Derin öğrenme tabanlı yöntemlerle düşük ışıklı görüntü iyileştirme

Abstract

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.