Efficiente filtraggio multiscala del dominio del gradiente per la rimozione della foschia di immagini e video con maggiore coerenza temporale

Summary

Il protocollo integra il sottocampionamento con conservazione minima con filtro guidato ponderato nel dominio del gradiente per migliorare le capacità di rimozione della foschia in tempo reale del modello di diffusione della luce. La media dei valori RGB dei pixel più luminosi dell'immagine sorgente dello 0,1% nel canale scuro produce una luce atmosferica e il fattore di correlazione basato sul gradiente viene utilizzato per la coerenza dell'elaborazione video.

Abstract

La rimozione della foschia è fondamentale nella visione artificiale per ripristinare la nitidezza dell'immagine influenzata dalla dispersione atmosferica. I metodi esistenti soffrono di elevati costi computazionali, perdita di dettagli del gradiente e artefatti sfarfallio nelle applicazioni video. Per migliorare l'efficienza e la qualità visiva, questo lavoro propone una tecnica di dehazing guidata basata su filtri di immagini pesate nel dominio del gradiente multiscala applicabile sia ai video che alle immagini. Per stimare i parametri atmosferici e ridurre la complessità computazionale, è stato impiegato il sottocampionamento a conservazione minima (MPS). Successivamente, un processo iterativo di upsampling con il filtro gggif (Gradient-domain Weighted Guided Image Filter) perfeziona la mappa di trasmissione, preservando una quantità significativa di funzioni di gradiente e migliorando così la texture e la ritenzione dei bordi. Per la rimozione della foschia video, viene introdotto il fattore di correlazione basato sul gradiente (GCF), che consente di ridurre significativamente gli artefatti di sfarfallio rispetto ai metodi esistenti. Le valutazioni sperimentali dimostrano la superiorità del nostro approccio, ottenendo un punteggio PIQE (Perception-based Image Quality Evaluator) di 26,98, un punteggio NIQE (Natural Image Quality Evaluator) di 2,78 e un punteggio BRISQE (Blind/Referenceless Image Spatial Quality Evaluator) di 20,18, che riflette una migliore qualità percettiva. Inoltre, il metodo proposto garantisce un'elevata coerenza temporale nella rimozione della foschia video, con una deviazione dell'errore quadratico medio (MSE) di 0,003, che lo rende ideale per applicazioni in tempo reale come veicoli autonomi, sorveglianza e telerilevamento.

Introduction

La foschia è un fenomeno atmosferico che rende più difficile vedere oggetti distanti quando la luce è dispersa da fumo, goccioline d'acqua o particelle di polvere. Il deterioramento dell'immagine dovuto alla foschia è dannoso per le applicazioni di visione artificiale ^1,2, tra cui l'analisi video, i veicoli autonomi e la sorveglianza. Per migliorare le prestazioni della visione artificiale, come primo passo nell'elaborazione, una strategia di rimozione della foschia è essenziale per rimuovere i componenti di foschia dalle immagini. Il termine "rimozione foschia" si riferisce ai passaggi utilizzati p....

Protocol

Questo lavoro ha utilizzato immagini di scene sintetiche o naturali senza soggetti umani coinvolti. Pertanto, non era richiesta alcuna approvazione etica.

Questo protocollo di rimozione della foschia delle immagini è sviluppato su una configurazione informatica standard ed è progettato per migliorare la chiarezza e la visibilità delle immagini sfocate. L'ambiente di lavoro è MATLAB⁷. L'approccio segue un processo sistematico che coinvolge la stima della foschia, il perfezionamento e il ripristino dell'immagine. Migliorando gradualmente la qualità dell'immagine preservando i dettagli importanti, il metodo offre risult....

Results

I risultati qualitativi e quantitativi forniscono informazioni complementari nella valutazione di un metodo o di un esperimento. I risultati qualitativi si concentrano su valutazioni soggettive, spesso utilizzando confronti visivi, valutazioni percettive o opinioni di esperti per analizzare l'efficacia di un approccio. Aiutano a illustrare i miglioramenti negli scenari del mondo reale, ma possono essere influenzati dalla percezione umana. Al contrario, i risultati quantitativi si basano su metriche numeriche oggettive, c.......

Discussion

L'efficiente filtraggio del dominio del gradiente multiscala proposto per la rimozione della foschia di immagini e video con un approccio di coerenza temporale avanzata affronta il collo di bottiglia computazionale negli algoritmi di rimozione della foschia basati su modelli fisici stimando in modo efficiente la luce atmosferica e le mappe di trasmissione utilizzando una struttura piramidale di immagini. L'innovazione chiave consiste nell'eseguire la stima della mappa di trasmissione MPS.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Dataset	Laboratorio di visione ed elaborazione delle immagini, Università di Waterloo	5http : //ivc.uwaterloo.ca/database/Dehaze/	Valutazione di algoritmi di dehazing di immagini e video
Filtro guidato ponderato basato su gradiente (implementazione Matlab)	Wang et al.	16 https://arxiv.org/pdf/2211.16796	Perfezionamento efficiente della mappa di trasmissione
MATLAB (con Image Processing Toolbox)	Versione: MATLAB Online (24.2.0.2871072 (R2024b) Update 5)	https://www.mathworks.com/products/matlab.html	Implementazione di algoritmi proposti e di base
Processore	processore 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.html	Esecuzione di algoritmi
Codici sorgente per i metodi di base	Kim 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-Removal	Valutazione dei metodi di rimozione della foschia basati sull'apprendimento
		14https://github.com/viengiaan/MGF disinocchiatura
		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