Research Article

Filtragem eficiente de domínio de gradiente multiescala para desembaçamento de imagem e vídeo com coerência temporal aprimorada

DOI:

10.3791/68495

⸱

September 30th, 2025

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

In This Article

Summary

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

O protocolo aqui integra a subamostragem de preservação mínima com a filtragem guiada ponderada no domínio do gradiente para aprimorar os recursos de desembaçamento em tempo real do modelo de dispersão de luz. A média dos valores RGB dos 0,1% principais pixels mais brilhantes da imagem de origem no canal escuro produz luz atmosférica, e o fator de correlação baseado em gradiente é usado para consistência de processamento de vídeo.

Abstract

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

A remoção de embaçamento é crucial na visão computacional para restaurar a clareza da imagem afetada pela dispersão atmosférica. Os métodos existentes sofrem com altos custos computacionais, perda de detalhes de gradiente e artefatos cintilantes em aplicativos de vídeo. Para aumentar a eficiência e a qualidade visual, este trabalho propõe uma técnica de desembaçamento baseada em filtro de imagem guiada ponderada no domínio do gradiente multiescala aplicável a vídeos e imagens. Para estimar os parâmetros atmosféricos e reduzir a complexidade computacional, a Subamostragem Mínima de Preservação (MPS) foi empregada. Em seguida, um processo iterativo de aumento da amostragem com o Filtro de Imagem Guiada Ponderada no Domínio do Gradiente (GWGIF) refina o mapa de transmissão, preservando uma quantidade significativa de recursos de gradiente e, assim, aprimorando a textura e a retenção de bordas. Para desembaçamento de vídeo, o Fator de Correlação Baseado em Gradiente (GCF) é introduzido, resultando em uma redução significativa nos artefatos de cintilação em comparação com os métodos existentes. As avaliações experimentais demonstram a superioridade de nossa abordagem, alcançando uma pontuação de 26,98 no Perception-based Image Quality Evaluator (PIQE), uma pontuação de 2,78 no Natural Image Quality Evaluator (NIQE) e uma pontuação de 20,18 no Blind / Referenceless Image Spatial Quality Evaluator (BRISQE), refletindo uma melhor qualidade perceptiva. Além disso, o método proposto garante alta coerência temporal na desembaçamento de vídeo, com desvio de erro quadrático médio (MSE) de 0,003, tornando-o ideal para aplicações em tempo real, como veículos autônomos, vigilância e sensoriamento remoto.

Introduction

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

A neblina é um fenômeno atmosférico que torna mais difícil ver objetos distantes quando a luz é espalhada por fumaça, gotículas de água ou partículas de poeira. A deterioração da imagem devido à neblina é prejudicial para aplicações de visão computacional 1,2, incluindo análise de vídeo, veículos autônomos e vigilância. Para melhorar o desempenho da visão computacional, como primeiro passo no processamento, uma estratégia de desembaçamento é essencial para remover os componentes de neblina das imagens. O termo "desembaçamento" refere-se às etapas usadas para restaurar a clareza de uma imagem borrada ou inutilizável. Nos últimos anos, várias técnicas foram desenvolvidas para desembaçamento de imagens. O problema de desembaçamento representa a imagem alvo (nebulosa) Inebulosa(x) do canal de cor no local x, conforme mostrado em (1), conforme retirado de He et al.3.

figure-introduction-1    1

Jclear (x) representa a imagem transparente, enquanto Latm e tmap representam a luz atmosférica global e o mapa de transmissão do meio, respectivamente. A porção da luz captada pelos sensores da câmera é denotada pela distância domapa t d (x) calculada pela distância entre a cena e a câmera em He et al.3conforme mostrado em (2).

figure-introduction-2    2

Aqui, β representa o coeficiente de transmissão para dispersão de ar.

