Research Article

Filtrage multi-échelle efficace du domaine de gradient pour le débutage d’images et de vidéos avec une cohérence temporelle améliorée

DOI:

10.3791/68495

⸱

September 30th, 2025

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

In This Article

Summary

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

Le protocole intègre ici le sous-échantillonnage de préservation minimale avec le filtrage guidé pondéré dans le domaine de gradient pour améliorer les capacités de débutage en temps réel du modèle de diffusion de la lumière. La moyenne des valeurs RVB à partir des 0,1 % des pixels les plus lumineux de l’image source dans le canal sombre produit une lumière atmosphérique, et le facteur de corrélation basé sur le gradient est utilisé pour la cohérence du traitement vidéo.

Abstract

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

Le déhazage est crucial dans la vision par ordinateur pour restaurer la clarté de l’image affectée par la diffusion atmosphérique. Les méthodes existantes souffrent de coûts de calcul élevés, de la perte de détails de gradient et d’artefacts scintillants dans les applications vidéo. Pour améliorer l’efficacité et la qualité visuelle, ce travail propose une technique de débaguage basée sur un filtre d’image guidé pondéré en gradient multi-échelle, applicable à la fois aux vidéos et aux images. Pour estimer les paramètres atmosphériques et réduire la complexité des calculs, le sous-échantillonnage minimum de préservation (MPS) a été utilisé. Ensuite, un processus itératif de suréchantillonnage avec le filtre d’image guidé pondéré dans le domaine de gradient (GWGIF) affine la carte de transmission, préservant une quantité importante de caractéristiques de dégradé et améliorant ainsi la conservation de la texture et des bords. Pour le débutage vidéo, le facteur de corrélation basé sur le gradient (GCF) est introduit, ce qui permet de réduire considérablement les artefacts de scintillement par rapport aux méthodes existantes. Les évaluations expérimentales démontrent la supériorité de notre approche, avec un score PIQE (Perception-based Image Quality Evaluator) de 26,98, un score NIQE (Natural Image Quality Evaluator) de 2,78 et un score BRISQE (Blind/Referenceless Image Spatial Quality Evaluator) de 20,18, reflétant une meilleure qualité perceptuelle. De plus, la méthode proposée assure une cohérence temporelle élevée dans le débizutage vidéo, avec un écart d’erreur quadratique moyenne (MSE) de 0,003, ce qui la rend idéale pour les applications en temps réel telles que les véhicules autonomes, la surveillance et la télédétection.

Introduction

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

La brume est un phénomène atmosphérique qui rend plus difficile la vision d’objets éloignés lorsque la lumière est dispersée par de la fumée, des gouttelettes d’eau ou des particules de poussière. La détérioration de l’image due à la brume est préjudiciable aux applications de vision par ordinateur 1,2, y compris l’analyse vidéo, les véhicules autonomes et la surveillance. Pour améliorer les performances de la vision par ordinateur, comme première étape du traitement, une stratégie de désembuage est essentielle pour supprimer les composants de brumisation des images. Le terme « débutage » fait référence aux étapes utilisées pour restaurer la clarté d’une image floue ou autrement inutilisable. Ces dernières années, plusieurs techniques ont été développées pour le débizutage d’images. Le problème de désembuage représente l’image cible (brumeuse) Ihazy(x) du canal de couleur à l’emplacement x, comme le montre (1), tiré de He et al.3.

figure-introduction-1    1

Jclear(x) représente l’image transparente, tandis que Latm et t map représentent respectivement la lumière atmosphérique globale et la carte de transmission du moyen. La partie de la lumière captée par les capteurs de la caméra est indiquée par la distance dela carte t d(x) calculée par la distance entre la scène et la caméra dans He et al.3comme indiqué dans (2).

figure-introduction-2    2

Ici, β représente le coefficient de transmission pour la diffusion de l’air.

