En jämförelsestudie mellan MLP och CNN förbrusreducering av bilder : Påverkan av mängd indata och påverkan av val av olika typer av brus på prestanda

Images damaged by noise present a problem that can be addressed by performing noise-reduction using neural networks. This thesis analyses the performance of two different neural networks, a Mulilayer Perceptron (MLP) and a Convolutional Neural Network (CNN), when performing noise reduction on images. Specifically focusing on the impact of the size of dataset used to train the two different kinds of neural networks has on the performance, as well as how well these two networks perform when reducing different types of noise. This in an attempt to determine whether the use of the more modern type of network, the CNN, performs better than the older type of network, the MLP, specifically for image noise reduction. The results show as expected that the MLP performs worse than the CNN, also that the impact of the size of the dataset and choice of noise to be reduced is, albeit of great impact on the performance, not as important as the choice of neural network.Bilder som är utsatta för brus är ett problem som kan adresseras genom att utföra brusreduktion med hjälp av neurala nätverk. I denna studie analyseras effekt-skillnader i brusredusering av bilder för två olika typer av neurala nätverk, en Multilayer Perceptron (MLP) och ett konvolutionellt neuralt nätverk (CNN). Fokus ligger specifikt på hur indatans storlek under träningen, är påverkad av två olika typer av neuronnätverk samt hur bra dessa två neurala nätverk presterar när de reducerar olika typer av brus. Detta i ett försök att avgöra om användningen av den modernare typen av nätverk, CNN har högre prestanda än den äldre typen, MLP för brusreducering. Resultaten visar som förväntat att MLP:n fungerar sämre än CNN:n, också att effekten av indatans storlek och valet av brus att reduceras är, trots att de båda har en stor inverkan på prestandan, inte lika viktigt som valet av neuralt nätverk