《数字图像中物体阴影自动去除方法设计与实现》7700字（论文）

第第页数字图像中物体阴影自动去除方法设计与实现目录TOC\o"1-2"\h\u47671绪论 1295001.1研究背景 237871.1.1阴影的存在及成因 2171811.2阴影消除方法发展与现状 350212基于统计特征的阴影建模 347142.1阴影特征分析 3233082.1.1RGB颜色空间 3123442.2阴影建模 7268593基于统计模型的前景阴影消除 914983.1前景检测算法 9191743.2基于模型的阴影消除算法 1154784仿真实验 12249415结论 13208535.1研究的结论 13166285.2本文的主要工作和不足 1416359参考文献 14摘要：当物体将光源阻挡后就产生了阴影，它使得图像的信息缺失或不能完整反应出来。阴影不仅使图像质量下降，而且也影响了图像的后期处理工作。因此，如何去除数字图像中的阴影，是很有意义的工作。本文所做工作如下：首先，对数据图像阴影去除的相关方法和技术进行了研究和探讨，阐述了阴影去除的产生背景，分析其发展过程；其次，以此为基础，讨论了数字图像中阴影模型的建立方法；再次，在建模的基础上，对多种现有阴影去除算法进行了深入研究；最后，通过仿真验证了算法的有效性。关键词：阴影检测；阴影去除；高斯模型；阴影特征1绪论1.1研究背景1.1.1阴影的存在及成因阴影在自然界中，是一种较为普遍发生的现象，我们日常生活中也极其常见，因此，图像中也是大概率会存在阴影的，阴影对于目标的识别、定位、匹配等都有着不利的影响，计算机在处理该问题中可能造成误判等情况。阴影的存在使图像的处理工作难度增加，所以对于图像中的阴影进行识别和有效地去除有实际意义。综上，需要对去除算法开展必要的研究工作。阴影产生，不仅与环境中光强度有关，而且跟所遮挡的物体自身透明度有关，并且与地貌纹理也息息相关。光强度高低可直接对阴影产生影响，两者是正相关。因此，阴影强弱与光源有重要关系。阴影的存在，可能造成被研究的部分强度受到干扰，但一般色度变化不大[2][3]。1.1.2阴影的检测与消除在应用视觉领域中，图像在进行处理时，对运动目标进行检测工作，并且进行有效的分割，是我们进行研究的核心。针对运动物体来说，由于阴影的成因可知，阴影与其的运动特性一致，因此，在物体处于动态下，对其进行检测，还不能有效地对阴影进行去除。需要指出的是，阴影通过投影后，会导致物体的运动状态和尺寸发生变化，使检测不易进行，容易产生误判或错误识别，给研究工作造成不良的影响。为了排除上述干扰，对于运动物体，要尽可能精准地进行检测工作，将阴影去除掉，以保障运动物体能够被正确精准地进行描述。当前，在进行阴影检测的相关工作中，可根据模型和特征的不同，采用不同的方法进行检测，根据模型方法，是通过按照场景、光照等情况，通过建模模拟真实的情况，建模参照所需的目标要求，给定其位置、光照强度、角度等，可得到较为精准的阴影情况，而根据特征方法则是在了解阴影和背景的光谱特征前提下，开展检测工作。1.1.3研究图形处理中阴影消除的目的和价值图像在进行处理时，较为重要的就是完成阴影消除这一工作内容。当前，对于图像信息处理的需求较大，以数字图像处理来说，其为交叉管理学科。在当前智能化技术逐步发展的环境下，该领域也是发展迅猛，随着需求的增多，越来越多的研究也在进行，在服务领域中，其已经开始进行了应用，图像信号处理可以理解为，让计算机进行相关图像分析的学习工作，从而能够完成图像处理工作，得到所需的结果。能够处理图像，也就是对数字图像进行处理，最终得到想要的处理后的结果。只是想将早期的图形质量进行一定程度的优化和改善，主要以人的角度来进行处理，目的是满足人的视觉感受，美化图像。在航空航天领域，数字图像的处理技术的运用十分广泛，生物医学上对图像处理要求也较高，需要相关技术配合，在工业检测方面，也能得到实际的应用。信息技术的不断发展，已经带给我们较为智能化的生活，对于数字图像数据处理更是有了新的变革，相信随着技术的不断开发，其必将在人类生活中起到更多的影响，使人们享受更加美好的生活。