@PhDThesis{Castro:2009:ReImOp,
author = "Castro, Ana Paula Abrantes de",
title = "Restaura{\c{c}}{\~a}o de imagens com operadores modelados por
redes neurais artificiais",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2009",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2009-02-27",
keywords = "redes neurais artificiais, restaura{\c{c}}{\~a}o de imagens,
processamento digital de imagens, fus{\~a}o de filtros,
artificial neural networks, images restauration, image digital
processing, filter fusion.",
abstract = "Esta tese aborda o problema de restaura{\c{c}}{\~a}o de imagens
utilizando t{\'e}cnicas de aprendizagem de m{\'a}quina com foco
em redes neurais artificiais. A restaura{\c{c}}{\~a}o de imagens
tem como objetivo melhorar imagens que tenham sido degradadas por
processos diversos associados {\`a} aquisi{\c{c}}{\~a}o,
transmiss{\~a}o ou processamento, visando melhorar a qualidade
para facilitar a interpreta{\c{c}}{\~a}o visual. As
t{\'e}cnicas cl{\'a}ssicas de restaura{\c{c}}{\~a}o de imagens
baseiam-se em algum conhecimento a priori do fen{\^o}meno de
degrada{\c{c}}{\~a}o, sendo voltadas para a modelagem da
degrada{\c{c}}{\~a}o e a aplica{\c{c}}{\~a}o do processo
inverso na recupera{\c{c}}{\~a}o da imagem corrigida. Dada a
dificuldade de estimar alguma informa{\c{c}}{\~a}o a priori do
fen{\^o}meno de degrada{\c{c}}{\~a}o, a literatura mostra um
aumento na pesquisa do uso de t{\'e}cnicas de intelig{\^e}ncia
computacional na restaura{\c{c}}{\~a}o de imagens. Esta tese
apresenta um novo m{\'e}todo de restaura{\c{c}}{\~a}o de
imagem, baseada em Redes Neurais Artificiais (RNAs), considerando
a aprendizagem do processo inverso utilizando um tipo de imagem
padr{\~a}o em uma abordagem multiescala. Diferentes modelos de
redes foram testadas nesta tese com os resultados sendo comparados
com t{\'e}cnicas cl{\'a}ssicas existentes. A imagem padr{\~a}o
foi processada seguindo um modelo de degrada{\c{c}}{\~a}o
dispon{\'{\i}}vel na literatura, para simular alguns tipos de
problemas mais freq{\"u}entes em imagens. A quantidade de dados
gerada para treinamento das redes exigiu a aplica{\c{c}}{\~a}o
de t{\'e}cnicas de agrupamento, em uma abordagem de
minera{\c{c}}{\~a}o de dados, para redu{\c{c}}{\~a}o do
conjunto de treinamento e a viabiliza{\c{c}}{\~a}o do
treinamento de alguns modelos de redes. A tese tem como objetivo a
proposi{\c{c}}{\~a}o de um m{\'e}todo simples de
restaura{\c{c}}{\~a}o, que conduz a uma solu{\c{c}}{\~a}o
{\'o}tima para o problema, sem a necessidade de estabelecer um
conhecimento a priori do fen{\^o}meno de degrada{\c{c}}{\~a}o.
As redes treinadas foram submetidas a vers{\~o}es degradadas de
diferentes imagens para medida de desempenho da abordagem de
restaura{\c{c}}{\~a}o proposta, atrav{\'e}s da
compara{\c{c}}{\~a}o dos resultados de restaura{\c{c}}{\~a}o
das redes com as t{\'e}cnicas existentes para
restaura{\c{c}}{\~a}o, com uma an{\'a}lise quantitativa baseada
no c{\'a}lculo do erro quadr{\'a}tico m{\'e}dio e da
rela{\c{c}}{\~a}o sinal/ru{\'{\i}}do da imagem restaurada. Os
resultados obtidos mostram que os algoritmos de
restaura{\c{c}}{\~a}o baseados em redes neurais s{\~a}o
alternativas eficientes para restaura{\c{c}}{\~a}o, apresentando
desempenho similar, ou melhor, aos dos m{\'e}todos existentes,
com a vantagem da abordagem proposta n{\~a}o requerer
conhecimento a priori das causas da degrada{\c{c}}{\~a}o para a
restaura{\c{c}}{\~a}o. ABSTRACT: 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.",
committee = "Santos, Rafael Duarte Coelho dos (presidente) and Silva, Jos{\'e}
Demisio Sim{\~o}es da (orientador) and Rosa, Reinaldo Roberto and
Morimoto, Carlos Hitoshi and Pinto, Jo{\~a}o Onofre Pereira",
copyholder = "SID/SCD",
englishtitle = "Image restoration with operators modeled by artificial neural
networks",
language = "pt",
pages = "193",
ibi = "8JMKD3MGP8W/34PGSLE",
url = "http://urlib.net/ibi/8JMKD3MGP8W/34PGSLE",
targetfile = "publicacao.pdf",
urlaccessdate = "2024, Apr. 27"
}