<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>دانشگاه خوارزمی</PublisherName>
				<JournalTitle>پژوهش های نوین فیزیک</JournalTitle>
				<Issn>2588-493X</Issn>
				<Volume>10</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>02</Month>
					<Day>20</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Speckle noise elimination of phase images using convolution neural networks</ArticleTitle>
<VernacularTitle>حذف نویزهای نقطه‌ای تصاویر فازی با استفاده از شبکه عصبی کانولوشنی</VernacularTitle>
			<FirstPage>26</FirstPage>
			<LastPage>37</LastPage>
			<ELocationID EIdType="pii">6382</ELocationID>
			
<ELocationID EIdType="doi">10.22034/jmrph.2026.6382</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>محمد</FirstName>
					<LastName>یعقوبی</LastName>
<Affiliation></Affiliation>

</Author>
<Author>
					<FirstName>محمدرضا</FirstName>
					<LastName>جعفرفرد</LastName>
<Affiliation></Affiliation>

</Author>
<Author>
					<FirstName>بابک</FirstName>
					<LastName>زارع</LastName>
<Affiliation></Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2026</Year>
					<Month>06</Month>
					<Day>08</Day>
				</PubDate>
			</History>
		<Abstract>Phase images obtained from holograms and interference patterns in quantitative phase microscopy often suffer from distortions, phase wrapping, and phase noise. Despite extensive efforts over the past decades and the development of various denoising methods, these challenges have not yet been completely resolved. Classical noise reduction filters typically damage image details, reduce overall quality, and weaken boundary and edge detection, thereby eliminating useful image information. A promising modern approach involves the use of machine learning algorithms. Results from image quality assessment metrics show that convolutional neural networks outperform conventional phase image denoising methods. In this approach, training data are fed into the network, and after several training stages, the network acquires the ability to reduce noise in phase images with high accuracy.</Abstract>
			<OtherAbstract Language="FA">&lt;span dir=&quot;RTL&quot;&gt;تصاویر فازی حاصل از هولوگرام&lt;/span&gt;­&lt;span dir=&quot;RTL&quot;&gt;ها و الگوهای تداخلی در میکروسکوپ‌های فاز کمی معمولا با مشکلاتی همچون اعوجاج، پیچش­ فاز و نویزهای فازی همراه هستند. با وجود تلاش‌های گسترده در دهه­­های اخیر و ارائه­ی روش­های متنوع برای حذف نویز، این چالش‌ها همچنان به‌طور کامل برطرف نشده‌اند. استفاده از فیلترهای کلاسیک کاهش نویز اغلب موجب آسیب به جزئیات تصویر، افت کیفیت و ضعف&lt;/span&gt; &lt;span dir=&quot;RTL&quot;&gt;در تشخیص مرزها و لبه­­هاشده و در نتیجه اطلاعات مفید تصویر از بین می­رود. یکی از رویکردهای نوین در این زمینه، بهره‌گیری از الگوریتم­های یادگیری ماشین است&lt;/span&gt;.&lt;span dir=&quot;RTL&quot;&gt; نتایج حاصل از معیارهای ارزیابی کیفیت تصویر نشان می‌دهند که شبکه‌ها‌ی عصبی کانولوشنی، نسبت به روش&lt;/span&gt;­&lt;span dir=&quot;RTL&quot;&gt;های مرسوم حذف نویز تصاویر فازی، عملکرد برتری دارند.&lt;/span&gt;&lt;span dir=&quot;RTL&quot;&gt; در این روش، داده‌های آموزشی به شبکه ارائه می‌شوند تا پس از چندین مرحله آموزش، شبکه توانایی کاهش نویز تصویر را با دقت بالا به دست آورد.&lt;/span&gt;</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">میکروسکوپ‌های فازی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">نویز پیسه‌ای</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">یادگیری ‌ماشین</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">شبکه عصبی کانولوشنی</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jmrph.khu.ac.ir/article_6382_fe04e05fbe48920b8ba90bea2ddfe60b.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