Recuperando Jclear(x) de Ihazy(x) durante o processo de desembaçamento, é mostrado em (3), que é obtido após o rearranjo de (1). Aqui, t representa a transmitância de luz da atmosfera, também conhecida como coeficiente de transmissão.

figure-introduction-3    3

O modelo anterior de canal escuro (DCP)3 está entre os modelos atmosféricos mais conhecidos para esse fim. Entre as técnicas de desembaçamento baseadas em modelos físicos bem conhecidas, o DCP é o mais amplamente utilizado, que pressupõe que pelo menos um canal de cor contenha pixels com intensidades extremamente baixas em uma imagem sem neblina. Este prior é usado para estimar o mapa de transmissão usando DCP e recuperar a radiância da cena de (1). No entanto, essa técnica é demorada e satura demais a região do céu na imagem.

A motivação para esta pesquisa decorre da necessidade de aumentar a visibilidade em aplicações de visão computacional onde a neblina degrada significativamente a qualidade da imagem. A abordagem não apenas acelera o processo de desembaçamento, mas também garante que os detalhes da imagem, como bordas e texturas, sejam preservados. Além disso, a pesquisa estende seu algoritmo de desembaçamento para vídeos, abordando um problema crítico no processamento de vídeo. Às vezes, sob diferentes condições de iluminação, a visibilidade das imagens muda, o que representa outro desafio em muitas aplicações, como direção autônoma e vigilância.

A validação do algoritmo de desembaçamento proposto foi realizada por meio de extensos experimentos em vários conjuntos de dados de imagem e vídeo disponíveis publicamente. Os conjuntos de dados compreendem cenas nebulosas sintéticas e do mundo real, permitindo uma avaliação abrangente sob diversas condições. A validação experimental em diversas sequências de vídeo do mundo real (Riverside, Crossroad, Haze road, Ship)4 e imagensestáticas5 com densidades de neblina variadas, avaliadas usando métricas estabelecidas (FADE, NIQE, PIQE, BRISQUE)6 e comparadas com nove métodos de última geração, demonstra a aplicabilidade prática do algoritmo para os domínios automotivo, de vigilância, marítimo e de computação móvel, mantendo o desempenho em tempo real. O desempenho foi avaliado por meio de comparações visuais subjetivas e métricas objetivas de qualidade, demonstrando competitividade com abordagens de última geração em termos de precisão e eficiência computacional.

O trabalho proposto foi projetado para desempenho em tempo real e foi testado em imagens e vídeos com resoluções de até 1920 × 1080 pixels. Para garantir um processamento eficiente, todos os experimentos foram conduzidos em uma estação de trabalho equipada com uma CPU Intel i3-6006U (2,00 GHz) e 12 GB de RAM. Embora o método demonstre um forte desempenho em vários cenários do mundo real, ele pode exibir precisão reduzida em condições de neblina extremamente densa, onde a estimativa da transmissão se torna não confiável. Esses detalhes destacam a praticidade e as limitações da abordagem proposta na implantação no mundo real.

Para superar vários desafios, esta pesquisa propõe uma nova abordagem usando um GWGIF multiescala para imagens e vídeos de desembaçamento. Ao integrar um método MPS, o estudo introduz uma técnica computacionalmente eficiente para estimar o mapa de transmissão, que é um fator chave na desembaçamento. Os artefatos de cintilação foram resolvidos incorporando um novo método GCF que mantém a coerência temporal entre quadros consecutivos, garantindo eficiência computacional e resultados de alta qualidade. Este estudo contribui para o desenvolvimento de técnicas mais robustas de aprimoramento de imagem e vídeo. A Figura 1 ilustra o mapa de transmissão calculado usando o método MPS e a Figura 2 mostra o método proposto combinando MPS e GCF. A novidade do nosso trabalho está no desenvolvimento de um algoritmo de desembaçamento de imagem e vídeo em tempo real baseado em multiscaling com um filtro guiado ponderado baseado em gradiente, que aborda os gargalos computacionais dos métodos tradicionais de desembaçamento. Especificamente, nossas principais contribuições inovadoras são: (1) a técnica MPS que retém regiões escuras críticas para uma estimativa precisa da transmissão enquanto reduz a carga computacional; (2) GWGIF que preserva especificamente bordas firmes durante o refinamento do mapa de transmissão; (3) Estimativa otimizada da luz atmosférica que se concentra apenas nos 0,1% dos pixels mais brilhantes; (4) GCF para desembaçamento de vídeo que mede a similaridade do quadro por meio de informações de gradiente; (5) Um sistema de otimização temporal que reutiliza cálculos entre quadros de vídeo semelhantes para obter processamento em tempo real.