La récupération de Jclear(x) à partir de Ihazy(x) pendant le processus de débizutage est illustrée par (3), ce qui est réalisé après réarrangement de (1). Ici, t représente la transmission de la lumière de l’atmosphère, également connue sous le nom de coefficient de transmission.

figure-introduction-3    3

Le modèle DCP (Dark Channel Prior) 3 est l’un des modèles atmosphériques les plus connus à cet effet. Parmi les techniques de débrumage bien connues basées sur un modèle physique, DCP est la plus largement utilisée, qui suppose qu’au moins un canal de couleur contient des pixels d’intensités extrêmement faibles dans une image sans brume. Cette a priori est utilisée pour estimer la carte de transmission à l’aide de DCP et récupérer la radiance de la scène à partir de (1). Cependant, cette technique prend beaucoup de temps et sursature la région du ciel dans l’image.

La motivation de cette recherche découle de la nécessité d’améliorer la visibilité dans les applications de vision par ordinateur où la brume dégrade considérablement la qualité de l’image. Cette approche accélère non seulement le processus de dévoilement, mais garantit également que les détails de l’image, tels que les bords et les textures, sont préservés. De plus, la recherche étend son algorithme de débizutage aux vidéos, s’attaquant ainsi à un problème critique dans le traitement vidéo. Parfois, dans différentes conditions d’éclairage, la visibilité des images change, ce qui présente un autre défi dans de nombreuses applications, telles que la conduite autonome et la surveillance.

La validation de l’algorithme de déhazage proposé a été effectuée par le biais d’expériences approfondies sur divers ensembles de données d’images et de vidéos accessibles au public. Les ensembles de données comprennent à la fois des scènes brumeuses synthétiques et réelles, ce qui permet une évaluation complète dans diverses conditions. La validation expérimentale de diverses séquences vidéo du monde réel (Riverside, Crossroad, Haze road, Ship)4 et d’imagesstatiques5 avec différentes densités de brume, évaluées à l’aide de métriques établies (FADE, NIQE, PIQE, BRISQUE)6 et comparées à neuf méthodes de pointe, démontre l’applicabilité pratique de l’algorithme aux domaines de l’automobile, de la surveillance, de l’informatique maritime et mobile tout en maintenant les performances en temps réel. La performance a été évaluée à l’aide de comparaisons visuelles subjectives et de mesures de qualité objectives, démontrant la compétitivité avec des approches de pointe en termes de précision et d’efficacité de calcul.

L’œuvre proposée est conçue pour la performance en temps réel et a été testée sur des images et des vidéos avec des résolutions allant jusqu’à 1920 × 1080 pixels. Pour garantir un traitement efficace, toutes les expériences ont été menées sur un poste de travail équipé d’un processeur Intel i3-6006U (2,00 GHz) et de 12 Go de RAM. Bien que la méthode démontre de solides performances dans divers scénarios du monde réel, elle peut présenter une précision réduite dans des conditions de brume extrêmement dense où l’estimation de la transmission devient peu fiable. Ces détails mettent en évidence l’aspect pratique et les limites de l’approche proposée dans le cadre d’un déploiement dans le monde réel.

Pour surmonter divers défis, cette recherche propose une approche novatrice utilisant un GWGIF multi-échelle pour le débizutage d’images et de vidéos. En intégrant une méthode MPS, l’étude introduit une technique efficace en termes de calcul pour estimer la carte de transmission, qui est un facteur clé dans le déhazing. Les artefacts de scintillement ont été résolus en incorporant une nouvelle méthode GCF qui maintient la cohérence temporelle entre les images consécutives, garantissant à la fois l’efficacité de calcul et des résultats de haute qualité. Cette étude contribue au développement de techniques d’amélioration d’images et de vidéos plus robustes. La figure 1 illustre la carte de transmission calculée à l’aide de la méthode MPS, et la figure 2 montre la méthode proposée combinant MPS et GCF. La nouveauté de notre travail réside dans le développement d’un algorithme de déhazage d’images et de vidéos en temps réel basé sur le multiscaling avec un filtre guidé pondéré basé sur le gradient, qui résout les goulets d’étranglement computationnels des méthodes de déhazage traditionnelles. Plus précisément, nos principales contributions novatrices sont : (1) la technique MPS qui conserve les régions sombres critiques pour une estimation précise de la transmission tout en réduisant la charge de calcul ; (2) GWGIF qui préserve spécifiquement les bords fermes lors de l’affinement de la carte de transmission ; (3) Estimation optimisée de la lumière atmosphérique qui se concentre uniquement sur les 0,1 % de pixels les plus brillants ; (4) GCF pour le débutage vidéo qui mesure la similarité des images à l’aide d’informations de dégradé ; (5) Un système d’optimisation temporelle qui réutilise les calculs entre des images vidéo similaires pour réaliser un traitement en temps réel.

