Apprentissage profond pour l’amélioration et la correction d’images

Abstract

Le domaine du filtrage et du rehaussement d'images joue un rôle crucial dans le traitement d'images, où des images sont altérées par diverses formes de bruit. Afin d'y parvenir, il est nécessaire d'utiliser des méthodes et des techniques pour éliminer ou réduire ces bruits. Afin de résoudre cette difficulté de restauration d'images bruitées, nous avons opté pour trois catégories de filtres: médian, moyenneur et le filtre neuronal d’apprentissage profond (Deep learning), sur diverses formes d'images impactées par divers types de bruits, dans le but d'analyser leur efficacité. Les résultats obtenus sont présentés à l’aide du calcul des erreurs MSE et PSNR, ainsi ils ont discuté en termes de qualité visuelle. Le filtre Deep learning est plus efficace sur les trois types de bruits avec des valeurs maximales de PSNR, et avec des valeurs minimales de MSE (0,0001 pour la plus part des images et des bruits) malgré l’amélioration obtenue sur les autres filtres. En fin, les performances des réseaux de neurones et leurs capacités de généralisation dans le traitement d'images ont été démontrées par les résultats obtenus, elle attire donc un intérêt particulier pour la reconnaissance d'images par les réseaux de neurones.