KaydedilenlerDerginizi ekleyin

Dergiler / Karaelmas Fen ve Mühendislik Dergisi / 2018 / Cilt: 8 - Sayı: 2

Sayısal Holografide Geri Elde Edilen Görüntünün İyileştirilmesi İçin Yapay Sinir Ağları Metodunun Kullanılması

Usage of artificial neural networks method for image enhancement of reconstructed image in digital holography

GÜLHAN USTABAŞ KAYA
ZEHRA SARAÇ
Sayfa
561–569
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca, bu bağıl hata şekilleri, MATLAB yapay sinir ağları araç kutusu ile elde edilen hata histogramları ile desteklenmiştir

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu makalenin amacı, yapay sinir ağları yaklaşımını sayısal holografide hologramdan geri elde edilen üç boyutlu görüntünün iyileştirilmesi için kullanmaktır.
📊
Temel Bulgular & Veri:Gerchberg-Saxton algoritmasına dayalı yapay sinir ağları metodu, gürültünün azaltılması ve bu görüntünün parlaklığının arttırılması için uygulanmıştır.
💡
Sonuç & Katkı:Ayrıca, bu bağıl hata şekilleri, MATLAB yapay sinir ağları araç kutusu ile elde edilen hata histogramları ile desteklenmiştir
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay sinir ağları · Sayısal holografi · Gerchberg-Saxton algoritması

Özet

Bu makalenin amacı, yapay sinir ağları yaklaşımını sayısal holografide hologramdan geri elde edilen üç boyutlu görüntünün iyileştirilmesi için kullanmaktır. Gerchberg-Saxton algoritmasına dayalı yapay sinir ağları metodu, gürültünün azaltılması ve bu görüntünün parlaklığının arttırılması için uygulanmıştır. Önerilen metodun sonuçları, bağıl hata ile sunulmuştur. Ayrıca, bu bağıl hata şekilleri, MATLAB yapay sinir ağları araç kutusu ile elde edilen hata histogramları ile desteklenmiştir

Abstract

The aim of paper is to use an artificial neural network approach for enhancement of three dimensional image reconstructed in digital holography. An artificial neural network method based on Gerchberg-Saxton algorithm is implemented to reduce the noise and increase the brightness of this image. The results of proposed method have been presented by a relative error. In addition, these relative error figures are supported with error histogram obtained from MATLAB neural network fitting toolbox.

🔖

Bu Makaleye Atıf Yap

KAYA, G. U., SARAÇ, Z. (2018). Sayısal Holografide Geri Elde Edilen Görüntünün İyileştirilmesi İçin Yapay Sinir Ağları Metodunun Kullanılması. Karaelmas Fen ve Mühendislik Dergisi, Cilt: 8 - Sayı: 2, 561–569. https://ajindex.com/articles/196244

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Avidor, G., Gur, E. 2010. An adaptive algorithm for phase retrieval from high intensity images. International Conference on Image Processing Theory Tools and Applications. pp. 225-228,
  2. Paris. Duda, RO., Hart, PE., Stork, DG. 2000. Pattern Classification. 2 nd Ed, John Wiley, New York, USA, 680 pp. Dyomin, VV., Kamenev, DV., Olshukov, AS. 2014. Methods for image enhancement and accuracy increase in the digital holography of particles. Oceans 2014. pp. 1-5,
  3. Taiwan. Farnood Ahmadi, F., Valadan Zoej, MJ., Ebadi, H., Mokhtarzade, M. 2008. The application of neural networks, image processing and cad-based environments facilities in automatic road extraction and vectorization from high resolution satellite images. Int. Arch. Photogramm. Rem. S. Spat. Inf. Sci., 37(1): 585-592.
  4. Gerchberg, RW., Saxton, WO. 1972. A practical algorithm for the determination of phase from image and diffraction plane pictures. Optik, 35(2):237-246.
  5. Avidor, G., Gur, E. 2010. An adaptive algorithm for phase retrieval from high intensity images. International Conference on Image Processing Theory Tools and Applications. pp. 225-228,
  6. Paris. Duda, RO., Hart, PE., Stork, DG. 2000. Pattern Classification. 2 nd Ed, John Wiley, New York, USA, 680 pp. Dyomin, VV., Kamenev, DV., Olshukov, AS. 2014. Methods for image enhancement and accuracy increase in the digital holography of particles. Oceans 2014. pp. 1-5,
  7. Taiwan. Farnood Ahmadi, F., Valadan Zoej, MJ., Ebadi, H., Mokhtarzade, M. 2008. The application of neural networks, image processing and cad-based environments facilities in automatic road extraction and vectorization from high resolution satellite images. Int. Arch. Photogramm. Rem. S. Spat. Inf. Sci., 37(1): 585-592.
  8. Gerchberg, RW., Saxton, WO. 1972. A practical algorithm for the determination of phase from image and diffraction plane pictures. Optik, 35(2):237-246.
  9. Hect-Nielsen, R. 1989. Theory of the back propagation neural network. International 1989 Joint Conference on Neural Networks. pp. 593-605.
  10. Washington, DC, USA. Hornik, K., Stinchcombe, M., White, H. 1989. Multilayer feed forward networks are universal approximators. Neural Networks. 2(1):359-366.
  11. Isa, IS., Saad, Z., Omar, S., Osman, MK., Ahmad, KA., Mat Sakim, HA. 2010. Suitable MLP network activation functions for breast cancer and thyroid disease detection. Second International Conference on Computational Intelligence, Modelling and Simulation. pp. 39-44.
  12. Tuban, Indonesia. Latifoglu, F. 2013. A novel approach to speckle nois