi gerektiğinde sorun yaratabilir.

Görüntü gürültüsü; hastanın hareketinden, düşük sinyal gücünden veya kullanılabilecek radyasyon miktarına ilişkin sınırlamalardan kaynaklanabilir. Tıbbi taramaları daha net hâle getirmek için araştırmacılar Noise2Self ve benzeri diğer yaklaşımlar gibi öz denetimli gürültü giderme yöntemlerini incelemiştir.

Bu modeller doğrudan gürültülü beyin MRI görüntüleri üzerinde eğitilir; gürültü örüntülerini kendi başlarına öğrenir ve tamamen net örneklere ihtiyaç duymadan görüntüleri temizler. İşlenen görüntüler daha keskin dokular ve daha iyi kontrast göstererek ince yapıların tanımlanmasını kolaylaştırdı. Bu tür AI destekli gürültü gidericiler, tanısal görüntülemedeki iş akışını kolaylaştırır ve gerçek zamanlı analiz verimliliğini artırır.

Şekil 4. Beyin MRI taramalarında farklı öz denetimli gürültü giderme tekniklerinin kullanılması. (Kaynak)

Öz denetimli gürültü giderme ile görü sistemlerini geliştirme#

Çoğu durumda gürültü giderme, çok çeşitli bilgisayarlı görü uygulamalarında önemli bir etkiye sahiptir. İstenmeyen gürültü ve bozulmaları ortadan kaldırarak Vision AI modellerinin işlemesi için daha temiz ve tutarlı girdi verileri üretir.

Daha net görüntüler; nesne algılama, örnek segmentasyonu ve görüntü tanıma gibi bilgisayarlı görü görevlerinde performansı artırır. Ultralytics YOLO11 ve Ultralytics YOLO26 gibi Vision AI modellerinin gürültü gidermeden yararlanabileceği bazı uygulama örnekleri şunlardır:

• Endüstriyel denetim: Gürültü giderme, üretim ortamlarında yüzey kusurlarının veya anormalliklerin daha doğru algılanmasını sağlayarak kalite kontrolünü geliştirir.
• Otonom sürüş ve navigasyon: Düşük ışık, yağmur veya sis gibi zorlu koşullarda nesne ve engel algılamayı geliştirerek genel güvenliği ve güvenilirliği artırır.
• Gözetim ve güvenlik: Gürültü giderme, düşük ışıklı veya yüksek sıkıştırmalı video akışlarında görüntü kalitesini artırarak nesnelerin veya kişilerin daha iyi tanımlanmasını ve izlenmesini sağlar.
• Sualtı görüntüleme: Gürültü giderme, bulanık su koşullarında saçılmayı ve ışık bozulmasını azaltarak görünürlüğü ve nesne tanımayı geliştirir.

Öz denetimli gürültü gidermenin artıları ve eksileri#

Görüntüleme sistemlerinde öz denetimli gürültü gidermenin bazı temel avantajları şunlardır:

• Gürültüye uyarlanabilirlik: Öz denetimli gürültü giderme yöntemleri, eşleştirilmiş temiz referanslara ihtiyaç duymadan doğrudan gürültülü verilerden öğrenebilir. Bu, onları sensör gürültüsü, hareket bulanıklığı veya çevresel parazit gibi çok çeşitli gerçek dünya gürültü seviyelerine ve türlerine son derece uyarlanabilir hâle getirir.
• Ayrıntıların korunması: İyi tasarlandıklarında bu modeller, doğru görüntü yorumlama için gerekli olan ince dokuları ve kenarları korur. Kör nokta ağları ve maskeleme tabanlı öğrenme gibi yaklaşımlar, gürültüyü azaltırken yapısal bilgilerin korunmasına yardımcı olur.
• Daha az ön işleme: Model, yalnızca mevcut verileri kullanarak gürültülü girdileri temiz temsillere eşlemeyi öğrenir ve böylece manuel filtreleme, elle hazırlanmış gürültü giderme algoritmaları veya özenle seçilmiş eğitim veri kümelerine duyulan ihtiyacı en aza indirir.

Avantajlarına rağmen öz denetimli gürültü gidermenin bazı sınırlamaları da vardır. Dikkate alınması gereken birkaç faktör şunlardır:

• Hesaplama gereksinimleri: Öz denetimli gürültü gidermede kullanılan derin sinir ağı mimarileri, özellikle Transformer tabanlı modeller, geleneksel filtreleme tekniklerine kıyasla önemli ölçüde hesaplama gücü ve bellek kaynağı gerektirebilir.
• Model tasarımının karmaşıklığı: En iyi sonuçları elde etmek; farklı gürültü türlerine göre değişebilen maskeleme stratejisi ve kayıp işlevi gibi model ayarlarının dikkatle seçilmesini gerektirir.
• Değerlendirme zorlukları: Yaygın görüntü kalitesi metrikleri, gürültüsü giderilmiş bir görüntünün ne kadar doğal veya gerçekçi göründüğüyle her zaman örtüşmez; bu nedenle genellikle görsel veya göreve özgü kontroller gerekir.

Önemli çıkarımlar#

Öz denetimli gürültü giderme, AI modellerinin doğrudan gürültülü görüntülerden öğrenmesine yardımcı olur ve ince ayrıntıları korurken daha net sonuçlar üretir. Düşük ışık, yüksek ISO ve ayrıntılı görüntüler gibi çeşitli zorlu senaryolarda etkili biçimde çalışır. AI gelişmeye devam ettikçe bu tür tekniklerin çeşitli bilgisayarlı görü uygulamalarında önemli bir rol oynaması muhtemeldir.

Topluluğumuza katıl ve AI hakkında daha fazla bilgi edinmek için GitHub depomuzu incele. Kendi Vision AI projenizi oluşturmak istiyorsan lisanslama seçeneklerimize göz at. Çözümler sayfalarımızı ziyaret ederek sağlık hizmetlerinde AI ve perakendede Vision AI gibi uygulamalar hakkında daha fazla bilgi edin.