Öğrenme tabanlı tek görüntü süper çözünürlüğü yaklaşımlarının geliştirilmesi ve uygulanması

Abstract

Tez çalışması kapsamında, literatürde süper çözünürlükte görüntü oluşturma olarak adlandırılan düşük çözünürlüklü bir görüntünün uzamsal çözünürlüğünü artırmak için yeni yaklaşımlar önerilmektedir. Literatüre yapılan katkıların ilki Dalgacık dönüşümünden yararlanarak görüntüdeki kenar, köşe ve sınır yapılarını koruyan yeni bir seyrek gösterim tabanlı süper çözünürlük yaklaşımının sunulmasıdır. Tezin literatüre ikinci katkısı, Gabor Dalgacıkları yönteminin görüntülerden özellik çıkarılması amacıyla kullanılmasıdır. Sentetik görüntüler üzerinde yapılan deneyler önerilen yöntemin literatürdeki derin öğrenme hariç öğrenme tabanlı yöntemlere kıyasla daha iyi sonuç verdiğini göstermektedir. Tezin literatüre üçüncü katkısı, öğrenme tabanlı süper çözünürlük için literatürdeki konvolüsyonel sinir ağları tabanlı süper çözünürlük yaklaşımlarının analizlerinin yapılması ve yoğun atlamalı bağlantılar içeren yeni bir konvolüsyonel sinir ağ yapısının önerilmesidir. Bu ağ yapısı ile sentetik görüntülerin süper çözünürlük kaliteleri iyileştirilmiştir. Tezin literatüre dördüncü katkısı olarak, süper çözünürlük uygulanacak görüntülerin mikroskobik görüntü olması durumu yeni bir konvolüsyonel sinir ağı yapısı ile değerlendirilmiştir. Önerilen çalışma, literatürdeki mikroskobik görüntülerin süper çözünürlüğünü sağlayan ilk ve tek çalışmanın kısıtlamalarını ortadan kaldırmaktadır. Son olarak uzaktan algılama görüntüleri üzerinde yeni bir seyrek temsiliyet tabanlı pan keskinleştirme yaklaşımı önerilerek yüksek başarı elde edilmiş ve literatürde ilk kez detaylı bir karşılaştırma gerçekleştirilmiştir. In the thesis work, novel methods are proposed to increase the spatial resolution of a low resolution image which the process is referred to as super resolution image reconstruction in the literature. The first contribution to the literature is to present a novel edge, corner and boundary preserving sparse representation based super resolution approach by using Wavelet transform. The second contribution of the thesis to the literature is the use of Gabor Wavelets method fort he purpose of feature extraction. The experiments conducted on synthetic images show that the proposed method gives better results compared to learning-based method except for deep learning in the literature. The third contribution of the thesis to the literature is to analyze the convolutional neural network based super resolution approaches in the literature and to propose a novel convolutional neural network structure with deep skip-connections for learning-based super-resolution. With this network structure, the super resolution qualities of synthetic images have been improved. As the fourth contribution of the thesis to the literature, the microscopic image super resolution is examined with a novel convolutional neural network structure. The proposed study eliminates the limitations of the first and only study that provides the super resolution of microscopic images in the literature. Finally, high quality images are obtained with the proposed sparse representation based pan sharpening approach in remote sensing images and a detailed comparison is made for the first time in the literature.