dc.contributor.author | Pires, Rafael Gonçalves | |
dc.date.accessioned | 2019-06-03T19:30:16Z | |
dc.date.available | 2019-06-03T19:30:16Z | |
dc.date.issued | 2019-03-08 | |
dc.identifier.citation | PIRES, Rafael Gonçalves. Restauração de imagens utilizando aprendizado de máquina. 2019. Tese (Doutorado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2019. Disponível em: https://repositorio.ufscar.br/handle/ufscar/11451. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/11451 | |
dc.description.abstract | Image processing is an area that has received considerable attention as a result of the evo-
lution of digital computing technology. One of the main techniques of image processing
concerns its restoration, which consists in smoothing noise and detail enhancement, which
are altered due to problems in the process of forming and transmitting the image. Based
on the efficacy of sparse techniques and machine learning found in literature in the context
of image restoration, we propose the union of these techniques as well as their evaluation
in grayscale images. We also propose a study of energy-based networks such as Restricted
Boltzmann Machines for noise suppression in binary images and the application of newer
classifiers in this context, such as Optimum-Path Forest. Experiments using a public data-
base corrupted by different degradations such as noise and/or blurring show the ineffective
application of sparsity to different neural network architectures, the effectiveness of the
Restricted Boltzmann Machines and the Optimum-Path Forest classifier. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights.uri | Acesso aberto | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Restauração de Imagens | por |
dc.subject | Aprendizado profundo | por |
dc.subject | Machine learning | eng |
dc.subject | Image restoration | eng |
dc.subject | Deep learning | eng |
dc.title | Restauração de imagens utilizando aprendizado de máquina | por |
dc.title.alternative | Image restoration using machine learning | eng |
dc.type | Tese | por |
dc.contributor.advisor1 | Papa, João Paulo | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9039182932747194 | por |
dc.contributor.advisor-co1 | Levada, Alexandre Luis Magalhães | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/3341441596395463 | por |
dc.description.resumo | Processamento de imagens é uma área que tem recebido considerável atenção nos últimos
anos como resultado da evolução da tecnologia de computação digital. Uma das princi-
pais técnicas de processamento de imagens diz respeito à restauração, a qual consiste no
processo de suavização do ruı́do e realce dos detalhes, os quais são alterados devido a pro-
blemas no processo de formação e transmissão da imagem. Partindo da eficácia das técnicas
esparsas e de aprendizado de máquina encontradas na literatura no contexto de restauração,
propomos a união dessas abordagens bem como sua avaliação em imagens tons de cinza.
Também propomos um estudo de redes baseadas em energia como Máquinas de Boltz-
mann Restritas para remoção de ruı́dos em imagens binárias e aplicação de classificadores
mais recentes nesse contexto, tais como Floresta de Caminhos Ótimos. Experimentos que
utilizam base de dados públicas corrompidas por diferentes degradações como ruı́do e/ou,
borramento, evidenciam, em geral, a ineficaz aplicação da esparsidade às diferentes arqui-
teturas de redes neurais, a eficácia das Máquinas de Boltzmann Restritas e do classificador
Floresta de Caminhos Ótimos. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.ufscar.embargo | Online | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/8410467431339373 | por |