III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.imagens com ruídos a fim de verificar a eficácia dotreinamento de um tipo de ruído aplicado a outros tipos.4. ResultadosFigura 6. Segmentação da imagem.Após a extração dos dados de todas as imagens, faz-senecessário treinar a rede. Utilizou-se para o treinamentocinco imagens ruidosas, sendo duas imagens com o ruídoSalt-&-Pepper, com densidade de ruído 0,1 e 0,01; umaimagem utilizando-se ruído Gaussiano com média zero evariância de 0,01; uma imagem com ruído Speckle,utilizando-se a equação J = I+n*I, onde J é a imagemresultante, I a imagem original e n é o ruído aleatório commédia 0 e variância 0,04 distribuído uniformemente e naúltima imagem foi utilizado o ruído Poisson.Obtendo-se os dados e as variáveis, foi possívelrealizar 180 treinamentos para as imagens inteiras e 2880treinamentos utilizando imagens segmentadas, nãoconsiderando neste número a quantidade de treinos quecada treinamento contém.Abaixo são apresentadas as cinco imagens com ruídos.Inicialmente foi utilizado template 3x3 e imagem de75x75 pixels, posteriormente verificou-se que templatesmaiores permitiram menor generalização, possibilitandomelhores filtragens. A seguir é apresentada imagem comruído Gaussiano e o resultado apresentado pela redeneural utilizando 15 neurônios na CNE, precisão de 10^-5e taxa de aprendizagem de 0,01.Figura 5. Imagens 75x75 pixels(a) Ruído Gaussiano; (b) Imagem filtrada.Utilizando-se imagens com 100x100 pixels obtiveramseos resultados a seguir. Utilizando imagem única paratreinamento da rede, como se esperava os melhoresresultados foram os correspondentes de cada treinamento,ou seja, os melhores filtros para imagens com ruídosGaussianos foram os pesos ajustados a partir de imagenscom o mesmo tipo de ruído.Figura 6. Imagens com Ruídos. (a) Gaussiano;(b) Poisson; (c) SP 0,01 (d) SP 0,1 (e) Speckle.Para todos os treinamentos realizados obteve-se amédia dos erros de suas saídas (diferença entre o valorresultante da RNA e valor esperado para o pixel) e comeste valor pode-se definir o melhor treino realizado notreinamento e consequentemente as melhores topologiaspara cada tipo de ruído.Também executou-se uma série de treinamentos etestes utilizando não apenas um tipo de ruído em cadatreinamento, mas todos eles em um mesmo treinamento.A última etapa refere-se aos testes. Para cada um dostreinamentos realizados foram efetuados cinco testes, ouseja, para cada treinamento foram filtradas as cincoFigura 8. Resultado da filtragem de imagens com ruídoGaussiano utilizando imagens com ruídos diferentes notreinamento (Neurônios na CNE);(a) Trein. Gauss. 15 NCE; (b) Trein. Speckle 10 NCE.A seguir pode-se observar um exemplo de seleção detopologia, neste caso usando-se 20 neurônios na camadaneural escondida obteve o melhor resultado, são valoresrepresentando treinamento e testes realizados comimagens com ruídos Gaussianos.Em geral as melhores topologias obtidas tinham entre10 e 20 neurônios e percebeu-se que a taxa deaprendizagem seria suficiente com 0,1, tendo resultadosparecidos, porém com maior desempenho.206