Geleneksel ve derin öğrenme tabanlı yöntemlerin kullanımıyla sualtı görüntülerinin iyileştirilmesi
Enhancement of underwater images using conventional and deep learning-based methods
- Tez No: 953376
- Danışmanlar: DOÇ. DR. SERAP KARAGÖL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Su altı görüntüleme, deniz altı gözlemleri ile biyolojik araştırmaların sağlıklı yürütülebilmesi açısından kritiktir. Işığın su içerisindeki yayılımı, soğurulması ve ortamda bulunan partiküller nedeniyle, görüntüler genellikle düşük kontrastlı ve bulanıktır. Dolayısıyla, su altı görüntü iyileştirme teknikleri, insan görsel algısını geliştirmek ve bilgisayarla görme tabanlı analizlerin doğruluğunu ve etkinliğini artırmak bakımından önem taşımaktadır. Yapılan tez çalışmasında, sualtı görüntülerinin kalitesini artırmak amacıyla üç farklı yöntem ayrı değerlendirilmiş, ardından bu yöntemlerin birleştirilmesiyle elde edilen sonuçlar analiz edilmiştir. Renk Kanalı İyileştirmesi ve Keskinleştirme yöntemi, görüntülerde keskinliğin artırılması ve baskın renk tonlarının dengelenmesi amacıyla kullanılırken Yerel Olarak Uyarlanabilir Kontrast Geliştirme (MLLE) yöntemi, sualtı ortamında ışığın dalga boyuna bağlı olarak saçılması ve emilimi sonucu oluşan bozulmaları gidererek daha doğal bir görünüm elde etmeyi hedeflemiştir. Derin öğrenme tabanlı, hızlı ve etkili bir iyileştirme yöntemi olan ve Çekişmeli Üretici Ağ mimarisi üzerine inşa edilen FUNIE-GAN ise, bulanık, düşük kontrastlı ve karanlık sualtı görüntülerinin iyileştirilmesinde başarılı sonuçlar sunmaktadır. Model eğitimi ve değerlendirilmesi için düşük kaliteli ve iyileştirilmiş su altı görüntülerini içeren EUVP veri seti kullanılmıştır. Sonuçlar Tepe Sinyal Gürültü Oranı (PSNR), Yapılandırılmış Benzerlik İndeksi (SSIM), Sualtı Görüntü Kalitesi Ölçümü (UIQM) ve Sualtı Renk Görüntü Kalitesi Değerlendirme Metriği (UCIQE) gibi yaygın kalite metrikleriyle değerlendirilmiştir ve literatürdeki yöntemlerle karşılaştırılmıştır. PSNR metriğinde en yüksek başarı, 24.5 ile Renk Kanalı İyileştirmesi ve Keskinleştirme yöntemine aittir. SSIM metriğinde ise başarı FUNIE-GAN yöntemi ile 0.89 olarak elde edilmiştir. UIQM metriği bağlamında en yüksek kalite, 3.02 değeriyle Renk Kanalı İyileştirmesi ve Keskinleştirme ve FUNIE-GAN yöntemlerinin hibrit biçimde kullanılması sonucunda elde edilmiştir. UCIQE metriği ise, en yüksek başarıyı 0.626 değeri ile MLLE yöntemi tarafından sağlanmıştır. Görüntü iyileştirme sürecinde kullanılan hibrit yöntemlerin etkinliği, PSNR ve SSIM gibi geleneksel kalite değerlendirme metrikleri üzerinden incelendiğinde sınırlı bir başarı elde edildiği görülmektedir. Ancak, su altı görüntülerine özgü geliştirilen metrikler dikkate alındığında, hibrit yöntemin görsel kaliteyi artırma konusunda daha başarılı sonuçlar verdiği gözlemlenmiştir.
Özet (Çeviri)
Underwater imaging is crucial for reliable submarine observation and supporting biological research. However, there are significant differences between imaging conducted in terrestrial and underwater environments, due to light absorption and scattering in water, and the presence of particulate matter. These factors often result in underwater images with low contrast, blurriness and colour distortion. Therefore, techniques for enhancing underwater images are important not only for improving human visual perception, but also for increasing the accuracy and effectiveness of computer vision-based analyses. In this study, three different methods were evaluated separately to improve the quality of underwater images, and then the results obtained by combining these methods in a hybrid form were analyzed. While the Color Channel Enhancement and Sharpening method is used to increase the sharpness and balance the dominant color tones in the images, the MLLE method aims to achieve a more natural appearance by removing the distortions caused by the scattering and absorption of light in the underwater environment depending on the wavelength. FUNIE-GAN, which is a deep learning-based, fast and effective enhancement method built on the GAN architecture, provides successful results in the enhancement of blurred, low contrast and dark underwater images. The EUVP dataset including low quality and enhanced underwater images is used for model training and evaluation. The results are evaluated with common quality metrics such as PSNR, SSIM, UIQM and UCIQE and compared with methods in the literature. In the PSNR metric, the Color Channel Enhancement and Sharpening method has the highest success rate of 24.5. In the SSIM metric, the FUNIE-GAN method achieved 0.89. In terms of the UIQM metric, the highest quality was obtained by using Color Channel Enhancement and Sharpening and FUNIE-GAN methods together in hybrid form with a value of 3.02. As for the UCIQE metric, the MLLE method achieved the highest success with a value of 0.626. When the effectiveness of the hybrid methods used in the image enhancement process is analyzed over traditional quality assessment metrics such as PSNR and SSIM, it is seen that limited success is achieved. However, when the UIQM and UCIQE metrics developed specifically for underwater images are taken into account, it is observed that the hybrid method gives more successful results in improving visual quality.
Benzer Tezler
- Deep learning based optimization of underwater quantum key distribution systems
Sualtı kuantum anahtar dağıtım sistemlerinin derin öğrenme tabanlı optimizasyonu
MOSTAFA NOZARI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiÖzyeğin ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT UYSAL
- Deep learning-based techniques for 3D point cloud analysis
3B nokta bulutu analizi için derin öğrenme temelli teknikler
YUSUF HÜSEYİN ŞAHİN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Monodepth-based object detection and depth sensing for autonomous vehicle vision systems
Monodepth tabanlı otonom araç görüş sistemleri için nesne tespiti ve derinlik algılama
EMRE ÇETİN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN SEÇİNTİ
- Fractional-order derivative based adaptive methods for control and optimization
Kontrol ve optimizasyon için kesir mertebeli türev tabanlı adaptif yöntemler
MERT CAN KURUCU
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MÜJDE GÜZELKAYA
PROF. DR. İBRAHİM EKSİN
- Evrşimsel sinir ağları ile 3D CAD modeller üzerinde benzerlik analizi
Similarity analysis on 3D CAD models with convolutional neural networks
RUKİYE TİPİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KORAY ALTUN