Cette méthode permet d’obtenir des performances en temps réel tout en offrant une qualité de débutage comparable ou supérieure à celle des algorithmes de pointe, comme le démontrent les expériences approfondies présentées dans l’article [Figure 3, Figure 4, Figure 5, Figure 6 et Figure 7].

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

Protocol

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

Ce travail utilisait des images de scènes synthétiques ou naturelles, sans sujets humains. Par conséquent, aucune approbation éthique n’était requise.

Ce protocole de désembuage d’image est développé sur une configuration informatique standard et est conçu pour améliorer la clarté et la visibilité des images floues. L’environnement de travail est MATLAB7. L’approche suit un processus systématique impliquant l’estimation, le raffinement et la restauration de l’image. En améliorant progressivement la qualité de l’image tout en préservant les détails importants, la méthode offre des résultats clairs et visuellement attrayants. Il a été testé sur des ensembles de données largement utilisés8 et évalué à l’aide de mesures de qualité d’image standard, démontrant son efficacité et son adéquation aux applications universitaires ou basées sur la recherche. Des explications et des équations importantes concernant le protocole, les matériaux et l’équipement, ainsi que les étapes de la solution proposée, ont été fournies dans les sections ci-dessous. Des paramètres d’évaluation ont également été définis.

1. Matériaux et équipements

L’expérience est développée à l’aide de MATLAB Online (24.2.0.2871072 (R2024b) Update 5) et exécutée sur un système équipé d’un processeur Intel i3-6006U (2,00 GHz). Les jeux de données d’images 5,8 utilisés pour la mise en œuvre proviennent de la littérature référencée. La méthodologie comprend l’utilisation d’un filtre gaussien 5 × 5 avec interpolation bilinéaire, l’estimation de la carte de transmission à l’aide de l’algorithme MPS9 et l’affinement à travers le filtre GWGIF, le tout réalisé sur une infrastructure de calcul appropriée. Les détails et les liens de tous les matériaux et équipements utilisés dans la recherche sont mentionnés dans la table des matériaux.

2. Dispositif expérimental

Le dispositif expérimental consiste à mettre en œuvre l’approche de déhazage d’images et de vidéos proposée dans un environnement de calcul scientifique qui prend en charge le traitement et la visualisation d’images basés sur des matrices. Des ensembles de données de référence standard 5,8, composés d’images floues et de vidéos10, telles que référencées dans la littérature établie, ont été utilisés pour évaluer les performances de la méthode. L’algorithme suit un cadre de traitement multi-échelle, utilisant des pyramides d’images et une corrélation basée sur le gradient pour guider le calcul et l’affinement de la carte de transmission adaptative. Pour les séquences vidéo, les images sont extraites à intervalles fixes, et le GCF est utilisé pour déterminer s’il faut réutiliser ou recalculer la carte de transmission. L’efficacité des sorties débrayées a été évaluée à l’aide de mesures de qualité d’image largement reconnues, notamment NIQE, PIQE, BRISQE, FADE et MSE, garantissant une évaluation à la fois subjective et objective de la qualité de la restauration.

3. Paramètres utilisés pour l’évaluation

Pour une évaluation objective, cinq paramètres de qualité ont été utilisés : (1) FADE (Fog-Aware Density Evaluator)8 ; (2) NIQE (Natural Image Quality Evaluator)11 ; (3) PIQE (Perception-based Image Quality Evaluator)12 ; (4) BRISQUE (Blind / Referenceless Image Spatial Quality Evaluator)13 ; (5) MSE (erreur quadratique moyenne) entre des images consécutives14.

