Hardware Optimization of Dark Channel Prior Image Dehazing

Abstract

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 increase in remote control systems using camera systems, challenges regarding the information quality derived from imaging systems arise. One such challenge is the weather phenomena haze, which disrupts the images causing image information loss. Furtunalty multiple methods of removing haze from images have previously been proposed, with the Dark Channel Prior algorithm 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 as a 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 this thesis is therefore to provide an open-source implementation of the DCP algorithm providing the full SystemVerilog code description. As an extension, this thesis will also investigate possible optimization of the DCP parameters with the goal of further improving the dehazing performance. The necessary background literature for the hardware implementation and the parameter optimizations will be presented with the goal of giving the theoretical basis for understanding the hardware implementation and the parameter optimization methodology. The full implementation of the hardware implementation will be presented alongside a test bench for evaluating the performance of the proposed design. The methodology for the parameter optimizations will also be described in a way that should make the results fully reproducible. Testing four values for each of the parameters resulted in 16 data points for each dehazing image evaluated. The resulting performance of the design will be presented, providing dehazed images, logic requirements, and estimated power consumption of the design. For evaluation and identifying optimized parameters the best parameters based on two separate metrics are presented, and the frequency of parameters based corresponding to the best 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 dehazing performance. However, the overall performance can not be derived because of the lack of a critical path and maximum frequency estimation. Based on the findings from the parameter optimizations, two parameter values did stand out; however, due to the limited heavy haze dataset used, the conclusion is not generalizable.