Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: COSTA, Daniela de Sousa
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso embargado
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Inteligência computacional
Aprimoramento de imagens
Link de acesso: https://repositorio.ufpe.br/handle/123456789/37887
Resumo: Uma cena quando capturada por dispositivos pode apresentar diferenças significativas entre aquilo que é observado diretamente pelo olho humano e sua representação na forma de imagem. Isto se deve à capacidade que os seres humanos têm de perceber certos aspectos da imagem, como cor e detalhes em regiões escuras independentemente da iluminação. A implementação de tais habilidades em sistemas computacionais se mostra benéfica em várias aplicações gráficas e de visão computacional, tais como as que envolvem classificação, segmentação semântica e renderização de cenas. Neste trabalho, são abordados dois tipos de aprimoramento de imagem. O primeiro visa corrigir as cores dos objetos de uma cena, de maneira que as mesmas possam ser identificadas corretamente independentemente da cor do iluminante utilizado para captura, propriedade conhecida como constância de cor. Já o segundo tipo de aprimoramento é voltado para casos onde a captura da imagem é feita sob condições de baixa luminosidade. Para ambos os problemas, percebeu-se que o ponto central é a influência da iluminação que pode gerar efeitos não desejáveis sobre a cena. A partir dessa observação, são apresentados dois métodos baseados em redes neurais convolucionais que, ao receberem uma imagem, estimam o iluminante sendo este utilizado para correção da mesma. Experimentos revelam que as estratégias propostas são capazes de proporcionar resultados compatíveis e, em certos casos, superiores aos algoritmos do estado da arte.
id UFPE_bc0e43a383ee2b6c8a957ed5ab25f9ee
oai_identifier_str oai:repositorio.ufpe.br:123456789/37887
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem ProfundaInteligência computacionalAprimoramento de imagensUma cena quando capturada por dispositivos pode apresentar diferenças significativas entre aquilo que é observado diretamente pelo olho humano e sua representação na forma de imagem. Isto se deve à capacidade que os seres humanos têm de perceber certos aspectos da imagem, como cor e detalhes em regiões escuras independentemente da iluminação. A implementação de tais habilidades em sistemas computacionais se mostra benéfica em várias aplicações gráficas e de visão computacional, tais como as que envolvem classificação, segmentação semântica e renderização de cenas. Neste trabalho, são abordados dois tipos de aprimoramento de imagem. O primeiro visa corrigir as cores dos objetos de uma cena, de maneira que as mesmas possam ser identificadas corretamente independentemente da cor do iluminante utilizado para captura, propriedade conhecida como constância de cor. Já o segundo tipo de aprimoramento é voltado para casos onde a captura da imagem é feita sob condições de baixa luminosidade. Para ambos os problemas, percebeu-se que o ponto central é a influência da iluminação que pode gerar efeitos não desejáveis sobre a cena. A partir dessa observação, são apresentados dois métodos baseados em redes neurais convolucionais que, ao receberem uma imagem, estimam o iluminante sendo este utilizado para correção da mesma. Experimentos revelam que as estratégias propostas são capazes de proporcionar resultados compatíveis e, em certos casos, superiores aos algoritmos do estado da arte.CNPqA scene captured by devices can present significant differences between objects that are directly visible to the human eye and their representation as an image. This ability allows humans to perceive certain aspects of the image, such as color and details in dark regions, somewhat independently of lighting. The implementation of such skills in computer systems shows benefits in various graphics and computer vision applications, such as classification tasks, semantic segmentation, and scene rendering. In this work, two types of image enhancement are introduced. The first method for image enhancement aims to correct the colors of the objects in a scene so that they can be correctly identified regardless of the color of the light source used to capture the image, a property known as color constancy. The second enhancement method focuses on cases where the image is captured under low-light conditions. For both problems, the central point is the influence of lighting that can generate undesirable effects on the scene. For this reason, two methods are presented based on convolutional neural networks that receive an image and estimate the illuminant that is used to correct the scene. Experimental results reveal that the proposed methods achieve compatible results and, in some cases, demonstrate superior performance to the state-of-the-art methods.Universidade Federal de PernambucoUFPEBrasilPrograma de Pos Graduacao em Ciencia da ComputacaoMELLO, Carlos Alexandre Barros dehttp://lattes.cnpq.br/8243824739514947http://lattes.cnpq.br/2248591013863307COSTA, Daniela de Sousa2020-09-09T20:16:29Z2020-09-09T20:16:29Z2020-02-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCOSTA, Daniela de Sousa. Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda. 2020. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2020.https://repositorio.ufpe.br/handle/123456789/37887porAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/embargoedAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPE2020-09-10T05:10:44Zoai:repositorio.ufpe.br:123456789/37887Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212020-09-10T05:10:44Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.none.fl_str_mv Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda
title Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda
spellingShingle Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda
COSTA, Daniela de Sousa
Inteligência computacional
Aprimoramento de imagens
title_short Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda
title_full Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda
title_fullStr Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda
title_full_unstemmed Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda
title_sort Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda
author COSTA, Daniela de Sousa
author_facet COSTA, Daniela de Sousa
author_role author
dc.contributor.none.fl_str_mv MELLO, Carlos Alexandre Barros de
http://lattes.cnpq.br/8243824739514947
http://lattes.cnpq.br/2248591013863307
dc.contributor.author.fl_str_mv COSTA, Daniela de Sousa
dc.subject.por.fl_str_mv Inteligência computacional
Aprimoramento de imagens
topic Inteligência computacional
Aprimoramento de imagens
description Uma cena quando capturada por dispositivos pode apresentar diferenças significativas entre aquilo que é observado diretamente pelo olho humano e sua representação na forma de imagem. Isto se deve à capacidade que os seres humanos têm de perceber certos aspectos da imagem, como cor e detalhes em regiões escuras independentemente da iluminação. A implementação de tais habilidades em sistemas computacionais se mostra benéfica em várias aplicações gráficas e de visão computacional, tais como as que envolvem classificação, segmentação semântica e renderização de cenas. Neste trabalho, são abordados dois tipos de aprimoramento de imagem. O primeiro visa corrigir as cores dos objetos de uma cena, de maneira que as mesmas possam ser identificadas corretamente independentemente da cor do iluminante utilizado para captura, propriedade conhecida como constância de cor. Já o segundo tipo de aprimoramento é voltado para casos onde a captura da imagem é feita sob condições de baixa luminosidade. Para ambos os problemas, percebeu-se que o ponto central é a influência da iluminação que pode gerar efeitos não desejáveis sobre a cena. A partir dessa observação, são apresentados dois métodos baseados em redes neurais convolucionais que, ao receberem uma imagem, estimam o iluminante sendo este utilizado para correção da mesma. Experimentos revelam que as estratégias propostas são capazes de proporcionar resultados compatíveis e, em certos casos, superiores aos algoritmos do estado da arte.
publishDate 2020
dc.date.none.fl_str_mv 2020-09-09T20:16:29Z
2020-09-09T20:16:29Z
2020-02-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv COSTA, Daniela de Sousa. Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda. 2020. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2020.
https://repositorio.ufpe.br/handle/123456789/37887
identifier_str_mv COSTA, Daniela de Sousa. Aprimoramento de imagens baseado em estimativa de iluminante e técnicas de Aprendizagem Profunda. 2020. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2020.
url https://repositorio.ufpe.br/handle/123456789/37887
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/embargoedAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv embargoedAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1856042085292965888

Registros relacionados