Research Article

Filtrado eficiente de dominio de gradiente multiescala para eliminación de neblina de imágenes y videos con coherencia temporal mejorada

DOI:

10.3791/68495

⸱

September 30th, 2025

 ,  ,  , 
1Chitkara University Institute of Engineering and Technology, Chitkara University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El protocolo aquí integra el submuestreo de preservación mínima con el filtrado guiado ponderado en el dominio del gradiente para mejorar las capacidades de eliminación de neblina en tiempo real del modelo de dispersión de luz. El promedio de los valores RGB de los 0,1 % de los píxeles más brillantes de la imagen de origen en el canal oscuro produce luz atmosférica, y el factor de correlación basado en gradiente se utiliza para la consistencia del procesamiento de vídeo.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La eliminación de neblina es crucial en la visión por computadora para restaurar la claridad de la imagen afectada por la dispersión atmosférica. Los métodos existentes sufren altos costos computacionales, pérdida de detalles de gradiente y artefactos parpadeantes en aplicaciones de video. Para mejorar la eficiencia y la calidad visual, este trabajo propone una técnica de eliminación de neblina basada en filtros de imágenes guiados ponderados en el dominio del gradiente multiescala aplicable tanto a videos como a imágenes. Para estimar los parámetros atmosféricos y reducir la complejidad computacional, se ha empleado el submuestreo de preservación mínima (MPS). A continuación, un proceso iterativo de muestreo ascendente con el filtro de imagen guiada ponderada en el dominio del gradiente (GWGIF) refina el mapa de transmisión, preservando una cantidad significativa de características de gradiente y, por lo tanto, mejorando la textura y la retención de bordes. Para la eliminación de neblina de video, se introduce el factor de correlación basado en gradiente (GCF), lo que resulta en una reducción significativa de los artefactos de parpadeo en comparación con los métodos existentes. Las evaluaciones experimentales demuestran la superioridad de nuestro enfoque, logrando una puntuación del Evaluador de Calidad de Imagen Basada en la Percepción (PIQE) de 26,98, una puntuación del Evaluador de Calidad de Imagen Natural (NIQE) de 2,78 y una puntuación del Evaluador de Calidad Espacial de Imagen Ciega / Sin Referencia (BRISQE) de 20,18, lo que refleja una mejor calidad perceptiva. Además, el método propuesto garantiza una alta coherencia temporal en la eliminación de neblina de video, con una desviación del error cuadrático medio (MSE) de 0,003, lo que lo hace ideal para aplicaciones en tiempo real como vehículos autónomos, vigilancia y teledetección.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La neblina es un fenómeno atmosférico que dificulta la visión de objetos distantes cuando la luz es dispersada por el humo, las gotas de agua o las partículas de polvo. El deterioro de la imagen debido a la neblina es perjudicial para las aplicaciones de visión por computadora 1,2, incluido el análisis de video, los vehículos autónomos y la vigilancia. Para mejorar el rendimiento de la visión por computadora, como primer paso en el procesamiento, una estrategia de eliminación de neblina es esencial para eliminar los componentes de neblina de las imágenes. El término "eliminación de neblina" se refiere a los pasos utilizados para restaurar la claridad de una imagen borrosa o inutilizable. En los últimos años, se han desarrollado varias técnicas para eliminar la neblina de imágenes. El problema de eliminación de neblina representa la imagen objetivo (brumosa) Iborrosa (x) del canal de color en la ubicación x como se muestra en (1) tomado de He et al.3.

figure-introduction-1    1

Jclear(x) representa la imagen transparente, mientras que Latm y tmap representan la luz atmosférica global y el mapa de transmisión media, respectivamente. La porción de la luz que captan los sensores de la cámara se denota mediante la distanciadel mapa t d (x) calculada por la distancia entre la escena y la cámara en He et al.3como se muestra en (2).

figure-introduction-2    2

Aquí, β representa el coeficiente de transmisión para la dispersión del aire.

La recuperación de Jclear(x) de Ihazy(x) durante el proceso de eliminación de neblina, se muestra en (3), que se logra después del reordenamiento de (1). Aquí, t representa la transmitancia de luz de la atmósfera, también conocida como coeficiente de transmisión.

figure-introduction-3    3

El modelo de canal oscuro anterior (DCP)3 se encuentra entre los modelos atmosféricos más conocidos para este propósito. Entre las técnicas de eliminación de neblina basadas en modelos físicos bien conocidas, DCP es la más utilizada, que asume que al menos un canal de color contiene píxeles con intensidades extremadamente bajas en una imagen sin neblina. Este previo se utiliza para estimar el mapa de transmisión utilizando DCP y recuperar la radiancia de la escena de (1). Sin embargo, esta técnica requiere mucho tiempo y sobresatura la región del cielo en la imagen.

La motivación para esta investigación surge de la necesidad de mejorar la visibilidad en aplicaciones de visión por computadora donde la neblina degrada significativamente la calidad de la imagen. El enfoque no solo acelera el proceso de eliminación de neblina, sino que también garantiza que se conserven los detalles de la imagen, como los bordes y las texturas. Además, la investigación extiende su algoritmo de eliminación de neblina a los videos, abordando un problema crítico en el procesamiento de video. A veces, bajo diferentes condiciones de iluminación, la visibilidad de las imágenes cambia, lo que presenta otro desafío en muchas aplicaciones, como la conducción autónoma y la vigilancia.

