Görüntülerdeki gürültüyü gidermek için öz denetimli öğrenmeden yararlanma

Çektiğimiz fotoğraflardan kamusal alanlardaki kameraların kaydettiği videolara kadar görüntüler günlük yaşamımızın bir parçası. Görüntüler değerli bilgiler içeriyor ve modern teknoloji bu verilerin analiz edilip yorumlanmasını mümkün kılıyor.

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

Yağmur, toz, düşük ışık veya sensör kısıtlamalarının neden olduğu görüntü gürültüsü önemli ayrıntıları gizleyerek görü yapay zekâ modellerinin nesneleri tespit etmesini veya sahneleri doğru yorumlamasını zorlaştırabilir. Görüntü gürültüsünü giderme, bu gürültüyü azaltmaya yardımcı olur; böylece görü yapay zekâ modelleri ayrıntıları daha net görebilir ve daha iyi tahminlerde bulunabilir.

Şekil 1. Görüntü gürültüsünü giderme örneği. (Kaynak)

Geleneksel olarak görüntü gürültüsünü giderme, modellere gürültüyü nasıl kaldıracaklarını öğretmek için gürültülü ve temiz görüntü çiftleriyle eğitildikleri denetimli öğrenmeye dayanıyordu. Ancak kusursuz, temiz referans görüntüler toplamak her zaman uygulanabilir olmuyor.

Bu zorluğun üstesinden gelmek için araştırmacılar öz denetimli görüntü gürültüsü giderme yöntemleri geliştirdi. Bu yöntemler, yapay zekâ modellerini doğrudan verilerden öğrenmeleri için eğitmeyi; gürültüyü kaldırırken önemli ayrıntıları koruyacak öğrenme sinyallerini kendilerinin oluşturmasını amaçlıyor.

Bu makalede, öz denetimli görüntü gürültüsü giderme modellerine, bunların çalışma biçimlerine, temel tekniklerine ve gerçek dünyadaki uygulamalarına yakından bakacağız.

Öz denetimli görüntü gürültüsü giderme nedir?#

Gürültülü görüntüler, görü yapay zekâ modellerinin bir resimde ne olduğunu yorumlamasını zorlaştırabilir. Örneğin düşük ışık koşullarında çekilmiş bir fotoğraf grenli veya bulanık görünebilir ve modelin nesneleri doğru tanımasına yardımcı olan ince özellikleri gizleyebilir.

Denetimli öğrenme tabanlı gürültü giderme yöntemlerinde modellere, istenmeyen gürültüyü nasıl kaldıracaklarını öğretmek için biri gürültülü, diğeri temiz görüntü çiftleriyle eğitim verilir. Bu yaklaşım işe yarasa da gerçek dünya senaryolarında kusursuz, temiz referans veriler toplamak genellikle zaman alıcı ve zordur.

Araştırmacılar bu nedenle öz denetimli görüntü gürültüsü gidermeye yöneldi. Öz denetimli görüntü gürültüsü giderme, modellerin verilerden kendi öğrenme sinyallerini oluşturarak kendilerini eğittiği öz denetimli öğrenme kavramını temel alır.

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

Bu yaklaşım, temiz referans görüntülere dayanmak yerine maskelenmiş pikselleri tahmin ederek veya eksik bölümleri yeniden oluşturarak doğrudan gürültülü verilerle eğitim yapar. Bu süreçte model, anlamlı görüntü ayrıntıları ile rastgele gürültüyü ayırt etmeyi öğrenir ve daha net, daha doğru çıktılar üretir.

Denetimsiz öğrenmeye benzer görünse de öz denetimli öğrenme aslında onun özel bir türüdür. Temel fark şudur: Öz denetimli öğrenmede model, belirli bir görevi öğrenmek için kendi etiketlerini veya eğitim sinyallerini verilerden oluşturur. Buna karşılık denetimsiz öğrenme, açıkça tanımlanmış bir görev veya önceden belirlenmiş bir hedef olmadan verilerdeki gizli örüntüleri ya da yapıları bulmaya odaklanır.

