Melhoria de Contraste em Imagens Digitais baseado emInteligencia Artificial

Gabriel Jonas Aguiar1, Bruno Bogaz Zarpelao1,Sylvio Barbon Junior1

1Departamento de Computacao – Universidade Estadual de Londrina (UEL)Caixa Postal 10.011 – CEP 86057-970 – Londrina – PR – Brasil

gabriel.jonas77@gmail.com, brunozarpelao@gmail.com,barbon@uel.br

Abstract. Contrast enhancement plays a major role in Computer Vision. Mostof the approachs are based on histogram operations, which can be perfomedglobally or locally. Contrast Limited Adaptative Histogram Equalization per-formes a local contrast enhancement, but it relies two parameters: Block Sizeand Clip Limit. A bad parameter choice can decrease the quality of the result.Considering the lack of methods to determine these parameters, in this work wepropose a method based on supervised machine learning to select this parame-ters.

Resumo. Melhoria de contraste em imagens e muito importante no campoda Visao Computacional. Muitas das abordagens para melhoria de con-traste estao ligadas a operacoes no histograma, operacoes globais ou lo-cais. O CLAHE(Contrast Limited Adaptative Histogram Equalization) utilizaequalizacao local na imagem, porem e necessario a escolha de dois parametros:Block Size e Clip Size. A escolha de um parametro ruim faz com que o algo-ritmo nao tenha um bom resultado. Portanto, nesse trabalho vamos propor umaabordagem utilizando aprendizado de maquina supervisionado para a escolhadesses parametros.

1. IntroducaoImage enhancement consiste em melhorar a qualidade da imagem permitindo que elapossa ser visualizada de uma forma melhor e melhorar sua analise computacional[1].Isso e utilizado em varias aplicacoes para superar algumas limitacoes da acquisicao daimagem [3, 6]. Melhoria de contraste e um exemplo de image enhancement.

Melhoria de contraste tem como objetivo aumentar o numero de nıveis de cinzaem uma imagem que esta sendo processada [5].

Uma vez que existem muitos algoritmos para a melhoria de contraste em imagensdigitais e, alguns deles, ainda necessitam ser parametrizados, e de grande importancia pes-quisar solucoes para que apoiem a selecao dos seus parametros. Um bom estudo de caso eo algoritmo de aumento de contraste CLAHE [18] que, por necessitar de parametros quesao muitas vezes encontrados empiricamente para aplicacoes praticas [14, 16, 12], motivao estudo de metodos que fornecam automaticamente o valor ideal de seus parametros.

Motivado pela necessidade de realce em imagens digitais e tendo como objeto deestudo o algoritmo CLAHE, o objetivo desta proposta e o estudo e desenvolvimento detecnicas baseadas em Inteligencia Artificial aliadas a descritores de imagens para encon-trar parametros e realizar o realce adequado de uma imagem digital.

2. Fundamentacao Teorico-Metodologica e Estado da ArteNo desenvolvimento desse trabalho serao utilizados conceitos de processamento de ima-gens, visao computacional e aprendizado de maquina. A seguir sera apresentado algunsconceitos necessarios para uma melhor compreensao desse trabalho.

2.1. Processamento de Imagem

Imagens digitais em um sistema computacional sao representadas por uma matriz emque cada posicao especıfica da matriz contem informacoes sobre cor, que sao chamadosde pixels[5]. Com essas informacoes e possıvel aplicar operacoes de diversas formas eobjetivos diferentes, como aumento de contraste, identificacao de objetos, pessoas, entreoutras.

2.1.1. Melhoria de Contraste

Uma das operacoes utilizadas em processamento de imagem e o melhoramento de con-traste.

Muitas das tecnicas de melhoramento de contraste sao baseadas em operacoes nohistograma da imagem, devido sua facilidade de implementacao e uma boa performance[13]. Essas tecnicas podem ser separadas em dois grupos, globais e locais. Melhoria decontraste globais podem ter problemas para imagens em que detalhes pequenos sao ne-cessarios ou com variacao grande de luminosidade. Quando o processo e feito localmentee possıvel superar essas limitacoes [8]. Na Fig. 1 pode ser visto um exemplos de melhoriade contraste utilizando algumas tecnicas.