La validación del algoritmo de eliminación de neblina propuesto se realizó a través de extensos experimentos en varios conjuntos de datos de imágenes y videos disponibles públicamente. Los conjuntos de datos comprenden escenas nebulosas sintéticas y del mundo real, lo que permite una evaluación integral en diversas condiciones. La validación experimental en diversas secuencias de video del mundo real (Riverside, Crossroad, Haze road, Ship)4 e imágenes estáticas5 con diferentes densidades de neblina, evaluadas utilizando métricas establecidas (FADE, NIQE, PIQE, BRISQUE)6 y comparadas con nueve métodos de vanguardia, demuestra la aplicabilidad práctica del algoritmo para los dominios de computación automotriz, de vigilancia, marítima y móvil mientras se mantiene el rendimiento en tiempo real. El rendimiento se evaluó mediante comparaciones visuales subjetivas y métricas de calidad objetivas, demostrando competitividad con enfoques de vanguardia en términos de precisión y eficiencia computacional.

El trabajo propuesto está diseñado para el rendimiento en tiempo real y ha sido probado en imágenes y videos con resoluciones de hasta 1920 × 1080 píxeles. Para garantizar un procesamiento eficiente, todos los experimentos se han realizado en una estación de trabajo equipada con una CPU Intel i3-6006U (2,00 GHz) y 12 GB de RAM. Si bien el método demuestra un gran rendimiento en varios escenarios del mundo real, puede exhibir una precisión reducida en condiciones de neblina extremadamente densa donde la estimación de la transmisión se vuelve poco confiable. Estos detalles resaltan la practicidad y las limitaciones del enfoque propuesto en la implementación en el mundo real.

Para superar varios desafíos, esta investigación propone un enfoque novedoso que utiliza un GWGIF multiescala para eliminar imágenes y videos. Al integrar un método MPS, el estudio introduce una técnica computacionalmente eficiente para estimar el mapa de transmisión, que es un factor clave en la eliminación de neblina. Los artefactos de parpadeo se han abordado mediante la incorporación de un novedoso método GCF que mantiene la coherencia temporal entre fotogramas consecutivos, lo que garantiza tanto la eficiencia computacional como los resultados de alta calidad. Este estudio contribuye al desarrollo de técnicas de mejora de imágenes y videos más sólidas. La Fig. 1 ilustra el mapa de transmisión calculado utilizando el método MPS, y la Fig. 2 muestra el método propuesto que combina MPS y GCF. La novedad de nuestro trabajo radica en el desarrollo de un algoritmo de eliminación de neblina de imágenes y videos en tiempo real basado en multiescalado con un filtro guiado ponderado basado en gradientes, que aborda los cuellos de botella computacionales de los métodos tradicionales de eliminación de neblina. Específicamente, nuestras principales contribuciones novedosas son: (1) la técnica MPS que retiene regiones oscuras críticas para una estimación precisa de la transmisión al tiempo que reduce la carga computacional; (2) GWGIF que conserva específicamente los bordes firmes durante el refinamiento del mapa de transmisión; (3) Estimación optimizada de la luz atmosférica que se centra solo en los 0,1% de los píxeles más brillantes; (4) GCF para eliminación de neblina de video que mide la similitud de fotogramas a través de información de gradiente; (5) Un sistema de optimización temporal que reutiliza cálculos entre fotogramas de video similares para lograr un procesamiento en tiempo real.

Este método logra un rendimiento en tiempo real al tiempo que ofrece una calidad de eliminación de neblina comparable o mejor que la de los algoritmos de última generación, como lo demuestran los extensos experimentos presentados en el artículo [Figura 3, Figura 4, Figura 5, Figura 6 y Figura 7].

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este trabajo utilizó imágenes de escenas sintéticas o naturales sin sujetos humanos involucrados. Por lo tanto, no se requirió aprobación ética.

Este protocolo de eliminación de neblina de imágenes se desarrolla en una configuración informática estándar y está diseñado para mejorar la claridad y la visibilidad de las imágenes borrosas. El entorno de trabajo es MATLAB7. El enfoque sigue un proceso sistemático que involucra la estimación de la neblina, el refinamiento y la restauración de imágenes. Al mejorar gradualmente la calidad de la imagen al tiempo que conserva los detalles importantes, el método ofrece resultados claros y visualmente atractivos. Se ha probado en conjuntos de datos ampliamente utilizados8 y se ha evaluado utilizando medidas estándar de calidad de imagen, lo que demuestra su eficacia e idoneidad para aplicaciones académicas o basadas en la investigación. En las secciones siguientes se proporcionan explicaciones y ecuaciones importantes para el protocolo, los materiales y el equipo, así como los pasos de la solución propuesta. También se han esbozado los parámetros de evaluación.