1.2阴影消除方法发展与现状计算机相关技术的迅猛发展，结合其他学科的理论知识，对于数字图像处理的相关工作已经较为完善，但对于阴影去除这一领域的工作还存在些许不足，因其是对视觉信号进行处理，这种感官的处理方法还有待加强。图像为彩色，在处理阴影的过程中，干扰项很多，处理后图像的品质受损，在此种情况下，我们可知，阴影消除的相关方法确实还需要我们进一步研究和应用，为其发挥自身价值提供研究基础。目前，我们所掌握的阴影消除方法众多，如直方图均衡化，运用同态滤波消除阴影等，但需要指出的是，都只采用了单一的算法，在进行图像处理时比较死板，缺少具体问题和情况采取不同处理方法的情况，这对消除效果具有重要影响，不利于产生较好的处理效果，并且使用范围受到了较大限制。在频域或空域上，也出现了处理方法，但是其所需的相关参数不容易确定，往往只是根据理论推断或者经验来取值。在阴影消除的相关技术中，对图像的增强技术使用频繁，复原技术也普遍应用，空域和频域上均可采用相对应的图像增强方法，前者是在图像平面的基础上，开展处理工作，如直方图均衡化，后者是通过傅里叶变换，得到频域信息，在此基础上进行增强，如同态滤波算法。2基于统计特征的阴影建模2.1阴影特征分析2.1.1RGB颜色空间针对彩色图像来说，其色彩空间常用模型为模型。日常中，较多设备都采用该模型，如电视、彩色扫描仪等，其模型主要由红、绿、蓝三种基本颜色组成，得到较多的组合。在三维坐标系下，建立模型，三个轴分别为轴、轴、轴，见图2.1所示图2.1RGB空间模型由上图可知，模型视为一个正方体，原点对应黑色，对应白色，在这个正方体中每个点对应不同颜色，方便我们去使用。2.1.2HSV颜色空间在计算机领域中，颜色模型中模型是较为常用的，其对颜色的表述可通过直观属性来表达，通过调整亮度、色度、饱和度来实现，比如Photoshop软件就是采用模型。在HSV模型中，表示色调，范围是，红色为，绿色为，蓝色为。在混合光谱中，色调是跟光波长有直接联系的，表示饱和度，范围为，其与基础色调的纯度相关联，色度由色调、饱和度共同作用得到的。表示亮度，范围为。亮度受到物体反射率的影响，两者成正相关，在彩色不存在的情况下，亮度也是衡量标准。有彩色的情况下，白色加入越多亮度越高，黑色加入越多亮度越低。饱和度则是由色调纯度进行控制的，纯光谱色饱和为零，加入白光越多，饱和度逐渐增加。2.1.3RGB、HSV颜色空间的转换在硬件设备中，往往采用RGB颜色设计模型，其采用加法混色的方式，主要表现为原色对应的数值越高色彩越亮。HSV模型与RGB模型不同，其更加重视视觉呈现，但是本质上两种模式又是相同的，只是颜色产生的方式不同。它们之间可以互相转化，具体转化过程如下if(s=0)R=G=B=V;elseH/=60;i=INTEGER(H);f=H-i;a=V*(1-s);b=V*(1-s*f);c=V*(1-s*(1-f));switch(i)case0:R=V;G=c;B=a;case1:R=b;G=v;B=a;case2:R=a;G=v;B=c;case3:R=a;G=b;B=v;case4:R=c;G=a;B=v;case5:R=v;G=a;B=b;光强度高低可直接对阴影产生影响，两者是正相关，因此，阴影强弱与光源有重要关系。通常，阴影会导致对应区域的强度发生变化，而色度的没有太大。文献[3]就是基于特征在RGB颜色空间上通过各个空间归一化对色度进行建模。模型在图像处理工作中较为常用，在颜色空间，色彩通过色调、饱和度、亮度值进行描述，与空间相比，空间的物理意义更为清晰。物体色度由像素点的值、值进行描述，物体强度则是V值进行描述，需要指出的是，取值范围为，取值范围为，取值范围为。为了方便处理，我们在进行RGB转换到HSV颜色空间转换时，将各个子空间都缩放到范围内，其转换公式如下所示：（1）2.1.4提取阴影统计数据在进行相关数据的统计工作中，手动对某分析视频进行标记，对于同一个位置，对其有无阴影情况下，HSV空间各通道的像素值进行统计，如表2.1所示。