توصيفگر ها :
بهبود تصاوير كم نور , نورپردازي واسنجي شده خودكار , سازوكار توجه , خودرمزگذار متغير كوانتيزه شده , ميدان ادراكي , پردازش تصوير , بينائي ماشين , تصويربرداري آندوسكوپي , يادگيري عميق
چكيده فارسي :
تصاوير با نور مناسب در حوزههاي پزشكي و عمومي مزاياي بسياري دارند. در پزشكي، تصاويري مانند اندوسكوپي يا راديوگرافي با وضوح بالا، جزئيات بافتها و ساختارهاي بدن را بهخوبي نمايش ميدهند، تشخيص بيماريهايي نظير تومورها يا ضايعات كوچك را دقيقتر ميكنند و نياز به پسپردازش پيچيده را كاهش ميدهند، كه در موقعيتهاي اورژانسي حياتي است. در حوزه عمومي، مانند نظارت شبانه يا خودروهاي خودران، تصاوير واضح شناسايي اشيا، افراد يا موانع را بهبود ميبخشند، ايمني را افزايش ميدهند و تجربه كاربري در عكاسي يا فيلمبرداري را ارتقا ميدهند.
بهبود كيفيت تصاوير كمنور يكي از چالشهاي اساسي در حوزه بينايي ماشين و پردازش تصوير است كه كاربردهاي گستردهاي در زمينههاي پزشكي، نظارت شبانه، و خودروهاي خودران دارد. اين پژوهش با هدف ارائه روشهاي نوين و كارآمد براي بهبود تصاوير كمنور در دو حوزه پزشكي و عمومي انجام شده است. در اين پاياننامه، دو روش اصلي پيشنهاد شده است: روش نورپردازي واسنجيشده خودكار و روش سلسلهمراتبي بهبود روشنايي با سازوكار توجه و كميسازي برداري. روش نورپردازي واسنجيشده خودكار با بهرهگيري از سازوكار اشتراكگذاري وزن و واحد خود تنظيم شونده، بهصورت بدون نظارت روشنايي تصاوير را بهبود ميدهد و با استفاده از فضاهاي رنگي YCbCr و HSV، جزئيات را بدون تغيير رنگها بازيابي ميكند. روش سلسلهمراتبي بهبود روشنايي با سازوكار توجه و كميسازي برداري، مبتني بر خودرمزگذار متغير كوانتيزهشده برداري، با ادغام سازوكار توجه و دو ميدان ادراكي (محلي و سراسري)، بهطور همزمان ويژگيهاي كلي و جزئيات محلي تصاوير را بازسازي ميكند. اين روش با استفاده از واحدهاي كدگذار توجهي و كميسازي با توجه، دقت بازسازي را بهبود بخشيده و نويز را كاهش ميدهد.
براي ارزيابي روشهاي پيشنهادي، آزمايشهايي بر روي مجموعه دادههاي استاندارد LOL، LOL-v2 Real و Endo4IE انجام شد. نتايج نشان داد كه روش نورپردازي واسنجيشده خودكار در مجموعه داده LOL مقادير 16.06 و 0.542 براي PSNR و SSIM و در مجموعه داده LOL-v2 Real مقادير PSNR و SSIM را به ترتيب به 17.09 و 0.765 رساند و نسبت به روشهاي پيشرفتهاي مانند DeepUPE و EnlightenGan عملكرد بهتري ارائه داد. همچنين روش سلسلهمراتبي بهبود روشنايي با سازوكار توجه و كميسازي برداري در مجموعه داده Endo4IE با كسب مقادير PSNR برابر با 30.576، SSIM برابر با 0.879 و LPIPS برابر با 0.133، از روشهاي پيشين مانند KinD++ و EndoUIC پيشي گرفت و نسبت به روش پايه VQ-VAE، بهبود 3.337 دسيبل در PSNR و 0.30 در SSIM به دست آورد. اين نتايج بيانگر كارايي بالاي روشهاي پيشنهادي در بهبود تصاوير كمنور و ارائه بستري مؤثر براي كاربردهاي پزشكي و عمومي است.
چكيده انگليسي :
Enhancing the quality of low-light images is a fundamental challenge in the fields of computer vision and image processing, with wide-ranging applications in medical imaging, nighttime surveillance, and autonomous vehicles. This research aims to propose novel and efficient methods for low-light image enhancement in both medical and general domains. In this thesis, two primary methods are introduced: the "Self-Calibrated Illumination" method and the hierarchical "Brightness Variational Autoencoder Hierarchical Brightness Enhancement Method with Attention Mechanism and Vector Quantization" method. The Self-Calibrated Illumination method, utilizing a weight-sharing mechanism and a self-calibration unit, enhances image brightness in an unsupervised manner and recovers details without altering colors by leveraging YCbCr and HSV color spaces. The Hierarchical Brightness Enhancement Method with Attention Mechanism and Vector Quantization method, based on a Vector Quantized Variational Autoencoder, integrates an attention mechanism and dual perceptual fields (local and global) to simultaneously reconstruct global features and local details of images. This method improves reconstruction accuracy and reduces noise through the use of attention encoder and attention-based quantization units. To evaluate the proposed methods, experiments were conducted on standard datasets, including LOL, LOL-v2 Real, and Endo4IE. The results demonstrate that the Self-Calibrated Illumination method achieved PSNR and SSIM values of 17.09 and 0.567, respectively, on the LOL-v2 Real dataset, outperforming advanced methods such as LIME and RetinexNet. Furthermore, the Hierarchical Brightness Enhancement Method with Attention Mechanism and Vector Quantization method, on the Endo4IE dataset, attained PSNR, SSIM, and LPIPS values of 30.576, 0.879, and 0.133, respectively, surpassing previous methods like KinD++ and EndoUIC, and achieving improvements of 3.337 dB in PSNR and 0.03 in SSIM compared to the baseline VQ-VAE. These results highlight the high effectiveness of the proposed methods in enhancing low-light images and providing a robust foundation for medical and general applications.
