Mejora de la calidad de imágenes submarinas mediante técnicas tradicionales de procesamiento de imágenes y redes neuronales

Abstract

El presente Trabajo Fin de Grado se enfoca en la mejora de la calidad de imágenes submarinas, una tarea fundamental para la investigación y explotación de los recursos marinos. La motivación principal detrás de este estudio radica en la importancia de obtener imágenes claras y precisas en entornos subacuáticos, donde factores como la turbidez del agua, la dispersión de la luz y el bajo contraste afectan negativamente la calidad visual. Estos desafíos limitan la efectividad de operaciones críticas como la búsqueda y rescate, la inspección de infraestructuras submarinas y la cartografía marina. El trabajo explora dos enfoques principales para abordar este problema: las técnicas tradicionales de procesamiento de imágenes y las redes neuronales convolucionales (CNN). En primer lugar, se presentan las métricas de calidad de imagen, que son herramientas esenciales para evaluar la nitidez, precisión y exactitud de las imágenes capturadas en entornos submarinos. Entre las técnicas tradicionales de procesamiento de imágenes utilizadas en este estudio se incluyen el CLAHE (Contrast Limited Adaptive Histogram Equalization) y el DCP (Dark Channel Prior). Estas técnicas se implementan y evalúan en términos de su capacidad para mejorar la calidad visual de las imágenes bajo el agua. Además, se realiza un análisis comparativo de estas técnicas con redes neuronales convolucionales, que han mostrado un gran potencial en la mejora de la calidad de imágenes en diversos campos. Las redes neuronales convolucionales, que forman parte del campo de la inteligencia artificial, se han utilizado en este trabajo para desarrollar un modelo que pueda aprender de un conjunto de datos de imágenes submarinas y mejorar su calidad de manera automática. La arquitectura del modelo CNN se diseñó específicamente para manejar las características únicas de las imágenes subacuáticas, como la distorsión de color y la baja visibilidad. Se evalúa el rendimiento del modelo en comparación con las técnicas tradicionales, utilizando las métricas de calidad previamente mencionadas. Este trabajo concluye que, aunque las técnicas tradicionales de procesamiento de imágenes pueden ofrecer mejoras significativas en ciertas condiciones, las redes neuronales convolucionales presentan una ventaja considerable en la optimización de la calidad de imágenes submarinas, especialmente en entornos más complejos y variables. La combinación de ambos enfoques podría representar una solución robusta para los desafíos actuales en la investigación marina.

This Final Degree Project focuses on improving the quality of underwater images, a fundamental task for the research and exploitation of marine resources. The main motivation behind this study lies in the importance of obtaining clear and accurate images in underwater environments, where factors such as water turbidity, light scattering, and low contrast negatively affect visual quality. These challenges limit the effectiveness of critical operations such as search and rescue, underwater infrastructure inspection, and marine mapping. The project explores two main approaches to address this issue: traditional image processing techniques and convolutional neural networks (CNNs). First, image quality metrics are presented, which are essential tools for evaluating the sharpness, precision, and accuracy of images captured in underwater environments. Among the traditional image processing techniques used in this study are CLAHE (Contrast Limited Adaptive Histogram Equalization) and DCP (Dark Channel Prior). These techniques are implemented and evaluated in terms of their ability to enhance the visual quality of underwater images. Additionally, a comparative analysis of these techniques is conducted with convolutional neural networks, which have shown great potential in improving image quality in various fields. Convolutional neural networks, which are part of the field of artificial intelligence, have been used in this project to develop a model that can learn from a dataset of underwater images and automatically enhance their quality. The CNN model architecture was specifically designed to handle the unique characteristics of underwater images, such as color distortion and low visibility. The model's performance is evaluated in comparison to traditional techniques, using the aforementioned quality metrics. This project concludes that although traditional image processing techniques can offer significant improvements under certain conditions, convolutional neural networks present a considerable advantage in optimizing the quality of underwater images, especially in more complex and variable environments. The combination of both approaches could represent a robust solution to the current challenges in marine research