-
2
朱丽霞
0
8
级
4
班
图像阴影检测方法研究
阴影在图像中普遍存在，它严重影响图像处理的后期工作，如
图像分割和图像匹配等。
为此必须先对图像阴影进行去除。
阴影
种类繁多，
有基于几何特性的，
有基于阴影灰度性质
(
如阴影边缘灰度渐变、突变，阴影分布是否均匀
)
的，还有基于阴影形成原因的，但目前没
有一种通用的阴影去
除方法能对所有的阴影有理想的处理效果，
所以必须对不同类型的阴影
< br>采用不同的处理方法。
本文提出了将阴影分类的思想，
但
前提是先对阴影进行检测。
近年来，
解决阴影检测和识别的方法
已有不少文章，如
Jiang
与
War
d
提出了基于阴影强度与几何特
性的阴影检测方法
[1]
，即在阴影的检测过程中采用
3
层：低层、中层与高层。在低层处理时
从图像中提取暗区域；中层则对暗区域
进行特征分析，包括检测暗区域轮廓顶
(vertices)
，
确
认暗区域中的半影
(penumbrae)
< br>，将暗区域分成自阴影和投影阴影以及确定与暗区域相邻的
物体区域；高层则结合
前两层结果，从暗区域中确认阴影。
Salvador
等人基于
彩色不变模型
确定并归类阴影
[2]
。
以上阴
影检测方法都存在局限性，需要满足一定的假设条件，如场景中仅有一个光元，
阴影位于
相对平坦的区域，
或者有某种不因阴影而改变的彩色不变量等。
本文采用基于粗糙
集阴影边缘点分类的方法，较好地实现了阴影边缘的检测。
1
基于等价关系的子图像划分
对于一幅灰度级数为
L
的
M
×
N
< br>个像素组成的二维图像
U
，
设像
素
x
为
U
中的
一个对象，
称知识库（知识系统）
K=(U
，
R)
为一个图像近似空间。考虑中心像素为
w(i
，
j)=f(x
，<
/p>
y)
的
3
×
3
窗口，如式（
1
）
：
移动该
窗口，
使所有像素都依次置于该窗口的中心位置。
计算像素点<
/p>
w(i
，
j)
的
梯度
（
I
x
，
y
）
=(|
Δ
X|+|
Δ
Y|)
，其中
f(x
，
y)
为原图像，
g(x
，
y)
为处理后的梯度图像
。
粗糙
集理论
[3]
中有两种属性：条件属性和决策属性。为了有目的
地区别处理图像中某类
阴影，定义条件属性集
C={c
1
，
c
2
，
c
3
}
< br>，其中
c1
是非阴影噪声属性，
c
2
是像素的梯度大小属
性，
c
3
是邻域最大灰度属性。
噪声属性
c
1
={0
< br>，
1}
，其中
0
代表
1
×
1
< br>（单个像素）或
3
×
3
像素组成子块
p
的平均灰度
值与相邻子块平均灰度值之差的绝对值均小于某一阈值
T
；
1
代表子块的差值绝对值均大于
T
。像素梯度的属性
c
2
={0
，
1}
，其中
0
代表像素梯度满足
， <
br>代表像素梯度 y)
A
Y)
；
1
I(X
，
Y)
≥
B
，其中
A
，
B
是某一给定阈值。最大邻域灰度差属性
C
3
={0
，
1}
，此处既利用了像素本
身的灰度值
，又利用了其邻域信息，设
C(X
，
Y
)={F(X-I
，
Y-J)|-(N-1) 2}
表示图像中大小为
n
×
n
的窗口，
f(x
，
表示坐标为
(x
，
y)
的点的灰度值，
n
为
奇数，则定义邻域函数为
其中<
/p>
0
代表邻域最大灰度差
<
br>
E(P)
<
br>范围，则两个像素是
C
，
Y)
，
1
代表
H(X
，
Y)
≥
D
，
C
、
D
为某一给定的阈值。
