Teste – 4 RNAs treinadas, cada uma com 1/4 da imagem de treino

Este teste também buscou verificar o comportamento das RNAs em relação à diminuição da quantidade de informação que são tratadas por elas e se essa diminuição de informação poderia influenciar, novamente, nos resultados de qualidade de imagem.

Esta subseção apresenta a realização de um teste onde utilizou-se 4 RNAs especialistas em uma determinada faixa de tons de cinza. Para se conseguir essa especialização, utilizou-se novamente o algoritmo FS, assim como nos outros testes, para se verificar os índices que deveriam ser escolhidos por cada RNA para cada vetor da imagem utilizada para treino das RNAs. A diferença para o teste desta subseção é que os resultados dos 1200 índices escolhidos pelo algoritmo FS e os respectivos vetores, foram colocados em ordem crescente para se conseguir agrupar os índices e vetores pertencentes ao mesmo grupo de tons de cinza da imagem de treino.

Após essa ordenação, os índices escolhidos do codebook e seus respectivos

vetores foram divididos em 4 partes iguais, ou seja, conseguiu-se 4 partes formadas por 300 vetores de treino (1200/4=300). Cada uma desses 300 vetores juntamente com seus índices foram utilizados para treinar cada uma das 4 RNAs.

A diminuição de informação utilizada para treinar cada RNA está no fato de que utilizou-se apenas 300 vetores para o treino de cada RNA, ao invés de 1200, caso fosse utilizado uma imagem inteira para treiná-las. Isso resultou em uma diminuição de 75% na quantidade de dados tratados por cada uma das RNAs.

Como os 1200 resultados obtidos pelo algoritmo FS para serem utilizados no treino das RNAs foram ordenados, então cada 1/4 dessas informações estava representando 1/4 dos tons de cinza da imagem utilizada no treino. Isso significa que o primeiro 1/4 estaria representando os tons de cinza mais próximos à cor preta e o último 1/4 estaria representando os tons de cinza mais próximos à cor branca.

O resultado que se esperava é que as RNAs por terem sido treinadas, cada uma com 1/4 ordenado da imagem que foi utilizada para seu treino, fizesse com que cada RNA respondesse melhor, no momento da codificação, aos vetores que pertencessem ao grupo de tons de cinza equivalentes aos que elas foram treinadas.

Para este teste, também se utilizou a imagem da Figura 14, que foi aplicada às quatro RNAs, e o mesmo codebook com 10000 vetores que foi empregado nos testes

anteriores.

Cada RNA ao receber os vetores da imagem de teste em suas entradas, definiam em suas saídas os índices correspondentes. Para cada vetor de entrada, as 4 RNAs disponibilizavam um índice em sua saída, que eram utilizados para endereçar 4

vetores no codebook. Esses quatro vetores foram então comparados com o vetor da

imagem original utilizada no teste e, através da medida de MSE, identificou-se o vetor com menor erro, e o índice desse vetor foi então armazenado. Esse procedimento foi repetido até que todos os vetores da imagem de teste fossem codificados e os índices referentes aos vetores com menor MSE formam utilizados para se restaurar a imagem novamente. A Figura 21 mostra a imagem restaurada e seu respectivo PSNR e a Tabela 6 exibe os erros de convergência de cada uma das 4 RNAs.

Figura 21 – Imagem Lena restaurada por RNA: 27,70 dB. Fonte: Autoria própria, 2007.

Tabela 6: Erro de convergência de cada RNA. Grupo de tom de cinza da RNA Erro de Convergência 1/4 0,000363171 2/4 0,000281873 3/4 0,000636435 4/4 0,000111117

Fonte: Autoria própria, 2007.

É possível observar na Tabela 6 o erro de convergência alcançado por cada RNA após seu treino. Em comparação ao erro de convergência da RNA da subseção

8.2.2, que foi treinada com 1200 vetores, conseguiu-se uma diminuição de aproximadamente 10 vezes nessa medida, ou seja, um erro quase 10 vezes menor. Essa melhoria deve-se ao fato de que essas RNAs tiveram que tratar com menos informação do que a RNA da subseção 8.2.2, que foi treinada com 1200 vetores.

Com um erro de convergência menor, os índices escolhidos pelas RNAs ficaram mais próximos aos índices escolhidos pelo algoritmo FS e com isso a qualidade da imagem decodificada também teve uma melhora de aproximadamente 8% em relação ao resultado desse outro teste.

Outra diferença do teste desta subseção em relação aos outros testes realizados é que foi necessária a realização de uma comparação para se escolher para cada vetor de imagem de entrada, qual dos 4 vetores indicados pelas RNAs seria o mais adequado para se realizar a decodificação.

Para codificar os 1200 vetores dessa imagem de teste, foram realizadas 4800 comparações; bem menos do que as 12000000 efetuadas pelo algoritmo FS.

O tempo utilizado para se escolher o melhor vetor entre os quatro indicados por cada RNA para os 1200 vetores da imagem de teste foi menor do que 0,001ms. Esse tempo ainda é muito menor em relação aos 6,79s (conforme pôde ser verificado na Tabela 3 da seção 8.1) utilizados pelo algoritmo FS para codificar essa mesma imagem. O tempo total para se codificar a imagem de teste utilizando-se o método descrito nesta subseção (levando-se em conta o pior caso, onde as imagens seriam codificadas pelas RNAs de forma seqüencial e não paralelamente) está exibido na Tabela 7 e o gráfico da diferença do PSNR da imagem Lena restaurada pelo algoritmo FS e pelas 4 RNAs especialistas é mostrado na Figura 22.

Tabela 7: Discriminação dos tempos de codificação.

Tempo da RNA 1 0,01s

Tempo da RNA 2 0,01s

Tempo da RNA 3 0,01s

Tempo da RNA 4 0,01s

Tempo das comparações < 0,001ms Tempo total de codificação ~0,04s Fonte: Autoria própria, 2007.

0 5 10 15 20 25 30 35 40 1 2 FS 4 RNAs P S N R

Figura 22 – Diferença de PSNR entre o algoritmo FS e 4 RNAs especialistas. Fonte: Autoria própria, 2007.

Embora que a medida de PSNR seja logarítmica, em outras palavras, essa pequena diferença de qualidade de imagem entre a imagem restaurada utilizando-se as 4 RNAs especialistas e a imagem restaurada pelo algoritmo FS esteja fazendo uma diferença considerável na avaliação subjetiva, é possível observar que em termos de avaliação objetiva o resultado obtido pelas 4 RNAs especialistas está próximo ao obtido pelo algoritmo FS.