fa حذف نویزهای نقطه‌ای تصاویر فازی با استفاده از شبکه عصبی کانولوشنی اپتیک پژوهشي Research <span dir="RTL" lang="FA" style="font-size:12.0pt"><span style="line-height:300%"><span b="" nazanin="" style="font-family:">تصاویر فازی حاصل از هولوگرام</span></span></span><span style="font-size:12.0pt"><span style="line-height:300%"><span calibri="" style="font-family:">&shy;</span></span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span style="line-height:300%"><span b="" nazanin="" style="font-family:">ها و الگوهای تداخلی در میکروسکوپ‌های فاز کمی معمولا با مشکلاتی همچون اعوجاج، پیچش&shy; فاز و نویزهای فازی همراه هستند. با وجود تلاش‌های گسترده در دهه&shy;&shy;های اخیر و ارائه&shy;ی روش&shy;های 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</span></span></span> <span dir="RTL" lang="FA" style="font-size:12.0pt"><span style="line-height:300%"><span b="" nazanin="" style="font-family:">در تشخیص مرزها و لبه&shy;&shy;هاشده و در نتیجه اطلاعات مفید تصویر از بین می&shy;رود. یکی از رویکردهای نوین در این زمینه، بهره‌گیری از الگوریتم&shy;های یادگیری ماشین است</span></span></span><span style="font-size:12.0pt"><span style="line-height:300%"><span calibri="" style="font-family:">.</span></span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span style="line-height:300%"><span b="" nazanin="" style="font-family:"> نتایج حاصل از معیارهای ارزیابی کیفیت تصویر نشان می‌دهند که شبکه‌ها‌ی عصبی کانولوشنی، <a name="_Hlk100782051">نسبت به روش</a></span></span></span><span style="font-size:12.0pt"><span style="line-height:300%"><span calibri="" style="font-family:">&shy;</span></span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span style="line-height:300%"><span b="" nazanin="" style="font-family:">های مرسوم حذف نویز تصاویر فازی، عملکرد برتری دارند.</span></span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span style="line-height:300%"><span b="" nazanin="" style="font-family:"> 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.</span></span></span> <span style="font-size:14pt"><span style="text-justify:kashida"><span style="text-kashida:0%"><span style="line-height:150%"><span style="unicode-bidi:embed"><span style="font-family:Calibri,sans-serif"><span style="font-size:12.0pt"><span style="line-height:150%"><span new="" roman="" style="font-family:" times="">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.</span></span></span></span></span></span></span></span></span><br> &nbsp; میکروسکوپ‌های فازی, نویز پیسه‌ای, یادگیری ‌ماشین, شبکه عصبی کانولوشنی Phase microscopy, speckle Noise, Machine learning, convolution neural networks 26 37 http://jmrph.khu.ac.ir/browse.php?a_code=A-10-398-1&slc_lang=fa&sid=1 Mohammad Yaghoobi محمد یعقوبی y.mim1996@gmail.com 10031947532846001458 10031947532846001458 No Mohammad Rezaa Jafarfard محمدرضا جعفرفرد mrjafarfard@iust.ac.ir 10031947532846001459 10031947532846001459 Yes Babak Zare بابک زارع bzarer@iust.ac.ir 10031947532846001460 10031947532846001460 No