陳卓（四川大學(xué)視覺合成圖形圖像技術(shù)國防家重點(diǎn)學(xué)科實(shí)驗(yàn)室，成都　610025)

一種針對單幅室外圖像的陰影檢測算法

陳卓
（四川大學(xué)視覺合成圖形圖像技術(shù)國防家重點(diǎn)學(xué)科實(shí)驗(yàn)室，成都610025)

0　引言

一直以來，陰影檢測都是圖像處理領(lǐng)域的研究熱點(diǎn)之一。圖像中的陰影會(huì)增加物體識(shí)別、圖像分割等算法的難度，所以有效地檢測陰影可以顯著提高圖像處理領(lǐng)域許多算法的性能。

最近十多年中，大量圖像處理中的陰影檢測算法涌現(xiàn)出來。一部分算法基于陰影邊緣。該方法通過比較兩種邊緣來檢測陰影[1]：光照不變圖像的邊緣和原圖像的邊緣。該方法的一大限制在于對處理圖像有著很高的質(zhì)量要求，當(dāng)所處理圖像為普通圖像時(shí)，該算法效果一般。另一部分算法基于陰影區(qū)域。該方法基于光照強(qiáng)度、梯度等信息，通過訓(xùn)練條件隨機(jī)場來判斷陰影[2]。但該方法有著冗長的訓(xùn)練過程，并對訓(xùn)練集的依賴度較高。時(shí)至今日，在光照、物體反射率和陰影幾何形狀等因素的影響下，陰影檢測仍然是一個(gè)具有挑戰(zhàn)性的問題。特別地，對于單幅室外圖像，由于其信息少、場景復(fù)雜等原因，針對該圖像的陰影檢測更是難上加難。

因此，本文針對單幅室外場景的圖像，提出了一種新的陰影檢測算法。首先，算法利用陰影導(dǎo)致的紋理和亮度變化特征，結(jié)合局部和全局信息對圖像進(jìn)行分割。然后，針對過度分割產(chǎn)生的問題，本文提出了一種新的基于邊緣的區(qū)域融合算法，可有效地將圖像中陰影區(qū)域和非陰影區(qū)域分割開來，同時(shí)可以分別把陰影區(qū)域和非陰影區(qū)域分割成若干個(gè)子區(qū)域。然后，利用單個(gè)區(qū)域信息和區(qū)域匹配的信息，分別訓(xùn)練一個(gè)SVM，對陰影進(jìn)行識(shí)別。本文的主要貢獻(xiàn)包括：

●提出了一種新的基于陰影特征的圖像分割算法，該算法結(jié)合邊緣檢測和區(qū)域檢測，準(zhǔn)確地將陰影和非陰影區(qū)域分割開。

●整合了圖像分割和陰影檢測算法，利用相同的陰影特征進(jìn)行分割和檢測，使算法內(nèi)部的一致性增強(qiáng)，并擁有更好的檢測效果。

1　相關(guān)工作

1.1圖像分割

很多圖像分割算法已經(jīng)被開發(fā)出來，這些算法大致可分為兩類：基于輪廓/邊緣信息的分割，如Canny算法[4]；以及基于區(qū)域信息的分割，如MeanShift[5]，k均值算法[6]等。同時(shí)，很多研究者認(rèn)為作為分割圖像的兩種方法，二者可以有效的結(jié)合起來。文獻(xiàn)[7]提出了這樣一種全新的方法，該方法結(jié)合了輪廓檢測和圖像分割，利用檢測出來的邊緣信息構(gòu)建了一個(gè)分層的區(qū)域樹，很好地融合了兩種方法。

圖1　表示算法處理的流程，依次為（a）→（b）→（c）→（d）

1.2陰影檢測

由于陰影會(huì)顯著降低光照強(qiáng)度，所以一部分陰影檢測的方法是基于光照模型，或者顏色模型的。文獻(xiàn)[8-9]利用顏色空間HSI中的H和I空間，通過兩者之間的比值來檢測陰影檢測。然而，該方法更適合檢測航拍圖中的陰影，或者圖像中比較明顯的陰影，其對室外復(fù)雜場景中陰影的檢測效果差強(qiáng)人意。

有別于基于光照模型的檢測方法，文獻(xiàn)[3]試圖通過對比區(qū)域之間的信息來檢測陰影，具有極強(qiáng)的啟發(fā)意義。這種方法通過訓(xùn)練SVM來評價(jià)一個(gè)區(qū)域以及區(qū)域之間的關(guān)系，然后再據(jù)此構(gòu)建一個(gè)能量函數(shù)，最后求解這一函數(shù)來綜合判斷陰影區(qū)域。

2　算法實(shí)現(xiàn)

