مه زدایی تصاویر دیجیتال با استفاده از ترکیب ویژگی ها و یادگیری عمیق

مه معمولا باعث تداخل شدید در تصویر می شود. چنین تخریبی در تصاویر هم ناظران انسانی و هم سیستم های بینایی رایانه ای را با مشکل مواجه می کند. مه زدایی تصویر فرآیند بهبود کیفیت تصاویری است که تحت تاثیر پراکندگی ناشی از هوا یا قطرات ریز آب قرار گرفته اند. در این مقاله روشی نوین برای حذف مه با کیفیت بالا پیشنهاد شده است. الگوریتم پیشنهاد شده برای حذف مه از تصاویر از ترکیب دو روش کارآمد با پایه ریاضی و افزودن یک طبقه یادگیر عمیق کمک گرفته است. روش پیشنهادی در فاز اول مه زدایی را بر اساس یکسان سازی هیستوگرام تطبیقی و تصحیح گاما انجام می دهد. این بخش در فضای رنگ HSV و RGB عمل می کند. در فاز دوم از روش مبتنی بر کانال رنگ استفاده شده است که برای حذف مه با الگو گرفتن از مغز انسان، با پردازش بر روی روشنایی و میزان اشباع پیکسل ها در یک تصویر مه آلود و بررسی تغییرات غلظت مه زدایی را انجام می دهد. در فاز سوم از شبکه عمیق رفع نویز DnCNN برای رسیدن به تصویر با کیفیت بالاتر کمک گرفته شده است. شبکه DnCNN با این توجیه که پس از پردازش تصاویر، مه باقیمانده از یک الگوی نویزی تبعیت می کند و می توان آن را نویز در نظر گرفت استفاده شده است. نتایج پیاده سازی و ارزیابی روش پیشنهادی بر روی پایگاه داده های تصویری استاندار نشان داد که روش پیشنهادی علاوه بر بهبود کیفیت نتایج نسبت به روش های قبلی، از نظر حافظه ی اشغالی نیز بهتر عمل می کند. از دیگر امتیازات روش پیشنهادی آن است که می توان برای مه زدایی تصاویر با اندازه کوچک هم از این روش استفاده کرد.

کلیدواژه ها:

مه زدایی تصویر ، یادگیری عمیق ، یکسان سازی هیستوگرام ، شبکه عصبی کانولوشنی