Evrişimli sinir ağları tabanlı süper çözünürlük yöntemleri ile avuç izi görüntü kalitesinin iyileştirilmesi

Bu tez çalışması, avuç izi tanıma sistemlerinde kullanılan biyometrik görüntülerin kalitesini iyileştirmek amacıyla, derin öğrenme tabanlı süper-çözünürlük yöntemlerinin performansını incelemektedir. Literatürde yaygın olarak kullanılan GAN, DCGAN, BGAN, BEGAN ve özellikle çekişmeli otokodlayıcı (AAE) mimarileri değerlendirilmiş; elde edilen süper-çözünürlüklü çıktılar hem PSNR gibi referanslı hem de BRISQUE gibi referanssız metriklerle analiz edilmiştir. Yapılan deneylerde, AAE modeli en başarılı sonuçları verdiğinden, geliştirme süreci bu yapı üzerine odaklanmıştır. Modelin kod çözücü kısmı konvolüsyonel katmanlarla yeniden tasarlanarak 2 kat çözünürlük artırımı sağlayacak şekilde optimize edilmiş, IIT Delhi avuç içi veri seti ile eğitilmiştir. Görüntü kalitesi iyileştirme sürecinin yalnızca görsel kaliteyi değil, aynı zamanda biyometrik tanıma doğruluğunu da artırdığı yapılan testlerle ortaya konmuştur.

This thesis investigates the performance of deep learning-based super-resolution methods to enhance the quality of biometric images used in palmprint recognition systems. Widely used architectures in the literature—such as GAN, DCGAN, BGAN, BEGAN, and particularly the Adversarial Autoencoder (AAE)—were evaluated. The resulting super-resolved images were analyzed using both reference-based metrics like PSNR and no-reference metrics such as BRISQUE. Among these models, the AAE architecture achieved the best results; thus, the development process focused on this structure. The decoder component of the model was redesigned with convolutional layers and optimized to achieve 2× resolution enhancement. The model was trained on the IIT Delhi palmprint dataset. Experimental results demonstrated that the image quality enhancement process not only improved visual quality but also significantly increased biometric recognition accuracy.