趙亞鳳　任洪娥　胡峻峰

(東北林業(yè)大學(xué)，哈爾濱，150040)

?

原木端面圖像的陰影去除算法1)

趙亞鳳任洪娥胡峻峰

(東北林業(yè)大學(xué)，哈爾濱，150040)

摘要原木在堆放時其端面不在一個平面，自然光線下，凹進去的原木很容易陷入陰影中。為了準確分割原木端面圖像，解決陰影消除的問題，提出了模式識別的方法。首先，提出了自適應(yīng)閾值的合并解決均值漂移分割參數(shù)選擇不合適引起的過分割和過合并問題；再將30維的顏色直方圖和局部二進制模式(LBP)紋理直方圖作為特征量，利用隨機森林分類器進行訓(xùn)練和預(yù)測，將區(qū)域圖像分為端面、陰影、背景3類；最后，利用圖像增強算法進行陰影消除。對陰影消除前后的端面圖像作分割，對比結(jié)果顯示了此算法的有效性。

關(guān)鍵詞自適應(yīng)分割；陰影檢測；陰影消除

原木端面圖像分割時，由于有些原木在采伐時留下的茬口和集材、運輸過程中形成的破裂，給圖像分割造成了一定的困擾。特別是凸出的原木，在不同角度的太陽光照射下會在其他原木端面和空隙部分留下陰影，在利用經(jīng)典圖像分割算法時，陰影和背景很難區(qū)分。

正常堆放的原木，其端面必定參差不齊；凹進去的原木，在自然光照條件下，其端面會有部分截面落在其上方原木的陰影里。陰影中的端面圖像與正常端面圖像相比，在顏色和亮度上有很大改變[1]，原木端面不呈現(xiàn)理想的淺色，陰影對端面圖像分割產(chǎn)生較大影響。陰影的存在很顯著的降低圖像質(zhì)量，導(dǎo)致圖像中的有用信息丟失；在邊緣提取、目標識別和立體匹配中，會顯著降低圖像處理的效果。陰影超出了傳統(tǒng)意義上的噪聲影響，用于去噪的圖像濾波和圖像增強技術(shù)很難做到陰影的去除。

目前的陰影圖像去除算法主要分單幅圖像的陰影去除、視頻圖像序列的陰影消除2類。單幅圖像的陰影檢測和消除算法主要有基于模型的方法、基于本征圖像的方法、基于統(tǒng)計學(xué)的方法3類[2]，基于模型和統(tǒng)計學(xué)的方法是目前的研究熱點?；谀Ｐ偷姆椒ㄖ?，光照恒常、顏色恒常的模型是目前研究最廣的一個方向，基于Retinex、ICM等模型的算法已有一些優(yōu)秀的方法[3-4]；但這類算法的模型建立多依賴于經(jīng)驗、假設(shè)和仿真，其理論基礎(chǔ)和算法實用性還有待提高。基于統(tǒng)計的陰影檢測方法也是目前的研究熱點[5-8]，但這類方法適用性還有待提高；雖然為了提高算法適應(yīng)性，有研究者提出了單幅圖像中成對區(qū)域特征匹配的訓(xùn)練分類器[7-8]，較單區(qū)域圖像學(xué)習(xí)分類有更好的魯棒性，但算法復(fù)雜度增加、速度較慢，不適合在線圖像的陰影檢測。

本文研究單幅圖像的陰影消除。首先利用超像素進行端面圖像分割；分割后的區(qū)域，再分析端面、陰影和背景3類圖像的特征，選擇合適的特征，結(jié)合分類算法，將圖像區(qū)域分為端面、陰影和背景3類，并將陰影區(qū)域進行圖像增強，提出適用于端面圖像的陰影去除算法。

1圖像預(yù)分割

原木端面圖像主要包含背景、陰影、原木端面。陰影在紋理上與端面一致，但照度不同時顏色會有差別，接近背景的顏色。為了對圖像進行分割，利用均值漂移法進行圖像的超像素分割，將圖像分割成不同區(qū)域，是陰影檢測的前提。

在基于均值漂移算法的圖像分割過程中，主要參數(shù)有空域帶寬(hs)和光譜域帶寬(hr)。參數(shù)較小時，區(qū)域數(shù)量多，容易產(chǎn)生過分割；參數(shù)較大時，區(qū)域數(shù)量相應(yīng)減少，過分割現(xiàn)象減弱。取像素512×512的圖片，多次修改參數(shù)后發(fā)現(xiàn)，hs=50、hr=15時有較好的分割效果。隨機選取三幅圖像，其分割結(jié)果如圖1所示。