4. Méthodologie de débizutage d’une seule image et d’une seule vidéo

  1. Convertir et construire une pyramide d’images
    Le désembuage d’une seule image commence par la conversion de l’image couleur d’entrée en niveaux de gris (figure-protocol-1). Une pyramide d’images {figure-protocol-2, figure-protocol-3...,figure-protocol-4figure-protocol-5, } est ensuite construite par sous-échantillonnage récursif Ihazy d’un facteur 2 jusqu’à ce que le niveau le plus grossier IL soit atteint, de sorte que la dimension maximale ne dépasse pas 320 pixels. Cela signifie que L est déterminé par l’exigence que max(W, H) <= 320, où W et H représentent la largeur et la hauteur au niveau le plus grossier L. La valeur L indique le nombre d’opérations de sous-échantillonnage nécessaires pour atteindre le niveau le plus grossier souhaité dans la structure pyramidale, comme le montre la figure 2.
  2. Estimation de la carte de transmission
    La carte de transmission indique le pourcentage de lumière qui n’est pas diffusée et atteint le capteur de l’appareil photo. La carte de transmission représente avec précision les informations de profondeur de l’image, car il s’agit d’une fonction de la profondeur qui est successive. La carte de transmission, tcarte, est calculé à l’aide de la lumière ambiante pour reconstruire une image sans voile Jclear (x). L’objectif principal de l’étude est de développer une méthode d’estimation de la transmission efficace sur le plan informatique pour accélérer le processus de débutage, car il a été constaté que le calcul d’une carte de transmission est l’étape la plus chronophage. Pour être plus précis, après avoir estimé la transmission à une résolution plus basse et en supposant que la carte de transmission est composée de parties constantes, les résultats ont été suréchantillonnés, comme le montre la Graphique 2.
    1. Estimation initiale de la carte de transmission à l’aide d’une approche multi-échelle sur MPS
      La carte figure-protocol-6 de transmission initiale est obtenue à partir de l’ImageImage figure-protocol-7, qui a déjà été calculée en sous-échantillonnant l’image floue d’entrée au niveau le plus grossier, L. En utilisant l’approche MPS9 sur figure-protocol-8, l’image est maintenant divisée en blocs carrés de 5 × 5 dimensions, comme le montre la [Figure 1]. De plus, figure-protocol-9 est calculé en sélectionnant la valeur minimale de chaque bloc de 5 × 5 pour obtenir une image sous-échantillonnée, avec les dimensions (M/m) × (N/m) indiquées en ( 4) de Kansal et al.9. Ici, min représente la fonction mathématique permettant de calculer la valeur d’intensité minimale dans le bloc BIi.
      figure-protocol-104
      l’image figure-protocol-11 du canal sombre de niveau le plus grossier 4 est ensuite obtenue en appliquant un filtre minimum de 3 × 3 comme figure-protocol-12 le montre ( 5) tiré des travaux9 de Kansal et al.
      figure-protocol-13 5
      Où ω est une fenêtre de taille 3 × 3. La carte figure-protocol-14 de transmission initiale est finalement estimée à l’aide de :
      figure-protocol-156
      où w est un facteur constant (généralement 0).
      La carte de transmission basée sur MPS garantit un meilleur contraste et une meilleure récupération des détails dans les régions gravement touchées par la brume en maintenant les valeurs minimales locales dans les patchs respectifs. Cependant, l’approche basée sur la transformation linéaire22 produit une carte de transmission plus uniforme (et moins précise) dans l’élimination de la brume, car elle est incapable de distinguer les régions avec des niveaux variables d’intensité de brume.
    2. Raffinement de la transmission
