Processamento de imagens adquiridas em meios participativos usando deep learning

Abstract

Este trabalho aborda o problema dos efeitos causados pela interação dos raios de luz com as partículas de um meio participativo em imagens ópticas digitais. A abordagem adotada utiliza uma rede neural que recebe uma imagem com influência do meio e é treinada para produzir uma imagem correspondente sem esta influência. Para que o modelo resultante seja capaz de realizar esta tarefa preservando as estruturas da imagem de entrada, é proposta a utilização do guided filter como parte da rede. O conjunto de dados utilizado no treinamento é composto por imagens internas com degradação simulada através de um modelo simplificado de formação da imagem. Entretanto, a rede adotada não utiliza explicitamente este modelo, permitindo que simulações menos simplificadas sejam utilizadas futuramente sem que a rede precise ser alterada. Os resultados obtidos através desta abordagem são avaliados em relação ao estado-da-arte de forma qualitativa, utilizando imagens externas reais, e de forma quantitativa, utilizando o dataset D-Hazy. De acordo com a análise quantitativa, os resultados obtidos alcançaram o segundo lugar neste dataset para a porção de imagens derivadas do Middlebury dataset.

This work addresses the problem of the effects caused by the interaction between particles and light rays in a participatory medium in digital optical images. Our approach uses a neural network that receives an image with midium influence and is trained to produce a corresponding image without this effects. In order to allow the resulting model to perform this task while preserving the input image structures, we propose the guided filter use as part of the network. Our dataset is composed by indoor images with simulated degradation through a simplified model of image formation. However, the network does not explicitely use this model, allowing more complex simulations to be used in the future without requiring any network change. The results obtained through this approach are qualitatively compared to state-of-the-art, using real outdoor images, and quantitatively using the D-Hazy dataset. According to the quantitative analysis, the obtained results reached the second place in this dataset for the images derived from the Middlebury dataset.