Restauração de imagens subaquáticas baseada em adaptação de parâmetros por aprendizado profundo
Loading...
Date
Authors
Advisor(s)
Co-advisor(s)
Committee members
Pio, José Luiz de Souza
Cavalcanti, João Marcos Bastos
Cavalcanti, João Marcos Bastos
Graduate program
Journal Title
Journal ISSN
Volume Title
Publisher
Access rights
DOI
Resumo (Portuguese)
A restauração de imagens subaquáticas enfrenta desafios devido à absorção de água, dispersão e baixa visibilidade. Este trabalho propõe uma abordagem de aprendizado profundo para melhorar a qualidade dessas imagens. Um modelo de regressão de rede neural convolucional (CNN) aprende os parâmetros ideais de aprimoramento e aplica técnicas de transformação de intensidade, como ajuste de contraste, equalização de histograma e correção de gama, para processar as imagens. Experimentos com conjuntos de dados de imagens subaquáticas reais mostraram que a abordagem alcança alta precisão, demonstrando sua robustez e eficiência na restauração de imagens subaquáticas.
Abstract
Underwater image restoration faces challenges due to water absorption, scattering, and low visibility. This paper presents a learning-based approach to enhance underwater images. We use a Convolutional Neural Network (CNN) Regression model to learn optimal enhancement parameters from a diverse dataset, allowing the network to generalize across various underwater conditions. Additionally, we apply intensity transformation techniques, including contrast adjustment, histogram equalization, and gamma correction, to improve image quality. Experiments with real-world underwater image datasets show our method achieves high accuracy, demonstrating its robustness and efficiency in restoring underwater images.
Description
Controlled term
Sustainable Development Goals (SDG)
Citation
Collections
Endorsement
Review
Supplemented By
Referenced By
Creative Commons license
Except where otherwise noted, this item's license is described as Acesso Aberto

