Selección automática de algoritmos de mejora de la imagen para su clasificación mediante aprendizaje profundo.

Abstract

En la última década, la inteligencia artificial ha emergido como un campo en constante expansión, cambiando la manera en la que interactuamos con la tecnología y abriendo nuevas posibilidades en muchos ámbitos. Esto ha sido gracias a los grandes avances que se han realizado en el aprendizaje profundo, una técnica en la inteligencia artificial que ha demostrado una gran eficacia en una amplia gama de tareas. Las redes neuronales convolucionales (CNN) son una categoría especializada de modelos de aprendizaje profundo que están diseñadas para el procesamiento y análisis de datos visuales. Estas han demostrado ser muy efectivas en la clasifi- cación de imágenes, detección de objetos y en muchas aplicaciones de visión por computador. En nuestra investigación hemos optado por utilizar AlexNet, una red neuronal convolucional que tiene 8 capas de profundidad. Hemos decidido emplear esta, ya que, como es más sencilla que otras como ResNet o MobileNet, la sensibilidad de las predicciones puede verse más afectada por la calidad de la imagen. Vamos a realizar una mejora de la imagen referida al contraste, dado que este representa un papel fundamental en las aplicaciones de procesamiento de imágenes. Tenemos muchos algoritmos de mejora del contraste, ya que es un problema muy subjetivo y depende de la aplicación que se esté utilizando. Utilizaremos 4 algoritmos, Corrección de Gamma (GC), Ecualización del Histograma (HE), Ecualización del Histograma Adaptativa Limitada por Contraste (CLAHE) y Transformación Logarítmica (LT). Con todo esto entrenaremos un regresor para que, sabiendo las características de una imagen con una disminución determinada de iluminación a priori y a posteriori tras la utilización de los algoritmos de mejora de contraste antes mencionados, nos determine la pérdida o ganancia de rendimiento en la clasificación de la imagen original y la imagen con el algoritmo de mejora aplicado.