子图的划分就是利用不可
分辨关系的等价概念，按属性
C
分类。
(1)
根
据
C
1
划分子图
定义等价关系
R
c1
为：
子块
P
ij
与相邻子块的平均灰度值
之差的绝对值取整均大于某
一阈值
T
，即：
式中
P
i
±
1
，
j
±
1
表示与
P
ij
相邻的子块，
R
c1
(
P)
表示所有孤立噪声或小块的非阴影噪声像素组
成的集合。<
/p>
(2)<
/p>
根据
C
2
划分子
图
设<
/p>
x
代表梯度“较大”的像素，等价关系
R
c2
定义为：如果两个像素的梯度值属于同一
R
c2
相关
的，即属于等价类，用公式表示为：
R
c2
(x
)={x|I(x
，
y)>B}
(6)
B
是一阈值，
R
c2
(x)
表示所有梯度较大的像
素
x
组成的集合。
(3)
根
据
C
3
划分子图
设
s
代表最大邻域差较大的元素，等价关系
R
c3
定义为：如果两个像素的最大邻域差值
属于同一范围，则
两个像素是
R
c3
相关的，即属于等价
类，用公式表示为：
R
c3
(s)={s|I(s
，
t)>D}
(7)
D
是一阈值，
R
c3
(s)
表示所有最大邻域差较
大的像素
s
组成的集合。
对上述两个集合除噪，
可以避免明显的假边缘点。
即
A1=R
c2
(x)-R
c1
(p
)
和
A2=R
c3
(s)-R
c1
(p)
，
A1
表示剔除噪声后，所有像素中梯度大的像素
x
组成的集合。
A2
表示剔除噪声后，
所
有像素
的最大邻域差值大的像素
s
组成的集合。
A1
、
A2
即为需要的像素集合。<
/p>
2
阴影边缘的提取
提取边缘的方法很多，
近年来又有不
少新方法，
在本文中，
使用像素属性分类的方法来
检测图像的边缘。
2.1
基于边缘点分类
假设：
阴影区域和非阴影区域存在着
一个过渡带，
即认为边缘是有宽度的。
本文选用海
边沙石阴影图像来分析，将阴影分为两部分，一部分为图像外的物体（例如树）的投影（以
下简称为外阴影）
，另一部分为目标自身阴影及目标之间的投影（以下简称
为内阴影）
。
(1)
外阴影与内阴影的灰度相差较大
通过大量图像发现：
外阴影的平均灰度要比内阴影的平均灰度低，
在同一浅色背景下表
现为对比度大些。
此时对上面求得的集合
A1
、
A2
分别求
I(
x
，
y)
、
H
(x
，
y)
，
在
A1
中，
H(x <
br>、
y) <
br>y)
A
，
Y)
，
y)
(2)
外阴影与内阴影的灰度相差不大
这样求得的
I(x
，
y)
或
，
y)
不能分为两个较明显
的区间，此时仅求
H(x
，
y)
即可。
2.2
部分假边缘点的处理
对于上述的情况
(1)
，
如果外阴影和内阴影分布不均匀，
即外阴影内部某
些点的
I(x
，
y)
H(x
，
y)
恰好属于内阴影边缘点的
I(x
，
、
H(x
，
，这时会误判。此时应在内阴影的
M(R)
中
去掉这些点，方法如下：对内阴影边缘点集
M
(R)
逐一进行统计，使该点向四周移动，若都
能碰到属于外阴
影边缘高梯度点（梯度大于或等于
B
的点）或高最大邻域灰度差
的点
(
最大
邻域灰度差大于或等于
D
的点
)
，则该点
是外阴影的内部点，将其从内阴影边缘点集
M(R)
中
去掉。
注意：
之所以使外阴影内部点向四周移动
，
是因为内阴影的边缘点沿着某个方向也可
-
-
-
-
-
-
-
-
-
上一篇：如何在学生面前树立威信
下一篇：错误面前说声对不起 有效道歉技巧