کنفرانس بین المللی محاسبات نرم

صفحه اصلی / چهارمین کنفرانس بین المللی محاسبات نرم

Hybrid-Net: یک شبکه عصبی عمیق برای افزایش کیفیت تصاویر زیر آب

نویسندگان :

امیررضا عباسی¹ مهدی هاشم زاده² جلیل قویدل نیچران³

1- دانشگاه شهید مدنی آذربایجان 2- دانشگاه شهید مدنی آذربایجان 3- دانشگاه شهیدمدنی آذربایجان

کلمات کلیدی :

شبکه‌های عصبی عمیق، افزایش کیفیت تصویر، شبکه عصبی کانولوشن، تصاویر زیرآب، یادگیری عمیق

چکیده :

امروزه، توسعه، اکتشاف و حفاظت از منابع اقیانوس‌ها و دریاها موضوع مهمی در بسیاری از کاربردها و صنایع است. تصاویر واضح از زیر آب می توانند اطلاعات ارزشمندی از دنیای زیر آب فراهم کنند؛ با این حال این تصاویر معمولاً از کنتراست کم، اعوجاج رنگ و مشکلات نویز رنج می‎برند و عملیات پردازش تصویر و بینایی ماشین روی تصاویر زیر آب را دچار مشکل می‌کنند. در این پژوهش، یک شبکه ی عصبی عمیق ترکیبی با عنوان Hybrid-Net برای افزایش کیفیت تصاویر زیر آب معرفی می‌شود. در روش پیشنهادی، تمرکز بیشتر بر روی استفاده از شبکه های عصبی کانولوشنی است. ساختار Hybrid-Net شامل یک معماری چند گانه است که از آن برای یادگیری نقشه اطمینان استفاده می شود. نقشه اطمینان شامل مهمترین ویژگی های استخراج شده از ورودی های شبکه است. معماری پیشنهادی علاوه بر تصویر خام ورودی، از کانال‌های تعادل سفید، متعادل‌سازی هیستوگرام و تصحیح گاما تغذیه می کند تا نقشه اطمینان مطلوب حاصل شود. همچنین برای اصلاح و بهبود ورودی های شبکه، از واحد های کوچکی برای کاهش هاله-ها و مصنوعات موجود در تصاویر استفاده می شود. روش ارائه شده بر روی مجوعه داده UIEB، که شامل 950 تصویر واقعی زیر آب است، آزمایش شده و با استفاده از معیار های مرجع کامل MSE، PSNR و SSIM با دیگر روش‌های به روز مقایسه می‌شود. تجزیه و تحلیل نتایج نشان دهنده کارایی قابل قبول روش پیشنهادی، و بهبود قابل ملاحظه در ساختار و بافت تصاویر در مقایسه با روش های موجود در زمینه بهبود و افزایش کیفیت تصاویر زیر آب است.