Detalhes bibliográficos
| Ano de defesa: |
2020 |
| Autor(a) principal: |
COSTA, Daniela de Sousa |
| Orientador(a): |
MELLO, Carlos Alexandre Barros de |
| 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
|
| Programa de Pós-Graduação: |
Programa de Pos Graduacao em Ciencia da Computacao
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/38120
|
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. |
