Opis projektu
Usprawniona metoda usuwania zamglenia z obrazów
Złe warunki atmosferyczne, na przykład mgła, mogą wpływać niekorzystnie na jakość obrazu. Przyczyną są unoszące się w powietrzu cząstki, które rozpraszają światło. To sprawia, że zarówno ludzkie oko, jak i komputerowe systemy wizyjne mają problemy z poprawnym rozpoznawaniem obiektów. Dostępne obecnie rozwiązania tego problemu przestają się sprawdzać, gdy mgła utrudniająca obserwację jest gęsta i jednorodna. Finansowany ze środków UE projekt NH-DEHAZE ma zakończyć się opracowaniem techniki usuwania zamglenia, która nie będzie zakładać jednorodnego rozkładu światła i mgły. Jej podstawą będzie przygotowanie pierwszego zestawu danych dla danej sceny bazującego na parze obrazów – zamglonym i wyraźnym. Następnie głęboka sieć neuronowa zostanie przeszkolona w zakresie opracowywania wyraźnego obrazu z obrazu rozmytego.
Cel
In presence of haze, small floating particles absorb and scatter the light from its propagation direction. This results in selective and significant attenuation of the light spectrum, and causes hazy scenes to be subject to a loss of contrast and sharpness for distant objects. Besides, most computer vision and image processing algorithms (e.g. from feature extraction to objects/scene detection and recognition) usually assume that the input image is the scene radiance (haze-free image), and therefore strongly suffer from the color-shift, and low-contrast induced by hazy conditions. For instance, in normal visibility conditions the Traffic Sign Detection and Recognition (TSDR) module of the existing ADAS systems reaches a detection rate averaging around 90%, but drops below 40% in case of haze or poor illumination conditions1. Therefore, many recent works have explored inverse problem formulations and have designed dedicated image enhancement methods to address the dehazing problem. However, to estimate their key internal parameters (e.g. airlight in Koschmieder’s light transmission model), most of those solutions assume homogeneous distribution of light and haze, which is rarely the case in practice (e.g. lighting is non-uniform in space and frequency during the night, attenuation caused by haze depends on the light frequency).
Image dehazing thus remains a largely unsolved problem in case of dense and non-homogeneous haze scenes.
As a federating objective, our project aims at implementing dehazing methods that are suited to dense and non-homogeneous hazy scenes. This implies the following tasks:
(O1) build up the first (world-wide) image dataset including pairs of hazy and haze-free scenes, for which hazy scenes include real, dense, and non-homogeneous haze;
(O2) develop and train deep dehazing neural networks to derive the dehazed images from hazy inputs.
(O3) train deep image interpretation models that are suited to images captured in adverse conditions.
Dziedzina nauki
Program(-y)
Temat(-y)
System finansowania
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordynator
1348 Louvain La Neuve
Belgia