Browsing by Subject "Super-resolution"

Now showing 1 - 2 of 2

Open Access
Image super-resolution using deep feedforward neural networks in spectral domain
(2018-03) Aydın, Onur
With recent advances in deep learning area, learning machinery and mainstream approaches in computer vision research have changed dramatically from hardcoded features combined with classi ers to end-to-end trained deep convolutional neural networks (CNN) which give the state-of-the-art results in most of the computer vision research areas. Single-image super-resolution is one of these areas which are considerably in uenced by deep learning advancements. Most of the current state-of-the-art methods on super-resolution problem learn a nonlinear mapping from low-resolution images to high-resolution images in the spatial domain using consecutive convolutional layers in their network architectures. However, these state-of-the-art results are obtained by training a separate neural network architecture for each di erent scale factor. We propose a novel singleimage super-resolution system with the limited number of learning parameters in spectral domain in order to eliminate the necessity to train a separate neural network for each scale factor. As a spectral transform function which converts images from the spatial domain to the frequency domain, discrete cosine transform (DCT) which is a variant of discrete Fourier transform (DFT) is used. In addition, in the post-processing step, an artifact reduction module is added for removing ringing artifacts occurred due to spectral transformations. Even if the peak signal-to-noise ratio (PSNR) measurement of our super-resolution system is lower than current state-of-the-art methods, the spectral domain allows us to develop a single model with a single dataset for any scale factor and relatively obtain better structural similarity index (SSIM) results.
Open Access
Manyetik parçacık görüntüleme için evrişimsel sinir ağı tabanlı bir süper-çözünürlük tekniği
(IEEE, 2021-07-19) Aşkın, Barış; Güngör, Alper; Soydan, Damla Alptekin; Top, Can Barış; Çukur, Tolga
Manyetik Parçacık Görüntüleme (MPG), süperparamanyetik demir-oksit (SPDO) parçacıklarının yüksek çözünürlük ve kare hızında görüntülenmesini sağlayan bir görüntüleme yöntemidir. Görüntüleme işlemi doğrusal olarak modellenebilmektedir. Ancak deneysel sistemlerin ideal dışı davranışı ve teorik sistemlere kıyasla değişimlerinden dolayı, MPG sistemlerinde çoğu durumda öncelikli olarak ileri model matrisi ölçülür (sistem kalibre edilir) ve ardından bu matrisler kullanılarak görüntülerin geriçatımı yapılır. Görüntü çözünürlüğü ve boyutu doğrudan sistem matrisinin boyutundan etkilenmektedir. Ancak, kalibrasyon işlemi görüntüleme alanına bağlı olarak çok zaman almaktadır. Bu çalışmada, düşük çözünürlükte ölçülen sistem matrisleri üzerinde süper-çözünürlük teknikleri kullanılarak yüksek çözünürlüklü sistem matrisi elde edilmesi önerilmektedir. Bu amaç doğrultusunda evrişimsel sinir ağı (ESA) tabanlı bir süperçözünürlük tekniği MPG için uyarlanmış ve doğrusal aradeğerlemeye (interpolasyon) karşı etkinliği gösterilmiştir. Yöntemler gürültüsüz bir benzetim ortamında kıyaslanmış ve 4 4 kat süper-çözünürlük için, önerilen yöntem %2.92 normalize edilmiş ortalama kare hatasına yol açarken, bikübik aradeğerlemenin %12.47 hataya yol açtığı gösterilmiştir.