| Tipo di tesi | Tesi di laurea magistrale | ||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Autore | VITTO, ALBERTO | ||||||||||||||||||||||||||||||
| URN | etd-03122021-104315 | ||||||||||||||||||||||||||||||
| Titolo | Miglioramento Della Qualità di Immagini e Conversione di Spazi Colore con Tecniche di Deep Learning | ||||||||||||||||||||||||||||||
| Titolo in inglese | Image Quality Enhancement and Color Spaces Conversion with Deep Learning Techniques | ||||||||||||||||||||||||||||||
| Struttura | Dipartimento di Ingegneria | ||||||||||||||||||||||||||||||
| Corso di studi | Ingegneria Informatica (D.M.270/04) | ||||||||||||||||||||||||||||||
| Commissione |
|
||||||||||||||||||||||||||||||
| Parole chiave |
|
||||||||||||||||||||||||||||||
| Data inizio appello | 2021-04-15 | ||||||||||||||||||||||||||||||
| Disponibilità | Accessibile via web (tutti i file della tesi sono accessibili) | ||||||||||||||||||||||||||||||
Riassunto analitico
Oggi, un compito impegnativo nel settore del design è cercare di automatizzare il processo di conversione di spazi colore e il successivo miglioramento delle superfici utilizzate per la decorazione e la stampa industriale. Ciò aiuterebbe e accelererebbe il lavoro dei grafici nella generazione di immagini che soddisfano determinati requisiti visivi. Questa tesi propone diversi metodi che affrontano il problema evidenziato con l'utilizzo di tecniche di deep learning, concentrandosi sulle reti neurali convoluzionali. I risultati ottenuti sono incoraggianti e potrebbero tracciare la strada per futuri miglioramenti. |
|||||||||||||||||||||||||||||||
Abstract
Today, a challenging task in the design industry is trying to automatize the process of color space conversion and subsequent enhancement of surfaces used for industrial decoration and printing. This would help and speed up the work of graphic designers in generating images that meet certain visual requirements. This thesis proposes different methods that tackle the highlighted problem with the use of deep learning techniques, focusing on convolutional neural networks. Results obtained are encouraging and could trace the path to future improvements. |
|||||||||||||||||||||||||||||||
| File |
|
||||||||||||||||||||||||||||||