Öz denetimli gürültü gidermede öğrenme stratejileri#

Öz denetimli gürültü giderme modelleri çeşitli şekillerde öğrenebilir. Bazıları maskelenmiş veya eksik pikselleri tamamlayıp doldururken, diğerleri tutarlı ayrıntıları bulmak için aynı görüntünün birden fazla gürültülü sürümünü karşılaştırır.

Örneğin, kör nokta öğrenimi olarak bilinen popüler bir yöntem, gürültü giderme modelini yeniden oluşturduğu pikseli görmezden gelmesi ve bunun yerine çevresindeki bağlamdan yararlanması için eğitmeye odaklanır. Model zamanla temel dokuları, kenarları ve renkleri korurken yüksek kaliteli görüntüleri yeniden oluşturur.

Öz denetimli öğrenme gürültüyü gidermek için nasıl çalışır?#

Şimdi öz denetimli öğrenmenin gürültüyü nasıl giderdiğini inceleyeceğiz.

Öz denetimli gürültü giderme süreci genellikle gürültülü görüntülerin gürültü giderme modeline verilmesiyle başlar. Model, her belirsiz veya maskelenmiş pikselin nasıl görünmesi gerektiğini tahmin etmek için yakındaki pikselleri analiz eder ve gürültü ile gerçek görsel ayrıntıları ayırt etmeyi aşamalı olarak öğrenir.

Karanlık ve grenli bir gökyüzü görüntüsünü düşün. Model, gürültülü her parçanın 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, kusursuz ve temiz bir referansa hiç ihtiyaç duymadan bağlamdan yararlanarak görüntünün daha temiz bir sürümünü tahmin eder. Bu süreç, her biri gürültüyü ele alma konusunda kendine özgü güçlü yönlere sahip farklı model türleriyle uygulanabilir.

Öz denetimli görüntü gürültüsü azaltmada kullanılan model türleri#

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

• Evrişimsel Sinir Ağları (CNNs): CNN'ler, görüntünün küçük bölgelerindeki örüntüleri tanımak üzere tasarlanmış derin öğrenme modelleridir. Kenarları, şekilleri ve dokuları tespit etmek için filtreler kullanarak görüntüleri tararlar. Öz denetimli gürültü gidermede genellikle hedef pikselin modelin değerini yalnızca çevresindeki piksellere dayanarak tahmin etmesi için girdiden çıkarıldığı kör nokta tekniklerini kullanırlar. Bu, modelin gürültüyü kopyalamasını önler ve bunun yerine daha temiz ayrıntıları çıkarsamasına yardımcı olur.
• Otomatik kodlayıcılar: Otomatik kodlayıcılar, verileri sıkıştırmayı ve yeniden oluşturmayı öğrenen sinir ağlarıdır. Önce görüntüyü daha küçük bir temsile dönüştürür (kodlama), ardından yeniden oluştururlar (kod çözme). Bu süreçte, rastgele gürültüyü ve önemsiz ayrıntıları filtrelerken şekiller ve dokular gibi önemli görsel özellikleri yakalamayı öğrenirler.
• Transformer tabanlı modeller: Transformer'lar başlangıçta doğal dil işleme için geliştirilmiş, ancak artık görü görevlerinde de yaygın olarak kullanılan modellerdir. Görüntünün tamamını bir kerede işleyerek farklı bölgelerin birbiriyle ilişkisini öğrenirler. Bu bütünsel bakış açısı, karmaşık veya yüksek çözünürlüklü görüntülerde bile ince ayrıntıları ve yapısal tutarlılığı korumalarını sağlar.