1. Materiales y equipos

El experimento se desarrolla con MATLAB Online (24.2.0.2871072 (R2024b) Update 5) y se ejecuta en un sistema con una CPU Intel i3-6006U (2,00 GHz). Los conjuntos de datos de imágenes 5,8 utilizados para la implementación provienen de la literatura referenciada. La metodología incluye el uso de un filtro gaussiano 5 × 5 con interpolación bilineal, la estimación del mapa de transmisión mediante el algoritmo MPS9 y el refinamiento a través del filtro GWGIF, todo ello realizado en una infraestructura informática adecuada. Los detalles y enlaces de todos los materiales y equipos utilizados en la investigación se mencionan en la Tabla de materiales.

2. Configuración experimental

La configuración experimental implica la implementación del enfoque propuesto de eliminación de neblina de imágenes y videos en un entorno informático científico que admite el procesamiento y la visualización de imágenes basadas en matrices. Para evaluar el rendimiento del método se utilizaron conjuntos de datos de referencia estándar 5,8, que consisten en imágenes y videos borrosos10, como se menciona en la literatura establecida. El algoritmo sigue un marco de procesamiento multiescala, utilizando pirámides de imágenes y correlación basada en gradientes para guiar el cálculo y el refinamiento del mapa de transmisión adaptativa. Para las secuencias de vídeo, las tramas se extraen a intervalos fijos y el GCF se utiliza para determinar si se debe reutilizar o volver a calcular el mapa de transmisión. La efectividad de los resultados eliminados se evaluó utilizando métricas de calidad de imagen ampliamente reconocidas, incluidas NIQE, PIQE, BRISQE, FADE y MSE, lo que garantiza una evaluación subjetiva y objetiva de la calidad de la restauración.

3. Parámetros utilizados para la evaluación

Para la evaluación objetiva, se han utilizado cinco métricas de calidad: (1) FADE (Evaluador de densidad consciente de la niebla)8; (2) NIQE (Evaluador de calidad de imagen natural)11; (3) PIQE (Evaluador de calidad de imagen basado en la percepción)12; (4) BRISQUE (Evaluador de calidad espacial de imagen ciega / sin referencia)13; (5) MSE (error cuadrático medio) entre tramas consecutivas14.

