Discriminative features for image blur detection [recurso eletrônico] = Características discriminativas para detecção de borramento em imagens
Paulo Henrique Hack de Jesus
DISSERTAÇÃO
Inglês
T/UNICAMP J499d
[Características discriminativas para detecção de borramento em imagens]
Campinas, SP : [s.n.], 2018.
1 recurso online (65 p.) : il., digital, arquivo PDF.
Orientador: Hélio Pedrini
Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação
Resumo: Graças, entre outros fatores, à grande capacidade de armazenamento das câmeras digitais, usuários atualmente são capazes de capturar uma grande quantidade de fotografias de uma mesma cena, esperando que, ao menos, uma delas apresente boa qualidade. Por outro lado, fabricantes das câmeras...
Ver mais
Resumo: Graças, entre outros fatores, à grande capacidade de armazenamento das câmeras digitais, usuários atualmente são capazes de capturar uma grande quantidade de fotografias de uma mesma cena, esperando que, ao menos, uma delas apresente boa qualidade. Por outro lado, fabricantes das câmeras desejam testar seus sistemas pela emulação do que um usuário real faria e estimar a satisfação deste usuário. Um método automático para detectar imagens borradas pode beneficiar tanto os usuários finais quanto os fabricantes, por exemplo, ao filtrar as imagens borradas de um conjunto de fotografias e ao estimar a percentagem de imagens com possíveis problemas de foco em um conjunto de teste. Um dos desafios para esse tipo de aplicação é que algum nível de borramento nas imagens pode até ser desejável, como no caso de destacar uma pessoa do fundo (por exemplo, fotografias de perfil com o fundo fora de foco). Neste contexto, este trabalho propõe e avalia um método para extrair descritores específicos de imagens e treinar um modelo de aprendizado de máquina para categorizar as imagens em duas classes, borradas ou não borradas, tal como uma pessoa faria, ou seja, de acordo com quais porções estão borradas na imagem. Dois dos três conjuntos de descritores empregados, denominados de Sharpness Behavior (SHB) e Fourier Transform Variance (FTV), foram desenvolvidos neste trabalho de pesquisa, enquanto o terceiro conjunto utiliza o descritor Histogram of Oriented Gradients (HOG). Como uma base de dados de imagens rotuladas não estava disponível para este problema no período de desenvolvimento deste trabalho, uma nova base foi criada empregando-se técnicas de ampliação de dados, com mais de 14.000 imagens, para treinar e avaliar o nosso método. Resultados da classificação foram comparados com métodos da literatura para finalidades similares, já que não foi encontrado um método para a mesma aplicação. Os experimentos mostraram que o método proposto superou os demais por uma considerável margem. Além disso, uma possível combinação do método com um método de segmentação de imagens foi investigada, de forma a calcular os descritores apenas na região mais importante das imagens, o que melhorou os resultados de forma significativa
Ver menos
Abstract: Thanks, among other factors, to the large storage capacity of digital cameras, users are currently able to take a large amount of photographs from the same scene, hoping that at least one of them will present good quality. On the other hand, camera manufacturers aim to test their systems...
Ver mais
Abstract: Thanks, among other factors, to the large storage capacity of digital cameras, users are currently able to take a large amount of photographs from the same scene, hoping that at least one of them will present good quality. On the other hand, camera manufacturers aim to test their systems by emulating what a real user would do and estimating user satisfaction. An automatic method for detecting blurred images can benefit end users as well as manufacturers, for example, by filtering blurred images from a set of photographs and estimating the percentage of images with possible focus problems in a test set. One of the challenges for this type of application is that some level of blurring in the images may even be desirable, as in the case of highlighting a person from the background (for instance, profile photographs with the background out of focus). In this context, this work proposes and evaluates a method to extract specific descriptors of images and to train a machine learning model to categorize images into two classes, blurred or not blurred, as a person would do, that is, according to which portions are blurred in the image. Two of the three sets of descriptors employed, named Sharpness Behavior (SHB) and Fourier Transform Variance (FTV), were developed in this research, whereas the third set used is the Histogram of Oriented Gradients (HOG) descriptor. Since a set of labeled images for this problem was not available during the development of this work, a new data set was created through data amplification techniques with more than 14,000 images to train and evaluate our method. Classification results were compared with literature methods for similar purposes, since no approach was found for the same application. The experiments demonstrated that the proposed method surpassed the others by a considerable margin. In addition, a possible combination of the approach with an image segmentation method was investigated, in order to calculate the descriptors only in the most important region of the images, which significantly improved the results
Ver menos
Requisitos do sistema: Software para leitura de arquivo em PDF
Discriminative features for image blur detection [recurso eletrônico] = Características discriminativas para detecção de borramento em imagens
Paulo Henrique Hack de Jesus
Discriminative features for image blur detection [recurso eletrônico] = Características discriminativas para detecção de borramento em imagens
Paulo Henrique Hack de Jesus