Este método alcança desempenho em tempo real ao mesmo tempo em que oferece qualidade de desembaçamento comparável ou melhor do que a dos algoritmos de última geração, conforme demonstrado por extensos experimentos apresentados no artigo [Figura 3, Figura 4, Figura 5, Figura 6 e Figura 7].

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

Protocol

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

Este trabalho usou imagens de cenas sintéticas ou naturais sem sujeitos humanos envolvidos. Portanto, nenhuma aprovação ética foi necessária.

Este protocolo de desembaçamento de imagem é desenvolvido em uma configuração de computação padrão e foi projetado para melhorar a clareza e a visibilidade de imagens nebulosas. O ambiente de trabalho é MATLAB7. A abordagem segue um processo sistemático envolvendo estimativa de neblina, refinamento e restauração de imagem. Ao melhorar gradualmente a qualidade da imagem, preservando detalhes importantes, o método oferece resultados claros e visualmente atraentes. Ele foi testado em conjuntos de dados amplamente utilizados8 e avaliado usando medidas padrão de qualidade de imagem, demonstrando sua eficácia e adequação para aplicações acadêmicas ou baseadas em pesquisa. Explicações e equações importantes para o protocolo, materiais e equipamentos, bem como as etapas da solução proposta, foram fornecidas nas seções abaixo. Os parâmetros de avaliação também foram delineados.

1. Materiais e equipamentos

O experimento é desenvolvido usando o MATLAB Online (24.2.0.2871072 (R2024b) Update 5) e executado em um sistema com CPU Intel i3-6006U (2,00 GHz). Os conjuntos de dados de imagens 5,8 usados para a implementação são provenientes da literatura referenciada. A metodologia inclui o uso de um filtro gaussiano 5 × 5 com interpolação bilinear, estimativa do mapa de transmissão usando o algoritmo MPS9 e refinamento através do filtro GWGIF, tudo realizado em uma infraestrutura computacional adequada. Detalhes e links de todos os materiais e equipamentos utilizados na pesquisa são mencionados na Tabela de Materiais.

2. Configuração experimental

A configuração experimental envolve a implementação da abordagem proposta de desembaçamento de imagem e vídeo em um ambiente de computação científica que suporta processamento e visualização de imagem baseados em matriz. Conjuntos de dados de referência padrão 5,8, consistindo em imagens e vídeos nebulosos10, conforme referenciado na literatura estabelecida, foram usados para avaliar o desempenho do método. O algoritmo segue uma estrutura de processamento multiescala, utilizando pirâmides de imagens e correlação baseada em gradiente para orientar o cálculo e o refinamento do mapa de transmissão adaptativo. Para sequências de vídeo, os quadros são extraídos em intervalos fixos e o GCF é usado para determinar se o mapa de transmissão deve ser reutilizado ou recalculado. A eficácia das saídas desembaçadas foi avaliada usando métricas de qualidade de imagem amplamente reconhecidas, incluindo NIQE, PIQE, BRISQE, FADE e MSE, garantindo uma avaliação subjetiva e objetiva da qualidade da restauração.

3. Parâmetros utilizados para avaliação

Para avaliação objetiva, foram utilizadas cinco métricas de qualidade: (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 / Reference (5) MSE (Erro Quadrático Médio) entre quadros consecutivos14.

