Pantheon Repositório Institucional da UFRJ
Coleta, preserva e divulga a produção acadêmica digital em todas as áreas do conhecimento.
São os ativos do repositório, além de teses e dissertações da UFRJ, artigos científicos, livros eletrônicos, capítulos de livros e trabalhos apresentados em eventos por professores, pesquisadores, funcionários administrativos e alunos de mestrado e doutorado.
Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/11422/17972| Tipo: | Trabalho de conclusão de graduação |
| Título: | Aplicação de redes neurais convolucionais densamente conectadas no processamento digital de imagens para remoção de ruído gaussiano |
| Título(s) alternativo(s): | application of densely connected convolutional neural networks in digital image processing to remove Gaussian noise |
| Autor(es)/Inventor(es): | Mazza, Leonardo Oliveira |
| Orientador: | Mello, Flavio Luis de |
| Coorientador: | Almeida, Heraldo Luís Silveira de |
| Resumo: | Este trabalho propõe uma aplicação de uma rede neural convolucional profunda em remoção de ruído gaussiano de imagens. Redes profundas têm obtido êxito em diversas tarefas de classificação e regressão. Em particular, a Rede Neural Convolucional Densamente Conectada tˆem apresentado resultados competitivos em bases de dados padrão usadas em medidas de desempenho. Por isso, essa rede foi escolhida como modelo de regressão com o objetivo de remoção de ruído gaussiano. A metodologia para treinamento da rede foi iniciada pela cria¸c˜ao de uma base de dados de imagens ruidosas. Essas imagens foram, então, colocadas na entrada da rede para filtragem e a saída foi comparada com a versão sem ruído a partir de uma função custo. Os parâmetros da rede foram, em seguida, alterados a partir de um método baseado em descida de gradiente a fim de minimizar o custo. Dessa forma, a rede treinada aprende a remover o ruído aplicado. O resultado final, comparado a outros métodos, possuiu melhores indicadores de desempenho em duas das três imagens de teste e obteve resultados próximos em uma terceira. Durante a filtragem com ruído de variância 400, as imagens Lena e Boats obtiveram SSIM de 0.84 e 0.83 respectivamente. Na imagem Lena, o resultado foi 0.05 superior ao método GSM e na imagem Boats 0.02 superior ao m´etodo SVR, ambos o segundo melhor método em cada imagem. Na imagem Barbara, o resultado foi o segundo melhor com SSIM 0.84, 0.02 inferior ao método GSM. |
| Palavras-chave: | Redes Neurais Artificiais Redes Neurais Convolucionais Profunda Processamento de Imagens |
| Assunto CNPq: | CNPQ::ENGENHARIAS |
| Unidade produtora: | Escola Politécnica |
| Editora: | Universidade Federal do Rio de Janeiro |
| Data de publicação: | Fev-2017 |
| País de publicação: | Brasil |
| Idioma da publicação: | por |
| Tipo de acesso: | Acesso Aberto |
| Aparece nas coleções: | Engenharia de Controle e Automação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| monopoli10019807.pdf | 3.94 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.