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

Bu modelleri farklı aydınlatma koşullarında ve ISO ayarlarında çekilmiş görüntülerle eğitmek, birçok gerçek dünya koşulunda iyi çalışmalarına yardımcı olur. Dijital fotoğraf makinelerinde ISO ayarları, alınan sinyali yükselterek kameranın görüntüyü ne kadar aydınlatacağını belirler.

Daha yüksek ISO, karanlık yerlerde fotoğrafları aydınlatır ancak gürültüyü artırır ve ayrıntıları azaltır. Modeller, farklı ISO seviyelerinde çekilmiş görüntülerden öğrenerek gerçek ayrıntıları gürültüden daha iyi ayırt eder; böylece daha net ve doğru sonuçlar üretir.

Gürültü giderici, neyin gürültü neyin gerçek olduğunu nasıl öğrenir?#

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

Öte yandan eğitim teknikleri, modelin nasıl öğrendiğini belirler. Bazı yöntemlerde bağlam tabanlı tahmin kullanılır; model, yakındaki alanlardan aldığı bilgileri kullanarak eksik veya maskelenmiş pikselleri tamamlar.

Diğer yöntemlerde yeniden yapılandırma tabanlı öğrenme kullanılır; model, görüntüyü daha basit bir biçime sıkıştırıp ardından yeniden oluşturur. Bu yöntem, rastgele gürültüyü filtrelerken modelin kenarlar ve dokular gibi anlamlı yapıları tanımasına 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, birçok gürültü türüne uyum sağlayabilir ve temiz referans verileri olmadan bile daha net, doğru görüntüler üretebilir.

Öz denetimli yapay zekâ ile görüntü gürültüsü gidermede temel teknikler#

Etkili öz denetimli görüntü gürültüsü gidermeyi mümkün kılan, yaygın olarak kullanılan eğitim tekniklerinden bazıları şunlardır:

• Noise2Noise: Bu yöntemde model, aynı görüntünün gürültülü iki sürümüyle eğitilir. Her sürümdeki gürültü rastgele olduğundan model, gerçek görüntüyü temsil eden tutarlı ayrıntılara odaklanmayı ve gürültüyü yok saymayı öğrenir. Seri çekim fotoğrafçılığında veya tıbbi ve bilimsel görüntülemede olduğu gibi, aynı sahnenin birden fazla gürültülü görüntüsü bulunduğunda en iyi sonucu verir.
• Noise2Void veya Noise2Self: Bu tekniklerde tek bir gürültülü görüntü kullanılır; bir piksel gizlenir (maskelenir) ve modelden bu pikselin değerini çevresindeki piksellere dayanarak tahmin etmesi istenir. Böylece modelin gürültülü verileri doğrudan kopyalaması önlenir ve görüntülerin doğal yapısını öğrenmesine yardımcı olunur. Mikroskopi, astronomi veya düşük ışıkta fotoğrafçılık gibi yalnızca tek bir gürültülü görüntünün bulunduğu durumlarda özellikle kullanışlıdırlar.
• Kör noktalı ağlar: Bu ağlar, modelin yeniden oluşturduğu pikseli göremeyeceği şekilde özel olarak tasarlanır. Bunun yerine model, o pikselin nasıl görünmesi gerektiğini tahmin etmek için çevresindeki alanlardan aldığı bilgilere dayanır. Bu, gürültü gidermeyi daha doğru ve tarafsız hâle getirir; piksel düzeyinde gürültü giderme görevlerinde genellikle Noise2Void veya Noise2Self yöntemleriyle birlikte kullanılırlar.
• Maskeli Otomatik Kodlayıcılar (MAE): Bu yaklaşımda görüntünün bazı bölümleri gizlenir ve model eksik alanları yeniden oluşturmayı öğrenir. Böylece model, hem ince ayrıntıları hem de genel yapıyı öğrenerek gerçek içeriği gürültüden ayırt edebilir. Maskeli otomatik kodlayıcılar, daha geniş bağlamı anlamanın görüntüyü iyileştirdiği yüksek çözünürlüklü veya karmaşık görüntülerde özellikle etkilidir.

