Düşük ışıklı mağara görüntülerinin retineks tabanlı Hessian ve Anizotropik difüzyon filtreleme ile iyileştirilmesi

Öz

Bu makalede, düşük ışıklı mağara görüntülerinin iyileştirilmesi için yeni bir Retineks algoritması yöntemi önerilmektedir. Mağaralar, doğal yapıları nedeniyle çoğunlukla tamamen karanlık olan veya çok az doğal ışık alan kapalı alanlardır. Mağaracılar, mağara içinde çok zor koşullarda ve dar alanlarda çalışmak zorundadırlar. Mağara çalışmalarının belgelenmesi sırasında çekilen fotoğraflar çoğunlukla bilimsel araştırmaları kısıtlayan aşırı düşük ışıklı görüntülerdir. Retineks tabanlı yöntemler, düşük ışıklı görüntülerin iyileştirilmesi için kullanılan başarılı yöntemlerdir. Bu çalışmada, Hessian ve anizotropik difüzyon filtrelemesini kullanan yeni bir Retineks algoritması önerilmektedir. Yöntemde görüntünün aydınlatma bileşenini tahmin etmek için öncelikle Hessian filtresi uygulanmakta ve ardından gürültüyü azaltmak için anizotropik difüzyon filtresi kullanılmaktadır. Daha sonra önerilen yöntem, mağara içinde çekilmiş aşırı düşük ışıklı görüntülerde test edilmiştir. Sonuçlar, literatürde bilinen başarılı modellerle öznel ve nesnel olarak karşılaştırılmıştır. Deneyler, önerilen yöntemin düşük ışıklı mağara görüntülerinin ışık ve ayrıntı iyileştirmesinde başarılı olduğunu göstermektedir. Önerilen yöntemle iyileştirilen mağara görüntüleri, araştırmacılara bilimsel çalışmalar için daha fazla ayrıntı sağlamaktadır.

Anahtar Kelimeler

• retineks
• mağara
• düşük ışık iyileştirme
• hessian
• difüzyon filtreleme

Kaynakça

1. 1. White W. B., Culver D.C. Chapter 29 - Definition of Cave, Encyclopedia of Caves (Third Edition), Academic Press, 255–259, 2019.
2. 2. Neal J. C. R., Brent F., The Image Processing Handbook, 7th Edition. Boca Raton, CRC Press, 2017.
3. 3. Zhang Y., Guo X., Ma J., Liu W., Zhang J.,Beyond Brightening Low-light Images, International Journal of Computer Vision, 129 (4), 1013–1037, 2021.
4. 4. Wang J., Wang H., Sun Y., Yang J., Improved Retinex-Theory-Based Low-Light Image Enhancement Algorithm, Applied Sciences, 13 (14), 2023.
5. 5. Jobson D. J., Rahman Z., Woodell G. A., A multiscale retinex for bridging the gap between color images and the human observation of scenes, IEEE Transactions on Image Processing, 6 (7), 965–976, 1997.
6. 6. Wang S., Zheng J., Hu, Li B., Naturalness Preserved Enhancement Algorithm for Non-Uniform Illumination Images, IEEE Transactions on Image Processing, 22 (9), 3538–3548, 2013.
7. 7. Muniraj M., Dhandapani V., Underwater image enhancement by color correction and color constancy via Retinex for detail preserving, Computers and Electrical Engineering, 100, 2022.
8. 8. Ma T., Fu C., Yang J., Zhang J., Shang C., RF-Net: Unsupervised Low-Light Image Enhancement Based on Retinex and Exposure Fusion, Computers, Materials & Continua, 77 (1), 1103–1122, 2023.