      Étant donné que la carte de transmission initiale (figure-protocol-16) n’est estimée qu’au niveau le plus grossier (L) de la pyramide d’images, elle doit être suréchantillonnée pour correspondre à la résolution de l’image d’entrée d’origine. Un suréchantillonnage bilinéaire simple BUp(·) est appliqué pour obtenir une carte de transmission en pleine résolution. De plus, pour préserver les détails des bords dans la carte de transmission, figure-protocol-17 il faut les affiner. L’utilisation d’un filtre guidé et d’un filtre guidé par gradient, comme appliqué dans Van et al.14 et Kansal et al.9, provoquerait des artefacts de flou dans la carte de transmission, entraînant la perte de détails de texture et d’informations sur les bords, ce qui dégraderait finalement les performances de dévoilement. Pour résoudre ce problème, la méthode GWGIF (Gradient Domain Weighted Guided Image Filtering)15 a été utilisée pour préserver efficacement les détails de l’image. Enfin, la transmission figure-protocol-18 raffinée est obtenue comme ci-dessous à partir de Wang et al.16.
      figure-protocol-19 7
      GWGIF affine la carte de transmission initiale en préservant les structures de bord et en évitant les artefacts de flou généralement introduits par les filtres guidés standard. L’étape suivante a été suivie pour implémenter la fonction GWGIF17.
      Entrée:
      figure-protocol-20: Carte de transmission initiale (basse résolution ou grossière)
      figure-protocol-21: Image floue originale (utilisée comme guide)
      Sortie:
      figure-protocol-22
      Étape 1 : Échantillonnage de la carte de transmission initiale
      Redimensionné figure-protocol-23 pour correspondre à la taille de Ihazy
      Étape 2 : Conversion de Ihazy en niveaux de gris
      Iflou = rgb2gray(Iflou)
      Étape 3 : Application du filtre guidé pondéré dans le domaine du dégradé comme dans (7)
      Carte de transmission affinée obtenuefigure-protocol-24
      Le processus calcule l’amplitude du gradient à partir de l’image de guidage à l’aide de l’opérateur Sobel, génère des poids basés sur le gradient et les intègre dans l’équation de filtrage guidé pour améliorer le lissage sensible aux bords. Le résultat est une carte de transmission affinée qui améliore considérablement la qualité du débutage et la préservation des détails, comme le montre la figure 4.
  3. Estimation de la lumière atmosphérique
    La lumière atmosphérique globale, en termes de débutage d’image basé sur un modèle, est essentielle. Comme l’ont déclaré Zhang et al.18, des images désembuées plus lumineuses sont produites par des valeurs plus faibles de lumière atmosphérique, tandis que des valeurs plus élevées de lumière atmosphérique produisent les images désembuées les plus sombres. Le travail proposé estime la lumière atmosphérique à partir de l’image du canal sombre (figure-protocol-25) obtenue à partir de l’image brumeuse d’entrée. Ensuite, les valeurs RVB correspondant aux 0,1 % de pixels les plus brillants de l’image du canal sombre sont choisies pour obtenir la valeur finale de la lumière atmosphérique, comme indiqué en ( 8) comme indiqué dans He et al.3. Ici, γ représente les 0,1 pixels les plus brillants. Ces pixels correspondent généralement aux régions les plus opaques de l’image. À partir de ces pixels sélectionnés, leurs valeurs RVB correspondantes dans l’image d’origine sont extraites et moyennées pour déterminer la lumière atmosphérique globale Latm.
    figure-protocol-26 8
    La lumière atmosphérique Latm est calculée en sélectionnant les 0,1 % de pixels les plus lumineux de l’image du canal sombre. Cela s’effectue comme suit :
    Entrée:
    Image floue I imageRVB floue)
    Sortie:
    Lumière atmosphérique Latm (un vecteur RVB à 3 éléments)
    Escalier:
    Étape 1 : Calculez le canal sombre de l’image :
    L’image du canal sombre est figure-protocol-27.
    Étape 2 : Trouvé la plupart des pixels opaques à la brume
    Aplatissement du canal sombre en un réseau 1D
    Triez les valeurs de pixels par ordre décroissant - effectué.
    Sélectionnez les 0,1 % de pixels les plus lumineux (c’est-à-dire les valeurs les plus élevées dans le canal sombre → une concentration de brume élevée).
    Étape 3 : Sélection des pixels candidats dans l’image d’entrée
    Parmi les 0,1 % de pixels supérieurs sélectionnés (à partir du canal sombre), identifiez les pixels correspondants dans l’image floue d’origineI.
