图像的阴影检测消除和图像重建算法matlab仿真

已于 2022-10-17 23:20:42 修改
阅读量3.6k 收藏 48
点赞数 8
分类专栏： MATLAB 板块2:图像-特征提取处理 文章标签： matlab 阴影检测 阴影消除 图像恢复 图像重建
于 2022-10-17 22:37:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ccsss22/article/details/127378628
版权

阴影检测 图像恢复 深度学习 梯度方法 MATLAB实现
关键词由CSDN通过智能技术生成

目录

一、理论基础

二、核心程序

三、仿真测试结果

作者ID  ：fpga和matlab
CSDN主页：https://blog.csdn.net/ccsss22?type=blog
擅长技术：
1.无线基带,无线图传,编解码 
2.机器视觉,图像处理,三维重建 
3.人工智能,深度学习 
4.智能控制,智能优化
5.其他

一、理论基础

       阴影是自然界中普遍存在的一种物理现象,图像中阴影的存在会对物体识别、目标追踪等计算机视觉的相关问题造成不利的影响,因此研究图像中阴影的检测和去除算法是十分必要的。当一个光源的光线由于其他物体的阻挡不能够达到一个物体的表面的时候，那么这个物体就在阴影中了。阴影能够使场景看起来真实得多，并且可以让观察者获得物体之间的空间位置关系。阴影对于真实感场景绘制具有重要的意义，不仅能够反映空间中物体之间的相互遮挡关系，也能反映遮挡物以及接收表面的几何信息，阴影的实时绘制还大大增加了场景绘制的真实度，阴影绘制技术主要有阴影图算法和阴影体算法两类，与阴影体算法相比，阴影图算法具有与场景复杂度无关、易于实现以及受图形硬件支持等优点，它在业界得到了更广泛的应用。

        阴影作为图像退化的一种特殊形式，其存在会对机器视觉图像的信息造成一定的损失或干扰，这在计算机图像处理过程中将直接导致相应区域的边缘提取、目标识别以及影像匹配等算法的结果不稳定甚至失败。静态图像中的阴影处理一直是一个比较困难的问题,在分析了阴影的成因和光谱属性的基础上,对静态图像中的阴影检测和阴影去除算法进行了研究。阴影检测是阴影处理算法的基础,阴影检测算法的准确性直接影响之后阴影去除算法的效果。本文首先总结概括了现有的几种阴影检测算法,并对它们进行了详细的优缺点分析。最近的研究表明,对立色彩空间中的红-绿通道与阴影具有最大的无关性。

        阴影虽能为图像深度和物体几何形状预估等计算机视觉研究工作提供重要依据，但其存在也会加大物体检测、目标跟踪等任务的难度。阴影去除常包含阴影定位和去阴影这两个步骤。在阴影定位过程中，文献[1-3]中使用阴影检测的方法：

[1]GUO R， DAI Q， HOIEM D. Paired regions for shadow detection and removal [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2013， 35（12）： 2956-2967.

[2]KHAN S H， BENNAMOUN M， SOHEL F， et al. Automatic shadow detection and removal from a single image [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2016， 38（3）： 431-446.doi：10.1109/TPAMI.2015.2462355.

[3]张营，朱岱寅，俞翔，等.一种VideoSAR动目标阴影检测方法[J].电子与信息学报，2017，39（9）：2197-2202. doi： 10.11999/JEIT161394.ZHANG Ying， ZHU Daiyin， YU Xiang， et al.. Approach to moving targets shadow detection for VideoSAR[J]. Jounal of Electronics & Information Technology， 2017， 39（9）： 2197-2202. doi： 10.11999/JEIT161394.

文献[4]中的深度网络能够学习阴影检测所需要的特征，但受到数据集规模的限制，这两个网络层次都较浅。

[4]SHEN L， CHUA T W， LEMAN K. Shadow optimization from structured deep edge detection [C]// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway， NJ： IEEE， 2015： 2067-2074.doi：10.1109/CVPR.2015.7298818.

       文献[5-6]中通过比较光照不变图和原始RGB图像进行阴影检测，然后提出一系列基于梯度的方法进行阴影去除。但这些基于梯度的方法仅仅只改变阴影边界或半阴影区域的梯度变量，因此对于全阴影区域的光照变量并不适用。

[5]FINLAYSON G D， HORDLEY S D， DREW M S. Removing shadows from images [C]// Proceedings of the 2002 European Conference on Computer Vision， LNCS 2353. Berlin： Springer， 2002： 823-836.doi：10.1007/3-540-47979-1_55.

