| Revue: | Investigación e innovación en ingenierías |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000446252 |
| ISSN: | 2344-8652 |
| Autores: | Ceballos Arroyo, Alberto1 Robles Serrano, Sergio1 Sánchez Torres, Germán1 |
| Instituciones: | 1Universidad del Magdalena, Colombia |
| Año: | 2020 |
| Volumen: | 8 |
| Número: | 1 |
| Paginación: | 140-167 |
| País: | Colombia |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Experimental |
| Resumen en español | 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, es clave capturar correctamente la escena, 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 autoencodergenera 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 cumple 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. Estosignifica 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 a futuro combinar enfoques basados en elaprendizaje de máquina con el procesamiento de imágenes basado en el dominio de la frecuencia |
| Resumen en inglés | Objective:To use computational techniques for removing rain from images. This is motivated by the fact that for many computer vision systems, correctly capturing the scene is a key need, and if such systems receive images degraded by rain as input, their performance may be compromised.Methodology:We built a dataset comprised by 11000 synthetic rain images. We resized and normalized all the images, then we employed 9000 of them for training the autoencoder architecture. The autoencoder outputs a de-rained version of the image which is then lighting corrected in order to produce the final, de-rained image.Results: We determined the best autoencoder architecture was a 6-layer autoencoder. We evaluated it on the remaining 2000 images, resulting in a Mean Squared Error of 0.61 and Structural Similarity Index of 0.8493, which means a fair amount of information from the rain-degraded images was recovered. Conclusions: The results we obtained were superior to proposals based in the spatial / frequency domain reported in the literature. However, we determined that it is possible to improve on the current results if we consider the frequency domain as part of the architecture. Thus, options for future work include combining machine learning-based approaches with frequency domain-based image processing |
| Disciplinas: | Ciencias de la computación, Geociencias |
| Palabras clave: | Arquitectura de computación, Lluvia, Procesamiento de imágenes |
| Keyword: | Computer architecture, Image processing, Rain |
| Texte intégral: | http://revistas.unisimon.edu.co/index.php/innovacioning/article/view/3608/4374 |
