از آنجایی که دوربین‌های نظارتی اغلب در بیرون نصب می‌شوند و انتظار می‌رود که در آزمون عملکرد 24 ساعته و 7 روز هفته بایستند، اغلب در معرض نور شدید، باران، برف و مه قرار می‌گیرند. این شرایط محیطی تأثیر زیادی بر کیفیت تصویر دوربین مداربسته به ویژه مه دارد. ذرات آئروسل حاوی رطوبت و بخار در مه عامل اصلی کاهش کیفیت تصویر است. نسبت کنتراست پایین هنگام مه، کیفیت تصویر را کاهش می دهد به طوری که جزئیات صحنه به وضوح دیده نمی شود. بنابراین فناوری مه زدایی یکی از فناوری های ضروری برای نظارت در فضای باز است.

 

مقایسه استفاده از فناوری مه زدایی

 

در حال حاضر، یک روش رایج برای مه زدایی از یک تصویر، استفاده از یک جزء نوری خاص است که اطلاعات IR بیشتری را در مه حس می کند. یکی از تعهدات این وسیله فیزیکی هزینه بالای آن است. پیشرفت در توسعه فناوری دیجیتال باعث ایجاد فناوری پردازش تصویر مه زدایی می شود. این فناوری توزیع اطلاعات گرفته شده توسط حسگر تصویر را تنظیم می کند و رنگ و جزئیات هدف نظارتی را بهبود می بخشد تا از دست دادن اطلاعات در طول پردازش بعدی، مانند ISP و فشرده سازی رمزگذاری، کاهش یابد.
طبقه بندی فناوری مه زدایی دیجیتال دو الگوریتم مه زدایی دیجیتال شناخته شده وجود دارد، بهبود تصویر غیر مدل و روش بازیابی تصویر مدل. روش بهبود تصویر غیرمدل، نسبت کنتراست را افزایش می دهد تا عملکرد مه زدایی را بر اساس قضاوت بصری ذهنی درک کند. روش بازیابی تصویر مدل دلایلی را بررسی می‌کند که چرا کیفیت تصویر بدتر می‌شود و فرآیند زوال را مدولار می‌کند و سپس روند را معکوس می‌کند و در نهایت کیفیت تصویر اصلی را بازیابی می‌کند.

 

بهبود تصویر غیر مدل

روش‌های معمولی برای بهبود تصویر غیرمدل شامل تساوی هیستوگرام، تبدیل فیلتر و نظریه مبتنی بر منطق فازی است. یکسان سازی هیستوگرام را می توان به یکسان سازی هیستوگرام سراسری و تساوی هیستوگرام جزئی تقسیم کرد. یکسان سازی هیستوگرام جهانی هزینه محاسباتی کمی دارد اما افزایش اطلاعات دقیق کافی نیست. افزایش یکسان سازی جزئی هیستوگرام اثر بهتری دارد، اما ممکن است اثر بلوکی ایجاد شود و نویزها نیز افزایش می‌یابند. الگوریتم تبدیل فیلتر کیفیت تصویر خوبی را ارائه می دهد، اما هزینه محاسبات و مصرف منابع آنقدر زیاد است که برای نظارت تصویر زنده خوب نیست. اثر مه زدایی نظریه مبتنی بر منطق فازی شناخته شده به اندازه کافی ایده آل نیست. در مجموع، روش‌های بهبود تصویر غیرمدل می‌توانند کیفیت تصویر را تا حدودی افزایش دهند و منطقه مورد نظر را می‌توان برای افزایش کیفیت تصویر بیشتر افزایش داد. اما در این روش هیچ گاه به علت بدتر شدن تصویر پرداخته نمی شود و فقط جلوه های بصری را تغییر می دهد و کیفیت تصویر را به نحو موثری افزایش نمی دهد.

روش بازیابی تصویر مدل

روش بازیابی تصویر مدل شامل روش فیلتر کردن، روش حداکثر آنتروپی و روش تخمین تابع تصویر تخریب شده است. روش فیلتر کردن، مانند فیلتر کالمن، به طور کلی نیاز به محاسبات سنگین دارد. حداکثر آنتروپی وضوح بالایی دارد اما یک الگوریتم غیر خطی با محاسبات بزرگ است و فرآیند محاسبه بسیار پیچیده است. روش تخمین تابع تصویر تخریب شده معمولاً بر اساس یک مدل فیزیکی خاص طراحی می‌شود، مانند مدل پراکندگی جوی و مدل مه‌زدایی ویژگی قطبش. این الگوریتم نیاز به گرفتن تصویر در زمان‌های مختلف به عنوان مرجع برای تعیین پارامترهای مدل فیزیکی دارد و از آنجایی که این یک روش غیرواقعی است، استفاده از آن برای استفاده نظارتی دشوار است. محیط پیچیده نظارت و آب و هوای بد نیاز به مصرف انرژی بالا، راحتی، اثربخشی و سازگاری محصولات نظارتی دارد. بهترین عملکرد این فناوری باید بهبود و بازیابی تصویر را ادغام کند و بر اساس مدل انتقال اتمسفر باشد تا تصویر نسبتا ایده آلی به دست آید.

برنامه های کاربردی فناوری مه زدایی

 فناوری مه‌زدایی دیجیتال را می‌توان در بسیاری از پروژه‌های نظارت در فضای باز، مانند نظارت بر بزرگراه‌ها، راه‌آهن‌ها، بنادر دریایی، باند فرودگاه و سایر مناطق باز برای ترافیک پیاده‌سازی کرد. عملکرد مه زدایی همچنین برای هر گونه حفاظت محیطی یا کاربرد زیرساخت حیاتی مهم است. از منظر برنامه، عملکرد مه زدایی بیشتر برای دوربین های فضای باز و گنبدهای سرعت برای افزایش کیفیت تصویر در مه کاربرد دارد. محصولات بک‌اند مانند دستگاه‌های DVR نمی‌توانند بیشترین استفاده را از عملکرد مه‌زدایی به‌دلیل فرآیند فرآیند سیگنال ویدیویی و از دست دادن داده‌ها که ممکن است توسط الگوریتم‌های فشرده‌سازی ایجاد شود، داشته باشند.