Geri Dön

Derin öğrenme tabanlı yöntemlerle düşük ışıklı görüntü iyileştirme

Low light image enhancement with deep learning based methods

PDF İndir

  1. Tez No: 887294
  2. Yazar: EMİN CİHANGİR US
  3. Danışmanlar: PROF. DR. ENDER METE EKŞİOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Mühendislik Bilimleri, Electrical and Electronics Engineering, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 161

Özet

Bu çalışmada, düşük ışık koşullarında görüntü iyileştirme yöntemleri incelenmektedir. Geleneksel yöntemlerden başlayarak, makine öğrenimi ve derin öğrenme tabanlı modern tekniklere kadar geniş bir yelpazede ele alınan yöntemler, detaylı tez başlıkları altında incelenmiştir. Çalışmanın diğer nihai amacı, tekil ve çiftli düşük ışıklı görüntülerin kalitesini artırmak için yeni yöntemlere yol açmaktır. İlk olarak, tekil görüntülerde geleneksel yöntemler teorik ve deneysel olarak incelenmiştir. Bu yöntemler arasında histogram eşitleme, retinex yöntemleri ve çeşitli filtreleme gibi yöntemler bulunmaktadır. Bu yöntemlerin düşük ışık koşullarında görüntülerin parlaklık ve detay seviyesini artırma konusundaki etkinlikleri değerlendirilmiştir. Makine öğrenimi ve derin öğrenme tabanlı yöntemlerin incelenmesine geçilmiştir. Bu bölümde, genel derin öğrenme ağı teorik bilgisi kullanılarak önemli yöntemler değerlendirilmiştir. Bu kapsamda, MSR-Net, SID ve Zero-DCE gibi popüler olarak atıf alan teknikler üzerinde çalışılmıştır. MSR-Net (Multi-Scale Retinex Network) yönteminde, farklı ölçeklerdeki retinex teorisini kullanarak görüntü iyileştirme yapar. Düşük ışık koşullarında detayları ve kontrastı artırarak görüntü kalitesini iyileştirir. SID (See-in-the-Dark) yönteminde, düşük ışıklı görüntüleri iyileştirmek için özel olarak tasarlanmış bir derin öğrenme modelidir. Bu model, düşük ışıklı görüntüleri yüksek ışıklı versiyonlarına dönüştürmede oldukça etkilidir. Zero-DCE (Zero-Dark Channel Enhancement) yönteminde, tamamen öğrenme tabanlı bir yöntem olup, düşük ışık koşullarında görüntü iyileştirme işlemlerini gerçekleştirmek için derin evrişimsel sinir ağlarını kullanır. Özellikle belli görüntü gruplarında parlaklık ve renk iyileştirme konusunda başarılıdır. Bu çalışmanın bir diğer önemli yönü, mevcut çiftli görüntüleme çözünürlük sistemlerinin düşük ışıklı çiftli görüntülere uyarlanmasıdır. Geleneksel olarak, çiftli görüntüleme yöntemleri derinlik tahmini yapmaya odaklanmıştır, ancak bu çalışmada çiftli görüntülerin düşük ışık koşullarında geliştirilmesi hedeflenmiştir. Sol ve sağ görüntüler arasındaki farklılık, düşük ışık koşullarında belirgin zorluklardan biridir. Bu zorlukları aşmak için, uçtan uca bir evrişimli sinir ağı olan MC-CNN önerilmektedir. MC-CNN iki aşamalı bir yapıya sahiptir: İlk aşama parlaklık iyileştirme aşamasıdır. İlk aşamada, ağ çiftli görüntülerin parlaklık durumunu iyileştirmeyi öğrenir. Bu sekilde, görüntülerin düşük ışık koşullarında daha fazla ayrıntı ve netlik kazanması hedeflenir. İkinci aşama ise renk restorasyonu aşamasıdır. İkinci aşamada, ağ geliştirilmiş parlaklık ve renk bilgisini kullanarak giriş görüntüsünün normal ışıkta tam renkli bir görüntüsünü derin öğrenme yardımıyla yeniden oluşturur. Geliştirilmiş çiftli görüntülerin orijinal renklerine daha yakın bir sekilde sunulmasını sağlar. Kullanılan MC-CNN yöntemi, düşük ışık koşullarındaki çiftli görüntüleri tek bir görüntü düşük ışık geliştirme yöntemlerinden daha etkili bir şekilde geliştirmektedir. Bu yaklaşım, çiftli görüntülerin kalitesini artırırken aynı zamanda disparite tahminine dayanmadığı için daha hızlı ve daha etkili bir çözüm sunmaktadır. Sonuç olarak, sunulan yöntem düşük ışık koşullarında çiftli görüntülerin kalitesini artırmak ve tekil görüntü iyileştirme yöntemlerinde detaylı inceleyerek tez için yenilikçi bir yaklaşım sunmaktadır. Bu çalışma, görüntü işleme alanında düşük ışık koşullarında tekil ve çiftli görüntülerin geliştirilmesi konusunda yapay zeka tabanlı yüksek doğruluklu yeni kapılar açabilmektedir. Özellikle MSR-Net, SID ve Zero-DCE gibi yöntemlerin de kullanılması, sunulan yaklaşımın etkinliğini ve geçerliliğini artırmaktadır ve çiftli düşük ışıklı görüntü iyileştirmede iyi sonuçlar elde edilerek gelecekteki çalışmalar için giriş niteliği taşımaktadır.

