Hiperspektral görüntü gürültü giderimini devrim niteliğinde değiştirmek: bir SqueezeNet paradigması

Gökkuşağının Ötesinde Daha Keskin Görüntüler

Uydular, insansız hava araçları veya laboratuvar kameraları dünyayı yalnızca kırmızı, yeşil ve mavinin ötesinde yüzlerce renkte gördüğünde, tarım, kirlilik, binalar ve hatta sanat hakkında gizli ayrıntılar yakalarlar. Ancak bu zengin "hiperspektral" görüntüler, atmosfer ve elektronik kaynaklı gürültü tarafından kolayca bozulur; eski bir televizyondaki karıncalanma gibi. Bu makale, bu görüntüleri daha etkili ve verimli şekilde temizleyen kompakt bir yapay zeka modelini sunuyor; böylece bilim insanları ve mühendisler görünmeyen bu spektrumda gördüklerine daha fazla güvenebilecek.

Neden Bu Kadar Çok Renk Önemli?

Günlük fotoğraflar üç renk kanalı kullanır, oysa hiperspektral görüntüler ışığı düz gözle göremediğimiz bazı bantlar da dahil olmak üzere onlarca dar banda ayırır. Her piksel, bir taneli spektrum taşır ve bu spektrum malzeme özelliklerini ortaya koyar—örneğin bir tarlada sağlıklı bitkiler mi, kuru toprak mı yoksa kirlenmiş su mu var. Ancak böyle ayrıntılı veri toplamak zordur. Havaya, uyduya veya mikroskoba yerleştirilen sensörler değişen ışık ve sıcaklık koşullarında çalışır ve aldıkları sinyal genellikle zayıftır. Sonuç olarak rastgele lekeler, parlak veya karanlık çizgiler, ölü pikseller ve ani darbeler gibi çeşitli gürültü biçimleri ortaya çıkar. Bu bozulmalar görüntüleri yalnızca grenli göstermekle kalmaz, aynı zamanda doğru spektral imzalara dayanan otomatik sistemleri de yanıltır.

Geleneksel Temizleme Yöntemlerinin Sınırları

Yıllardır araştırmacılar, hiperspektral görüntüleri temizlemek için günlük fotoğrafçılıktan gelen araçları uyarladılar ve her dalga boyu bandını ayrı bir gri tonlama görüntüsü gibi işlediler. Bu, gren azaltmaya yardımcı olurken bantlar arasındaki ilişkilerin çoğunu görmezden gelir ve bilim insanlarının önem verdiği temel spektrumları eğebilir veya bulanıklaştırabilir. Daha gelişmiş derin öğrenme yöntemleri ortaya çıktıysa da, birçoğu ağır, yavaş veya aynı anda yalnızca tek bir gürültü türüne göre ayarlanmış durumda. Bu da onları küçük uydu veya havadan platformlar gibi kaynak kısıtlı donanımlarda çalıştırmayı zorlaştırır ve gerçek dünya, karışık gürültülerle karşılaştıklarında daha az güvenilir kılar.

Yeni Bir Eğitim Alışkanlığıyla İnce Bir Sinir Ağı

Yazarlar, hiperspektral gürültü giderimi için motor olarak SqueezeNet adlı hafif derin sinir ağını kullanmayı öneriyor. SqueezeNet, gelen bilgiyi önce sıkıştıran ("squeeze" adımı) ve ardından hem yerel detayları hem de daha geniş bağlamı vurgulayan bir çift küçük filtreyle genişleten yineleyen "fire blokları"ndan oluşur. Bu çalışmada, Harvard veri kümesinden alınan gürültülü hiperspektral görüntüler giriş olarak kullanılıyor ve model tüm bantlar boyunca gerçek sahne yapısını gürültüden ayırmayı öğreniyor. Daha ağır ağlar ve transformer'ların aksine bu mimari bilgiyi bir megabayttan az parametreye sığdırıyor; böylece doğruluktan ödün vermeden hızlı işlem ve düşük güç tüketimi sağlanıyor.

Kolay Gürültüden Zor Gürültüye Öğrenmek

Ana yenilik, ağın nasıl eğitildiğinde yatıyor. Tüm bozulma türlerini baştan modele yüklemek yerine, yazarlar kademeli bir "müfredat" stratejisi benimsemiş. Sistem önce sabit güçteki basit rastgele (Gauss) gürültüyü düzeltmeyi öğreniyor, sonra daha geniş bir rastgele gürültü düzeyi aralığıyla başa çıkıyor ve nihayet çizgiler, ölü satırlar ve impulsif sıçramalar içeren karmaşık karışımlarla yüzleşiyor. Bu aşamalı maruz kalma, ağın kötü çözümlerden kaçınmasına ve öğrenmesini istikrara kavuşturmasına yardımcı oluyor; tıpkı bir öğrencinin zor sınav sorularıyla karşılaşmadan önce temel egzersizleri ustaca öğrenmesi gibi. Modelin performansı, görüntülerin ne kadar keskin göründüğünü değil, aynı zamanda spektral imzaların ne kadar sadakatle korunduğunu da kontrol eden dört standart ölçüm kullanılarak değerlendiriliyor.

Daha Temiz Veri, Daha İyi Kararlar

Çeşitli gürültü koşulları boyunca, SqueezeNet tabanlı model birçok önde gelen klasik ve derin öğrenme yönteminden daha temiz hiperspektral görüntüler sunuyor. Görüntü keskinliği ve yapısal benzerlik açısından daha yüksek puanlar elde ederken, spektral hatalarda daha düşük değerler üretiyor ve bunu hesaplama maliyetinin çok daha küçük bir kısmıyla yapıyor. Uzman olmayanlar için bu, Dünya yüzeyini, endüstriyel süreçleri veya mikroskobik örnekleri izleyen cihazların sınırlı işlem gücüne sahip donanımlardan bile gerçek zamanlı olarak daha güvenilir bilgi gönderebileceği anlamına geliyor. Kompakt bir ağ tasarımını akıllı bir eğitim programıyla birleştirerek bu çalışma, çevresel izleme, tarım, uzaktan algılama ve ötesinde daha hızlı, daha doğru ve daha yaygın kullanılabilir hiperspektral görüntülemeye işaret ediyor.

Atıf: Nachimuthu, N., Murugesan, R., Dharmalingam, M. et al. Revolutionizing hyper spectral image denoising: a squeezenet paradigm. Sci Rep 16, 7419 (2026). https://doi.org/10.1038/s41598-026-36479-1

Anahtar kelimeler: hiperspektral görüntüleme, görüntü gürültü giderme, derin öğrenme, uzaktan algılama, SqueezeNet