4. Metodología de eliminación de neblina de imagen única y video

  1. Convertir y construir una pirámide de imágenes
    La eliminación de neblina de una sola imagen comienza convirtiendo la imagen en color de entrada a escala de grises (figure-protocol-1). A continuación, se construye una pirámide de imágenes {figure-protocol-2, figure-protocol-3...,figure-protocol-4, figure-protocol-5} mediante la reducción recursiva de la resolución Inebulosa con un factor de 2 hasta que se alcanza el nivel más grueso IL , de modo que la dimensión máxima no sea mayor de 320 píxeles. Esto significa que L está determinado por el requisito de que max(W, H) <= 320, donde W y H representan la anchura y la altura en el nivel más grueso L. El valor L indica el número de operaciones de reducción de muestreo necesarias para alcanzar el nivel más grueso deseado en la estructura piramidal, como en la Figura 2.
  2. Estimación del mapa de transmisión
    El mapa de transmisión muestra el porcentaje de luz que no se dispersa y llega al sensor de la cámara. El mapa de transmisión representa con precisión la información de profundidad de la imagen, ya que es una función de profundidad sucesiva. El mapa de transmisión, tmapa, se calcula utilizando luz ambiental para reconstruir una imagen sin neblina Jclear (x). El objetivo principal del estudio es desarrollar un método de estimación de transmisión computacionalmente eficiente para acelerar el proceso de eliminación de neblina, ya que se descubrió que el cálculo de un mapa de transmisión es el paso que requiere más tiempo. Para ser más específicos, después de estimar la transmisión a una resolución más baja y asumir que el mapa de transmisión se compone de partes constantes, los resultados se han muestreado al alza, como se muestra en Figura 2.
    1. Estimación inicial del mapa de transmisión utilizando el enfoque multiescala en MPS
      El mapa figure-protocol-6 de transmisión inicial se obtiene a partir de ImageImage figure-protocol-7, que ya se ha calculado reduciendo el muestreo de la imagen borrosa de entrada en el nivel más grueso, L. Usando el enfoque MPS9 en figure-protocol-8, la imagen ahora se divide en bloques cuadrados de tamaño 5 × 5, como se muestra en [Figura 1]. Además, figure-protocol-9 se calcula seleccionando el valor mínimo de cada bloque 5 × 5 para obtener una imagen muestreada hacia abajo, con dimensiones (M / m) × (N / m) que se muestran en (4) de Kansal et al.9. Aquí, min representa la función matemática para calcular el valor de intensidad mínima en el bloque BIi.
      figure-protocol-104
      la imagen figure-protocol-11 de canal oscuro de nivel más grueso 4 se obtiene aplicando un filtro mínimo de 3 × 3 como figure-protocol-12 se muestra en (5) tomadodel trabajo 9 de Kansal et al.
      figure-protocol-13 5
      Donde ω es una ventana de tamaño 3 × 3. El mapa figure-protocol-14 de transmisión inicial se estima finalmente utilizando:
      figure-protocol-156
      donde w es un factor constante (típicamente 0).
      El mapa de transmisión basado en MPS garantiza una mejor recuperación de contraste y detalles en regiones gravemente afectadas por la neblina al mantener los valores mínimos locales dentro de los parches respectivos. Sin embargo, el enfoque basado en la transformación lineal22 produce un mapa de transmisión que es más uniforme (y menos preciso) en la eliminación de la neblina, ya que no puede distinguir entre regiones con diferentes niveles de intensidad de neblina.
    2. Refinamiento de la transmisión
      Dado que el mapa de transmisión inicial (figure-protocol-16) se estima solo en el nivel más grueso (L) de la pirámide de imágenes, debe muestrearse para que coincida con la resolución de la imagen de entrada original. Se aplica un muestreo ascendente bilineal simple BUp(·) para obtener un mapa de transmisión de resolución completa. Además, para preservar los detalles del borde en el mapa de transmisión, figure-protocol-17 debe refinarse. El empleo de un filtro guiado y un filtro guiado por gradiente, como se aplica en Van et al.14 y Kansal et al.9, causaría artefactos borrosos en el mapa de transmisión, lo que resultaría en la pérdida de detalles de textura e información de bordes, lo que en última instancia degradaría el rendimiento de eliminación de neblina. Para solucionar este problema, se ha empleado el método de filtrado guiado de imágenes ponderado en dominio de gradiente (GWGIF)15 para preservar los detalles de la imagen de manera efectiva. Finalmente, la transmisión figure-protocol-18 refinada se obtiene como se muestra a continuación de Wang et al.16.
      figure-protocol-19 7
      GWGIF refina el mapa de transmisión inicial preservando las estructuras de borde y evitando los artefactos borrosos que suelen introducir los filtros guiados estándar. Se ha seguido el siguiente paso para implementar la función GWGIF17.
      Entrada:
      figure-protocol-20: Mapa de transmisión inicial (baja resolución o aproximado)
      figure-protocol-21: Imagen borrosa original (utilizada como guía)
      Salida:
      figure-protocol-22
      Paso 1: Muestreo ascendente del mapa de transmisión inicial
      Redimensionado figure-protocol-23 para que coincida con el tamaño de Ihazy
      Paso 2: Convertido Iborroso a escala de grises
      Ihazy = rgb2gray(Ihazy)
      Paso 3: Aplicado el filtro guiado ponderado por dominio de gradiente como en (7)
      Mapa de transmisión refinado obtenidofigure-protocol-24
      El proceso calcula la magnitud del gradiente a partir de la imagen de guía utilizando el operador Sobel, genera ponderaciones basadas en gradiente y las integra en la ecuación de filtrado guiada para mejorar el suavizado consciente de los bordes. El resultado es un mapa de transmisión refinado que mejora significativamente la calidad de eliminación de neblina y la preservación de detalles, como se muestra en la Figura 4.
  3. Estimación de la luz atmosférica
    La luz atmosférica global, en términos de eliminación de neblina de imágenes basada en modelos, es esencial. Como afirman Zhang et al.18, las imágenes más brillantes sin neblina se producen con valores más bajos de luz atmosférica, mientras que los valores más altos de luz atmosférica producen las imágenes más oscuras. El trabajo propuesto estima la luz atmosférica a partir de la imagen del canal oscuro (figure-protocol-25) obtenida de la imagen borrosa de entrada. Luego, los valores RGB correspondientes al 0,1% superior de los píxeles más brillantes en la imagen del canal oscuro se seleccionan para obtener el valor final de la luz atmosférica, como se muestra en (8) como se indica en He et al.3. Aquí, γ representa los 0.1 píxeles más brillantes. Estos píxeles suelen corresponder a las regiones más opacas de la imagen. A partir de estos píxeles seleccionados, se extraen sus valores RGB correspondientes en la imagen original y se promedian para determinar la luz atmosférica global Latm.
    figure-protocol-26 8
    La luz atmosférica Latm se calcula seleccionando el 0,1% superior de los píxeles más brillantes de la imagen del canal oscuro. Esto se realiza de la siguiente manera:
    Entrada:
    Imagen nebulosa I imagenRGB nebulosa)
    Salida:
    Luz atmosférica Latm (un vector RGB de 3 elementos)
    Pasos:
    Paso 1: Calculó el canal oscuro de la imagen:
    La imagen del canal oscuro es figure-protocol-27.
    Paso 2: Encontró la mayoría de los píxeles opacos a la neblina
    Aplanó el canal oscuro en una matriz 1D
    Se ordenaron los valores de píxel en orden descendente.
    Seleccionó el 0,1% de los píxeles más brillantes (es decir, los valores más altos en el canal oscuro → alta concentración de neblina).
    Paso 3: Píxeles candidatos elegidos en la imagen de entrada
    Entre los 0,1% de píxeles superiores seleccionados (del canal oscuro), identifique los píxeles correspondientes en la imagenborrosa original I borroso.
    Para cada píxel seleccionado, se calculó la intensidad (por ejemplo, suma o norma de sus valores RGB).
