Show simple item record

dc.contributor.advisorOk, Ali Özgün
dc.contributor.authorGazel Bulut, Ezgi Burçin
dc.date.accessioned2022-04-01T08:08:31Z
dc.date.issued2022-02-15
dc.date.submitted2022-01-22
dc.identifier.urihttp://hdl.handle.net/11655/26058
dc.description.abstractThe spatial resolution is one of the main criteria representing the level of detail in an image. The necessity for the high spatial resolution has increased with the development in satellite technologies. Using modern sensors and optics is an expensive way to improve image spatial resolution. Image super resolution is one of the most important computer vision research topics that aims to obtain higher spatial resolution image(s) from one or more lower spatial resolution ones. It is a cheaper and more effective way as it does not require any modification to the camera hardware. In this thesis, the Super-Resolution Generative Adversarial Networks (SRGAN) and the Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) both trained with Google Earth were utilised for the super-resolution enhancement of Sentinel-2 and Göktürk-2 images. The results of the pre-trained deep learning models using the different data sources with multi-sensor and multi-temporal characteristics were analyzed and their super resolution performances were evaluated. The results show that the perceptual image quality of low spatial resolution satellite images can be improved by using SRGAN and ESRGAN methods.tr_TR
dc.language.isoentr_TR
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectRemote sensingtr_TR
dc.subjectDeep learningtr_TR
dc.subjectSuper-resolutiontr_TR
dc.subjectSatellite imagerytr_TR
dc.subjectGenerative Adversarial Network (GAN)tr_TR
dc.subjectUzaktan algılamatr_TR
dc.subjectDerin öğrenmetr_TR
dc.subjectSüper-çözünürlüktr_TR
dc.subjectUydu görüntüsütr_TR
dc.subjectÇekişmeli üretici ağlar (ÇÜA)tr_TR
dc.subject.lcshGeomatik mühendisliğitr_TR
dc.titleSuper-Resolutıon Image Generatıon From Earth Observatıon Satellıtes Usıng Generatıve Adversarıal Networkstr_TR
dc.title.alternativeÇekişmeli Üretici Ağlar Kullanılarak Yer Gözlem Uydularından Süper Çözünürlüklü Görüntü Oluşturulmasıtr_TR
dc.typeinfo:eu-repo/semantics/masterThesistr_TR
dc.description.ozetMekânsal çözünürlük, görüntüdeki detay seviyesini tanımlayan ana kriterlerden biridir. Gelişen uydu teknolojileri ile yüksek mekânsal çözünürlüğe olan ihtiyaç artmıştır. Daha modern algılayıcılar ve optikler kullanmak, mekânsal görüntü çözünürlüğünü iyileştirmenin pahalı bir yoludur. Görüntü süper çözünürlüğü, bir veya daha fazla düşük mekânsal çözünürlüklü görüntüden daha yüksek mekânsal çözünürlüklü görüntü(ler) elde etmeyi amaçlayan en önemli bilgisayarlı görü araştırmalarından biridir. Kamera donanımında herhangi bir değişiklik gerektirmediği için daha ucuz ve daha etkili bir yoldur. Bu tezde, Sentinel-2 ve Göktürk-2 görüntülerinin süper çözünürlük iyileştirmesi için Google Earth uydu verileri ile eğitilen Super-Resolution Generative Adversarial Networks (SRGAN) ve Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) yöntemleri kullanılmıştır. Çok sensörlü ve çok zamanlı farklı veri kaynakları kullanılarak önceden eğitilmiş derin öğrenme modellerinin sonuçları analiz edilmiş ve süper çözünürlük performansları değerlendirilmiştir. Sonuçlar, düşük mekânsal çözünürlüklü uydu görüntülerinin algısal görüntü kalitesinin SRGAN ve ESRGAN yöntemleri kullanılarak iyileştirilebileceğini göstermektedir.tr_TR
dc.contributor.departmentGeomatik Mühendisliğitr_TR
dc.embargo.termsAcik erisimtr_TR
dc.embargo.lift2022-04-01T08:08:31Z
dc.fundingYoktr_TR


Files in this item

This item appears in the following Collection(s)

Show simple item record