4. Metodologia de desembaçamento de imagem única e vídeo

  1. Converter e construir uma pirâmide de imagens
    A desembaçamento de imagem única começa convertendo a imagem colorida de entrada em tons de cinza (figure-protocol-1). Uma pirâmide de imagem {figure-protocol-2, figure-protocol-3...,figure-protocol-4, figure-protocol-5} é então construída reduzindo recursivamente a resolução Inebulosa com um fator de 2 até que o nível mais grosseiro IL seja alcançado, de modo que a dimensão máxima não seja maior que 320 pixels. Isso significa que L é determinado pelo requisito de que max(W, H) <= 320, onde W e H representam a largura e a altura no nível mais grosseiro L. O valor L indica o número de operações de redução de amostragem necessárias para atingir o nível mais grosseiro desejado na estrutura da pirâmide, como na Figura 2.
  2. Estimativa do mapa de transmissão
    O mapa de transmissão mostra a porcentagem de luz que não é espalhada e atinge o sensor da câmera. O mapa de transmissão representa com precisão as informações de profundidade da imagem, pois é uma função da profundidade que é sucessiva. O mapa de transmissão, tmapa, é calculado usando luz ambiente para reconstruir uma imagem sem neblina Jclear (x). O objetivo principal do estudo é desenvolver um método de estimativa de transmissão computacionalmente eficiente para agilizar o processo de desembaçamento, pois descobriu-se que o cálculo de um mapa de transmissão é a etapa mais demorada. Para ser mais específico, depois de estimar a transmissão em uma resolução mais baixa e assumir que o mapa de transmissão é composto de partes constantes, os resultados foram amostrados, conforme ilustrado em Figura 2.
    1. Estimativa do mapa de transmissão inicial usando abordagem multiescala em MPS
      O mapa figure-protocol-6 de transmissão inicial é obtido a partir do ImageImage figure-protocol-7, que já foi calculado reduzindo a amostragem da imagem nebulosa de entrada no nível mais grosseiro, L. Usando a abordagem MPS9 em figure-protocol-8, a imagem agora é dividida em blocos quadrados de 5 × 5, conforme mostrado na [Figura 1]. Além disso, figure-protocol-9 é calculado selecionando o valor mínimo de cada bloco 5 × 5 para obter uma imagem com amostragem reduzida, com dimensões (M/m) × (N/m) mostradas em (4) de Kansal et al.9. Aqui, min representa a função matemática para calcular o valor mínimo de intensidade no bloco BIi.
      figure-protocol-104
      a imagem figure-protocol-11 do canal escuro de nível mais grosseiro 4 é então obtida aplicando um filtro figure-protocol-12 mínimo de 3 × 3, conforme mostrado em (5) retirado do trabalho de Kansal et al.9.
      figure-protocol-13 5
      Onde ω é uma janela de tamanho 3 × 3. O mapa figure-protocol-14 de transmissão inicial é finalmente estimado usando:
      figure-protocol-156
      onde w é um fator constante (normalmente 0).
      O mapa de transmissão baseado em MPS garante melhor contraste e recuperação de detalhes em regiões severamente afetadas pela neblina, mantendo os valores mínimos locais dentro dos respectivos patches. No entanto, a abordagem baseada na transformação linear22 produz um mapa de transmissão que é mais uniforme (e menos preciso) na remoção de neblina, pois é incapaz de distinguir entre regiões com níveis variados de intensidade de neblina.
    2. Refinamento da transmissão