    Pour chaque pixel sélectionné, l’intensité a été calculée (par exemple, la somme ou la norme de ses valeurs RVB).
    Étape 4 : Régler la lumière d’ambiance Latm
    La valeur RVB du pixel le plus brillant sélectionné ci-dessus a été prise comme la lumière atmosphérique estimée.
    La procédure ci-dessus estime systématiquement la lumière atmosphérique, Latm.
    La procédure ci-dessus estime systématiquement la lumière atmosphérique Latm en exploitant le canal sombre avant d’identifier les régions les plus affectées par la brume dans l’image. En excluant les zones claires et claires et en se concentrant sur les 0,1 % des régions les plus sombres (ce qui indique une brume dense), la méthode garantit une estimation robuste et précise de la lumière atmosphérique mondiale, qui est un paramètre essentiel pour une élimination efficace de la brume dans les algorithmes de désembutage d’image unique.
    1. Récupération d’image floue
      Enfin, après avoir trouvé la lumière atmosphérique Latm et la carte figure-protocol-28de transmission affinée , l’image sans voile Jclear(x) est obtenue en utilisant la formulation de Van et al.14 en (9), qui est donnée par
      figure-protocol-299
      où γ est la limite inférieure de la transmission (définie sur 0,05)
      Comme l’illustre la figure 1, la méthode de raffinement de la carte de transmission proposée préserve efficacement les caractéristiques complexes de l’image et permet une récupération d’image sans voile.
  4. Récupération vidéo floue
    L’approche de débutage vidéo présentée dans ce travail s’appuie sur l’algorithme de débutage d’image unique en incorporant des considérations de cohérence temporelle pour éviter les artefacts de scintillement. Les auteurs reconnaissent que l’application d’un débutage d’image unique indépendamment à chaque image d’une vidéo briserait la cohérence temporelle entre les images, ce qui entraînerait des incohérences visuelles. Pour résoudre ce problème, un nouvel algorithme de débizutage vidéo a été développé qui quantifie la cohérence temporelle entre des images initiales consécutives. Ces informations sont utilisées pour estimer de manière adaptative les cartes de transmission et les valeurs de lumière atmosphérique pour les images à venir.
    1. Artéfacts scintillants
      La même région d’image peut être capturée à des coordonnées de pixels différentes dans des images consécutives d’une vidéo en raison du mouvement de l’objet et/ou de la caméra. Des artefacts scintillants apparaissent à la suite de ces mouvements, qui modifient les valeurs de transmission au même endroit. Les techniques d’estimation de mouvement, telles que l’estimation de flux optique19, peuvent être utilisées pour suivre l’emplacement d’un objet mobile et résoudre ces problèmes. Cependant, les méthodes d’estimation de mouvement nécessitent souvent un haut degré de complexité de calcul. Par conséquent, un modèle de probabilité simple appelé GCF a été utilisé au lieu de calculer explicitement les mouvements entre les images. L’image différentielle entre les deux cadres consécutifs sert de base à ce modèle.
    2. Facteur de corrélation basé sur le gradient
      Le facteur de corrélation basé sur le gradient (GCF) mesure la similitude entre deux images vidéo consécutives en fonction des dégradés de leurs pixels. Les images/images I1 et I2 sont très similaires, comme l’indiquent les valeurs de corrélation élevées (I1, I2) ≈ 1, ce qui implique que le pixel (x, y) représente l’objet dupliqué ou le contenu de la scène dans les deux images. De faibles valeurs de corrélation (I1, I2) ≈ 0 indiquent que les images et les images ne sont pas identiques, probablement en raison de mouvements ou d’occlusions. Étant donné qu’une image floue a moins de contraste et de clarté, les valeurs de pixels de l’image ne peuvent pas être utilisées pour observer une corrélation entre deux images.
