Эффективная многомасштабная фильтрация в градиентной области для устранения дымки на изображениях и видео с улучшенной временной согласованностью

Summary

Протокол здесь объединяет субдискретизацию с минимальным сохранением с градиентной взвешенной управляемой фильтрацией для улучшения возможностей модели светорассеяния в режиме реального времени по устранению дымки. Усреднение значений RGB из верхних 0,1 % самых ярких пикселей исходного изображения в темном канале дает атмосферный свет, а коэффициент корреляции на основе градиента используется для согласованности обработки видео.

Abstract

Удаление дымки имеет решающее значение в компьютерном зрении для восстановления четкости изображения, на которое влияет атмосферное рассеяние. Существующие методы страдают от высоких вычислительных затрат, потери деталей градиента и мерцающих артефактов в видеоприложениях. Для повышения эффективности и визуального качества в данной работе предлагается многомасштабный метод удаления дымки на основе градиентного взвешенного фильтра изображений, применимый как к видео, так и к изображениям. Для оценки параметров атмосферы и снижения вычислительной сложности была использована минимальная сохраняющая субвыборка (MPS). Затем с помощью итеративного процесса повышающей дискретизации с помощью фильтра взвешенных управляемых изображений в градиентной области (GWGIF) карта пропускания уточняется, сохраняя значительное количество градиентных элементов и тем самым улучшая сохранение текстуры и краев. Для удаления дымки с видео вводится коэффициент корреляции на основе градиента (GCF), что приводит к значительному снижению артефактов мерцания по сравнению с существующими методами. Экспериментальные оценки демонстрируют превосходство нашего подхода, достигнув 26,98 балла по оценке качества изображения на основе восприятия (PIQE), 2,78 балла по оценке качества естественного изображения (NIQE) и 20,18 балла по оценке пространственного качества слепого/нереферентного изображения (BRISQE), что отражает улучшение качества восприятия. Кроме того, предложенный метод обеспечивает высокую временную когерентность при удалении дымки с отклонением среднеквадратичной ошибки (MSE) 0,003, что делает его идеальным для приложений реального времени, таких как автономные транспортные средства, наблюдение и дистанционное зондирование.

Introduction

Дымка — это атмосферное явление, которое затрудняет разглядеть удаленные объекты, когда свет рассеивается дымом, каплями воды или частицами пыли. Ухудшение качества изображения из-за помутнения наносит^{ущерб приложениям} компьютерного ^{зрения1,2,} включая анализ видео, автономные транспортные средства и видеонаблюдение. Чтобы повысить производительность компьютерного зрения, в качестве первого шага в обработке, необходимо разработать стратегию удаления дымки для удаления компонентов дымки с изображений. Термин «удаление дымки» относится к шагам, используемым для восстановления четкости размытого или ины....

Protocol

В этой работе использовались синтетические или естественные сценические изображения без участия человека. Таким образом, этическое одобрение не требовалось.

Этот протокол удаления дымки с изображений разработан на стандартной вычислительной установке и предназначен для повышения четкости и видимости туманных изображений. Рабочая среда – MATLAB⁷. Этот подход основан на систематическом процессе, включающем оценку дымки, уточнение и восстановление изображений. Постепенно улучшая качество изображения с сохранением важных деталей, этот метод обеспечивает четкие и визуально привлекательные результаты. Он был протестирован ....

Results

Качественные и количественные результаты дают дополнительную информацию при оценке метода или эксперимента. Качественные результаты основаны на субъективных оценках, часто с использованием визуальных сравнений, перцептивных оценок или мнений экспертов для анализа эффективности подхода. Они помогают проиллюстрировать улучшения в реальных сценариях, но на них может влиять человеческое восприятие. В отличие от этого, количественные результаты основаны на объективных числовых показателях, таких как точность, таких как NIQE

Discussion

Предложенная эффективная многомасштабная градиентная фильтрация для удаления дымки с изображений и видео с использованием подхода с улучшенной временной когерентностью устраняет вычислительные узкие места в алгоритмах удаления дымки на основе физических моделей за счет эффективной оценки карт атмосферного света и пропускания с использованием пирамидальной структуры изображений. Ключевым нововведением является выполнение оценки карты пропускания MPS на самом грубом пирамидальном уровне по.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Набор данных	Лаборатория машинного зрения и обработки изображений, Университет Ватерлоо	5http : //ivc.uwaterloo.ca/database/Dehaze/	Оценка алгоритмов удаления дымки с изображений и видео
Градиентный взвешенный направляющий фильтр (реализация Matlab)	Ванг  et al.	16 https://arxiv.org/pdf/2211.16796	Эффективная корректировка карты передачи
MATLAB (с набором инструментов для обработки изображений)	Версия: MATLAB Online (24.2.0.2871072 (R2024b) Update 5)	https://www.mathworks.com/products/matlab.html	Реализация предложенных и базовых алгоритмов
Процессор	Процессор Intel i3-6006U (2,00 ГГц)	https://www.intel.com/content/www/us/en/products/sku/91157/intel-core-i36006u-processor-3m-cache-2-00-ghz/specifications.html	Запуск алгоритмов
Исходные коды для базовых методов	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	Оценка методов удаления дымки, основанных на обучении
		14https://github.com/viengiaan/MGF удаление дымки
		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