使用强化多尺度图像对对训练的图像沙尘去除
Dong-Min Son1, Jun-Ru Huang1, Sung-Hak Lee1
1School of Electronic and Electrical Engineering, Kyungpook National University, 80 Daehak-ro, Buk-gu, Daegu 41566, Republic of Korea.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
这项研究引入了用于户外监控系统的先进图像增强技术,在沙暴期间提高了可见性和颜色精度. 该方法使用深度学习和基于Retinex的处理来恢复清晰,清晰的图像,优于现有的除尘解决方案.
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:
- 户外监控系统面临的挑战是,在沙风暴期间,可见度低,颜色扭曲.
- 传统的图像增强方法在灰尘环境中难以恢复细节和清晰的物体边界.
研究的目的:
- 开发一种图像增强方法,有效地恢复图像质量,并在沙暴条件下保持颜色一致性.
- 通过减轻沙尘干扰的影响,提高户外监控系统的性能.
主要方法:
- 一个循环一致的生成对抗网络 (CycleGAN) 用未配对的图像进行训练,以生成合成数据.
- CycleGAN被重新训练,使用生成的清晰图像进行尘埃干扰的图像转换.
- 基于Retinex的处理和A和B染色道的选择被纳入,以提高清晰度和颜色保存.
主要成果:
- 提出的方法有效地恢复了图像颜色,并消除了沙尘干扰,显著提高了视觉质量.
- 获得了优异的盲/无参考图像空间质量评估器 (BRISQUE) 评分17.238分和局部相一致度-度指数 (LPC-SI) 0.973.
- 超越了已建立的除尘算法 (SDIE,CVCGCBD,ROP+) 和机器学习方法 (Fusion,TOENet).
结论:
- 开发的图像增强技术在沙暴条件下显著提高视觉清晰度.
- 该方法非常适用于闭路电视 (CCTV) 系统,增强了实际的监控能力.
- 这种方法为在恶劣天气条件下保持图像质量提供了强大的解决方案.
更多相关视频
09:00Visualization of Failure and the Associated Grain-Scale Mechanical Behavior of Granular Soils under Shear using Synchrotron X-Ray Micro-Tomography
Published on: September 29, 2019
13.7K
06:20Author Spotlight: Development of an Automated Camera-Based System for Real-Time Blast Overpressure Monitoring and TBI Risk Assessment in Military Training
Published on: December 6, 2024
3.2K