    Paso 4: Establecer la luz atmosférica Latm
    El valor RGB del píxel más brillante seleccionado anteriormente se ha tomado como la luz atmosférica estimada.
    El procedimiento anterior estima sistemáticamente la luz atmosférica, Latm.
    El procedimiento anterior estima sistemáticamente la luz atmosférica Latm aprovechando el canal oscuro antes de identificar las regiones más afectadas por la neblina en la imagen. Al excluir las áreas brillantes y claras y centrarse en las regiones más oscuras del 0,1% superior (indicativo de neblina densa), el método garantiza una estimación robusta y precisa de la luz atmosférica global, que es un parámetro crítico para la eliminación efectiva de la neblina en algoritmos de eliminación de neblina de una sola imagen.
    1. Recuperación de imágenes borrosas
      Finalmente, después de encontrar la luz atmosférica Latm y el mapa figure-protocol-28de transmisión refinado, la imagen libre de neblina Jclear(x) se obtiene utilizando la formulación de Van et al.14 en (9), que viene dada por
      figure-protocol-299
      donde γ es el límite inferior de la transmisión (establecido en 0,05)
      Como se ilustra en la Figura 1, el método de refinamiento del mapa de transmisión propuesto preserva eficazmente las características complejas de la imagen y permite la recuperación de imágenes sin neblina.
  4. Recuperación de video borroso
    El enfoque de eliminación de neblina de video presentado en este trabajo se basa en el algoritmo de eliminación de neblina de una sola imagen al incorporar consideraciones de coherencia temporal para evitar artefactos parpadeantes. Los autores reconocen que la aplicación de eliminación de neblina de una sola imagen de forma independiente a cada fotograma de un video rompería la coherencia temporal entre fotogramas, lo que daría lugar a inconsistencias visuales. Para abordar este problema, se ha desarrollado un novedoso algoritmo de eliminación de neblina de video que cuantifica la coherencia temporal entre fotogramas iniciales consecutivos. Esta información se utiliza para estimar de forma adaptativa los mapas de transmisión y los valores de luz atmosférica para las próximas tramas.
    1. Artefactos parpadeantes
      La misma región de la imagen puede capturarse en diferentes coordenadas de píxeles en fotogramas consecutivos de un vídeo debido al movimiento del objeto y/o de la cámara. Los artefactos parpadeantes surgen como resultado de estos movimientos, que cambian los valores de transmisión en el mismo punto. Las técnicas de estimación de movimiento, como la estimación de flujo óptico19, se pueden utilizar para rastrear la ubicación de un objeto móvil y abordar estos problemas. Sin embargo, los métodos de estimación de movimiento a menudo necesitan un alto grado de complejidad computacional. Por lo tanto, se ha utilizado un modelo de probabilidad simple llamado MCD en lugar de calcular explícitamente los movimientos entre cuadros. La imagen diferencial entre los dos fotogramas consecutivos sirve de base para este modelo.
    2. Factor de correlación basado en gradientes
      El factor de correlación basado en gradiente (GCF) mide la similitud entre dos fotogramas de vídeo consecutivos en función de los gradientes de sus píxeles. Las imágenes/fotogramas I1 e I2 son muy similares, como lo indican los altos valores de correlación (I1, I2) ≈ 1, lo que implica que el píxel (x, y) representa el objeto duplicado o el contenido de la escena en ambos fotogramas. Los valores de correlación bajos (I1, I2) ≈ 0 indican que las imágenes y los fotogramas no son los mismos, muy probablemente debido al movimiento o las oclusiones. Dado que una imagen borrosa tiene menos contraste y claridad, los valores de píxeles de la imagen no se pueden usar para observar una correlación entre dos fotogramas.
      Las imágenes borrosas a menudo aparecen en su mayoría blanquecinas debido a la dispersión y absorción de la luz, lo que lleva a un aumento general de la intensidad de los píxeles y a una reducción del contraste. Como resultado, la mayoría de los píxeles en dos fotogramas borrosos consecutivos se vuelven similares, lo que hace que la correlación directa basada en píxeles sea ineficaz porque la neblina enmascara los detalles reales de la escena. En este contexto, el FVC se vuelve más significativo. A diferencia de la correlación de píxeles, que está fuertemente influenciada por la neblina, GCF se centra en los gradientes, los cambios de intensidad y las transiciones de color entre los píxeles vecinos. Estos gradientes se ven menos afectados por el brillo general de la imagen y capturan mejor la información estructural, como los bordes y los contornos. Esto hace que GCF sea una medida más confiable de similitud entre fotogramas en condiciones de neblina en comparación con el factor de correlación (CF) basado en píxeles entre dos fotogramas, como se muestra en la Tabla 1.
      La correlación figure-protocol-30 entre las tramas de vídeo consecutivas IK e IK-1es la siguiente.
      figure-protocol-3110
      donde el número de píxeles en el marco es N y σ = 10. figure-protocol-32 y figure-protocol-33 son las imágenes degradadas correspondientes a los fotogramas de vídeo IK e IK-1. Un paso simple para calcular GCF es:
      Entrada: Trama IK e IK-1.
      Se calculó el gradiente entre cada trama y su trama precedente, y (10) se aplicó a continuación para calcular el CGF, que posteriormente se utilizó para determinar el mapa de transmisión y la luz atmosférica necesaria para calcular la trama actual, o puede utilizarse para calcular la trama inicial y los pasos repetidos para cada trama siguiente. GCF calcula la correlación entre dos fotogramas consecutivos. Si la correlación es alta, indica que dos fotogramas consecutivos son casi iguales; de lo contrario, indica una correlación baja.
    3. Decisión basada en el FVC para la estimación de mapas de transmisión y luz atmosférica
      El GCF juega un papel crucial en la determinación de cómo manejar la luz atmosférica y estimar los mapas de transmisión en los procesos de eliminación de neblina. El GCF mide la similitud entre fotogramas de vídeo consecutivos en función de sus gradientes, lo que ayuda a evaluar cuánto ha cambiado la escena entre fotogramas, teniendo en cuenta factores como el movimiento o las oclusiones.
      Cuando el valor de GCF es alto, específicamente mayor que 0.85, indica que el marco actual es muy similar al anterior. En tales casos, se supone que el mapa de transmisión de la trama anterior sigue siendo válido, ya que la escena no ha cambiado significativamente. El uso del mapa de transmisión de la trama anterior ayuda a mantener la coherencia entre las tramas y evita recálculos innecesarios, mejorando así la eficiencia computacional.
      Sin embargo, si el valor de MCD cae por debajo de 0,5, sugiere una diferencia significativa entre los fotogramas, probablemente debido al movimiento u otros cambios dinámicos en la escena. En tales casos, confiar en el mapa de transmisión de la trama anterior daría lugar a resultados inexactos. Por lo tanto, la luz atmosférica Latm debe recalcularse para adaptarse a las nuevas condiciones de la escena. Además, se calcula un nuevo mapa de transmisión para representar mejor el contenido del fotograma actual. Esta recalibración garantiza que el proceso de eliminación de neblina tenga en cuenta las características actualizadas de la escena, restaurando con precisión la claridad y el contraste.
      Este proceso de toma de decisiones, guiado por el GCF, permite que el algoritmo de eliminación de neblina se ajuste dinámicamente a los cambios en la similitud del marco, lo que da como resultado una restauración de imagen más precisa y confiable. Al adaptar el mapa de transmisión y la luz atmosférica en función de la correlación observada, el protocolo maneja eficazmente escenas dinámicas y condiciones de neblina fluctuantes, mejorando la calidad de las imágenes sin neblina.