O CLAHE(Contrast Limited Adaptative Histogram Equalization) [17] e umatecnica de melhoramento de contraste local, considerada um metodo eficiente e robustoutilizado em muitos trabalhos recentes [7, 8]. Sua ideia consiste em fazer a equalizacao dohistograma em sub-areas da imagem, utilizando interpolacao entre as bordas e para evitaraumento do ruıdo, ele considera um parametro chamado Clip Limit que limita o numerode pixels que podem atingir um certo nıvel de cinza dentro dos histogramas de cada sub-area. Outro parametro utilizado pelo CLAHE e o Block Size que indica o tamanho de cadasub-area.

A pior desvantagem do CLAHE e que uma selecao ruim de parametros pode dani-ficar muito a qualidade da imagem, como pode ser visto na Fig. 1(d). Muitos trabalhos uti-lizam parametros fixos encontrados empiricamente para resolver problemas especıficos.Em outro trabalho foi utilizado um metodo baseado na entropia para fazer uma selecaoautomatica dos parametros [10] e uma abordagem similar em [11]. Por isso neste tra-balho iremos propor uma abordagem utilizando aprendizado de maquina supervisionadopara encontrar os parametros mais adequados para cada nova imagem nao dependendo deproblemas especıficos.

2.2. Visao Computacional

Visao computacional e area da ciencia que atraves da construcao de sistemas artificiais,busca automatizar a percepcao visual com o objetivo de obter informacoes utilizando aanalise de imagens.[4]

(a) Imagem de referencia[9] (b) Imagem de referencia com contrastedistorcido[9]

(c) Equalizacao de contraste global (d) CLAHE utilizado com parametrosruins

Figura 1. Exemplo de problema em melhoria de contraste

2.3. Aprendizado de maquina

O aprendizado de maquina e uma area da Inteligencia Artificial em que se busca construirou modelar funcoes, que a partir de um conjunto de caracterısticas do problema, possamprever um valor ou classificar uma instancia.

Dentro da area de aprendizado de maquina existem dois tipos, o supervisionadoem que se tem os valores a serem previstos de um conjunto de instancias utilizados paratreino e o nao supervisionado em que se tem apenas instancias e suas caracterısticas.

2.3.1. Aprendizado de maquina aplicado para a selecao de parametros do CLAHE

Neste trabalho utilizaremos o aprendizado de maquina supervisionado. Para isso utilizare-mos bases de imagens com contraste distorcidas e encontraremos atraves da classificacaode certas caracterısticas o valor adequado dos parametros do CLAHE. Com isso serao ex-

traıdos descritores de cada imagem e utilizaremos algoritmos de aprendizado de maquinacomo Random Forest[2] e SVM(Support Machine Vector)[15] para fazer a selecao deparametros para uma nova instancia.

3. ObjetivosO objetivo deste trabalho e explorar formas dinamicas de adquirir parametros para re-alce de uma imagem usando o algoritmo de aumento de contraste CLAHE. Os objetivosespecıficos sao:

• Explora tecnicas para adquirir dinamicamente os parametros para o algoritmoCLAHE.

• Explorar metricas de avaliacao, de similaridade e descritores que possam contri-buir no desenvolvimento do metodo.

• Aplicar os metodos e tecnicas explorados em bases de dados reais da literatura,bem como comparar os resultados com outras abordagens de aumento de con-traste.

4. Procedimentos metodologicos/Metodos e tecnicasPara atingir os objetivos desse trabalho, primeiramente, sera feito um estudo dos conceitose tecnicas relacionados ao CLAHE e ao aprendizado de maquina citado na secao anterior.

Entao utilizaremos bases da literatura que contenham distorcoes de contraste, etambem desenvolveremos uma base maior utilizando outras bases de IQA e sintetizandodistorcoes de contraste atraves de operacoes com histograma.

Apos o desenvolvimento dessa base, sera implementado o algoritmo para encon-trar os parametros ideais para que cada distorcao apos a aplicacao do CLAHE tenha osseus descritores o mais proximo de sua imagem original.

Com isso teremos duas bases para utilizarmos os algoritmos de aprendizado demaquina e fazermos uma avaliacao dos resultados.

Em seguida, sera feito o relatorio mostrando os resultados e comparando os algo-ritmos utilizados e o resultado visual do melhoramento de contraste sugerido por nossatecnica.

5. Cronograma de ExecucaoAtividades:

1. Levantamento bibliografico e selecao de algoritmos;2. Criacao das bases ;3. Preparacao das bases extraindo caracterısticas e targets para o aprendizado.4. Escolha dos algoritmos de aprendizado de maquina para serem utilizados;5. Treino e testes utilizando os algoritmos de aprendizado de maquina;6. Avaliacao e visualizacao dos resultados;7. Escrita do TCC;

6. Contribuicoes e/ou Resultados esperadosEste trabalho buscar encontrar uma solucao eficiente para o melhoramento de contrasteem imagens digitais, com o intuito de melhorar o desempenho de outros algoritmos quenecessitam a utilizacao dessa operacao.

