| Campo DC | Valor | Idioma |
|---|
| dc.contributor.advisor | Farias, Mylène Christine Queiroz de | - |
| dc.contributor.author | Irshad, Muhammad | - |
| dc.date.accessioned | 2023-08-16T18:33:53Z | - |
| dc.date.available | 2023-08-16T18:33:53Z | - |
| dc.date.issued | 2023-08-16 | - |
| dc.date.submitted | 2022-11-25 | - |
| dc.identifier.citation | IRSHAD, Muhammad. Quality assessment of enhanced underwater images with convolutional neural networks. 2022. vi, 82 f., il. Tese (Doutorado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2022. | pt_BR |
| dc.identifier.uri | http://repositorio2.unb.br/jspui/handle/10482/46330 | - |
| dc.description | Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2022. | pt_BR |
| dc.description.abstract | Os algoritmos de aprimoramento de imagens tem o objetivo de melhorar a qualidade da imagem e,
dessa forma, sua utilidade para uma dada tarefa. Embora existam vários algoritmos de aprimoramento de imagem, não há consenso sobre como estimar o desempenho desses algoritmos. Desde
que os consumidores finais do conteúdo visual aprimorado são espectadores humanos, o desempenho destes algoritmos devem levar em conta a qualidade visual percebida da imagem resultante.
Infelizmente, apesar das últimas década tenha sido feito muito progresso na área de avaliação de
qualidade de imagem, projetar métricas para estimar a qualidade das imagens aprimoradas e restauradas continua sendo um desafio. Isto é particularmente verdade para aplicações de imagens
subaquáticas, onde as imagens precisam ser restauradas frequentemente devido a severidade das
degradações introduzidas pelo ambiente embaixo da água. Desta forma, há uma grande demanda
por métricas que possam estimar a qualidade de imagens aprimoradas e restauradas. Nesta tese,
nosso objetivo é projetar métricas para este cenário. Primeiro, nós projetamos uma métrica de
qualidade baseada em operadores de textura e saliência. Segundo, nós também projetamos uma
métrica de qualidade baseada na arquitetura de aprendizado profundo de uma rede neural convolucional. Resultados experimentais em um banco de dados de imagem subaquáticas demonstram
que nossas aproximação supera os métodos do estado da arte comparados. Terceiro, desenvolvemos um novo banco de dados para avaliação da qualidade de imagens subaquáticas. Adicionalmente, também apresentamos um estudo psicofísico baseado em interface “crowdsourcing”, no
qual analisamos a qualidade percebida de imagens melhoradas com diversos tipos de algoritmos
de aprimoramento. Neste experimento, desenvolvemos uma base de dados que pode ser usada
para treinar métricas de qualidade que também possam detectar incrementos e decrementos na
qualidade percebida. | pt_BR |
| dc.language.iso | eng | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Quality assessment of enhanced underwater images with convolutional neural networks | pt_BR |
| dc.type | Tese | pt_BR |
| dc.subject.keyword | Imagens - algoritmos de aprimoramento | pt_BR |
| dc.subject.keyword | Imagens aprimoradas | pt_BR |
| dc.subject.keyword | Imagens subaquáticas | pt_BR |
| dc.subject.keyword | Redes neurais convolucionais | pt_BR |
| dc.description.abstract1 | Image enhancement algorithms have the goal of improving the image quality and, therefore,
the usefulness of an image for a given task. Although there are several image enhancement
algorithms, there is no consensus on how to estimate the performance of these enhancement
algorithms. Since the final consumers of the resulting enhanced visual content are human viewers,
the performance of these algorithms should take into account the perceived visual quality of the
resulting enhanced images. Unfortunately, although in the last decades a lot of progress has
been made in the area of image quality assessment, designing metrics to estimate the quality
of enhanced and restored images remains a challenge. This is particularly true for underwater
image application, where images frequently need to be restored because of the severity of the
degradations introduced by the underwater environment. Therefore, there is a great need for
quality metrics that can estimate the quality of enhanced and restored images. In this thesis,
our goal is to design metrics for this scenario. First, we have designed a quality metric based on
texture operators and saliency. Second, we also designed a quality metric based on a deep learning
architecture convolutional neural network (CNN). Experimental results on the underwater image
database demonstrate that our approaches outperform the state-of-art methods compared. Third,
we have developed a new dataset for underwater image quality assessment. Additionally, we
also present a psychophysical study based on crowd-sourcing interface, in which we analyze the
perceptual quality of images enhanced with several types of enhancement algorithms. In this
experiment, we have developed a database that can be used to train image quality metrics, and
also can detect both increments and decrements in the perceived quality. | pt_BR |
| dc.contributor.email | jamirshadunb@gmail.com | pt_BR |
| dc.description.unidade | Departamento de Engenharia Elétrica (FT ENE) | pt_BR |
| dc.description.unidade | Faculdade de Tecnologia (FT) | - |
| dc.description.unidade | Departamento de Engenharia Elétrica (FT ENE) | - |
| dc.description.ppg | Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de Automação | - |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|