表2.1阴影统计数据来源视频统计源视频基本信息统计区域区域内位阴影的帧区域内无阴影的帧HighwayI440帧，320×240，室外以（6，225）（66，235）为顶点的矩形区域，像素点数为60016，17，42，47，51，61，91，129，147，151（共10帧）133-142（共10帧）加州大学圣迭戈分校，其相关研究实验室公布的测试视频（http：///aton/shadow/），这是的视频来源。该视频共有帧，每帧大小为，统计区域为以为顶点的的区域，区域内有阴影的帧为，，，，，，，，，，区域内无阴影的帧为，如图2.3，图2.4所示。图2.3带阴影的十帧图像的特定区域图2.4无阴影的十帧图像的特定区域将十块图像区域进行合并，形成一幅新的图像，使统计工作更加方便、直观，如图2.5和图2.6所示图2.5带阴影区域图2.6无阴影区域根据需求选择对应帧，在该区域进行相关工作，得到直方图统计。对、、三个通道的直方图信息需要进行统计，因此，将色彩空间图像转化为色彩空间图像，提取三个通道的分量图像并进行直方图统计，因此，无阴影区域的显示如下图7(a)，7(b)，7(c)。2.7(a)无阴影H通道2.7(b)无阴影S通道2.7(c)无阴影V通道图2.7HSV值无阴影直方图统计示例带阴影区域，上述三个通道直方图统计信息显示如下图2.8(a)，2.8(b)，2.8(c)所示。8(a)带阴影H通道图8(b)带阴影S通道图8(c)带阴影V通道图8HSV值带阴影直方图统计示例对上图进行相关分析，得到结果为：阴影进行投射时，通道和通道的变化量较小，十分不明显，通道与其他两个通道不同，变化量明显，正好证实了先前文献所得出的结论。2.2阴影建模2.2.1高斯模型高斯模型采用其所对应的概率密度函数，有效地进行分析，它在图像中的运用是灰度直方图的处理工作，也就是说，可通过某个灰度值出现的频率，来进行处理工作，因此，需研究灰度概率密度计算。但在医学领域中，图像较为复杂，呈多峰的，该特性可建立模型，视为多个高斯分布叠加,将图像分割问题转化为数学问题，建立数学模型有效地解决和改善问题。2.2.2K-means聚类算法对K-means算法进行阐述，在各数据中，选取个对象，设置为初始聚类中心，对剩下的数据进行分析，找到其与初始聚类中心的相似程度，将其进行分配，分配给与本身相似度最高的聚类。具体如下：（1）选择个初始中心点，例如（2）对于，分别与进行比较，与最小差值的标记一致；（3）所有标记为点，重新进行计算，公式为：（4）(2)-(3)步骤进行重复，与给定阈值相比，使值小于它。2.2.3高斯阴影建模经过研究可知，在颜色方面，图像像素满足混合高斯分布（Jill等）[5]，基于此，可针对图像像素建立高斯模型如下：（2）式中，当前像素点值X，模型方差为，均值为，上述参数是确定的，分析图1可知，在通道和通道，像素是单峰模态，但需要指出的是，在通道则是多模态且呈高斯分布。综上所述，各通道均可用高斯模型，H通道模型公式为：（3）与式(2)变量相似，此空间用进行标识，通道建立模型，与通道采用模型和含义相似。对图中数据进行统计，可依据通道的像素值大小，建立与通道类似的高斯模型。在通道上，三个高斯模型需要进行建立，阴影在哪个模型中需要进行确定，因此，先进行阴影样本采集，手动获得600份样品，结合K-means算法，对样本进行分类。在通道中，各阴影聚类由表示，其中参数为第个聚类中，像素的均值、方差、像素点数目，如公式(4)、公式(5)：（4）（5）其中，。根据上述统计可知：、通道是单个高斯模型，无需聚类操作，均值和方差根据上述公式计算得出，将高斯模型的参数进行确定。3基于统计模型的前景阴影消除3.1前景检测算法3.1.1图像分割对图像进行分类处理时，对图像进行分割十分重要，是较为重要的工作内容，可通过分割得到属性相似的区域，在可应用的范围内，图像进行分割，主要是达到对图像噪声的过滤，有效的识别并提取重要特征等。也就是说，图像分割是将图像通过进行有效的区域划分，将特征相似的区域归为一类，然后准确的提取所需目标，从而得到较好的图像处理。综上所述，可对其定义为：中国系统图像数据区域为，将其进行分割，得到N个满足学生生活条件的非空子集（1）在拆分结果中，每个区域的像素具有相同的特征。