عنوان
بهبود كيفيت تصاوير كم نور با استفاده از روش هاي مبتني بر يادگيري عميق
نويسنده اصلي
كوهستاني، فرزانه
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
رشته تحصيلي
مهندسي كامپيوتر
مقطع تحصيلي
كارشناسي ارشد
چكيده
تصاوير با نور مناسب در حوزه‌هاي پزشكي و عمومي مزاياي بسياري دارند. در پزشكي، تصاويري مانند اندوسكوپي يا راديوگرافي با وضوح بالا، جزئيات بافت‌ها و ساختارهاي بدن را به‌خوبي نمايش مي‌دهند، تشخيص بيماري‌هايي نظير تومورها يا ضايعات كوچك را دقيق‌تر مي‌كنند و نياز به پس‌پردازش پيچيده را كاهش مي‌دهند، كه در موقعيت‌هاي اورژانسي حياتي است. در حوزه عمومي، مانند نظارت شبانه يا خودروهاي خودران، تصاوير واضح شناسايي اشيا، افراد يا موانع را بهبود مي‌بخشند، ايمني را افزايش مي‌دهند و تجربه كاربري در عكاسي يا فيلم‌برداري را ارتقا مي‌دهند.
بهبود كيفيت تصاوير كم‌نور يكي از چالش‌هاي اساسي در حوزه بينايي ماشين و پردازش تصوير است كه كاربردهاي گسترده‌اي در زمينه‌هاي پزشكي، نظارت شبانه، و خودروهاي خودران دارد. اين پژوهش با هدف ارائه روش‌هاي نوين و كارآمد براي بهبود تصاوير كم‌نور در دو حوزه پزشكي و عمومي انجام شده است. در اين پايان‌نامه، دو روش اصلي پيشنهاد شده است: روش نورپردازي واسنجي‌شده خودكار و روش سلسله‌مراتبي بهبود روشنايي با سازوكار توجه و كمي‌سازي برداري. روش نورپردازي واسنجي‌شده خودكار با بهره‌گيري از سازوكار اشتراك‌گذاري وزن و واحد خود تنظيم شونده، به‌صورت بدون نظارت روشنايي تصاوير را بهبود مي‌دهد و با استفاده از فضاهاي رنگي YCbCr و HSV، جزئيات را بدون تغيير رنگ‌ها بازيابي مي‌كند. روش سلسله‌مراتبي بهبود روشنايي با سازوكار توجه و كمي‌سازي برداري، مبتني بر خودرمزگذار متغير كوانتيزه‌شده برداري، با ادغام سازوكار توجه و دو ميدان ادراكي (محلي و سراسري)، به‌طور همزمان ويژگي‌هاي كلي و جزئيات محلي تصاوير را بازسازي مي‌كند. اين روش با استفاده از واحدهاي كدگذار توجهي و كمي‌سازي با توجه، دقت بازسازي را بهبود بخشيده و نويز را كاهش مي‌دهد.
براي ارزيابي روش‌هاي پيشنهادي، آزمايش‌هايي بر روي مجموعه داده‌هاي استاندارد LOL، LOL-v2 Real و Endo4IE انجام شد. نتايج نشان داد كه روش نورپردازي واسنجي‌شده خودكار در مجموعه داده LOL مقادير 16.06 و 0.542 براي PSNR و SSIM و در مجموعه داده LOL-v2 Real مقادير PSNR و SSIM را به ترتيب به 17.09 و 0.765 رساند و نسبت به روش‌هاي پيشرفته‌اي مانند DeepUPE و EnlightenGan عملكرد بهتري ارائه داد. همچنين روش سلسله‌مراتبي بهبود روشنايي با سازوكار توجه و كمي‌سازي برداري در مجموعه داده Endo4IE با كسب مقادير PSNR برابر با 30.576، SSIM برابر با 0.879 و LPIPS برابر با 0.133، از روش‌هاي پيشين مانند KinD++ و EndoUIC پيشي گرفت و نسبت به روش پايه VQ-VAE، بهبود 3.337 دسي‌بل در PSNR و 0.30 در SSIM به دست آورد. اين نتايج بيانگر كارايي بالاي روش‌هاي پيشنهادي در بهبود تصاوير كم‌نور و ارائه بستري مؤثر براي كاربردهاي پزشكي و عمومي است.
شماره ركورد
234890
گرايش رشته تحصيلي
هوش مصنوعي و رباتيكز
دانشكده
مهندسي برق و كامپيوتر
دانشگاه
دانشگاه صنعتي اصفهان