Autor: Amanda Cardoso Duarte (Currículo Lattes)
Resumo
O presente estudo, desenvolvido em torno de aplicações para métodos de visão computacional e aprendizagem de máquina aplicados à imagens capturadas em ambientes subaquáticos, compreende na criação de conjuntos de dados, ou também chamados de datasets, para aplicações voltadas para restauração de imagens podendo ser estendida à outras áreas da visão computacional. De maneira mais detalhada o trabalho tem como objetivo a criação de dois tipos de conjuntos de dados, contendo: (i) imagens geradas a partir de um ambiente controlado onde as condições do meio e a degradação presente em cada imagem podem ser acessadas e monitoradas, (ii) imagens geradas através da síntese da degradação causada por ambientes participativos a fim de criar conjuntos de dados simulados de larga escala. Neste contexto, primeiramente foi proposto uma metodologia para a reprodução de ambientes subaquáticos em um ambiente controlado. Estes ambientes contam com a presença de características encontradas em cenas naturais onde as condições do meio podem ser controladas. A partir dessa metodologia é viável a criação de diferentes conjuntos de dados contendo imagens degradadas onde o acesso a imagem de referência, ou seja, a mesma cena sem degradação sob as mesmas condições, assim como a produção de tipos e intensidades de degradação distintos é possível. Visto como uma das contribuições do presente trabalho, o dataset TURBID 3D contendo todas as imagens geradas neste ambiente, bem como algumas das suas aplicações relacionadas aos métodos de restauração de imagens podem ser acessadas a partir do endereço: http://amandaduarte.com.br/turbid. Ao que se refere a segunda contribuição, foi criado um simulador, chamado de TURBI, capaz de simular em imagens não degradadas a degradação causada por meios participativos a partir de fragmentos de uma imagem capturada em um ambiente natural. A partir do desenvolvimento do simulador TURBI, é possível a criação de datasets simulados de larga escala contendo pares de imagens (imagens degradadas e suas respectivas imagens de referencia). A criação de datasets de larga escala contribui para o avanço no desenvolvimento de novas abordagens utilizando métodos baseados em aprendizagem, como Deep Learning, que necessitam uma grande quantidade de imagens para serem treinados. O código-fonte do simulador bem como algumas das imagens utilizadas para a geração dos datasets de larga escala podem ser acessados pelo endereço: https://github.com/mandacduarte/Underwater_Simulator. A criação de ambos conjuntos de dados assim como algumas das aplicações onde as imagens geradas foram utilizadas são apresentados no decorrer deste trabalho.