5. Resumen paso a paso del enfoque de eliminación de neblina de imagen única y video

Se proporciona un resumen paso a paso del enfoque de eliminación de neblina de imagen única y video, guiado por la Figura 2, que proporciona el marco inicial del algoritmo. (1) Se cargó la imagen figure-protocol-34 borrosa de entrada en el sistema para su procesamiento; (2) Convirtió la imagen a escala de grises y la redujo repetidamente en un factor de 2 como {figure-protocol-35 , figure-protocol-36 ..., figure-protocol-37 figure-protocol-38 }. Se seleccionó la imagen figure-protocol-39 más gruesa de modo que max (W, H) <= 320, donde W y H representan la anchura y la altura en el nivel más grueso L; (3) Dividió la imagen figure-protocol-40 gruesa en bloques m × m. Aquí, m se selecciona como (5); (4) Calculó la intensidad mínima en cada bloque para obtener la imagen figure-protocol-41 con dimensión figure-protocol-42reducida; (5) La imagen de canal oscuro de nivel más grueso, figure-protocol-43, se obtiene aplicando un filtro mínimo de 3 × 3 a figure-protocol-44; (6) Estimó el mapa de transmisión inicial utilizando la fórmula, figure-protocol-45, donde w se selecciona como 0.95 en este trabajo; (7) Se refinó el mapa de transmisión utilizando GWGIF (.) para obtener figure-protocol-46; (8) Luz atmosférica estimada Latm promediando el valor RGB correspondiente al 0,1% de las ubicaciones de píxeles más brillantes en el canal oscuro (figure-protocol-47) de la imagen borrosa; (9) Recuperó la imagen sin neblina Jclara (x) utilizando el modelo de dispersión de luz

figure-protocol-48; (10) Para video, fotogramas extraídos a intervalos regulares; (11) Calculó el factor de correlación basado en gradiente (GCF) entre dos marcos consecutivos para medir la similitud del marco; (12) Si < 0,5, se calculó un nuevo mapa de transmisión para la trama actual; si GCF≥0,85, reutilizó el mapa de transmisión de la trama anterior; (13) Refinó cada cuadro y recuperó los marcos borrosos utilizando los mismos pasos que para las imágenes; (14) Evaluó la calidad de salida utilizando métricas como NIQE11, PIQE12, BRISQE13, FADE8 y MSE14.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los resultados cualitativos y cuantitativos proporcionan información complementaria al evaluar un método o experimento. Los resultados cualitativos se centran en evaluaciones subjetivas, a menudo utilizando comparaciones visuales, evaluaciones perceptivas u opiniones de expertos para analizar la efectividad de un enfoque. Ayudan a ilustrar mejoras en escenarios del mundo real, pero pueden verse influenciados por la percepción humana. Por el contrario, los resultados cuantitativos se basan en métricas numéricas objetivas,...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El filtrado eficiente en el dominio del gradiente multiescala propuesto para la eliminación de neblina de imágenes y videos con un enfoque de coherencia temporal mejorada aborda el cuello de botella computacional en los algoritmos de eliminación de neblina basados en modelos físicos mediante la estimación eficiente de la luz atmosférica y los mapas de transmisión utilizando una estructura piramidal de imágenes. La innovación clave es realizar la estimación del mapa de transmisión MPS al ...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores declaran no tener conflictos de intereses

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Se extiende un sincero agradecimiento al editor y a los revisores anónimos por sus comentarios perspicaces y recomendaciones útiles, que han mejorado significativamente el calibre y la legibilidad de este trabajo. Su cuidadoso procedimiento de evaluación y sus comentarios perspicaces han sido cruciales para mejorar la contribución general de la investigación al área y ayudar a refinarla.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Conjunto de datos  Laboratorio de Procesamiento de Visión e Imagen, Universidad de Waterloo5http : //ivc.uwaterloo.ca/database/Dehaze/Valoración de algoritmos de eliminación de neblina de imágenes y videos
Filtro guiado ponderado basado en gradientes (implementación de Matlab)Wang  et al.16 https://arxiv.org/pdf/2211.16796Refinamiento eficiente del mapa de transmisión
MATLAB (con Image Processing Toolbox)Versión: MATLAB Online (24.2.0.2871072 (R2024b) Update 5)https://www.mathworks.com/products/matlab.htmlImplementación de algoritmos propuestos y de referencia
ProcesadorCPU Intel i3-6006U (2,00 GHz)https://www.intel.com/content/www/us/en/products/sku/91157/intel-core-i36006u-processor-3m-cache-2-00-ghz/specifications.htmlEjecución de algoritmos
Códigos fuente para métodos de referenciaKim et  al.3, Van et  al.14, Yang et al.20,
  Ren et al.21,  Chen et  al.23, Li B et al.26		3https://github.com/metinsuloglu/Haze-RemovalEvaluación de métodos de eliminación de neblina basados en el aprendizaje
14https://github.com/viengiaan/MGF eliminación de neblina
20https://github.com/legendongary/Proximal-Dehaze-Net-CPU
21https://github.com/rwenqi/GFN-dehazing
23https://cchen156.github.io/code/robustdehaze.zip
26https://github.com/Boyiliee/EVD-Net
4 http : //live.ece.utexas.edu/research/f og/f adedef ade.html

