Termal görüntülerdeki bulanıklık tiplerinin derin öğrenme yöntemleri ile sınıflandırılması

Abstract

Savunma sistemlerinde kullanılan termal optik sistemler, görüntüleme esnasında çeşitli problemlerle karşılaşır ve bu problemler, görüntülerde farklı türlerde bulanıklık hatası olarak kendini gösterir. Bulanıklık çeşidini tespit etmek, görüntü kalitesini artırmanın ilk aşamasıdır. Bu araştırmada, farklı bulanıklık türleri (odak dışı bulanıklık, atmosferik türbülans bulanıklığı, görüntü titreme bulanıklığı, Gaussian bulanıklığı ve hareket bulanıklığı) modellenmiş ve 15.000 FLIR termal görüntü içeren bir veri seti üzerinde Python programlama dili kullanılarak rastgele değerlerle bulanıklıklar eklenerek bir veri seti oluşturulmuştur. Ardından, ResNet50, InceptionV3, DenseNet201, VGG16 ve EfficientNetB0 gibi çeşitli ESA mimarileri, bu termal görüntüleri sınıflandırmak amacıyla kullanılmıştır. Kullanılan ESA mimarileri, stacking topluluk öğrenme yöntemi ile birleştirilerek yeni bir model oluşturulmuş ve test verisi ile %99 oranında doğruluk elde edilmiştir. Bu araştırma ile termal görüntülerdeki bulanıklık türlerini sınıflandırmada derin öğrenme yönteminin etkileri incelenmiş ve gelecekteki uygulamalar için bir temel oluşturulmuştur. Thermal optical systems in defense applications often face challenges during imaging, resulting in various blurring artifacts. Recognizing the type of blur is crucial for enhancing image quality. This research involves simulating different blur types (defocus blur, atmospheric turbulence blur, image jitter blur, Gaussian blur, and motion blur) using Python programming language. A dataset of 15.000 FLIR thermal images was blurred with these types using random values, creating a comprehensive blurred dataset. Subsequently, several CNN architectures, including ResNet50, InceptionV3, DenseNet201, VGG16, and EfficientNetB0, were employed to classify these images. By integrating these CNN models through stacking ensemble learning, a new model was developed, achieving a 99% accuracy rate on the test data. This study highlights the effectiveness of deep learning in classifying blur types in thermal images, offering promising insights for future applications.