Computational Framework for Turbid Water Single-Pixel Imaging by Polynomial Regression and Feature Enhancement
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The quality of underwater imaging is greatly impacted by the scattering and absorption of light in turbid water environments. Single pixel imaging (SPI) has emerged as a promising solution for turbid underwater imaging, as it effectively suppresses the effects of scattering and is cost-effective due to the use of a single photodetector. However, the quality of SPI in highly turbid water is still unsatisfactory. To address this issue, we propose a novel computational framework for turbid water single-pixel imaging. The framework involves a machine learning-based polynomial regression fitting method, followed by data feature enhancement in the spectrum domain to obtain the rectified data, and ultimately, high-contrast image recovery. Furthermore, we propose a new metric, Edge Detection-based Enhancement Measure Evaluation (EDEME), to quantitatively evaluate the contrast of the recovered images. Our experimental results demonstrate that our proposed method can recover images in low turbidity water to a level comparable to clear water, and even in highly turbid water (turbidity greater than 50 NTU), the recovered images are legible with significantly improved EDEME values. Additionally, our method exhibits wide adaptability, requires minimal data operations, and outperforms some post-image processing methods. This work has significant implications for imaging, inspections, search and rescue, resource exploitation, and other applications in underwater environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle