Meta-sezgisel algoritma tabanlı benzerlik kılavuzlu retinex modeli ile düşük ışıklı görüntü iyileştirme
Low-light image enhancement with a meta-heuristic algorithm based similarity guided retinex model
- Tez No: 1021772
- Danışmanlar: DOÇ. DR. FERZAN KATIRCIOĞLU
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Metasezgisel algoritmalar, Optimizasyon, Sayısal görüntü işleme, Metaheuristic algorithms, Optimization, Digital image processing
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Düzce Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Düşük ışıklı ortamlarda çekilen görüntülerin kalitesinin artırılması, bilgisayarlı görü ve görüntü işleme alanlarında kritik bir araştırma problemi olmaya devam etmektedir. Geleneksel Retinex tabanlı aydınlatma modelleri bu soruna yönelik çeşitli çözümler üretmiş olsalar da düşük ışıklı bölgelerdeki gürültüleri yanlış yorumlama eğilimleri nedeniyle hâle etkileri (halo effects), ince doku kayıpları ve gürültü artışı gibi temel problemler ortaya çıkarmaktadırlar. Bu tez çalışmasında söz konusu eksiklikleri gidermek amacıyla, renk tabanlı ve piksel düzeyinde Benzerlik Görüntüsünü (SIM), Rehberlik Matrisi (G) kılavuzluğunda kullanan özgün bir Benzerlik Kılavuzlu Retinex Modeli (SIMRET) geliştirilmiştir. SIMRET, piksel düzeyinde renk benzerliğini bir rehberlik matrisi aracılığıyla gradyan tabanlı optimizasyon sürecine entegre ederek, ayrıştırma problemini iki konveks alt probleme dönüştürmekte ve bunları analitik çözümler aracılığıyla iteratif biçimde çözmektedir. Geliştirilen bu model, yapısal sınır tutarlılığını matematiksel olarak sağlarken homojen bölgelerdeki gürültüyü adaptif olarak bastırmaktadır. Bununla birlikte, SIMRET ve benzeri gelişmiş Retinex modellerinin performansı, modelin iç dinamiklerini yöneten çok boyutlu kontrol parametrelerinin optimum seçimine doğrudan bağlıdır. Bu bağlamda tezin ikinci aşamasında, modelin sekiz kritik parametresini dinamik olarak ayarlamak için kapsamlı bir Meta-Sezgisel Algoritmalarla Optimize Edilmiş SIMRET (MH-SIMRET) çerçevesi sunulmuştur. MH-SIMRET modelinin optimizasyonunda sekiz farklı meta-sezgisel algoritma karşılaştırmalı olarak değerlendirilmiştir. Optimizasyon süreci, beş farklı referanssız kalite metriğinin ağırlıklı minimizasyonuna dayanan özgün bir, çok bileşenli amaç fonksiyonu ile gerçekleştirilmiştir. Literatürde yaygın olarak kullanılan standart düşük ışık veri kümeleri üzerinde gerçekleştirilen kapsamlı deneysel testler sonucunda, Gri Kurt Optimizasyonu (GWO) algoritmasının en iyi uygunluk (fitness) değerini ürettiği tespit edilmiştir. Orijinal SIMRET modeline kıyasla, optimize edilmiş MH-SIMRET modeli genel görüntü kalitesini %17.75 oranında artırmış, yapısal bozulmayı (GMSD) %34.43 ve aydınlatma sırası hatasını (LOE) %37.20 oranında azaltmıştır. Elde edilen sonuçlar, orijinal SIMRET modelinin görsel doğallık, sinyal doğruluğu ve uygunluk fonksiyonu değeri performansıyla rakip Retinex algoritmalarına üstünlük sağladığını; geliştirilen MH-SIMRET çerçevesinin ise bu orijinal potansiyeli maksimize ederek literatürdeki en güncel teknikleri geride bıraktığını göstermektedir.
Özet (Çeviri)
Low-light image enhancement remains a critical research problem in computer vision and image processing. Although traditional Retinex-based lighting models have offered various solutions to this problem, they still tend to misinterpret noise in low-light areas, leading to fundamental issues such as halo effects, loss of fine details, and increased noise. In this thesis, to address these deficiencies, a novel Similarity-Guided Retinex Model (SIMRET) has been developed, which employs a pixel-level color-based Similarity Image (SIM) to construct a Guidance Matrix (G). SIMRET integrates this pixel-level color similarity into the gradient-based optimization process via this guidance matrix, thereby decomposing the ill-posed separation problem into two convex sub-problems and solving them iteratively through closed-form analytical solutions. The developed model mathematically ensures structural boundary consistency while adaptively suppressing noise in homogeneous regions. However, the performance of SIMRET and similar advanced Retinex models is directly dependent on the optimal selection of multidimensional control parameters governing the model's internal dynamics. In this context, in the second phase of the thesis, a comprehensive Metaheuristic-Optimized SIMRET (MH-SIMRET) framework has been presented to dynamically tune the eight critical parameters of the model. Eight different metaheuristic algorithms were comparatively evaluated for the optimization of the MH-SIMRET model. The optimization process was carried out through a novel multi-component objective function based on the weighted minimization of five no-reference image quality metrics. Extensive experimental testing on standard low-light datasets commonly used in the literature has revealed that the Grey Wolf Optimizer (GWO) algorithm produces the best fitness value. Compared to the original SIMRET model, the optimized MH-SIMRET model improved overall image quality by 17.75%, reduced structural distortion (GMSD) by 34.43%, and decreased the lightness order error (LOE) by 37.20%. The obtained results demonstrate that the original SIMRET model already outperforms competing Retinex algorithms in terms of visual naturalness, signal fidelity, and fitness function performance, while the developed MH-SIMRET framework maximizes this inherent potential, surpassing the most recent state-of-the-art techniques in the literature.
Benzer Tezler
- Çekirdek fonksiyonu kullanan meta sezgisel tabanlı yeni bir kümeleme algoritması
A new meta-heuristic based clustering algorithm using kernel function
HİLAL ELMAS
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE MERVE ACILAR
- Incremental heuristic meta-learning using reinforcement learning
Pekiştirmeli öğrenme kullanarak artımsal sezgisel üst-öğrenme
ONUR KARADELİ
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Dynamic heuristic approach to enhance the performance of few-shot meta-learning
Az örnekle meta-öğrenmenin performansını artırmak için dinamik heuristik bır yaklaşım
ÖMER MİRHAN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NUMAN ÇELEBİ
- Kuantum devrelerin optimizasyonu için yapay zeka tabanlı yaklaşımlar
Artificial intelligence-based approaches for optimization of quantum circuits
TUBA ŞANLI
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiAdli Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. ORHAN YAMAN
- Tıbbi görüntülerde çoklu eşikleme: Otsu, kapur ve hibrit entropy fonksiyonları temelli optimizasyon algoritmalarının karşılaştırmalı analizi
Multilevel thresholding in medical images: Comparative analysis of optimization algorithms based on otsu, kapur, and hybrid entropy functions
NECDET BURAK KARVAN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SALİM CEYHAN