J 2023

A Novel Parameter Adaptive Dual Channel MSPCNN Based Single Image Dehazing for Intelligent Transportation Systems

SAHU, Geet; Ayan SEAL; Debotosh BHATTACHARJEE; Robert FRISCHER; Ondřej KREJCAR et al.

Basic information

Original name

A Novel Parameter Adaptive Dual Channel MSPCNN Based Single Image Dehazing for Intelligent Transportation Systems

Name in Czech

Nový parametr adaptivního dvoukanálového MSPCNN založeného na dehazování jednoho obrazu pro inteligentní dopravní systémy

Authors

SAHU, Geet; Ayan SEAL; Debotosh BHATTACHARJEE; Robert FRISCHER and Ondřej KREJCAR

Edition

IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC, 2023, 1524-9050

Other information

Language

English

Type of outcome

Article in a journal

Field of Study

20200 2.2 Electrical engineering, Electronic engineering, Information engineering

Country of publisher

United States of America

Confidentiality degree

is not subject to a state or trade secret

References:

Impact factor

Impact factor: 7.900

Marked to be transferred to RIV

Yes

RIV identification code

RIV/75081431:_____/23:00002626

Organization unit

Institute of Technology and Business in České Budějovice

Keywords (in Czech)

Image dehazing; radiance; pulse coupled neural network; fusion; PYNQ-Z2

Keywords in English

Odstranění rozostření obrazu; zářivost; pulzní neuronová síť; fúze; PYNQ-Z2

Tags

Changed: 1/2/2024 12:18, Barbora Kroupová

Abstract

In the original language

Visibility issues in intelligent transportation systems are exacerbated by bad weather conditions such as fog and haze. It has been observed from recent studies that major road accidents have occurred in the world due to low visibility and inclement weather conditions. Single image dehazing attempts to restore a haze-free image from an unconstrained hazy image. We proposed a dehazing method by cascading two models utilizing a novel parameter-adaptive dual-channel modified simplified pulse coupled neural network (PA-DC-MSPCNN). The first model uses a new color channel for removing haze from images. The second model is the improved brightness preserving model (I-GIHE), which retains the brightness of the image while improving the gradient strength. To integrate the results from these two models and provide a pleasing haze-free image, a PA-DC-MSPCNN-based fusion is used. Furthermore, the proposed approach is deployed on a Xilinx Zynq SoC by exploiting the recently released PYNQ platform. The dehazing system runs on a PYNQ-Z2 all-programmable SoC platform, where it will input the camera feed through the FPGA unit and carry out the dehazing algorithm in the ARM core. This configuration has allowed reaching real-time processing speed for image dehazing. The results of dehazing are analyzed using both synthetic and real-world hazy images. Synthetic hazy images are acquired from the O-HAZE, I-HAZE, SOTS, and FRIDA datasets, while real-world hazy images are taken from the RailSem19, E-TUVD dataset, and the internet. For evaluation, twelve cutting-edge approaches are chosen. The proposed method is also analyzed on underwater and low-light images. Extensive experiments indicate that the proposed method outperforms state-of-the-art methods of qualitative and quantitative performances.

In Czech

Problémy s viditelností v inteligentních dopravních systémech zhoršují špatné povětrnostní podmínky, jako je mlha a opar. Z nedávných studií vyplynulo, že ve světě dochází k velkým dopravním nehodám kvůli špatné viditelnosti a nepříznivým povětrnostním podmínkám. Odstranění oparu z jednoho obrazu se pokouší obnovit obraz bez oparu z neomezeného zamlženého obrazu. Navrhli jsme metodu dehazování pomocí kaskádování dvou modelů využívajících novou parametricky adaptivní dvoukanálovou modifikovanou zjednodušenou pulzní spojenou neuronovou síť (PA-DC-MSPCNN). První model používá nový barevný kanál pro odstranění oparu ze snímků. Druhým modelem je vylepšený model zachovávající jas (I-GIHE), který zachovává jas obrazu a zároveň zlepšuje sílu gradientu. K integraci výsledků těchto dvou modelů a poskytnutí příjemného obrazu bez zamlžení se používá fúze založená na PA-DC-MSPCNN. Navrhovaný přístup je navíc nasazen na platformě Xilinx Zynq SoC s využitím nedávno vydané platformy PYNQ. Systém dehazování běží na plně programovatelné platformě PYNQ-Z2 SoC, kde bude vstupovat kamerový kanál prostřednictvím jednotky FPGA a provádět algoritmus dehazování v jádře ARM. Tato konfigurace umožnila dosáhnout rychlosti zpracování dehazování obrazu v reálném čase. Výsledky dehazování jsou analyzovány pomocí syntetických i reálných zamlžených obrazů. Syntetické zamlžené snímky jsou získány ze souborů dat O-HAZE, I-HAZE, SOTS a FRIDA, zatímco reálné zamlžené snímky jsou převzaty ze souborů dat RailSem19, E-TUVD a internetu. Pro hodnocení bylo vybráno dvanáct špičkových přístupů. Navrhovaná metoda je rovněž analyzována na snímcích pod vodou a při slabém osvětlení. Rozsáhlé experimenty ukazují, že navrhovaná metoda překonává nejmodernější metody kvalitativních i kvantitativních výkonů.

Files attached

A_Novel_Parameter_Adaptive_Dual_Channel_MSPCNN_Based_Single_Image_Dehazing_for_Intelligent_Transportation_Systems.pdf
Request the author's version of the file