Designed and Trained Fuzzy Systems in Colour and Imaging Applications

[ES] Esta tesis utiliza la lógica difusa para proporcionar soluciones a problemas en las áreas de suavizado de imágenes y caracterización de pantallas. La investigación se divide en dos áreas principales: procesamiento de imágenes y tecnología de pantallas. En el ámbito del procesamiento de imágenes, presentamos nuevos marcos de eliminación de ruido en imágenes en color que integran sistemas de inferencia difusa (FIS) con análisis de autovectores. Este enfoque aborda el desafío de eliminar el ruido gaussiano mientras se preserva la calidad y los detalles de la imagen. Al convertir las imágenes del dominio RGB a un espacio basado en autovectores, extraemos información local relevante para ajustar dinámicamente el proceso de eliminación de ruido. El FIS utiliza esta información para determinar la intensidad apropiada del suavizado, reconociendo que las áreas homogéneas pueden requerir un tratamiento más agresivo que las zonas detalladas. La efectividad de nuestros métodos se valida mediante diversas métricas de calidad de imagen y comparaciones visuales con técnicas de última generación, demostrando un rendimiento superior en la eliminación de ruido mientras se mantienen los detalles originales de la imagen. La segunda parte de la tesis se centra en la caracterización de pantallas, investigando la aplicación de sistemas de inferencia difusa entrenados para reproducir con precisión los colores en pantallas LCD, OLED y QLED. Al utilizar datos RGB dependientes del dispositivo y coordenadas XYZ independientes del dispositivo, así como el espacio de color xyY, evaluamos el rendimiento de nuestros modelos. Aunque el uso del espacio de color xyY mostró un rendimiento inferior, el enfoque se mantiene en el espacio de color XYZ, donde desarrollamos modelos que no solo logran alta precisión, sino que también ofrecen interpretabilidad, proporcionando valiosos conocimientos sobre el comportamiento de las pantallas. Aunque incluimos otros métodos de aprendizaje automático, como redes neuronales, para la comparación experimental, el enfoque principal sigue siendo en los modelos difusos. Evaluamos la efectividad de nuestros modelos utilizando la métrica de error visual ∆E00 . Nuestros hallazgos demuestran que el método de Modelado e Identificación Difusa (FMID) ofrece un equilibrio óptimo entre precisión e interpretabilidad, con el potencial de futuras estrategias de calibración y optimización de pantallas. Utilizamos tanto sistemas difusos diseñados, basados en el conocimiento experto en el ámbito del procesamiento de imágenes, como sistemas difusos entrenados con datos, que son particularmente útiles cuando se dispone de datos en lugar de conocimiento experto. Aplicamos enfoques basados en datos específicamente en la caracterización de pantallas. Las conclusiones resaltan la importancia de los sistemas difusos, no solo por su precisión, sino también por su interpretabilidad, que ofrece perspectivas valiosas para futuros avances en el procesamiento de imágenes y la caracterización de pantallas. Esta investigación contribuye al desarrollo continuo de técnicas más eficientes y precisas para la mejora de imágenes y la reproducción de color en las tecnologías modernas de pantallas.

