Investigação de Redução de Ruído em Imagens utilizando Aprendizado Não Supervisionado

• Processo: 22/14448-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de janeiro de 2023
• Data de Término da vigência: 31 de dezembro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Daniel Carlos Guimarães Pedronette
• Beneficiário: Murilo Magiolo Geraldini
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Vinculado ao auxílio: 18/15597-6 - Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação, AP.JP2
• Palavra(s)-Chave do Pesquisador: aprendizado não supervisionado | Redução de Ruído | Processamento de Imagens Digitais

Resumo

O ruído consiste em uma degradação inerente ao processo de aquisição, nos mais diversos tipos de imagem. Em imagens médicas, por exemplo, isso pode prejudicar ou dificultar a análise da imagem pelo radiologista. Além disso, no caso de sistemas de imagem que empregam radiação ionizante, como Tomografia Computadorizada, Mamografia ou Tomossíntese Mamária, onde a busca pela redução da dose deve ser algo constante de acordo com o princípio ALARA (As Low As Reasonably Achievable), a redução de dose leva ao aumento do ruído. Assim, considerando também que o ruído pode afetar o processamento posterior, como segmentação ou classificação de imagens, a evolução das técnicas de filtragem de ruído é de fundamental importância. Técnicas relevantes de filtragem de ruído em imagens, como Non Local Means (NLM) e Block Matching e 3D Filtering (BM3D), são utilizadas em uma abordagem não local, ou seja, a similaridade entre regiões (patches) da imagem (mais de entre pixels unitários) para realizar a filtragem. Nesse sentido, a escolha da medida de similaridade e a técnica de seleção de regiões mais semelhantes são essenciais para um desempenho adequado desses métodos. Neste trabalho, pretendemos investigar o uso de abordagens de aprendizado não supervisionado para substituir medidas de similaridade a fim de melhorar a eficácia de tarefas de filtragem de ruído.