Εκτίμηση εικόνων καύσης υψηλής ανάλυσης από εικόνες χαμηλής, με χρήση νευρωνικών δικτύων βαθέων αρχιτεκτονικών
| datacite.contributor.RelatedPerson | Μπερμπερίδης, Κωνσταντίνος | |
| datacite.contributor.RelatedPerson | Δερματάς, Ευάγγελος | |
| datacite.contributor.Supervisor | Εμμανουήλ Ψαράκης | |
| dc.contributor.author | Αυλακιώτης, Στυλιανός | |
| dc.contributor.other | Avlakiotis, Stylianos | |
| dc.date.accessioned | 2025-07-04T10:24:38Z | |
| dc.date.available | 2025-07-04T10:24:38Z | |
| dc.date.issued | 2025-01-20 | |
| dc.degree | masterThesis | |
| dc.description.abstract | Η εκτίμηση εικόνων υψηλής ανάλυσης από εικόνες χαμηλής αναφέρεται κοινώς στη βιβλιογραφία ως υπέρ-ανάλυση ή Super Resolution, και έχει πρωταρχικό στόχο την βελτίωση της οπτικής και σημασιολογικής πιστότητας εικόνων, οι οποίες έχουν υποβαθμιστεί ή αλλοιωθεί με κάποιο τρόπο. Μαθηματικά, αυτή η αλλοίωση μοντελοποιείται ως ένας μετασχηματισμός τον οποίο καλούμαστε να εκτιμήσουμε και να χρησιμοποιήσουμε ώστε να βρεθεί η υψηλής ανάλυσης αναπαράσταση της αλλοιωμένης εικόνας. Συγκεκριμένα, όταν αναφερόμαστε σε μία μόνο εικόνα το πρόβλημα είναι γνωστό και ως Single Image Super Resolution (SISR), ενώ υπάρχουν και αναδρομικές εκδοχές του προβλήματος που αναφέρονται σε δεδομένα βίντεο. Το σύνολο δεδομένων που θα χρησιμοποιηθεί στην παρούσα εργασία αποτελείται από φωτογραφίες φλόγας από καύση, οι οποίες έχουν “υποβαθμιστεί” με τη χρήση οπτικού φίλτρου στο φακό της κάμερας, ο οποίος χρησιμεύει για την απομόνωση συγκεκριμένων μηκών κύματος της οπτικής πληροφορίας, ώστε να εντοπιστούν χημικές ενώσεις η καύση των οποίων εκλύει μεταξύ άλλων και φως σε αυτά τα μήκη κύματος. Ο σκοπός μας είναι η αποκατάσταση της ποιότητας των εικόνων που προκύπτουν ώστε να λυθεί το πρόβλημα της υποβάθμισης που προκαλείται από το οπτικό φίλτρο. Για την επίτευξη του σκοπού αυτού, θα αναπτυχθεί και θα υλοποιηθεί τεχνική βασισμένη σε Νευρωνικά Δίκτυα Βαθέων Αρχιτεκτονικών και πιο συγκεκριμένα, αναγεννητικά δίκτυα τύπου GAN (Generative Adversarial Network) για την ανακατασκευή των υψηλής ανάλυσης εικόνων από την/τις χαμηλής ανάλυσης εικόνα/ες. | |
| dc.description.translatedabstract | The estimation of high-resolution images from low-resolution ones is commonly referred to in the literature as Super Resolution (SR). Its primary aim is to improve the visual and semantic fidelity of images that have been degraded or altered in some way. Mathematically, this degradation is modeled as a transformation that we need to estimate and apply in order to obtain a high-resolution representation of the degraded image. Specifically, when referring to a single image, this problem is known as Single Image Super Resolution (SISR). There are also recurrent versions of the problem that apply to video data. The dataset used in this work consists of combustion flame photographs that have been “degraded” using an optical filter on the camera lens. This filter serves to isolate specific wavelengths of visual information in order to detect chemical compounds whose combustion emits, among other things, light at those wavelengths. Our goal is to restore the quality of these resulting images to address the degradation caused by the optical filter. To achieve this, we will develop and implement a technique based on Deep Neural Network architectures, specifically generative networks of the GAN (Generative Adversarial Network) type, to reconstruct high-resolution images from low-resolution ones. | |
| dc.identifier.uri | https://hdl.handle.net/10889/29912 | |
| dc.language.iso | el | |
| dc.rights | CC0 1.0 Universal | en |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | |
| dc.subject | Υπολογιστική όραση | |
| dc.subject | Επεξεργασία εικόνας | |
| dc.subject | Νευρωνικά δίκτυα βαθέων αρχιτεκτονικών | |
| dc.subject | Αναγεννητικά δίκτυα | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject | Υπέρ-ανάλυση | |
| dc.subject.alternative | Computer vision | |
| dc.subject.alternative | Image processing | |
| dc.subject.alternative | Deep Neural Networks (DNN) | |
| dc.subject.alternative | Generative networks | |
| dc.subject.alternative | Machine learning | |
| dc.subject.alternative | Super resolution | |
| dc.title | Εκτίμηση εικόνων καύσης υψηλής ανάλυσης από εικόνες χαμηλής, με χρήση νευρωνικών δικτύων βαθέων αρχιτεκτονικών | |
| dc.title.alternative | High-resolution combustion image estimation from low-resolution images, using deep neural network architectures |