سهیل مجیدی - دانشکده مهندسی نقشه برداری و اظلاعات مکانی دانشگاه تهران
محمدامیدعلی زرندی - دانشکده ژئودتیک دانشگاه لایبنیتز هانوفر
محمدعلی شریفی - دانشکده مهندسی نقشه برداری و اظلاعات مکانی دانشگاه تهران

صحت پیش بینی شبکه های یادگیری عمیق در شناسایی اشیاء،بخش بندی و طبقه بندی تصاویر کاملا با کیفیت تصاویر در ارتباطاست. عوامل مخرب تصویر مانند تاری و ماتی ، نویز و مناسب نبودنشرایط نوری تصویر به علت مستحکم نبودن سنجنده و شرایطمحیطی در فتوگرامتری و ماشین بینایی رایج هستند . از این رو،بازیابی تصاویر با هدف افزایش دقت شناسایی عوارض ، ضروریمی باشد. در این تحقیق، ما تاثیر وجود نویز و مناسب نبودن شرایطنوری در تصاویر را در بخش بندی ترک بررسی کردیم. ابتدا، یک شبکهعمیق رمزگذار-رمزگشای کانولوشنی DoubleU-net برای استخراج ویژگی و آموزش تصاویر برای هدف بخش بندی ترک پیاده سازی شد.برای مقایسه و ارزیابی صحت عملیات و شبکه بخش بندی ، از معیار(Intersection over Union (IoU بهره گرفته شد . در قدم بعد، بازیابی تصاویر به کمک شبکه یادگیری عمیق رمزگذار -رمز گشایچند مقیاسه با ماژول ادغام و انتخاب ویژگی MIRNet پیاده سازی شد. برای ارزیابی و تجزیه و تحلیل نتایج از شاخص های ارزیابیکیفیت طیفی SSIM ،RMSE ،PSNR و ERGAS استفاده شد. بخش بندی تصاویر تخریب شده با کاهش صحت همراه بود ولی پس ازعملیات یازیابی تصویر این کاهش دقت تا حد زیادی بهبود پیدا کرده و جبران شد.

بازیابی تصویر، یادگیر ی عمیق ، بخش بندی ترک، آنالیز نویز، بهبود کیفیت تصاویر کم نور