[6]FINLAYSON G D， HORDLEY S D， LU C， et al. On the removal of shadows from images [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2006， 28（1）： 59-68.doi：10.1109/TPAMI.2006.18.

       图像中的阴影会对计算机视觉图像信息产生干扰,引起图像质量下降,并导致物体分割,目标识别及追踪等处理结果不稳定甚至失败,严重影响了计算机视觉图像处理算法的性能. 首先,以光度学和色度学的相关理论为基础,介绍了光源模型,光反射模型和成像模型的建立方法,以及几种常用的颜色模型,并在此基础上分析了阴影的成因及性质. 在阴影检测算法研究中,首先,研究了两种阴影检测算法,介绍了它们的工作原理和实现方法,并分析了其优缺点.这两种检测方法分别以光照无关图和颜色特征不变性为基础,并且均建立于人眼视觉系统的三色学说基础上.与同表面非阴影区域相比，图像中阴影区域一般会具有以下特征：其亮度会明显比非阴影区域低；与非阴影区域有分界，界线宽度一般不大，在界线上存在渐变；阴影区域的颜色通道比例和非阴影区域比较接近。我们可以利用这些特征来完成阴影检测的工作。

        在白天的户外环境中，主要存在两种光源：太阳光的直射，和天空的光线散射。非阴影区域同时受到了太阳光的直射和天空的光线散射，而阴影区域则没有太阳光的直射，只存在天空的光线散射。显然，太阳光的直射强度要大大高于天空的光线散射强度。对于阴影区域，它和阳光直射区域的差即为太阳直射的颜色分布。如果能够将太阳直射下颜色在三个通道的构成比例计算出来的话就可以很好的辅助进行阴影检测。

对于阴影检测：

通过上述公式，可以将影子的区域及边缘进行有效的提取。删除阴影时，有注意。由于图像是灰度图像，如果图像背景较浅且对象较暗，则必须先执行最大滤波，然后再执行最小滤波。如果图像背景较暗且物体较亮，我们可以先执行最小滤波，然后再进行最大滤波。

 对于阴影消除：

 

通过上述过程，我们可以完成阴影区域的像素重建，继而完成图像的恢复。图像复原技术的主要目的是以预先确定的目标来改善图像，大部分是一个客观的过程。图像复原试图利用退化现象的某种先验知识来复原被退化的图像。因而，复原技术是面向退化模型的，并且采用相反的过程进行处理，以便恢复出原图像。

以上，我参考的文献：

二、核心程序



%%
%图像恢复
for i = 1:r
    for j = 1:c
        if BW(i,j) == 1   
           Io3(i,j,1) = 0;
           Io3(i,j,2) = 0;
           Io3(i,j,3) = 255;
        else
           Io3(i,j,1) = I(i,j,1);
           Io3(i,j,2) = I(i,j,2);
           Io3(i,j,3) = I(i,j,3);
        end
    end
end
figure(2);
imshow(Io3);title('阴影边缘检测效果');


%计算阴影边界例外L个像素点的像素变换

%计算I_modelled
L   = 7;%阴影变换过度区间 
ind = 0;
hL  = (L-1)/2;

for i = hL+2:r-hL-2
    for j = hL+2:c-hL-2
        if Io(i,j) == 255 
               if (BW(i,j) == 1 & BW(i,j-1) == 0 & BW(i,j-2) == 0 & BW(i,j-3) == 0 & BW(i,j+1) == 0 & BW(i,j+2) == 0 & BW(i,j+3) == 0 )
                  ind = ind + 1; 
                  for n = L:-1:1  
                  
                  I_min1{ind} = min(min(I(i,j-hL:j+hL,1)));
                  I_min2{ind} = min(min(I(i,j-hL:j+hL,2)));
                  I_min3{ind} = min(min(I(i,j-hL:j+hL,3)));

                  I_max1{ind} = max(max(I(i,j-hL:j+hL,1)));
                  I_max2{ind} = max(max(I(i,j-hL:j+hL,1)));
                  I_max3{ind} = max(max(I(i,j-hL:j+hL,1)));

                  I_modelled1{ind}(n) = I_min1{ind} + (1/(1 + exp(-(12*n - 6*L - 6)/(L - 1))))*(I_max1{ind} - I_min1{ind});
                  I_modelled2{ind}(n) = I_min2{ind} + (1/(1 + exp(-(12*n - 6*L - 6)/(L - 1))))*(I_max2{ind} - I_min2{ind});
                  I_modelled3{ind}(n) = I_min3{ind} + (1/(1 + exp(-(12*n - 6*L - 6)/(L - 1))))*(I_max3{ind} - I_min3{ind});
                  
                  I01{ind}  = I(i,j+hL-1:-1:j-hL-1,1);
                  I02{ind}  = I(i,j+hL-1:-1:j-hL-1,2);
                  I03{ind}  = I(i,j+hL-1:-1:j-hL-1,3);
                  end
               end
         
               if (BW(i,j) == 1 & BW(i-1,j) == 0 & BW(i-2,j) == 0 & BW(i-3,j) == 0 & BW(i+1,j) == 0 & BW(i+2,j) == 0 & BW(i+3,j) == 0 )
                  ind = ind + 1;
                  for n = L:-1:1   
                   
                  I_min1{ind} = min(min(I(i-hL:i+hL,j,1)));
                  I_min2{ind} = min(min(I(i-hL:i+hL,j,2)));
                  I_min3{ind} = min(min(I(i-hL:i+hL,j,3)));

                  I_max1{ind} = max(max(I(i-hL:i+hL,j,1)));
                  I_max2{ind} = max(max(I(i-hL:i+hL,j,1)));
                  I_max3{ind} = max(max(I(i-hL:i+hL,j,1)));

                  I_modelled1{ind}(n) = I_min1{ind} + (1/(1 + exp(-(12*n - 6*L - 6)/(L - 1))))*(I_max1{ind} - I_min1{ind});
                  I_modelled2{ind}(n) = I_min2{ind} + (1/(1 + exp(-(12*n - 6*L - 6)/(L - 1))))*(I_max2{ind} - I_min2{ind});
                  I_modelled3{ind}(n) = I_min3{ind} + (1/(1 + exp(-(12*n - 6*L - 6)/(L - 1))))*(I_max3{ind} - I_min3{ind});
                  
                  I01{ind}  = I(i+hL-1:-1:i-hL-1,j,1);
                  I02{ind}  = I(i+hL-1:-1:i-hL-1,j,2);
                  I03{ind}  = I(i+hL-1:-1:i-hL-1,j,3);
                  end
               end
 
           
        end
    end
end
 
%计算I_Restored
I_Restored = I;
ind        = 0;

for i = hL+2:r-hL-2
    for j = hL+2:c-hL-2
        if Io(i,j) == 255  

               if (BW(i,j) == 1 & BW(i,j-1) == 0 & BW(i,j-2) == 0 & BW(i,j-3) == 0 & BW(i,j+1) == 0 & BW(i,j+2) == 0 & BW(i,j+3) == 0 ) 
                  ind         = ind + 1;
                  for n = L:-1:1 
                  I_Restored1{ind}(n) =  I_max1{ind} * (double(I01{ind}(n))/double(I_modelled1{ind}(n)));
                  I_Restored2{ind}(n) =  I_max2{ind} * (double(I02{ind}(n))/double(I_modelled2{ind}(n)));
                  I_Restored3{ind}(n) =  I_max3{ind} * (double(I03{ind}(n))/double(I_modelled3{ind}(n)));  
                  end
               end
 
               if (BW(i,j) == 1 & BW(i-1,j) == 0 & BW(i-2,j) == 0 & BW(i-3,j) == 0 & BW(i+1,j) == 0 & BW(i+2,j) == 0 & BW(i+3,j) == 0 )
                  ind         = ind + 1;
                  for n = L:-1:1 
                  I_Restored1{ind}(n) =  I_max1{ind} * (double(I01{ind}(n))/double(I_modelled1{ind}(n)));
                  I_Restored2{ind}(n) =  I_max2{ind} * (double(I02{ind}(n))/double(I_modelled2{ind}(n)));
                  I_Restored3{ind}(n) =  I_max3{ind} * (double(I03{ind}(n))/double(I_modelled3{ind}(n)));  
                  end
               end
        end          
    end    
end