2.1基于陰影特征的圖像分割

圖像分割是計(jì)算機(jī)圖像學(xué)領(lǐng)域的一個(gè)基本問題。如果可以將圖像中陰影和非陰影區(qū)域準(zhǔn)確地分割開來，將對陰影檢測帶來極大的便利。因此，圖像分割對陰影檢測有著重要的意義。

當(dāng)一個(gè)區(qū)域被陰影覆蓋時(shí)，它的紋理和光照會(huì)發(fā)生變化[2]。而文獻(xiàn)[3]中使用的MeanShift算法不能很好地利用這一性質(zhì)。本文通過改進(jìn)[7]中的算法，根據(jù)陰影的特征，融合陰影邊緣檢測和陰影區(qū)域檢測，分割陰影和非陰影區(qū)域。該方法大致分為兩個(gè)步驟：陰影邊緣檢測和陰影分割。

（1）陰影邊緣檢測

本文與[7]中的算法不同之處在于：首先在陰影邊緣檢測部分，本文通過亮度和紋理基元（textons）[7]信息，計(jì)算每個(gè)像素點(diǎn)的梯度信息G（x，y，θ），并據(jù)此分析出圖像的輪廓信息gPb。

（2）陰影分割

經(jīng)過上文分析得到的gPb能夠有效的表示輪廓，但是這些輪廓也不是完全封閉的，因此不能用作分割圖像。為了更好地分割圖像，本文使用分水嶺算法利用輪廓信息gPb來進(jìn)行區(qū)域分割。然而，分水嶺算法會(huì)產(chǎn)生過度分割問題，為此本文開發(fā)了一種全新的方法來解決這一問題。

在分水嶺算法中，定義每個(gè)“集水盆地”對應(yīng)一個(gè)區(qū)域，記為P0；兩個(gè)集水盆地交匯處是“分水嶺”，記為K0。接著定義一個(gè)無向圖G=（P0，K0，W（P0），E（P0）），其中W（P0）表示每條分水嶺的權(quán)值，由分水嶺上點(diǎn)的總能量處以分水嶺上點(diǎn)的個(gè)數(shù)而得；E（P0）表示每個(gè)集水盆地的能量值，每個(gè)盆地的初始能量均為零。同時(shí)需要注意的是在圖中，每條都恰好分割兩個(gè)區(qū)域，W（P0）描述了相鄰兩個(gè)區(qū)域之間的相異性。

將分水嶺按照其權(quán)值，由小到大存入隊(duì)列，并依此判斷其是否需要合并。假定R1和R2由邊C*分割，且R=R1∪R2，合并的規(guī)則如下：

●R1和R2合并的條件是：如果min{E（R1），E（R2）} ≠0，則W（K0）≤τ·min{E（R1），E（R2）}或min{E（R1），E （R2）}=0。其中，τ表示一個(gè)常數(shù)。通過調(diào)整τ就可以調(diào)整合并條件，從而控制最終區(qū)域的大小，τ越大最終合并的區(qū)域面積越大。

●E（R）、P0和K0的合并方法是：E（R）=max{E（R1），E（R2），W（C*）}；P0←P0{R1，R2}∪R；K0←K0{C*}。

2.2陰影檢測

文獻(xiàn)[3]提出了一種基于區(qū)域匹配的陰影檢測方法。該方法認(rèn)為判斷一個(gè)區(qū)域是否為陰影，不僅僅是和區(qū)域本身的性質(zhì)相關(guān)，還應(yīng)該和其他區(qū)域相關(guān)。也就是說，需要結(jié)合區(qū)域之間的關(guān)系來判斷一個(gè)區(qū)域是否為陰影。

（1）區(qū)域識(shí)別

對于單區(qū)域識(shí)別，本文訓(xùn)練一個(gè)分類器（SVM）來判斷單個(gè)區(qū)域是陰影的概率。訓(xùn)練集已手工標(biāo)記出了陰影部分，分類器利用陰影的亮度和紋理基元來進(jìn)行分類，輸出為表示區(qū)域?yàn)殛幱暗母怕省?/p>

對于匹配區(qū)域識(shí)別，檢測一個(gè)區(qū)域是否為陰影區(qū)域，應(yīng)該與其紋理相似的區(qū)域進(jìn)行比較。如果兩個(gè)區(qū)域亮度相似，則二者處于同一光照強(qiáng)度下（陰影或者非陰影）；如果兩者的亮度相異，則認(rèn)定亮度較暗的區(qū)域?yàn)殛幱?。這里，利用分類器訓(xùn)練四個(gè)特征來判斷陰影區(qū)域[3]：亮度和紋理基元的χ2距離，平均RGB比，色彩對齊度和區(qū)域歸一化距離。

