fa ارزیابی بهبود روشنایی تصاویر هوایی به کمک روش‌های یادگیری عمیق سنجش از دور RS پژوهشي Research <h1 dir="RTL" style="text-align:justify; margin-top:8px; margin-bottom:4px"><span style="font-size:11pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span bold="" new="" roman="" style="font-family:" times=""><span style="text-transform:uppercase"><span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="font-weight:normal">عکس‌برداری به کمک پرنده‌های بدون سرنشین به‌منظور پایش و بررسی وضع موجود یکی از پرکاربردترین موارد استفاده در نقشه‌برداری می‌باشد اما علی‌رغم فواید بسیار بالای این کار مشکلاتی نیز به همراه دارد. تنظیم نادرست دوربین در زمان عکس‌برداری، شرایط نامساعد جوی و تغییر شرایط نوری، مهم‌ترین عواملی هستند که باعث کاهش کیفیت تصاویر می‌شوند. به‌طورکلی روش‌های ارائه‌شده برای بهبود روشنایی را می‌توان به دودسته سنتی مانند استفاده از هیستوگرام و روش‌های مدرن شامل شبکه‌های عصبی و یادگیری عمیق که امروزه توجه بیش‌تر محققین را به خود جلب کرده است طبقه‌بندی کرد. هدف این تحقیق، بررسی عملکرد روش‌های یادگیری عمیق در بهبود روشنایی تصاویر هوایی است که به دلیل کاهش جزییات موجود ازنظر بصری و به طبع آن از دست رفتن اطلاعات طیفی، نامناسب می‌باشند. این تصاویر برای تولید محصولات مکانی گوناگون مانند تصویر اورتو و مدل دیجیتالی سطح زمین استفاده می‌شوند و بهبود روشنایی آن‌ها و بازیابی اطلاعات طیفی تأثیر مستقیمی بر روی محصولات مکانی خواهد داشت. به همین دلیل، در این مقاله 3 روش مختلف یادگیری عمیق برای بهبود روشنایی تصاویر زمینی که در تحقیقات گذشته بهترین نتایج را به همراه داشته‌اند، بررسی می‌شوند و</span></span></span> <span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="font-weight:normal">بهترین روش بر اساس 10 معیار سنجش روشنایی انتخاب می‌گردد. داده‌های مورد ارزیابی، تصاویر هوایی اخذشده از دو منطقه مختلف است که به دلیل روشنایی نامناسب دارای مناطقی با کاهش زیاد جزییات ازنظر بصری و از دست رفتن اطلاعات طیفی می‌باشند. آشکارسازی عوارض پنهان‌شده در مناطق سایه و مناطقی با میزان نور بیش‌ازاندازه به کمک بازیابی اطلاعات طیفی از طریق افزایش اختلاف بین مقادیر دیجیتالی پیکسل‌ها در این مناطق صورت می‌گیرد. نتیجه به‌دست‌آمده از بهترین روش‌ انتخاب‌شده برای دو مجموعه داده، بر اساس شاخص شباهت ساختاری که یکی از مهم‌ترین شاخص‌های ارزیابی در بین 10 شاخص استفاده‌شده است به ترتیب</span></span></span> <span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="font-weight:normal">برای منطقه موردمطالعه اول و دوم برابر 0/92 و 0/96 است.</span></span></span><span lang="ES-TRAD" dir="LTR" style="font-weight:normal"></span></span></span></span></span></span></h1> <span lang="ES" style="font-size:10.0pt"><span new="" roman="" style="font-family:" times="">Image taking &nbsp;using unmanned aerial vehicles (UAVs) for monitoring and assessing the existing conditions &nbsp;is one of the most prevalent applications in surveying. Despite its significant advantages, this approach also faces some challenges. Improper camera settings during image capturing, adverse weather conditions, and changes in lighting are the primary factors that reduce the quality of the captured images. </span></span><span style="font-size:10.0pt"><span new="" roman="" style="font-family:" times="">Generally, the proposed methods for brightness enhancement can be categorized into two groups: traditional methods, which rely on histograms, and modern methods, including neural networks and deep learning, which have increasingly attracted the attention of researchers. The objective of this study is to evaluate the performance of deep learning methods in enhancing the brightness of the aerial images. These images often exhibit inadequate quality due to reduced visual details and the consequent loss of spectral information. Such deficiencies negatively impact the quality of the spatial products, such as orthophotos and digital surface models. Improving brightness and recovering spectral information have a direct and significant influence on the quality of these spatial products. To this end, the study examines three different deep learning methods that have demonstrated superior performance in the previous researches for enhancing aerial image brightness. The optimal method is selected based on 10 brightness evaluation metrics. The evaluated data consists of the aerial images captured from two different regions, characterized by areas with significant visual detail reduction and loss of spectral information due to poor lighting conditions. The results reveal hidden features in shadowed regions and areas with excessive brightness and high environmental reflection, which are not easily discernible by the naked eye. This is achieved by recovering spectral information through increasing the contrast between the digital values of the pixels in these regions. The best-performing method achieves structural similarity index (SSIM) scores of 0.92 and 0.96 for the two datasets, respectively. SSIM is one of the most critical evaluation metrics among the 10 criteria utilized in this study.</span></span> فتوگرامتری, ادغام, بهبود روشنایی, اورتوفتو, یادگیری عمیق Photogrammetry, Fusion, Brightness Enhancement, Orthophoto, Deep Learning 77 93 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-124-23&slc_lang=fa&sid=1 Hosein Zavar حسین زاور h.zavar@ut.ac.ir 100319475328460010505 100319475328460010505 No University of Tehran دانشگاه تهران Reza Shah-Hoseini رضا شاه حسینی rshahosseini@ut.ac.ir 100319475328460010506 100319475328460010506 Yes University of Tehran دانشگاه تهران