S  = zeros(r,c,3);
NS = zeros(r,c,3); 
%显示最后的恢复效果
ind        = 0;
Num_s      = 0;
Num_ns     = 0;
for i = 1:r
    for j = 1:c
        if Io(i,j) == 255
           S(i,j,1)  = I(i,j,1);  
           S(i,j,2)  = I(i,j,2);  
           S(i,j,3)  = I(i,j,3);  
           NS(i,j,1) = 0;  
           NS(i,j,2) = 0;  
           NS(i,j,3) = 0;  
           Num_s     = Num_s + 1;
        else
           S(i,j,1)  = 0;  
           S(i,j,2)  = 0;  
           S(i,j,3)  = 0;  
           NS(i,j,1) = I(i,j,1);  
           NS(i,j,2) = I(i,j,2);  
           NS(i,j,3) = I(i,j,3);       
           Num_ns    = Num_ns + 1;
        end
    end    
end

三、仿真测试结果

·测试图片1的仿真结果如下所示：

从上面的仿真可以看到，塔的影子基本被消除，并且在原来影子的地方，恢复出了原来的颜色。

·测试图片2的仿真结果如下所示：

从上面的仿真可以看到，马路的影子基本被消除，并且在原来影子的地方，恢复出了原来的路面的颜色。

·测试图片3的仿真结果如下所示：

从上面的仿真可以看到，人的影子基本被消除，并且在原来影子的地方，恢复出了原来的路面的颜色。

A21-03

fpga和matlab
关注
专栏目录
MATLAB算法实战应用案例精讲-【图像处理】三维重建(附MATLAB和python代码实现)
qq_36130719的博客
12-13 1万+
在计算机视觉中，三维重建是指根据单视图或者多视图图像重建原始三维信息的过程。单视图缺少深度、多视角信息，基于单视图的三维重建效果较一般。基于多视角图像的三维重建，充分利用了多视角拍摄信息，先对摄像机进行标定，并计算出摄像机的图像坐标系与真实世界坐标系的关系，然后利用多个二维图像重建出三维信息。广义上，三维重建是指对某些三维物体或者三维场景的一种恢复和重构。重建出来的模型，方便计算机表示和处理。
MATLAB算法实战应用案例精讲-【图像处理】缺陷检测（附python和matlab实现代码）
qq_36130719的博客
12-14 1万+
缺陷检测通常是指对物品表面缺陷的检测，表面缺陷检测是采用先进的机器视觉检测技术，对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中这种测量方法是在线非接触式检测设备，轮廓测量仪适用于轧制中的长材检测，如圆钢、方钢、螺纹钢、T型钢等，一般的表
阴影检测（shadow detect)
热门推荐
大橙子的博客
03-27 1万+
不管是无人机影像或者其它方式摄取的图像，由于光照，难免会存在阴影，笔者这篇文章介绍检测阴影一种简单的方式。参考论文：1、Damaged Building Detection in Aerial Images using Shadow Information2、Linearized Vegetation Indices Based on aFormal Statistical Framework主要...
图像阴影检测
04-09
一些关于图像阴影检测与消除的文献，对于研究和学习图像中阴影检测与消除会有帮助
图像去阴影
jacke121的专栏
12-07 5657
# -*- coding: UTF-8 -*- import cv2 import numpy as np import os #%% import cv2 import numpy as np import matplotlib.pyplot as plt #%% def max_filtering(N, I_temp): wall = np.full((I_temp.shape[0]+(N//2)*2, I_temp.shape[1]+(N//2)*2), -1) wal...
遥感图像处理-阴影提取
WHU_StudentZhong的博客
05-31 9145
最近在做一个遥感图像处理的任务，觉得比较有意思，就拿出来跟大家分享一下。 这次的任务是遥感图像的阴影提取，看上去好像有一点高大上的样子，让人有些摸不到头脑。我先到网上查找了一下，主要的方法都是用二值化，配合Canny算子或者Sobel算子之类的来提取阴影的面积，但是我觉得这样做比较复杂，而且效果也不一定很好。于是我就变了一个思路，来用阴影本身的特点来进行提取。 首...
