SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2023 / Cilt: 38 - Sayı: 3

Evrişimli sinir ağı kullanarak çoklu-pozlamalı görüntü birleştirme

Harun AKBULUT
Veysel ASLANTAŞ
Pages
1439–1452
Publication Date
2023-01-06
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Elde edilen sonuçlar, geliştirilen tekniğin uygulanabilirliğini göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Aynı sahneye ait iki ya da daha fazla düşük dinamik alana (LDR) sahip görüntülerden yüksek dinamik alana (HDR) sahip tek bir görüntü elde etme yöntemlerine çoklu-pozlamalı görüntü birleştirme (MEF) denir.
📊
Key Findings & Data:Birleştirilmiş görüntülerde testere-dişi etkisini ortadan kaldırmak için fmap üzerinde ağırlıklandırma işlemi gerçekleştirilmiştir.
💡
Conclusion & Impact:Elde edilen sonuçlar, geliştirilen tekniğin uygulanabilirliğini göstermektedir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Çoklu-pozlamalı görüntü birleştirme · evrişimli sinir ağı · ağırlıklandırılmış görüntü birleştirme

Özet

Aynı sahneye ait iki ya da daha fazla düşük dinamik alana (LDR) sahip görüntülerden yüksek dinamik alana (HDR) sahip tek bir görüntü elde etme yöntemlerine çoklu-pozlamalı görüntü birleştirme (MEF) denir. Bu çalışmada MEF için derin öğrenme (DL) modellerinden evrişimli sinir ağı (CNN) kullanan yeni bir yöntem önerilmiştir. Önerilen yöntemde ilk adımda CNN modeli kullanılarak kaynak görüntülerden birleştirme haritası (fmap) elde edilmiştir. Birleştirilmiş görüntülerde testere-dişi etkisini ortadan kaldırmak için fmap üzerinde ağırlıklandırma işlemi gerçekleştirilmiştir. Daha sonra ağırlıklandırılmış fmap kullanılarak her tarafı iyi pozlanmış birleştirilmiş görüntüler oluşturulmuştur. Önerilen yöntem literatürde yaygın olarak kullanılan MEF veri setlerine uygulanmış ve elde edilen birleştirilmiş görüntüler kalite metrikleri kullanılarak değerlendirilmiştir. Önerilen yöntem ve diğer iyi bilinen görüntü birleştirme yöntemleri, görsel ve niceliksel değerlendirme açısından karşılaştırılmıştır. Elde edilen sonuçlar, geliştirilen tekniğin uygulanabilirliğini göstermektedir.

🔖

Cite This Article

AKBULUT, H., ASLANTAŞ, V. (2023). Evrişimli sinir ağı kullanarak çoklu-pozlamalı görüntü birleştirme. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 38 - Sayı: 3, 1439–1452. https://ajindex.com/articles/875678

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. Kaur, H., Koundal, D., Kadyan, V. Image Fusion Techniques: A Survey, Arch Computat Methods Eng, cilt 28, p. 4425–4447, 2021.
  2. Karishma, C. B., Bhumika, S., A Review of Image Fusion Techniques, 2018 Second International Conference on Computing Methodologies and Communication (ICCMC), 2018.
  3. Ma, J., Ma, Y., Li, C., Infrared and visible image fusion methods and applications: A survey, Information Fusion, cilt 45, pp. 153-178, 2019.
  4. Aslantas, V., Bendes, E., Kurban, R., Toprak, A. N., New optimised region-based multi-scale image fusion method for thermal and visible images, IET Image Processing, pp. 289-299, 2014.
  5. Maruthi, R., Lakshmi, I., Multi-Focus Image Fusion Methods – A Survey, IOSR Journal of Computer Engineering (IOSR-JCE), cilt 19, no. 4, pp. 9-25, 2017.
  6. Aslantas, V., Kurban, R., Fusion of multi-focus images using differential evolution algorithm, Expert Systems with Applications, p. 8861–8870, 2010.
  7. Aslantaş, V., Kurban, R., A comparison of criterion functions for fusion of multi-focus noisy images, Optics Communications, no. 282, p. 3231–3242, 2009.
  8. Aslantas, V., Bendes, E., A new image quality metric for image fusion: The sum of the correlations of differences, Int. J. Electron. Commun., cilt 69, pp. 1890-1896, 2015.
  9. Jing, Z, Pan, H., Li, Y., Dong, P., Evaluation of Focus Measures in Multi-Focus Image Fusion. In: Non-Cooperative Target Tracking, Fusion and Control. Information Fusion and Data Science, pp. 269-281, 2018.
  10. Ke, P., Jung, C., Fang, Y., Perceptual multi-exposure image fusion with overall image quality index and local saturation, Multimedia Systems, cilt 23, no. 2, p. 239–250, 2017.
  11. Singh, S, Mittal, N, Singh, H, Review of Various Image Fusion Algorithms and Image Fusion Performance Metric, Archives of Computational Methods in Engineering, cilt 28, no. 5, p. 3645–3659, 2021.
  12. Zhao, S., Wang, Y., A Novel Patch-Based Multi-Exposure Image Fusion Using Super-Pixel Segmentation, IEEE Access, cilt 8, pp. 39034-39045, 2020.
  13. Yadong, X., Beibei, S., Color-compensated multi-scale exposure fusion based on physical features, Optik, cilt 223, no. 165494, 2020.
  14. Bavirisetti, D. P., Dhuli, R., Multi-focus image fusion using multi-scale image decomposition and saliency detection, Ain Shams Engineering Journal, cilt 9, p. 1103–1117, 2018.
  15. Zhang, X., Benchmarking and comparing multi-exposure image fusion algorithms, Information Fusion, cilt 74, pp. 111-131, 2021.
  16. Mertens, T., Kautz, J., Reeth, F. V., Exposure Fusion, 15th Pacific Conference on Computer Grap