matlab去除图片中的阴影（用高斯模糊估计阴影模式）

试着努力一把吧

已于 2022-09-04 12:26:17 修改

阅读量5.2k

点赞数 9

分类专栏： matlab 图像处理文章标签： matlab 图像处理计算机视觉

于 2022-08-31 01:16:18 首次发布

本文链接：https://blog.csdn.net/DXY_aqz/article/details/126615825

版权

图像处理同时被 2 个专栏收录

5 篇文章 0 订阅

订阅专栏

matlab

4 篇文章 0 订阅

订阅专栏

1、思路

由于光照等原因造成的图片存在阴影且影响视觉效果的情况，带阴影的图像可以表示为：

$g(x,y)=f(x,y)s(x,y)$

其中， $g(x,y)$ 是最终的图像， $f(x,y)$ 和 $s(x,y)$ 分别是没有受到影响的原图像和阴影图像(对原图像造成干扰)。由此可见，只要想办法去除这个阴影模式就可以恢复原图像（原图除以阴影模式，一种形态学方法）。

首先需要回顾一下图像的加减乘除的作用：

图像加减乘除作用
＋	一般用于去除均值为零的噪声
-	一般用于体现出两幅图像的差异/减法降噪等
.*	一般用于实现阴影模式处理（屏蔽一部份区域）
./	一般用于去除阴影模式

从上表可以看出，我们这次需要用到图像的乘除法。

2、阴影模式的估计方法

阴影模式的一种估计方法是通过模糊化的方法或的图像背景，用该背景作为阴影模式。

所谓的模糊化，一般是用来降噪的，以模糊为代价来消除噪声，所以更常见的叫法应该是滤波。

对于类似这样一幅图片，首先构造一个低通滤波器（用来提取阴影背景），然后计算出阴影模式，并根据上面给出的公式利用乘除法求出原图。

高斯低通滤波器的模糊效果更平滑，且二维的高斯滤波器可以拆分为两个一维的高斯滤波器(暂时知道就行)在一些情况下可以大幅减少运行时间。

滤波器处理过程实际上就是一个相乘再相加的过程：原图像是个大矩阵，滤波器是个小矩阵，小矩阵在大矩阵上相对移动，每移动一次得到一个卷积结果，等原图像所有像素点处理完成后，利用处理结果构造一个新的图像（阴影模式的估计）。

$G(r)=Ke^{-\frac{r^{2}}{2\sigma^{2} }}$

这里的K为常数，因为只需要用到高斯函数的钟形特性，r为与均值的差，sigma为标准差。需要注意的是：卷积核（就是之前说的小矩阵，也就是我们要构造的低通滤波器）的大小靠近6*sigma，取奇数。

3、代码实现

3.1、通过现成的函数来构造高斯滤波器

clc
clear
close
I = imread('C:\Users\含笑韭泉\Desktop\图片1.png');
if length(size(I))==3
    I = rgb2gray(I);
end
% 这一段增加了源图像的边缘（补零）
m = 3;
sem = floor(m/2);
I = im2double(I);
a = zeros(size(I,1)+m-1,size(I,2)+m-1);
a(sem+1:size(I,1)+sem,sem+1:size(I,2)+sem) = I;
I = a;
% 这一段增加了源图像的边缘（补零）
subplot(1,3,1)
imshow(I);
B = imgaussfilt(I,87,"FilterSize",513,"FilterDomain",'spatial');    %自动创建高斯滤波器
subplot(1,3,2)
imshow(B);
C = I ./ B;
subplot(1,3,3)
imshow(C);

*卷积操作实际上就是一系列相乘求和的过程，卷积核（矩阵）在图像的每一行每一列扫过，每个像素点的值等于卷积核与当前像素点区域（矩阵，和卷积核一样大）的各个元素乘积求和，每个新像素值要乘以一个缩放系数（卷积核内所有元素的和的倒数）。*

其中，这里的imgaussfilt函数可以通过在命令行窗口输入“doc imgaussfilt”来查看。

B= imgaussfilt(A)	使用标准差为 0.5 的二维高斯平滑核对图像 `A` 进行滤波，并在 `B` 中返回滤波后的图像。
B = imgaussfilt(A,sigma)	使用由 `sigma` 指定标准差的二维高斯平滑核对图像 `A` 进行滤波。
B = imgaussfilt(___,Name,Value)	使用名称-值对组参数来控制滤波的各个方面。

可以看出，起到了较好的效果，去除了背景阴影。

3.2、通过原理构建高斯低通滤波器

之前提到了二维高斯低通滤波器可以用两个一维的代替，原因是：该卷积具有交换律，多阶滤波可由多级滤波来实现。

clc
clear
close
I = imread('C:\Users\含笑韭泉\Desktop\图片1.png');
if length(size(I))==3
    I = rgb2gray(I);
end
I = im2double(I);
I0 = I;
[I_row,I_col] = size(I);

m = 513; %大小，这里的值越大模糊效果越好，但是计算量越大
K = 1; %系数，无所谓
s = floor(m/6);   %标准差
sem = floor(m/2);
G = zeros(1,m);    %行分量高斯核
for i = 1:m
    r = i - ceil(m/2);
    G(i) = K * exp(-r^2/(2*s^2));
end
subplot(2,2,1)
imshow(I);
title("原图");
leftSide = zeros(I_row,sem);    %扩展原图像，方便计算
rightSide = zeros(I_row,sem);
I_enlargeLR = [leftSide,I,rightSide];
% 按行进行高斯低通滤波
for i = 1:I_row
    for j = 1 + sem:I_col + sem
        I(i,j-sem) = sum(G .* I_enlargeLR(i,j-sem:j+sem)) / sum(G); %卷积计算结束要进行归一化
    end
end
subplot(2,2,2)
imshow(I);
title("一次（横向）卷积");
upSide = zeros(sem,I_col);
downSide = zeros(sem,I_col);
I_enlargeUD = [upSide;I;downSide];
% 按列进行高斯低通滤波
for i = 1 + sem:I_row + sem
    for j = 1:I_col
        % 这里的G没有转置和没有使用点乘是对应的
        I(i-sem,j) = G * I_enlargeUD(i-sem:i+sem,j) / sum(G);
    end
end
subplot(2,2,3)
imshow(I);
title("二次（纵向）卷积");
subplot(2,2,4)
Ie = I0./(I);   % 原图除以阴影模式
imshow(Ie);
title("恢复图");