SÜPER ÇÖZÜNÜRLÜK ALGORİTMALARINDA DERİN ÖĞRENMENİN ETKİSİ
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, -, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: Mehmet Can ÖZ
Danışman: Tuğba Selcen Navruz
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Süper çözünürlük uygulamalarında renkli görüntüler için geleneksel yöntemler ve derin öğrenme tabanlı yöntemler uzun zamandır kullanılmaktadır ancak son gelişmeler bunların kullanımını termal(kızılötesi) görüntülere de genişletmiştir. Renkli görüntü sensörlerin aksine, termal sensörler genellikle düşük çözünürlüklüdür. Yüksek çözünürlüklü kızılötesi sensörlerin üretimi daha karmaşıktır. Yüksek çözünürlüklü termal sensörleri için gereken malzemeler görünür ışık sensörleri için kullanılanlara kıyasla daha maliyetlidir ve üretim süreçleri görünür ışık sensörlerine kıyasla çok daha zordur çünkü kızılötesi sensörlerin küçük sıcaklık farklarını algılayacak kadar hassas olması gerekir, bu da genellikle sisteme daha fazla gürültü sokar, dolayısıyla yüksek hassasiyeti korurken gürültüyü azaltmak, özellikle çözünürlük arttıkça çok zordur. Bu gibi kısıtlamalar da derin öğrenme yöntemleri kullanarak termal görüntülerde çözünürlüğünü artırma ihtiyacını doğurmuştur. Bu çalışmada, farklı modelleri termal görüntüler üzerine uygulayarak süper çözünürlük üzerindeki etkisini araştırdık. Özellikle, geleneksel bir yöntem olan bikübik enterpolasyonu, GAN mimarisi kullanan derin öğrenme tabanlı süper çözünürlük yöntemlerinden SRGAN (Super-Resolution Generative Adversarial Network) ve ESRGAN'ı (Enhanced Super- Resolution Generative Adversarial Network) Swin dönüştürücü (transformer) mimarisini kullanan SwinIR'ı (Swin Transformer-based Image Restoration) karşılaştırdık. Swin dönüştürücü ve GAN mimarisi kullanan bu modeller, düşük çözünürlüklü girdilerden yüksek çözünürlüklü çıktılar üreterek görüntü çözünürlüğünü artırmada umut verici sonuçlar göstermiştir. Araştırmamız, bu modellerin termal görüntülerden oluşan bir veri kümesi üzerinde eğitilmesini ve değerlendirilmesini de içermektedir. Modellerin performanslarını görüntü kalitesi, keskinlik ve termal detayların korunması açısından analiz ettik. Çalışmamızdan elde edilen bulgular, termal görüntü çözünürlüğünü iyileştirme alanına katkıda bulunmakta ve süper çözünürlük için derin öğrenme tekniklerinin etkinliği hakkında derinlik sağlamaktadır. Termal görüntüleme, askeri, tıbbi ve endüstriyel gibi çeşitli alanlarda önem kazandıkça, termal görüntülerin çözünürlüğünü iyileştirmek çok önemli hale gelmektedir. Çalışmamız, farklı yaklaşımların potansiyel faydalarına ve sınırlamalarına ışık tutarak uygulayıcılara ve araştırmacılara yol göstermektedir.