안개에 의해 열화 된 영상은 물체에서 반사된 빛이 카메라에 도달하는 과정에서 대기에 퍼져 있는 입자(particle)들에 의해 흡수되거나 산란 된다. 이 과정에서 카메라까지 전달되는 빛이 감소하기 때문에 대비(contrast)가 낮아지며 색상과 디테일 정보가 손실되는 문제점이 발생한다. 이는 검출 및 인식 등의 컴퓨터 비전 알고리즘의 성능저하를 불러일으키며 ...
안개에 의해 열화 된 영상은 물체에서 반사된 빛이 카메라에 도달하는 과정에서 대기에 퍼져 있는 입자(particle)들에 의해 흡수되거나 산란 된다. 이 과정에서 카메라까지 전달되는 빛이 감소하기 때문에 대비(contrast)가 낮아지며 색상과 디테일 정보가 손실되는 문제점이 발생한다. 이는 검출 및 인식 등의 컴퓨터 비전 알고리즘의 성능저하를 불러일으키며 운전자 보조 시스템 등에서의 오작동의 문제점을 발생 시킬 수 있다. 따라서 본 학위 논문에서는 이러한 문제점을 해결하기 위해 주성분 분석의정확한 영상의 대기 값 (atmospheric light)를 추정하고 학습기반의 안개 특성을 고려한 특징 추출 통한 빛의 전달량 (transmission)을 추정하여 효과 적인 안개 제거 방법을 제안한다. 제안하는 방법은 먼저 주성분 분석을 통한 정확한 대기 값을 추정 하기 위해 안개 특성에 맞는 화소값 성질 분석을 하여 효율적인 계산으로 대기값을 추정 할 수 있다. 또한 안개의 특성을 잘 표현 할 수 있는 다크채널 (dark channel) 사전정보 특징과 안개 영역은 대비가 낮은 특성을 사용한 지역적 대비 특징 추출을 통해 안개 영상의 특징을 추출하고 지도 학습 기반으로 입력영상의 안개 정도를 추출할 수 있다. 또한, 다중 크기의 데이터 셋을 사용하여 좀 더 정확한 특징 추출을 위한 학습을 제안했다. 마지막으로 제안 하는 방법의 학습 모델은 안개 영상 뿐만 아니라 저조도 영상에서도 적용 하여 개선 함으로서 고품질의 영상 복원 방법을 제공 할 수 있다. 제안하는 방법의 객관적인 성능 평가를 위해 다수의 영상을 대상으로 신호포화와 대비개선 정도를 위한 객관적인 수치를 평가하였다. 실험 결과로부터 제안하는 안개 제거 영상과 저조도 영상 개선 방법이 증폭된 잡음 및 색상 왜곡 없이 빠르게 고품질의 영상을 제공함을 확인 할 수 있다.
안개에 의해 열화 된 영상은 물체에서 반사된 빛이 카메라에 도달하는 과정에서 대기에 퍼져 있는 입자(particle)들에 의해 흡수되거나 산란 된다. 이 과정에서 카메라까지 전달되는 빛이 감소하기 때문에 대비(contrast)가 낮아지며 색상과 디테일 정보가 손실되는 문제점이 발생한다. 이는 검출 및 인식 등의 컴퓨터 비전 알고리즘의 성능저하를 불러일으키며 운전자 보조 시스템 등에서의 오작동의 문제점을 발생 시킬 수 있다. 따라서 본 학위 논문에서는 이러한 문제점을 해결하기 위해 주성분 분석의정확한 영상의 대기 값 (atmospheric light)를 추정하고 학습기반의 안개 특성을 고려한 특징 추출 통한 빛의 전달량 (transmission)을 추정하여 효과 적인 안개 제거 방법을 제안한다. 제안하는 방법은 먼저 주성분 분석을 통한 정확한 대기 값을 추정 하기 위해 안개 특성에 맞는 화소값 성질 분석을 하여 효율적인 계산으로 대기값을 추정 할 수 있다. 또한 안개의 특성을 잘 표현 할 수 있는 다크채널 (dark channel) 사전정보 특징과 안개 영역은 대비가 낮은 특성을 사용한 지역적 대비 특징 추출을 통해 안개 영상의 특징을 추출하고 지도 학습 기반으로 입력영상의 안개 정도를 추출할 수 있다. 또한, 다중 크기의 데이터 셋을 사용하여 좀 더 정확한 특징 추출을 위한 학습을 제안했다. 마지막으로 제안 하는 방법의 학습 모델은 안개 영상 뿐만 아니라 저조도 영상에서도 적용 하여 개선 함으로서 고품질의 영상 복원 방법을 제공 할 수 있다. 제안하는 방법의 객관적인 성능 평가를 위해 다수의 영상을 대상으로 신호포화와 대비개선 정도를 위한 객관적인 수치를 평가하였다. 실험 결과로부터 제안하는 안개 제거 영상과 저조도 영상 개선 방법이 증폭된 잡음 및 색상 왜곡 없이 빠르게 고품질의 영상을 제공함을 확인 할 수 있다.