      Como o mapa de transmissão inicial (figure-protocol-16) é estimado apenas no nível mais grosseiro (L) da pirâmide da imagem, ele deve ser aumentado para corresponder à resolução da imagem de entrada original. A amostragem bilinear simples BUp (·) é aplicada para obter um mapa de transmissão de resolução total. Além disso, para preservar os detalhes da borda no mapa de transmissão, figure-protocol-17 deve ser refinado. O emprego de um filtro guiado e um filtro guiado por gradiente, como aplicado em Van et al.14 e Kansal et al.9, causaria artefatos de desfoque no mapa de transmissão, resultando na perda de detalhes de textura e informações de borda, o que acabaria por degradar o desempenho de desembaçamento. Para resolver esse problema, o método de filtragem de imagem guiada ponderada por domínio de gradiente (GWGIF)15 foi empregado para preservar os detalhes da imagem de forma eficaz. Finalmente, a transmissão figure-protocol-18 refinada é obtida a seguir por Wang et al.16.
      figure-protocol-19 7
      O GWGIF refina o mapa de transmissão inicial preservando as estruturas de borda e evitando artefatos de desfoque normalmente introduzidos por filtros guiados padrão. A etapa a seguir foi seguida para implementar a função GWGIF17.
      Entrada:
      figure-protocol-20: Mapa de transmissão inicial (baixa resolução ou grosseiro)
      figure-protocol-21: Imagem nebulosa original (usada como orientação)
      Saída:
      figure-protocol-22
      Etapa 1: Aumentar a amostragem do mapa de transmissão inicial
      Redimensionado figure-protocol-23 para corresponder ao tamanho de Inebuloso
      Etapa 2: Converti Inebuloso em tons de cinza
      Eunebuloso = rgb2gray(Eunebuloso)
      Etapa 3: Aplicado o filtro guiado ponderado do domínio de gradiente como em (7)
      Mapa de transmissão refinado obtidofigure-protocol-24
      O processo calcula a magnitude do gradiente a partir da imagem de orientação usando o operador Sobel, gera pesos baseados em gradiente e os integra à equação de filtragem guiada para aprimorar a suavização com reconhecimento de borda. A saída é um mapa de transmissão refinado que melhora significativamente a qualidade do desembaçamento e a preservação de detalhes, conforme mostrado na Figura 4.
  3. Estimativa da luz atmosférica
    A luz atmosférica global, em termos de desembaçamento de imagem baseado em modelo, é essencial. Como afirmado por Zhang et al.18, imagens mais brilhantes e desembaçadas são produzidas por valores mais baixos de luz atmosférica, enquanto valores mais altos de luz atmosférica produzem as imagens mais escuras. O trabalho proposto estima a luz atmosférica a partir da imagem do canal escuro (figure-protocol-25) obtida a partir da imagem nebulosa de entrada. Em seguida, os valores RGB correspondentes aos 0,1% mais brilhantes na imagem do canal escuro são escolhidos para obter o valor final da luz atmosférica, conforme mostrado em (8) conforme fornecido em He et al.3. Aqui, γ representa os 0,1 pixels mais brilhantes superiores. Esses pixels normalmente correspondem às regiões mais opacas da imagem. A partir desses pixels selecionados, seus valores RGB correspondentes na imagem original são extraídos e calculados para determinar a luz atmosférica global Latm.
    figure-protocol-26 8
    A luz atmosférica Latm é calculada selecionando os 0,1% dos pixels mais brilhantes da imagem do canal escuro. Isso é feito da seguinte maneira:
    Entrada:
    Imagem nebulosa Iimagem RGB nebulosa)
    Saída:
    Luz atmosférica Latm (um vetor RGB de 3 elementos)
    Passos:
    Passo 1: Calculou o canal escuro da imagem:
    A imagem do canal escuro é figure-protocol-27.
    Etapa 2: encontrou a maioria dos pixels opacos de neblina
    Nivelou o canal escuro em uma matriz 1D
    Classificados os valores de pixel em ordem decrescente.
    Selecionou os 0,1% mais brilhantes (ou seja, valores mais altos no canal escuro → alta concentração de neblina).
    Etapa 3: Pixels candidatos escolhidos na imagem de entrada
    Entre os 0.1% superiores selecionados
