基于gUNet的地下煤矿的图像清除算法

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 人工智能的人工智能

背景情况:

• 现有的图像除雾算法与地下煤矿图像进行斗争,导致不完整的雾移除,颜色扭曲和关键细节的丢失.
• 这些局限性阻碍了在具有挑战性的采矿环境中视觉分析和监控的有效性.

研究的目的:

• 开发一个先进的图像除尘算法,专门为地下煤矿环境的独特挑战而设计.
• 为了改善特征提取,细节保存和色彩保真在无光图像中.

主要方法:

• 引入动态蛇卷积 (DSConv) 进行增强的特征提取.
• 集成剩余注意力卷积块,用于同时处理本地和全球信息.
• 使用坐标注意 (CA) 模块来捕获关键特征信息.
• 实现融合损失函数,以保持图像细节和结构一致性.

主要成果:

• 拟议的CCDF-gUNet算法在Haze-4K数据集上实现了PSNR的30.72dB和SSIM的0.976.
• 在一个自制数据集上,算法得到的PSNR为31.18dB,SSIM为0.971.
• 与现有方法相比,在除尘,颜色精度和细节保留方面表现出卓越的性能.

结论:

• CCDF-gUNet算法有效地解决了当前在地下煤矿设置中的除烟技术的局限性.
• 该方法成功地消除了雾,防止了色彩扭曲,并保存了关键的图像细节和边缘信息.
• 为推进煤矿监控和相关应用中的图像处理提供了宝贵的参考.