Restauração de imagens com operadores modelados por redes neurais artificiais

• Main Author: Ana Paula Abrantes de Castro
• Other Authors: José Demisio Simões da Silva
• Language: Portuguese
• Published: Instituto Nacional de Pesquisas Espaciais 2009
• Online Access: http://urlib.net/sid.inpe.br/mtc-m18@80/2009/02.16.18.02

Esta tese aborda o problema de restauração de imagens utilizando técnicas de aprendizagem de máquina com foco em redes neurais artificiais. A restauração de imagens tem como objetivo melhorar imagens que tenham sido degradadas por processos diversos associados à aquisição, transmissão ou processamento, visando melhorar a qualidade para facilitar a interpretação visual. As técnicas clássicas de restauração de imagens baseiam-se em algum conhecimento a priori do fenômeno de degradação, sendo voltadas para a modelagem da degradação e a aplicação do processo inverso na recuperação da imagem corrigida. Dada a dificuldade de estimar alguma informação a priori do fenômeno de degradação, a literatura mostra um aumento na pesquisa do uso de técnicas de inteligência computacional na restauração de imagens. Esta tese apresenta um novo método de restauração de imagem, baseada em Redes Neurais Artificiais (RNAs), considerando a aprendizagem do processo inverso utilizando um tipo de imagem padrão em uma abordagem multiescala. Diferentes modelos de redes foram testadas nesta tese com os resultados sendo comparados com técnicas clássicas existentes. A imagem padrão foi processada seguindo um modelo de degradação disponível na literatura, para simular alguns tipos de problemas mais freqüentes em imagens. A quantidade de dados gerada para treinamento das redes exigiu a aplicação de técnicas de agrupamento, em uma abordagem de mineração de dados, para redução do conjunto de treinamento e a viabilização do treinamento de alguns modelos de redes. A tese tem como objetivo a proposição de um método simples de restauração, que conduz a uma solução ótima para o problema, sem a necessidade de estabelecer um conhecimento a priori do fenômeno de degradação. As redes treinadas foram submetidas a versões degradadas de diferentes imagens para medida de desempenho da abordagem de restauração proposta, através da comparação dos resultados de restauração das redes com as técnicas existentes para restauração, com uma análise quantitativa baseada no cálculo do erro quadrático médio e da relação sinal/ruído da imagem restaurada. Os resultados obtidos mostram que os algoritmos de restauração baseados em redes neurais são alternativas eficientes para restauração, apresentando desempenho similar, ou melhor, aos dos métodos existentes, com a vantagem da abordagem proposta não requerer conhecimento a priori das causas da degradação para a restauração. === This thesis proposes a new machine-learning technique based on artificial neural networks for the image restoration problem. Image restoration techniques aim recovering images degraded by various processes associated with the acquisition, transmission, and processing processes, to improve the quality for visual interpretation. Some of the traditional techniques for image restoration require prior knowledge of the degradation phenomenon and are oriented to the degradation model and the implementation of the inverse process to recover the corrected image. Due to the difficulty of the prior information estimation related with the degradation causes, a large quantity of work has been developed and published in the literature employing computational intelligence based techniques for the image restoration. This thesis presents a new approach to image restoration based on artificial neural networks, considering the learning of the inverse process using a standard image for training under a multiscale approach. Different models of neural networks were tested and compared with the traditional techniques. The standard image was artificially degraded to simulate some types of frequent degradation problems in images. Due to the huge amount of data generated for training the neural networks, this thesis proposes the use of clustering techniques to reduce the training set and to facilitate the neural network training processes. The present work aims at proposing a simple restoration method that leads to an optimal solution without the need of prior knowledge estimation of the degradation phenomenon. The neural networks were tested with different kinds of degraded images. The mean squared error and the signal-to-noise ratio were used as performance indices to measure the quality of the results of the neural networks as of the traditional methods for comparison objectives. The results show that the neural networks based restoration algorithms are effective restoration methods, showing similar or better performance than those of existing methods. The main advantage of the proposed approach is that it does not require a priori knowledge of the degradation causes.