Quality assessment of enhanced underwater images with convolutional neural networks

Detalhes bibliográficos
Autor(a) principal: Irshad, Muhammad
Data de Publicação: 2022
Tipo de documento: Tese
Idioma: eng
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/46330
Resumo: Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2022.
id UNB_a8ff4964f5e8dbdc4d9d5b948bf3bfc1
oai_identifier_str oai:repositorio.unb.br:10482/46330
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Quality assessment of enhanced underwater images with convolutional neural networksImagens - algoritmos de aprimoramentoImagens aprimoradasImagens subaquáticasRedes neurais convolucionaisTese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2022.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.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.Departamento de Engenharia Elétrica (FT ENE)Faculdade de Tecnologia (FT)Departamento de Engenharia Elétrica (FT ENE)Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de AutomaçãoFarias, Mylène Christine Queiroz dejamirshadunb@gmail.comIrshad, Muhammad2023-08-16T18:33:53Z2023-08-16T18:33:53Z2023-08-162022-11-25info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfIRSHAD, 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.http://repositorio2.unb.br/jspui/handle/10482/46330enginfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-03-22T13:50:08Zoai:repositorio.unb.br:10482/46330Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-03-22T13:50:08Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Quality assessment of enhanced underwater images with convolutional neural networks
title Quality assessment of enhanced underwater images with convolutional neural networks
spellingShingle Quality assessment of enhanced underwater images with convolutional neural networks
Irshad, Muhammad
Imagens - algoritmos de aprimoramento
Imagens aprimoradas
Imagens subaquáticas
Redes neurais convolucionais
title_short Quality assessment of enhanced underwater images with convolutional neural networks
title_full Quality assessment of enhanced underwater images with convolutional neural networks
title_fullStr Quality assessment of enhanced underwater images with convolutional neural networks
title_full_unstemmed Quality assessment of enhanced underwater images with convolutional neural networks
title_sort Quality assessment of enhanced underwater images with convolutional neural networks
author Irshad, Muhammad
author_facet Irshad, Muhammad
author_role author
dc.contributor.none.fl_str_mv Farias, Mylène Christine Queiroz de
jamirshadunb@gmail.com
dc.contributor.author.fl_str_mv Irshad, Muhammad
dc.subject.por.fl_str_mv Imagens - algoritmos de aprimoramento
Imagens aprimoradas
Imagens subaquáticas
Redes neurais convolucionais
topic Imagens - algoritmos de aprimoramento
Imagens aprimoradas
Imagens subaquáticas
Redes neurais convolucionais
description Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-11-25
2023-08-16T18:33:53Z
2023-08-16T18:33:53Z
2023-08-16
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 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.
http://repositorio2.unb.br/jspui/handle/10482/46330
identifier_str_mv 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.
url http://repositorio2.unb.br/jspui/handle/10482/46330
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508288402784256

Registros relacionados