    Para cada pixel selecionado, a intensidade foi calculada (por exemplo, soma ou norma de seus valores RGB).
    Passo 4: Defina a luz atmosférica Latm
    O valor RGB do pixel mais brilhante selecionado acima foi considerado como a luz atmosférica estimada.
    O procedimento acima estima sistematicamente a luz atmosférica, Latm.
    O procedimento acima estima sistematicamente a luz atmosférica Latm , aproveitando o canal escuro antes de identificar as regiões mais afetadas pela neblina na imagem. Ao excluir áreas claras e claras e focar nas 0,1% regiões mais escuras (indicativas de neblina densa), o método garante uma estimativa robusta e precisa da luz atmosférica global, que é um parâmetro crítico para a remoção eficaz de neblina em algoritmos de desembaçamento de imagem única.
    1. Recuperação de imagem nebulosa
      Finalmente, depois de encontrar a luz atmosférica Latm e o mapa figure-protocol-28de transmissão refinado, a imagem livre de neblina Jclear(x) é obtida usando a formulação de Van et al.14 em (9), que é dada por
      figure-protocol-299
      onde γ é o limite inferior da transmissão (definido como 0,05)
      Conforme ilustrado na Figura 1, o método de refinamento do mapa de transmissão proposto preserva efetivamente as características complexas da imagem e permite a recuperação da imagem sem neblina.
  4. Recuperação de vídeo nebulosa
    A abordagem de desembaçamento de vídeo apresentada neste trabalho baseia-se no algoritmo de desembaçamento de imagem única, incorporando considerações de coerência temporal para evitar artefatos de cintilação. Os autores reconhecem que a aplicação de desembaçamento de imagem única independentemente a cada quadro de um vídeo quebraria a coerência temporal entre os quadros, resultando em inconsistências visuais. Para resolver esse problema, foi desenvolvido um novo algoritmo de desembaçamento de vídeo que quantifica a coerência temporal entre quadros iniciais consecutivos. Essas informações são usadas para estimar de forma adaptativa os mapas de transmissão e os valores de luz atmosférica para os próximos quadros.
    1. Artefatos cintilantes
      A mesma região da imagem pode ser capturada em diferentes coordenadas de pixel em quadros consecutivos de um vídeo devido ao movimento do objeto e/ou da câmera. Artefatos cintilantes surgem como resultado desses movimentos, que alteram os valores de transmissão no mesmo local. Técnicas de estimativa de movimento, como estimativa de fluxo óptico19, podem ser usadas para rastrear a localização de um objeto móvel e resolver esses problemas. No entanto, os métodos de estimativa de movimento geralmente precisam de um alto grau de complexidade computacional. Portanto, um modelo de probabilidade simples chamado GCF foi usado em vez de calcular explicitamente os movimentos entre os quadros. A imagem diferencial entre os dois quadros consecutivos serve como base para este modelo.
    2. Fator de correlação baseado em gradiente
      O Fator de Correlação Baseado em Gradiente (GCF) mede a semelhança entre dois quadros de vídeo consecutivos com base nos gradientes de seus pixels. As imagens/quadros I1 e I2 são altamente semelhantes, conforme indicado por altos valores de correlação (I1, I2) ≈ 1, o que implica que o pixel (x, y) representa o objeto duplicado ou o conteúdo da cena em ambos os quadros. Valores de correlação baixos (I1, I2) ≈ 0 indicam que as imagens e os quadros não são os mesmos, provavelmente devido a movimento ou oclusões. Como uma imagem nebulosa tem menos contraste e clareza, os valores de pixel da imagem não podem ser usados para observar uma correlação entre dois quadros.
