Derin öğrenme kullanılarak iki boyutlu görüntülerin yeniden yapılandırılması

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.