Çiçek görüntülerinde derin öğrenmeyle süper çözünürlük: SRCNN ve SRGAN modellerinin karşılaştırılması

Abstract

Günümüzde, görüntü işleme ve derin öğrenme teknikleri, düşük çözünürlüklü görüntülerin yüksek çözünürlüklü hale getirilmesi amacıyla yaygın olarak kullanılmaktadır. Süper çözünürlük, birçok görüntü işleme algoritması için daha fazla veri zenginliği sağlar. Bu da öğrenme algoritmalarının ve yapay zeka modellerinin daha iyi performans göstermesine olanak tanır. Bu nedenlerle, süper çözünürlük, birçok uygulama alanında görüntü kalitesini artırmak ve analiz yeteneklerini geliştirmek için önemli bir araç olarak kabul edilir. Bu bağlamda, bu çalışmada çiçek görüntüleri üzerinde süper çözünürlük yöntemleri uygulanarak, estetik değeri yüksek ve detayları zengin görüntüler elde etme potansiyelini artırmak amaçlanmıştır. Çiçek görüntülerine uygulanan SRCNN ve SRGAN gibi farklı süper çözünürlük yöntemleri arasındaki karşılaştırmalar ve avantajlar da ele alınmıştır. Bu yöntemler arasında SRGAN (Super-Resolution Generative Adversarial Network) gibi GAN tabanlı modellerin, doğal görüntü üretimindeki yetenekleri sayesinde öne çıktığı görülmüştür.