      Imagens nebulosas geralmente aparecem principalmente esbranquiçadas devido à dispersão e absorção de luz, levando a um aumento geral na intensidade dos pixels e contraste reduzido. Como resultado, a maioria dos pixels em dois quadros nebulosos consecutivos se torna semelhante, tornando a correlação direta baseada em pixels ineficaz porque a névoa mascara os detalhes reais da cena. Nesse contexto, o GCF torna-se mais significativo. Ao contrário da correlação em pixels, que é fortemente influenciada pela neblina, o GCF se concentra nos gradientes, mudanças na intensidade e transições de cores entre pixels vizinhos. Esses gradientes são menos afetados pelo brilho geral da imagem e capturam melhor as informações estruturais, como bordas e contornos. Isso torna o GCF uma medida mais confiável de similaridade entre quadros em condições nebulosas em comparação com o fator de correlação baseado em pixels (CF) entre dois quadros, conforme mostrado na Tabela 1.
      A correlação figure-protocol-30 entre os quadros de vídeo consecutivos IK e IK-1é a seguinte.
      figure-protocol-3110
      onde o número de pixels no quadro é N e σ = 10. figure-protocol-32 e são as imagens gradientes figure-protocol-33 correspondentes aos quadros de vídeo IK e IK-1. Uma etapa simples para calcular o GCF é:
      Entrada: Quadro IK e IK-1.
      O gradiente entre cada quadro e seu quadro anterior foi calculado e (10) foi então aplicado para calcular o CGF, que foi posteriormente usado para determinar o mapa de transmissão e a luz atmosférica necessária para calcular o quadro atual, ou pode ser usado para calcular o quadro inicial e as etapas repetidas para cada próximo quadro. O GCF calcula a correlação entre dois quadros consecutivos. Se a correlação for alta, isso indica que dois quadros consecutivos são quase iguais; caso contrário, indica uma baixa correlação.
    3. Decisão baseada no GCF para estimativa de luz atmosférica e mapa de transmissão
      O GCF desempenha um papel crucial na determinação de como lidar com a luz atmosférica e na estimativa de mapas de transmissão em processos de desembaçamento. O GCF mede a semelhança entre quadros de vídeo consecutivos com base em seus gradientes, o que ajuda a avaliar o quanto a cena mudou entre os quadros, considerando fatores como movimento ou oclusões.
      Quando o valor do GCF é alto, especificamente maior que 0,85, isso indica que o quadro atual é muito semelhante ao anterior. Nesses casos, o mapa de transmissão do quadro anterior ainda é válido, pois a cena não foi alterada significativamente. O uso do mapa de transmissão do quadro anterior ajuda a manter a consistência entre os quadros e evita recálculos desnecessários, melhorando assim a eficiência computacional.
      No entanto, se o valor do GCF cair abaixo de 0,5, isso sugere uma diferença significativa entre os quadros, provavelmente devido ao movimento ou outras mudanças dinâmicas na cena. Nesses casos, confiar no mapa de transmissão do quadro anterior levaria a resultados imprecisos. Portanto, a luz atmosférica Latm precisa ser recalculada para se adaptar às novas condições da cena. Além disso, um novo mapa de transmissão é calculado para representar melhor o conteúdo do quadro atual. Essa recalibração garante que o processo de desembaçamento leve em conta as características atualizadas da cena, restaurando com precisão a clareza e o contraste.
      Esse processo de tomada de decisão, guiado pelo GCF, permite que o algoritmo de desembaçamento se ajuste dinamicamente às mudanças na semelhança do quadro, resultando em uma restauração de imagem mais precisa e confiável. Ao adaptar o mapa de transmissão e a luz atmosférica com base na correlação observada, o protocolo lida efetivamente com cenas dinâmicas e condições de neblina flutuantes, melhorando a qualidade das imagens desembaçadas.