Görüntü gürültüsü giderme sistemlerini değerlendirme#

Görüntü gürültüsünü gidermek, iki hedef arasında hassas bir denge kurmayı gerektirir: gürültüyü azaltmak ve ince ayrıntıları korumak. Aşırı gürültü giderme görüntüyü yumuşak veya bulanık gösterebilirken yetersiz gürültü giderme istenmeyen grenleri veya yapaylıkları bırakabilir.

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

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

• Ortalama Kare Hata (MSE): Özgün ve gürültüsü giderilmiş görüntüler arasındaki kare farkların ortalamasını ölçer. Çıktının piksel düzeyinde özgün görüntüye 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, özgün görüntü sinyalinin gücünü kalan gürültüyle karşılaştırır ve desibel cinsinden ifade edilir. Gürültü giderme sonrasında özgün ayrıntıların ne kadarının korunduğunu görmek için kullanılır. Daha yüksek PSNR değerleri, daha net ve kaliteli görüntüler anlamına gelir.
• Yapısal Benzerlik İndeksi Ölçümü (SSIM): SSIM, gürültüsü giderilmiş görüntü ile özgün görüntünün benzerliğini değerlendirmek için yapıyı, parlaklığı ve kontrastı inceler. Yalnızca ham sayılara değil, insanların görüntüleri nasıl gördüğüne odaklanır. Daha yüksek SSIM puanları, görüntünün daha doğal ve özgününe daha yakın göründüğünü gösterir.
• Algısal metrikler: Bu metrikler, bir görüntünün ne kadar gerçekçi ve doğal göründüğünü değerlendirmek için derin öğrenme modellerinden yararlanır. Tek tek pikselleri karşılaştırmak yerine genel görünüme, dokuya ve görsel benzerliğe odaklanırlar. Çoğu durumda daha düşük puanlar, görüntünün özgününe daha yakın ve insanlar için görsel açıdan daha hoş göründüğü anlamına gelir.

Öz denetimli gürültü gidermenin uygulamaları#

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

Astrofotoğrafçılıkta öz denetimli gürültü giderme kullanımı#

Yıldızların ve galaksilerin net fotoğraflarını çekmek kolay değildir. Gece gökyüzü karanlık olduğundan kameralar genellikle uzun pozlama sürelerine ihtiyaç duyar ve bu da istenmeyen gürültüye yol açabilir. Bu gürültü, ince kozmik ayrıntıları bulanıklaştırabilir ve sönük sinyallerin algılanmasını zorlaştırabilir.

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

Sonuç olarak yıldızlar, galaksiler ve Güneş gibi gök cisimlerinin görüntüleri çok daha net hâle gelir ve aksi hâlde fark edilmeyebilecek sönük ayrıntılar ortaya çıkar. Bu yöntem, ince astronomik özellikleri de belirginleştirerek görüntü netliğini artırabilir ve verileri bilimsel araştırmalar için daha kullanışlı hâle getirebilir.

Şekil 3. Görüntü gürültüsünü giderme, astrofotoğrafçılık görüntülerini iyileştirebilir. (Kaynak)

Tıbbi görüntülemede öz denetimli gürültü giderme#

MR, BT ve mikroskopi görüntüleri gibi tıbbi taramalarda, küçük ayrıntıların görülmesini zorlaştıran gürültüler sıkça ortaya çıkar. Doktorların hastalığın erken belirtilerini saptaması veya zaman içindeki değişimleri izlemesi gerektiğinde bu durum sorun yaratabilir.

Görüntü gürültüsü; hastanın hareketinden, sinyal gücünün düşük olmasından veya kullanılabilecek radyasyon miktarının sınırlı olmasından kaynaklanabilir. Tıbbi taramaları daha net hâle getirmek için araştırmacılar Noise2Self ve benzeri yaklaşımlar gibi öz denetimli gürültü giderme yöntemlerini araştırdı.

