图像阴影检测方法研究.docxVIP

2008302580091 朱丽霞 08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Ward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)，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，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w(i，j)的梯度I（x，y）=(|ΔX|+|ΔY|)，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={c1，c2，c3}，其中c1是非阴影噪声属性，c2是像素的梯度大小属性，c3是邻域最大灰度属性。　　噪声属性c1={0，1}，其中0代表1×1（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c2={0，1}，其中0代表像素梯度满足AI(X，Y)B；1代表像素梯度I(X，Y)≥B，其中A，B是某一给定阈值。最大邻域灰度差属性C3={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，y)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0代表邻域最大灰度差CH(X，Y)D，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C1划分子图　　定义等价关系Rc1为：子块Pij与相邻子块的平均灰度值E(P)之差的绝对值取整均大于某一阈值T，即：　　　　式中Pi±1，j±1表示与Pij相邻的子块，Rc1(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。　　(2)根据C2划分子图　　设x代表梯度“较大”的像素，等价关系Rc2定义为：如果两个像素的梯度值属于同一范围，则两个像素是Rc2相关的，即属于等价类，用公式表示为：　　Rc2(x)={x|I(x，y)B}　　　　　　　(6)　　B是一阈值，Rc2(x)表示所有梯度较大的像素x组成的集合。　　(3)根据C3划分子图　　设s代表最大邻域差较大的元素，等价关系Rc3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Rc3相关的，即属于等价类，用公式表示为：　　Rc3(s)={s|I(s，t)D}　　　　　　　　(7)　　D是一阈值，Rc3(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=Rc2(x)-Rc1(p)和A2=Rc3(s)-Rc1(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。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