Derin öğrenme tabanlı görüntü iyileştirme yöntemlerinin nesnel ölçütler ile değerlendirilmesi
Evaluation of deep learning based image enhancement methods with objective criteria
- Tez No: 1010018
- Danışmanlar: DOÇ. DR. ERKAN ZEKİ ENGİN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Dalgacık, Dalgacık dönüşümleri, Füzyon, Görüntü iyileştirme, Otokodlayıcılar, Wavelet, Wavelet transforms, Fusion, Image enhancement, Autoencoders
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sayısal görüntü işleme; otomotiv, tıbbi görüntüleme, güvenlik sistemleri ve uydu görüntülemesi gibi birçok alanda önemli bir rol oynamaktadır. Gürültüsüz ve yüksek kaliteli görüntü elde etme ihtiyacı gün geçtikçe daha kritik hale gelmektedir. Farklı tür ve seviyelerdeki gürültülerle bozulmuş görüntülerdeki detayların korunması ve iyileştirilmesi hâlâ zorlu bir problemdir. Bu çalışmada, bu zorluklara çözüm olarak MWCNN (Multi-Level Wavelet CNN), BRDNet (Bilateral Residual Denoising Network) ve DAE (Denoising Autoencoder) mimarilerinin ikili kombinasyonlarla kullanıldığı ve artık öğrenmeye dayalı yenilikçi bir derin öğrenme tabanlı çift akışlı model önerilmiştir. Önerilen yaklaşımda çift akışlı modelden elde edilen artık tahminler üç farklı füzyon yöntemiyle birleştirilmiştir: Ağırlıklı Ortalama Birleştirme, Temel CNN Tabanlı Birleştirme ve Artık Birleştirme Ağları (RFN). Model, BSD300 veri kümesi üzerinde farklı gürültü türleri (Gauss, Poisson, Benekleneme) ve SNR seviyeleri (0 dB, 10 dB, 20 dB) için değerlendirilmiştir. Başarı, PSNR (Peak Signal-to-Noise Ratio), SSIM (Structural Similarity Index) ve LPIPS (Learned Perceptual Image Patch Similarity) ölçütleriyle ölçülmüştür. Elde edilen sonuçlara göre, en yüksek performans MWCNN + DAE + RFN kombinasyonu ile elde edilmiştir. Bu yapı ile elde edilen 39,32 dB PSNR, 0,902 SSIM ve 0,25 LPIPS değerleri hem sayısal hem de görsel olarak en başarılı çözüm olmuştur. Tekil modeller ile karşılaştırıldığında, önerilen kombine yapılar ortalama 4–5 dB PSNR artışı, 0,08'e varan SSIM ve 0,13 LPIPS iyileşmesi sunmuştur. Bu tez çalışmasının özgün katkısı, çoklu mimarilerin çıktılarının öğrenilebilir füzyon stratejileriyle birleştirilerek, farklı gürültü türleri ve seviyelerine karşı daha güçlü ve genellenebilir bir yapı ortaya koymasıdır.
Özet (Çeviri)
Digital image processing is a pivotal component in numerous disciplines, including but not limited to the automotive industry, the field of medical imaging, security systems, and satellite imaging. The necessity for images that are both noise-free and of a high quality is becoming increasingly imperative. Preserving and improving the details in images corrupted by different types and levels of noise remains a challenging problem. In this study, an innovative deep learning-based two-stream model based on residual learning is proposed as a solution to these challenges. In this model, MWCNN (Multi-Level Wavelet CNN), BRDNet (Bilateral Residual Denoising Network), and DAE (Denoising Autoencoder) architectures are used in dual combinations. In the proposed approach, the residual predictions obtained from the two-stream model are combined with three different fusion methods: weighted average fusion, basic CNN-based fusion, and residual fusion network (RFN). The model is evaluated on the BSD300 dataset for different noise types (Gaussian, Poisson, Speckle) and SNR levels (0 dB, 10 dB, 20 dB). The success of the process is measured using PSNR (Peak Signal-to-Noise Ratio), SSIM (Structural Similarity Index) and LPIPS (Learned Perceptual Image Patch Similarity) metrics. The findings reveal that the optimal performance is attained with the MWCNN + DAE + RFN configuration. This configuration has emerged as the most effective solution, both numerically and visually, as evidenced by 39,32 dB PSNR, 0,902 SSIM, and 0,25 LPIPS values. A comparison of the single models with the proposed combined structures indicates that the former provide an average of 4–5 dB PSNR increase, up to 0,08 SSIM and 0,13 LPIPS improvement. The original contribution of this thesis is that the outputs of multiple architectures are combined with learnable fusion strategies, resulting in a more robust and generalisable structure against different noise types and intensities.
Benzer Tezler
- Derin öğrenme ile ses iyileştirilmesi
Voice enhancement by deep learning
MUSTAFA ERSEVEN
Yüksek Lisans
Türkçe
2018
Mühendislik BilimleriYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BÜLENT BOLAT
- On real-world face super-resolution and face image synthesis evaluation
Gerçek dünya yüz süper çözünürlüğü ve yüz görüntüsü sentezi değerlendirmesi üzerine
ERDİ SARITAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Beyin MR görüntülerinin iyileştirilmesi ve derin öğrenme metotları ile beyin tümörü tespiti
Enhancement of brain mr images and detection of brain tumors with deep learning methods
HAMİ KARA
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiAmasya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERHAN BERGİL
- New approaches for speech enhancement with wavelet transform
Dalgacık dönüşümü ile konuşma iyileştirme için yeni yaklaşımlar
ELİF ÖZEN
Yüksek Lisans
İngilizce
2022
Bilim ve TeknolojiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NALAN ÖZKURT
- Panoramik diş görüntülerinin analizinde derin öğrenme tabanlı bölgesel tespit yöntemlerinin araştırılması ve geliştirilmesi
Research and development of deep learning based regional detection methods for the analysis of panoramic dental images
DENİZ BORA KÜÇÜK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSamsun ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUAMMER TÜRKOĞLU