9. 9. Fu H., Zheng W., Meng X., Wang X., Wang C., Ma H., You Do Not Need Additional Priors or Regularizers in Retinex-Based Low-Light Image Enhancement, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 18125–18134, 2023.
10. 10. Atik İ. İ., Pneumonia detection on chest x-ray images using residual convolutional neural network, Journal of the Faculty of Engineering and Architecture of Gazi University, 39 (3), 1719–1732, 2024.
11. 11. Petro A. B., Sbert C., Morel J., Multiscale Retinex, Image Processing on Line, 71–88, 2014.
12. 12. Katircioğlu F., Düşük-Işıklı Renkli Görüntülerin İyileştirilmesinde Kullanılan Retineks Algoritmalarının Karşılaştırmalı Analizi, Mühendislik Bilimleri ve Araştırmaları Dergisi, 3 (2), 2021.
13. 13. Cao N., Restoration method of sootiness mural images based on dark channel prior and Retinex by bilateral filter, Heritage Science, 9 (30), 2021.
14. 14. Deng L., Zhu H., Yang Z., Li Y., Hessian matrix-based fourth-order anisotropic diffusion filter for image denoising, Optics & Laser Technology, 110, 184–190, 2019.
15. 15. Avcı K., Kaiser-Hamming pencere yapısı ve Huang dönüşümü kullanılarak iki boyutlu sayısal süzgeç tasarımı ve imge iyileştirme uygulaması, Journal of the Faculty of Engineering and Architecture of Gazi University, 33 (4), 1459–1474, 2018.
16. 16. Altun A. A., Allahverdi N., Filtreleme Teknikleri iİle İyileştirilmiş Parmakizlerini Yapay Sinir Ağları ile Tanımada Yeni Bir Yaklaşım, Journal of the Faculty of Engineering and Architecture of Gazi University, 22 (2), 2013.
17. 17. Wang W., Lane Line Extraction in Raining Weather Images by Ridge Edge Detection with Improved MSR and Hessian Matrix, Information Technology and Control, 50 (4), 2021.
18. 18. Akbulut H., Aslantaş V., Evrişimli sinir ağı kullanarak çoklu-pozlamalı görüntü birleştirme, Journal of the Faculty of Engineering and Architecture of Gazi University, 38 (3), 1439–1452, 2023.
19. 19. Jumakulyyev I., Schultz T., Fourth-Order Anisotropic Diffusion for Inpainting and Image Compression, Anisotropy Across Fields and Scales, 99–124, 2021.
20. 20. Nnolim U., Entropy-guided Retinex anisotropic diffusion algorithm based on partial differential equations (PDE) for illumination correction, ArXiv, 2017, 2024.
21. 21. Sagvold P., Farup I., Pedersen M., Spatio-Temporal Retinex-Inspired Envelopes with Anisotropic Diffusion, Journal of Imaging Science and Technology, 67, 1–18, 2023.
22. 22. Land E. H., McCann J. J., Lightness and Retinex Theory, Journal of Optical Society of America, 61 (1), 1–11, 1971.
23. 23. Funt B., Ciurea F., McCann J., Retinex in Matlab, Journal of Electronic Imaging, 13, 48–57, 2004.
24. 24. Rahman Z., Jobson D. J., Woodell G. A., Multi-scale retinex for color image enhancement, Proceedings of 3rd IEEE International Conference on Image Processing, 1003–1006 vol.3, 1996.
25. 25. Hjørungnes A., Complex Hessian Matrices for Scalar, Vector, and Matrix Functions, Complex-Valued Matrix Derivatives, Applications in Signal Processing and Communications, Cambridge University Press, 95–132, 2011.
26. 26. Ouwerkerk J. D., Image super-resolution survey, Image and Vision Computing, 24 (10) 1039–1052, 2006.
27. 27. Perona P., Malik J., Scale-space and edge detection using anisotropic diffusion, IEEE Transactions on Pattern Analysis and Machine Intelligence, 12 (7), 629–639, 1990.
28. 28. Athanasiou L. S., Fotiadis D. I., Michalis L. K., 6 - Plaque Characterization Methods Using Computed Tomography, Atherosclerotic Plaque Characterization Methods Based on Coronary Imaging, Oxford Academic Press, 115–129, 2017.
29. 29. Ying Z., Li G., Gao W., A Bio-Inspired Multi-Exposure Fusion Framework for Low-light Image Enhancement, 2017.
30. 30. Dong X., Fast efficient algorithm for enhancement of low lighting video, 2011 IEEE International Conference on Multimedia and Expo, 1–6, 2011.
31. 31. Guo X., Li Y., Ling H., LIME: Low-Light Image Enhancement via Illumination Map Estimation, IEEE Transactions on Image Processing, 26 (2), 982–993, 2017.
32. 32. Fu X., Zeng D., Huang Y., Liao Y., Ding X., Paisley J., A fusion-based enhancing method for weakly illuminated images, Signal Processing, 129, 82–96, 2016.
33. 33. Fu X., Zeng D., Huang,Y., Zhang X. Ding X., A Weighted Variational Model for Simultaneous Reflectance and Illumination Estimation, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2782–2790, 2016.
34. 34. Pradham P., Younan N. H., King R. L., 16 - Concepts of image fusion in remote sensing applications, Image Fusion, Oxford Academic Press, 393–428, 2008.
35. 35. Tsai D. Y., Lee Y., Matsuyama E., Information Entropy Measure for Evaluation of Image Quality, Journal of Digital Imaging, 21 (3), 338–347, 2008.
36. 36. Aja-Fernández S., Estépar R. S. J., López C., Westin C.F., Image quality assessment based on local variance, Annual International Conference of the IEEE Engineering in Medicine and Biology Society., 2006, 4815–4818, 2006.
37. 37. Sheikh H. R., Bovik A. C., Image information and visual quality, IEEE Transactions on Image Processing, 15 (2), 430–444, 2006.
38. 38. Kumar P. A, Sankaran P., Visual Information Fidelity in evaluating Retinex enhancement algorithms, 2014 International Conference on Communication and Signal Processing, 2014.