Chương 1 TỔNG QUAN ĐỀ TÀI
2.4. Nghiên cứu liên quan
2.4.2.1. Khử sương mờ đơn ảnh
Khử sương mờ đơn ảnh đóng vai trị như một bước tiền xử lý ảnh khi ta thực hiện các tác vụ xử lý ảnh khác. Trong thực tế, sự xuất hiện của sương, khói, bụi,… gây ra rất nhiều khó khăn cho việc phân loại, phát hiện đối tượng,… dẫn kết quả không như mong đợi.
Các nghiên cứu trước đây đã đưa ra một công thức đơn giản để ước lượng ảnh hưởng sương mờ trên ảnh như sau:
𝐼(𝑧) = 𝐽(𝑧). 𝑡(𝑧) + 𝐴(1 − 𝑡(𝑧)) (1) Trong đó:
• 𝐼(𝑧): Ảnh sương mờ
• 𝐴 : Hệ số ánh sáng khí quyển • 𝑡(𝑧): Medium tranmission map • 𝐽(𝑧): Ảnh khơng có sương mờ
Dựa theo công thức này, việc khử sương mờ chỉ là việc tính tốn giá trị của hai biến A và t(z). Bởi vì từ cơng thức (1), ta có thể suy ra:
𝐽(𝑧) = (𝐼(𝑧) − 𝐴) 𝑡(𝑧) + 𝐴
Dark Prior Channe là phương pháp cho kết quả tốt nhất khi ứng dụng mơ hình này. Nhóm tác giả của phương pháp này dựa trên lý thuyết cho rằng các vùng ảnh của một bức ảnh khơng có sương mờ được chụp ngồi trời thường có ít nhất có một kênh màu có giá trị cường độ thấp. Tuy nhiên, các phương pháp này thường ước lượng sai giá trị của transmission map bởi vì các giá trị ưu tiên rất dễ bị ảnh hưởng trong thực tế. Vì vậy, trong các trường hợp áp dụng thực tế, chúng thường đạt kết quả không tốt.
Cùng với sự phát triển của Deep Learning, một hướng đi mới được mở ra cho tác vụ xử lý ảnh hưởng của sương mờ với sự ra đời của các phương pháp DehazeNet, multi-scale CNN (MSCNN),… Các phương pháp sử dụng Deep Learning cố gắng hồi quy trực tiếp transimission map. Và với lượng lớn dữ liệu được dùng để huấn luyện, các phương pháp này đã đạt được những thành kết quả đáng mong đợi và Feature Fusion Attention Network được trình bày sau đây là một trong số đó.