      Les images floues apparaissent souvent principalement blanchâtres en raison de la diffusion et de l’absorption de la lumière, ce qui entraîne une augmentation générale de l’intensité des pixels et une réduction du contraste. Par conséquent, la plupart des pixels de deux images brumeuses consécutives deviennent similaires, ce qui rend la corrélation directe basée sur les pixels inefficace, car la brume masque les détails réels de la scène. Dans ce contexte, le FVC prend de l’importance. Contrairement à la corrélation pixel par pixel, qui est fortement influencée par la brume, GCF se concentre sur les dégradés, les changements d’intensité et les transitions de couleur entre les pixels voisins. Ces dégradés sont moins affectés par la luminosité globale de l’image et capturent mieux les informations structurelles, telles que les bords et les contours. Cela fait du GCF une mesure plus fiable de la similarité entre les images dans des conditions brumeuses par rapport au facteur de corrélation basé sur les pixels (CF) entre deux images, comme le montre le tableau 1.
      La corrélation figure-protocol-30 entre les trames vidéo consécutives IK et IK-1est la suivante.
      figure-protocol-3110
      où le nombre de pixels dans le cadre est N et σ = 10. figure-protocol-32 et figure-protocol-33 sont les images dégradées correspondant aux images vidéo IK et IK-1. Une étape simple pour calculer le PGCD est la suivante :
      Entrée : Trame IK et IK-1.
      Le gradient entre chaque trame et sa trame précédente a été calculé, et (10) a ensuite été appliqué pour calculer le CGF, qui a ensuite été utilisé pour déterminer la carte de transmission et la lumière atmosphérique nécessaires au calcul de la trame actuelle, ou peut être utilisé pour calculer la trame initiale et les étapes répétées pour chaque trame suivante. Le GCF calcule la corrélation entre deux images consécutives. Si la corrélation est élevée, cela indique que deux images consécutives sont presque identiques ; Sinon, cela indique une faible corrélation.
    3. Décision basée sur le GCF pour l’estimation de la lumière atmosphérique et de la carte de transmission
      Le GCF joue un rôle crucial dans la détermination de la façon de gérer la lumière atmosphérique et l’estimation des cartes de transmission dans les processus de déhazage. Le GCF mesure la similitude entre les images vidéo consécutives en fonction de leurs gradients, ce qui permet d’évaluer dans quelle mesure la scène a changé entre les images, en tenant compte de facteurs tels que le mouvement ou les occlusions.
      Lorsque la valeur PGCD est élevée, en particulier supérieure à 0,85, cela indique que l’image actuelle est très similaire à la précédente. Dans ce cas, la carte de transmission de l’image précédente est supposée être toujours valide, car la scène n’a pas changé de manière significative. L’utilisation de la carte de transmission de la trame précédente permet de maintenir la cohérence entre les trames et d’éviter les recalculs inutiles, améliorant ainsi l’efficacité du calcul.
      Cependant, si la valeur GCF tombe en dessous de 0,5, cela suggère une différence significative entre les images, probablement due au mouvement ou à d’autres changements dynamiques dans la scène. Dans de tels cas, s’appuyer sur la carte de transmission de l’image précédente conduirait à des résultats inexacts. Par conséquent, la lumière atmosphérique Latm doit être recalculée pour s’adapter aux nouvelles conditions de la scène. De plus, une nouvelle carte de transmission est calculée pour mieux représenter le contenu de la trame actuelle. Ce recalibrage garantit que le processus de déhazage tient compte des caractéristiques mises à jour de la scène, rétablissant avec précision la clarté et le contraste.
      Ce processus de prise de décision, guidé par le GCF, permet à l’algorithme de débutage de s’ajuster dynamiquement aux changements de similarité d’image, ce qui se traduit par une restauration d’image plus précise et plus fiable. En adaptant la carte de transmission et la lumière atmosphérique en fonction de la corrélation observée, le protocole gère efficacement les scènes dynamiques et les conditions de brume fluctuantes, améliorant ainsi la qualité des images dévoilées.