Özet (Çeviri)

This thesis investigates image enhancement methods under low-light conditions, starting from traditional techniques and progressing to advanced machine learning and deep learning methods. The study's ultimate aim is to propose a novel method for enhancing the quality of stereo images in low-light environments. Initially, the research focuses on traditional image enhancement methods applied to single images. These methods are analyzed both theoretically and experimentally to provide a comprehensive understanding of their mechanisms and effectiveness. Techniques such as histogram equalization, retinex methods, and various filtering methods are scrutinized for their ability to improve image brightness and detail under low-light conditions. Histogram equalization is a widely used technique that enhances image contrast by spreading out the most frequent intensity values. Various adaptive histogram equalization improves upon this by considering local regions of the image, providing better local contrast and detail. Following the examination of traditional methods, the study transitions to machine learning and deep learning-based techniques. These methods leverage the power of convolutional neural networks (CNNs) and other advanced algorithms to enhance image quality. A thorough review of general deep learning network theories is conducted, highlighting key architectures and their applications in image enhancement. Important research papers are analyzed to observe the performance and success rates of these methods. Deep learning has revolutionized image enhancement, offering unprecedented performance improvements. Generative Adversarial Networks (GANs), for example, generate highly realistic images from noisy or low-light inputs. Autoencoders, another class of neural networks, learn efficient data representations to reconstruct higher quality images from low-light inputs. Specialized CNNs designed for low-light image enhancement incorporate innovative architectures and loss functions that focus on preserving details and enhancing brightness simultaneously. The study includes an in-depth analysis of key methods such as MSR-Net, SID, and Zero-DCE. MSR-Net (Multi-Scale Retinex Network): This method applies the Retinex theory at multiple scales to enhance image quality. It improves details and contrast in low-light conditions, making it a robust solution for image enhancement. SID (See-in-the-Dark): SID is specifically designed for low-light image enhancement. It uses a deep learning model to convert low-light images to their well-lit counterparts, demonstrating remarkable effectiveness in improving image quality. Zero-DCE (Zero-Dark Channel Enhancement): Zero-DCE is a fully learning-based method that employs deep convolutional neural networks for low-light image enhancement. It excels in brightness and color enhancement, producing visually appealing results. Building on the insights gained from single-image enhancement, the study adapts existing resolution systems to stereo imaging under low-light conditions. Traditionally, stereo imaging methods focus on depth estimation from pairs of images, but this research shifts the focus to enhancing the quality of stereo images captured in poor lighting. A significant challenge addressed is the disparity between the left and right images, which becomes more pronounced in low-light environments. Disparity estimation in stereo imaging involves calculating the pixel-wise difference between the left and right images to extract depth information. However, low-light conditions exacerbate the difficulties in accurate disparity estimation due to increased noise and reduced detail. This study proposes a method that bypasses the need for disparity estimation, focusing instead on directly enhancing the quality of the stereo images. To overcome the challenges associated with low-light stereo imaging, an end-to-end convolutional neural network named MC-CNN is proposed. The MC-CNN operates in two primary stages: Brightness Enhancement Stage: In this initial stage, the network learns to enhance the brightness of the stereo images. This is achieved through a series of convolutional layers that adjust the brightness levels, aiming to reveal more details and clarity in the images captured under low-light conditions. The goal is to improve the visibility of features that are typically obscured in poor lighting. The network is trained using a large dataset of low-light and normal-light stereo images, enabling it to learn the complex mappings required to enhance brightness effectively. Advanced techniques such as batch normalization and dropout are employed to ensure robust learning and to prevent overfitting. Color Restoration Stage: The second stage of the network utilizes the enhanced brightness and color information from the first stage to reconstruct a full-color image as if it were captured under normal lighting conditions. This is accomplished using deep learning techniques that ensure the output images are not only brighter but also color-accurate and true to their original appearance. This stage involves a more complex network architecture designed to handle color information and spatial details simultaneously. The network leverages residual learning to focus on the differences between the enhanced image and the desired output, ensuring that color restoration is precise and natural-looking. The studied MC-CNN method demonstrates superior performance in enhancing the quality of stereo images in low-light conditions compared to traditional single-image enhancement techniques. By avoiding reliance on disparity estimation, the method offers a faster and more efficient solution, making it suitable for real-time applications where speed and accuracy are critical. Extensive experiments are conducted to evaluate the performance of the MC-CNN. Metrics such as Peak Signal-to-Noise Ratio (PSNR) and Structural Similarity Index (SSIM) are used to quantitatively assess the enhancement quality. The results indicate that MC-CNN outperforms existing methods in terms of both objective metrics and subjective visual quality. In conclusion, this thesis presents a comprehensive study of image enhancement methods under low-light conditions, encompassing both traditional and deep learning-based approaches. The proposed MC-CNN method stands out as an innovative solution for improving the quality of stereo images in challenging lighting environments. This research contributes significantly to the field of image processing, providing a high-accuracy, AI-based approach that opens new possibilities for enhancing both single and stereo images under low-light conditions. The findings of this study pave the way for future advancements in artificial intelligence and image processing, particularly in scenarios where low-light conditions pose a significant challenge.

