Affiliation:
1. MÜHENDİSLİK VE DOĞA BİLİMLERİ FAKÜLTESİ
Abstract
Çözünürlük kavramı, çeşitli bilgisayarlı görü uygulamaları için büyük önem arz etmektedir. Son yıllarda donanımsal ilerlemeler sayesinde görüntü çözünürlüklerini artırmaya yönelik süper çözünürlük uygulamaları araştırmacıların odak noktası haline gelmiştir. Bu çalışmada ise yeni bir derin öğrenme tabanlı süper çözünürlük modeli (SISRGAN) önerilmiştir. Ayrıca, süper çözünürlük uygulamaları için CelebA veri setinden farklı kalite seviyelerinde üç farklı veri seti oluşturulmuştur. Çalışmalar sonucunda elde edilen sonuçlar görüntü kalite metrikleri (tepe sinyal gürültü oranı ve yapısal benzerlik indeksi) kullanılarak literatürde yer alan önemli modeller ile karşılaştırılmıştır. Önerilen derin ağ modelinin hem görsel kalitedeki iyileşme hem de metrik değerleri açısından daha üstün bir başarı ortaya koymuştur. Bununla birlikte, süper çözünürlüklü görüntünün oluşturulacağı düşük çözünürlüklü görüntü kalitesinin başarıyı doğrudan etkilediği görülmüştür.
Publisher
Bandirma Onyedi Eylul University
Subject
General Medicine,General Chemistry
Reference20 articles.
1. M. Protter, M. Elad, H. Takeda and P Milanfar, “Generalizing the nonlocal-means to super-resolution reconstruction”, IEEE Transactions on image processing, 18(1), 36-51, 2008.
2. R. W. Gerchberg, “Super-resolution through error energy reduction”, Optica Acta: International Journal of Optics, 21(9), 709-720, 1974.
3. K. Nasrollahi and T. B. Moeslund, “Super-resolution: a comprehensive survey. Machine vision and applications”, 25(6), 1423-1468, 2014.
4. H. Hurkal and Z. Orman, “A survey on image super-resolution with generative adversarial networks”, Acta Infologica, 4(2), 139-154, 2020.
5. L. Yue et al., “Image super-resolution:the techniques, applications, and future”, Signal Processing 128, 389-408, 2018.