Mejora de imágenes submarinas con técnicas de deep learning incorporando medidas de la calidad subjetiva de las imágenes

Abstract

[spa] En los últimos años, el avance del deep learning mediante redes neuronales ha transformado numerosos campos, incluyendo la mejora automática de imágenes submarinas. Este trabajo de fin de máster propone el uso de redes neuronales para el análisis y la mejora de la calidad de imágenes submarinas, incorporando la subjetividad humana en su entrenamiento. Utilizamos para ello conjuntos de datos públicos, que contienen imágenes de buena y mala calidad evaluadas por expertos. Proponemos un enfoque en el que primero se entrena una red clasificadora para distinguir entre imágenes de buena y mala calidad, y posteriormente se entrenan redes generativas adversariales (GAN) incorporando diferentes criterios de mejora para procesar las imágenes submarinas de mala calidad. Evaluamos los modelos GAN usando métricas cuantitativas como PSNR, SSIM y UIQM, y análisis cualitativos. Los resultados muestran que el modelo final, propuesto, que incluye criterios como la calidad del color y la nitidez de la imagen resultante, produce mejoras significativas en la calidad de las imágenes, tanto numérica como visualmente.

[eng] In recent years, the advancement of deep learning through neural networks has transformed numerous fields, including the automatic enhancement of underwater images. This master’s thesis proposes the use of neural networks to analyze and improve the quality of underwater images, incorporating human subjectivity into their training. For this purpose, we use public datasets containing images of good and poor quality, evaluated by experts. We propose an approach where a classifier network is first trained to distinguish between good and poor quality images, and subsequently, generative adversarial networks (GANs) are trained incorporating different enhancement criteria to process the poor quality underwater images. We evaluate the GAN models using quantitative metrics such as PSNR, SSIM, and UIQM, as well as qualitative analyses. The results show that the final proposed model, which includes criteria such as the color quality and sharpness of the resulting image, produces significant improvements in image quality, both numerically and visually