阴影检测
jacke121的专栏
07-13 2956
深度学习的： 我们公布了文章的代码与结果（https://github.com/xw-hu/DSC），同时在个人主页上传了更多相关的资料（https://xw-hu.github.io/）。 这个对小阴影无效 这个是matlab，也是对大阴影有效 https://github.com/kittenish/Image-Shadow-Detection-and-Remova...
基于4个特征的阴影检测算法
03-03
多特征阴影检测算法，代码中考虑四种特征，主要用于遥感影像阴影检测过程。
DNM1 matlab 阴影检测方法
04-21
R. Cucchiara, C. Grana, G. Neri,et al Deterministic non-model based, DNM1 “The Sakbot System for Moving Object Detection and Tracking” Video-Based Surveillance Systems—Computer Vision and Distributed Processing, pp. 145-157, 2001实现的代码
阴影检测HSV
01-10
阴影检测。大津法。灰度，HSV变换，二值化，阴影检测。
边缘提取matlab代码-shadowDetection:我们在ECCV2010论文中介绍的阴影检测方法的MATLAB实现
05-21
边缘提取matlab代码该软件包使用以下论文中描述的方法从单个图像中检测阴影： J.-F. Lalonde，AA Efros和SG Narasimhan，“检测户外消费者照片中的地面阴影”在2010年欧洲计算机视觉会议上发表。 如果您在工作中使用此代码，请引用本文。 入门 安装所需的软件包（见下文），并进行编译； 在mycode目录中，运行： $ setPath $ demoShadowDetection 结果应该在计算时出现。 享受！ 更改输入图像 如果要使它适合您自己的图像，请执行以下操作： 将图像复制到img目录（扩展名为.jpg）； 用新的文件名更改imgName变量（保留.jpg扩展名）； 如果您只想检测地面上的阴影，请执行以下操作： 3.1计算地面概率图（例如，使用“几何上下文”，请参见下文）； 3.2将地面概率图另存为.mat文件中的变量groundProb ； 3.1将包含变量groundProb的.mat文件复制到img目录中； 3.2将文件重命名为-groundProb.mat 。 在程序运行时观察输出，以确保没有错
MATLAB算法实战应用案例精讲-【图像处理】小目标检测（附matlab代码实现）
qq_36130719的博客
01-13 4215
现有的小目标定义方式主要分为以下两类，即基于相对尺度的定义与基于绝对尺度的定义。(1)基于相对尺度即从目标与图像的相对比例这一角度考虑来对小目标进行定义。Chen[1]等对小目标做了如下定义：同一类别中所有目标实例的相对面积，即边界框面积与图像面积之比的中位数在0.08%~0.58%之间。除此以外，较为常见的还有以下几种：①目标边界框的宽高与图像的宽高比例小于一定值，较为通用的比例值为0.1；②目标边界框面积与图像面积的比值开方小于一定值，较为通用的值为0.03；
使用传统图像处理算法+机器学习进行shadow detection
weixin_42280271的博客
06-26 1617
本博客介绍了一种结合传统算法和机器学习算法的阴影检测的技术方案，包括传统的加权中值滤波和Mean Shift算法，以及基于机器学习的图像特征提取和SVM分类器方法。通过最终的效果来看，可以看出这些技术方案都具有一定的优势和适用性，可以根据不同的场景和任务要求来选择使用，但是可能因为标注数据量不够，同时svm这类分类器效果也不够好（其实可以尝试xgb等其他更好的分类器）。然而，阴影检测仍然是一个具有挑战性的课题，当前存在许多问题有待进一步解决。
Python实现的数字图象处理之阴影检测与去除
毕业作品网站
07-03 7781
数字图像中阴影是普遍存在的，而且其为数字图像处理的很多任务，如图像特征提取，图像识别，图像分割带来了不利的影响。一个有效的阴影检测与去除方法可以为接下来的图像处理带来很多便利。
OpenCV项目实战-深度学习去阴影-图像去阴影
最新发布
阿利同学的博客
04-02 2101
OpenCV项目实战-深度学习去阴影-图像去阴影-人工智能
MATLAB图像边缘检测算法研究与仿真
"基于matlab的图像边缘检测算法研究和仿真" 图像边缘检测是计算机视觉和图像处理中的核心任务，主要用于识别图像中的目标和提取关键特征。MATLAB作为一个强大的数值计算和可视化平台，提供了丰富的图像处理工具箱，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

fpga和matlab

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值