Log-normal sönümlenmeden etkilenen FSO sistemlerinde görüntü onarımı için hibrit derin öğrenme çerçevesi

Günlük görüntüler için neden önemli

Hayatımızın daha fazlası çevrimiçi hale geldikçe, tıbbi tarayıcıdan, güvenlik kamerasından veya uydudan gelsin, fotoğraf ve videoların anında ve net ulaşmasını bekliyoruz. Ancak bu görüntüler ışık ışınlarıyla havadan gönderildiğinde, atmosfer onları bozarak keskin sahneleri grenli, soluk görüntülere dönüştürebilir. Bu çalışma, modern derin öğrenme ile klasik görüntü keskinleştirme yöntemlerinin bir karışımının bu zarar görmüş görüntüleri nasıl kurtarabileceğini, iletim kanalı çok zorlu olduğunda bile ince ayrıntıları nasıl geri getirebileceğini inceliyor.

Işıkla havadan fotoğraf göndermek

Çalışma, verileri radyo dalgaları yerine odaklanmış ışık demetleriyle gönderen bir teknoloji olan Serbest Uzay Optik (FSO) iletişimine odaklanıyor. FSO, yüksek çözünürlüklü görüntüler ve videolar için idealdir ve radyo lisansı gerektirmeden çok büyük miktarda bilgi taşıyabildiği için caziptir. Ancak verici ile alıcı arasındaki hava nadiren sakindir. Sıcaklık değişimleri, rüzgâr ve türbülans ışık demetinin titremesine ve güçlüklüğünün dalgalanmasına neden olur; yazarlar bu olguyu istatistiksel olarak log-normal sönümlenme olarak tanımlıyor. Elektronik gürültü ve ışık demetine daha fazla bilgi sıkıştırmak için kullanılan yoğun veri paketleme şemalarıyla birleştiğinde, bu bozulmalar görüntü kalitesini ciddi şekilde düşürebilir.

Geleneksel temizleme yöntemlerinin sınırları

Mühendisler uzun zamandır birden çok anten (MIMO), farklı yollardan benzer bilgiyi gönderen çeşitlendirme şemaları, demeti gerçek zamanlı yeniden şekillendiren adaptif optikler ve Gauss ile Wiener filtreleri gibi karmaşık filtreler gibi tekniklerle bu bozulmalarla mücadele etmeye çalıştı. Bu yöntemler yararlı olsa da, çevre hızla değiştiğinde veya karmaşık, doğrusal olmayan davranışlar sergilediğinde zorlanırlar. Bazı gürültüyü azaltabilirler ancak genellikle önemli kenarları ve dokuları bulanıklaştırır ve gerçek dünya FSO bağlantılarını rahatsız eden rastgele, hızla değişen sönümlenmeyi tamamen geri alamayacak kadar esnek değillerdir.

Bozulmayı anlayan bir öğrenme makinesi

Bu sınırlamaların üstesinden gelmek için yazarlar, sönümlenme ve gürültünün görüntülere tipik olarak nasıl zarar verdiğini örneklerden öğrenen bir derin evrişimli sinir ağı (DCNN) tasarlıyor. Yapay zeka görüntü üreteçleri kullanarak 30.000 görüntüden oluşan büyük bir sentetik veri seti oluşturuyorlar ve ardından log-normal sönümlenme ve eklenmiş gürültü içeren bir FSO bağlantısının bunları matematiksel olarak nasıl bozacağını simüle ediyorlar. Görüntülerin yarısı temiz tutuluyor, yarısı ise sönümlenmiş ve gürültülü olarak bırakılıyor; bu, geniş bir sinyal-gürültü oranı yelpazesini kapsıyor. Eğitim sırasında DCNN, zarar görmüş ve orijinal görüntü çiftlerini çokça görerek gürültü desenini tahmin etmeyi ve çıkarmayı kademeli olarak öğreniyor; bu süreç, gerçek yapıları bozulmadan ayırmaya özel 22 katman ve tekrarlı rezidüel bloklardan oluşan bir yığın kullanıyor.

Ayrıntıları keskinleştirme ve güvenilirliği kontrol etme

DCNN gürültü ve sönümlenme etkilerinin çoğunu kaldırdıktan sonra, yazarlar kenarları ve süreçte yumuşamış olabilecek ince yapıları güçlendiren özel bir keskinleştirme adımı ekliyor. Bu iki aşamalı boru hattı—önce gürültü giderme, sonra keskinleştirme—hem sayısal ölçütlerde iyi puan alan hem de insan gözünde net görünen görüntüler üretmek için kritik oluyor. Ekip, restore edilen görüntüleri orijinalleriyle karşılaştıran standart ölçütler olan Tepe Sinyal-Gürültü Oranı (PSNR) ve Ortalama Kare Hata (RMSE) kullanarak kaliteyi değerlendiriyor. Sert simüle koşullar altında, sönümlenmiş görüntülerin PSNR değeri yaklaşık 7–9 dB’ye kadar düşerken, onarılan görüntüler yaklaşık 67–68 dB’ye yükseliyor; bu, “mükemmel” aralığında ve geleneksel filtrerin ulaştıklarının çok ötesinde.

Sınıflandırma ve gerçek dünyaya benzer testler

Onarılan görüntülerin sadece göze hoş görünmediğinden, aynı zamanda ileri analiz için de kullanışlı olduğundan emin olmak amacıyla yazarlar, sönümlenmiş ve temiz görüntüleri ayırt etmek için derin rezidüel ağlar (ResNet-18, ResNet-50 ve ResNet-101) eğitiyor. Bu sınıflandırıcılar %99,8’in üzerinde doğruluk elde ederek veri setinin iyi yapılandırıldığını ve onarım sürecinin anlamlı görsel desenleri koruduğunu doğruluyor. Çerçeve, eğitim sırasında görülmemiş görüntülerde de test ediliyor; bunlar arasında simüle edilmiş bir FSO bağlantısı üzerinden gönderilen gerçek bir insan portresi de bulunuyor. Bu zorlu vakalarda bile model netliği belirgin şekilde geliştiriyor ve bunun yalnızca eğitim örneklerini ezberlemek yerine genel onarım ilkelerini öğrendiğini gösteriyor.

Gelecek görüntüleme sistemleri için anlamı

Uzman olmayan biri için ana çıkarım, yazarların türbülanslı hava yoluyla gönderilmiş ciddi şekilde zarar görmüş görüntüleri neredeyse orijinalleri kadar iyi hale getirebilen akıllı bir “görüntü kurtarma” sistemi geliştirmiş olmalarıdır. Öğrenilmiş bir derin ağ ile son bir keskinleştirme adımını birleştirerek yöntem, gürültülü ve solmuş yüzleri ve sahneleri tekrar net, ayrıntılı görüntülere dönüştürüyor. Bu yaklaşım, tele-tıp ve uzaktan teşhisden gözetim ve Dünya gözlemine kadar, kararların zorlu iletim koşullarına rağmen küçük ayrıntıları güvenilir şekilde görmeye bağlı olduğu gelecekteki uygulamaları güçlendirebilir.

Atıf: Soliman, F.A., Ragab, D.A., El-Shafai, W. et al. Hybrid deep learning framework for image restoration in Fso systems affected by log-normal fading. Sci Rep 16, 14653 (2026). https://doi.org/10.1038/s41598-026-39768-x

Anahtar kelimeler: serbest uzay optik iletişim, görüntü gürültü giderme, derin öğrenme, atmosferik türbülans, görüntü onarımı