Su altı görüntü iyileştirme için yeni bir hibrit özelleştirilmiş renk düzeltme ve Tekrarlayan Konvolüsyonel Sinir Ağları yaklaşımı

Neden daha net su altı fotoğrafları önemli?

İster mercan resiflerini inceleyen deniz biyologları, ister su altı kablolarını denetleyen mühendisler, ister hafta sonu dalışlarından videolar paylaşan dalgıçlar olsun, hepsi aynı sorunla karşılaşıyor: su altı fotoğrafları sık sık sisli, mavi-yeşil tonlu ve ayrıntı eksik görünür. Bu çalışma, yüzey altındaki sahnelerin temiz havadakine daha yakın görünmesini sağlayacak şekilde bu görüntüleri düzeltmenin yeni bir yolunu tanıtıyor; bu da hem insan gözlemcilerin hem de bilgisayar sistemlerinin su altı dünyasını daha iyi anlamasına yardımcı oluyor.

Su altında fotoğraf çekmenin sorunu

Su, havanın daha yoğun bir versiyonundan çok daha fazlasıdır. Işık su içinde ilerledikçe bazı renkler diğerlerinden daha fazla emilir ve saçılır. Kırmızılar ve sarılar derinlik veya mesafe ile hızla kaybolurken, maviler ve yeşiller daha uzak mesafelere ulaşır; bu yüzden birçok su altı sahnesi mavimsi ve mat görünür. Suda asılı küçük parçacıklar ışığı her yöne saçar, kontrastı yıkar ve ince ayrıntıları gizler. Bu etkiler sadece amatör fotoğrafçıları rahatsız etmekle kalmaz, aynı zamanda görüntü ve video üzerinden nesne bulma, deniz tabanını haritalama veya deniz yaşamını izleme gibi görevleri yapan algoritmaların performansını da zayıflatır.

Mevcut yöntemler ve neden yetersiz kalıyorlar

Araştırmacılar su altı görüntülerini düzeltmek için birçok strateji denediler. Bazı yöntemler ışığın nasıl emildiğini ve saçıldığını tanımlayan fiziksel formüllere dayanarak bu süreci tersine çevirmeye çalışır. Diğerleri parlaklık ve kontrastı ayarlar, renk dengelerini değiştirir veya ışık düzeyini renkten ayıran özel renk uzaylarında çalışır. Daha yeni teknikler ise derin öğrenme kullanır; büyük su altı görüntü koleksiyonları üzerinde sinir ağlarını eğiterek sistemlerin "iyi" bir görüntünün nasıl göründüğünü öğrenmesini sağlar. Ancak bu yaklaşımların birçoğu sabit adımlardan oluşan el yapımı boru hatları veya tek geçişli sinir ağlarıdır. Su koşulları değiştiğinde, aydınlatma düzensiz olduğunda veya yoğun gürültü olduğunda zorlanırlar; çünkü çıktıyı birkaç geçişte kolayca uyarlayıp iyileştiremezler.

Bulanıktan nete hibrit bir yol

Yazarlar, klasik renk düzeltmenin güçlü yönlerini modern bir tekrarlayan konvolüsyonel sinir ağı ile birleştiren hibrit bir yöntem öneriyor; bu model tahminlerini tekrarlı olarak iyileştirmek üzere tasarlanmış bir derin öğrenme türüdür. Önce, özelleştirilmiş bir renk düzeltme aşaması farklı dalga boylarının nasıl zayıfladığını analiz eder ve her renk kanalını buna göre ayarlar. Kırmızıları körü körüne güçlendirmek veya mavileri kesmek yerine, belirli su altı ortamında ışığın ne kadar zayıfladığını tahmin eder ve daha doğal renk tonlarını geri kazandırır. Görüntü daha sonra insan algısını yansıtan, genel parlaklığı renk bileşenlerinden ayıran bir renk uzayına dönüştürülür; bu da bozulmaları ayrıntıları yok etmeden düzeltmeyi kolaylaştırır.

Ağın görüntüyü yeniden ziyaret etmesine izin vermek

İlk renk düzeltmesinden sonra, iyileştirilmiş görüntü tekrarlayan bir sinir ağına verilir. Bir görüntüyü bir kez analiz eden standart bir ağın aksine, bu tasarım çıktısını geri besleyip döngüye sokar; böylece model sahneyi birkaç yineleme boyunca yeniden değerlendirebilir. Her geçişte kenarları keskinleştirir, gürültüyü temizler ve kontrastı iyileştirirken yapay hale halkalar veya aşırı işlenmiş bölgeler yaratmamaya çalışır. Ek işlem adımları, nesneler arasındaki sınırları koruyarak gürültüyü yumuşatır ve mavi ile yeşil kanalların özel işlenmesi en yaygın su altı renk dengesizliğini düzeltmeye yardımcı olur. Bu nedenle genel boru hattı, ham, tonlu görüntülerden ardışık olarak daha net ve daha doğru temsillere doğru ilerler.

Çeşitli su altı sahnelerinden elde edilen kanıtlar

Yöntemin ne kadar iyi çalıştığını değerlendirmek için araştırmacılar, sentetik ve gerçek sahneleri, fotoğraf ve videoyu kapsayan çeşitli halka açık su altı görüntü koleksiyonları üzerinde test ettiler. Keskinlik, yapısal benzerlik ve gürültü düzeyleri gibi standart ölçütlerle ve ayrıca mükemmel bir referans görüntü gerektirmeyen puanlarla—okyanusta gerçekten "doğru" bir görünümün nadiren mevcut olduğu durumlarda önemli—kaliteyi değerlendirdiler. Mercan resifleri, deniz tabanındaki heykeller, yüzen balıklar ve dalgıçların bulunduğu görüntülerde, yaklaşımları rakip tekniklerden daha yüksek puanlar verdi ve insan izleyicilerin daha net, daha renkli ve daha zengin ayrıntılı bulduğu görüntüler üretti.

Bu, su altını görme açısından ne anlama geliyor?

Basitçe söylemek gerekirse, çalışma önce renkleri dikkatle düzeltmenin ve sonra akıllı bir ağın sonucu tekrar tekrar cilalamasına izin vermenin, su altı fotoğraflarını daha doğal gösterdiğini ve daha fazla bilgi açığa çıkardığını gösteriyor. Yöntem çok karanlık koşullarda zorlanabilir ve günümüzdeki kalite puanları insan yargısının mükemmel bir yansıması olmayabilir; yine de bu hibrit yaklaşım, nesne bulma, denetim ve çevresel izleme gibi yüzey altı görevler için pratik bir artış sunuyor. Daha ileri iyileştirmeler ve görüntü kalitesini değerlendirmeye dair daha iyi yöntemlerle, bu tür araçlar su altı kameralarının ve robotlarının standart bileşenleri haline gelerek okyanuslara daha net bir pencere sağlayabilir.

Atıf: Natarajan, D., Sudhakaran, P. & Bereznychenko, V. A novel hybrid customized color correction and Recurrent Convolutional Neural Networks approach for underwater image enhancement. Sci Rep 16, 14006 (2026). https://doi.org/10.1038/s41598-026-44535-z

Anahtar kelimeler: su altı görüntüleme, görüntü iyileştirme, renk düzeltme, derin öğrenme, deniz görüsü