Abstract:
La estimación de una imagen que realiza el algoritmo BM3D, es un punto de partida
para lograr que los dispositivos de captura de imágenes (DCI) imiten el funcionamiento
de la vista y cerebro humano; la capacidad de aprender que tiene el algoritmo de una
Red neuronal convolucional con topología autoencoder (RNCA), le permite reconstruir
detalles poco o nada visibles en una imagen; gracias a estos algoritmos los DCI más
allá de simplemente capturar una imagen actualmente son capaces de tomar decisiones
sobre lo que se quiere observar o analizar en la imagen; sin embargo, estas herramientas
de software que realizan estas interesantes e importantes funciones, tienen un rango de
acción muy amplio por lo que están siendo constantemente evaluadas a fin de encontrar
las mejores combinaciones y configuraciones que ayuden a cubrir todas las posibilidades
de aplicación de la forma más productiva posible. El presente trabajo es un aporte más a
la evaluación de estas herramientas donde primero se analizó el ruido como una de las
razones más frecuentes por la que en una imagen capturada el contenido no puede ser
identificado parcial o totalmente; luego se hizo una revisión de los métodos, técnicas y
algoritmos creados y utilizados en el estado del arte del procesamiento de imágenes para
recuperar estos contenidos poco o nada visibles; y finalmente, se creó un nuevo filtro
que se lo llamo BM3D-RNCA el cual combinó dos exitosas técnicas y algoritmos de
eliminación de ruido basado en conocimiento previo de la imagen para poderla restaurar.
Los dos algoritmos fueron el Block matching 3D (BM3D) y la Red neuronal artificial
convolucional autoencoder (RNCA), los resultados obtenidos de la evaluación a este
nuevo filtro, indicaron a través del indicador PNSR, que la combinación de estos algoritmos
logró un mejor resultado a los obtenidos individualmente en niveles altos de ruido,
considerados así a imágenes afectadas con ruido blando Gaussiano aditivo(RBGA)
que tiene desviación estandar de s > 40 donde para s = 100 se logró una pérdida de
50%en un tiempo promedio máximo de 204.3 segundos, utilizando 400 epoch y 5 batch.
