Visando resolver os problemas na restauração do contraste apresentados nos testes de res- tauração com abordagem mono-objetivo, implementou-se a métrica de Distribuição de Contraste
Figura 6.3. Variação do índice NIQE em relação aos parâmetros c e K.
apresentada na Seção 4.2.3. Da mesma forma que para as métricas BN-IQA e NIQE, a análise de correlação para esta métrica foi realizada utilizando as imagens do banco LIVE [101]. Devido a que este banco não apresenta imagens com degradação de contraste, a análise foi realizada com um conjunto de 87 imagens degradadas com borramento Gaussiano. Esta escolha justifica-se levando em conta que um dos principais efeitos do borramento consiste na redução do contraste de pequenos objetos [110]. Para esta análise, o coeficiente de correlação SRCC obtido foi 0,8502. Este valor de correlação considera-se aceitável para uma métrica sem referência [104] e, por esta razão, esta métrica foi implementada nos testes multi-objetivo.
Objetivando estimar os parâmetros do modelo inverso apresentado na equação (6.3), foi implementado o algoritmo MODE, discutido na Seção 3.5.1. Neste contexto, os parâmetros c e K foram considerados como variáveis de decisão do processo de otimização. É importante notar que, fisicamente estes parâmetros não dependem da distância média entre a câmera e o objeto dm [111], sendo que esta pode ser estimada de outras formas [29], [30].
Adicionalmente, a métrica de Distribuição de Contraste e a métrica NIQE foram utilizadas como funções objetivo do processo de otimização. Assim, baixos valores na métrica NIQE signi- ficam uma melhor qualidade da imagem. No entanto, no caso da Distribuição de Contraste, um maior valor significa melhor qualidade como mostrado na figura 4.3 [111]. Objetivando adaptar as duas métricas para um processo de minimização, o valor obtido pela métrica de Distribuição de Contraste é multiplicado por −1.
se considerar a imagem apresentada na Figura 6.4. Esta imagem foi degradada utilizando o Algoritmo 6 com valores de entrada c = 0, 3m−1, K = 0, 7 e dm = 3m [111].
Figura 6.4. Imagem em níveis de cinza degradada utilizando o modelo de Trucco e Olmos-Antillon [111]. (a) Imagem Original. (b) Imagem degradada
com c = 0, 3m−1
, K = 0, 7, dm = 3m.
O melhores resultados foram obtidos com uma população de 30 indivíduos e 250 iterações do MODE. Também, foi definido um fator de escala de 0,5 e 0,9 para a probabilidade de recombina- ção (vide Algoritmo 4) [111]. Duas abordagens diferentes foram implementadas para o MODE, o algoritmo PDEA [112] e o MODE/Parent [113].
O algoritmo DEMO/Parent adapta o algoritmo DE objetivando lidar com problemas multi- objetivo. Neste caso, a seleção no final de cada iteração do algoritmo é substituída por uma estratégia que considera para a solução filha o domínio sobre sua solução pai, assim: se a solução pai domina à sua solução filha, esta última é descartada. No entanto, se a solução filha domina a solução pai, a solução pai deve ser substituída pela solução filha. Caso nenhuma solução tiver domínio sobre a outra, as duas devem ser mantidas na população. Após esta seleção, a população final é truncada utilizando critérios de dominância e distância de aglomeração [113]. Além disso, o algoritmo PDEA é levemente diferente ao DEMO/Parent. Este concatena ambas populações (filha e pai) e realiza o processo de truncamento utilizando os mesmos critérios de DEMO/Parent [112].
