Her fotoğraf çektiğimizde, bir hastayı taradığımızda veya uydu üzerinden görüntü yolladığımızda, görüntü kalitesi, depolama alanı ve zaman arasında bir ödünleşim yönetiriz. Bu makale, yüksek oranda sıkıştırılmış biçimde elde edilen gürültülü görüntüleri temizlemenin yeni bir yolunu tanıtıyor; daha az ölçümden daha net görüntüler elde etmeyi sağlıyor. Bu, düşük ışıkta daha net telefon fotoğraflarından, daha az radyasyon kullanılarak yapılan daha güvenli tıbbi taramalara kadar pek çok alanda önem taşıyor.
Neden Kısaltmalar Hâlâ İyi Görünebilir
Geleneksel kameralar ve tarayıcılar basit bir kural izler: hiçbir şey kaçmasın diye genellikle gerçekten ihtiyaç duyulandan çok daha fazla bilgi toplamak. Görüntü ancak sonra yerden tasarruf etmek için sıkıştırılır. Sıkıştırmalı algılama bu mantığı tersine çevirir. Her pikseli önce kaydetmek yerine, görsel olarak önemli bilgilerin çoğunu hâlâ içeren, dikkatle seçilmiş daha küçük bir birleşik ölçüm seti alır. Teoride bu, şaşırtıcı derecede az veriden keskin bir görüntü yeniden oluşturmamızı sağlar. Ancak pratikte, yakalama sırasında ortaya çıkan gürültü ve ölçümlerin kötü seçimi, özellikle tıbbi görüntüleme gibi zorlayıcı ortamlarda bulanık detaylara, bloklu artifaktlara ve ince yapı kaybına yol açabilir.
Görüntüleri Akıllı Küçük Parçalara Bölmek Figure 1.
Yazarlar, tüm resim yerine görüntünün küçük kare yamaları veya blokları üzerinde çalışan üç aşamalı bir çerçeve öneriyor. Her blok önce anlamlı içeriğin çoğunun kompakt bir değer kümesine yoğunlaştığı, ince detaylar ve dokuların ayrıldığı bir forma dönüştürülür. Bu değerler ardından geniş, düzgün alanları öne, küçük keskin değişimleri ise arkaya doğal olarak sıralayan bir zikzak yolunda yeniden düzenlenir. Bu sıralama önemlidir çünkü görüntü sıkıştırıldığında, verinin yalnızca bir kısmı saklansa bile görsel olarak en önemli parçaların dizinin önünde tutulmasını garanti eder.
Veri Üzerinden Daha İyi Kestirmeler Yapmak
Her blok yeniden düzenlendikten sonra, orijinal birçok değerin daha küçük bir ölçüm kümesine nasıl karıştırıldığını belirleyen algılama matrisi adlı matematiksel bir aygıta geçirilir. Araştırmacılar, rastgele, genel bir seçime dayanmak yerine bu matrisi hedefledikleri görüntü türlerine özellikle uygun olacak şekilde ayarlarlar. Bunu, matrisin içsel desenlerini önemli yapı ile gürültüyü ayırt etmeyi kolaylaştıracak biçimde yeniden şekillendiren bir optimizasyon problemi çözerek yaparlar. Popüler bir yeniden oluşturma yöntemi daha sonra bu sıkıştırılmış ölçümleri kullanarak orijinal bloğun yaklaşık bir temsilini elde eder; bu süreç, bloğu tanımlamak için aslında görece az sayıda temel özelliğin yeterli olduğu varsayımına dayanır.
Kalan Gürültüyü Cilalamak Figure 2.
Özenli sıkıştırma ve yeniden oluşturma sonrası bile bazı gürültü ve küçük artifaktlar kalır. Bunu ele almak için son aşama, Bölünmüş Bregman yöntemi olarak bilinen modern bir gürültü giderme tekniğini uygular. Bu yaklaşım görüntüyü bir yüzey gibi ele alır ve kenarları ile anatomik sınırları keskin tutarken küçük dalgalanmaları nazikçe düzeltir. Problemi tekrarlayan şekilde daha basit alt adımlara bölerek hızlı ve sağlam bir şekilde yakınsama sağlar. Sonuç, kumlu lekelerin azaltıldığı ancak taramalardaki doku sınırları veya manzaralardaki kenarlar gibi önemli çizgi ve dokuların korunduğu gürültü giderilmiş bir görüntüdür.
Test Fotoğraflardan Tıbbi Taramalara
Takım çerçevelerini hem günlük fotoğraflarda hem de BT ve röntgen gibi tıbbi görüntülerde test etti. Orijinalleri kasıtlı olarak farklı miktarlarda yapay gürültü ile kirletti ve yalnızca olağan verinin %20 ila %50’sinin toplandığı senaryoları simüle etti. Bu ayarlarda, zikzak adımını atlayan ve standart bir algılama yaklaşımı kullanan benzer bir sistemle yöntemlerini karşılaştırdılar. Keskinlik, orijinale benzerlik ve genel hata gibi standart kalite puanları kullanıldığında, yöntemleri tutarlı biçimde daha temiz ve daha sadık görüntüler üretti. Bu, tanı açısından ilgili akciğer, diz, el ve göğüs taramalarında olduğu kadar tanıma aşina olan test fotoğrafları için de geçerliydi.
Daha Az Maruz Kalma ile Daha Net Görüntüler
Özünde çalışma, görüntü verilerini nasıl topladığımızı ve sonrasında gürültüyü nasıl giderdiğimizi akıllıca tasarlayarak daha azdan daha fazlasını elde edebileceğimizi gösteriyor. Blok tabanlı işlem, zikzak sıralama, sıkıştırılmış ölçümler için optimize edilmiş bir yöntem ve güçlü bir son temizleme adımının birleşimiyle önerilen çerçeve, sıkı veri ve gürültü kısıtları altında görüntü netliğini artırıyor. Hastalar için bu, bir gün daha az X‑ray projeksiyonundan yüksek kaliteli taramalar ve dolayısıyla daha düşük radyasyon dozu anlamına gelebilir; görüntüleme sistemleri genelinde ise keskin görüntülerin artık büyük miktarda veri gerektirmediği bir geleceğe işaret ediyor.
Atıf: Thomas, E.N., Theeda, P. & Praveen, T. Block compressive sensing-based image denoising framework using optimized sensing matrix and split Bregman algorithm.
Sci Rep16, 9485 (2026). https://doi.org/10.1038/s41598-026-38785-0
Anahtar kelimeler: sıkıştırmalı algılama, görüntü gürültü giderme, tıbbi görüntüleme, görüntü yeniden oluşturma, işaret işleme
