Optimiz edilmiş DCNN-YOLOv8 ağı ile sis farkındalıklı özellikleri kullanarak geliştirilen görüntü netliği ve algılama doğruluğu

Siste Net Görmenin Neden Önemli Olduğu

Sisli bir sabah araba kullanırken ya da bulanık bir güvenlik kamera kaydını izlerken, gizlenmiş araçların veya yayaların ne kadar tehlikeli olabileceğini içgüdüsel olarak hissederiz. Birçok modern sistem—kendi kendine giden otomobiller, yol gözetimi, hatta uydu haritalama—bilgisayarların “açık” görmesine dayanır. Ancak pus ve sis bugünün görme algoritmalarını yanıltır ve önemli nesneleri kaçırmalarına neden olur. Bu makale, bilgisayarlara sadece sisli görüntüleri temizlemeyi öğretmekle kalmayıp, aynı zamanda temizlemenin ne kadar iyi olduğunu değerlendirmeyi ve zorlu hava koşullarında nesneleri daha güvenilir biçimde tespit etmeyi sağlayan yeni bir yaklaşım sunar.

Pus İçinden Görmek

Sisli dış mekan fotoğrafları, havadaki küçük parçacıkların ışığı saçması ve emmesi nedeniyle soluk renkler, düşük kontrast ve bulanık kenarlarla zarar görür. Bu, uzaklardaki araçların arka plana karışması ve yol işaretlerinin ayırt edilmesinin zorlaşması anlamına gelir. Birçok görüntü “sis temizleme” yöntemi önerilmiş olsa da gerçek dünyadaki performans hâlâ değişkendir: bazı yöntemler kontrastı geri getirirken renkleri bozabilir; diğerleri detayları keskinleştirir ama değişen hava veya konumlarda güvenilirliğini yitirir. Eksik olan büyük parçalardan biri, özellikle kusursuz temizlenmiş bir referans görüntüsünün bulunmadığı durumlarda, bilgisayarın sis temizlenmiş görüntülerin görsel kalitesini sağlam bir şekilde değerlendirebilmesidir.

Bilgisayara İyi Bir Görüntünün Nasıl Göründüğünü Öğretmek

Yazarlar bunu, sisli sahnelere özgü sis farkındalıklı özellik çıkarımıyla başlayan bir iş akışı kurarak ele alıyor. Her giriş görüntüsü için sistem, parlaklık ve doku açısından her pikselin komşularıyla ilişkisini özetleyen Haze aware Structural Pixel Neighbor (HSPN) özellikleri adında yeni bir tanımlayıcı hesaplıyor. Bunlar, ortalama parlaklık, yerel varyasyon ve renk dengesi ölçüleri ile birlikte sisin görüntü yoğunluklarının doğal dağılımını nasıl değiştirdiğini yakalayan istatistiklerle birleştiriliyor. Bir arada, bu özellikler sisteme sahnedeki yapıyı ve rengi sisin ne kadar bozduğuna dair kompakt ama zengin bir tanım sağlıyor.

Kabinin Altında Daha Akıllı Bir Öğrenme Motoru

Bu sis farkındalıklı özellikler, her görüntü için nesnel bir “kalite puanı” tahmin eden bir derin evrişimli sinir ağına (DCNN) beslenir. Bu ağı etkili biçimde eğitmek için yazarlar Chronological Chimp Optimization Algorithm (CChOA) adında yeni bir optimizasyon stratejisi tanıtıyor. Şempanzelerin grup halinde avlanma davranışından esinlenen ve zaman duyarlı bir mekanizmayla güçlendirilen CChOA, eğitim sürecini geçmiş ve mevcut aday çözümler üzerinden yönlendirerek ağın kötü yerel çözümlere takılmasını önlemeye yardımcı olur. Pratikte bu, kalite tahmin ağı için daha hızlı yakınsama, daha düşük eğitim hatası ve standart optimizatörlere veya orijinal şempanze temelli yönteme kıyasla daha fazla kararlılık anlamına gelir.

Daha İyi Görüntülerden Daha İyi Algılamaya

Sistem görüntüleri iyileştirip puanladıktan sonra, geliştirilmiş görüntüler hızlı bir nesne algılama ağı olan uyarlanmış bir YOLOv8 sürümüne aktarılır. Yazarlar, YOLOv8’i özellikle sisli koşullara uyarlamak için küçük, çakışan nesneleri daha hassas yerelleştirecek şekilde kayıp fonksiyonunu iyileştirir, çoklu ölçeklerde detayları yakalamak için Inception tarzı bir modül ekler ve hem yerel detayları hem de daha geniş bağlamı anlamaya yardımcı olan bir uzamsal piramit havuzlama bloğu yerleştirir. RESIDE ve FRIDA olmak üzere iki kıyas sis veri kümesi üzerinde eğitilen ve test edilen entegre iş akışı, mevcut birkaç sis temizleme ve kalite değerlendirme tekniğinden daha temiz görüntüler ve daha güvenilir tespitler sunar; ayrıca sis altında algılama doğruluğunda temel YOLOv8’i de aşar.

Gerçek Dünyadaki Görü Sistemleri İçin Anlamı

Basitçe ifade etmek gerekirse, çalışma bilgisayarların siste nesneleri tespit etmede çok daha iyi olabileceğini gösteriyor; eğer önce bu koşullarda iyi görüntü kalitesinin neye benzediğini öğrenirlerse ve öğrenme süreçleri dikkatle optimize edilirse. Sis farkındalıklı özelliklerin, zaman duyarlı bir optimizasyon stratejisinin ve ayarlanmış bir tespit ağının birleştirilmesiyle önerilen sistem, standart metriklerde netlik ve tespit puanlarını önemli ölçüde artırır. Bu tür entegre bir yaklaşım, gelecekteki gözetleme kameralarını, sürücü destek sistemlerini ve uzaktan algılama araçlarını hava koşullarının en kötü olduğu zamanlarda daha güvenli ve daha güvenilir hale getirebilir.

Atıf: Saini, A., Gill, N.S. & Gulia, P. Leveraging haze-aware features for improved image clarity and detection accuracy with an optimized DCNN-YOLOv8 network. Sci Rep 16, 14213 (2026). https://doi.org/10.1038/s41598-026-38265-5

Anahtar kelimeler: görüntü sis temizleme, nesne tespiti, derin öğrenme, siste bilgisayarlı görme, YOLOv8