Benzer Tezler

  1. Tez No

    873413

    İnsansız hava aracından elde edilen görüntülerin derin öğrenme yöntemi ile iyileştirilmesi

    Improvement of images obtained from unmanned aerial vehicle with deep learning method

    HALİL İBRAHİM GÜMÜŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Havacılık Bilimi ve Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER OSMAN DURSUN

  2. Tez No

    812828

    Artificial intelligence based android assistant for colorimetric detection

    Kolorimetrik tespit için yapay zeka tabanlı android asistanı

    VAKKAS DOĞAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİzmir Katip Çelebi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VOLKAN KILIÇ

    DOÇ. DR. MUSTAFA ŞEN

  3. Tez No

    883275

    Investigation of microstructure movement under flow by using image processing and deep learning

    Akış altındaki mikroyapı deformasyonunun görüntü işleme ve derin öğrenme kullanılarak incelenmesi

    SAEED SARBAZZADEH KHOSROSHAHI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET CAN ERTEN

  4. Tez No

    856222

    Transfer öğrenme modellerinin basamaklandırılmış derin özelliklerini ve topluluk sınıflandırıcıları kullanarak lastik çatlaklarının tespit edilmesi

    Detecting tire cracks using cascading deep features of transfer learning models and ensemble classifiers

    ÖZCAN ASKAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    DOÇ. DR. RAMAZAN TEKİN

  5. Tez No

    892564

    Deep learning-based cyclone detection, localization, and classification

    Derin öğrenme tabanlı kiklon saptaması, konumlandırması ve sınıflandırması

    ALİ İBRAHİM ÖZKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HAKAN YILDIZ

Geri Dön