Remoción de lluvia en imágenes por medio de una arquitectura de autoencoder

Abstract

Objetivo: Usar técnicas computacionales para eliminar lluvia en imágenes. La motivación viene dada por el hecho de que, para muchos sistemas de visión por computadora, capturar correctamente la escena es clave, y si estos sistemas reciben imágenes degradadas por lluvia como entrada, su funcionamiento puede verse comprometido. Metodología: Se creó un conjunto de datos compuesto por 11000 imágenes sintéticas de lluvia. Estas fueron redimensionadas y normalizadas, para luego utilizar 9000 de ellas como conjunto de entrenamiento en la arquitectura autoencoder. El autoencoder genera una versión sin lluvia de la imagen, la cual es pasada a una etapa de corrección de iluminación para producir la imagen final sin lluvia. Resultados: Se encontró que el mejor desempeño lo tenía el autoencoder de 6 capas. Se evaluó con las 2000 imágenes restantes, lo que resultó en un error cuadrático medio de 0,61 y un índice de similitud estructural de 0,8493, lo que significa que el modelo fue capaz de recuperar una gran cantidad de información original de las imágenes degradadas por la lluvia. Conclusiones: Los resultados obtenidos son superiores a aquellos de la literatura que se basan en el dominio espacial / frecuencial. Se determinó, sin embargo, que es posible obtener mejores resultados si se considera el dominio de la frecuencia como parte de la arquitectura, debido a las propiedades de esta. Por lo tanto, se propone como trabajo futuro combinar enfoques basados en el aprendizaje de máquina con el procesamiento de imágenes basado en el dominio de la frecuencia.

A Color Vision Approach Considering Weather Conditions Based on Autoencoder Techniques Using Deep Neural Networks

“…Convolutional Autoencoder is established on general autoencoder architecture along with the layers of convolutional encoding and decoding. The core task of this technique is to train the model enough to encode and decode a given image, by reconstructing the given input with the removal of unwanted features [24]. In addition to that, it is better suitable for image processing as the image structures are utilized to maximum capability.…”

“…In our model, the encoding and decoding involve some loss of information in the process and to keep a track of it we have used Mean Squared Error (MSE). Firstly, the difference between the reconstructed output image and original version of the input image is calculated, and the MSE is calculated by averaging the square of the calculated error [24]. MSE can be calculated by the formula,…”