（2）算法

由上述構(gòu)建能量方程，使用圖割算法[10]得到最終的陰影檢測結(jié)果：

同時(shí)，

圖2　實(shí)驗(yàn)結(jié)果圖

第一列是原圖像。第二列是文獻(xiàn)[3]所使用的MeanShift算法分割的圖像；第三列是本文算法分割的圖像；第四列是文獻(xiàn)[3]陰影檢測結(jié)果的投影圖像；第五列是本文算法陰影檢測結(jié)果的投影圖像。

3　實(shí)驗(yàn)結(jié)果

本文在多張室外圖像上進(jìn)行了實(shí)驗(yàn)，這些圖像很好地囊括了不同種類的陰影圖像，具有較強(qiáng)的說服力，如圖2所示。通過將本文算法和文獻(xiàn)[3]中的算法進(jìn)行比較，可以看出：本文算法很好地分割了圖像中陰影和非陰影區(qū)域，并準(zhǔn)確地檢測了陰影區(qū)域。

4　結(jié)語

本文提出了一種新的陰影檢測算法。分割圖像和檢測陰影都使用了相同的陰影特征，圖像分割更加準(zhǔn)確，陰影檢測的效果更好。另外，根據(jù)輪廓信息，提出了一種區(qū)域合并的算法，并且可以通過控制區(qū)域合并的參數(shù)，方便地控制合并區(qū)域的大小。這些優(yōu)點(diǎn)共同提升了陰影移除的效果。

[1]G.D.Finlayson，S.D.Hordley，C.Lu，and M.S.Drew.On the Removal of Shadows from Images.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28（1）:59-68.

[2]G.D.Finlayson，M.S.Drew，C.Lu.Intrinsic Images by Entropy Minimization.European Conference on Computer Vision，Prague，Czech Republic，2004:582-595.

[3]Guo Rui-qi，Dai Qie-yun，Hoiem，D.Single-Image Shadow Detection and Removal Using Paired Regions.IEEE Conference on Computer Vision and Pattern Recognition.Providence，RI，2011:2033-2040.

[4]Canny，John.A Computational Approach to Edge Detection.IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8 （6）:679-698.

[5]D.Comaniciu and P.Meer.Mean Shift:A Robust Approach Toward Feature Space Analysis.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（5）:603-619.

[6]J.B.MacQueen.Some Methods for Classification and Analysis of Multivariate Observations，Berkeley，Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability，University of California Press，1967.

[7]P.Arbelaez，M.Maire，C.Fowlkes，J.Malik.IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（5）:898-916.

[8]TSAI V.J.A Comparative Study on Shadow Compensation of Color Aerial Images in Invariant Color Models.IEEE Transactions on Geoscience and Remote Sensing，2006，44（6）:1661-1671.

[9]Xiao Chunxia，Xiao Donglin，Zhang Ling，Chen Lin.Efficient Shadow Removal Using Subregion Matching Illumination Transfer.Computer Graphics Forum，2013，32（7）:421-430.

[10]Y.Boykov，O.Veksler，R.Zabih.Fast Approximate Energy Minimization Via Graph Cuts.IEEE Transactions on Pattern Analysis andMachine Intelligence，2001，23（11）:1222-1239.

Shadow Detection;Shadow Segmentation;Region-Pair

A Shadow Detection Algorithm for Single Outdoor Images CHEN Zhuo

（National Key Laboratory of Fundamental Science on Synthetic Vision，Sichuan University，Chengdu 610025）

1007-1423（2016）06-0060-04

10.3969/j.issn.1007-1423.2016.06.014

陳卓（1989-），男，河南鶴壁人，碩士研究生，研究方向?yàn)橛?jì)算機(jī)圖像

2016-01-05

2016-02-06

提出一種針對單幅室外場景圖像的陰影檢測算法。算法首先利用陰影的亮度和紋理特征，融合輪廓檢測和區(qū)域分割兩種方法分割圖像；然后，通過訓(xùn)練SVM來檢測單個(gè)區(qū)域信息和區(qū)域之間的匹配信息；最后，利用圖割算法綜合判斷陰影區(qū)域。實(shí)驗(yàn)結(jié)果表明，該算法可以有效地分割單幅室外圖像中的陰影區(qū)域。

陰影檢測；陰影分割；區(qū)域?qū)?/p>

國家自然科學(xué)基金（No.61103137）、國家 863計(jì)劃（No.2013AA013902）、國家自然科學(xué)重點(diǎn)項(xiàng)目和科技支撐計(jì)劃（No.2012BAH62F02）

Proposes a novel shadow detection approach for a single natural outdoor image.This algorithm firstly segments image by using the charac-teristic of shadow:brightness and texture.Then,the algorithm trains a SVM to detect single region information and region-pair informa-tion.At last,uses Graph Cut algorithm to classify shadow/non-shadow regions.Experiments show that this method significantly detects shadow regions in single outdoor images.