5. Resumo passo a passo da abordagem de desembaçamento de imagem única e vídeo

É fornecido um resumo passo a passo da abordagem de desembaçamento de imagem única e vídeo, guiado pela Figura 2, que fornece a estrutura inicial do algoritmo. (1) Carregou a imagem figure-protocol-34 nebulosa de entrada no sistema para processamento; (2) Converteu a imagem em tons de cinza e reduziu a resolução repetidamente por um fator de 2 como {figure-protocol-35 , figure-protocol-36 ..., figure-protocol-37 figure-protocol-38 }. Selecionou a imagem figure-protocol-39 mais grosseira de modo que max (W, H) <= 320, onde W e H representam a largura e a altura no nível mais grosseiro L; (3) Dividiu a imagem figure-protocol-40 grosseira em m × m blocos. Aqui, m é selecionado como (5); (4) Calculou a intensidade mínima em cada bloco para obter a imagem figure-protocol-41 com redução da resolução com dimensão figure-protocol-42; (5) A imagem do canal escuro de nível mais grosseiro, figure-protocol-43, é então obtida aplicando um filtro mínimo de 3 × 3 a figure-protocol-44; (6) Estimou o mapa de transmissão inicial usando a fórmula, figure-protocol-45, onde w é selecionado como 0,95 neste trabalho; (7) Refinou o mapa de transmissão usando GWGIF(.) para obter figure-protocol-46; (8) Luz atmosférica estimada Latm calculando a média do valor RGB correspondente aos 0,1% dos principais locais de pixel mais brilhantes no canal escuro (figure-protocol-47) da imagem nebulosa; (9) Recuperada a imagem desembaçada Jclara (x) usando o modelo de dispersão de luz

figure-protocol-48; (10) Para vídeo, quadros extraídos em intervalos regulares; (11) Calculou o Fator de Correlação Baseado em Gradiente (GCF) entre dois quadros consecutivos para medir a semelhança do quadro; (12) Se < 0,5, calculou um novo mapa de transmissão para o quadro atual; se GCF≥0,85, reutilizou o mapa de transmissão do quadro anterior; (13) Refinou cada quadro e recuperou os quadros desembaçados usando as mesmas etapas das imagens; (14) Avaliou a qualidade da saída usando métricas como NIQE11, PIQE12, BRISQE13, FADE8 e MSE14.

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

Results

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

Os resultados qualitativos e quantitativos fornecem insights complementares ao avaliar um método ou experimento. Os resultados qualitativos se concentram em avaliações subjetivas, geralmente usando comparações visuais, avaliações perceptivas ou opiniões de especialistas para analisar a eficácia de uma abordagem. Eles ajudam a ilustrar melhorias em cenários do mundo real, mas podem ser influenciados pela percepção humana. Em contraste, os resultados quantitativos dependem de métricas numéricas objetivas, como precisão, co...

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

Discussion

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

A filtragem eficiente de domínio de gradiente multiescala proposta para desembaçamento de imagem e vídeo com uma abordagem de coerência temporal aprimorada aborda o gargalo computacional em algoritmos de desembaçamento baseados em modelos físicos, estimando com eficiência a luz atmosférica e os mapas de transmissão usando uma estrutura de pirâmide de imagem. A principal inovação é realizar a estimativa do mapa de transmissão MPS no nível mais grosseiro da pirâmide, seguindo a filtragem G...

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

Disclosures

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

Os autores declaram não haver conflitos de interesse

Acknowledgements

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

Sinceros agradecimentos são estendidos ao editor e revisores anônimos por seus comentários perspicazes e recomendações úteis, que melhoraram significativamente o calibre e a legibilidade deste trabalho. Seu procedimento de avaliação cuidadoso e observações perspicazes foram cruciais para melhorar a contribuição geral da pesquisa para a área e ajudar a refiná-la.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Dataset  Laboratório de Visão e Processamento de Imagens, Universidade de Waterloo5http : //ivc.uwaterloo.ca/database/Dehaze/Avaliação de algoritmos de desembaçamento de imagem e vídeo
Filtro guiado ponderado baseado em gradiente (implementação do Matlab)Wang  et al.16 https://arxiv.org/pdf/2211.16796Refinamento eficiente do mapa de transmissão
MATLAB (com caixa de ferramentas de processamento de imagem)Versão: MATLAB Online (24.2.0.2871072 (R2024b) Atualização 5)https://www.mathworks.com/products/matlab.htmlImplementação de algoritmos propostos e de linha de base
ProcessadorCPU 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.htmlExecutando algoritmos
códigos-fonte para métodos de linha de baseKim 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-RemovalAvaliação de métodos de desembaçamento baseados em aprendizagem
14https://github.com/viengiaan/MGF desembaçamento
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