5. Résumé étape par étape de l’approche de débizutage d’une seule image et d’une seule vidéo

Vous trouverez ci-dessous un résumé étape par étape de l’approche de désembuage d’une seule image et d’une seule vidéo, guidé par la figure 2, qui fournit le cadre initial de l’algorithme. (1) Chargé l’image figure-protocol-34 floue d’entrée dans le système pour le traitement ; (2) Converti l’image en niveaux de gris et sous-échantillonné à plusieurs reprises d’un facteur 2 comme {figure-protocol-35 , figure-protocol-36 ..., figure-protocol-37 figure-protocol-38 }. Sélectionnez l’image figure-protocol-39 la plus grossière telle que max (W, H) <= 320, où W et H représentent la largeur et la hauteur au niveau le plus grossier L ; (3) Divisez l’image figure-protocol-40 grossière en blocs de m × m. Ici, m est sélectionné comme (5) ; (4) Calcul de l’intensité minimale dans chaque bloc pour obtenir l’image figure-protocol-41 sous-échantillonnée avec dimension figure-protocol-42; (5) L’image du canal sombre de niveau le plus grossier, figure-protocol-43, est ensuite obtenue en appliquant un filtre minimum de 3 × 3 à figure-protocol-44; (6) Estimation de la carte de transmission initiale à l’aide de la formule, figure-protocol-45, où w est choisi comme 0,95 dans ce travail ; (7) Affinage de la carte de transmission en utilisant GWGIF(.) pour obtenir figure-protocol-46; (8) Estimation de la lumière atmosphérique Latm en faisant la moyenne de la valeur RVB correspondant aux emplacements des pixels les plus lumineux de 0,1 % dans le canal sombre (figure-protocol-47) de l’image floue ; (9) Récupération de l’image déhazée Jclaire (x) à l’aide du modèle de diffusion de la lumière

figure-protocol-48; (10) Pour la vidéo, les images extraites à intervalles réguliers ; (11) Calcul du facteur de corrélation basé sur le gradient (GCF) entre deux images consécutives pour mesurer la similarité des images ; (12) Si < 0,5, calculer une nouvelle carte de transmission pour la trame actuelle ; si GCF≥0,85, réutilisation de la carte de transmission de la trame précédente ; (13) Affinez chaque image et récupérez les images désembuées en suivant les mêmes étapes que pour les images ; (14) Évaluation de la qualité de sortie à l’aide de mesures telles que NIQE11, PIQE12, BRISQE13, FADE8 et MSE14.

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

Results

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

Les résultats qualitatifs et quantitatifs fournissent des informations complémentaires lors de l’évaluation d’une méthode ou d’une expérience. Les résultats qualitatifs se concentrent sur des évaluations subjectives, souvent à l’aide de comparaisons visuelles, d’évaluations perceptuelles ou d’opinions d’experts pour analyser l’efficacité d’une approche. Ils aident à illustrer les améliorations dans des scénarios du monde réel, mais peuvent être influencés par la perception humaine. En revanche, les résultats quantitatifs...

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

Discussion

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

Le filtrage efficace multi-échelle dans le domaine du gradient proposé pour le débutage d’images et de vidéos avec une approche de cohérence temporelle améliorée résout le goulot d’étranglement informatique dans les algorithmes de débutage basés sur des modèles physiques en estimant efficacement la lumière atmosphérique et les cartes de transmission à l’aide d’une structure pyramidale d’images. L’innovation clé consiste à effectuer l’estimation de la carte de transmission MPS au niveau d...

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

Disclosures

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

Les auteurs ne déclarent aucun conflit d’intérêts

Acknowledgements

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

Nous remercions sincèrement l’éditeur et les examinateurs anonymes pour leurs commentaires perspicaces et leurs recommandations utiles, qui ont considérablement amélioré le calibre et la lisibilité de ce travail. Leur procédure d’évaluation minutieuse et leurs remarques perspicaces ont été cruciales pour améliorer la contribution globale de la recherche dans le domaine et aider à l’affiner.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Jeu de données  ; Laboratoire de traitement de la vision et de l’image, Université de Waterloo5http : //ivc.uwaterloo.ca/database/Dehaze/Évaluation d’algorithmes de débizutage d’images et de vidéos
Filtre guidé pondéré basé sur le gradient (implémentation Matlab)Wang  ; et al.16 https://arxiv.org/pdf/2211.16796Affinement efficace de la cartographie de transmission
MATLAB (avec Image Processing Toolbox)Version : MATLAB Online (24.2.0.2871072 (R2024b) Update 5)https://www.mathworks.com/products/matlab.htmlMise en œuvre des algorithmes proposés et de base
ProcesseurProcesseur 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.htmlExécuter des algorithmes
Codes sources des méthodes de référenceKim et  ; al.3, Van et  ; al.14, Yang et al.20,
  ; Ren et coll.21,  ; Chen et  ; al.23, Li B et al.26		3https://github.com/metinsuloglu/Haze-RemovalÉvaluation des méthodes de déhazage basées sur l’apprentissage
14https://github.com/viengiaan/MGF Débrouillant
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