ارائه یک روش نوین برای افزایش کیفیت تصاویر ادغام شده دریایی و زیر دریایی با استفاده از تبدیلات ویولت گونه مبتنی بر یادگیری عمیق

ترکیب اطلاعات بصری از چندین منبع به منظور استخراج تصویر نهایی با اطلاعات غنی، یکی از موضوعات مهم در حوزه پردازش تصویر به شمار می رود. ادغام تصویر به فرآیند ترکیب اطلاعات از چندین تصویر به منظور تولید یک تصویر واحد گفته می شود. افزایش کیفیت تصویر ادغام شده به عنوان یک چالش مهم باقی مانده است. با پیشرفت سریع تکنولوژی های تصویربرداری حجم عظیمی از داده های بصری با کیفیت های متفاوت تولید می شود. این داده ها ممکن است از حسگرهای مختلف یا با پارامترهای متفاوت تهیه شده باشند که هر کدام اطلاعات منحصر به فردی را ارائه می دهند. بنابراین ادغام این تصاویر به گونه ای که نه تنها اطلاعات مهم حفظ شود بلکه کیفیت تصویر نهایی نیز ارتقاء یابد، یک هدف کلیدی در بسیاری از کاربردهای عملی محسوب می شود. با استفاده از روش های نوین مانند تبدیل ویولت گونه به همراه یادگیری عمیق نهفته می توان فرآیند ادغام را به گونه ای انجام داد که بالاترین کیفیت ممکن حاصل شود. استفاده از یادگیری عمیق در پردازش تصویر (Deep Learning) به عنوان یکی از زیرشاخه های یادگیری ماشین با قابلیت استخراج ویژگی های پیچیده و سطح بالا، تحول بزرگی در زمینه های مختلف هوش مصنوعی ایجاد کرده است. در ادغام تصویر هدف حفظ اطلاعات مهم از تصاویر ورودی است. اما در روش های کلاسیک انتخاب قوانین ادغام ثابت و غیر داینامیک اغلب منجر به از دست رفتن برخی جزئیات یا ایجاد نویز می شود. یادگیری عمیق این امکان را فراهم می سازد که مدل به صورت مبتنی بر داده استراتژی بهینه ادغام را یاد بگیرد. بدین ترتیب کیفیت تصویر خروجی نه تنها از لحاظ عددی بلکه از منظر بصری نیز به شکل محسوسی افزایش می یابد. تبدیل ویولت گونه تبدیل ویولت یکی از ابزارهای کلاسیک در پردازش سیگنال و تصویر است که به ویژه در تحلیل چند مقیاسی موثر عمل می کند. این تبدیل قادر است تصویر را به مولفه های مختلف با فرکانس های پایین و بالا تجزیه کند. از جمله ویژگی های مهم ویولت امکان تحلیل اطلاعات به صورت همزمان در حوزه مکان و فرکانس است.

کلیدواژه ها:

ادغام تصاویر دریایی و زیر دریایی ، تبدیل ویولت گونه ، یادگیری عمیق ، پردازش تصویر ، شبکه عصبی کانولوشنی