Su altı görüntüleri için derin füzyon tabanlı detay iyileştirme
Deep fusion-based detail enhancement for underwater images
- Tez No: 971222
- Danışmanlar: PROF. DR. ERDİNÇ AVAROĞLU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Sayısal görüntü, Sayısal görüntü işleme, Deep learning, Digital image, Digital image processing
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Su altı dünyası, benzersiz biyolojik çeşitliliği, olağanüstü jeolojik yapıları ve zengin arkeolojik kalıntılarıyla bilim insanlarının ilgisini çekmektedir. Ancak su molekülleri ve içlerindeki organik/inorganik partiküller farklı dalga boylarındaki ışığı emmekte ve saçmakta; bu durum renk kaybı, düşük kontrast, bulanıklık ve pus etkisi gibi karmaşık optik bozulmaların oluşmasına yol açmaktadır. Bu bozulmaları gidermek amacıyla önerilen yöntemde ilk aşamada kanal bazlı histogram analiziyle adaptif renk düzeltme uygulanarak kırmızı kanal kaybı ve mavi-yeşil baskınlık dengelenmekte ve renk düzeltilmiş görüntü elde edilmektedir. İkinci aşamada bu çıktı iki kola ayrılmaktadır: birinci kolda çok ölçekli detay güçlendirme birimi aracılığıyla ince kenar ve geniş dokusal yapılar vurgulanırken, Latent Low-Rank Representation (LatLRR) ile gürültü bastırılarak anlamlı yapısal bileşenler korunmaktadır; ikinci kolda ise Eksik Beta Fonksiyonu tabanlı kontrast iyileştirmesi uygulanarak karanlık ve parlak bölgeler arasındaki denge adaptif biçimde optimize edilmektedir. Son aşamada her iki kolun çıktısı, MUFusion temelli denetimsiz derin öğrenme füzyon katmanı kullanılarak füzyonlanarak ve nihai, yüksek kaliteli görüntü oluşturulmaktadır. Test-C60 ve OceanDark veri setleri üzerinde yapılan nesnel değerlendirmelerde, AG ve IE metriklerinde sırasıyla %15 ve %10 oranında artış, UIQM değerinde ise %14 oranında iyileşme elde edilmiştir. Ayrıca IL-NIQE skorunda ortalama %12 oranında bir azalma gözlenmiş olup, bu azalma algısal kalitedeki artışı göstermektedir. Yapısal tutarlılık analizinde SIFT eşleşme sayıları anlamlı oranda artarken, tüm metrikler için uygulanan Wilcoxon sıralı işaret testi p <0,05 düzeyinde istatistiksel olarak anlamlı iyileşmeleri doğrulamaktadır. Böylece önerilen yöntem görüntü tabanlı su altı uygulamalarına entegre edilebilecek güçlü bir iyileştirme adımı sunmaktadır.
Özet (Çeviri)
The underwater world captures scientists with its unique biodiversity, extraordinary geological structures, and rich archaeological remains. However, water molecules and the organic and inorganic particles within them absorb and scatter light at different wavelengths, leading to complex optical distortions such as color loss, low contrast, blur, and haze. To overcome these visual artifacts, the proposed method first applies adaptive color correction using channel-based histogram analysis to compensate for red channel loss and blue-green dominance, resulting in a color-corrected image. In the second stage, this output is divided into two branches: in the first branch, fine edges and large textural structures are emphasized using a multi-scale detail enhancement unit. Latent Low-Rank Representation (LatLRR) suppresses noise to preserve meaningful structural components; in the second branch, contrast enhancement based on the Incomplete Beta Function is applied to adaptively optimize the balance between dark and bright regions. In the final stage, the outputs of both arms are fused without any loss of information using an unsupervised deep learning fusion layer based on MUFusion, producing the final high-quality image. Objective evaluations on the Test-C60 and OceanDark datasets show increases of 15% and 10% in the AG and IE metrics, respectively, and a 14% improvement in the UIQM value. Furthermore, an average decrease of 12% was observed in the IL-NIQE score, indicating an increase in perceptual quality. In the structural consistency analysis, the SIFT match count increased significantly, and the Wilcoxon rank-order sign test applied to all metrics confirmed statistically significant improvements at the p <0.05 level. Thus, the proposed method offers a robust optimization step that can be integrated into image-based underwater applications.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Bozkır Birliği'nin (Bozkır-Hadim, Konya) mineralojik-petrografik ve jeokimyasal incelenmesi
Mineralogical-petrograpgical and geochemical investigation of Bozkir Unit (Bozkir-Hadim, Konya)
MİNE TAKCI
Yüksek Lisans
Türkçe
2015
Jeoloji MühendisliğiCumhuriyet ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN YALÇIN
- Su altı çöp tespiti için yapay zekâ tabanlı yöntemlerin geliştirilmesi
Development of artificial intelligence based methods for underwater litter detection
KÜBRA DEMİR
Yüksek Lisans
Türkçe
2022
Deniz BilimleriFırat ÜniversitesiEkobilişim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ORHAN YAMAN
- Bulanık su altı görüntülerinde derin öğrenme tabanlı balık tespiti
Deep learning based fish detection in turbid underwater images
TANSEL AKGÜL
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Aşırı karanlık seri görüntüleri iyileştirmek için hafif bir filtreleme modeli
A lightweight filtering model for extremely dark burst image enhancement
HASAN AVŞAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİskenderun Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET SARIGÜL
DR. ÖĞR. ÜYESİ LEVENT KARACAN