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Sharrab, Y. O., Alsmadi, I., Sarhan, N. J. Towards the availability of video communication in artificial intelligence-based computer vision systems utilizing a multi-objective function. Cluster Comput. 25 (1), 231-247 (2022).
  2. Afif, M., Said, Y., Atri, M. Computer vision algorithms acceleration using graphic processors NVIDIA CUDA. Cluster Comput. 23, 3335-3347 (2020).
  3. He, K., Sun, J., Tang, X. Single image haze removal using dark channel prior. IEEE TransPattern Anal Mach Intell. 33 (12), 2341-2353 (2011).
  4. Live Image Quality Database (Release 2). , Live Image Quality Database. http://live.ece.utexas.edu/research/fog/fadefade.html (2025).
  5. IVC Dehazing Dataset. , Image & Vision Computing (IVC) Laboratory. https://ivc.uwaterloo.ca/database/dehaze.html (2025).
  6. Ma, K., Duanmu, Z., Wu, Q., Wang, Z., Yong, H., Li, H., Zhang, L. Waterloo exploration database: New challenges for image qulity assessment models. IEEE TransImage Process. 26 (2), 1004-1016 (2017).
  7. MATLAB Online. , MathWorks. at https://matlab.mathworks.com (2025).
  8. Choi, L. K., You, J., Bovik, A. C. Referenceless prediction of perceptual fog density and perceptual image defogging. IEEE Trans. Image Process. 24 (11), 3888-3901 (2015).
  9. Kansal, I., Kasana, S. S. Minimum preserving subsampling-based fast image de-fogging. J Mod Opt. 65 (18), 2103-2123 (2018).
  10. Choi, L. K., You, J., Bovik, A. C. FADE: Fog Aware Density Evaluator. IEEE TransImage Process. 24 (11), 6436-6448 (2015).
  11. Blind image quality evaluation using perception based features. Venkatanath, N., Praneeth, D., Maruthi Chandrasekhar, B. H., Channappayya, S. S., Medasani, S. S. 2015 21st Natl Conf Commun, , 1-6 (2015).
  12. Chen, X., Fan, Z., Li, P., Dai, L., Kong, C., Zheng, Z., Li, Y. Unpaired deep image dehazing using contrastive disentanglement learning. in computer vision -- ECCV 2022. Avidan, S., Brostow, G., Cissé, M., Farinella, G. M., Hassner, T. , Springer Nature Switzerland. Cham. 632-648 (2022).
  13. Mittal, A., Moorthy, A. K., Bovik, A. C. No-reference image quality assessment in the spatial domain. IEEE Trans. Image Process. 21 (12), 4695-4708 (2012).
  14. Van Nguyen, T., Vien, A. G., Lee, C. Real-time image and video dehazing based on multiscale guided filtering. Multimed Tools Appl. 81 (25), 36567-36584 (2022).
  15. Image dehazing based on multiscale retinex and guided filtering. Gao, Z., Zhai, Y. 2022 Int Conf Image Process Comput Vis Mach Learn, , 123-126 (2022).
  16. Wang, B., Wang, Y., Sui, X., Liu, Y., Chen, Q. Gradient domain weighted guided image filtering. Signal Image Video Process. 17 (8), 4097-4105 (2023).
  17. Chang, M., Feng, H., Xu, Z., Li, Q. Low-light image restoration with short- and long-exposure raw pairs. IEEE Trans Multimed. 24, 702-714 (2022).
  18. Physically-based rendering for indoor scene understanding. Zhang, Y., Song, S., Yumer, E., Savva, M. Proc IEEE Conf Comput Vis Pattern Recognit, , 5287-5295 (2017).
  19. Tan, Y., Zhu, Y., Huang, Z., Tan, H., Li, K. MAPD: An FPGA-based real-time video haze removal accelerator using mixed atmosphere prior. IEEE Trans Comput Des Integr Circuits Syst. 42 (12), 4777-4790 (2023).
  20. Yang, D., Sun, J. Proximal dehaze-net: A prior learning-based deep network for single image dehazing. Lect Notes Comput Sci. 11211 LNCS, 729-746 (2018).
  21. Gated fusion network for single image dehazing. Ren, W. Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit, , 3253-3261 (2018).
  22. Wang, W., Yuan, X., Wu, X., Liu, Y. Fast image dehazing method based on linear transformation. IEEE Trans Multimed. 19 (6), 1142-1155 (2017).
  23. Chen, C., Do, M. N., Wang, J. Robust image and video dehazing with visual artifact suppression via gradient residual minimization. Computer Vision -- ECCV. Leibe, B., Matas, J., Sebe, N., Welling, M. , Springer International Publishing. Cham. 576-591 (2016).
  24. Kim, J. H., et al. Optimized contrast enhancement for real-time image and video dehazing. J. Vis. Commun. Image Represent. 24 (3), 410-425 (2013).
  25. GridDehazeNet: Attention-based multiscale network for image dehazing. Liu, X., Ma, Y., Shi, Z., Chen, J. Proc IEEE Int Conf Comput Vis, , 7313-7322 (2019).
  26. Wen, S., Zheng, Y., Lu, F. Polarization state attention dehazing network with a simulated polar-haze dataset. IEEE Trans Multimed. 27, 263-274 (2024).
  27. End-to-end united video dehazing and detection. Li, B., Peng, X., Wang, Z., Xu, J., Feng, D. 32nd AAAI Conf Artif Intell, AAAI 2018, 7016-7023 (2018).
  28. Li, Z., Shu, H., Zheng, C. Multiscale single image dehazing using Laplacian and Gaussian pyramids. IEEE Trans Image Process. 30, 9270-9279 (2021).
  29. Cai, B., Xu, X., Jia, K., Qing, C., Tao, D. DehazeNet: An end-to-end system for single image haze removal. IEEE Trans. Image Process. 25 (11), 5187-5198 (2016).
  30. Wu, Z., Liu, W., Wang, J., Li, J., Huang, D. FrePrompter: Frequency self-prompt for all-in-one image restoration. Pattern Recognit. 161, 111223(2025).
  31. Liu, F., Li, H., Hu, W., He, Y. Review of neural network model acceleration techniques based on FPGA platforms. Neurocomputing. , 128511(2024).
  32. Yang, J. Driving-video dehazing with non-aligned regularization for safety assistance. Cvpr. , 26109-26119 (2024).
  33. Yang, Y., Guo, C. L., Guo, X. Depth-aware unpaired video dehazing. IEEE Trans Image Process. 33, 2388-2403 (2024).
  34. Agrawal, R., Gupta, N., Batra, M., Arora, K. A Comprehensive review of image restoration and noise reduction techniques. Int J Recent Innov Trends Comput Commun. 11, 463-474 (2023).
  35. Ayoub, A., et al. Review of dehazing techniques: Challenges and future trends. Multimed Tools Appl. 84 (3), 1103-1131 (2025).
  36. Wei, H., et al. Robust unpaired image dehazing via adversarial deformation constraint. IEEE Trans Circuits Syst Video Technol. 34, 8614-8628 (2024).
  37. APL: Adaptive parameter learning for image dehazing. Martinho, L. A., Cavalcanti, J. M. B., Pio, J. L. S., Oliveira, F. G. 2024 International Conference on Machine Learning and Applications (ICMLA), , 636-643 (2024).
  38. Guo, X., et al. Single-image dehazing method based on Rayleigh Scattering and adaptive color compensation. PLoS One. 20, 1-18 (2025).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Image DehazingVideo DehazingGradient Domain FilteringMultiscale FilteringTemporal CoherenceGuided Image FilterTransmission Map RefinementAtmospheric ScatteringTexture PreservationReal Time Dehazing

Related Articles