A Study on Image Denoising Using Deep Learning

Abstract

[ES] Este proyecto implementará varias técnicas de eliminación de ruido de datos de imágenes para su clasificación mediante aprendizaje profundo. Este es un tema importante a resolver para mejorar la calidad de las imágenes y, por tanto, la precisión de la clasificación de las imágenes. El ruido de la imagen se puede clasificar como gaussiano, sal y pimienta, disparo, grano de película, impulso, cuantificación, moteado, etc. Recientemente, se han ideado redes neuronales convolucionales (CNN) como métodos poderosos para eliminar el ruido de las imágenes. En este proyecto, se analizarán conjuntos de datos disponibles públicamente correspondientes a diferentes problemas de clasificación (por ejemplo, diagnóstico médico, reconocimiento de emociones). Se utilizará un subconjunto de imágenes ruidosas (con diferentes tipos de ruido) para entrenar una CNN que se aplicará para eliminar el ruido de las imágenes antes de la clasificación. Se implementarán diferentes esquemas de CNN, cambiando parámetros como el número de capas, el optimizador y la tasa de aprendizaje. También se podrían aplicar otros métodos de eliminación de ruido de imágenes (filtros medianos y gaussianos) y otras técnicas de aprendizaje profundo. Los resultados de diferentes esquemas de clasificación de aprendizaje profundo incluyendo o no una etapa de eliminación de ruido de imágenes se compararán con los obtenidos por clasificadores clásicos. La calidad de los resultados de clasificación se evaluará mediante índices como precisión, precisión equilibrada, matriz de confusión, Además, el coste computacional de los distintos casos de clasificación, la varianza de los resultados y las curvas de característica operativa del receptor (ROC) (en el caso de clasificación de dos clases) será estimada y discutida.

[EN] This project will implement several techniques of image data denoising for classification using deep learning. This is an important issue to be solved in order to improve the quality of the images, and thus, the image classification accuracy. Image noise can be categorized as Gaussian, salt-and-pepper, shot, film grain, impulse, quantization, speckle, etc. Recently, convolutional neural networks (CNNs) have been devised as powerful methods for image denoising. In this project, publicly available datasets corresponding to different classification problems (e.g., medical diagnosis, emotion recognition) will be analyzed. A subset of noisy images (with different kinds of noise) will be used to train a CNN that will be applied to denoise the images before classification. Different schemes of CNNs will be implemented, changing parameters such as the number of layers, optimizer, and learning rate. Other image denoising methods (median and Gaussian filters) and other deep learning techniques also could be applied. The results of different schemes of deep learning classification including or not an image denoising stage will be compared with the ones obtained by classical classifiers. The quality of classification results will be evaluated using indices such as accuracy, balanced accuracy, confusion matrix, Besides, computational cost of the different cases of classification, variance of the results, and receiver operating characteristic (ROC) curves (in the case of two-class classification) will be estimated and discussed.