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

Краткое содержание

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.

Аннотация

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.

Введение

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....

Протокол

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 ....

Результаты

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

Обсуждение

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.......

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
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