白色的實線為分割后每個區(qū)域邊界，*為中心點。

由圖1可見：端面邊緣大致被分割出來，但部分端面的中心點并沒有在理想位置，圖像放大后發(fā)現(xiàn)，該分割結(jié)果已經(jīng)產(chǎn)生了過合并；并且在端面和背景的交接處，產(chǎn)生了多個無意義的小區(qū)域，這些區(qū)域的存在，給特征提取造成了一定的困擾。由于端面圖像中背景復(fù)雜，相鄰的端面容易合并成一個區(qū)域，很難找到合適的約束函數(shù)得到理想的帶寬完成分割。這類圖像要求能將背景、陰影、端面嚴格區(qū)分，且距離較近的不同端面還能獨立分割，給參數(shù)設(shè)置提出了很高的要求，在均值漂移分割機制下很難找出合適的參數(shù)同時滿足以上要求。因此，首先對圖像進行過分割，再對小區(qū)域合并，實現(xiàn)最終分割。

合并的思想：對初始分割后所得到的各相鄰區(qū)域特征信息的綜合比較，找出同時滿足顏色相近與空間相鄰兩個原則的區(qū)域，如果它們之間連接的邊緣處沒有明顯差異，可以將此相鄰區(qū)域合并成1個整體。區(qū)域距離是決定區(qū)域合并效果的重要參數(shù)，對圖像分割的最終結(jié)果產(chǎn)生重要的影響。對于區(qū)域i、j距離的計算，以顏色特征L、a、b計算出其顏色距離，以區(qū)域中心坐標x、y計算出其邊緣距離，綜合得到區(qū)域?qū)χg的距離(d)：

(1)

式中：L(i)、a(i)、b(i)為i區(qū)域的顏色特征均值；x(i)、y(i)為i區(qū)域質(zhì)心像素點位置；L(j)、a(j)、b(j)為j區(qū)域的顏色特征均值；x(j)、y(j)為j區(qū)域質(zhì)心像素點位置；p為權(quán)重系數(shù)。權(quán)值p決定顏色和區(qū)域距離對合并的影響程度，為了防止2個顏色相近的端面過合并，本文中p取值0.4。

合并時，首先計算相鄰區(qū)域間的距離(d)，再取整幅圖中相鄰區(qū)域距離平均值為閾值(t)，實現(xiàn)自適應(yīng)合并。本文采用具有噪聲的基于密度的聚類方法(DBSCAN)區(qū)域聚類，利用該方法的區(qū)域合并準則，遍歷區(qū)域?qū)Σ⒂嬎鉪值，小于t的區(qū)域?qū)喜?，否則不合并，遍歷結(jié)束后完成最終分割[9]。

利用合并思想，預(yù)分割時取hs=20、hr=15，自適應(yīng)合并時p=0.4，每幅圖像計算得出不同的閾值。圖1的3幅圖像，圖1a閾值為527.992 7、圖1b閾值為400.507 5、圖1c閾值為402.434 1。合并后區(qū)域見圖2。

2區(qū)域特征選取

色彩和紋理是彩色自然圖像中最重要和常見的2個特征，本文將區(qū)域顏色直方圖與紋理直方圖結(jié)合起來完成訓(xùn)練和分類操作。

本文選擇Lab顏色空間，其中L為亮度分量，值域由0到100；a、b為色彩分量，值域均為+127～-128。將L、a、b在各自的顏色空間分成10個較小的且互不重疊的通道，某個區(qū)域中第i個通道在L、a、b分量所占的比例表示為分布密度pLi、pai、pbi。

(2)

式中：Li為區(qū)域中亮度值在第i個通道的所有像素點個數(shù)；ai、bi為a、b分量對應(yīng)的結(jié)果；N為通道數(shù)，本文中取N=10。相同紋理的陰影與非陰影區(qū)域比較，非陰影區(qū)域在L通道有更高的分布密度，但在a、b通道排列一致。

紋理特征選取局部二進制模式(LBP)紋理直方圖作為一種常用算子，可以對圖像局部紋理特征進行提取。經(jīng)典的LBP算子選取3×3像素區(qū)域，利用外圍8個像素點的灰度值與中心位置的像素進行比較，灰度值大于中心像素的外圍像素所在位置用1來進行標記，反之則標記為0，算子描述為：

(3)

式中：L(xc,yc)為圖像坐標中(xc,yc)對應(yīng)點的LBP值，gc為點(xc,yc)的像素值；gp為鄰域像素值；S(x)描述x是否大于零。

為了在完整描述紋理的同時減小特征維數(shù)，使LBP具有旋轉(zhuǎn)不變性，OjalaTetal[10]在LBP的基礎(chǔ)上提出了一種支持旋轉(zhuǎn)不變性的紋理特征算子，利用3×3像素區(qū)域，可表示為：

LRi(xc,yc)=minR(LRi(xc,yc))，i=0、1、2、…、7。

(4)

式中：R(LRi(xc,yc))表示對LBP的8位二進制數(shù)右移i位，i從0到7中取值。該LBP可將維數(shù)降低為36維，這種降維操作會丟失紋理的方向信息，但本文無需統(tǒng)計紋理方向，該降維操作對分類結(jié)果無不良影響。

圖2　自適應(yīng)合并效果

圖2a分割后共有78個區(qū)域，每個區(qū)域顏色直方圖在L、a、b各10維，取這些區(qū)域中共有端面區(qū)域31個，陰影區(qū)域9個，剩下的為背景。對這3類圖像，任取9個區(qū)域分析其L、a、b顏色特征(見圖3～圖5)。取L、a、b三維圖像的旋轉(zhuǎn)不變LBP紋理直方如圖6所示。

圖3L分量特征圖4a分量特征

由圖3～圖5可見：L特征分量上3類圖像有明顯的區(qū)別，不同類的圖像，顏色分布、比例大小都不相同，且端面圖像和陰影圖像有很強的類間相似性，但背景圖像因為組成復(fù)雜，類間一致性不強。a分量3類圖像有著相同的特點。b分量端面圖像在顏色分布上不同于陰影和背景，端面圖像的顏色主要分布在第7維，陰影和背景主要分布在第6維，且陰影的第5維分量很小，與背景有不同的特點。

由圖6可見：端面圖像紋理信息較豐富，2個方向的36×3維的特征中，端面紋理表現(xiàn)出很強的一致性，在108維的特征中，分布比較均勻，呈現(xiàn)較強的規(guī)律性；背景圖像由于紋理信息較少，在LBP直方圖中表現(xiàn)出幾個特定維數(shù)的LBP較強，其他較弱的趨勢，也有很強的一致性；陰影區(qū)域本身面積較小，紋理信息統(tǒng)計中沒有很強的一致性，盡管同一類區(qū)域的直方圖沒有陰影和端面的統(tǒng)一特征，但該類區(qū)域的LBP直方圖與另外2類圖像的直方圖差異較大，也很容易區(qū)分。

圖5b分量特征圖6LBP紋理直方圖

3陰影檢測及消除

實驗用圖片是大興安嶺貯木場系列圖片，將其裁剪為像素512×512的圖像庫，共60幅圖片。訓(xùn)練之前，根據(jù)分割的結(jié)果，手動標注3類圖像并計算特征形成訓(xùn)練數(shù)據(jù)庫。60幅圖像共提取端面區(qū)域1 384個、陰影區(qū)域517個、背景區(qū)域1 670個，利用這些區(qū)域數(shù)據(jù)根據(jù)經(jīng)典隨機森林分類器進行3種圖像的分類。

決策樹的數(shù)量為500，隨機選擇692個端面、259個陰影、835個背景區(qū)域用于訓(xùn)練，剩余的區(qū)域用于測試；3類圖像的混淆矩陣見表1，分類準確率為95.35%。

表1　原始數(shù)據(jù)混淆矩陣

注：準確率為95.35%。

陰影區(qū)域的樣本數(shù)明顯少于端面、背景區(qū)域，陰影區(qū)域被混淆的概率也隨之增大，樣本最少的陰影混淆概率最大。而本文主要檢測圖像中的陰影區(qū)域，有必要對數(shù)據(jù)進行改善，以提高總的分類準確度。作者對陰影和斷面利用三次多項式插值的方式對樣本進行擴充，端面、陰影數(shù)量都擴充到1 670個，用其中的一半數(shù)據(jù)進行訓(xùn)練，測試結(jié)果的混淆矩陣見表2，分類準確率為97.01%。

表2　插值后混淆矩陣

注：準確率為97.01%。

可見插值后的數(shù)據(jù)，其分類準確率較插值前有所提高。檢測到的陰影，利用MSR(Mluti-scaleRetinex)圖像增強算法進行陰影消除[11]。利用Retinex算法的顏色一致性原理，陰影消除后的像素點r、g、b三通道顏色值變?yōu)椋?/p>

Mn(x,y)]}。

(5)

式中：N為尺度；權(quán)重wn=1/N；i為r、g、b三個顏色通道；Mn(x,y)=Kn×exp(-(x2+y2)/σ2)，σ為高斯分布的標準方差。N取15、Kn取12，消除檢測到的陰影，隨機選取不同場景拍攝的3幅圖像，處理結(jié)果見圖7。分割后識別的陰影如圖中深色部分所示，結(jié)果顯示，MSR對于木材端面圖像的陰影消除有較好的效果。

陰影消除后的端面圖像(1)，進行閾值分割，提取骨架，再用分水嶺的方法進行相鄰區(qū)域分隔。分割結(jié)果見圖8a，質(zhì)心*標志、質(zhì)心和標號見圖8b。利用同樣的圖像處理步驟，對沒有進行陰影消除的圖像進行處理，邊緣和區(qū)域中心見圖9。

可見，陰影成了背景的一部分，邊緣呈現(xiàn)缺圓的狀態(tài)。分割和檢測結(jié)果表明，圖中的這類陰影部分影響區(qū)域個數(shù)的檢測，即原木數(shù)量檢測結(jié)果沒有誤差，但其邊緣不準確，會嚴重影響直徑的測量精度。

4結(jié)束語

提出了超像素分割和分類器識別堆積原木圖像中的陰影。在圖像的陰影檢測和消除中，首先利用自適應(yīng)合并方法，對均值漂移過分割的超像素進行自適應(yīng)合并，得到端面、陰影、背景3類圖像；再對3類圖像提取30維顏色特征、108維的LBP紋理特征，用于隨機森林的訓(xùn)練和預(yù)測；最后利用MSR方法消除陰影。結(jié)果標明，消除陰影后的圖像有更好的分割效果，更適合于端面的根數(shù)和直徑測量。

圖7　陰影檢測及消除結(jié)果顯示

圖8　陰影去除后分割和檢測結(jié)果

圖9　陰影去除前的分割和檢測結(jié)果

[1]景林，黃習(xí)培，丁盛彬.成捆原木計算機圖像檢尺系統(tǒng)研究及應(yīng)用[J].計算機應(yīng)用，2006，26(S2)：137-139.

[2]田建東，王占鵬，唐延?xùn)|.靜態(tài)陰影檢測的研究進展[J].信息與控制，2015，44(2)：215-222.

[3]SUNJ，TIANJD，DUYK，etal.Retinextheory-basedshadowdetectionandremovalinsingleoutdoorimage[J].IndustrialRobot，2009，36(3)：263-269.

[4]李成，孫路，田潤瀾，等.基于交叉皮質(zhì)模型的單幅圖像陰影檢測算法[J].自動化學(xué)報，2014，40(12)：2887-2898.

[5]ZHANGHY，SUNKM，LIWZ.Object-orientedshadowdetectionandremovalfromurbanhigh-resolutionremotesensingimages[J].IEEETransactionsonGeoscienceandRemoteSensing，2014，52(11)：6972-6982.

[6]MURALIS，GOVINDANVK.ShadowdetectionandremovalfromasingleimageusingLABcolorspace[J].CyberneticsandInformationTechnologies，2013，13(1)：95-103.

[7]GUORQ，DAIQY，HOIEMD.Pairedregionsforshadowdetectionandremoval[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2013，35(12)：2956-2967.

[8]艾維麗，吳志紅，劉艷麗.結(jié)合區(qū)域配對的室外陰影檢測[J].中國圖象圖形學(xué)報，2015，20(4)：551-558.

[9]BIRANTD，KUTA.ST-DBSCAN:Analgorithmforclusteringspatial-temporaldata[J].Data&KnowledgeEngineering，2007，60(1)：208-221.

[10]OJALAT，PIETIKINENM，MENPT.Multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns[J].IEEETransactionsonPatternAnalysis&MachineIntelligence，2002，24(7)：971-987.

[11]STATNIKOVA，HENAFFM，NARENDRAV，etal.Acomprehensiveevaluationofmulticategoryclassificationmethodsformicrobiomicdata[J].Microbiome，2013，1(1)：1-12.

第一作者簡介：趙亞鳳，女，1980年8月生，東北林業(yè)大學(xué)機電工程學(xué)院，講師。E-mail：nefuzyf@126.com。 通信作者：任洪娥，東北林業(yè)大學(xué)信息與計算機工程學(xué)院，教授。E-mail：nefurhe@126.com。

收稿日期：2016年4月25日。

分類號TP751；TP391

GeneticAlgorithmandHomomorphicFilterforLogFaceImageProcess//

ZhaoYafeng,RenHong’e,HuJunfeng

(NortheastForestryUniversity,Harbin150040,P.R.China)//JournalofNortheastForestryUniversity，2016,44(8)：92-96.

Inthenaturalenvironment,theendsurfaceofthelogisnotinaplane,andconcavelogsalwaysfallintotheshadows.Inordertoaccuratelysegmentthelogendssurfaceandsolvetheproblemofshadowelimination,themethodofpatternrecognitionwasproposed.Adaptivethresholdmergingmethodwasproposedtosolvetheoversegmentationandovermergingproblemcausedbyinappropriatemeanshiftsegmentation.Then, 30dimensionalcolorhistogramandLBPtexturehistogramwereusedasfeathers,andarandomforestclassifierwasusedfortrainingandprediction,theregionalimageswasdividedintoface,shadowandbackground.Finally,theimageenhancementalgorithmwasusedforshadowelimination.

KeywordsAdaptive segmentation; Shadow detection; Shadow elimination

1)黑龍江省青年科學(xué)基金項目(QC2015080)。

責(zé)任編輯：張玉。