Hardware Optimization of Dark Channel Prior Image Dehazing
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3096511Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
Med den hurtige utviklingen av visjonsbasert kunstig intelligens og økningen i fjernstyringssystemer som bruker kameraer, oppstår utfordringer når det gjelder informasjonskvaliteten som utledes fra bildebehandlingssystemer. En slik utfordring er værfenomenet tåke, som forstyrrer bildene og fører til tap av bildeinformasjon. Heldigvis er det tidligere blitt foreslått flere metoder for å fjerne tåke fra bilder, og Dark Channel Prior-algoritmen skiller seg ut som en effektiv algoritme for tåkefjerning [1]. For å møte sanntidskravene til nevnte systemer, må algoritmen implementeres som en maskinvareakselerator, og tidligere implementeringer har blitt foreslått [2][3]. Imidlertid mangler disse foreslåtte implementeringene åpen maskinvarebeskrivende kode, og derfor finnes det ingen åpen maskinvareimplementering av DCP-algoritmen. Hovedmålet med denne avhandlingen er derfor å tilby en åpen kildeimplementering av DCP-algoritmen som gir en fullstendig beskrivelse av SystemVerilog-kode. Som en utvidelse vil denne avhandlingen også undersøke mulige optimaliseringer av DCP-parameterne med mål om å forbedre tåkefjerningsytelsen ytterligere.Nødvendig bakgrunnskunnskap om maskinvareimplementeringen og parameteroptimaliseringen vil bli presentert med mål om å gi den teoretiske basisen for å forstå maskinvareimplementeringen og metodikken for parameteroptimaliseringen.Den fulle implementeringen av maskinvareimplementeringen vil bli presentert sammen med en testbenk for å evaluere ytelsen til det foreslåtte designet. Metodikken for parameteroptimaliseringen vil også bli beskrevet på en måte som gjør at resultatene kan gjenskapes fullt ut. Testing av fire verdier for hver av parameterne resulterte i 16 datapunkter for hvert evaluerte tåkefjernebilde.Den resulterende ytelsen til designet vil bli presentert, med dehazed-bilder, logiske krav og estimert strømforbruk for designet.For evaluering og identifisering av optimaliserte parametere presenteres de beste parameterne basert på to separate metrikker, og frekvensen av parametere basert på de beste resultatene blir presentert.Konklusjonen er at resultatene fra denne avhandlingen viser at maskinvareimplementeringen viser potensiale basert på små logiske krav og moderat strømforbruk, samt dets bilde-dehazing-ytelse. Imidlertid kan den totale ytelsen ikke fastslås på grunn av mangelen på en kritisk sti og estimat for maksimal frekvens.Basert på funnene fra parameteroptimaliseringene stod to parameterverdier ut, men på grunn av begrenset bruk av en datasett med tung tåke kan konklusjonen ikke generaliseres.[Oversatt fra engelsk]. With the fast-moving development of vision-based artificial intelligence and the increasein remote control systems using camera systems, challenges regarding the information qualityderived from imaging systems arise. One such challenge is the weather phenomena haze,which disrupts the images causing image information loss. Furtunalty multiple methods ofremoving haze from images have previously been proposed, with the Dark Channel Prioralgorithm standing out as an effective algorithm for haze removal [1]. To meet the real-time requirements of the aforementioned systems, the algorithm must be implemented asa hardware accelerator and previous implementations have been proposed [2][3]. However,these proposed implementations lack open-source hardware-descriptive code and as a result,no open-source hardware implementation of the DCP algorithm exists. The main goal of thisthesis is therefore to provide an open-source implementation of the DCP algorithm providingthe full SystemVerilog code description. As an extension, this thesis will also investigatepossible optimization of the DCP parameters with the goal of further improving the dehazingperformance.The necessary background literature for the hardware implementation and the parameteroptimizations will be presented with the goal of giving the theoretical basis for understandingthe hardware implementation and the parameter optimization methodology.The full implementation of the hardware implementation will be presented alongside atest bench for evaluating the performance of the proposed design. The methodology for theparameter optimizations will also be described in a way that should make the results fullyreproducible. Testing four values for each of the parameters resulted in 16 data points foreach dehazing image evaluated.The resulting performance of the design will be presented, providing dehazed images, logicrequirements, and estimated power consumption of the design.For evaluation and identifying optimized parameters the best parameters based on twoseparate metrics are presented, and the frequency of parameters based corresponding to thebest results are presented.Conclusively, the results of this thesis show that the hardware implementation shows promise based on small logic requirements and modest power consumption and its image dehazingperformance. However, the overall performance can not be derived because of the lack of acritical path and maximum frequency estimation.Based on the findings from the parameter optimizations, two parameter values did standout; however, due to the limited heavy haze dataset used, the conclusion is not generalizable.