Cada algoritmo foi executado 10 vezes. A Figura 6.5 [111] apresenta as soluções não domi- nadas para os dois algoritmos após as 10 execuções. Nesta figura também são apresentados os valores finais das métricas para o joelho da fronteira de Pareto. Além disso, os resultados do pro- cesso de restauração podem ser observados na Figura 6.6. Também, foram implementadas duas métricas visando medir a qualidade da fronteira de Pareto obtida, chamadas de espaçamento e hiper-volume [111]. A Tabela 6.2 apresenta o resultado da métrica de espaçamento para os dois algoritmos, mostrando que os dois algoritmos apresentam desempenho similar em relação à di- versidade das soluções. A Tabela 6.3, por outro lado, mostra que o algoritmo PDEA se mostrou superior com maiores valores para a média, o máximo e o mínimo na métrica de hiper-volume. Isto significa que a abordagem PDEA é capaz de cobrir uma maior área no espaço dos objetivos
Tabela 6.2. Resultados para a métrica de espaceamento dos algoritmos DEMO/Parent e PDEA (10 execuções) [111].
PDEA DEMO/Parent Média 0,0638 0,0653 Desvio Padrão 0,0220 0,0314 Mínimo 0,0378 0,0312 Máximo 0,0940 0,1152
se comparada como a abordagem DEMO/Parent [111].
Figura 6.5. Fronteira de Pareto obtida pelo algoritmos DEMO/Parent e PDEA após 10 execuções [111].
Neste exemplo, os parâmetros utilizados para degradação foram c = 0, 3m−1 e K = 0, 7
para uma distância fixa dm = 3m. Após o processo de otimização, os parâmetros estimados foram c = 0, 3899m−1 e K = 0, 7521 [111]. Os valores obtidos para as funções objetivo foram
N IQE = 3, 779 e Range = 1, 912. Adicionalmente, os valores de qualidade para as imagens originais são NIQE = 3, 3998 e Range = 1, 1723, e para a imagem degradada NIQE = 9, 0044 e Range = 0, 3842. Os resultados obtidos mostram que os valores estimados para c e K são muito similares àqueles utilizados no processo de degradação (vide Figura 6.4).
Figura 6.6. Resultados do processo de restauração da imagem [111]. (a)
Imagem degradada (c = 0, 3m−1, K = 0, 7, dm = 3m). (b) Imagem Original.
(c) Imagem restaurada com c = 0, 3899m−1, K = 0, 7521, dm = 3m
Tabela 6.3. Resultados para a métrica de hiper-volume dos algoritmos
DEMO/Parent e PDEA (10 execuções) [111].
PDEA DEMO/Parent Média 0,8820 0,8289 Desvio Padrão 0,0700 0,0683 Mínimo 0,7749 0,7668 Máximo 0,9269 0,9259
objetivo, também são similares aos medidos para a imagem original. No entanto, fazendo uma análise subjetiva da Figura 6.6, é possível afirmar que a imagem restaurada (Figura 6.6(c)) tem, levemente, melhor qualidade se comparada com a imagem original (Figura 6.6(b)). Isto pode ser devido a que as imagens de referência do banco LIVE, que foram utilizadas nos testes de res- tauração, foram adquiridas em ambientes naturais e algumas podem apresentar distorções [111]. Os resultados podem sugerir que, em alguns casos, o processo de restauração está restaurando estas pequenas degradações [111].
A Figura 6.7 apresenta outros resultados utilizando diferentes imagens com diferentes valores de c e K. Na coluna (a) estão as imagens originais (sem degradação), na coluna (b) estão as imagens degradadas e a coluna (c) pertence às imagens restauradas pelo algoritmo MODE.
Figura 6.7. Resultados da restauração de imagens com o algoritmo MODE. (a) Imagem original. (b) Imagem degradada. (c) Imagem restaurada usando o algoritmo MODE [111].
6.4 Considerações Finais do Capítulo
Neste capítulo foram apresentados os resultados obtidos nos testes de restauração para ima- gens com degradações artificiais. Nesta etapa do trabalho foi utilizado o modelo inverso de Trucco-Olmos, apresentado no Algoritmo 9. Este algoritmo foi escolhido devido a sua simplici- dade de implementação e capacidade para simular os efeitos da água na imagem.