Bir çalışmada bu tür modeller doğrudan gürültülü beyin MRI görüntüleri üzerinde eğitildi; modeller gürültü örüntülerini kendi başlarına öğrendi ve tamamen net örneklere ihtiyaç duymadan görüntüleri temizledi. İşlenen görüntüler daha keskin dokular ve daha iyi kontrast göstererek ince yapıların belirlenmesini kolaylaştırdı. Bu tür yapay zekâ destekli gürültü giderme modelleri, tanısal görüntüleme iş akışlarını kolaylaştırabilir ve analizleri hızlandırabilir.

Şekil 4. Beyin MR taramalarında farklı öz denetimli gürültü giderme tekniklerinin kullanımı. (Kaynak)

Öz denetimli gürültü gidermeyle görme sistemlerini iyileştirme#

Gürültü giderme, çok çeşitli bilgisayarlı görü uygulamalarında önemli bir etki yaratabilir. İstenmeyen gürültüleri ve bozulmaları 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. Gürültü gidermeden yararlanabilecek Vision AI modellerinin (örneğin Ultralytics YOLO11 ve Ultralytics YOLO26) kullanıldığı bazı uygulama örnekleri şunlardır:

• Endüstriyel denetim: Gürültü giderme, üretim ortamlarında yüzey kusurlarının veya anormalliklerin daha doğru algılanmasını destekleyerek kalite kontrolünü iyileştirir.
• 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 iyileştirir.

Öz denetimli gürültü gidermenin artıları ve eksileri#

Görüntüleme sistemlerinde öz denetimli gürültü giderme kullanmanın bazı temel faydaları şunlardır:

• Gürültüye uyum: Öz denetimli gürültü giderme yöntemleri, eşleştirilmiş temiz referanslara ihtiyaç duymadan doğrudan gürültülü verilerden öğrenebilir. Bu özellik, sensör gürültüsü, hareket bulanıklığı veya çevresel parazit gibi çok çeşitli gerçek dünya gürültü düzeylerine ve türlerine kolayca uyum sağlamalarını mümkün kılar.
• Ayrıntıları koruma: İyi tasarlandıklarında bu modeller, görüntüleri doğru yorumlamak için gerekli olan ince dokuları ve kenarları korur. Kör noktalı ağlar ve maskeleme tabanlı öğrenme gibi yaklaşımlar, gürültüyü azaltırken yapısal bilgilerin korunmasına yardımcı olur.
• Daha az ön işleme: Model, yalnızca mevcut verileri kullanarak gürültülü girişleri temiz temsillere dönüştürmeyi öğrenir; böylece elle filtreleme, özel olarak tasarlanmış gürültü giderme algoritmaları veya özenle hazırlanmış eğitim veri kümelerine duyulan ihtiyacı en aza indirir.

Faydalarına rağmen öz denetimli gürültü gidermenin bazı sınırlamaları da vardır. Göz önünde bulundurman gereken birkaç etken şunlardır:

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

Önemli çıkarımlar#

Öz denetimli gürültü giderme, yapay zekâ modellerinin doğrudan gürültülü görüntülerden öğrenmesine yardımcı olur; ince ayrıntıları korurken daha net sonuçlar üretir. Düşük ışık, yüksek ISO ve ayrıntı yoğun görüntüler gibi çeşitli zorlu senaryolarda etkili biçimde çalışır. Yapay zekâ gelişmeye devam ettikçe bu tür tekniklerin çeşitli bilgisayarlı görü uygulamalarında temel bir rol oynaması bekleniyor.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu incele. Kendi Vision AI projen üzerinde çalışmak istiyorsan lisanslama seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek sağlık hizmetlerinde yapay zekâ ve perakendede Vision AI gibi uygulamalar hakkında daha fazla bilgi edin.