（2）分割结果的不同子区域，都具有自身的特征，无共同特征。（3）分割的所有子区域的并集就是我们原来的图像。（4）每个子集是一个连通区域。从上面的描述中，从定义上可以知道，经过图像分割后，子区域的并集涵盖所有像素，并且区域彼此不重叠，即，每个像素不能同时属于不同的区域。根据像素特性不同划分不同区域，因此，可根据区域判断像素特征是否一致。3.1.2前景提取在许多研究图像数据处理系统工程中，需要在场景设计存在运动发展目标的情况下可以获得前景图像，叫做前景提取。影响经济前景提取的因素有很多，例如在前景提取的过程中，背景中可能含有轻微扰动的物体，如树枝、树叶的摇动，此外，一天中不同时间段的光线、天气等的变化对检测方法结果也会产生重要影响。在后期处理的工作中，对目标进行分类和跟踪，相关行为的理解能力等，都是针对图像中运动目标的像素展开的，因此，后处理受到前期检测工作的影响，准确的分割也是重要一环。(l)帧差法在对目标进行检测或分割时，普遍采用帧差法，其是利用两到三帧的像素时差，结合关闭值，从而有效的将图像移动区域辨识出来。(2)光流法主要是对光流场进行相应的计算工作，图像序列在时空梯度、移动目标等发生运动变化，分析其对应关系，进行运动估计。光流场可依照全局和特征点不同有不同的方法。3.1.3高斯混合模型上述提到这一模型，是应用于背景消除的有效模型，现将其在前景提取时进行运用。高斯混合模型可表示像素点的特征，当K个高斯函数模型,得到更新的图像信息后，混合高斯模型也进行相应的更新，进而将像素点都与之进行匹配，匹配成功则为背景点，反之，为前景点。3.1.4高斯混合模型实现前景提取在高斯混合模型（）中，某时刻，某个像素点所有历史值为如下序列：在该时间序列中，个高斯分布进行叠加，像素点的概率密度函数为：（6）其中，高斯分布个数R=5，第i个高斯函数的权重系数、数学期望、协方差矩阵分别为、、，高斯模型。根据匹配的情况，完成模型参数的更新工作，若第k个高斯分布与匹配，调整各高斯分布的权值，公式为：（7）式中，学习率为，若第个高斯分布与匹配，则，剩余高斯模型，通过不断的进行调整，某个高斯分布匹配成功的频率越高，其权值也要越高，背景模型的高斯分布进行匹配后，也要及时调整均值和方差，更新公式为：（8）（9）式中，，在背景模型中，高斯分布匹配失败时，不调整均值和方差。按照上述步骤，对视频开展相关处理工作，最终得到背景，如图3.1所示。图3.1背景图像图3.2为图像分割得到的前景图像图3.2前景图像3.2基于模型的阴影消除算法研究阴影消除的方法，主要是为了将前景中的阴影进行去除，使图像的目标更加明确和清楚，本文对前景进行检测，进行阴影消除工作，算法伪代码为：AlgorithmShadow_Eliminate()Input：ImageframesOutput：Theforegroundwithoutshadow(1)：CreateShadowModel(samples);(2)：CreateGMM(frames);(3)：while(frame!=NULL)(4)：ExtractForgroundGMM(frame);(5)：foreverypixelinforegrounddo(6)：foreverypixelinforegrounddo(7)：Ph=ComputWeight(pixelh，shadowMh);(8)：Ps=ComputWeight(pixels，shadowMs);(9)：Pv=ComputWeight(pixelv，shadowMv);(10)：if(mhPh+msPs+mvPv<Th)(11)：pixel=OBJECT;(12)：else(13)：pixel=SHADOW;(14)：UpdateShadowModel();(15)：endif(16)：endfor(17)：UpdateGMM();(18)：endwhile研究其重要算法，是对当前像素点与各个高斯模型的匹配度、、进行计算。各通道匹配权值、和，研究各通道对阴影影响情况，前景像素点P，阴影判定公式为：（10）其中，H通道和S通道，像素均值为、，V通道三个模型权重为、、，Th为判定阴影的阈值Th，如果不小于Th，其像素属于阴影，=0，在前景进行消除，反之，其像素属于前景=255。