Duas abordagens foram testadas nesta etapa: a primeira consiste em uma estratégia de otimização PSO mono-objetivo, utilizando como função objetivo a métrica NIQE; já a segunda abordagem consistiu em uma estratégia de otimização multi-objetivo baseada no algoritmo de evolução diferencial (MODE). Para esta segunda abordagem, foi necessária a implementação da métrica de Distribuição de Contraste Local, discutida na Seção 4.2.3.
Os testes de restauração aplicados a imagens com degradações artificiais apresentaram re- sultados satisfatórios, porém, a imagem resultante do processo de restauração apresenta alguns problemas de contraste. Estes problemas são causados pela deficiência da métrica NIQE para medir variações de contraste neste tipo de imagens. Assim, foi necessária a implementação de uma estratégia multi-objetivo que possa, mediante a utilização de uma segunda métrica, cobrir a desvantagem da métrica NIQE.
Assim, finalmente foi apresentada a implementação de um sistema de restauração de imagens baseado no algoritmo de otimização MODE. Este algoritmo estimou parâmetros de restauração bastante similares aos utilizados no algoritmo de degradação. Realizando uma análise subjetiva
das imagens resultantes do processo, as imagens restauradas apresentam, em alguns casos, melhor nitidez e contraste que a imagem original. No entanto, nesta parte do trabalho, foram utilizadas imagens degradadas artificialmente mediante o algoritmo de Trucco e Olmos-Antillon e torna-se necessária a implementação de uma abordagem com imagens reais.
7 Testes de Restauração para Degradações Reais
Na Seção 5.4 foram definidas as melhores métricas para avaliar imagens com degradações subaquáticas reais. Para isto foi utilizado o banco de dados desenvolvido neste projeto: o UID- LEIA (vide Seção 5.3). Estas métricas serão utilizadas como funções objetivo para os processos de otimização, que objetivam estimar os parâmetros do modelo de formação de imagens inverso que levem aos melhores valores de qualidade da imagem restaurada. Nos primeiros testes de restauração com imagens degradadas artificialmente (vide Capítulo 6), foi escolhido o modelo de Trucco e Olmos-Antillon pela simplicidade de implementação. Porém, o objetivo principal de dita etapa consistia em testar os algoritmos de otimização bio-inspirados para problemas de restauração baseada em modelos de formação de imagens.
O modelo de Trucco-Olmos, discutido na Seção 2.3, apresenta uma simplificação do termo referente ao back-scattering, responsável principalmente pela perda de contraste na imagem re- sultante. Devido a esta simplificação, este modelo está definido para distâncias curtas entre a câmera e o objeto [20]. Apesar de que o modelo de Trucco e Olmos-Antillon apresentou resul- tados satisfatórios na etapa de restauração de imagens degradadas artificialmente, a etapa de restauração com imagens reais requer um modelo mais completo e, além disso, de implementação simples. Por estas razões, o modelo de Wagner [9] (vide Seção 2.4) foi escolhido para guiar os testes de restauração em imagens reais.
Além disso, diferente dos testes em imagens com degradações artificiais, nesta etapa foram consideradas imagens coloridas, já que a informação cromática é muito importante na percepção de qualidade visual de uma imagem e, portanto, na maioria das aplicações não pode ser descon- siderada. Esta consideração é muito importante levando em conta que, em meios subaquáticos, a propagação da luz é dependente do comprimento de onda e, como consequência, os canais de cor não se apresentam corretamente balanceados [9]. Portanto, o processo de restauração não deve ser realizado somente observando os valores de luminância da imagem, sendo necessário implementar uma função que permita fazer um ajuste ao valor estimado para cada parâmetro no processo de restauração. Este ajuste pode ser feito realizando um procedimento de compensação cromática.
ção de imagens coloridas, utilizando o modelo proposto pelo autor. A diferença do trabalho apresentado no contexto desta tese, a otimização em [9] é realizada com metodologias exatas de otimização, fornecidas pelo Toolbox de otimização do MATLAB. Embora os resultados apresen- tados pelo Wagner apresentam uma boa qualidade, ainda possuem alguns problemas de contraste nas imagens restauradas, que se apresentam geralmente escuras.