Tabela 1. Cronograma de Execucaomai jun jul ago set out nov dez

Atividade 1 X XAtividade 2 X XAtividade 3 X XAtividade 4 X XAtividade 5 X XAtividade 6 X XAtividade 7 X X X X

7. Espaco para assinaturas

Londrina, 26 de junho de 2017.

—————————————— ——————————————

Aluno Orientador

Referencias

[1] M H Asmare, V S Asirvadam, and A F M Hani. Image enhancement based on contourlettransform. Signal, Image and Video Processing, 9(7):1679–1690, 2015.

[2] Leo Breiman. Random forests. Machine learning, 45(1):5–32, 2001.

[3] D Cherifi, A Beghdadi, and A H Belbachir. Color contrast enhancement method usingsteerable pyramid transform. Signal, Image and Video Processing, 4(2):247–262,2010.

[4] E Roy Davies. Computer and machine vision: theory, algorithms, practicalities. Acade-mic Press, 2012.

[5] R C Gonzalez and R E Woods. Digital Image Processing. Pearson/Prentice Hall, 2008.

[6] H Hiary, R Zaghloul, A Al-Adwan, and M B. Al-Zoubi. Image contrast enhancementusing geometric mean filter. Signal, Image and Video Processing, pages 1–8, 2016.

[7] Se Eun Kim, Jong Ju Jeon, and Il Kyu Eom. Image contrast enhancement using entropyscaling in wavelet domain. Signal Processing, 127:1 – 11, 2016.

[8] T V H Laksmi, T Madhu, K C S Kavya, and S E Basha. Novel image enhancementtechnique using clahe and wavelet transforms. International Journal of ScientificEngineering and Technology, 5(11):507–511, 2016.

[9] Eric C Larson and Damon M Chandler. Most apparent distortion: full-referenceimage quality assessment and the role of strategy. Journal of Electronic Imaging,19(1):011006–011006, 2010.

[10] B S Min, D K Lim, S J Kim, and J H Lee. A novel method of determining parameters ofclahe based on image entropy. International Journal of Software Engineering & ItsApplications, 7(5):113–120, 2013.

[11] L. G. More, M. A. Brizuela, H. L. Ayala, D. P. Pinto-Roa, and J. L. V. Noguera. Pa-rameter tuning of clahe based on multi-objective optimization to achieve differentcontrast levels in medical images. In 2015 IEEE International Conference on ImageProcessing (ICIP), pages 4644–4648, Sept 2015.

[12] Eduardo A. Murillo-Bracamontes, Miguel E. Martinez-Rosas, Manuel M. Miranda-Velasco, Horacio L. Martinez-Reyes, Jesus R. Martinez-Sandoval, and Hum-berto Cervantes de Avila. Implementation of hough transform for fruit image seg-mentation. Procedia Engineering, 35(0):230 – 239, 2012. International Meeting ofElectrical Engineering Research 2012.

[13] A Saleem, A Beghdadi, and B Boashash. Image fusion-based contrast enhancement.EURASIP Journal on Image and Video Processing, 2012(1):1–17, 2012.

[14] Neethu M Sasi and VK Jayasree. Contrast limited adaptive histogram equalization forqualitative enhancement of myocardial perfusion images. Engineering, 5:326, 2013.

[15] Craig Saunders, Mark O Stitson, Jason Weston, Leon Bottou, A Smola, et al. Supportvector machine-reference manual. 1998.

[16] M Sepasian, W Balachandran, and C Mares. Image enhancement for fingerprint minutiae-based algorithms using clahe, standard deviation analysis and sliding neighborhood.In Proceedings of the World congress on Engineering and Computer Science, pages22–24, 2008.

[17] K Zuiderveld. Contrast limited adaptive histogram equalization. In Paul S. Heckbert,editor, Graphics Gems IV, pages 474–485. Academic Press Professional, Inc., SanDiego, CA, USA, 1994.

[18] Karel Zuiderveld. Graphics gems iv. chapter Contrast Limited Adaptive Histogram Equa-lization, pages 474–485. Academic Press Professional, Inc., San Diego, CA, USA,1994.