Para abordar os problemas de baixo contraste, perda de detalhes, desfoque e distorção em imagens de neblina do tráfego rodoviário, foi proposta um método de remoção de neblina para imagens de tráfego baseado no modelo Wavelet DehazeFormer. Para melhorar a capacidade do modelo de remover neblina, foi construída uma rede Wavelet DehazeFormer com arquitetura codificador-decodificador, onde o codificador utiliza uma cascata do DehazeFormer com o módulo de fusão de características de núcleo seletivo (Selective Kernel Feature Fusion, SKFF) como unidade básica. A parte do codificador é composta por três níveis dessas unidades básicas para fundir as informações originais da imagem e as informações pós-removal de neblina, capturando melhor as características-chave nas imagens com neblina; a camada intermediária de características adota uma estrutura residual local e incorpora o módulo de atenção em blocos convolucionais (Convolutional Block Attention Module, CBAM), atribuindo pesos diferentes para características em diferentes níveis, enquanto integra um esquema de fusão de mistura baseado em atenção guiada por conteúdo (Content-guided Attention based Mixup Fusion Scheme, CGAFusion), ajustando as características por meio da aprendizagem de pesos espaciais; a parte do decodificador é composta por DehazeFormer e SKFF, usando convolução ponto a ponto para reduzir o número de parâmetros da rede, garantindo o desempenho; conexões de salto introduzem a transformação wavelet para analisar mapas de características em diferentes escalas, obtendo características de alta e baixa frequência, ampliando os detalhes da neblina no tráfego para que a imagem restaurada retenha a textura; finalmente, a imagem original e os mapas de características produzidos após a decodificação são fundidos para obter mais informações detalhadas. Os resultados experimentais mostram que o método proposto supera a rede DehazeFormer básica, com o índice PSNR aumentando mais de 1,32 em conjuntos de dados públicos, 0,56 em conjuntos sintéticos, o índice SSIM melhorando mais de 0,015, o valor MSE diminuindo significativamente mais de 23,15 e o índice de entropia aumentando mais de 0,06. Este algoritmo de remoção de neblina apresenta excelente desempenho na melhoria do contraste de imagens de neblina de tráfego, redução do desfoque, distorção e perda de detalhes, contribuindo para a vigilância visual inteligente e o gerenciamento do tráfego rodoviário.

remoção de neblina em imagens de tráfego; transformação wavelet; fusão de características de núcleo seletivo; atenção guiada por conteúdo; DehazeFormer