『计算机视觉』图像阴影去除

---

一、方法说明

由于图像是灰度图像，删除阴影时，有两件事要注意：

• 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。

1.1 最大滤波

假设有一定大小的图像 image1。算法逐个遍历 image1 的像素，并且对于每个像素 (x,y)，它必须找到该像素周围的邻域（大小为 $N\times N$ 的窗口）中的最大灰度值，并进行写入 image2 中相应像素位置 (x,y) 的最大灰度值。所得图像 image2 称为输入图像 image1 的最大滤波图像。

代码实现：

def max_filtering(N, image1):
    wall = np.full((image1.shape[0]+(N//2)*2, image1.shape[1]+(N//2)*2), -1)
    wall[(N//2):wall.shape[0]-(N//2), (N//2):wall.shape[1]-(N//2)] = image1.copy()
    temp = np.full((image1.shape[0]+(N//2)*2, image1.shape[1]+(N//2)*2), -1)
    for y in range(0, wall.shape[0]):
        for x in range(0, wall.shape[1]):
            if wall[y,x] != -1:
                window = wall[y-(N//2):y+(N//2)+1, x-(N//2):x+(N//2)+1]
                num = np.amax(window)
                temp[y,x] = num
    image2 = temp[(N//2):wall.shape[0]-(N//2), (N//2):wall.shape[1]-(N//2)].copy()
    return image2

1.2 最小滤波

此算法与最大滤波完全相同，但是我们没有找到附近的最大灰度值，而是在该像素周围的 $N\times N$ 邻域中找到了最小值，并将该最小灰度值写入 image2 中的 (x,y) 。所得图像 image2 称为图像 image1 的经过最小滤波的图像。

代码实现：

def min_filtering(N, image1):
    wall_min = np.full((image1.shape[0]+(N//2)*2, image1.shape[1]+(N//2)*2), 300)
    wall_min[(N//2):wall_min.shape[0]-(N//2), (N//2):wall_min.shape[1]-(N//2)] = image1.copy()
    temp_min = np.full((image1.shape[0]+(N//2)*2, image1.shape[1]+(N//2)*2), 300)
    for y in range(0, wall_min.shape[0]):
        for x in range(0, wall_min.shape[1]):
            if wall_min[y,x] != 300:
                window_min = wall_min[y-(N//2):y+(N//2)+1, x-(N//2):x+(N//2)+1]
                num_min = np.amin(window_min)
                temp_min[y,x] = num_min
    image2 = temp_min[(N//2):wall_min.shape[0]-(N//2), (N//2):wall_min.shape[1]-(N//2)].copy()
    return image2

1.3 后处理

• 因此，如果图像的背景较浅，我们要先执行最大过滤，这将为我们提供增强的背景，并将该最大过滤后的图像传递给最小过滤功能，该功能将负责实际的内容增强。
• 执行 最小-最大滤波 后，我们获得的值不在 0-255 的范围内。因此，我们必须归一化使用背景减法获得的最终阵列，该方法是将原始图像减去 最小-最大滤波 图像，以获得去除阴影的最终图像。
  
  

Note： 变量 N（用于过滤的窗口大小）将根据图像中粒子或内容的大小进行更改。

代码实现：

def background_subtraction(image1, image2):
    sub_img = image1 - image2
    norm_img = cv2.normalize(sub_img, None, 0, 255, norm_type=cv2.NORM_MINMAX)
    return norm_img