Autor: Felipe Codevilla Moraes (Currículo Lattes)
Resumo
A exploração e o monitoramento do bentos no ambiente marinho possuem importância econômica e ambiental crescente na sociedade atual. A qualidade da tecnologia de obtenção de imagens óticas subaquáticas tem melhorado consideravelmente devido ao advento dos Remotely Operated Vehicles (ROV) e dos Autonomous Underwater Vehicles (AUVs), o que tem possibilitado a coleta de milhares de dados visuais do fundo do oceano. Técnicas de visão computacional, atualmente em franca utilização em ambientes terrestres, podem auxiliar a interpretação automática destas imagens, seja para minimizar o trabalho de identificação e monitoramento de feições e espécies, seja para fornecer subsídios a realização autônoma de missões. Porém devido a presença do meio líquido, a propagação da luz no meio subaquático apresenta efeitos fotométricos que causam degradação na imagem, emergindo diversas questões a serem tratadas na classificação de imagens subaquáticas, as quais não estão presentes em outros ambientes. Assim, o objetivo geral deste trabalho é estudar técnicas de visão computacional, e sua sensibilidade a presença do meio líquido. De forma mais precisa, duas técnicas de visão computacional são principalmente tratadas: a detecção de pontos de interesse e a adição das informações de contexto para classificação de objetos em ambientes subsea. São aplicados e analisados diferentes algoritmos de detecção de pontos de interesse frente a imagens com diferentes níveis de turbidez. Um novo dataset foi proposto capaz de fornecer cenários com diferentes níveis de turbidez e objetos em cena, permitindo o testes múltiplos dos detectores mais usados na literatura e seu comportamento frente os fenômenos de degradação causados na imagem no meio subaquático. Foi encontrado que o algoritmo DoG se mostrou como uma melhor alternativa para resolver tal problema de forma invariante a escala. Também foi estudada a questão da adição de contexto como forma de melhorar a taxa de acerto da classificação de imagens subaquáticas. Foi proposto um novo método para incluir contexto na classificação baseado em Geoestatística e comparou-se com outras formas tradicionais de adição de contexto como os Conditional Random Fields (CRF).