Resumo
Um conjunto de imagens de alta qualidade é fundamental para garantir a precisão e confiabilidade das tarefas de classificação de imagens, pois permite que os algoritmos de aprendizado de máquina se concentrem nos padrões e características relevantes, evitando interferências de possíveis ruídos que possam comprometer os resultados da tarefa de classificação. Neste estudo, investigamos os impactos dos erros aleatórios de aquisição e iluminação nas classes de rochas sedimentares carbonáticas, utilizando redes neurais para classificação Dunham. Com um conjunto de dados contendo 684 imagens de quatro classes (Wackstone, Packstone, Grainstone e Mudstone), analisamos a relação entre de redução de brilho e/ou presença de ruido Salt-And-Pepper e seu impacto nas classes. Observamos que classes mais homogêneas sofreram menos com as alterações, enquanto a classe Packstone apresentou resultados menos satisfatórios. Além disso, testamos a recuperação de desempenho usando equalização de brilho e filtros de ruído, sendo o filtro de desfoque mediano se apresentando mais eficaz que a equalização de brilho. As classes apresentaram comportamentos diferentes em relação ao tipo erro inserido e a combinação deles intensificou o impacto negativo nas classes mais heterogêneas. Essas conclusões fornecem insights relevantes para o desenvolvimento de modelos de classificação de rochas sedimentares carbonáticas.