Markov ağları kullanılarak yüksek çözünürlüklü görüntü üretilmesi
Generating high resolution images using Markov networks
- Tez No: 222688
- Danışmanlar: PROF.DR. BİLGE GÜNSEL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Yüksek çözünürlük, Markov Ağları, High resolution, Markov Networks
- Yıl: 2007
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 113
Özet
Bu çalısmada, olasılıksal bir yöntem olan Markov Ağları kullanılarak yüksek çözünürlüklü görüntü üretilmistir. Amaç enterpolasyon ile büyütülen düsük çözünürlüklü görüntülerde eksik olan detay bilgisini eklemektir. Önce yüksek çözünürlüklü görüntülerden detay bilgileri öğrenilir, örenilen bu detay bilgiler kullanılarak, yüksek çözünürlüklü görüntüler ile düsük çözünürlüklü görüntüler arasındaki geçis iliskisi görüntü isleme algoritmalarında sıkça kullanılan Markov Ağları ile modellenir. Bu model ile netliği azalmıs, detayları kaybolmus düsük çözünürlüklü görüntülerde eksik olan yüksek frekans verisi kestirilir. Modelin çözümü için giris görüntüsünden elde efilen yerel resim bilgisi ve öğrenilen detaylardan kestirilen uzlamsal komsuluk iliskileri kullanılmıstır. Sonuçlar literatürdeki çalısmalarla karsılastırıldığında, önerilen yöntemlerle görsel olarak kabul edilebilen detayların kesitiriminin yapıldığı gözlenmistir.
Özet (Çeviri)
In this work we tried to estimate the missing high frequency by using Markov Networks. Our aim is to add plausible image details to low resolution images which can not be add by interpolation algorithms after zoom operation. First, fine image details are learned from a set of high resolution images. After these details are used, the relations between high resolution images and low resolution images are modeled with Markov Networks. For the solution of the model, local image information that are extracted from input image and the spatial neighbor effects that are found from the estimated high frequency details are used. The comparison of the results with the examples given in the literature was in a good agreement.
Benzer Tezler
- Semantic land cover and land use classification using deep convolutional neural networks
Derin evrişimsel sinir ağları ile arazi kullanımı ve arazi örtüsünün anlamsal sınıflandırılması
BERK GÜNEY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Markov random field based road network extraction from high resolution satellite images
Yüksek çözünürlüklü uydu görüntülerinden Markov rastgele alan bazlı yol ağı çıkarımı
MAHİR ÖZTÜRK
Yüksek Lisans
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR HALICI
- Rastgele markov alanları ve hücresel sinir ağları ile görüntü işleme
Image processing with markow random fields and cellular neural networks
MAHMUT ŞAMİL SAĞIROĞLU
Yüksek Lisans
Türkçe
2001
Elektrik ve Elektronik Mühendisliğiİstanbul ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN NURİ UÇAN
- Order dispatching via deep reinforcement learning
Başlık çevirisi yok
ERAY MERT KAVUK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN