VGG19 ve CLAHE kullanılarak derin transfer öğrenmesine dayalı görüntü renklendirme

Eski Fotoğrafları Hayata Döndürmek

Birçoğumuzun siyah‑beyaz aile fotoğraflarının kutuları vardır ya da klasik filmler ve dönem belgesellerinden keyif alırız. O sahnelerin gerçek hayatta nasıl görünmüş olabileceğini — mavi gökyüzleri, yeşil tarlalar, sıcak ten tonları — hayal etmek geçmişi daha yakın ve gerçek hissettirebilir. Bu makale, gri tonlamalı görüntülere otomatik olarak gerçekçi renkler ve göze hoş gelen kontrast ekleyen yeni bir bilgisayar yöntemi inceliyor; böylece eski fotoğrafları onarmak, siyah‑beyaz filmleri canlandırmak ve hatta bazı tıbbi taramaları iyileştirmek, her gölgeyi elle boyamak zorunda kalmadan daha kolay hâle geliyor.

Elle Renklendirmeden Akıllı Makinalara

Görüntüleri renklendirmek göründüğünden daha zordur çünkü tek bir gri ton birçok olası renge karşılık gelebilir: orta bir gri kırmızı bir tuğla, yeşil bir yaprak veya mavi bir gömlek olabilir. Önceki araçlar büyük ölçüde insan kılavuzluğuna dayanıyordu. Sanatçılar görüntünün bazı bölümlerine hızlı renk “karalamaları” çizebilir ve yazılım bu ipuçlarını benzer bölgelere yayardı. Diğer sistemler benzer içerikteki bir referans fotoğraftan renk ödünç alırdı. Bu yöntemler ikna edici olabilse de, kılavuzluk yetersiz olduğunda, referans görüntü tam uymadığında veya sahne karmaşıksa başarısız oluyordu. Derin öğrenme yaygınlaştıkça yeni programlar renkleri büyük örnek fotoğraf koleksiyonlarından doğrudan “tahmin etmeyi” öğrendi; bu, elle yapılan işi azalttı ama büyük eğitim zamanı ve hesaplama gücü gerektirdi.

Ağın Dünyanın Nasıl Göründüğünü Öğrenmesi

Yazarlar bu ilerlemeye transfer öğrenme olarak bilinen bir stratejiyle dayanıyor. Yeni bir sistemi sıfırdan eğitmek yerine, milyonlarca renkli görüntü üzerinde zaten eğitilmiş güçlü bir görsel ağ olan VGG19’u yeniden kullanıyorlar. Bu ağ, kenarlar ve dokular gibi basit örüntülerden yüzler, ağaçlar, binalar, gökyüzü gibi tüm nesnelere ve sahnelere doğru kademeli olarak ilerleyen birçok katmana sahiptir. Renklendirme sistemi, bir görüntünün gri tonlamalı versiyonunu VGG19’a veriyor ve aynı anda birkaç katmandan özellik topluyor; böylece her piksel için zengin bir “yığın” bilgi oluşturuyor. Bu, modele saç telleri veya yaprak kenarları gibi ince ayrıntıları ve sahnenin plaj mı, şehir sokağı mı yoksa orman mı olduğu gibi daha geniş bağlamı anlamada yardımcı oluyor. Bu bağlamla ağ, yalnızca matematiksel olarak olası değil, inandırıcı renkler seçmek için daha iyi konumlanıyor.

Işık ve Gölgeleri Renğe ve Kontrasta Dönüştürmek

Renk kararlarını daha kararlı hâle getirmek için yöntem, parlaklığı renk içeriğinden ayıran bir renk sisteminde görüntüleri temsil ediyor. Gri tonlu giriş parlaklık kanalı olarak kullanılıyor; ağın görevi ise kırmızı‑yeşil ve mavi‑sarı eksenlerindeki ince renk değişimlerini kodlayan iki kalan kanalı tahmin etmek. Parlaklığı sabit tutarak sistem görüntünün orijinal gölgelendirmesini ve yapısını koruyor. Ağ eksik renk bilgisini en iyi şekilde tahmin ettikten sonra son bir iyileştirme adımı uygulanıyor. Burada yazarlar, koyu ile parlak alanlar arasındaki aralığı yerel olarak genişleten uyarlamalı histogram eşitleştirme (CLAHE) tekniğini kullanıyor. Bu, dokuları daha belirgin, kenarları daha keskin ve renkleri daha canlı gösteriyor; aynı zamanda parlak alanları aşırı patlatmadan veya gölgelerdeki ayrıntıyı kaybetmeden yapıyor.

Yöntemi Test Etmek

Yaklaşımlarının pratikte ne kadar iyi çalıştığını görmek için araştırmacılar, nesneler, sahneler, insanlar ve günlük ortamları içeren birkaç iyi bilinen görüntü koleksiyonunda onu eğittiler ve değerlendirdiler. Sonuçlarını, kullanıcı ipuçlarıyla yönlendirilen sistemler, gerçekçi görüntüler üretmeye çalışan üretici modeller ve daha yeni dönüştürücü‑tabanlı modeller de dahil olmak üzere çeşitli rakip yöntemlerle karşılaştırdılar. Standart görüntü kalitesi ölçütlerini kullanarak, yöntemleri tutarlı biçimde daha keskin, daha sadık renkler ve daha net yapılar üretti; özellikle zorlu bir sahne fotoğrafları setinde güçlü performans gösterdi. Görsel karşılaştırmalar, renklendirilmiş çıktıların genellikle orijinal renkli fotoğraflara daha yakın göründüğünü; daha zengin ama kontrollü doygunluk ve daha dengeli kontrast sağladığını gösteriyor. Ayrıca yöntemin zorlandığı durumları da vurguluyorlar: çok karanlık veya aşırı parlak görüntüler ya da alışılmadık dokulara ve nadir renklere sahip sahneler hâlâ garip tonlara veya düzensiz aydınlanmaya yol açabiliyor.

Günlük Görüntüler için Anlamı

Basitçe söylemek gerekirse, bu çalışma bir renklendirme sistemine görsel dünya hakkında güçlü bir ön eğitim vermenin — ve ardından sonucu dikkatlice geliştirmeyi eklemenin — insan gözüne daha doğal görünen görüntüler üretebileceğini gösteriyor. Büyük, önceden eğitilmiş bir ağın omuzlarına basıp akıllı bir kontrast güçlendirici adım ekleyerek, yazarlar tarihî fotoğraflara hayat verebilecek, siyah‑beyaz filmleri zenginleştirebilecek ve belirli tür tıbbi görüntüleri yorumlamayı kolaylaştırabilecek pratik bir araç sunuyor. Mükemmel olmasa da aşırı aydınlatma veya çok olağandışı sahnelerde tökezleyebiliyor; yine de bu yaklaşım otomatik renklendirmeyi, uzman olmayanların güvenebileceği bir şeye daha da yaklaştırıyor ve gerçekçi rengi günlük kullanım için erişilebilir kılıyor.

Atıf: Ghosh, N., Mandal, G. Deep transfer learning based image colorization using VGG19 and CLAHE. Sci Rep 16, 9528 (2026). https://doi.org/10.1038/s41598-026-40292-1

Anahtar kelimeler: görüntü renklendirme, derin öğrenme, transfer öğrenme, fotoğraf restorasyonu, kontrast artırma