基于特征和字典学习的图像阴影检测与去除方法研究
论文名称：《基于特征和字典学习的图像阴影检测与去除方法研究》
指导教师：张国平
论文作者：陈琦
毕业院校：华中师范大学
文章内容概要
- 分析单幅静态图像的阴影检测和去除方法以及图像恢复方法的研究现状，评述现有单幅图像阴影检测和去除算法的发展历程
- 介绍图像成像理论、阴影特性、图像特征、颜色空间模型、图像恢复方法和阴影去除效果评价等基础理论
- 基于GMM的多尺度阴影检测算法，介绍本文提出的一种基于高斯混合模型的阴影检测算法的各个关键步骤
- 介绍自适应子区域匹配光照迁移阴影去除。详细介绍了本文提出的一种基于单幅静态图像的阴影去除算法
- 基于图像特征和字典学习的阴影去除。结合稀疏表示和字典学习理论在图像恢复中的优势
图像阴影检测与去除基础理论
- 图像成像理论
- 光是成像系统功能实现的基本要素，它是由不同波长的可见光以不同的亮度和视觉感知所引起的，典型的光源有太阳光、大气反射光和黑体辐射源
- 光线在传播过程中经过物体表面后会出现反射、吸收和散射等现象，可通过不同的模型进行描述
- 图像阴影特性
- 当光线从一个光源(或多光源)发出时，由于物体的遮挡使得光无法抵达这些表面，这样会出现阴影，阴影可总体上划分为两类
- 附影或者称为自影，是由遮挡物体自身没有被光源照射到而产生的一种阴影
- 投影，是由一物体遮挡住光源而出现在其他表面的阴影
- 映射的大小、材质以及形状并不会因为光的遮挡而出现大的变化，仅仅是在视觉上出现了一些差异
- 阴影区域亮度低
- 阴影区域饱和度高
- 阴影区域在低频段的亮度主要和环境光强相关
- 阴影区域表面的纹理特征依然保持
- 色调恒常性
- 本影区到无影区有一个半影过渡带
- 阴影与产生阴影的遮挡物具有相似的轮廓
- 当光线从一个光源(或多光源)发出时，由于物体的遮挡使得光无法抵达这些表面，这样会出现阴影，阴影可总体上划分为两类
基于GMM的多尺度阴影检测算法
- 基于GMM的图像阴影检测
- 图像分割是指图像分成一定数量区域，且确定出其中感兴趣目标的操作
- 基于近邻传播聚类得到一个降采样的小区域的图像，每个小区域约100个像素左右
- 高斯混合模型在图像分割、对象识别、视频分析等方面均有应用，高斯混合模型指的是多个高斯分布函数的线性组合
- 图像分割方法如图割法可以应用到交互式的阴影检测任务中，然而在分割过程中图割法只能产生一个封闭的分割轮廓，因此只能检测一个封闭的阴影区域
自适应子区域匹配光照迁移阴影去除
- 自适应光照迁移阴影去除算法
- 在非阴影区域中主要由太阳光和环境光两部分组成，半影区是本影区和非阴影区的逐渐过渡区域，因此半影区域中有部分太阳光和环境光
- 通过检测所有初始边缘沿法线方向的强度变化来检测软阴影的边缘，滤除不符合Sigmoid函数的边缘
- 近邻传播聚类
- 高效的聚类算法。在处理过程中先将全部数据点可作为潜在聚类中心，接着对其中的各点两两连线而建立起网络，且基于其中各条边的归属度(availability)信息和吸引度(responsibility)信息传递计算出各样本的聚类中
- 高斯混合模型
- 指的是多个高斯分布函数的线性组合，这种模型可组合形成各类型的分布，可对同一集合数据包含各种类型分布的问题进行高效处理，也可以进行各类分布的划分而满足要求
- GMM笔刷模型
- 由一组高斯模型组成的概率密度函数，是一种广泛使用的用于描述颜色分布模型，尤其在图像和视频分析中经常被使用
实验结果示意图
-
实验结果示意图