Haze occurs when the reflected light from an object is scattered or absorbed by the particles in the atmosphere, and results in visibility degradation. For that reason, the hazy image loses color information and contrast because of the haze component. In the case of vehicular systems, the cameras sh...
Haze occurs when the reflected light from an object is scattered or absorbed by the particles in the atmosphere, and results in visibility degradation. For that reason, the hazy image loses color information and contrast because of the haze component. In the case of vehicular systems, the cameras should acquire as clean image as possible even in bad weather including hazy and rainy conditions. Since the haze particles limit the performance of the recognition of other vehicles, pedestrian, and traffic signs, the haze removal should be performed in the consumer devices to obtain the high-quality images. To solve these problem, the proposed method presents a novel haze-removal method. This paper presents a computationally efficient haze removal and image enhancement methods. The major contribution of the proposed research is twofold: i) an accurate atmospheric light estimation using principal component analysis, ii) learning-based transmission map estimation and iii) training patches extraction using the multi-scale image pyramid to estimate more accurate. To reduce the computational cost, this paper imposes a constraint on the candidate pixels to estimate the haze components in the sub-image. In addition, the proposed method extracts modified haze-relevant features to estimate an accurate transmission map using random forest. To estimate the more accurate transmission map, this paper extracts the patches using multi-scale image pyramid. Experimental results show that the proposed method can provide high-quality results with significantly reduced computational load compared with existing methods. In addition, we demonstrate that the proposed method can significantly enhance the contrast of low-light images according to the assumption on the visual similarity between the inverted lowlight and haze images. Keywords: Image enhancement, Dehazing, Random forest, Principal component analysis, Low-light image enhancement, Supervised learning.
Haze occurs when the reflected light from an object is scattered or absorbed by the particles in the atmosphere, and results in visibility degradation. For that reason, the hazy image loses color information and contrast because of the haze component. In the case of vehicular systems, the cameras should acquire as clean image as possible even in bad weather including hazy and rainy conditions. Since the haze particles limit the performance of the recognition of other vehicles, pedestrian, and traffic signs, the haze removal should be performed in the consumer devices to obtain the high-quality images. To solve these problem, the proposed method presents a novel haze-removal method. This paper presents a computationally efficient haze removal and image enhancement methods. The major contribution of the proposed research is twofold: i) an accurate atmospheric light estimation using principal component analysis, ii) learning-based transmission map estimation and iii) training patches extraction using the multi-scale image pyramid to estimate more accurate. To reduce the computational cost, this paper imposes a constraint on the candidate pixels to estimate the haze components in the sub-image. In addition, the proposed method extracts modified haze-relevant features to estimate an accurate transmission map using random forest. To estimate the more accurate transmission map, this paper extracts the patches using multi-scale image pyramid. Experimental results show that the proposed method can provide high-quality results with significantly reduced computational load compared with existing methods. In addition, we demonstrate that the proposed method can significantly enhance the contrast of low-light images according to the assumption on the visual similarity between the inverted lowlight and haze images. Keywords: Image enhancement, Dehazing, Random forest, Principal component analysis, Low-light image enhancement, Supervised learning.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.