V originále
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.
Česky
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.