通道进行更新护，高斯模型进行相应的更新，像素点在检测后被判定为阴影时，均值和方差要配合进行更新，采用式(8)、式(9)。V通道有三个高斯模型，遵循混合高斯模型更新方法，首先通过式(7)对三个权值进行更新，然后使用式(8)和式(9)对更新V通道中所匹配的模型进行更新，其他模型保持不变。4仿真实验本文采用对HighwayI.avi视频对本算法进行验证。视频来自加州大学圣迭戈分校CVRR小组所公布的测试视频。通过前几章的准备工作，以及前面步骤的结果，通过对不同的阈值及权值，得到的仿真结果。并与同态滤波进行图像阴影去除进行对比，如图4.1，图4.2，图4.3。图4.1原始图像第18帧、第298帧图4.2运用同态滤波阴影消除图4.3高斯混合模型去除阴影效果图4.1为原始图像的第18帧、298帧，图4.2显示了同态滤波对相应帧的处理效果，图4.3为本文阴影消除算法所得到的效果。在上图中，白色表示检测出来的前景，黑色表示背景。从图中可以看出，混合高斯模型在进行前景检测时，将阴影也当作作为前景目标物体检测出来。本文算法在其所检测出的前景基础上进行阴影消除，将混合高斯模型检测中所存在的大部分阴影进行了很好地消除，而对于前景目标基本没有损失。同时可以看到，在混合高斯模型检测过程中，由于光照等环境因素引起的噪声点也当成前景被检测出来，而本算法在也对其进行了很好的消除，使人物轮廓变得清晰可见，验证了本文算法的有效性，同时对数字图像在人脸识别，显微图像，以及汽车障碍识别方面提供很好的方法，使数字图像运用更加广泛，也为后面的无人驾驶技术对汽车障碍识别做了铺垫。5结论5.1研究的结论针对运动目标开展检测，较为传统的方法是把阴影进行提取，作为前景来进行处理，其不足之处为经常出现识别错误，物体变形等。这种不利的因素都会给相关研究带来困难，造成结果误判等。面临传统目标检测的问题，需要进行解决和改善，因此，以前景运动检测算法为前提，进行相关的研究，在HSV空间下，阴影有其自身的特征，由上述分析可知：有无阴影的前提下，在通道的直方图中，V通道变化较大，其余受到的影响甚微。结合上述情况，在HSV颜色空间下，本文提出新的高斯阴影模型，对于阴影的相关特征进行分析，统计相关数据，在三通道上均建立高斯模型，模型中的参数结合阴影样本可得到。在次模型基础上，结合阴影去除的算法，识别上是通过检测像素点和模型是否匹配，进而对其进行消除工作，实现最终目的。通过仿真实验表明，在前景中，采用本文提出的算法，可有效的将阴影识别处理，并进行去除，与同类型算法相比，其正确检测率有所提高，消除效果明显，此算法得到了较好的验证结果，有效性能高，具有较强的适应性，能够针对不同场景均有效。5.2本文的主要工作和不足5.2.1本文的主要工作在传统的运动检测算法中，由于阴影的存在，算法将阴影及运动目标作为前景同时提取出来，需要指出的是，传统的阴影消除算法对阴影的检测以及对不同场景的适应性不佳，使得阴影往往不能够准确实时的消除。对结果造成了一定的影响，并且对研究者带来了一些不便。本文主要研究对于不同阴影去除算法得出：在HSV颜色空间中，针对视频的多个阴阳区域，进行直方图统计，得到相应的分析结果，在同类算法中，上述算法能够精准的进行阴影消除，消除效果较好，在已有的算法中，其检测率和有效区分率都较高。5.2.2本文的不足本文在开展相关研究和实验中，存在着不足之处。在区域截取的过程中，由于选择区域的不典型性，使得有阴影和无阴影的直方图统计中，V通道差别不够典型，导致在高斯模型进行拟合时，两个模型中有一些重合。这样，在最后一步利用高斯模型进行阴影消除时，存在一些重合点，这样就有一些前景像素点被消除，有一些阴影像素点留下。参考文献[1]Prati,Andrea,Mikic,Ivana,Trivedi,MMohan,Cucchiara,Rita.Detectingmovingshadows:Algorithmsandevaluation[J].IEEETransactionsonPatternAnalysisandMachineIntellige