Derin öğrenme kullanılarak iki boyutlu görüntülerin yeniden yapılandırılması
Reconstruction of two dimensional images using deep learning
- Tez No: 960837
- Danışmanlar: DOÇ. DR. AHMET ÇINAR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
Süper çözünürlük teknolojileri, düşük çözünürlüklü görüntülerden yüksek çözünürlüklü içerik elde etmeyi amaçlayan görüntü restorasyonunda kullanılan araçlardan biridir. Süper çözünürlük teknolojisi, düşük çözünürlüklü bir görüntüyü yeniden yapılandırarak kalitesini artırmayı amaçlar. Bu teknik, bir görüntünün çözünürlüğünü artırarak daha fazla detay ve netlik elde etmeye çalışır. Özellikle düşük çözünürlüklü görüntü verilerinin iyileştirilmesi gereken içeriklerde kullanışlı bir teknoloji olup birçok görüntü işleme uygulamasında kullanılır. Süper çözünürlük uygulamaları yüz tanıma, tıbbi görüntüleme, uydu görüntüleme ve video çözünürlük artırımı gibi alanlarda kullanılır. Tek görüntü süper çözünürlük işleminin temel amacı, bir görüntüdeki çözünürlük kaybını geri kazanmak ve görüntüdeki detayları yeniden yapılandırmaktır. Geleneksel yöntemlerde, bu işlem genellikle örüntü tanıma ve interpolasyon tekniklerine dayanır. Ancak son yıllarda, derin öğrenme ve yapay zeka tabanlı yöntemler, bu alanda büyük ilerlemeler kaydetmiş ve performansını önemli ölçüde iyileştiren teknikler öne çıkmaktadır. Tek görüntü süper çözünürlük yöntemlerinin avantajı, yalnızca tek bir düşük çözünürlüklü görüntüye dayanarak yüksek çözünürlüklü bir görüntü elde etme imkanı sunmasıdır. Bu, görüntülerin daha ayrıntılı bir şekilde incelenmesini ve analiz edilmesini sağlar. Ancak bu yöntemlerin karşılaştığı başlıca zorluklar, görüntüdeki gürültü, bulanıklık ve bozulmaların minimize edilmesi ve yüksek çözünürlüklü görüntülerin doğru bir şekilde yeniden yapılandırılmasıdır. Sonuç olarak, tek görüntü süper çözünürlük, görüntü işleme alanında önemli bir araştırma konusu olmaya devam etmektedir. Derin öğrenme tabanlı yöntemlerin entegrasyonu, bu alandaki başarıyı artırarak daha gerçekçi ve ayrıntılı görüntülerin elde edilmesini sağlamaktadır. Önerdiğimiz modelde, düşük çözünürlüklü özellik haritalarını yüksek çözünürlüklü görüntülere geliştirmek için bir dizi filtre öğrenen bir alt piksel evrişim katmanı sunulmaktadır. Önerilen modelimizde, verimli alt piksel evrişimli sinir ağı (ESPCN) modeline evrişim katmanları eklenir ve kaybolan eğim değerini önlemek için geçerli katmanın özellik bilgilerini önceki katmandan bir sonraki üst katmana aktarırız. Bu çalışmada önerilen verimli alt piksel evrişimli sinir ağı (R-ESPCN) modeli, gerçek zamanlı alt piksel evrişimli sinir ağının görüntüler üzerinde süper çözünürlüklü işlemler gerçekleştirmesi için gereken süreyi azaltmak üzere yeniden modellenmiştir. Sonuçlar, yöntemimizin doğruluk açısından önemli ölçüde iyileştirildiğini ve derin öğrenme yöntemlerinin görüntü verisi işleme alanında uygulanabilirliğini göstermektedir.
Özet (Çeviri)
Super-resolution technologies are one of the tools used in image restoration, which aims to obtain highresolution content from low-resolution images. Super-resolution technology aims to increase the quality of low-resolution image by reconstructing it. Super-resolution applications are used in areas such as face recognition, medical imaging, satellite imaging and video resolution enhancement. Deep neural network models used for single-image super-resolution are quite successful in terms of computational performance. In these models, low-resolution images are converted to high-resolution using methods such as bicubic interpolation, but since the super-resolution process is performed in the high-resolution domain, it adds memory cost and computational complexity. In our proposed model, low-resolution image is given as input to convolutional neural network to reduce computational complexity. In our proposed model, subpixel convolution layer is presented that learns a series of filters to enhance low-resolution feature maps to highresolution images. In our proposed model, we add convolution layers to the efficient subpixel convolutional neural network (ESPCN) model and transfer the feature information of the current layer from the previous layer to the next upper layer to prevent the lost gradient value. In this study, the proposed efficient subpixel convolutional neural network (R-ESPCN) model is remodeled to reduce the time required for the real-time subpixel convolutional neural network to perform super-resolution operations on images. The results show that our method is significantly improved in terms of accuracy and can be applied to deep learning methods in the field of image data processing.
Benzer Tezler
- Derin öğrenme ağları kullanılarak 3B tıbbi görüntü tanımlanması
3D medical image recognition using deep learning networks
ROUBA OMAR ALAHMAD ALOSMAN
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU
- Denetimsiz derin öğrenme kullanılarak dijital meme tomosentezi görüntülerinde bulanıklığın giderilmesi
Unsupervised deblurring of digital breast tomosynthesis images using deep learning
MÜBERRA AYDIN
Yüksek Lisans
Türkçe
2023
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ
- U-net ve sam entegrasyonu ile meme mr görüntülerinde tümör segmentasyonu ve morfolojik işlemlerle takibi
Breast mri tumor segmentation using U-net and sam integration with morphological tracking methods
ALPTUĞ ŞEREF AYYILDIZ
Yüksek Lisans
Türkçe
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN