Resumen

La lluvia tiene un efecto negativo indeseable en la claridad de las imgenes recogidas. Cuando las imgenes se captan bajo la lluvia, puede producirse una prdida de informacin e incapacidad para reflejar imgenes reales de la situacin. En consecuencia, la lluvia se ha convertido en un obstculo en los estudios de investigacin cientfica al aire libre. La razn por la que las imgenes captadas bajo la lluvia son difciles de procesar se debe a las interacciones indistinguibles entre las caractersticas del fondo y las texturas de la lluvia. Dado que los datos de imagen actuales slo se procesan con el modelo CNN (red neuronal convolucional), una red neuronal entrenada para eliminar la lluvia y obtener imgenes claras, las imgenes resultantes son insuficientes o excesivas respecto a los resultados estndar. Para obtener resultados ms ideales de imgenes ms claras, se llevan a cabo una serie de mtodos adicionales. En primer lugar, se utiliza el mtodo LBP (patrn binario local) para extraer las caractersticas de textura de la lluvia en la imagen. A continuacin, se construye el modelo CGAN (conditional generative adversarial network) para generar conjuntos de datos de lluvia en funcin de las caractersticas de lluvia extradas. Por ltimo, las imgenes claras existentes, los conjuntos de datos de lluvia generados por CGAN, as como las imgenes con lluvia se utilizan para la operacin de convolucin para eliminar la lluvia de las imgenes, y el valor medio de PSNR (relacin seal-ruido mxima) puede alcanzar 38,79 mediante el uso de este algoritmo. Adems, se han realizado un gran nmero de experimentos que han demostrado que este mtodo de procesamiento conjunto es capaz de generar con xito y eficacia imgenes claras a pesar de la lluvia.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Lluvia; Imágenes; Claridad; CNN; CGAN; PSNR
• Keywords:Rain; Images; Clarity; CNN; CGAN; PSNR