DEĞİŞTİRİLMİŞ AYRIK HAAR DALGACIK DÖNÜŞÜMÜ İLE YENİ BİR HİSTOGRAM EŞİTLEME YÖNTEMİ
Bibliographic record
Abstract
Histogram eşitleme dijital görüntülerin kontrastını artırmak için kullanılan yöntemlerden biridir. İdeal histogram eşitleme yöntemlerinde, girdi ve çıktı arasındaki görüntü benzerliğini koruyarak histogramdaki dağılımları tekdüze hale getirerek kontrast gerilmektedir. Frekans alanında yapılan bu çalışmada, Düşük Dinamik Aralığında değiştirilmiş ayrık Haar Dalgacık Dönüşümü ile yeni bir görüntü kontrast germe yöntemi önerilmiştir. Bu yöntemde Olasılık Kütle Fonksiyonunu ile frekansların yüksek geçiş kanalında gürültülü frekanslara bir baskılama işlemi gerçekleştirilmiştir. Daha sonra yapılan frekans dönüşümlerinde histogram frekansların dinamik aralıklarında önemli bir azalma sağlanmıştır. Frekans alanındaki bu işlem görüntüde standart sapmanın artmasını sağlayarak görüntü kalitesinin iyileşmesini sağlar. Kıyaslamalı bir veri seti üzerinde yapılan deneysel çalışmalarda, önerilen yöntem konvansiyonel metotlarla kıyaslanmış ve umut verici sonuçlar elde edilmiştir. Görüntü kalitesi değerlendirme metriklerinden Tepe Sinyal Gürültü Oranı (PSNR), Ortalama Kare Hata (MSE), Yapısal Benzerlik Endeks Ölçütü (SSIM) ve Kontrast değeri deneysel çalışmalarda kullanılmıştır. Önerilen bu yaklaşım ile elde edilen sonuçlar diğer algoritmaların sonuçları ile kıyaslandığında hem kalitatif hem de kantitatif açıdan başarılı bulunmuştur.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.003 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.009 | 0.009 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".