IGHF-DL: KLASİK MATEMATİKSEL FİLTRELEME VE DERİN ÖĞRENME İLE PARAMETRE VERİMLİ HİBRİT GÖRÜNTÜ GÜRÜLTÜ GİDERME
Türk Doğa ve Fen Dergisi, cilt.15, sa.2, ss.83-91, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 15 Sayı: 2
- Basım Tarihi: 2026
- Doi Numarası: 10.46810/tdfd.1872328
- Dergi Adı: Türk Doğa ve Fen Dergisi
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.83-91
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- Erciyes Üniversitesi Adresli: Evet
Özet
Görüntü gürültüsünün giderilmesi ile ayrıntının korunması arasında dikkat gerektiren bir denge bulunmaktadır. Aynı zamanda matematiksel temelli ve pratikte kullanılabilen düşük hesaplama maliyetli gürültü giderme modellerine ihtiyaç duyulmaktadır. Bu çalışmada klasik Ters Gauss Harmonik Filtreleme (Inverse Gaussian Harmonic Filter- IGHF) filtresinin matematiksel kenar koruma gücünü altı artık blok, kanal dikkat mekanizması ve kenar duyarlı iyileştirme bloğu içeren CNN yapısı ile iyileştiren IGHF-DL modelini öneriyoruz. Modelimizde, DnCNN parametre sayısının %54’ü kadarıyla düşük hesaplama maliyeti sağlayan bir eğitim gerçekleştirilmiştir. BSD68, CBSD68, McMaster, Kodak24, Set12 ve Urban100 veri setleri üzerinde yapılan kapsamlı deneylerde modelimiz BSD68 için 28.72 dB PSNR değeri elde ederek BM3D (+0.15 dB) modelini geçmiş ve DnCNN performansının %98.3’üne ulaşarak rekabetçi performans göstermektedir. Modelimiz sadece metrik olarak değil aynı zamanda kenar koruma ve algısal kalite açısından da başarılıdır. Urban100 gibi dokulu görüntülerin olduğu veri setinde IGHF modeline göre IGHF-DL, kenar koruma ve algısal kalitede FOM: 0.8252 değeri, LPIPS: 0.1147 ile matematiksel temeldeki sağlamlığını göstererek yeni nesil yöntemlerle entegrasyonunda daha da gelişebileceğini göstermektedir. Aynı zamanda IGHF modeline göre IGHF-DL metrik olarak en iyi gelişimi yüksek gürültü seviyelerinde +7.44 dB gelişim göstermiştir. Önerilen hibrit yaklaşım, kaynak kısıtlı ortamlar için hesaplama maliyetini düşüren parametre verimliliği ile pratik ve verimli bir çözüm sunmaktadır.
There is a critical balance between denoising and detail preservation that requires careful consideration. There is also a need for mathematically grounded, computationally efficient denoising models that are practical for real-world applications. In this study, we propose the IGHF-DL model, which improves the mathematical edge preservation power of the classic Inverse Gaussian Harmonic Filter (IGHF) by incorporating a CNN structure that includes six residual blocks, a channel attention mechanism, and an edge-sensitive enhancement block. In our model, training was performed with a low computational cost, reducing the number of DnCNN parameters by 54%. In comprehensive experiments performed on the BSD68, CBSD68, McMaster, Kodak24, Set12, and Urban100 datasets, our model achieved a PSNR value of 28.72 dB for BSD68, outperforming the BM3D (+0.15 dB) model and reaching 98.3% of the DnCNN performance, demonstrating competitive performance. Our model is successful not only in terms of metrics but also in terms of edge preservation and perceptual quality. On datasets with textured images such as Urban100, IGHF-DL outperforms the IGHF model in edge preservation and perceptual quality with FOM: 0.8252 and LPIPS: 0.1147, demonstrating its robustness on a mathematical basis and showing potential for further development in integration with next-generation methods. At the same time, compared to the IGHF model, IGHF-DL showed the best improvement in metrics at high noise levels with a +7.44 dB improvement. The proposed hybrid approach offers a practical and efficient solution with parameter efficiency that reduces computational costs for resource-constrained environments.