دانشگاه خوارزمی نشریه پژوهش های نوین فیزیک 2588-4921 11 1 2026 08 23 Improving the quality of images with focus distortion using convolutional neural networks بهبود کیفیت تصاویر دارای اعوجاج فوکوس با استفاده از شبکه‌های عصبی کانولوشنی 24 31 11876 10.22034/jmrph.2026.122923.0 FA فاطمه فلاحی دانشگاه علم و صنعت ایران زهرا فلاحی دانشگاه علم و صنعت ایران محمدرضا جعفرفرد دانشگاه علم و صنعت ایران بابک زارع دانشگاه علم و صنعت ایران Journal Article 2026 02 24 Defocus distortion is one of the primary factors that degrades the quality of microscopic images, leading to reduced sharpness, loss of fine details, and decreased accuracy in image analysis. Therefore, the development of effective methods for defocus correction is of considerable importance in digital microscopy. In this study, a convolutional autoencoder neural network, consisting of convolutional layers, a compressed bottleneck, and transposed convolutional layers, was designed and trained to correct defocus distortion in digital microscopic images. To this end, a dataset comprising reference images and corresponding defocused images generated using the Fresnel diffraction model was constructed and employed for training and evaluation. The performance of the proposed model was assessed using the Mean Squared Error (MSE), Peak Signal-to-Noise Ratio (PSNR), and Structural Similarity Index (SSIM). The proposed model achieved an MSE of 0.0008, a PSNR of 30.97 dB, and an SSIM of 0.9839, indicating accurate image reconstruction and excellent structural similarity between the restored and reference images. These results demonstrate that the proposed approach provides an effective solution for defocus correction, improving the quality and sharpness of digital microscopic images. اعوجاج فوکوس یکی از عوامل اصلی کاهش کیفیت تصاویر میکروسکوپی است و می‌تواند موجب کاهش وضوح، از دست رفتن جزئیات و افت دقت در تحلیل تصاویر شود. ازاین‌رو، توسعه روش‌های مؤثر برای اصلاح این اعوجاج از اهمیت بالایی برخوردار است. در این پژوهش، یک شبکه عصبی رمزگذار خودکار کانولوشنی متشکل از لایه‌های کانولوشن، گلوگاه فشرده و لایه‌های کانولوشن انتقالی برای اصلاح اعوجاج فوکوس در تصاویر میکروسکوپی دیجیتال طراحی و آموزش داده شد. بدین منظور، یک مجموعه داده شامل تصاویر مرجع و تصاویر دارای اعوجاج فوکوس مبتنی بر مدل پراش فرنل تهیه و برای آموزش و ارزیابی شبکه مورد استفاده قرار گرفت. عملکرد مدل با استفاده از معیارهای میانگین مربع خطا (MSE)، نسبت سیگنال به نویز پیک (PSNR) و شاخص تشابه ساختاری (SSIM) ارزیابی شد. نتایج به‌دست‌آمده شامل MSE برابر با 0/0008، PSNR برابر با 30/97 دسی‌بل و SSIM برابر با 0/9839 است که بیانگر بازسازی دقیق و شباهت ساختاری بسیار بالای تصاویر بازسازی‌شده نسبت به تصاویر مرجع است. این نتایج نشان می‌دهد که مدل پیشنهادی می‌تواند به‌عنوان رویکردی مؤثر برای حذف اعوجاج فوکوس، بهبود وضوح تصاویر میکروسکوپی و ارتقای کیفیت بازسازی تصاویر مورد استفاده قرار گیرد. https://jmrph.khu.ac.ir/article_11876_a8e5a72192378802318bf51063153729.pdf