[CA] Aquesta tesi utilitza la lògica difusa per proporcionar solucions a problemes en les àrees de suavitzat d'imatges i caracterització de pantalles. La investigació es divideix en dues àrees principals: processament d'imatges i tecnologia de pantalles. En l'àmbit del processament d'imatges, presentem nous marcs d'eliminació de soroll en imatges en color que integren sistemes d'inferència difusa (FIS) amb anàlisi d'autovectors. Aquest enfocament aborda el repte d'eliminar el soroll gaussià mentre es preserva la qualitat i els detalls de la imatge. En convertir les imatges del domini RGB a un espai basat en autovectors, extraiem informació local rellevant per ajustar dinàmicament el procés d'eliminació de soroll. El FIS utilitza aquesta informació per determinar la intensitat adequada del suavitzat, reconeixent que les àrees homogènies poden requerir un tractament més agressiu que les zones amb detalls. L'efectivitat dels nostres mètodes es valida a través de diverses mètriques de qualitat d'imatge i comparacions visuals amb tècniques de referència, demostrant un rendiment superior en l'eliminació de soroll mentre es mantenen els detalls originals de la imatge. La segona part de la tesi se centra en la caracterització de pantalles, investigant l'aplicació de sistemes d'inferència difusa entrenats per reproduir amb precisió els colors en pantalles LCD, OLED i QLED. Utilitzant dades RGB dependents del dispositiu i coordenades XYZ independents del dispositiu, així com l'espai de color xyY, avaluem el rendiment dels nostres models. Encara que l'ús de l'espai de color xyY va mostrar un rendiment inferior, l'enfocament es manté en l'espai de color XYZ, on desenvolupem models que no només aconsegueixen una alta precisió, sinó que també ofereixen interpretabilitat, proporcionant coneixements valuosos sobre el comportament de les pantalles. Tot i que incloem altres mètodes d'aprenentatge automàtic, com les xarxes neuronals, per a la comparació experimental, l'enfocament principal continua sent els models difusos. Avaluem l'efectivitat dels nostres models utilitzant la mètrica d'error visual ∆E00 . Els nostres resultats demostren que el mètode de Modelatge i Identificació Difusa (FMID) ofereix un equilibri òptim entre precisió i interpretabilitat, amb el potencial de futures estratègies de calibratge i optimització de pantalles. Utilitzem tant sistemes difusos dissenyats, basats en el coneixement expert en l'àmbit del processament d'imatges, com sistemes difusos entrenats amb dades, que són especialment útils quan es disposa de dades en lloc de coneixement expert. Apliquem enfocaments basats en dades específicament en la caracterització de pantalles. Les conclusions ressalten la importància dels sistemes difusos, no només per la seva precisió, sinó també per la seva interpretabilitat, que ofereix perspectives valuoses per a futurs avanços en el processament d'imatges i la caracterització de pantalles. Aquesta investigació contribueix al desenvolupament continu de tècniques més eficients i precises per a la millora d'imatges i la reproducció de color en les tecnologies modernes de pantalles.

[EN] This thesis uses fuzzy logic to provide solutions to problems in the areas of image smoothing and display characterization. The research is divided into two main areas: image processing and display technology. In the realm of image processing, we present novel colour image denoising frameworks that integrate fuzzy inference systems (FIS) with eigenvector analysis. This approach addresses the challenge of removing Gaussian noise while preserving image quality and details. By converting images from the RGB domain to an eigenvector-based space, we extract relevant local information to dynamically adjust the denoising process. The FIS uses this information to determine the appropriate intensity of smoothing, recognizing that homogeneous areas may require more aggressive treatment than detailed regions. The effectiveness of our methods is validated through various image quality metrics and visual comparisons against state-of-the-art techniques, demonstrating superior performance in noise removal while maintaining original image details. The second part of the thesis focuses on display characterization, investigating the application of trained fuzzy inference systems to accurately reproduce colours across LCD, OLED, and QLED displays. By utilizing device-dependent RGB data and device-independent XYZ coordinates, as well as the xyY colour space, we assess the performance of our models. Although the use of the xyY colour space showed lower performance, the focus remains on the XYZ colour space, where we develop models that not only achieve high accuracy but also offer interpretability, providing valuable insights into display behaviour. Although we include other machine learning methods like neural networks for experimental comparison, the focus remains on fuzzy models. We evaluate the effectiveness of our models using the ∆E00 visual error metric. Our findings demonstrate that the Fuzzy Modeling and Identification (FMID) method strikes an optimal balance between accuracy and interpretability, offering the potential for future display calibration and optimization strategies. We employ both designed fuzzy systems, based on expert knowledge in the image processing realm, and fuzzy systems trained from data, which are particularly useful when data is available instead of expert knowledge. We apply data-driven approaches specifically in display characterization. The concluding insights underscore the importance of fuzzy systems, not only for their accuracy but also for their interpretability, which offers valuable perspectives for future advancements in image processing and display characterization. This research contributes to the ongoing development of more efficient and accurate techniques for image enhancement and colour reproduction in modern display technologies.