حذف مه از تصاویر مه آلود به روش Dark Channel Prior با متلب

حذف مه از تصاویر مه آلود به روش Dark Channel Prior با متلب

در این پست پروژه حذف مه از تصاویر مه آلود با متلب را آماده کرده ایم که در آن، روش Dark Channel Prior را مورد استفاده قرار داده ایم. در ادامه به توضیحاتی در رابطه با این موضوع پرداخته و فیلم و تصاویری از خروجی این پروژه پردازش تصویر قرار داده شده است.

منظور از مه این است که برخی از پیکسل ها دارای شدت بسیار پایین در حداقل یک کانال رنگی می باشد. با استفاده از روش Dark Channel Prior و مدل تصویر برداری مستقیم می توانیم ضخامت مه را برآورد کنیم و به بازیابی تصویر مه آلود با کیفیت بالا بپردازیم. تست ها و بررسی های انجام شده برروی تصاویر مه آلود تهیه شده از فضای باز، و بازیابی آن با وضوح بالا نشان دهنده قدرت روش ارائه شده می باشد.

در بینایی ماشین، تصاویر با استفاده از عملگر های گوناگون ریاضی بررسی و ارزیابی می شوند که از جمله آنها می توان به کیفیت تصویر، ابعاد تصویر، حجم تصویر و … اشاره نمود. بعضا مشاهده می شود که در موقعیتی قرار داریم که تصاویر تهیه شده، کیفیت مطلوب را نداشته و چندان برای ما راضی کننده نیستند. نتیجه تاثیر بسیاری از عوامل خارجی، باعث کاهش کیفیت تصاویر می شوند.

توضیحات بیشتر، فیلم و تصاویری از خروجی پروژه حذف مه از تصاویر مه آلود با متلب در ادامه مطلب.

در پروژه حذف مه از تصاویر مه آلود، هدف ما بهبود کیفیت تصاویر می باشد. موضوع اصلی ما کاهش تاثیر عوامل مخرب مثل مه، گرد و غبار، قطرات آب می باشد که این امر با ارائه مدلی از مه به عنوان عامل کاهش کنتراست تصویر، صورت گرفته است.

با توجه به مشکلاتی که در به کارگیری نقشه عمق وجود داشت، مسئله عمق نیز در این مدل برطرف شد و به کمک روش Dark Channel Prior لایه مه در تصاویر مه آلود تخمین زده شده و تصویر نهایی با کیفیت بالا بازیابی شد.

با توجه به تصاویر خروجی بدست آمده، نتیجه می گیریم که علاوه بر اینکه حجم محاسبات به میزان قابل توجهی کاهش پیدا کرد، سرعت الگوریتم و دقت آن نیز تا حد بسیاری افزایش یافت که در پس آن کیفیت تصویر نهایی دارای مقبولیت بیشتری شد.

یک خروجی نمونه از پروژه حذف مه از تصاویر مه آلود را مشاهده نمائید:

تصویر خروجی 1:

تصویر خروجی 2:

تصویر خروجی 3:

تصویر خروجی 4:

تصویر خروجی 5:

تصویر خروجی 6: